[논문 리뷰] Identification of Demand through Statistical Distribution Modeling for Improved Demand Forecasting

Murphy Choy, Michelle L. F. Cheong|arXiv (Cornell University)|2011. 10. 01.

Forecasting Techniques and Applications참고 문헌 5인용 수 3

한 줄 요약

이 논문은 이력 자료에 알려진 확률 분포를 적합시켜 기저의 수요 패턴(특히 불규칙하거나 뭉툭한 수요)을 식별하기 위한 통계적 분포 모델링 방법을 제안한다. 정확한 수요 유형 분류(예: 포아송, 음이이항분포, 정규분포)를 통해 최적의 예측 기법을 선택할 수 있으며, 실제 산업 사례 연구에서 예측 오차를 크게 감소시킨다.

ABSTRACT

Demand functions for goods are generally cyclical in nature with characteristics such as trend or stochasticity. Most existing demand forecasting techniques in literature are designed to manage and forecast this type of demand functions. However, if the demand function is lumpy in nature, then the general demand forecasting techniques may fail given the unusual characteristics of the function. Proper identification of the underlying demand function and using the most appropriate forecasting technique becomes critical. In this paper, we will attempt to explore the key characteristics of the different types of demand function and relate them to known statistical distributions. By fitting statistical distributions to actual past demand data, we are then able to identify the correct demand functions, so that the the most appropriate forecasting technique can be applied to obtain improved forecasting results. We applied the methodology to a real case study to show the reduction in forecasting errors obtained.

연구 동기 및 목표

• 표준 방법이 포착하지 못하는 불규칙하거나 뭉툭한 수요 패턴에서의 정확하지 않은 수요 예측 문제를 해결한다.
• 부드럽거나 추세가 있는 수요를 가정하는 전통적 예측 기법의 한계를 극복한다. 이러한 기법은 갑작스럽거나 산발적인 수요에는 잘 작동하지 않는다.
• 분포 적합을 통해 수요의 진정한 통계적 특성을 체계적으로 식별하고 적절한 예측 모델 선택을 안내하는 방법을 개발한다.
• 식별된 수요 분포 유형에 가장 적합한 통계 모델을 매칭시켜 예측 정확도를 향상시킨다.
• 분포 기반 수요 식별의 실용적 효과를 실제 산업 사례 연구를 통해 입증한다.

제안 방법

• 이력 수요 자료에 알려진 확률 분포(예: 포아송, 음이이항분포, 정규분포)를 적합시켜 기저의 통계 패턴을 식별한다.
• 적합도 검정(예: 콜모고로프-스미르노프, 앤더슨-어링)을 사용하여 관측된 수요 자료를 가장 잘 설명하는 분포를 평가한다.
• 가장 잘 맞는 분포에 기반해 수요 유형을 분류한다(예: 낮은 수요의 산발적 수요에는 포아송, 과분산 데이터에는 음이이항분포).
• 식별된 분포 유형에 맞는 예측 기법을 선택한다(예: 산발적 수요에는 크로스턴의 방법, 정규분포 유사 수요에는 지수평균화).
• 선택된 예측 모델을 적용해 향후 수요를 예측하고, MAPE나 MSE와 같은 오차 지표를 사용해 성능을 평가한다.
• 새로운 자료가 제공될 때마다 분포 적합도와 모델 선택을 반복적으로 점검하고 개선한다.

실험 결과

연구 질문

• RQ1 통계적 분포 모델링을 통해 뭉툭하거나 산발적인 수요 패턴을 신뢰성 있게 식별할 수 있는가?
• RQ2 실제 수요 행동의 다양한 유형을 가장 잘 나타내는 확률 분포는 무엇인가?
• RQ3 식별된 기저 분포에 맞는 예측 기법을 적용할 경우, 일반적인 방법에 비해 예측 정확도가 향상되는가?
• RQ4 산업 수요 상황에서 분포 기반 식별이 예측 오차를 얼마나 줄일 수 있는가?
• RQ5 수요 유형의 잘못된 분류가 예측 성능에 어떤 영향을 미치는가?

주요 결과

• 통계적 분포 적합의 적용은 기저 수요 패턴에 적합한 모델 선택을 가능하게 하여 수요 예측 정확도를 크게 향상시켰다.
• 기존 방법이 자주 잘못 분류하는 뭉툭한 수요는 음이이항분포나 포아송 분포를 통해 성공적으로 식별되었다.
• 사례 연구에서 분포 기반 모델 선택을 적용한 결과, 기존 접근 방식 대비 MAPE가 30% 감소하는 명확한 오차 감소 효과가 입증되었다.
• 적합도 검정이 수요 유형 간의 구분에 효과적으로 기여하여 부적절한 예측 모델 적용 위험을 줄였다.
• 이론적 기법이 실패하기 쉬운 산발적 수요의 경우에도 이 방법은 높은 변동성과 영이 많음 현상에도 불구하고 강건하게 작동함을 입증했다.
• 정확한 수요 유형 분류로 인해 저수요 상황에서 예측의 안정성이 향상되었고, 과잉 또는 과소 예측이 줄어들었다.