An Adaptive Model Selection Framework for Demand Forecasting under Horizon-Induced Degradation to Support Business Strategy and Operations

Each language version is independently generated for its own context, not a direct translation.

🌟 핵심 비유: "날씨 예보와 우산"

상상해 보세요. 당신은 매일 아침 출근길에 우산을 챙겨야 합니다.

1 시간 후의 날씨를 예측할 때는 "지금 비가 오고 있으니 우산이 필요하다"고 말하면 됩니다. (단기 예측)
하지만 1 주일 후의 날씨를 예측할 때는 "내일 비가 올지 모른다"는 말만으로는 부족합니다. 1 주일 뒤는 기상이변이 생길 수도 있고, 계절이 바뀔 수도 있으니까요. (장기 예측)

기존의 방법들은 **"어떤 날씨 예보 앱이 가장 정확한가?"**를 한 번만 정해두고, 그 앱으로 1 시간 뒤부터 1 년 뒤까지 모든 날의 날씨를 예측했습니다. 하지만 문제는, 짧은 기간에는 A 앱이 잘 맞지만, 긴 기간이 되면 B 앱이 훨씬 더 잘 맞을 수 있다는 점입니다.

이 논문은 **"예측하는 기간 (시간) 에 따라, 그리고 그날의 상황 (비, 눈, 맑음) 에 따라 가장 적합한 예보 앱을 자동으로 골라주는 시스템"**을 만들었습니다.

🚀 이 연구가 해결하려는 3 가지 문제

"하나의 정답은 없다" (No Free Lunch)
- 어떤 예측 모델 (앱) 도 모든 상황에서 1 등일 수 없습니다. 어떤 때는 통계 모델이, 어떤 때는 인공지능이 더 잘 맞습니다.
"시간이 지날수록 예측은 무뎌진다" (Horizon-Induced Degradation)
- 예측을 멀리 할수록 (예: 1 년 뒤) 오차가 커집니다. 마치 멀리 있는 물체를 볼수록 흐릿해지는 것과 같습니다. 그런데 기존 연구들은 이 '흐릿해지는 정도'를 고려하지 않고 짧은 기간의 결과만으로 모델을 선택했습니다.
"상황에 따라 달라진다" (Intermittency & Variability)
- 어떤 제품은 매일 팔리고 (일관된 수요), 어떤 제품은 1 년에 한 번만 팔리거나 (간헐적 수요) 갑자기 폭등합니다. 이 서로 다른 특성을 무시하고 같은 방식으로 예측하면 실패합니다.

💡 이 논문이 제안한 해결책: "AHSIV" (똑똑한 모델 선택자)

저자들은 AHSIV라는 새로운 시스템을 개발했습니다. 이 시스템은 두 가지 핵심 기술을 사용합니다.

1. "시간에 따른 흐릿함 보정기" (MDFH)

비유: 멀리 있는 산을 볼 때, 안개가 끼어 있다는 사실을 알고 그림을 그리는 것처럼, **"예측 기간이 길어질수록 오차가 얼마나 커질지 미리 계산"**합니다.
효과: 단순히 오늘 자료가 좋다고 해서 장기 예측에도 좋다고 착각하지 않게 해줍니다.

2. "상황별 맞춤 선택기" (Adaptive Selector)

비유: 요리사가 재료를 보고 조리법을 바꾸는 것처럼, 제품의 판매 패턴을 먼저 분석합니다.
- 규칙적으로 팔리는 제품: 여러 가지 지표를 종합해서 가장 균형 잡힌 모델을 선택합니다. (파레토 최적화)
- 갑자기 팔리거나 변동이 큰 제품: 복잡한 계산보다는 가장 안정적인 '단순한 기준'을 선택하여 실수를 줄입니다.
효과: 제품 특성에 맞춰 가장 적합한 예측 모델을 자동으로 골라줍니다.

📊 실험 결과: 실제로 효과가 있었을까?

저자들은 월마트 (Walmart) 와 M3, M4, M5 같은 세계적인 예측 대회 데이터를 이용해 실험했습니다.

결과: 제안한 시스템 (AHSIV) 은 기존에 가장 성능이 좋다고 알려진 방법과 전체적으로 비슷한 점수를 받았지만, 특정 기간 (예: 3 개월 뒤, 6 개월 뒤) 에는 훨씬 더 자주 1 등을 했습니다.
의미: "어떤 기간에는 A 가, 어떤 기간에는 B 가 최고"라는 사실을 인정하고, 상황에 맞춰 모델을 바꿔 쓰는 것이 전체적인 비즈니스 성과 (재고 관리, 비용 절감) 에 더 도움이 된다는 것을 증명했습니다.

🏁 결론: 왜 이것이 중요한가?

