[생산운영관리] 예측의 분류와 예측 모델

* 대표적인 예측 분류 기준

- 주관적 혹은 객관적

- 정성적 혹은 정량적

- 시계열 혹은 인과관계

- 측정 혹은 시뮬레이션

- 분류는 절대적이지 않음 : 한 예측(방법)이 여러 특성 지닐 수 있음.

 

* 가장 흔한 분류

- 주관적 예측

- 객관적 예측 : 시계열 모델, 인과 관계 모델

 

* 주관적 예측 방법

- 주관적 예측 : 주관적 예측은 수학적 통계적 방법보다 인간의(때로는 직관적인)판단, 의견, 경험을 많이 반영

- 데이터 가용성이 제한적 일 때 사용됨

 

* 주관적 예측의 대표적인 방법들

 

1) 판매 합성 지표

각 영업 사원(고객을 잘 이해한다고 생각되는 사람들)이 예측 정보를 제공하며, 이 정보들을 상위 조직에서 종합해가며 전체 지표 예측

장점 : 수치로 표현되기 힘든 현장 정보 반영

단점 : 지나치게 낙관적 일 수 있음

 

2) 고객 설문 조사(시장 조사)

고객에게 의견, 구매 계획 등을 묻는 방법

다양하고 정교하고 효과적인 방법이 존재

흔한 어려움

1) 소비자가 대답하기 어려운 질문 존재

2) 소비자가 원하는 것이 실제로 구매하는 것과 다를 수 있음

3) 소비자는 자신이 무엇을 원하는지 모를 수 있음

 

3) 배심원(패널)토론

- 전문가 그룹이 함께 작업하고 예측 도출

- 전문가의 경험/의견을 통계적 방법과 결합 가능

- 전문가 의견 수렴 후 신속히 결과 도출 가능

- '집단 사고'의 장.단점

: 장점으로는 일반적으로 전문가 의견 신뢰 가능

: 단점으로는 배심원 중 소수가 전체 의견 지배 가능

 

4) 델파이 방법

- 전문가 의견 수집 및 제시 반복하여 수행, 조사 주관자가 (합의가 이루어질 때가지) 여러 번 수행.

- 참가자 정보를 전문가 상호간 밝히지 않고, 전문가 간의 개인적인 상호 작용 배제.

장점 : 객관성 보장

단점 : 전문가 의견이 조사자 질문에 영향 받음

 

* 유추의 사용

- 예측을 위해 유사한 사례를 활용

- 새로운 제품이나 상황에 사용 가능

- 적당한 참고 사례 존재하지 않을 수 있음

 

* 객관적 예측 방법

: (정량적인) 데이터 분석 기반

: 수학적, 확률적, 통계적 모델 활용

 

* 객관적 예측 방법의 구분

- 외삽법(시계열 방법 포함) : 시간 지표와 예측할 변수의 과거 값 사용

영향 (원인-결과) 혹은 상관관계 모델 : 예측할 변수와 관련된 다른 변수(시간이 아님)의 관계 도출

목표 : (시계열 변수의)과거 데이터에서 패턴을 식별하고 예측할 미래 구간으로 패턴을 외삽(확장)하는 것

예측할 변수 자체의 과거 값만 사용, 다른 정보 활용하지 않음

다른 명칭 : 순진한 방법, 시계열 방법

ex) 추세 기반 회귀 분석, 이동 평균, 지수 평활화, 자기 회귀

 

* 시계열 모델의 일반적 형태

 

* 인과 관계 모델의 일반적 형태

 

* 선형 회귀 분석 모델

- 인과관계 분석에 많이 활용되는 모형의 특별한 경우로, 예측 변수와 설명 변수 사이의 선형 관계 가정

- 상수 A0,....An의 평가(값을 구하는 것)가 예측 과정의 주요한 과제임. 최소제곱법 등이 활용됨

- 가장 흔히 사용되는 모형

- 다른 명칭 : 계량 경제 모델

- 시간을 독립 변수로 하여, 시계열 분석에도 사용 가능

 

* 예측 모델 패턴의 구성 요소

- 데이터 기반 예측에서 흔히 나타나는 형태

1) 임의성 또는 잡음(구조/규칙 포함)

2) 추세 : 성장 / 감소;선형/비선형

3) 비선형 형식 : 지수, S, 점근선 등

4) 계절성 : 일정한 간격으로 반복

5) 사이클 : 다양한 길이와 크기로 반복

6) 자기 상관 : 과거 값과의 상관 관계

 

ex) 패턴 예 : 임의성

 

ex) 패턴 예 : 선형 증가

 

ex) 패턴 예 : 비선형 증가

 

ex) 패턴 예 : 계절성

 

ex) 패턴 예 : 무작위성, 선형 추세, 계절성 중첩

 

* 예측에 대한 평가

- 예측 오차

예측 오차는 예측된 값과 실제로 관찰된 값의 차이로 표현

Dt - Ft or Ft - Dt로 계산되며, 정의가 일관되기만 하면 됨

 

* 예측 정확도 측정 지표

- 평균 절대 편차 (MAD):

 

- 평균 절대 비율 오류 (MAPE):

 

- 평균 자승 오차 (MSE):

 

- 루트 평균 제곱 오류(RMSE):

 

* 예측 정확도 측정 지표 예

- 시간 : t = 1,2,3,4,5,6

- 지금까지 관찰된 데이터

D1 = 9, D2 = 7, D3 = 11, D4 = 11, D5 = 9, D6 = 10

- 지금까지 수행한 예측

F1= 11, F2 = 6, F3 = 10, F4 = 12, F5 = 7, F6 = 13

- RMSE

 

* 예측 편향

- 편향되지 않은 예측의 특성

- 일반적으로 오차의 기대치 E[ei] = 0

- 특별한 오류 패턴이 없다.

오류에 패턴이 있으면 이 패턴을 보정한 부분이 예측 모델에 포함될 수 있다.

 

* 편향된 예측

- 편향된 예측의 특징

예측 오차의 평균값이 0이 아니다.

오차에 패턴이 있다.

- 미편향/편향된 예측의 예

 

* 예측 모니터링 및 조정

예측에서는 예측이 실제 시스템을 얼마나 잘 예측하고 있는지 모니터링한다. 따라서, 흔히 적응형 예측이 사용된다. 즉 예측 오류를 모니터링하고 예측 매개 변수를 조정하여 예측 오류를 지속적으로 최소화 한다.

 

* 예측 평가의 복잡성

다양한 평가 기준과 지표 존재

- 예측 오차를 어떻게 설정할 것인가?

- 예측이 맞았다는 것을 어떻게 정의할 것인가?

 

* 예측에서의 평활화

평활화는 우리의 예측이 장기 추세를 더 분명하게 보여주는 것을 가능하게 한다.

모든 프로세스(예 : 시계열)에는 고유한 임의 변동이 있다.

우리는 장기적인 장기 추세가 더 명확하게 예측에서 드러나기를 원하며 동시에 단기간의 무작위 변동은 예측에서 완만하게(상쇄되어) 표현되기를 원한다.