Forecasting Methods(수요 예측 방법) : 1

Forecasting Methods(수요 예측 방법) : 1

앞서 수요예측과 수요관리(Forecasting & Demand Management)에 대해 간략히 설명드린 바 있습니다. 본 절에서는 수요예측과 수요관리에 관해 간단히 복습하고서, 앞서 제대로 설명드리지 못한 바 있는 수요 예측 기법들 중 MRP/ERP 팩키지에서 기본으로 제공하고 있는 수요 예측 기법들을 조금 더 자세히 설명드리도록 하겠습니다. (참고 : DRP 시스템에 대해 앞서 설명드린 부분을 보시면 알겠지만, DRP 시스템에서 수요예측은 매우 중요합니다. 그래서, 조금 더 설명드릴 수 있는 기회를 만들기로 했습니다.)

MRP 시스템을 설명드리면서, S&OP(Sales & Operations Planning), MPS(Master Production Scheduling)의 기초 자료로써 수요예측치가 어떻게 사용되는지 설명드린 바 있습니다. 그리고, 수요예측의 기법을 몇가지 소개드린 바 있지요. 본 절에서는 1) 수요예측과 수요관리에 대해 간단히 복습을 하고, 2) 널리 사용되고 있는(MRP/ERP 팩키지에서 기본적으로 제공하고 있는 수요예측의 기법)들을 소개드린 후에, 3) 수요예측과 DRP와의 관계를 살펴보도록 하겠습니다. 

 Forecasting과 Demand Management 


 
Forecasting과 Demand Management 

Demand Management(수요관리)라는 것은 모든 제품에 대한 수요를 파악하고 관리하는 기능을 뜻합니다. 따라서, 엄밀히 이야기하면 Forecasting(수요예측)은 Demand Management의 일부분이라고 할 수 있습니다. 그러면, Demand Management에는 어떤 기능들이 포함될까요? Demand Management에는 1) Forecasting , 2) Order Entry, 3) Order Promising, 4) Interplant Orders, 5) Service Parts Requirements, 6) Branch Warehouse Requirements 등이 포함됩니다. 각각에 대해 간단히 살펴보면, Forecasting(수요예측)은 향후 제품(군)별 기간별 수요 예측치를 구하는 활동이고, Order Entry는 고객의 오더(즉, 기업의 입장에서 Sales Order)를 접수하는 활동, Order Promising은 언제까지는 얼마의 가격으로 얼마만큼을 전해줄 수 있다는 등의 정보를 고객에게 제시함으로써 수주 활동을 지원하는 활동입니다(앞서 자세히 설명드리지는 않았지만 ATP-Available To Promise, CTP-Capable To Promise와 관련이 깊습니다.). 그리고, 공장이 여러 개 존재하고, 공장간에 부품(반제품, 완제품 포함)의 이동이 필요하면, 이러한 수요는 Interplant Order라고 합니다. 뿐만 아니라, 사후 봉사에 필요한 서비스 부품의 수요는 별도로 존재하게 되겠지요. 그리고, 마지막으로 DRP를 사용한다고 하면, DC나 창고에서 요구하는 수요가 존재하겠지요. Demand Management는 제품(때로는 부품)에 대한 모든 수요를 파악하고 관리하는 활동이라고 할 수 있겠고, (MRP/ERP에서 이야기되는) Forecasting은 고객의 수요를 예측하는 활동이라고 할 수 있겠습니다. 앞서, 과연 Demand Management를 통하여 이렇게 많은 종류의 수요들이 파악되고, MPS/MRP Planning에 반영되는 지 의심스러운 분들은 기준생산계획(Master Production Scheduling)을 다시 참조해 보시기 바랍니다. 기준생산계획을 설명드리면서 BaaN IV 시스템의 기능에 대해 일부 설명드린 곳이 있는데, 그 곳을 보시면 의심이 풀리게 되실 것입니다. ( Demand Management의 역할에 대해서, 조금 더 상세히 파악하시려면 S&OP, MPS와 Demand Management의 관계를 이해하시는 것이 매우 중요합니다. )


 Forecasting Methods(수요 예측 기법) 


앞서 MRP 시스템을 설명하면서, 수요예측 방법으로 1) 이동평균법(Moving Average), 2) 지수평활법( Exponential Smoothing), 3) 계절적 변동을 반영할 수 있는 모형 등의 3가지에 대해 간략히 설명드린 바 있습니다. 그러나, 배경설명도 없었고, 간단한 예제도 없이 언급을 했기 때문에 수요예측에 대한 사전 지식이 없으셨던 분들은 이해하시기 힘들었으리라 생각됩니다. 본 절에서는 앞에서 언급한 수요 예측 방법들에 대해 간단한 예제를 곁들어 설명드리고자 합니다. 

