데이터 변동성 기반 수요 예측 알고리즘 비교 연구
A Study on Performance Comparison of Demand Forecasting Algorithm Based on Data Volatility
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 B2B 유통업체 A사의 6개월간 판매 데이터를 기반으로, 데이터 변동성을 고려한 수요예측 알고리즘(LTSM, GRU, CNN)의 성능을 비교하였다. 변동성을 분석하기 위해 평균 발생주기(ADI), 변동 계수(CV), 변화점(CP)을 지표로 활용하여 데이터를 유형화한 후, 각 데이터 유형에 적합한 예측 알고리즘을 평가하였다. GRU는 게이트 구조를 통해 변동성이 큰 데이터를 효과적으로 학습하며 모든 유형에서 높은 예측 정확도를 보였고, LSTM은 GRU에 비해 다소 낮은 성능을 보였으나 안정적인 결과를 도출하였다. 반면 CNN은 시계열 데이터의 시간적 종속성을 충분히 반영하지 못해 낮은 성능을 보였다. 본 연구는 데이터 유형별 적합한 알고리즘 선택이 수요예측의 정확도를 높이는데 핵심적인 사항임을 보여주며, 변동성이 높은 환경에서도 안정적인 예측모델을 제시한다는 것을 확인하였다. 연구결과를 통해 GRU기반 예측모델을 도입할 경우, 기업은 재고관리 프로세스를 개선하고, 비용절감 및 운영효율성을 높이며, 고객만족도를 향상시킬 수 있음을 확인하였다. 특히, 수요 변동이 심한 환경에서도 정확도 높은 수요예측이 가능하다는 점에서, 본 연구는 다양한 산업에서 데이터 기반 의사결정의 중요성을 강조하며 실무적 적용 가능성을 제시한다. 향후 연구에서는 더 긴 기간의 데이터와 다양한 알고리즘을 활용하여 연구결과의 신뢰성을 강화할 필요가 있다.
Abstract
This study analyzed the sales data of a B2B distributor over six months and compares the performance of demand forecasting algorithms (LSTM, GRU, CNN) considering data volatility. Using indicators such as average demand interva l(ADI), coefficient of variation (CV), and change point (CP), the data was categorized, and the most suitable algorithm for each category was evaluated. GRU demonstrated high accuracy across all data types due to its gated structure’s ability to handle volatile data effectively. LSTM produced stable results but performed slightly below GRU, while CNN underperformed due to insufficient reflection of temporal dependencies in the time-series data. The study highlighted the importance of selecting algorithms tailored to specific data types to improve demand forecasting accuracy. It presented GRU-based forecasting models as effective tools for managing inventory, reducing costs, enhancing operational efficiency, and increasing customer satisfaction, even in highly volatile environments. By achieving accurate demand forecasts in such conditions, the study underscored the importance of data-driven decision-making across industries and demonstrated practical applicability. Future research should expand the dataset duration and incorporate diverse algorithms to enhance the reliability of the findings.