[LG Aimers] Forecasting (2) 트렌드와 계절성을 반영한 수요예측

Time Series Forecasts

• 가정 : 과거의 history가 미래를 예측하는데 도움이 될 것이다.
• Time series data를 사용.

1. Fluctuates About A Constant Mean. 평균 수치에 대한 fluctuation(요동)을 갖는다.
2. Fluctuates And Has Increasing/Decreasing Trend. fluctuation과, 증가하는 현상을 갖는다.
3. Fluctuates And Has "Seasnoal" Pattern. fluctuation과, 계절성을 갖는다.

• $A_t$ : period t에 대한 실제(Actual) 관측된 수요
• $F_{t+1}$ : period t+1에 대해 예측된(Forecast) 수요. (period t까지의 실제 수요를 가지고 예측, 만들어진)

• 1. Fluctuates About A Constant Mean 을 활용하면 트렌드를 충분히 반영하지 않게 됨. (빨간선이 계속 under-estimation 중)

2. Fluctuates And Has Increasing/Decreasing Trend

Double Exponential Smoothing

• $S_t$ Forecast of level $= \alpha A_t + (1-\alpha)(S_{t-1}+T_{t-1})$ : 주변값을 이용한 평균값
• $T_t$ Forecast of trend $= \beta(S_t-S_{t-1})+(1-\beta)T_{t-1}$ : 올라가거나, 내려가는 트렌드값
• $FIT_{t+1}$ Forecast of next period $=S_t+T_t$ : 둘을 합한 값. 이를 이용해 forecast.
• (smoothing factor $\alpha, \beta$)

• simple Exponetial smoothing 방법과 비교했을 때, 훨씬 더 실제세계와 가까워졌다.

Regression

• 가정 : 예측하고 싶어하는 target 변수는, 어떤 다른 변수들에 의해서 결정된다.
• 어떤 다른 변수 = Independent variable(s), 독립 변수
• 예측하고 싶어하는 target 변수 = Dependent variable, 종속 변수
• Example) 기온(독립변수)에 따른 해변 방문객수(종속변수)

3. Fluctuates And Has "Seasnoal" Pattern

• Example) 계절성에 따른 놀이공원 방문객수, 비가 오는날에 따른 우산의 구매수.

Regression + Seasonal index

• Regression : 추세를 보정
• Seasonal index : 계절성을 보정. $SI = ActualDemand/ForecastDemand$

1. 선형회귀분석 식 구하기

2. 계절성,SI 구하기.

• $SI > 1$ : in season. 실제값이 예측값보다 클 때, seasos에 해당.
• $SI > 1$ : out of season. 실제값이 예측값보다 작을 때, seasos에 해당하지 않음.

3. 계절성,SI 평균내기

4. 계절성을 적용하지 않고, 선형회귀분석을 진행 5. 계절성을 곱하여 다시 추정.

문제에 따른 Season, Year 단위의 변화

• 데이터를 보고 Year(1 cycle), Season(1 cycle내의 구분)

Be Very Careful With Correlation

• 회귀분석은 인과관계를 얘기하는 것이 아님. 상관관계(correlation)를 이야기 하는 것.

1. Forecasting Demand for Families of Products is Easier than Forecasting Demand for Members

• product family에 대해 예측을 하는것이 각각의 individual member에 대해서 예측을 하는 것보다 쉽다.
  • Product family : aggregate(집계)된 member들.
  • Individual member.

• family로 예측을 했을 때 더 정확한 예측이 가능하다. (예시 : individual 보다 에러가 반정도임.)

2. Forecasting Demand for a Month is More Accurate than Forecasting Demand for a Week

• time period에 대해서, month에 대해 예측을 하는것이 week에 대해서 예측을 하는 것보다 쉽다.

3. The further into the future you want to forecast demand the less accurate you are likely to be

• 예측을 하는것에 대해서 가까운 미래를 예측하는 것이 먼 미래에 대해서 예측을 하는 것보다 쉽다.

4. Danger of using Sales As Estimate of Demand

• 과거에 대한 sale(판매량)에 따라 demand(수요)를 예측하는 것은 위험하다.
  • sale은 과거 demand만을 뜻하는 것이 아니라. $sale = \min(Demand, avaliability)$. (갖고 있는 보유량에 따라 판매량이 바뀔 수 있기 때문)

5. Beware of using Sales Targets as Forecasts

• Target은 보통 overshooting함. (이해 다 못 했음... target이 무엇인지?)