수요예측은 과거의 데이터(history data)를 이용하여, 경향성을 파악할 수 있는 모형을 수립하고, 이 모형을 이용하여 미래를 예측하는 활동입니다. 산수(?)를 이용해서 설명한다면, 현재 시점이 t라고 할 때, t시점까지의 가용한 과거 데이터를 이용해서, 미래(t+l 시점)를 예측하는 방법입니다. 수요예측은 지금까지 설명된 바와 같이 S&OP, 생산/재고계획 뿐만 아니라, 프로세스 제어를 비롯하여 널리 사용되고 있습니다. 수요예측 기법에만 관심을 가지실 수도 있지만, 수요예측의 과정에 대해서도 이해를 하시는 것이 필요합니다. 제가 알고 있는 대부분의 MRP/ERP 팩키지에서는 사용자가 수요예측 방법을 선택하고, 필요에 따라 parameter 값을 선정하고, 수요예측 기능을 실행시키면 수요예측 결과를 얻을 수 있습니다. 그러나, 어떤 기준으로 수요예측 방법을 선택하시겠습니까? 그리고, 필요한 parameter 값은 어떻게 설정하시겠습니까? 과연, 여러분이 선택한 수요예측 방법은 적합하다고 할 수 있겠습니까? 

수요예측 방법은 크게 '정성적(qualitative)인 방법'과 '정량적(quantatitive) 방법'으로 나누어 볼 수 있습니다. 정성적인 방법은 과거 데이터가 없거나, 수리적 모델링이 불가능한 상황에서 사용되는데 전문가들의 지식과 의견에 따라 예측하는 것으로, Delphi 방법이 가장 많이 알려져있습니다. 정량적인 방법은 크게 시계열 분석(time-series analysis) 방법과 인과 분석(causal analysis) 방법이 있습니다. 시계열 분석 방법이란 변수 하나를 선정한 후에, 해당 변수의 과거 데이터를 근거로 해당 변수의 미래 값을 예측하는 방법입니다. 앞으로 설명드릴 수요예측 방법은 모두 시계열분석에 속합니다. 인과 분석은 어떤 변수의 값이, 다른 변수들에 의해 영향을 받아 결정될 때에 다른 변수들의 과거 값과 해당 변수의 관계를 모델링하여 원하는 변수의 미래값을 추정하는 방법입니다. 예를 들어, 유가, 1인당 GNP 그리고 자동차 판매량 사이에는 모종의 관계가 있을 것입니다. 유가가 올라가면 판매량은 줄어드는 듯 하고, 1인당 GNP가 올라가면 자동차판매량은 늘어난다는 것이지요. 이런 상황에서는 유가와 1인당 GNP가 자동차 판매량에 어떠한 영향을 미치는 지를 분석하는 것과 자동차판매량 자체의 변화를 시계열 분석한 것을 종합하여 미래의 자동차판매량을 분석하면 되겠지요. 그러나, 이러한 분석방법은 타 변수들과 분석대상이 되는 변수간에 존재하는 관계를 규명하기 어려울뿐만 아니라, 타 변수들이 어떠한 경향을 가지고 변하고 있는지를 별도의 시계열분석과 같은 방법으로 분석해야 하는 등 상당히 많은 노력과 지식을 필요로 합니다. 

