이랜서, AI '씨름' 동작 분석 알고리즘 과기정통부 NIA 우수과제 선정
IT 비즈니스의 모든 것
수요예측이 왜 필요할까요? 수요예측은 쓸데없는 지출을 막아 재고 부담을 줄이고 수익을 최대화하여, 기업의 이익을 극대화하거나 효율성을 높이는 데 도움이 됩니다.
코로나 발생 초기, 진단키트의 필요를 예측하고 발 빠르게 움직여, 영업이익 2915.6%의 증가를 기록한 업체가 있습니다. 바로 ‘씨젠’입니다. 인공지능 기반의 빅데이터 시스템을 최대한 빠르게 활용한 결과, 개발 테스트에만 2~3개월이 걸리는 시간을 몇 주로 앞당기어 전 세계에 진단키트를 공급했습니다. 그 결과 초 대박을 넘어 코로나 초기 전 세계에 진단키트를 공급하는 ‘유일무이한 기업’이 되었습니다.
인공지능을 활용하여 수요예측을 측정하는 방법, 23년 동안 대한민국 대표 IT 프리랜서 매칭 플랫폼으로 활동하고 있는 이랜서에서 알려드리겠습니다!
수요예측, 인공지능을 활용하여 효과 극대화하기!
머신러닝은 컴퓨터를 인간처럼 학습시킴으로써 컴퓨터가 새로운 규칙을 만들고 컴퓨터가 스스로 규칙을 학습할 수 있도록 도와주는 알고리즘이나 기술을 개발하는 분야를 말합니다. 알고리즘을 이용하여 데이터를 분석하고, 분석 결과를 스스로 학습한 후, 이를 기반으로 어떠한 판단이나 예측을 하는 것이 머신러닝의 과정입니다.
인공지능 개발자들은 데이터로부터 사람 수준의 간단한 지능을 구현할 방법을 고민하게 되었습니다. 머신이 인간처럼 생각하도록 하려면 어떻게 해야 할까요? 자체 예측 모델을 생성하도록 머신을 훈련해야 합니다. 이 예측 모델은 머신이 데이터를 분석하고 '학습'하는 머신이 되는 수단 역할을 합니다.
데이터에 사람이 생각하는 정답(label)을 함께 머신에게 건내줍니다. 머신은 먼저 정답을 모른 채로 본인만의 예측을 수행하죠. 이후 주어진 정답과 얼마나 다른지 오류를 계산하고, 머신이 만들고 있는 모델이 이만큼의 오류를 가지고 있고 알려줍니다. 이렇게 오류를 줄여가는 방법으로 모델을 수정하고, 이러한 과정을 반복함으로써 사람의 생각과 유사하게 만들 수 있을 것이라는 방법을 생각했습니다.
이러한 과정을 학습(training)이라고 부르고, 학습 결과로 얻어진 지능을 실제 응용에 적용하는 이 기술을 바로 “머신러닝(Machine Learning)”이라고 부릅니다.
수요예측은 기업의 SCM(Supply Chain Management, 공급망 관리)에서 가장 중요한 부분을 차지합니다. 기업을 자원을 효율적으로 운영하여 이익을 남겨야 하는 만큼 모든 활동에 효율성을 중요시하는데요. 수요예측을 활용하면 불필요한 자원낭비를 막고, 올바른 비즈니스 전략을 구축해 타겟 고객 설정 효과를 극대화할 수 있습니다.
수요예측을 위해 기업들은 과거의 수요 트렌드를 학습해 미래 수요를 예측하는 ‘시계열 분석 모형’을 사용합니다. 주어진 데이터가 과거 시간에 따라 관측된 값 만을 이용하여 예측하는 간편함 때문에 사용하고 있는데요. 하지만, 모델이 간단해서 많은 양의 데이터를 제대로 분석하지 못하고, 평균값 추정에 집중하며, 비선형 관계가 많은 데이터를 설명하는데 적합하지 않아, 빅데이터 능력을 요구하는 요즘 시대와는 어울리지 않는 단점을 갖고 있습니다.
이를 극복할 수 있는 기술이 바로 ‘머신러닝’입니다. 머신러닝은 머신이 데이터와 ‘정답’을 가지고 예측 모델을 만드는데요. 단순하게 평균만 구하는 전통적 시계열 분석 모형과 다르게 더 복잡한 분석도 수행할 수 있습니다. 또한 과거의 데이터에서 평균값만 분석하는 시계열 분석 방법과는 다르게 데이터가 많이 쌓일수록 좋은 성능을 보입니다. 데이터의 양이 방대해질수록 어려움을 겪는 시계열 분석모형과는 정반대죠?
