[LG Aimers] Module 3.2(SCM & 수요예측) : Forecasting (2)

 

 

1. Advanced Time Series Forecasting (2,3번 유형)

 

• Trends
• Seasonality

 

• Time Series with Trends

 

 

빨간색 Method가 저번에 배웠던 exponential smoothing 방법

 

• Double Exponential Smoothing
  • level, trend의 2개 각각의 exponential smoothing을 사용
  • $T_{t}$  trend : 올라가는 / 내려가는 추세를 나타낸다
  • $S_{t}$  level : 평균 주변의 값을 나타냄
  • $FIT_{t+1} = S_{t} + T_{t} $ level + trend 으로 forecast하는 방법

 

Double Exponential smoothing을 사용했을 때 정확도가 더 높다

 

• Causal Forecasting (Regression)

 

 

• 우리가 예측하고 싶은 변수(Dependent variables)는 다른 변수(Independent variables)들에 의해 다른 변수들에 의해 결정이 된다

 

 

 

 

 

 

Temperature가 independent variable, # of people at the beac가 dependent variable

 

 

• Linear Regression from Excel
  • use the 'slope' and 'intercept' functions in Excel
  • use Data Analysis in Excel

 

ㅏslope(b), intercept(a) command를 이용해서 각각 b, a 값을 구할 수 있다

• Intercept 값이 A, Advertising 값이 B

 

 

실제 값과 차이는 있지만 좋은 forecast값이 나옴

 

 

• Time Series with Seasonality

 

 

 

• Regression을 사용해서 추세를 보정하고, 계절성을 보완하기 위해 Seasonal Index를 사용

 

• Seasonal Index $SI = \frac {Actual \: Demand} {Forecast \: Demand}$ 
  • In season : $SI > 1$ (실제 수요가 더 컸다)
  • Out of season : $SI < 1 $ (실제 수요가 더 적었다)

 

• 각 계절별로 (spring, summer, fall, winter) Seasonal Index를 묶음
• 각 계절별로 년도를 합산해서 평균을 냄 : 최종 Seasonal Index를 구
• 함

 

• Regression을 이용하여 구한 값에 Seasonal Index를 곱해줘서 최종 보정
• $Final \: Forecast = Regression \: value \times Seasonal \: Index$

 

 

2,3번이 섞여있으므로 linear regression을 사용하면서 seasonal index으로 보정하기

 

 

 

 

2. Causal Relationship Forecasting

 

 

• Cautions : "Season" & "Year" 의 의미는 Data Context에 맞는 Season / Cycle에 따라 다르다!

 

• Forecasting의 의미는 Correlation(상관관계)이지, Causality(인과관계) 가 아니다!!

 

 

 

 

 

 

3. Some Forecasting Insights

 

 

작은 단위보다 큰 단위로 하는 것이 정확도를 높일 수 있다 : 크게 한 후에 그 안에서 분배를 하면 됨

 

 

• Product Aggregation :수요 예측을 할 때 aggregate 돼서 product family에 대한 예측을 하는 것이 각각의 individual member에 대해 예측하는 것보다 더욱 쉽다 (overall family error가 individual 보다 낮다)

 

• Time Period에 대한 Aggregation : Month에 대한 forecast가 Week에 대한 forecast보다 더 정확하다

 

 

• 미래에 대한 예측은 가까운 미래가 먼 미래보다 더 정확하다 (매우 당연)

 

 

• Demand를 예측하는데 있어서 과거의 Sales를 기준으로 예측하게 됨
  • $Past \: Sales = min (Demand, Availability)$
  • 미래를 예측할 때 demand의 값이 무조건 sales로 반영되는 것이 아님! (min 함수)
  • Substitution : 원래 demand가 아닐 가능성 존재 (대체품으로 해당 상품을 수요하는 걸수도)

 

 

• 판매하기 위한 target을 정할 때 overshooting하는 경우 (실제 demand보다 매우 높게 예측)