이 연구는 **"미래를 예측할 때, 한 가지 방법만 고집하지 말고 상황에 맞춰 유연하게 대처하라"**는 교훈을 줍니다.

비즈니스 관점: 재고를 너무 많이 쌓아두거나 (과잉 재고), 부족하게 만들어 판매 기회를 놓치는 (품절) 일을 줄여줍니다.
일상적 비유: 마치 **"날씨가 좋을 때는 선글라스를, 비가 오면 우산을, 눈이 오면 스노우 부츠를 신는 것처럼, 예측 기간과 제품 특성에 맞춰 가장 적합한 '예측 도구'를 신는 것"**입니다.

이 시스템은 기업이 불확실한 미래에 대비할 때, 더 현명하고 똑똑한 의사결정을 내릴 수 있도록 도와주는 나침반과 같습니다.

Each language version is independently generated for its own context, not a direct translation.

1. 연구 배경 및 문제 정의 (Problem)

배경: 현대 비즈니스 환경은 구조적인 수요 간헐성 (intermittency), 높은 변동성, 그리고 다단계 계획 지평선 (multi-step planning horizons) 을 특징으로 합니다. 이러한 환경에서 수요 예측은 재고 관리, 자본 배분, 공급망 조정에 핵심적인 역할을 합니다.
핵심 문제:
1. 모델의 보편적 우위 부재: 단일 예측 모델이 모든 데이터셋, 수요 체제 (regime), 예측 지평선에서 항상 우월한 성능을 보이는 경우는 없습니다.
2. 지평선 의존성 (Horizon Dependence): 예측 오차는 일반적으로 예측 지평선이 길어질수록 증가합니다. 중요한 점은 단기 지평선에서 최상위 모델이 장기 지평선에서는 성능이 급격히 저하될 수 있다는 것입니다.
3. 평가 지표의 모순: 서로 다른 오차 지표 (MAE, RMSE 등) 는 모델 순위가 상충되는 결과를 초래하여, 객관적이고 재현 가능한 모델 선택을 어렵게 만듭니다.
4. 정적 선택의 한계: 기존 연구들은 대부분 고정된 테스트 지평선에서 모델을 평가하며, 예측 지평선이 확장됨에 따른 성능 열화 (degradation) 를 모델 선택 프로세스에 명시적으로 통합하지 못했습니다.

2. 제안된 방법론: AHSIV 및 MDFH (Methodology)

이 연구는 **적응형 간헐성 및 변동성 하이브리드 선택기 (AHSIV)**를 제안하며, 이를 뒷받침하는 예측 지평선 기반 지표 열화 (MDFH) 절차를 도입했습니다.

가. 예측 지평선 기반 지표 열화 (MDFH, Metric Degradation by Forecast Horizon)

개념: 테스트 세트에서 계산된 오차 지표를 미래의 운영 계획 지평선으로 투영할 때, 예측 오차가 지평선에 따라 어떻게 증가하는지를 모델링합니다.
수식적 접근: 오차 성장은 지평선 ( $h$ $h$ ) 에 대한 멱함수 (power law) 관계로 모델링됩니다 ( $E(h) \propto h^\alpha$ $E (h) \propto h^{α}$ ).
- $\alpha$ 는 모델별 열화 파라미터로, 구조적 안정성이 있는 경우에만 추정됩니다.
- 구조적 안정성 진단: 시계열의 변동 계수 (CV) 와 2 차 차분의 평균을 분석하여 '안정적 (Stable)', '편향된 (Biased)', '폭발적 (Explosive)' 체제로 분류합니다. 불안정한 체제에서는 오차 외삽을 중단하여 낙관적인 평가를 방지합니다.
목적: 관찰되지 않은 미래 값을 사용하지 않고도, 운영 계획에 필요한 미래 지평선에서의 예상 성능을 일관되게 비교할 수 있게 합니다.

나. 적응형 간헐성 및 변동성 하이브리드 선택기 (AHSIV)

AHSIV 는 수요 시계열의 구조적 특성에 따라 선택 논리를 동적으로 변경하는 다기준 의사결정 프레임워크입니다.

구조적 체제 분류:
- 정규 - 안정 체제 (Regular-stable): 수요 빈도 ( $p$ ) 가 높고 상대적 변동성 ( $c$ ) 이 낮은 경우.
- 간헐적/고변동 체제 (Intermittent/Highly variable): 수요가 드물거나 변동성이 극심한 경우.
선택 전략:
- 정규 - 안정 체제: 다목적 최적화 (Multi-objective) 접근을 사용합니다.
  - 파레토 우위 (Pareto Dominance): MDFH 로 조정된 RMSSE 와 MAE 를 동시에 최소화하는 모델을 파레토 프론트에서 선별합니다.
  - 계층적 정제: 파레토 프론트 내 모델 중 편향 (BIAS) 을 최소화하고 sMAPE 를 개선하는 모델을 최종 선택합니다.
- 간헐적/고변동 체제: 보수적 단일 지표 접근을 사용합니다.
  - 복잡한 다기준 조합이 불안정성을 초래할 수 있으므로, 스케일 불변성 (scale-invariance) 이 뛰어난 RMSSE를 단일 기준으로 최소화하는 모델을 선택합니다.
편향 최소화: 재고 관리의 비대칭 비용 (과잉 재고 vs 품절) 을 고려하여 체계적인 편향 (Bias) 을 명시적으로 제어합니다.

