기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
# Demand Planning
Demand Planning은 비즈니스 사용자가 수요 계획을 생성, 협업 및 게시할 수 있는 웹 기반 애플리케이션입니다. Demand Planning은 과거 예측 경험을 기반으로 독점적인 기계 학습 알고리즘을 사용하여 예측을 생성합니다.
**Topics**
+ [Demand Planning에 사용되는 용어](servicename-terminology.md)
+ [첫 번째 수요 계획 생성](onboarding.md)
+ [데이터 검증 및 수요 패턴 분석](data-validation-analysis.md)
+ [Forecast 알고리즘](forecast-algorithims.md)
+ [수요 기반 예측 동인](demand_drivers.md)
+ [제품 계보](product_lineage.md)
+ [제품 수명 주기](product_lifecycle.md)
+ [수요 계획 관리](dp_dashboard.md)
+ [Forecast 모델 분석기](forecast_model_analyzer.md)
+ [Demand Plan 설정 관리](settings.md)
+ [역할 기반 액세스 제어](rolebased.md)
# Demand Planning에 사용되는 용어
다음은 Demand Planning에서 자주 사용할 수 있는 일반적인 용어입니다.
+ **엔터프라이즈 수요 계획** - 여러 이해관계자의 예측 입력을 통합하여 통일된 예측을 생성하는 단일 계획 워크북입니다. 이는 여러 계획 주기로 구성될 수 있으며, 진화하는 예측 입력 데이터 세트를 기반으로 예측을 반복적으로 구체화할 수 있습니다. 엔터프라이즈 수요 계획에는 다음과 같은 두 가지 상태 시점이 표시됩니다.
+ **활성** – 계획 주기가 열려 있으며 예측을 편집할 수 있습니다.
+ **게시됨** - 계획 주기가 종료되었으며 예측을 편집할 수 없습니다. 그러나 수요 계획을 볼 수는 있습니다.
+ **수요 계획 주기** - 예측 생성, 이해관계자와의 협업을 통한 수요 계획 조정 및 게시를 비롯하여 수요 계획을 작성하고 완성하는 데 소요되는 시간입니다.
+ **데이터 세트** - 과거 판매 주문 또는 제품 정보와 같이 예측을 생성하는 데 사용되는 데이터 모음입니다.
+ **예상 세부 수준** - 예측을 생성하고 관리하는 방법을 정의합니다. 제품, 위치, 고객 및 채널 차원을 조합하여 사용할 수 있습니다. 데이터 세트의 각 제품에 대해 예측 데이터를 일별, 주별, 월별 또는 연도별로 집계하는 시간 간격을 선택할 수도 있습니다. 예를 들어 예상 세부 수준을 일별로 설정한 경우 데이터 세트의 각 제품에 대한 일일 예측이 표시됩니다.
**참고**
Demand Planning은 계획에 그레고리력을 사용합니다. 기본 시작 요일은 월요일입니다.
+ **예측 구성** - 예측 생성을 위한 구성 집합입니다. 여기에는 계획 주기 구성, 시간 범위 세부 수준, Demand Planning이 예측을 생성하는 방법에 영향을 미치는 계층 구조 구성이 포함됩니다.
+ **시스템 생성 예측** - 기준 예측이라고도 합니다. 시스템이 과거 데이터를 사용하여 예측을 생성하는 것을 의미합니다. 재정의를 적용하기 전에 초기 수요 예측을 제공합니다.
+ **재정의** - 시스템이 생성한 예측을 수정하는 것입니다.
+ **게시된 수요 계획** – 계획 워크북의 최종 결과입니다. 구현을 위해 완성된 수요 계획을 다운스트림 재고 및 공급 계획 시스템에 게시하도록 선택할 수 있습니다.
+ **제품 계보** - 제품과 이전 버전 또는 대체 제품 간에 링크를 설정하고 예측에 사용할 과거 데이터의 양에 대한 규칙을 설정할 수 있습니다. 자세한 내용은 [제품 계보](product_lineage.md) 단원을 참조하십시오.
+ **제품 수명 주기** - 제품 수명 주기는 소개부터 수명 종료(EoL)까지 제품의 다양한 단계를 나타냅니다. 제품 수명 주기에 대한 자세한 내용은 섹션을 참조하세요[제품 수명 주기](product_lifecycle.md).
+ **수요 동**인 - 특정 제품의 수요 수준에 직접적인 영향을 미치는 요인입니다. 광고 및 마케팅 노력, 요금 전략 등을 예로 들 수 있습니다. 수요 동인에 대한 자세한 내용은 섹션을 참조하세요[수요 기반 예측 동인](demand_drivers.md).
+ **예측 지연 **- 예측이 생성된 시간과 실제 수요 사이의 시간입니다. 예를 들어 2월에 대해 고려된 1월의 예측은 1개월 지연으로 간주됩니다. 마찬가지로 1월부터 3월로 간주되는 예측은 2개월 지연으로 간주됩니다.
+ **Forecast Model Analyzer** -이 도구를 사용하여 테스트 조건을 변경하고 다양한 예측 방법의 결과를 검토하여 시도 또는 실험 예측을 실행할 수 있습니다. 결과를 사용하여 모델 성능을 비교하고 평가하여 비즈니스 우선 순위에 따라 최상의 선택을 보장할 수 있습니다.
+ **예측 잠금** - 예측 잠금 기능을 사용하여 예측의 특정 기간을 잠가 추가 편집 또는 조정을 방지할 수 있습니다.
+ **주기 내 예측 새로 고침** - 수요 계획을 완료하지 않고도 주기 중 예측을 새로 고치고 최신 예측 입력 데이터를 통합할 수 있습니다.
+ **예측 수** - 고유한 시계열 예측 수입니다. 여기서 각 시계열은 수요 계획 구성에 따라 제품, 사이트, 고객 및 채널의 고유한 조합을 나타냅니다.
+ **중요 규칙** - 위반 시 예측 생성을 차단할 수 있는 데이터 검증 규칙입니다. 자세한 내용은 [데이터 세트를 업로드하기 전의 필수 조건](data_quality.md) 단원을 참조하십시오.
+ **데이터 검증** - 예측에 사용하기 전에 데이터의 완전성, 정확성 및 일관성을 확인하는 프로세스입니다.
+ **수요 패턴 분석** - 과거 수요 데이터를 다양한 패턴으로 분류하는 등 예측 입력 데이터의 탐색 데이터 분석.
# 첫 번째 수요 계획 생성
Demand Planning에 처음 로그인하면 주요 제품 기능을 강조 표시하고 Demand Planning 기능에 익숙해지는 데 도움이 되는 온보딩 페이지를 볼 수 있습니다.
**프로세스 개요:**
첫 번째 예측을 생성하려면 왼쪽 탐색 모음에서 **수요 계획**, **수요 계획 관리** 및 **예측 생성을** 선택합니다. 시스템은 다음 단계를 안내합니다. 자세한 내용은 [역할 기반 액세스 제어](rolebased.md) 단원을 참조하십시오.
1. *데이터 수집 *- 구성을 진행하기 전에 시스템은 필요한 데이터 세트가 Data Lake에 수집되었는지 확인합니다. 최소한 다음이 필요합니다. 사전 조건을 포함하여 Demand Planning에서 사용하는 테이블 및 열에 대한 자세한 내용은 섹션을 참조하세요[Demand Planning](required_entities.md).
+ 필수: 아웃바운드 주문 라인 및 제품 데이터
+ 권장 사항: 제품 대체 및 보조 시계열 데이터
1. *계획 구성* - 데이터 수집이 완료되면 예측 차원, 기간, 설정 및 예약 옵션을 포함하여 수요 계획의 다양한 측면을 구성합니다. Demand Planning이 구성된 후 **설정**, **조직** 및 **Demand Planning**을 선택하여 수요 계획 구성 설정을 보거나 수정할 수 있습니다.
1. *계획 생성* - 구성 후 **예측 생성을** 선택하면 세 가지 하위 프로세스가 시작됩니다.
+ 데이터 검증: 시스템이 데이터 품질과 완전성을 검증합니다.
+ 수요 패턴 분석 및 권장 사항: 시스템이 과거 패턴을 분석하고 인사이트를 제공합니다.
+ 예측 생성: 시스템이 예측을 생성합니다.
데이터 검증 오류가 발견되지 않는 이상적인 시나리오에서 시스템은 세 단계를 모두 원활하게 진행하여 수요 패턴 분석 보고서와 예측을 모두 생성합니다. 그러나 데이터 검증 오류가 감지되면 오류가 해결될 때까지 시스템에서 예측 생성 및 수요 패턴 분석을 모두 중지합니다. 데이터 관리자와 협력하여 기본 데이터 문제를 수정하고 **재시도를** 선택하여 예측 생성을 다시 시도합니다.
1. **Demand Planning 구성** 페이지에는 Demand Planning을 구성하는 다섯 단계가 있습니다.
+ **범위** - Demand Planning이 예측을 생성할 차원과 기간을 정의합니다.
+ **데이터 세트 구성** - outbound\$1order\$1line 데이터 세트를 정의합니다. Demand Planning에서 정확한 예측을 생성하려면 이 옵션이 필수입니다. 또한 Demand Planning에서 outbound\$1order\$1line 데이터 세트의 음수 수량 값을 처리하는 방법을 정의합니다. 필수 및 선택적 Demand Planning 필드에 관한 자세한 내용은 [에서 사용되는 데이터 엔터티 및 열 AWS Supply Chain](data-model.md) 단원을 참조하세요.
+ **예측 설정** - 글로벌 파라미터를 설정하여 대체 데이터가 없는 신제품의 예측 기간, 최소 예측 값 및 초기화 값을 결정합니다.
+ **스케줄러** - 예측을 새로 고치고 게시해야 하는 방법과 시기를 정의할 수 있습니다.
