A
약 80초
수요예측 모델 방법론 + 경험 설명
수요예측에서 가장 먼저 보는 건 시계열 패턴입니다. 트렌드, 계절성, 주기성이 어떻게 나타나는지 시각화해 정상성 여부를 판단하고 적합한 모델 계열을 선택합니다. 단순 계절성이 있으면 SARIMA, 외부 변수가 많으면 Prophet 또는 XGBoost+시계열 피처를 씁니다. 수업 프로젝트에서 소매 판매 데이터에 Prophet을 적용했는데, 프로모션 이벤트 날짜를 외생 변수로 추가하자 RMSE가 23% 개선됐습니다. 가장 중요한 건 모델 자체보다 피처 엔지니어링이었는데, 요일·공휴일·날씨를 추가했을 때 성능 향상 폭이 컸습니다. 앞으로도 시계열 특성 파악 → 적합 모델 선택 → 외생 변수 추가의 순서로 수요예측에 접근하겠습니다. 앞으로도 시계열 특성 파악 → 적합 모델 선택 → 외생 변수 추가의 순서로 수요예측에 접근하겠습니다.
모델보다 피처 엔지니어링이 예측 성능에 더 큰 영향을 주는 경우가 많습니다. 프로모션·공휴일 같은 이벤트 변수를 추가하는 것이 실제 수요 패턴을 반영하는 핵심 단계입니다.
이 결의 특징
시계열 데이터의 패턴을 먼저 진단한 뒤 그에 맞는 모델을 선택하는 원리 기반 접근입니다. 실제 프로젝트에서 피처 엔지니어링이 알고리즘보다 더 큰 영향을 준 경험을 체득했습니다.
이 결이 통하는 자리
데이터 기반 의사결정이 일상인 조직에서 높이 평가될 답변입니다. 이론보다 검증된 실무 경험으로 신뢰를 얻는 팀 문화에 어울립니다.