FAQ: 데이터 세분화 및 메트릭 정의
- 어떤 경우에 고객이 별도의 예측 메트릭(예: 국가, 지역, 부서, 제품 카테고리 또는 개별 SKU별 매출 분할)을 정의해야 합니까? 이러한 분할을 추천하는 기준은 무엇입니까?
- 운영 용도 또는 기본 수요 패턴이 세그먼트 간에 크게 다른 경우 별도의 예측 메트릭을 정의해야 합니다. 분할 결정은 집계 데이터의 안정성과 세분화된 예측의 실행 가능성 간에 균형을 이루게 됩니다.비즈니스 데이터의 구조나 예측을 사용해야 하는 경우 높은 수준의 세부내용이 필수 경우를 대비하여 고객은 별도의 예측 메트릭을 정의해야 합니다.시나리오분할 예사유운영 사용 사례 세부내용 필요부서 또는 제품 카테고리를 기준으로 매출 분할필요한 인력 또는 재고를 세분화된 수준에서 예측합니다. 예를 들어 한 매장에서 해당 구역에 정확한 인력을 배치하거나 상하기 쉬운 주식 관리하기 위해 청과인 매장과 전자제품 매장별로 별도의 예측이 필요합니다.불일치하는 데이터 구조/스케줄서로 다른 조직 단위에 대한 메트릭 분할조직의 운영 보고 시작 요일이 서로 다른 경우 별도의 메트릭이 필요합니다. 주별 메트릭에는 주 시작 요일만 포함될 수 있으므로, 서로 다른 시작 요일을 사용하는 스케줄링 조직은 별도의 메트릭을 사용하여 보고 캘린더 에 예측을 맞출 수 있습니다.분할을 추천하는 조건은 세부내용의 필요성과 결과 데이터의 품질에 중점을 둡니다.
- 데이터 가용성 및 안정성
- 안정성을 위한 집계: 더 작은 데이터세트를 결합하면 잡음, 이상치 오류 및 임의 변동을 완화하여 더 강력하고 신뢰할 수 있는 종합 예측 결과를 도출하기 때문에 일반적으로 데이터를 분할하는 것보다 집계 데이터를 사용하는 것이 더 나은 결과를 제공합니다.
- 세분화에 필요한 다양성: 별도의 세분화된 메트릭(예: 매장 레벨의 메트릭을 부서별로 분리하여 부서별로 구분)은 해당 세그먼트에 풍부한 데이터 소스가 있어 신뢰할 수 있는 예측을 수행하는 데 충분한 데이터 양을 확보할 수 있는 경우에만 유용합니다. 세분화된 분할을 위한 데이터세트 너무 작거나 드문 경우(예: 소량 제품 카테고리) 예측이 불안정하고 잠재적으로 신뢰할 수 없게 됩니다.
- 실행 가능성 및 비즈니스 효용성
- 대상 인력/재고: 결과 예측을 세분화된 수준에서 직접 수행할 수 있어야 하는 경우 별도의 메트릭이 필요합니다. 예를 들어 한 매장의 총 매출 예측을 별도의 부서 예측으로 분할하면 특정 부서의 인력 요구사항을 대상 하여 가장 필요한 곳에 스태핑 최적화하는 데 더 도움이 됩니다.
- 리포트/계획과의 연계: 세그먼트가 근본적으로 다른 계획 주기 또는 데이터 구조에서 작동하는 경우 분할을 사용하는 것이 좋습니다. 인스턴스, 세그먼트에서 비즈니스 보고의 시작 요일로 다른 요일을 사용하는 경우 분할이 필요하여 실제 운영과 예측을 일치시킬 수 있습니다.
- 더 세분화된 수준으로 예측할 때와 더 집계된 수준으로 예측할 경우 어떤 절충점(예: 정확도, 전산 비용, 데이터 요건)이 제공됩니까?