+ **조직 설정** - 수요 계획을 게시할 위치를 정의합니다. 또한 이 단계에서는 애플리케이션 내의 다른 구성 옵션도 표시됩니다.
1. **범위**, **계획 기간**에서 다음을 선택합니다.
+ **시간 간격** - 매일, 매주, 매월 또는 매년 옵션 중에서 시간 간격을 선택합니다. 시간 간격은 데이터를 집계하고 분석하는 데 사용됩니다. 비즈니스 특성, 가용성, 기록 데이터 세부 수준에 따라 시간 간격을 선택합니다.
+ **시간 범위** - 시간 범위는 예측이 생성되는 특정 기간입니다. 값은 최소값이 1이고 최대값이 500인 정수여야 합니다. 사용 가능한 기록 데이터의 양에 따라서도 시간 범위가 결정됩니다. outbound\$1order\$1line 데이터 세트의 제품 하나 이상에는 설정된 시간 범위 4배 이상의 판매 기록이 있어야 합니다. 예를 들어 **시간 범위**를 26으로 설정하고 **시간 간격**을 *매주*로 설정한 경우 최소 주문 데이터 요구 사항은 26\$14 = 104주입니다.
**예상 세부 수준**, **필수 계층 구조**에서 파라미터를 선택하여 예측 계층 구조를 정의합니다. 제품 ID 속성은 필수이며 계층 구조의 마지막 레벨로 자동으로 선택됩니다. **레벨 추가**를 선택하여 product\$1group\$1id, product\$1type, brand\$1name, color, display\$1desc, parent\$1product\$1id 사이에 계층 구조 레벨을 추가할 수 있습니다. 필수 계층 구조 속성을 사용하여 수요 계획을 필터링할 수 있으므로 이러한 속성에 제품 데이터 세트의 정보가 있어야 합니다.
**선택적 계층 구조**에서 **레벨 추가**를 선택하여 **사이트**, **채널** 및 **고객**의 속성을 최대 5개까지 추가하면 예측을 더욱 효율적으로 관리할 수 있습니다. *outbound\$1order\$1line* 데이터 세트에서 지원되는 열은 다음과 같습니다.
+ 사이트 계층 구조 = ship\$1from\$1site\$1id, ship\$1to\$1site\$1id, ship\$1to\$1site\$1address\$1city, ship\$1to\$1address\$1state, ship\$1to\$1address\$1country
+ 채널 계층 구조 = channel\$1id
+ 고객 계층 구조 = customer\$1tpartner\$1id
이러한 속성은 수요 계획을 필터링하는 데 사용되므로 필수 계층 속성에 제품 데이터 세트에 정보가 있는지 확인합니다.
1. **계속**을 선택합니다.
1. **데이터세트 구성** 페이지의 **예측 입력 구성**에서 필수 및 권장 데이터세트를 구성해야 합니다.
**참고**
AWS Supply Chain 에서는 정확한 예측을 생성하기 위해 2\$13년의 아웃바운드 주문 라인 기록을 입력으로 업로드할 것을 권장합니다. 이 기간을 통해 예측 모델은 비즈니스 주기를 포착하고 더 강력하고 신뢰할 수 있는 예측을 보장할 수 있습니다. 예측 정확도를 높이려면 *브랜드*, *product\$1group\$1id* 및 *가격*과 같은 제품 속성도 제품 데이터 세트에 포함하는 것이 좋습니다.
+ 필수 데이터 세트 - 예측을 생성하려면 *outbound\$1order\$1line* 및 *제품* 데이터 엔터티가 필요합니다.
+ 권장 데이터 세트 - *product\$1alternate* 및 *supplementary\$1time\$1series* 데이터 개체는 선택 사항입니다. 이러한 데이터 엔터티 없이 예측을 생성할 수 있지만 제공되면 예측 품질이 향상됩니다.
1. **필수 데이터 세트**에서 **과거 수요**를 확장하고 **구성을** 선택하여 누락된 데이터에 대한 음수 값을 설정합니다. *outbound\$1order\$1line* 데이터 세트가 과거 수요의 기본 소스입니다.
+ **무시** - 예측 AWS Supply Chain 을 생성하기 전에 order\$1date가 누락된 제품을 무시할지 선택합니다.
+ **0으로 바꾸**기 - 누락된 order\$1date 필드를 기본적으로 최종 요청 수량으로 0으로 바꾸 AWS Supply Chain 려면 선택합니다.
1. *제품* 데이터 개체에는 추가 구성이 필요하지 않습니다. 제품 속성은 필터, 계층 구조 구성 및 학습 모델 훈련에 사용됩니다.
1. **권장 데이터 세트**에서 *product\$1lineage*에 대한 추가 구성은 필요하지 않습니다. *product\$1alternate* 데이터 엔터티를 사용하여 대체 또는 이전 버전의 제품에 대한 정보를 제공할 수 있습니다. 제품 계보에 대한 자세한 내용은 섹션을 참조하세요[제품 계보](product_lineage.md).
1. 프로모션, 가격 변경 등과 같은 수요 동인 정보가 있는 경우 **Demand Drivers**를 선택합니다. *supplementary\$1time\$1series* 데이터 엔터티를 사용하여 데이터를 수집할 수 있습니다. 최대 13개의 수요 동인을 선택하고 집계 및 누락된 데이터 채우기 전략을 구성할 수 있습니다. 수요 동인에 대한 자세한 내용은 단원을 참조하십시오[수요 기반 예측 동인](demand_drivers.md).
1. **계속**을 선택합니다.
1. **예측 설정** 페이지에서 다음을 구성해야 합니다.
+ 계획의 예측 모델/앙상블러를 선택합니다. AWS Supply Chain 수요 계획에는 수요 계획에 할당된 기본 예측 모델이 있습니다. 고객은 원하는 경우 기본값을 변경할 수 있습니다.
**참고**
사용자가 선택을 변경하지 않으면 AWS Supply Chain 할당된 기본 모델이 사용됩니다.
+ **예측 시작일**에 계획 주기를 시작할 예측 시작일을 입력합니다.
+ 최대 기록 날짜 - 마지막으로 완료된 기록 데이터 포인트 이후 다음 기간부터 예측을 시작하려면이 옵션을 선택합니다.
+ 계획 실행 날짜 - Demand Planning은 예측이 계획 주기의 시작으로 트리거되는이 날짜를 사용합니다.
+ 사용자 지정 날짜 - 선택한 예측 시작 날짜가 outbound\$1order\$1line 데이터 세트 종료 날짜보다 늦으면 기본 계획 주기 시작 날짜가 고려됩니다. 선택한 예측 시작 날짜가 outbound\$1order\$1line 시작 날짜보다 이전이거나 수요 기록의 길이가 충분하지 않은 경우 예측이 실패하고 오류가 표시됩니다. 자세한 내용은 [데이터 세트를 업로드하기 전의 필수 조건](data_quality.md) 단원을 참조하십시오. 월별 간격의 경우 월초를 선택하고 주별 간격의 경우 월요일을 선택하는 것이 좋습니다. 다른 날짜를 선택하면 Demand Planning이 가장 가까운 기본 날짜로 자동 조정됩니다. 예를 들어 수요일을 예측 시작일로 선택한 경우 수요 계획은 다음 월요일을 주간 간격의 예측 시작일로 선택합니다. 마찬가지로 2024년 5월 10일을 선택하면 2024년 6월 1일이 월별 간격의 계획 주기 시작일이 됩니다.
+ **부분 기록 처리 및 채우기 전략**에서 다음 중 하나를 선택합니다.
+ 부분 기록 잘라내기 - 부분 기록을 잘라내려면이 옵션을 선택합니다. 예를 들어 아래 그림은 다음 설정에서 부분 기록 트리밍이 작동하는 방식을 설명합니다.
+ 주간 세분화 시작 기간 - 월요일(기본 Demand Planning 설정)
+ 월별 세부 수준 시작 기간 - 그레고리 역월의 1일(기본 Demand Planning 설정)
+ 수요 계획 세분화 - 매주
+ 예측 시작 날짜 - 계획 실행 날짜
+ 부분 기록 잘라내기 - *예로* 설정
+ 계획 실행 날짜 - *월요일*로 설정
+ 예측 기간 - 4주
![\[부분 기록 잘라내기 예제\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/Trim_history.png)
+ 부분 기록 포함 - 부분 기록을 포함하고 채우기 전략을 사용하여 격차를 채우려면이 옵션을 선택합니다.
예를 들어 월별 수준에서 예측하고 기록의 마지막 달에 10일 분량의 데이터만 있는 경우 10일 분량의 데이터를 잘라내거나 제외하도록 선택할 수 있습니다. 10일 데이터를 잘라내거나 제외하지 않기로 선택한 경우 채우기 전략을 선택하여 해당 월의 나머지 기간에 대한 데이터를 채울 수 있습니다.
+ 0 - 특정 기간 동안 판매 활동이 예상되지 않는 경우이 채우기 방법을 사용합니다. 영향: 예상 수요가 0인 계절 데이터에 가장 적합한 낮은 예측으로 이어질 수 있음
+ NaN - 데이터 누락을 표시할 때이 채우기 방법을 사용합니다.
+ 평균 - 변동을 완화할 때이 채우기 방법을 사용합니다.
+ 중앙값 - 이상치 또는 데이터 왜곡의 영향을 최소화할 때이 채우기 방법을 사용합니다.
+ 최소 - 보수적 예측을 위해 가능한 최저 값을 나타낼 때이 채우기 방법을 사용합니다.
+ 최대 - 낙관적 예측 영향에 대해 가능한 가장 높은 값을 가정할 때이 채우기 방법을 사용합니다.
+ **에서 예측 기간 구성...**에서 신제품 소개(NPI) 및 수명 종료 EOL) 제품의 시작일과 End-of-life 선택합니다. 자세한 내용은 [제품 수명 주기](product_lifecycle.md) 단원을 참조하십시오.
