Retail Demand Forecasting

유통 POS 데이터를 활용해 면류·라면류 월별 판매 수요를 예측한 시계열 분석 프로젝트이다. 2024년 2학기 BITAmin 시계열 유통데이터활용공모전 과제로 수행하였으며, 제조업체 단위 예측의 한계를 확인한 뒤 클러스터 기반 하이브리드 모델로 전환하여 2023년 9~12월 테스트 구간에서 월별 평균 MAPE 4.65% 를 달성하였다.

프로젝트 목적

소매 유통 데이터는 SKU·제조업체 단위로 관측치가 희소해 단일 시계열 모델만으로는 안정적인 수요 예측이 어렵다. 본 프로젝트는 다음 질문에 답하는 것을 목표로 하였다.

1. 제조업체 단위 예측이 왜 실패하는가?
2. 판매량 기반 클러스터링으로 예측 단위를 재구성하면 성능이 개선되는가?
3. 날씨·경제지수 등 외생변수와 SARIMAX, Prophet, 트리 모델, 앙상블 중 어떤 조합이 가장 효과적인가?

최종적으로 29개 제조업체를 4개 클러스터로 묶고, 클러스터별 최적 모델을 선정한 뒤 월별 총 수요로 집계하는 예측 파이프라인을 완성하였다.

배경 및 문제 정의

항목	내용
분석 대상	면류·라면류 유통 판매 데이터
데이터 기간	2021-01 ~ 2023-12 (학습·검증), 2024년 미완성 데이터 제외
예측 대상	월별 "판매수량"
외생변수	한파, 폭염, 호우, 생활물가지수, 음식료품 계절조정지수
검증 구간	2023-09 ~ 2023-12 (4개월 홀드아웃)

초기 실험에서 제조업체 단위 SARIMAX·Prophet은 MAPE 105% 수준으로 예측이 불가능함을 확인하였다. 원인은 제조업체·월 조합당 관측치가 적어 시계열 패턴을 학습하기 어렵기 때문이다.

접근 방법

final.csv
  → 전처리 (상품 메타 제거, 2024년 데이터 제외)
  → 29개 제조업체 greedy volume-balanced 4-cluster
  → 월×클러스터 집계 + 2023-05 cluster 4 이상치 보정
  → 클러스터별 모델 실험 (SARIMAX / Prophet / RF / XGB / LGBM / 앙상블)
  → 클러스터 예측값 합산 → 월별 총 수요 예측

공통 전처리 로직은 src/preprocessing.py에, 평가 함수는 src/evaluation.py에 분리하였다.

실험 흐름

노트북	내용	대표 결과
01_baseline_sarimax	제조업체·중분류 SARIMAX 탐색	제조업체 단위 실패
02_prophet_manufacturer	제조업체 단위 Prophet	MAPE 105.53%
03_prophet_cluster	클러스터 + Prophet	MAPE 38.61%
04_sarimax_hyperparameter_tuning	SARIMAX Grid Search / Optuna	MAPE 31~73%
05_tree_models_no_exog	외생변수 제외 트리 모델	RF MAPE 3.36%
06_full_experiment_matrix	특성·모델·튜닝 전수 비교	최적 조합 선정 근거
07_final_aggregation	클러스터별 최종 모델 + 집계	월별 MAPE 4.65%

최종 결과

클러스터별 최적 모델 (07_final_aggregation)

Cluster	최종 모델	Test MAPE
1	날씨 + SARIMAX 25% + LightGBM 75%	6.80%
2	날씨 + SARIMAX + GridSearch	5.74%
3	날씨 + SARIMAX + GridSearch	4.62%
4	날씨 + 경제지수 + SARIMAX + GridSearch	10.80%

월별 총 수요 예측 (2023-09 ~ 2023-12)

월	실제	예측	MAPE
2023-09	6,598	6,573	0.38%
2023-10	7,522	6,694	11.01%
2023-11	6,795	6,348	6.58%
2023-12	6,848	6,892	0.64%

• 4개월 절대 오차 합: 1,344건
• 월별 평균 MAPE: 4.65%

사용 기술

• Python, Jupyter Notebook
• pandas, numpy, matplotlib
• statsmodels (SARIMAX), Prophet
• scikit-learn (GridSearchCV, RandomForest)
• XGBoost, LightGBM, Optuna

디렉토리 구조

retailDemandForecasting/
├── README.md
├── requirements.txt
├── .gitignore
├── data/
│   └── README.md                         # final.csv 배치 안내
├── docs/
│   └── presentation/
│       └── [24-2학기]시계열_유통데이터활용공모전.pdf
├── notebooks/
│   ├── 01_baseline_sarimax.ipynb         # 초기 SARIMAX 실험
│   ├── 02_prophet_manufacturer.ipynb     # 제조업체 단위 Prophet
│   ├── 03_prophet_cluster.ipynb          # 클러스터 + Prophet
│   ├── 04_sarimax_hyperparameter_tuning.ipynb
│   ├── 05_tree_models_no_exog.ipynb      # 트리 모델 실험
│   ├── 06_full_experiment_matrix.ipynb   # 전체 조합 실험
│   └── 07_final_aggregation.ipynb        # 최종 모델 및 집계
└── src/
    ├── __init__.py
    ├── config.py                         # 경로, 기간, 외생변수 상수
    ├── preprocessing.py                  # 로드, 클러스터링, 집계, 이상치 보정
    └── evaluation.py                     # MAPE 평가 유틸

발표자료

파일	설명
docs/presentation/[24-2학기]시계열_유통데이터활용공모전.pdf	2024년 2학기 시계열 유통데이터활용공모전 발표자료