다. 비교 대상 및 평가 지표

비교 모델:
- RMSSE $_h$ : 단일 지표 (MDFH 적용 RMSSE) 기반의 단순 선택기.
- ERA (Equilibrium Ranking Aggregation): 여러 지표의 순위 합계를 기반으로 균형을 찾는 다변량 선택기.
성능 지표:
- GRA (Global Relative Accuracy): 예측된 총 수요량과 실제 총 수요량의 일치도를 측정하는 전략적 지표. 이는 단순 오차 최소화를 넘어 재고 계획의 효율성을 평가합니다.
데이터셋: Walmart, M3, M4, M5 등 다양한 산업 및 주파수 (일별, 주별, 월별) 를 가진 대규모 데이터셋.
실험 설계: 12 단계 예측 지평선 ( $H=12$ ) 과 91:9, 80:20, 70:30 의 다양한 학습 - 테스트 분할 비율을 적용한 고정 기원 (fixed-origin) 백테스팅.

3. 주요 기여 (Key Contributions)

MDFH 절차의 공식화: 관찰되지 않은 미래 값을 사용하지 않고도, 구조적 안정성 조건 하에서 테스트 지평선에서 미래 운영 지평선으로 오차 지표를 일관되게 투영하는 방법을 제시했습니다.
AHSIV 프레임워크 개발: 수요의 간헐성과 변동성에 따라 다목적 최적화 (파레토) 와 단일 지표 최소화를 동적으로 전환하는 적응형 모델 선택 메커니즘을 제안했습니다.
전략적 평가 지표 (GRA) 의 통합: 예측 정확도를 재고 계획의 총량 일치도 관점에서 평가하여, 통계적 오차와 비즈니스 운영 효율성을 연결했습니다.
지평선 의존성 입증: 모델 선택이 정적 순위 문제가 아님을 실증적으로 증명하고, 지평선 일관성과 구조적 적응성을 갖춘 메커니즘의 필요성을 강조했습니다.

4. 실험 결과 (Results)

성능 비교:
- AHSIV 와 RMSSE $_h$ : 집계된 GRA(전체적 정확도) 측면에서 통계적으로 유의미한 차이는 없었으나, 특정 예측 지평선에서 최상위 모델을 선택하는 빈도는 AHSIV 가 더 높았습니다. 이는 AHSIV 가 지평선별 성능 변동에 더 민감하게 적응함을 의미합니다.
- ERA 의 부진: 다변량 순위 집계 방식인 ERA 는 대부분의 데이터셋과 지평선에서 AHSIV 및 RMSSE $_h$ 보다 유의미하게 낮은 성능을 보였습니다.
지평선 의존성: 모든 데이터셋에서 지평선이 길어질수록 모델 간 순위 변동이 심화되었으며, 이는 단일 모델이 모든 지평선에서 우월할 수 없음을 재확인했습니다.
강건성: 학습 - 테스트 분할 비율 (91:9, 80:20, 70:30) 이 변해도 AHSIV 와 RMSSE $_h$ 의 상대적 우위는 일관되게 유지되었습니다.

5. 의의 및 결론 (Significance)

이론적 의의: 수요 예측 모델 선택이 단순한 정확도 비교를 넘어, 예측 지평선의 열화 현상과 수요의 구조적 특성을 동시에 고려해야 하는 복잡한 의사결정 문제임을 규명했습니다.
실무적 의의:
- 기업은 단일 모델이나 고정된 규칙을 적용하는 대신, 수요 패턴과 계획 기간에 따라 적응적으로 모델을 선택해야 합니다.
- AHSIV 는 복잡한 다 SKU 환경에서 재고 비용 절감과 서비스 수준 향상을 위한 체계적이고 재현 가능한 솔루션을 제공합니다.
- MDFH 를 통해 단기 테스트 결과에 기반한 낙관적인 예측을 방지하고, 장기 운영 계획에 더 현실적인 성능 평가를 가능하게 합니다.

결론적으로, 이 연구는 다변량 수요 예측 환경에서 "어떤 모델이 가장 좋은가?"라는 질문에 대해 "어떤 수요 체제와 어떤 예측 지평선에서"라는 조건을 명시적으로 포함하여 답변하는 새로운 패러다임을 제시했습니다.