+ **신규 제품 초기 예측**에서 수요 기록 또는 제품 계보가 없는 제품의 초기 예측 값을 입력하여 수요 계획 웹 애플리케이션에서 제품을 검색하고 예측을 생성합니다. 적용할 값과 기간을 지정합니다.
**참고**
표시되는 기간은 **계획 기간** 페이지의 **시간 간격**에서 선택한 기간에 따라 달라집니다. 예를 들어 **시간 간격**에서 *매월*을 선택한 경우 수요 내역이 없는 제품에 대해 예측을 시작하고 중지하기 전후의 개월 수를 지정할 수 있습니다.
+ 계획 주기 시작 날짜는 아웃바운드 주문 라인 데이터 세트의 마지막 주문 날짜를 기반으로 합니다. 시간 간격 구성이 다음과 같은 경우:
+ **매일** - 계획 주기 시작 날짜는 마지막 주문 날짜 다음 날이 됩니다. 예를 들어 마지막 주문 날짜가 2023년 10월 30일인 경우 계획 주기 시작 날짜는 2023년 10월 31일이 됩니다.
+ **매주 또는 매월** - 마지막 주문 날짜가 시간 경계와 동일한 경우 계획 주기 시작 날짜는 일주일 후 또는 한 달 후가 됩니다. 예를 들어 마지막 주문 날짜가 2023년 10월 29일(일요일 및 Demand Planning의 주 시간 경계)인 경우 계획 주기 시작 날짜는 2023년 10월 30일입니다.
마지막 주문 날짜가 시간 경계 내에 속하면 Demand Planning은 마지막 기간의 주문 기록을 트리밍하고 새 기간에서 예측을 생성합니다. 예를 들어 마지막 주문 날짜가 2023년 11월 1일(수요일이며 Demand Planning의 주 시간 경계에 포함되지 않음)인 경우 계획 주기 시작 날짜는 2023년 10월 30일입니다. Demand Planning은 2023년 10월 30일부터 2023년 11월 1일까지의 주문 내역을 무시합니다.
+ **정확도 지표 기본 설정**에서 조직에 대해 세 가지 지연을 설정합니다.
1. **계속**을 선택합니다.
1. **수요 계획 게시 스케줄러** 페이지의 **진행 중인 예측 새로 고침 및 수요 계획 릴리스를 어떻게 관리하시겠습니까?**에서 **자동**을 선택하여 수요 계획 페이지에 게시된 다음 예측 계획을 봅니다.
**최종 수요 계획의 릴리스 빈도 설정**에서 수요 계획을 다운스트림 프로세스에 게시할 빈도를 선택하고 계획 주기를 닫습니다.
(선택 사항) **주기 내 예측 새로 고침 빈도 설정**에서 다운스트림 프로세스에 대한 중간 업데이트를 릴리스하거나 계획 주기를 닫지 않고 동일한 계획 주기 내에서 예측 업데이트 빈도를 선택합니다. **없음을** 선택하여 주기 내 예측 새로 고침 빈도를 옵트아웃할 수도 있습니다.
1. **계속**을 선택합니다.
1. **조직 설정**에서 수요 계획이 게시되는 Amazon Simple Storage Service(Amazon S3) 경로를 기록해 둡니다.
**참고**
**설정** 페이지에서도 게시된 수요 계획의 Amazon S3 경로를 찾을 수 있습니다. 자세한 내용은 [Demand Plan 설정 관리](settings.md) 단원을 참조하십시오.
예측은 데이터를 수집할 때만 생성됩니다 AWS Supply Chain. 선택한 모든 필수 및 선택적 속성의 정보가 데이터 세트에 있는지 확인하세요.
# 데이터 검증 및 수요 패턴 분석
데이터 검증 및 수요 패턴 분석 도구를 사용하면 데이터의 품질을 평가하고 수요 예측에 영향을 미치는 주요 패턴을 식별할 수 있습니다. 이러한 인사이트는 수요에 영향을 미칠 수 있는 패턴을 이해하는 데 도움이 됩니다.
**Topics**
+ [데이터 유효성 검사](data-validation.md)
+ [수요 패턴 및 권장 사항](demand-patterns.md)
# 데이터 유효성 검사
데이터 검증은 예측 생성 프로세스 초기에 입력 데이터가 예측에 필요한 품질 표준을 충족하도록 하는 중요한 단계입니다. 이 기능은 데이터에 대한 일련의 검사를 실행하여 예측 생성을 진행하기 전에 수정해야 하는 데이터 오류를 표시하므로 프로세스 초기에 문제를 식별하고 해결하는 데 도움이 됩니다.
데이터 검증 단계 앞에는 다음을 포함하는 계획 설정 또는 정의를 기반으로 데이터를 준비하기 위한 일련의 사전 처리 활동이 있습니다.
+ *예측 세부 수준에 맞게 집계합니다.* 예제:
+ 예측 세부 수준을 매주로 설정하면 일별 수요 기록 데이터가 주별 합계로 집계됩니다.
+ 수요 기록에 제품, 사이트, 고객 및 채널 차원이 포함되어 있지만 예측 세부 수준이 제품 사이트 수준으로 설정된 경우 시스템은 각 제품 사이트 조합에 대해 모든 고객과 채널의 매출을 집계합니다.
+ *Demand Plan 설정에서 데이터 변환.* 이러한 변환은 Demand Planning 구성 설정을 기반으로 합니다. 예를 들어 음수 값을 무시하도록 시스템을 구성한 경우 이에 따라 처리됩니다.
+ *제품 계보 고려 사항*. 시스템은 구성에 정의된 대로 이전 후속 페어 또는 제품 대안과 같은 제품 관계를 고려합니다.
+ *추가 시계열 변환*. 시스템은 보조 시계열 데이터를 예측 생성에 영향을 미칠 수 있는 수요 동인으로 변환합니다. 이러한 변환된 수요 동인은 위의 항목에 대한 추가 컨텍스트를 제공합니다.
**Topics**
+ [데이터 검증 프로세스](data-validation-process.md)
+ [데이터 검증 보고서 액세스](data-validation-report-access.md)
+ [데이터 검증 오류 내보내기](data-validation-error-export.md)
+ [데이터 검증 규칙](data-validation-rules.md)
# 데이터 검증 프로세스
위에서 설명한 사전 처리 프로세스가 완료되면 데이터 검증 프로세스가 시작됩니다. 데이터 검증은 세 단계로 구성됩니다.
1. 데이터 구조 검증[Demand Planning](required_entities.md) -이 단계에는 변환이 시작되기 전에 필요한 모든 테이블과 열이 존재하고 데이터가 있는지 확인하는 검사가 포함됩니다. 이 단계에서는 데이터 테이블이 올바르게 설정되었는지 확인합니다.
1. 데이터 품질 검증 -이 단계는 데이터 콘텐츠가 완전하고 오류가 없도록 합니다. 다음을 확인합니다.
+ 필수 필드의 누락된 값
+ 데이터 형식 및 날짜의 유효성 확인
+ 예측 입력을 구축하는 데 필요한 데이터 완전성
이렇게 하면 변환을 진행하기 전에 필요한 모든 데이터가 존재하고 유효합니다.
1. 예측 자격 검증:이 단계는 다음을 포함하여 예측을 생성하기에 충분한 데이터가 제공되도록 합니다.
+ 최소 기록 데이터 요구 사항
+ 시계열 길이 제한
+ 기타 알고리즘별 제약 조건
이 단계는 데이터가 예측을 생성하는 데 적합한지 확인합니다.
한 번의 검증 실패로도 예측 생성 프로세스가 중지됩니다. 데이터 관리자와 협력하여 기본 데이터 문제를 해결한 다음 **재시도를** 선택하여 예측 생성을 다시 시도해야 합니다.
# 데이터 검증 보고서 액세스
예측을 처음 생성할 때의 **Demand Planning** 모듈**로 이동하여 계획 생성을** AWS Supply Chain 선택합니다. 시스템은 데이터 수집, 계획 구성, 마지막으로 예측 생성의 세 단계를 안내합니다. 데이터 수집 및 계획 구성을 완료한 후 **예측 생성을** 선택하여 데이터 검증을 시작합니다. 각 새 예측 생성은 데이터의 현재 상태를 기반으로 새 검증 보고서를 생성합니다.
데이터 구조 검증 실패(예: 누락된 테이블 또는 열)는 화면 상단에 배너 메시지로 표시됩니다. 이러한 기본 문제는 진행하기 전에 해결해야 합니다. 데이터 구조 검증이 통과되면 시스템은 데이터 품질 및 예측 자격 검증을 진행합니다. 이러한 단계의 모든 실패는 데이터 검증을 선택하여 **액세스할 수 있는 검증 보고서에 자세히 설명되어 있습니다**.
## 후속 예측 생성
후속 예측의 경우 **예측 생성을** 선택합니다. 첫 번째 단계로 데이터 검증과 함께 세 단계를 표시하는 배너가 표시됩니다. 동일한 검증 동작이 적용됩니다. 구조 문제는 배너로 표시되는 반면, 다른 검증 실패는 세부 보고서에서 확인할 수 있습니다.
## 보고서 콘텐츠
데이터 검증 문제 보고서는 해결해야 하는 데이터 품질 및 예측 자격 검증 실패에 대한 포괄적인 보기를 제공합니다. 보고서에는 다음이 표시됩니다.
+ 데이터 세트: 문제가 발생하는 특정 데이터 세트를 식별합니다.
+ 규칙: 실패한 검증 유형을 설명합니다.
+ 오류 날짜/시간: 오류가 감지된 시간을 표시합니다.
+ 상태 메시지: 영향을 받는 레코드 및 권장 작업에 대한 자세한 정보를 제공합니다.
이러한 문제를 탐색하고 해결하는 데 도움이 되도록 다음을 수행할 수 있습니다.
+ 검색 상자를 사용하여 특정 유형의 오류를 찾습니다.
