Forecasting techniques (예측기법) 1탄

 

이번 글에서는 앞서 언급한 forecasting 기법 중 Intrinsic techniques에 대해서 좀 더 자세히 알아보겠습니다. 

 

* Average (평균)

과거 데이터의 평균을 구해서 향후 예측을 뿌리는 단순한 방법입니다. 우리에게는 아주 익숙한 방법이죠.

* Moving average (이동평균)

평균보다 좀 더 현재의 트렌트를 반영한 것이라 볼 수 있습니다.

평균이 전체 기간을 고려한다고 하면,

이동평균은 특정 기간 동안(과거 3개월, 과거 6개월 등)을 정해서 향후의 수요 예측을 하는 것입니다. 

 

예를 들면, 

위의 표에서 Average는 약 90입니다. (전체합 1,081/12개월)

3개월 이동평균가 (3MMA – 3 Month Moving Average)값은 어떤가요?

최근 3개월 10월~12월 합계 246 ÷ 3개월 해서 82 입니다. 

 

이러한 평균과 이동 평균 방식은 추세(trend)나 계절성(seasonality)이 거의 없는

수요가 안정적인 제품의 예측에 적합합니다. 

 

* exponential smoothing (지수평활법) 

지수 평활법(Exponential Smoothing)은 과거의 데이터를 사용하여 

미래 값을 예측하는 시계열 예측 방법 중 하나입니다. 

이 방법은 최근 값에 높은 가중치를 부여하고, 

이전 값들에 점차적으로 낮은 가중치를 부여하여 예측을 수행하죠. 

이 가중치를 평활 상수(smoothing constant)라고 하는데요.

평활상수(smoothing constant)는 지수 평활법에서 가중치를 결정하는데 사용되는 매개 변수입니다.

이 값은 0과 1 사이의 값으로 설정됩니다. 

평활상수 값이 작으면 과거 데이터와 큰 차이 없이 예측값이 부드럽게 변화하며,

예측값이 과거 데이터를 따라가는 경향이 있습니다. 최근값이 덜 반영 되니까요.

반면, 평활상수가 크면 예측값이 급격하게 변화하며, 예측값이 새로운 데이터에 빠르게 반응합니다.

 

평활상수는 사용자가 직접 설정해야 하며, 적절한 값을 찾기 위해서는 여러 실험을 통해 적정 값을 찾아야 합니다.

보통은 0.1에서 0.3 사이의 값을 사용하는 것이 일반적이지만

데이터의 성격이나 예측 목적에 따라 다른 값을 사용해야 할 수 있습니다.

 

예를 들어, 시계열 데이터가 불안정하고 매우 변동성이 높은 경우에는

작은 평활상수를 사용하는 것이 좋습니다.

반대로, 데이터가 안정적이고 트렌드가 뚜렷하게 나타나는 경우에는

큰 평활상수를 사용하여 예측을 수행하는 것이 최근의 트렌드를 반영하는데 더 효과적일 수 있겠죠.

 

지수평활법의 수식은 다음과 같습니다. 

평활상수를 α라고 했을 때,

New forecast = α X latest demand + (1- α) X (previous forecast)

입니다. 

 

예시를 한 번 보겠습니다. 

평활상수가 0.15라 했을 때,

6월 Forecast = 0.15 X 190 + (1 - 0.15) X 220 = 215.5  가 됩니다.

 

만약 6월 Actual이 218로 될 경우

7월 Forecast = 0.15 X 218 + (1 - 0.15) X 215.5 = 215.875

가 되겠습니다. 

 

엑셀에서는 지수평활법 함수를 제공하는데, 나중에 시간이 되면 정리해 보겠습니다. 

오늘도 열공 하세요~

 

 

An investment in knowledge pays the best interest.