EventCast: Hybrid Demand Forecasting in E-Commerce with LLM-Based Event Knowledge
EventCast는 LLM을 활용해 비정형 비즈니스 데이터를 해석 가능한 이벤트 지식으로 변환하고 이를 시계열 예측 모델과 결합함으로써, 급격한 수요 변화가 발생하는 이커머스 환경에서 기존 모델보다 훨씬 정확하고 설명 가능한 수요 예측을 제공하는 하이브리드 프레임워크입니다.
원저자:Congcong Hu, Yuang Shi, Fan Huang, Yang Xiang, Zhou Ye, Ming Jin, Shiyu Wang
당신은 아주 큰 온라인 쇼핑몰의 창고 관리자입니다. 내일 물건이 얼마나 팔릴지 맞춰야 창고에 물건을 얼마나 쌓아둘지 결정할 수 있죠.
평소라면: 어제, 그저께 얼마나 팔렸는지만 봐도 대충 감이 옵니다. (이게 기존의 **'데이터 기반 예측'**입니다.)
문제는 '이벤트'가 터질 때입니다: 갑자기 "내일은 라마단 기간이라 사람들이 쇼핑을 엄청 할 거야!", "내일은 1+1 파격 세일이 있어!", "내일은 갑자기 공휴일이라 택배가 멈춰!" 같은 상황이 생기면, 과거 데이터만 봐서는 도저히 맞출 수가 없습니다.
기존의 AI들은 과거의 숫자(판매량)만 공부했기 때문에, 이런 **'세상의 변화(이벤트)'**를 이해하지 못해 큰 실수를 저지르곤 했습니다.
💡 EventCast의 해결책: "숫자만 보는 수학 천재에게 '뉴스 읽어주는 비서'를 붙여주다"
이 논문에서 제안한 EventCast는 아주 독특한 팀워크를 보여줍니다.
1. 수학 천재 (기존의 예측 모델)
이 친구는 숫자를 다루는 데 천재입니다. "지난 3개월간 월요일마다 이만큼 팔렸으니, 내일도 이 정도겠군!" 하고 계산하는 데 아주 빠르고 정확하죠. 하지만 세상 돌아가는 일에는 관심이 없습니다.
2. 뉴스 읽어주는 비서 (LLM - 챗GPT 같은 인공지능)
이 비서는 숫자는 잘 못 다루지만, **'세상 돌아가는 이야기'**를 읽고 이해하는 데 천재입니다.
쇼핑몰 직원이 대충 적어놓은 메모: "내일은 라마단이라 사람들이 쇼핑 좀 할 듯? 근데 택배는 좀 늦을 수도 있음"
이 메모를 읽고 비서는 이렇게 요약합니다: "내일은 종교적 축제 기간이라 쇼핑 수요는 폭발하지만, 물류는 정체될 예정임."
3. 환상의 팀워크 (EventCast의 핵심)
EventCast는 이 두 명을 한 팀으로 묶었습니다.
수학 천재가 "과거 추세"를 계산하면,
비서가 "미래에 일어날 이벤트 요약본"을 가져와서 수학 천재의 귀에 속삭여줍니다.
그러면 수학 천재는 **"아하! 과거엔 이랬지만, 내일은 비서가 말한 이벤트 때문에 평소보다 2배 더 팔리겠구나!"**라고 최종 결론을 내립니다.
✨ 왜 이게 대단한가요? (핵심 장점)
"말귀를 알아듣습니다" (비정형 데이터 처리): 기존 AI는 "1+1 세일"을 예측하려면 사람이 일일이 "세일=1, 아님=0"이라고 숫자로 바꿔줘야 했습니다. 하지만 EventCast는 비서(LLM) 덕분에 사람이 대충 적은 메모나 복잡한 이벤트 설명도 찰떡같이 알아듣습니다.
"이유를 설명할 수 있습니다" (설명 가능성): 기존 AI는 "내일 1,000개 팔릴 거야"라고 결과만 툭 던졌습니다. 하지만 EventCast는 **"내일은 세일과 공휴일이 겹치기 때문에 1,000개가 팔릴 것으로 예측합니다"**라고 이유를 말해줍니다. 관리자가 믿고 결정할 수 있게 된 거죠.
"가볍고 빠릅니다" (효율성): AI 전체를 엄청나게 무겁게 만드는 대신, '비서' 역할만 똑똑하게 시키고 실제 계산은 가벼운 모델이 하게 만들어서, 실제 기업 현장에서 아주 빠르게 돌아갑니다.
📊 결과는 어땠나요?
실제 4개국, 160개 지역의 쇼핑몰 데이터에 적용해 봤더니, 이벤트가 터지는 중요한 시기에 예측 오차가 엄청나게 줄어들었습니다. (어떤 경우에는 오차가 80% 이상 줄어들기도 했습니다!)
한 줄 요약:
"숫자만 계산하던 AI에게 세상 돌아가는 소식을 읽어주는 똑똑한 비서를 붙여주었더니, 쇼핑몰의 미래를 훨씬 더 정확하게 맞추게 되었다!"
[기술 요약] EventCast: LLM 기반 이벤트 지식을 활용한 이커머스 하이브리드 수요 예측
1. 문제 정의 (Problem Statement)
이커머스 환경에서의 수요 예측은 재고 관리와 물류 계획의 핵심이지만, 기존의 시계열 예측 모델들은 다음과 같은 세 가지 주요 한계점에 직면해 있습니다.
