이동평균 + 계절 지수로 수요 예측
약 120초
출하량 추세를 이동평균으로 평활화하고 계절 지수를 곱해 증설 판단 기준을 세운 경험
저는 수요 예측과 현재 설비 가동률 데이터를 교차 분석하는 방식이 핵심이라고 생각합니다. 졸업 논문에서 소규모 제조사의 Capacity Planning 사례를 다루면서, 과거 12개월 출하량 추세를 이동평균으로 평활화하고 계절 지수를 곱해 월별 예측 수요를 산출했습니다. 예측값과 실제 설비 최대 처리량 간 차이가 20% 이상인 월을 기준으로 증설 또는 외주 여부를 판단하는 간단한 기준을 세웠고, 이 구조만으로도 의사결정 속도가 크게 빨라졌습니다. 실무에서는 수요의 불확실성을 반영한 시나리오 분석(Best-Worst-Base)이 추가로 필요하다는 걸 사례 검토 과정에서 배웠습니다. 데이터 분석은 목표 결정을 위한 도구이지 정밀도 자체가 목적이 아님을 늘 염두에 둡니다.
이 결의 특징
12개월 출하량 추세를 이동평균으로 평활화하고 계절 지수를 곱해 월별 예측 수요를 산출하고, 예측값과 최대 처리량 간 차이 20% 이상인 월을 기준으로 증설·외주 판단 기준을 만든 흔적이 있습니다. 수요 불확실성을 반영한 시나리오 분석이 추가로 필요하다는 인식이 담긴 결이 자주 보입니다.
이 결이 통하는 자리
데이터 분석이 정밀도 자체가 아닌 의사결정 기준을 만드는 도구라는 인식이 졸업 논문 사례 분석과 연결될 때 통합니다. 간단한 판단 기준 구조만으로 의사결정 속도가 빨라졌다는 효과가 살아 있을 때 면접관의 꼬리질문이 줄어드는 결이 보입니다.