+ 드롭다운 메뉴를 사용하여 데이터 세트를 기준으로 필터링
+ 모든 검증 실패가 포함된 세부 보고서 다운로드
+ 문제의 범위를 이해하기 위해 각 검증에 영향을 **받는 레코드** 보기
# 데이터 검증 오류 내보내기
검증이 실패한 개별 **데이터 포인트를 확인하는 경우 데이터 검증** 보고서 페이지에서 **다운로드**를 선택하여 오류 레코드를 내보낼 수 있습니다.
**참고**
검증에서 구조, 시스템 또는 집계 수준 요구 사항을 확인하는 경우 내보내기 옵션을 사용할 수 없습니다.
내보내기는 다음에 사용할 수 있습니다.
+ 기존 데이터의 콘텐츠 또는 품질에 대한 검증 검사
+ 기존 필드에서 누락되거나 유효하지 않은 값을 확인하는 것과 관련된 검증
+ 데이터 품질 검증(예: null 검사 및 날짜 범위 검증)
**참고**
시스템은 오류 레코드 다운로드를 최대 10,000개의 행으로 제한합니다. 총 오류 수가이 제한을 초과하면 화면에 알림이 표시됩니다. 데이터 관리자와 협력하여 소스 테이블의 모든 오류를 검토하고 해결합니다.
다음에 대해서는 내보내기를 사용할 수 없습니다.
+ 구조 요소에 대한 검증 검사(예: 테이블 존재 또는 열 존재)
+ 시스템 수준 제약 조건(예: 크기 제한, 수 및 임계값)과 관련된 검증
+ 예측 자격 검사(예: 시계열 제한 또는 활성 제품 수)
# 데이터 검증 규칙
예측 생성 전에 수행된 검증은 다음과 같습니다. 자세한 내용은 [Demand Planning](required_entities.md) 단원을 참조하십시오.
****
| 규칙 유형 | 규칙 | 데이터세트 | 설명 | 오류 레코드를 내보내시겠습니까? |
| --- | --- | --- | --- | --- |
| 데이터 구조 검증 | 필수 열 존재 검증 | 제품, 아웃바운드 주문 라인, 보조 시계열 | 필요한 데이터 세트의 데이터 세트에 중요한 열이 있는지 확인합니다. 아웃바운드 주문 라인: product\$1id, order\$1date, final\$1quantity\$1requested 제품: id, 설명 다음과 같이 제공된 경우 권장 데이터 세트에 중요한 열이 있는지 확인합니다. 보조 시계열: id, order\$1date, time\$1series\$1name, time\$1series\$1value | 아니요 |
| 데이터 구조 검증 | 세분화된 열 존재 검증 | 제품, 아웃바운드 주문 라인 | 수요 계획 설정에 설정된 경우 예측 세부 수준으로 설정된 열이 있는지 확인합니다. 아웃바운드 주문 라인: product\$1id, ship\$1from\$1site\$1id, ship\$1to\$1site\$1id, ship\$1to\$1site\$1address\$1city, ship\$1to\$1address\$1state, ship\$1to\$1address\$1country, channel\$1id, customer\$1tpartner\$1id 제품: id, product\$1group\$1id, product\$1type, brand\$1name, color, display\$1desc, parent\$1product\$1id | 아니요 |
| 데이터 구조 검증 | 활성 제품의 기록 검증 | 제품, 아웃바운드 주문 라인, 제품 대체 | 자체적으로 또는 제품 계보를 통해 이력이 있는 활성 제품이 하나 이상 있는지 확인합니다. | 아니요 |
| 데이터 품질 검증 | 필수 열 검증에서 누락된 값 | 제품, 아웃바운드 주문 라인, 보조 시계열 | 필수 열 존재 확인에 지정된 필수 열에서 null/비어 있는 값을 확인합니다. | 예 |
| 데이터 품질 검증 | 세부 수준 열 검증의 누락된 값 | 제품, 아웃바운드 주문 라인 | 세분화된 열 존재 확인에 지정된 필수 열에서 null/비어 있는 값을 확인합니다. | 예 |
| 데이터 품질 검증 | 날짜 범위 검증 | OutboundOrderLine, SupplementaryTimeSeries | 데이터 세트의 order\$1date 열에는 00:00:00부터 01/01/1900 00:00:12/31/205000까지의 sane 시간 범위의 날짜가 포함되어야 합니다. | 예 |
| 예측 자격 검증 | 예측기 검증당 시계열 | OutboundOrderLine | 예측기당 시간은 5,000,000을 초과해서는 안 됩니다. “예측기당 시간”은 product\$1id 열과 각 예측 세부 수준 열의 고유 값 수를 구한 다음 모든 수의 곱을 구하여 계산됩니다. | 아니요 |
| 예측 자격 검증 | 활성 제품 검증 수 | 제품 | OOL 데이터 세트에 레코드가 있는 활성 제품의 수는 800,000을 초과해서는 안 됩니다. | 아니요 |
| 예측 자격 검증 | 과거 데이터 충분성 검증 | 아웃바운드 주문 라인 | 데이터 세트의 하나 이상의 제품에 신뢰할 수 있는 예측을 생성하기에 충분한 과거 수요 데이터가 있는지 확인합니다. 예측 기간은 데이터 세트의 시간 범위(새 자동 예측기를 훈련하는 경우)의 1/3 또는 데이터 세트의 시간 범위(기존 자동 예측기를 훈련하는 경우)의 1/4 이하여야 합니다. 글로벌 최대 예측 기간인 500도 있습니다. | 아니요 |
| 예측 자격 검증 | 행 수 검증 | 분할된 OutboundOrderLine | 분할된 OOL 데이터 세트의 레코드 수는 3,000,000,000개를 초과할 수 없습니다. 이러한 모델이 사용되는 경우 여기에도 더 작은 제한이 있는 특정 예측 모델이 있습니다. | 아니요 |
| 예측 자격 검증 | 최대 시계열 검증 | 분할된 OutboundOrderLine | 별개의 시간 수가 있는 경우 모델의 제한을 초과해서는 안 됩니다. “별도 시간”은 product\$1id \$1 모든 예측 세부 수준 열을 고려할 때 데이터 세트의 개별 행 수로 정의됩니다. | 아니요 |
| 예측 자격 검증 | 데이터 밀도 검증 | 분할된 OutboundOrderLine | 데이터 세트의 데이터 밀도는 5 이상이어야 합니다. 데이터 밀도는 (데이터 세트의 개별 제품 수) / (데이터 세트의 총 행 수)로 정의됩니다. 즉, "제품당 평균 행"입니다. 이 규칙은 예측 알고리즘으로 Prophet을 선택한 경우에만 적용됩니다. | 아니요 |
# 수요 패턴 및 권장 사항
Demand Pattern and Recommendation은 구성된 각 예측 세부 수준(예: 제품, 위치 또는 채널)에서 변환된 과거 수요 입력을 검사하여 수요 데이터의 기본 패턴과 특성을 파악합니다. 주요 목적은 매끄럽고 간헐적이며 불규칙하고 일괄적인 것과 같은 주요 수요 패턴 분포를 식별하는 것입니다. 또한 기록 기간 및 12개월 후행 수요에 대한 통계 인사이트를 제공합니다.
예측 생성 프로세스 중에 데이터 검증이 성공하면 분석이 자동으로 트리거되고 예측 생성과 동시에 실행됩니다. 그러나 예측 프로세스를 차단하거나 지연시키지는 않습니다. 수요 패턴 분석은 예측 생성을 시작할 때 데이터 검증과 동일한 워크플로의 일부로 트리거됩니다. 그러나 데이터 검증 실패로 인해 분석이 생성되지 않고 예측이 생성되지 않습니다.
이 분석 개요를 제공하면 사용자가 데이터 세트의 패턴을 이해하여 예측 정확도를 개선할 수 있습니다.
# 수요 패턴 구성 요소
수요 패턴 분석은 세 가지 차원에서 이루어집니다.
+ 수요 패턴(시간 경과에 따른 수요 변화 방식 및 수량 기준)
+ 연간 수요(12개월 동안 필요한 총 수량)
+ 기록 길이(기록 수요 데이터를 사용할 수 있는 기간)
이 분석은 수요 패턴을 매끄러움, 간헐적, 불규칙함, 덩이라는 네 가지 유형으로 분류합니다. 각 항목은 수요의 빈도와 변동성을 분석하여 결정됩니다. 기록 데이터가 없는 적격 범위 내 제품이 있는 경우 **제로 예측 수요** 섹션 아래에 그룹화됩니다. 자세한 내용은 [수요 패턴을 참조하세요](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/overview_dp.html#demand-pattern).
제품 간에 수요 패턴을 배포하면 예상 예측 신뢰성에 대한 중요한 인사이트를 얻을 수 있습니다. 원활한 수요 패턴(일관된 주문량 및 빈도 표시)이 있는 제품은 동작이 더 예측 가능하기 때문에 일반적으로 가장 신뢰할 수 있는 예측을 산출합니다. 반면 불규칙한 스파이크와 다양한 순서 빈도를 특징으로 하는 불규칙하거나 오돌토돌한 패턴은 일반적으로 예측할 수 없는 특성으로 인해 예측 신뢰성이 낮아집니다. 이러한 배포를 이해함으로써 수요 플래너는 적절한 기대치를 설정하고 사전 조치를 취할 수 있습니다.