비정상적 및 이벤트 중심적 수요 패턴 (Non-stationary & Event-driven): 플래시 세일, 공휴일, 종교적 축제, 갑작스러운 정책 변화 등은 과거의 패턴만으로는 예측할 수 없는 급격한 수요 변동(Surge or Drop)을 야기합니다.
비구조화된 지식 추출의 어려움 (Non-structural Knowledge Extraction): 미래의 프로모션이나 이벤트 정보는 정형 데이터가 아닌, 오타나 약어가 포함된 비구조화된 텍스트(예: "B2G1 free!!", "FS for orders >15USD") 형태로 존재합니다. 기존의 규칙 기반(Rule-based) 방식으로는 이러한 복잡한 맥락을 파악하기 어렵습니다.
해석 가능성 부족 (Non-interpretable Forecasting): 기존의 블랙박스 모델은 예측값이 왜 변했는지 설명하지 못합니다. 운영자가 예측 결과에 신뢰를 갖고 의사결정을 내리기 위해서는 "왜 이 시점에 수요가 급증하는가"에 대한 논리적 근거가 필요합니다.
2. 제안 방법론 (Methodology: EventCast)
EventCast는 LLM을 수치 예측에 직접 사용하는 대신, '이벤트 기반 추론 에이전트'로만 활용하여 수치 예측의 정확도와 시스템의 효율성을 동시에 잡은 Dual-Tower(이중 타워) 구조의 프레임워크입니다.
핵심 아키텍처 구성:
LLM 기반 이벤트 지식 추론 (LLM-Based Event Knowledge Reasoning):
비즈니스 운영 데이터베이스(캠페인 일정, 공휴일, 인센티브 규칙 등)를 기반으로 LLM에 프롬프트를 전달합니다.
LLM은 단순한 데이터 추출을 넘어, **세계 지식(World Knowledge)**을 활용해 문화적 맥락(예: 라마단 기간의 쇼핑 패턴)과 복잡한 이벤트 조합의 의미를 해석합니다.
결과물로 해석 가능한 **텍스트 요약(Textual Summaries)**을 생성합니다 (예: "수요일: 무료 배송 없음; 레벨-10 프로모션 기간; 공휴일 10일차...").
특징 임베딩 및 정렬 (Feature Embedding and Alignment):
Historical Tower: 과거의 다변량 시계열 데이터를 트랜스포머 인코더를 통해 임베딩합니다.
Event Tower: LLM이 생성한 텍스트 요약을 토큰화하고 학습 가능한 임베딩으로 변환합니다.
두 타워의 임베딩을 선형 매핑을 통해 공통 공간에서 융합(Fusion)합니다.
하이브리드 예측 모듈 (Downstream Forecasting Module):
예측을 두 가지 성분으로 분리합니다: **y^trend (과거 데이터 기반 추세)**와 y^event (이벤트 기반 조정치).
최종 예측값 y^는 이 두 성분의 가중합(λ)으로 계산되어, 추세와 이벤트 효과를 모두 반영하면서도 각 기여도를 명확히 분리하여 해석할 수 있게 합니다.
3. 주요 기여 (Key Contributions)
LLM의 역할 재정의: LLM을 직접적인 예측기로 사용하는 대신, 풍부한 의미론적 추론(Semantic Reasoning)을 수행하는 도구로 사용하여 수치적 정밀도 저하와 높은 계산 비용 문제를 해결했습니다.
Dual-Tower 구조를 통한 해석력 확보: 예측 결과를 '추세'와 '이벤트 효과'로 분리함으로써, 운영자가 예측 변화의 원인을 즉각적으로 파악할 수 있는 투명성을 제공합니다.
실용적 및 확장 가능한 설계: LLM 파인튜닝 없이 프롬프트 엔지니어링만으로 새로운 이벤트나 국가에 빠르게 적응할 수 있으며, 기존 운영 데이터베이스를 그대로 활용할 수 있어 산업 현장 적용성이 높습니다.
4. 실험 결과 (Results)
4개국 160개 지역의 10개월간 실데이터를 통해 검증한 결과는 다음과 같습니다.
전체 성능 향상: 기존 최신 모델(ChronosX 등) 대비 MAE는 최대 86.9%, MSE는 최대 97.7% 개선되었습니다.
이벤트 발생 기간의 압도적 성능: 수요 변동이 극심한 이벤트 기간 동안, 기존 산업 표준 베이스라인 대비 MAE를 57.0%, MSE를 83.3% 감소시켰습니다.
장기 예측 성능: 예측 기간(Horizon)이 길어질수록(T+1 → T+4) 미래 이벤트 지식의 가치가 커지며, 기존 모델과의 격차가 더욱 벌어지는 것을 확인했습니다.
LLM 활용 방식의 우위: LLM을 직접 예측에 사용한 모델(Time-LLM, OneFitsAll)보다 EventCast가 훨씬 높은 정확도를 보였습니다. 이는 LLM의 토큰화 방식이 수치적 정밀도에 적합하지 않음을 시사하며, EventCast의 '추론 후 수치 예측' 방식이 더 효과적임을 증명합니다.
5. 의의 (Significance)
EventCast는 "LLM의 강력한 언어/추론 능력"과 "전통적인 시계열 모델의 수치적 정밀도"를 결합한 성공적인 하이브리드 모델입니다. 특히 비구조화된 비즈니스 지식을 정형화된 예측 신호로 변환하는 효율적인 파이프라인을 제시함으로써, 변화무쌍한 이커머스 환경에서 실질적인 운영 의사결정을 지원할 수 있는 강력한 도구임을 입증했습니다.