A
약 75초
경험 중심 1인칭 답변
학교 프로젝트에서 온라인 쇼핑몰의 재고 소진 패턴을 머신러닝으로 예측해 발주 타이밍을 최적화하는 모델을 만든 경험이 있습니다. 기존에는 담당자가 경험 기반으로 발주했는데, 과거 2년치 판매 데이터와 계절 변수, 프로모션 여부를 입력으로 쓴 예측 모델을 만들고 실제 소진 시점과 비교했습니다.
모델 정확도보다 '얼마나 일찍 발주 신호를 줄 수 있는가'가 실제 의사결정에 더 중요한 지표라는 걸 튜닝 과정에서 배웠습니다. 발주 리드타임을 고려해 예측 리드를 조정하는 것이 단순 예측 정확도를 높이는 것보다 실용적인 결과로 이어졌습니다. 비즈니스 제약 조건을 모델 설계에 먼저 반영해야 한다는 걸 그 경험에서 확인했습니다. 앞으로도 모델 정확도보다 비즈니스 제약 조건을 먼저 반영해서 실제 의사결정에 닿는 모델을 설계하는 방식을 유지하겠습니다.
예측 모델의 가치는 정확도보다 실행 가능한 시그널을 얼마나 빨리 줄 수 있는가에 달려 있습니다. 현장 제약을 모델 설계에 먼저 반영하는 것이 데이터 과학의 실질적 기여를 만드는 핵심입니다.
이 결의 특징
과거 2년 판매 데이터, 계절 변수, 프로모션 여부를 입력해 재고 소진 예측 모델을 만들었고, 모델 정확도보다 '얼마나 일찍 발주 신호를 줄 수 있는가'가 실제 의사결정의 중요 지표임을 튜닝 과정에서 배웠습니다. 발주 리드타임을 고려해 예측 시점을 조정하는 것이 단순 정확도 향상보다 실용적 결과임을 확인했습니다.
이 결이 통하는 자리
비즈니스 제약을 모델 설계에 먼저 반영하는 문화가 있을 때 통합니다. 예측 정확도 한 지표에 집착하는 게 아니라, 발주 리드타임 같은 현실 조건을 먼저 고려하는 사람을 찾는 팀에서 이 경험이 살아납니다.