또한 시스템은 연간 수요라고도 하는 후속 12개월 수요(트리밍 구성에 따라 다름)를 예측 시작일 직전에 분석합니다. 예를 들어 예측 시작 날짜가 2024년 1월 15일(월요일)이고 계획 버킷이 매주라고 가정합니다. 시스템은 후행 12개월 분석 기간을 2023년 1월 16일부터 2024년 1월 14일까지로 간주합니다. 후행 12개월 수요 분석은 수요 플래너가 활성 제품과 비활성 제품을 구분하는 데 도움이 되며, 예측 신뢰성에 직접적인 영향을 미치는 패턴인 이러한 상태 간 제품 전환을 식별합니다. 이전 데이터 패턴이 아닌 최근 기록에 집중하면 특히 계절성 품목, 단종된 제품 또는 단계적 출시 품목과 같은 경우 특별한 주의가 필요한 제품 또는 대체 예측 접근 방식에 대해 정보에 입각한 결정을 내릴 수 있습니다. 자세한 내용은 [예측 알고리즘을 참조하세요](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/forecast-algorithims.html).
연 단위의 기록 길이는 날짜를 기간의 기본 시작으로 조정한 후 사전 처리된 과거 수요 데이터에서 사용할 수 있는 가장 빠른 날짜와 가장 늦은 날짜를 기준으로 각 예측 세부 수준(예: 제품 위치 조합)에 대해 계산됩니다. 이 분석은 제품이 신뢰할 수 있는 예측을 생성하기에 충분한 과거 데이터를 축적했는지 확인하는 데 도움이 되며, 계절적 패턴과 장기 추세를 파악하는 데 일반적으로 최소 2년이 필요합니다.
![\[원시 수요 기록\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/raw-demand-history.png)
# 수요 패턴 권장 사항
시스템은 예측 정확도를 개선하는 데 도움이 되도록 식별된 수요 패턴을 기반으로 목표 권장 사항을 제공합니다. 주문량의 불규칙한 급증을 특징으로 하는 불규칙한 수요를 표시하는 제품의 경우 시스템은 프로모션 또는 가격 변경과 같은 잠재적 외부 영향을 통합할 것을 제안합니다. 이러한 경우 데이터 관리자와 협력하여 관련 수요 드라이버 데이터를 데이터 레이크의 [https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/demand_drivers.html](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/demand_drivers.html) 테이블에 업로드하여 예측 정확도를 크게 개선할 수 있습니다. 이 추가 컨텍스트는 예측 모델이 수요 변동을 더 잘 이해하고 예측하는 데 도움이 됩니다.
기록이 충분하지 않거나(2년 미만) 기록이 전혀 없는 제품의 경우 시스템에서 대체 제품 매핑을 활용하는 것이 좋습니다. 이 접근 방식을 사용하면 유사하고 확립된 제품의 수요 패턴을 활용하여 예측 신뢰성을 개선할 수 있습니다. 데이터 관리자와 협력하여 이러한 제품 관계를 데이터 레이크의 [https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/product_lineage.html](https://docs.aws.amazon.com/aws-supply-chain/latest/userguide/product_lineage.html) 테이블에 업로드합니다. 정확한 계절성 및 장기 추세 감지에는 2년 이상의 과거 데이터가 필요하기 때문에 이는 특히 중요합니다. 이력이 충분한 대체 제품에 매핑하면 최신 또는 제한된 이력의 제품에 대해 보다 신뢰할 수 있는 예측 기준을 설정할 수 있습니다.
# 수요 패턴 및 권장 사항 보고서 액세스
## 최초 예측 생성
처음으로 예측을 생성할 때의 **수요 계획** 모듈에서 **계획 생성을** AWS Supply Chain선택합니다. 시스템은 데이터 수집, 계획 구성, 마지막으로 예측 생성의 세 단계를 안내합니다. 데이터 수집 및 계획 구성을 완료한 후 **예측 생성을** 선택하여 데이터 검증을 시작합니다. 검증에 성공하면 시스템에서 수요 패턴 분석을 수행하며 예측이 생성되는 동안이 분석에 액세스할 수 있는 하이퍼링크가 표시됩니다.
## 후속 예측 생성
후속 예측의 경우 **예측 생성을** 선택합니다. 데이터 검증, 수요 패턴 분석 및 권장 사항, 예측 생성의 세 단계를 보여주는 배너가 표시됩니다. 데이터 검증에 성공하고 수요 패턴 분석이 완료되면 배너에서 하이퍼링크를 선택하여 보고서에 액세스합니다.
## 보고서 콘텐츠
수요 패턴 및 권장 사항 보고서는 지정된 계획에 대해 구성된 예측 수준에서 탐색 데이터 분석에 대한 요약 보기를 제공합니다. 화면 상단에는 제품이 배포되는 방식을 보여주는 다섯 가지 주요 패턴 카드, 즉 Smooth 패턴, Intermittent 패턴, Erratic 패턴, Lumpy 패턴, 제로 기록 수요가 있는 제품이 표시됩니다.
이 요약 아래에는 Demand Plan Settings의 제품 계층 구조에서 구성된 가장 높은 수준별로 패턴을 분류하는 자세한 테이블이 있습니다. 예를 들어 제품 계층 구조 구성이 패턴 제품 ID, 제품 그룹 ID를 따르는 경우 제품 그룹 ID에 요약이 표시됩니다. 각 범주에 대해 다음을 볼 수 있습니다.
+ 고유한 시계열이 예측에 적합하고 합계의 백분율을 나타내는 예측 수
+ 연간 수요량 및 합계의 비율
+ 해당 범주 내 수요 패턴의 시각적 분석
+ 해당 범주 내에서 사용 가능한 기록 길이의 시각적 분석
이 정보를 탐색하는 데 도움이 되도록 다음을 수행할 수 있습니다.
+ 검색 상자를 사용하여 특정 제품 범주를 찾습니다.
+ 세부 보고서를 다운로드합니다. 보고서에는 구성된 세분화 수준에서 각 개별 예측에 대한 자세한 분석이 포함되어 있습니다.
+ 특정 지표에 초점을 맞추기 위해 제품 범주, \$1 예측 및 연간 수요를 정렬합니다. 영숫자 형식 또는 빈 값이 포함된 제품 범주의 경우 검색 함수를 사용하는 것이 더 효과적일 수 있습니다.
## 지속적 액세스
예측이 성공적으로 생성되면 예측 검토 페이지의 **수요 패턴** 탭에서이 분석을 다시 검토할 수 있습니다. 이 보기에서 분석은 예측 검토에 적용하는 모든 필터에 응답합니다. 다운로드한 보고서에는 필터링된 선택 항목과 관련된 분석이 포함되어 있습니다.
# Forecast 알고리즘
AWS Supply Chain Demand Planning은 25개의 기본 제공 예측 모델을 조합하여 고객의 데이터 세트에서 다양한 수요 패턴을 가진 제품에 대한 기준 수요 예측을 생성합니다. 25개의 예측 모델 목록에는 11개의 예측 앙상블러(각 앙상블러는 앙상블러 및/또는 앙상블러가 최적화하는 지표를 구성하는 모델 세트를 기반으로 고유함)와 CNN-QR, Temporal Fusion Transformer, DeepAR\$1와 같은 복잡한 신경망 알고리즘에 대한 ARIMA(Autoregressive Integrated and Moving Average)와 같은 통계 알고리즘을 포함한 14개의 개별 예측 알고리즘이 포함됩니다. 고객은 사용 사례와 고유한 요구 사항에 따라 예측 앙상블러 또는 개별 예측 알고리즘을 사용할 수 있습니다. 예측 앙상블러는 모델 선택, 하이퍼파라미터 튜닝 및 앙상블이 최적화할 고객 사용 사례에 가장 적합한 예측 오류 지표를 선택하기만 하면 되는 등 번거로운 작업을 수동으로 처리할 필요가 없는 고객에게 이점을 제공하지만, 개별 예측 알고리즘은 앙상블 대신 단일 모델로 예측하는 고객 사용 사례에 유연성을 제공합니다.
다음 표에는 AWS Supply Chain Demand Planning에서 제공하는 25개의 기본 제공 예측 모델과 가장 적합한 모델이 나열되어 있습니다.