기업은 단순히 어떤 집단의 평균 값을 추정하는 것을 넘어 실행하고 있는 제도나 전략에 따른 고객의 반응을 예측하여 전략 도출이 필요하기 때문에, 기존 시계열 분석 모형에 머신러닝을 도입한 수요예측이 중요해지고 있습니다.
머신러닝을 설명할 때 모델에게 ‘정답’을 알려준다고 했었죠? 우린 이 방법을 ‘지도학습’이라고 부릅니다. 그럼 정답을 알려주지 않는 경우도 있을까요? 네 맞습니다. 그것을 우리는 ‘비지도 학습’이라고 부릅니다. 데이터 중에는 정답을 만들 수 없는 데이터나 상황이 있을 수 있는데, 정답 라벨이 없는 데이터를 비슷한 특징끼리 군집화하여 새로운 데이터에 대한 결과를 예측하는 방법을 사용합니다.
수요예측에서는 주로 모델에게 정답을 알려주는 ‘지도학습’이 사용되는데, 그 이유는 정답이 되는 ‘판매량’에 대한 기록이 다 남아있기 때문이죠. 그렇다면 지도학습으로 수요예측을 어떻게 하는지 더 자세히 알아보겠습니다.
수요예측에 지도학습을 적용해 보면 A라는 상품이 몇 개가 팔릴 것인지 예측하고 싶은 경우, 과거 판매 데이터 중 A라는 상품이 팔린 개수를 타겟(정답)으로 지정할 것이기에 이를 지도학습 방법을 사용하는 것이 적합합니다. 제품의 종류, 크기, 사용 용도, 가격 등 제품의 특징들과 타겟(정답)을 함께 인공지능 모델에 주게 되면, 인공지능 모델은 제품의 특징들과 타겟(정답)의 관계성을 파악하여 미래를 예측하게 됩니다.
그럼 단순한 판매량 추정이 아닌 특정 제품이 어떤 조건에서 잘 팔리는지 알고 싶을 때는 어떻게 해야 할까요? 데이터들은 판매된 제품의 특징, 구매자의 특징, 구매 날짜의 특징들로 구성되어 있을 것입니다. 그럼 ‘정답’으로는 판매량이 되겠죠? 머신은 데이터들을 보고 판매량을 예측할 거고, 정답들과 비교하며 모델을 수정합니다.
최종적으로 판매량이 높을 때의 데이터 특징과 판매량이 낮을 때의 데이터 특징을 머신이 학습할 수 있게 됩니다. 데이터에 들어있는 다양한 정보들 중에서 어떤 게 판매량에 큰 영향을 미쳤는지를 알 수 있게 되는 것이죠.
머신러닝을 활용한 수요예측 방법은 지도학습뿐만 아니라 시계열 분석에도 도입할 수 있습니다. 아까 말씀드렸듯이 시계열 분석은 기업들이 많이 사용하는 수요예측 방법인데요. 어떤 경우에 사용하는지 예를 들어보겠습니다.
A라는 상품의 최종 판매량보다 특정 기간(예를 들어 5월 셋째 주)의 판매량 예측이 더 중요하다고 가정해 봅시다. 블랙 프라이 데이나 관공절처럼 특정 기간만 할인해서 판매하는 행사나 이벤트를 개최했을 때, 이 경우 날짜의 흐름에 따른 판매량의 변동 예측을 수행합니다.
시간의 흐름에 따른 과거 데이터의 패턴을 학습하고 미래의 예측도 시간에 따라 추정하는 방법론을 시계열 분석(Time-Series Analysis)이라고 하는데요. 시간 변수를 고려하지 않는 지도학습과 달리 시간 변수를 고려하여 학습하게 되는 것이죠. 시계열분석에 사용되는 데이터는 기본적으로 시간 축에 따라 예측 타겟이 기록되어 있습니다. 즉 아래 그림처럼 시간의 경과에 따라 상품의 판매량이나 가격의 추이가 연속적으로 기록되어 있죠.
출처 : ssseok.log
이때 시간에 따라 패턴을 학습하기 위해서는 시간이라는 변수와 타겟의 관계에 일종의 규칙성이 존재해야 합니다. 예를 들어 매주 월요일에 판매량이 높아지든지, 매년 겨울에 판매량이 감소하든지, 일정한 주기에 따른 감소와 증가 추세가 뚜렷할수록 시계열분석 모델을 사용하기 적합합니다.
머신러닝을 통해 시간의 흐름에 따라 판매량을 추적하고 싶은 경우에는 시계열분석을 사용하고, 시간과 상관없이 상품의 특징을 가지고 최종적인 판매량을 예측하고 싶은 경우에는 지도학습을 사용하면, 보다 정밀하고 정확한 수요예측을 할 수 있습니다.