- 계획 하고 예측할 때 가장 중요한 결정 중 하나는 선택하는 세부내용의 수준이며, 이를 "세분성"이라고 합니다. 15분 단위와 같은 세부 레벨에서의 예측은 특정도가 높지만 모호할 수 있습니다. 반면, 일 단위와 같은 광범위한 레벨에서의 예측은 안정성을 제공하지만 직접적인 효용성은 떨어집니다. 적절한 수준은 전적으로 비즈니스 사용 케이스 에 따라 달라집니다.다음은 고도로 세분화된 예측 방식과 더 집계된 예측 방식 간의 주요 절충점을 요약한 것입니다.기능세분화된 예측(예: 15분 수준)집계된 예측(예: 일별 레벨)조치 가능성높음: 특정 부서/항목의 주문, 보관, 스태핑 위한 직접 입력 값입니다.낮음: 일일 스프레드를 수동으로 해야 하거나 균등한 부분으로 분할되어야 합니다.예측 정확도(통계)안정성 저하: 데이터가 일반적이지 않고 일시적이며 불안정합니다. 대규모의 임의 오류에 더 취약합니다.안정성 향상:노이즈, 이상치 및 임의 오류가 완화되어 더 강력한 결과 얻습니다.비즈니스 가치높은 효용성: 고유한 지역적, 세그먼트별 수요 동인을 더 잘 파악합니다.높은 신뢰성: 계획 및 장기적인 의사결정에 더 적합합니다.데이터 요건높음: 개별 항목 또는 위치의 변동성을 모델링하기에 충분한 관찰 값을 보장하기 위한 대량의 고해상 행 레벨 데이터입니다.낮음: 데이터 요소 합산 작업 이후 데이터 볼륨이 줄어들면서 자연스럽게 레코드 수가 줄어들어, 광범위한 계절적 트렌드를 식별하는 데 충분한 이력만 필요합니다.
- 특정 세분화 수준에서 메트릭을 예측할 수 있기 위한 최소 데이터 이력 요건(예: 데이터 요소 수, 기간)이 있습니까?
- 예, 신뢰할 수 있는 예측을 생성하는 능력 은 제공되는 과거 데이터의 양 및 밀도와 직결됩니다. 모델이 트렌드 및 계절성과 같은 의미 있는 패턴을 감지하기에 데이터가 충분함을 보장하기 위한 요구사항을 설정했습니다.신뢰할 수 있는 예측을 위해서는 분석 대상 메트릭에 대한 과거 3년 데이터를 확보하는 것이 좋습니다. 이 기간을 통해 모델이 연간 계절적 주기와 장기적 트렌드를 효과적으로 캡처할 수 있습니다.필수 데이터 요소 수는 데이터의 빈도(세분성)에 따라 달라집니다.세분화간격 예데이터 요소 요건근거높은 밀도(시간 단위)매시간3년이면 충분합니다.이 모델은 권 의 데이터 요소를 빠르게 누적하여 3년 간의 강력한 패턴 감지 데이터세트로 구성합니다.저 밀도(일별, 주별)매일 또는 매주 1회최소 3년은 요구사항입니다.이 기간은 안정적인 예측을 생성하는 데 필요한 핵심 트렌드와 계절적 변동을 식별하기에 충분한 데이터 요소를 제공합니다.데이터의 세분화에 관계없이 최적의 성능 얻으려면 최소 3년의 데이터 이력을 사용하는 것이 좋습니다.완전히 새로운 컨텍스트(예: 새로운 국가, 새로운 제품 라인, 완전히 새로운 비즈니스 메트릭)에 대한 예측을 도입할 때 이전 데이터의 최소량(예: 개월/년, ML 모델이 가치 있고 합리적으로 정확한 예측을 생성할 수 있으려면 일반적으로 필수 데이터 요소 수(데이터 포인트 수)Workday의 접근 방식에서는 완전히 새로운 컨텍스트에 예측을 도입할 때 새로운 시나리오를 기존의 훈련된 메트릭에 연결하여 가치 있는 예측을 신속하게 생성하는 방식을 사용합니다.참고: 이 기능을 사용하려면 신규 위치 이미 학습된 메트릭(예: 모델이 이미 있고 다른 위치에서 우수한 성능을 발휘하는 메트릭)을 추적해야 합니다.신규 위치에 ML 모델을 사용한 예측(예: 신규 국가 또는 매장) ML 모델을 사용하여 학습 및 예측한 메트릭의 경우, 신규 위치를 오픈할 때 자회사의 조직 또는 이와 유사한 엔티티 접근 방식을 사용 오퍼 예측 프로세스를 빠르게 시작합니다. 모델은 사내 자매 조직 기능을 활용하여 최소 2주치의 자체 데이터가 누적될 때까지 신규 근무지의 성과에 대해 합당한 가정을 할 수 있습니다. 해당 시점 이후에는 모델이 신규 매장의 성장 이력을 기반으로 더욱 정확한 예측을 수행할 수 있습니다.신규 위치(예: 신규 국가 또는 매장)에 트렌드 기반 예측 모델을 사용한 예측: 트렌드 기반 예측 모델을 사용하여 훈련된 메트릭의 경우, 신규 위치 해당 조직의 1년 단위 기간 데이터를 모두 수집할 때까지 자매 조직 데이터가 사용됩니다. 자체 데이터를 사용하여 이러한 특정 이전 비교를 수행할 수 있습니다.