| Type | 예측 앙상블러/알고리즘 | 수요 기록 요구 사항 | 앙상블의 모델(들) | 자동 하이퍼 파라미터 튜닝(예/아니요) | 기본 파라미터 | 지표 최적화 | 모델이 가장 적합한 시나리오(들) | 예측 입력으로 관련 시간 지원 - 예/아니요? |
| --- | --- | --- | --- | --- | --- | --- | --- | --- |
| Forecast Model(s) 앙상블러 | AutoGluon Best Quality(MAPE) | 예측 기간의 최소 2배 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 모델 라이브러리에서 기준, 통계, ML/Deep Learning 모델을 앙상블합니다. | 예 | AutoGluon best\$1quality 프리셋 | MAPE(평균 절대 백분율 오류) | 수동 모델 할당/선택 없이 자동 앙상블을 사용할 수 있습니다. | 예, 과거 및 미래 관련 시계열 |
| Forecast Model(s) 앙상블러 | AutoGluon Best Quality(WAPE) | 예측 기간의 최소 2배 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 모델 라이브러리에서 기준, 통계, ML/Deep Learning 모델을 앙상블합니다. | 예 | AutoGluon best\$1quality 프리셋 | WAPE(가중 절대 백분율 오류) | 수동 모델 할당/선택 없이 자동 앙상블을 사용할 수 있습니다. | 예, 과거 및 미래 관련 시계열 |
| Forecast Model(s) 앙상블러 | AutoGluon Best Quality(MASE) | 예측 기간의 최소 2배 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 모델 라이브러리에서 기준, 통계, ML/Deep Learning 모델을 앙상블합니다. | 예 | AutoGluon best\$1quality 프리셋 | MASE(평균 절대 조정 오류) | 수동 모델 할당/선택 없이 자동 앙상블을 사용할 수 있습니다. | 예, 과거 및 미래 관련 시계열 |
| Forecast Model(s) 앙상블러 | AutoGluon Best Quality(RMSE) | 예측 기간의 최소 2배 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 모델 라이브러리에서 기준, 통계, ML/Deep Learning 모델을 앙상블합니다. | 예 | AutoGluon best\$1quality 프리셋 | RMSE(루트 평균 제곱 오차) | 수동 모델 할당/선택 없이 자동 앙상블을 사용할 수 있습니다. | 예, 과거 및 미래 관련 시계열 |
| Forecast Model(s) 앙상블러 | AutoGluon 최고 품질(WCD) | 예측 기간의 최소 2배 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 모델 라이브러리에서 기준, 통계, ML/Deep Learning 모델을 앙상블합니다. | 예 | AutoGluon best\$1quality 프리셋 | WCD(가중 누적 편차) | 수동 모델 할당/선택 없이 자동 앙상블을 사용할 수 있습니다. | 예, 과거 및 미래 관련 시계열 |
| Forecast Model(s) 앙상블러 | AutoGluon StatEnsemble(MAPE) | 예측 기간의 최소 2배 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 모델 라이브러리의 모든 통계 모델(만 해당)을 앙상블하여 예측을 생성합니다. | 예 | AutoGluon 지원되는 모든 통계 모델 | MAPE(평균 절대 백분율 오류) | 수동 모델 할당/선택 없이 자동 앙상블을 사용할 수 있습니다. | 아니요 |
| Forecast Model(s) 앙상블러 | AutoGluon StatEnsemble(WAPE) | 예측 기간의 최소 2배 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 모델 라이브러리의 모든 통계 모델(만 해당)을 앙상블하여 예측을 생성합니다. | 예 | AutoGluon 지원되는 모든 통계 모델 | WAPE(가중 절대 백분율 오류) | 수동 모델 할당/선택 없이 자동 앙상블을 사용할 수 있습니다. | 아니요 |
| Forecast Model(s) 앙상블러 | AutoGluon StatEnsemble(MASE) | 예측 기간의 최소 2배 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 모델 라이브러리의 모든 통계 모델(만 해당)을 앙상블하여 예측을 생성합니다. | 예 | AutoGluon 지원되는 모든 통계 모델 | MASE(평균 절대 조정 오류) | 수동 모델 할당/선택 없이 자동 앙상블을 사용할 수 있습니다. | 아니요 |
| Forecast Model(s) 앙상블러 | AutoGluon StatEnsemble(RMSE) | 예측 기간의 최소 2배 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 모델 라이브러리의 모든 통계 모델(만 해당)을 앙상블하여 예측을 생성합니다. | 예 | AutoGluon 지원되는 모든 통계 모델 | RMSE(루트 평균 제곱 오차) | 수동 모델 할당/선택 없이 자동 앙상블을 사용할 수 있습니다. | 아니요 |
| Forecast Model(s) 앙상블러 | AutoGluon StatEnsemble(WCD) | 예측 기간의 최소 2배 | [AutoGluon](https://auto.gluon.ai/stable/index.html) 모델 라이브러리의 모든 통계 모델(만 해당)을 앙상블하여 예측을 생성합니다. | 예 | AutoGluon 지원되는 모든 통계 모델 | WCD(가중 누적 편차 | 수동 모델 할당/선택 없이 자동 앙상블을 사용할 수 있습니다. | 아니요 |
| Forecast Model(s) 앙상블러 | AWS Supply Chain AutoML | 예측 기간의 최소 2배 | [Amazon Forecast AutoML](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-choosing-recipes.html)에서 모든를 앙상블합니다. | 해당 사항 없음 | AutoML 기본 설정 | P10, P50, P90용 WQL(가중 분위수 손실) | 수동 모델 할당/선택 없이 자동 앙상블을 사용할 수 있습니다. | 앙상블러가 선택한 모델에 따라 다릅니다. |
| 예측 알고리즘 | CNN-QR | 예측 기간의 최소 4배 | CNN-QR(Convolutional Neural Network - Quantile Regression)은 인과 컨볼루션 신경망(CNNs. | 해당 사항 없음 | [CNN 기반 파라미터](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-algo-cnnqr.html) | P10, P50, P90용 WQL(가중 분위수 손실) | 수백 개의 시계열이 포함된 대규모 데이터 세트에 가장 적합합니다. | 예, 과거 및 미래 관련 시계열 |
| 예측 알고리즘 | DeepAR\$1 | 예측 기간의 최소 4배 | DeepAR\$1는 반복 신경망(RNNs. | 해당 사항 없음 | [DeepAR 기본 설정](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-deeparplus.html) | P10, P50, P90용 WQL(가중 분위수 손실) | 수백 개의 시계열이 포함된 대규모 데이터 세트에 가장 적합합니다. | 예, 과거 및 미래 관련 시계열 |
| 예측 알고리즘 | LightGBM | 예측 기간의 최소 2배 | Light Gradient-Boosting Machine(LGBM)은 지난 시즌의 과거 수요 데이터를 사용하는 테이블 형식 기계 학습 모델입니다. | 해당 사항 없음 | LightGBM 기본 파라미터 | P10, P50, P90용 WQL(가중 분위수 손실) | 서로 다른 항목이 유사한 수요 추세를 공유하는 데이터 세트에 가장 적합합니다. 다양한 항목 특성 및 수요 패턴을 가진 데이터 세트에는 덜 효과적입니다. | 아니요 |
| 예측 알고리즘 | Prophet | 예측 기간의 최소 4배 | Prophet은 비선형 추세가 연도별, 주별, 일별 계절성에 맞는 가법 모델을 기반으로 하는 시계열 예측 알고리즘입니다. | 해당 사항 없음 | [기본 Prophet 설정](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-prophet.html) | P10, P50, P90용 WQL(가중 분위수 손실) | 강력한 계절적 효과와 여러 계절의 과거 데이터가 있는 시계열에 가장 적합합니다. | 예, 과거 및 미래 관련 시계열 |
| 예측 알고리즘 | 트리플 지수 스무딩 | 예측 기간의 최소 4배 | 지수 스무딩(ETS)은 시계열 예측을 위한 통계 모델입니다. | 해당 사항 없음 | 기본 ETS 파라미터 | P10, P50, P90용 WQL(가중 분위수 손실) | 계절성 패턴이 있는 데이터 세트에 가장 적합하며, 가중치가 기하급수적으로 감소하는 과거 관측치의 가중 평균을 계산합니다. ETS는 항목이 100개 미만인 시계열에 가장 효과적입니다. | 아니요 |
| 예측 알고리즘 | Auto Complex Exponential Smoothing(AutoCES) | 예측 기간의 최소 2배 | Auto Complex Exponential Smoothing은 지수 다듬기의 고급 변형으로, 다듬기 파라미터를 자동으로 조정하여 복잡한 계절 구조가 있는 시계열에 대한 정확한 예측을 제공합니다. | 해당 사항 없음 | [기본 AutoCES 설정](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.AutoCESModel) | P10, P50, P90용 WQL(가중 분위수 손실) | 여러 계절성 또는 불규칙한 주기를 포함하여 시계열 데이터의 복잡한 계절성 패턴에 가장 적합합니다. | 아니요 |
| 예측 알고리즘 | ARIMA | 예측 기간의 최소 4배 | ARIMA(Auto-Regressive Integrated Moving Average)는 시계열 예측을 위한 통계 모델입니다. 자동 회귀, 이동 평균 및 차이점 구성 요소를 모델 추세에 결합합니다. | 해당 사항 없음 | [ARIMA 기본 파라미터](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-arima.html) | P10, P50, P90용 WQL(가중 분위수 손실) | 강력한 계절 효과가 없는 데이터 세트에 가장 적합합니다. | 아니요 |
| 예측 알고리즘 | 계절성 ARIMA | 예측 기간의 최소 2배 | SARIMA(Seasonal Auto-Regressive Integrated Moving Average)는 계절성 구성 요소를 포함하는 ARIMA의 확장으로, 비계절성 및 계절성 추세를 모두 모델링하여 여러 계절의 과거 데이터가 있는 데이터 세트에 대한 정확한 예측을 보장합니다. | 해당 사항 없음 | 계절 ARIMA 기본 파라미터 | P10, P50, P90용 WQL(가중 분위수 손실) | 강력한 계절 패턴이 있는 시계열에 가장 적합합니다. | 아니요 |
| 예측 알고리즘 | 세타 | 예측 기간의 최소 2배 | 세타 모델은 지수 평활화와 분해 접근 방식을 결합하여 추세, 계절성 및 노이즈를 처리하는 시계열 예측 방법입니다. 선형 추세 모델과 비선형 다듬기 구성 요소를 사용하여 단기 및 장기 패턴을 모두 캡처하며, 종종 기존 방법보다 성능이 뛰어납니다. | 해당 사항 없음 | [세타 메서드 기본 설정](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.ThetaModel) | P10, P50, P90용 WQL(가중 분위수 손실) | 간헐적 수요 예측에 가장 적합합니다. | 아니요 |
| 예측 알고리즘 | Aggregate-Disaggregate Intermittent Demand Approach(ADIDA) | 예측 기간의 최소 2배 | ADIDAaggregates 데이터를 집계하여 더 광범위한 패턴을 캡처한 다음 정확한 예측을 위해 데이터를 분해하면 노이즈를 줄여 정확도가 향상됩니다. | 해당 사항 없음 | [ADIDA 기본 파라미터](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.ADIDAModel) | P10, P50, P90용 WQL(가중 분위수 손실) | 수요가 낮거나 불규칙하며 간헐적인 수요가 있는 제품에 가장 적합합니다. | 아니요 |
| 예측 알고리즘 | 크로스턴 | 예측 기간의 최소 2배 | Croston 메서드는 간헐적 수요 예측을 위해 설계되었습니다. 수요를 0이 아닌 수요의 크기와 그 사이의 간격으로 두 구성 요소로 구분합니다. 이러한 구성 요소는 독립적으로 예측되고 결합됩니다. | 해당 사항 없음 | [Croston 기본 설정](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.CrostonModel) | P10, P50, P90용 WQL(가중 분위수 손실) | 간헐적 수요 예측에 가장 적합합니다. | 아니요 |
| 예측 알고리즘 | 간헐적 다중 집계 예측 알고리즘(IMAPA) | 예측 기간의 최소 2배 | IMAPA는 간헐적 수요 데이터에 대한 예측 방법으로, 값이 0인 수요가 불규칙합니다. 여러 수준에서 데이터를 집계하여 다양한 수요 패턴을 캡처하므로 Croston과 같은 방법에 비해 수요가 매우 불규칙한 데이터 세트에 대해 보다 강력한 예측을 제공합니다. | 해당 사항 없음 | [IMAPA 기본 파라미터](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-model-zoo.html#autogluon.timeseries.models.IMAPAModel) | P10, P50, P90용 WQL(가중 분위수 손실) | 간헐적 수요 패턴의 정확도를 개선하는 데 가장 적합합니다(지수 평활화와 같은 기존 방법과 비교). | 아니요 |
| 예측 알고리즘 | 이동 평균 | 예측 기간의 최소 2배 | 고정 기간 동안 과거 데이터 포인트를 평균화하여 평균 모델 예측 이동. | 해당 사항 없음 | 이동 평균 기본 파라미터 | P10, P50, P90용 WQL(가중 분위수 손실) | 단기 예측, 특히 희소 데이터 시나리오에 가장 적합합니다. 이 방법은 간단한 추세로 시계열에서 잘 작동하므로 복잡한 모델링 없이 빠르고 쉽게 예측할 수 있습니다. | 아니요 |
| 예측 알고리즘 | 비 파라미터 시계열(NPTS) | 예측 기간의 최소 4배 | NPTS는 희소 또는 간헐적 시계열 데이터의 기준 예측 방법입니다. 여기에는 표준 NPTS 및 계절별 NPTS와 같은 변형이 포함됩니다. | 해당 사항 없음 | [NPTS 기본 파라미터](https://docs.aws.amazon.com/forecast/latest/dg/aws-forecast-recipe-npts.html) | P10, P50, P90용 WQL(가중 분위수 손실) | 누락된 데이터 및 계절 효과를 처리하여 불규칙한 시계열을 강력하게 예측하는 데 가장 적합합니다. 불규칙한 수요 데이터에 대해 확장 가능하고 효과적입니다. | 아니요 |
다음 표에는 지원 Demand Planning 예측 모델에서 사용할 수 있는 지표가 나열되어 있습니다.