머신러닝을 활용하여 예측 오차를 18% 개선한 이마트
우리나라 유통업계 중 머신러닝을 활용하여 수요예측 오차를 18% 개선한 유통 업체가 있습니다. 바로 우리나라의 대표 유통 업체 ‘이마트’입니다. 이마트는 전국에 140여 개 정도의 점포를 운영하고 있는데요. 점포별 영업일은 연간 340일 이상이며, 독립적으로 고려해야 할 사항으로 지정한 ’독립변수’가 40여 개에 이릅니다.
이러한 상황에서 과거에 데이터에 기반에 사람의 머리로 계산되는 수요예측은 코로나19와 같이 예측하지 못한 외부 변수에 유연하게 대처하기 힘들고, 인력도 많이 요구하여 개선방안을 찾고 있었는데, 이를 해결하기 위해 인공지능 모델인 머신러닝을 도입했습니다.
이마트에서 발생한 2년간의 데이터를 기반으로 예측 모델을 구축하고, 데이터 분석을 실시했습니다. 효율적인 작업을 위해 수집한 원 데이터를 축수하고, 엔지니어링을 통해 전처리와 보정하는 작업을 거치며 파생 변수를 생성하는 작업을 거친 뒤 예측 모델 학습을 진행했는데요.
상황이나 내/외부 조건 변화에 따라 특정 상품의 판매량이 어떻게 변화했는지, 확인하며, 학습을 통해 고도화된 머신러닝을 통해 이마트의 수요예측 요차 율은 사람이 수기로 진행했을 때보다 무려 18%나 개선되었습니다. 이를 계기로 이마트는 머신러닝을 활용해 수요예측을 진행하고, 인공지능 시스템을 기반으로 자동 발주 적용하고 있는데, 10개월가량 한 번의 장애가 없이 발주를 수행하며, 이마트만의 ‘맞춤형 인공지능 시스템’을 구축하고 있습니다.
머신러닝을 활용한 수요예측을 적용하기위해
머신러닝을 활용한 수요예측을 위해서는 지도학습(supervised Learning)과 시계열 분석(Time-series analysis)에 대한 지식이 필요합니다. 수요예측 분야는 주로 시계열 데이터를 많이 다뤄본 전문가와 회귀 모델링 경험이 많은 전문가가 필요합니다. 주 언어는 파이썬, R이며, 데이터베이스 관리를 위해 SQL을 사용할 수 있다면 좋습니다. 파이썬 머신러닝 라이브러리인 Scikit-learn을 자유롭게 사용할 수 있어야 하며, 파이토치 혹은 텐서플로우 딥러닝 프레임워크로 다양한 모델링을 해 본 경험이 필요합니다.
하지만, 기업들은 기업의 수에 비해 정교한 AI 기술을 모델링 할 수 있는 전문가의 공급이 매우 적어 많은 회사에서 AI 기술 도입에 어려움을 겪고 있습니다. 또한 기업 현황을 고려하여 AI 기술을 도입해야 하기에, 현장에서 부서 전문과들과 논의하며 AI 기술을 도입할 전문가가 필요한데요. 함께 논의하며 AI기술을 도입할 전문가, 대한민국 최대 IT 프리랜서 매칭 플랫폼 이랜서에서 채용해보세요.
수요예측 개발에 필요한 AI 전문가를 찾으시나요?
검증된 IT 프리랜서를 매칭하는 이랜서에 AI 전문가를 매칭해 드립니다.
23년의 데이터를 활용한 검증된 프리랜서 매칭 서비스
이랜서는 기업이 찾는 최적합 프리랜서를 매칭하기 위해 23년 동안 쌓은 모든 데이터를 활용합니다. 약 350만 개의 프리랜서 평가 데이터와 1.5억 개의 서비스 데이터를 활용하여 IT 프리랜서를 검증, 매칭하고 있습니다.
맞춤형 서비스 제공을 위한 1:1 매니저 배정 서비스
‘인력은 만사’라는 말이 있듯이 새로운 직원을 채용한다는 것은 매우 중요합니다. 이랜서는 프리랜서 매칭 시 기업의 요구사항을 최대한 반영하기 위해, 프로젝트를 등록 시 1:1로 매니저를 배정하여 맞춤 케어를 진행합니다. 배정된 매니저를 통해 기업은 실력뿐만 아니라 인성까지 검증된 IT 프리랜서를 매칭 받을 수 있습니다.
아직도 검증되지 않은 전문가를 채용하세요?
이랜서는 다릅니다. 기업이 함께 일할 수 있는 프리랜서를 매칭하기 위해, 23년의 모든 데이터를 활용하여 최적합 프리랜서를 매칭합니다. 대한민국 최초, 최대 IT 프리랜서 매칭 플랫폼 이랜서에 프로젝트를 등록하세요. 23년의 노하우와 데이터를 활용하여 최고의 IT 프리랜서를 매칭하겠습니다.
