이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
인턴을 할 때 엑셀로 4개 SKU의 주간 판매량 추이를 정리하는 업무를 맡았습니다. 처음에는 단순 데이터 정리였는데, 팀장님이 이 패턴이 다음 달 주문량에 어떤 영향을 줄 것 같냐고 물으셨고, 그때부터 단순 이동 평균으로 예측 범위를 만들어보는 시도를 했습니다. 공식 모델이라고 하기엔 너무 단순했지만, 실제 주문량과 예측치를 비교하면서 오차가 생기는 원인을 파악하는 경험이 됐습니다. 이벤트 시즌에 오차가 커진다는 걸 발견해서 계절성과 프로모션 변수를 따로 메모하기 시작했는데, 그게 팀 공유 파일로 발전했습니다.
인턴 기간이 짧아서 정식 시스템까지는 못 봤지만, 수요 예측이 단순히 과거 데이터를 보는 게 아니라 맥락을 읽는 일이라는 걸 그때 배웠습니다.
수요 예측을 단순 이동 평균에서 통계 모델로 발전시킨 경험이 있습니다. 졸업 논문 프로젝트에서 계절성이 있는 판매 데이터에 이동 평균만 적용했더니 계절 변동을 잡지 못해 오차가 컸습니다. 그래서 시계열 분해로 계절 요인을 별도로 추정하고 적용하는 방식을 공부하면서 SARIMA 모델을 처음 사용해봤습니다.
모델이 복잡해질수록 과적합 위험이 커지기 때문에, 단순 모델과 복잡 모델의 예측 오차를 비교하면서 어느 시점에서 복잡도를 높이는 게 실제로 유리한지를 확인하는 과정이 중요하다는 걸 배웠습니다. 검증 데이터로 성능을 측정하지 않으면 모델의 실제 실력을 알 수 없다는 원칙도 그때 만들었습니다.
데이터에 맞는 모델을 고르는 것이 최적 모델을 만드는 것보다 먼저라는 생각이 생겼습니다. SARIMA 모델이 계절성 있는 수요 데이터의 첫 시도였습니다.
수요 예측에서 모델보다 데이터 품질이 더 중요하다는 걸 경험에서 배웠습니다. 아무리 정교한 모델을 써도 입력 데이터에 누락이나 이상치가 많으면 예측이 신뢰할 수 없는 수준으로 나옵니다. 엑셀 데이터를 정리하면서 특정 주에 입력 오류로 판매량이 0으로 기록된 것을 발견했을 때, 그 한 셀이 이동 평균 전체를 얼마나 왜곡했는지를 직접 봤습니다.
이상치 탐지와 데이터 정제가 모델 선택보다 먼저 해야 할 작업이라는 걸 그 과정에서 이해했습니다. 예측이 틀렸을 때 모델 탓보다 데이터 탓을 먼저 확인하는 습관이 생겼습니다. 수요 예측은 단번에 맞추는 것이 아니라 오차를 줄여가는 반복 과정이라는 관점도 갖게 됐습니다.
좋은 예측은 좋은 데이터에서 시작한다는 원칙이 생겼습니다. 이상치 탐지가 수요 예측 파이프라인의 첫 단계입니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 쿠팡 구매·SCM 일반 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.