| 지표 | 지표 설명 | 지표 공식 | 이 지표를 사용하여 최적화해야 하는 경우 | 링크 |
| --- | --- | --- | --- | --- |
| MAPE | MAPE는 예측 세트에서 오류의 평균 크기를 측정하며 실제 값의 백분율로 표시됩니다. | 해당 사항 없음 | 일반적으로 예측 모델의 정확도를 평가하는 데 사용되며, 특히 모든 시계열이 예측 오류 평가와 동일하게 처리되는 시계열 예측에 사용됩니다. | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.MAPE](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.MAPE) |
| WAPE | WAPE는 다양한 데이터 포인트의 가중 기여도를 고려하는 MAPE의 변형입니다. | 해당 사항 없음 | 데이터의 중요도가 다양하거나 일부 관측치가 다른 관측치보다 중요할 때 특히 유용합니다. | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.WAPE](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.WAPE) |
| RMSE | RMSE는 예측 값과 실제 값 간의 평균 제곱 차이의 제곱근을 측정합니다. | 해당 사항 없음 | RMSE는 스쿼링 작업으로 인해 큰 오류에 민감합니다. 이렇게 하면 몇 가지 대규모 예측 오류만 매우 비용이 많이 들 수 있는 대규모 errors.In 사용 사례에 더 많은 가중치를 부여하므로 RMSE가 더 관련성이 높은 지표입니다. | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.RMSE](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.RMSE) |
| WCD | WCD는 미리 결정된 가중치 집합으로 가중치를 부여한 누적 예측 오류의 척도입니다. | 해당 사항 없음 | 이 지표는 특정 기간, 제품 또는 데이터 포인트가 다른 기간보다 더 중요한 애플리케이션에서 자주 사용되므로 오류 분석에서 우선 순위를 지정할 수 있습니다. | 해당 사항 없음 |
| wQL | wQL은 다양한 데이터 포인트에서 가중치를 부여하여 분위수를 기반으로 모델의 성능을 평가하는 손실 함수입니다. | 해당 사항 없음 | 서로 다른 분위수(예: 90번째 백분위수, 50번째 백분위수) 또는 관측치의 중요도가 다른 시나리오에서 모델 성능을 평가하는 데 유용합니다. 과소 예측과 과대 예측으로 인한 비용이 서로 다를 때 특히 유용합니다. | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.WQL](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.WQL) |
| MASE | MASE(평균 절대 조정 오류)는 시계열 예측 모델의 정확도를 평가하는 데 사용되는 성능 지표입니다. 예측 값의 평균 절대 오차(MAE)를 미처리 예측의 평균 절대 오차와 비교합니다. | 해당 사항 없음 | MASE는 본질적으로 주기적이거나 계절적 특성이 있는 데이터 세트에 적합합니다. 예를 들어 여름에는 수요가 많고 겨울에는 수요가 적은 항목을 예측할 때 계절적 영향을 고려하면 도움이 될 수 있습니다. | [https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.MASE](https://auto.gluon.ai/dev/tutorials/timeseries/forecasting-metrics.html#autogluon.timeseries.metrics.MASE) |
# 수요 기반 예측 동인
예측을 구성하는 동안 예측 정확도를 높이기 위해 수요 동인을 사용할 수 있습니다. *수요 동*인은 제품 추세와 계절을 캡처하는 관련 시계열 입력입니다. 과거 수요에 의존하는 대신 수요 동인을 사용하여 다양한 요인을 기반으로 공급망에 영향을 미칠 수 있습니다. 예: 프로모션, 가격 변경 및 마케팅 캠페인. Demand Planning은 과거 및 미래 수요 동인을 모두 지원합니다.
## 수요 동인을 사용하기 위한 요구 사항
수요 동인에 대한 데이터를 수집하기 전에 데이터가 다음 조건을 충족하는지 확인합니다.
+ *supplementary\$1time\$1series* 데이터 엔터티에서 수요 동인 데이터를 수집해야 합니다. 과거 및 미래 수요 드라이버 정보를 모두 제공할 수 있습니다. Demand Planning에 필요한 데이터 엔터티에 대한 자세한 내용은 섹션을 참조하세요[Demand Planning](required_entities.md).
*supplementary\$1time\$1series* 데이터 엔터티를 찾을 수 없는 경우 인스턴스가 이전 데이터 모델 버전을 사용하고 있을 수 있습니다. AWS Support에 문의하여 데이터 모델 버전을 업그레이드하거나 새 데이터 연결을 생성할 수 있습니다.
+ 다음 열이 *supplementary\$1time\$1series* 데이터 개체에 채워져 있는지 확인합니다.
+ *id* -이 열은 고유한 레코드 식별자이며 성공적인 데이터 수집에 필요합니다.
+ *order\$1date* -이 열은 수요 드라이버의 타임스탬프를 나타냅니다. 과거와 미래 날짜일 수 있습니다.
+ *time\$1series\$1name* -이 열은 각 수요 드라이버의 식별자입니다. 이 열의 값은 문자로 시작해야 하고, 2\$156자여야 하며, 문자, 숫자 및 밑줄을 포함할 수 있습니다. 다른 특수 문자는 유효하지 않습니다.
+ *time\$1series\$1value* -이 열은 특정 시점의 특정 수요 드라이버에 대한 데이터 포인트 측정을 제공합니다. 숫자 값만 지원됩니다.
+ 최소 1개에서 최대 13개의 수요 동인을 선택합니다. 집계 및 채우기 메서드가 구성되어 있는지 확인합니다. 채우기 방법에 대한 자세한 내용은 섹션을 참조하세요[수요 동인 데이터 채우기 방법](configuration_demand_drivers.md#filling_method_demand_drivers). 언제든지 설정을 수정할 수 있습니다. Demand Planning은 다음 예측 주기에 변경 사항을 적용합니다.
다음 예제는 필요한 수요 드라이버 열을 *supplementary\$1time\$1series* 데이터 엔터티에 수집할 때 Demand Plan이 생성되는 방법을 보여줍니다. Demand Planning은 과거 및 미래 수요 드라이버 데이터(사용 가능한 경우)를 모두 제공할 것을 권장합니다. 이 데이터는 학습 모델이 패턴을 학습하고 예측에 적용하는 데 도움이 됩니다.
![\[수요 드라이버 예제\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/demand_drivers_example.png)
다음 예제에서는 데이터 세트에서 몇 가지 일반적인 수요 동인을 설정하는 방법을 보여줍니다.
![\[수요 드라이버 예제\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/demand_drivers_example2.png)
선행 지표를 제공할 때 Demand Planning은 시계열 날짜를 조정할 것을 적극 권장합니다. 예를 들어 특정 지표가 변환율이 70%인 20일 선행 지표 역할을 한다고 가정해 보겠습니다. 이 경우 시계열의 날짜를 20일로 전환한 다음 적절한 변환 계수를 적용하는 것이 좋습니다. 학습 모델은 이러한 조정 없이 패턴을 학습할 수 있지만 선행 지표 데이터를 해당 결과와 일치시키는 것이 패턴 인식에 더 효과적입니다. 값의 크기는이 프로세스에서 중요한 역할을 하여 패턴을 정확하게 학습하고 해석하는 모델의 능력을 향상시킵니다.
# 수요 드라이버 구성
수요 드라이버를 사용하려면 드라이버를 구성해야 합니다. *supplementary\$1time\$1series* 데이터 엔터티에서 데이터를 수집한 경우에만 수요 드라이버를 구성할 수 있습니다.