이제 시계열 분석을 위한 수요 예측 모델은 어떠한 절차로 만들어지고, 어떻게 검증되는지를 살펴보도록 하겠습니다.
1. 수요 예측을 위한 데이터 수집 : 수요 예측을 하고자 한다면, 먼저 과거의 데이터가 충분히 있어야 함니다. 데이터를 잘 정리하는 것이 첫번째 단계입니다.
2. X축에는 시간, Y축에는 변수의 값(과거 데이터 값)을 두고 그림을 그려 봅니다. 수요 예측을 아는 사람이라면, 이 그림을 보고 어떤 모델이 적합할 지 예상을 할 수 있습니다.
3. 수리적 수요 예측 모형을 수립합니다. 실제 데이터를 넣고, 수요 예측 모형의 매개변수(coefficient)를 계산합니다.
4. 수리 모형이 적합한지를 테스트합니다. 편향(biased)되지는 않았는지, 분산(variance)을 기준으로 정확도는 적합한지를 검사합니다. 만일, 문제점이 발견되면 모델의 수정, 즉 3번 단계로 돌아갑니다.
5. 마지막으로 수리 모형의 적합도를 다시 검증하는데, 이 과정에는 과거 데이터를 이용하게 됩니다. 1/4 - 1/3 정도의 과거 데이터는 모델의 수립과정에서 사용하지 않고, 수리 모형의 적합도를 판정하는데 활용됩니다. 이 과정에서 문제점이 발견되면, 모델의 수정, 즉 3번 단계로 돌아갑니다.
6. 결정된 수요 예측 모형을 이용해서, 미래의 수요를 예측합니다. 실제 데이터가 발생되는 것을 보고 수리 모형의 적합도를 계속적으로 검증해야 합니다. 즉, 5번 단계를 활용하게 됩니다.

수요 예측 모형을 개발할 때에는 사실 많은 것을 고려해야 합니다. 다음은 Montgomery 등이 공저한 "Forecasting & Time Series"라는 책에서 발췌한 모델 개발시의 고려 사항들입니다. 

• Form of forecast required
• Forecast horizon, period, and interval
• Data availability
• Accuracy required
• Behavior of process being forecast (demand pattern)
• Cost of development, installation, and operation
• Ease of operation
• Management comprehension and cooperation



혹시나 여기까지 읽으신 분들이 계신 지 모르겠지만, 지루하실 것 같아 그림을 보면서, 다음의 데이터들이 어떤 경향을 가지고 있는지 살펴보도록 하겠습니다. 역시, 아래의 그림들도 Montgomery의 책에서 발췌한 것입니다. 

 
몇가지 시계열 데이터

위의 그림은 6가지의 시계열 데이터를 그려본 것입니다. 각각의 시계열 데이터들은 어떠한 특성을 가지고 있는지를 살펴보고, 어떤 시계열 모형이 적합할 지를 생각해보도록 하겠습니다. 

• constant process : 일정한 변폭이 있기는 하지만, 평균값은 동일한 것처럼 보입니다.
• linear trend : 일정한 비율로 계속 시계열 데이터의 값이 증가하고 있습니다. 위의 그림에서는 선형 증가 형태를 보여주고 있지요.
• cyclic variation : 유사한 형태의 시계열 데이터 값이 일정한 주기를 가지고 반복되고 있음을 알 수 있습니다. 계절적 변동이 있음을 알 수 있습니다.
• impulse : 가운데에 큰 폭의 증감이 있었던 것을 제외하면, constant process라고 할 수 있습니다. 실제로 과거 데이터를 분석하면 이런 경향을 보이기도 하는데, 큰 폭의 증감이 있었던 이유를 살펴 본 후에 이러한 데이터를 빼고 시계열 분석을 하는 것이 바람직합니다.
• step function : constant process가 진행되거나, 순간적으로 변화가 생긴 이후에는 다시 새로운 constant process를 형성하고 있습니다. 이런 종류의 데이터를 분석할 때에는 계단형태로 증가된 원인을 살펴보고, 만일 이러한 추세가 지속된다면 전반부의 데이터를 삭제하고 시계열 분석을 하는 것이 바람직합니다.
• ramp : 전반부에는 constant process가 진행되다가 후반부에는 linear trend를 보이고 있음을 알 수 있습니다. 즉, 시계열 모형 자체가 변화하게 된 경우이지요. 이러한 경우에는 전반부의 constant process에 해당되는 데이터를 삭제하고, 남은 데이터를 가지고 시계열 분석을 하는 것이 바람직합니다.

막상 수요예측 기법을 설명드리려고, 시작했는데 수요 예측 기법은 하나도 소개해드리지 못했네요. ^_^ 너무 길어지는 것 같네요. 본 절은 여기에서 줄이기로 하고, 다음 절에서 다시 수요 예측 기법을 설명드리도록 하겠습니다.

1998년 1월 21일에 최종 갱신되었습니다.