**참고**
수요 동인을 구성하지 않은 경우에도 예측을 생성할 수 있습니다. 그러나 Demand Planning은 수요 동인을 사용하지 않습니다.
## 수요 동인 데이터 채우기 방법
*채우기 방법은* 시계열에서 누락된 값을 나타냅니다(또는 "채우기"). Demand Planning은 다음과 같은 채우기 방법을 지원합니다. Demand Planning이 적용하는 채우기 방법은 데이터의 격차 위치에 따라 달라집니다.
+ 백필링 - 제품의 이전에 기록된 날짜와 마지막으로 기록된 날짜 사이의 간격이 있을 때 적용됩니다.
+ 중간 채우기 - 지정된 제품의 마지막으로 기록된 데이터 포인트와 마지막으로 기록된 글로벌 날짜 사이의 간격이 있을 때 적용됩니다.
+ 향후 채우기 - 수요 드라이버에 향후 데이터 포인트가 하나 이상 있고 향후 기간에 차이가 있을 때 적용됩니다.
![\[수요 드라이버 채우기 방법\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/filling_method.png)
Demand Planning은 고려해야 할 수요 동인에 해당하는 *supplementary\$1time\$1series* 데이터 엔터티의 마지막 64개 데이터 포인트를 활용합니다. Demand Planning은 세 가지 채우기 방법 모두에 대해 *0*, *중앙값*, *평균*, *최대값* 및 *최소* 옵션을 지원합니다.
다음 예제는 기록 및 미래 데이터를 모두 포함하는 제품 1에 대한 *supplementary\$1time\$1series* 데이터 엔터티의 *가격* 열에 데이터가 수집될 때 수요 드라이버가 누락된 데이터를 처리하는 방법을 보여줍니다.
![\[수요 드라이버 채우기 방법\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/filling_method_example1.png)
## 집계 방법
Demand Planning은 집계 방법을 사용하여 특정 기간 및 세분화 수준에 걸쳐 데이터를 통합하여 다양한 수준의 세분화에서 수요 동인 통합을 용이하게 합니다.
기간 집계 - 예를 들어 일별 수준에서 *인벤토리* 수요 드라이버를 사용할 수 있지만 예측이 주별 수준인 경우 수요 계획은 예측에 정보를 사용하도록 인벤토리에 대한 수요 계획 설정에 구성된 집계 방법을 적용합니다.
![\[Demand Planning에서 사용하는 집계 방법\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/aggregation_example1.png)
세부 수준 집계 - 수요 계획이 세부 수준 집계를 사용하는 방법의 예입니다. *out\$1of\$1stock\$1indicator*는 제품 사이트 수준에서 매일 사용할 수 있지만 예측 세부 수준은 제품 수준에서만 사용할 수 있습니다. Demand Planning은이 수요 드라이버의 수요 계획 설정에 따라 구성된 집계 방법을 적용합니다.
![\[Demand Planning에서 사용하는 세분화 방법\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/granularity_example.png)
# 수요 드라이버 권장 사항
수요 동인에 대한 집계 및 채우기 방법을 구성하는 동안 일반적인 지침은 부울 및 연속 데이터 유형 모두에 *평균* 집계를 할당하는 것입니다. 누락된 값을 채우려면 부울 데이터에 *0* 채우기를 사용하는 반면 연속 데이터에는 *평균* 채우기가 적합합니다.
집계 및 채우기 방법 구성의 선택은 데이터 특성과 누락된 값에 대한 가정에 따라 달라집니다. 다음 예를 참고하세요
![\[수요 드라이버 권장 사항\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/demand_driver_recommendation.png)
Demand Planning은 데이터 세트 요구 사항에 가장 적합하도록 수요 드라이버 구성을 조정할 것을 권장합니다. 수요 드라이버 구성은 예측 정확도에 영향을 미칩니다.
AWS Supply Chain 웹 애플리케이션의 **Demand Planning**, **Overview**에서 수요 계획 수준에서 집계된 수요 동인과 관련된 영향 점수를 볼 수 있습니다. 이러한 영향 점수는 수요 동인이 예측에 미치는 상대적 영향을 측정합니다. 영향 점수가 낮다고 해서 수요 동인이 예측 값에 미치는 영향이 미미하다는 의미는 아닙니다. 대신 예측 값에 미치는 영향이 다른 수요 동인보다 상대적으로 낮다는 것을 시사합니다. 특정 상황에서 영향 점수가 0이면 수요 동인이 예측 값에 영향을 미치지 않으므로 해석해야 합니다. Demand Planning은 특정 수요 드라이버에 적용된 집계 및 채우기 메서드 구성을 다시 검토할 것을 권장합니다.
# 제품 계보
*제품 계보*는 제품과 이전 버전 또는 대체 제품 간에 설정된 관계를 나타냅니다. Demand Planning은 제품 계보 정보를 사용하여 수요 예측을 위한 예측 입력 역할을 하는 이러한 제품에 대한 대리 기록을 생성합니다.
제품 계보는 다음과 같은 패턴을 지원합니다.
+ 단일 제품에 하나의 계보 또는 대체 제품이 있음 = 1:1
![\[제품 계보 패턴 = 1:1\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/product_lineage_pattern1.png)
다음 예는 1:1 시나리오를 보여줍니다.
![\[제품 계보 패턴 = 1:1\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/1 is to 1_example.png)
+ 단일 제품에 계보 또는 대체 제품이 두 개 이상 있음 = 다:1
![\[제품 계보 패턴 = 다:1\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/product_lineage_pattern2.png)
Demand Planning은 *체인* 또는 *평면화된* 메서드로 모델링된 제품 계보 관계를 지원합니다.
+ **체인 형식** - A에서 B로, B에서 C로 계보 관계를 직접 모델링할 수 있습니다. 다음 예제에서는 Demand Planning은 계보 관계를 A에서 B로, B에서 C로, A에서 C로 모델링합니다.
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/product_lineage.html)
다음 예제는 다대일 시나리오 - 체인 형식을 보여줍니다.
![\[제품 계보 패턴 = 체인 형식\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/chain_format.png)
+ **평면화된 형식** - Demand Planning은 A\$1B 및 A\$1C 형식의 계보 정보를 계속 지원합니다. 다음 예제에서 Demand Planning은 계보 관계를 A\$1B 및 A\$1C로 모델링합니다. B\$1C는 고려되지 않습니다.
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/product_lineage.html)
**참고**
체인 형식은 6가지 수준의 계보 관계만 지원합니다. 6개를 초과하는 경우 평면화된 형식을 사용하여 계보 관계를 모델링할 수 있습니다.
다음 예제는 다대일 시나리오 - 평면화된 형식을 보여줍니다.
![\[제품 계보 패턴 = 평면화된 형식\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/1 is to many_example.png)
+ 단일 제품이 2개 이상의 제품에 대한 계보 또는 대체 제품이 될 수 있음 = 1 : 다
![\[제품 계보 패턴 = 1:다\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/product_lineage_pattern3.png)
제품 계보 기능을 활성화하려면 *product\$1alternate* 데이터 엔터티에서 다양한 버전의 제품 또는 대체/교체품에 대한 계보 관계를 정의하면 됩니다. 자세한 내용은 [Demand Planning](required_entities.md) 단원을 참조하십시오.
인스턴스가 2023년 9월 11일 이후에 생성된 경우 데이터 연결 모듈에 *product\$1alternate* AWS Supply Chain 데이터 개체가 표시됩니다. 인스턴스가 2023년 9월 11일 전에 생성된 경우 *product\$1alternate* 데이터 엔터티를 수집할 수 있도록 새 데이터 연결을 생성합니다.
*product\$1alternate* 데이터 엔터티에 데이터를 수집하려면 아래 지침을 따릅니다.
+ *product\$1id* - 예측을 생성하는 기본 제품입니다.
+ *alternative\$1product\$1id* - 제품의 이전 버전 또는 대체/교체 제품입니다.
단일 *product\$1id*에 대해 여러 개의 *alternative\$1product\$1id*를 고려하려면 별도의 행에 입력하세요.
+ Demand Planning에서는 값이 다음 형식으로 제공된 경우에만 데이터를 고려합니다.
+ *alternate\$1type*이 *similar\$1demand\$1product*입니다.
+ *status*가 *활성*입니다.
+ *alternate\$1product\$1qty\$1uom*은 텍스트 *백분율*입니다.
+ *alternate\$1product\$1qty* - *alternate\$1product\$1qty* 데이터 필드에 신제품 예측에 사용하려는 대체 제품의 기록 비율을 입력합니다. 예를 들어 60%인 경우 60을 입력합니다. 단일 *product\$1id*에 대해 여러 *alternative\$1product\$1id*가 있는 경우 *alternate\$1product\$1qty* 합계가 100이 될 필요는 없습니다.
+ *eff\$1start\$1date* 및 *eff\$1end\$1date* 데이터 필드가 필요합니다. 그러나이 필드를 비워 둘 수 있으며 Demand Planning은 각각 1000년과 9999년으로 자동 채워집니다.
제품 계보 데이터를 사용하여 예측을 생성하면 *제품 ID*별로 필터링할 때 Demand Planning 페이지에 *예측이 대체 제품의 기록을 기반으로 한다*는 표시기가 나타납니다.
다음 표는 *product\$1alternate* 데이터 엔터티에 수집된 데이터를 기반으로 Demand Planning 제품 계보 기능이 작동하는 방식의 예를 보여줍니다.
| 열 | 필수 또는 선택 | 예제 1. | 예제 2. | 예제 3 | 예 4 | 예 5 | 예제 6 | 예제 7 | 예 8 | 예 9 | 예 10 | 예 11 |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| product\$1id | 필수 | 제품 123 | 제품 123 | 제품 123 | 제품 123 | 제품 123 | 제품 123 | 제품 123 | 제품 123 | 제품 123 | Null | 제품 123 |
| alternative\$1product\$1id | 필수 | 제품 XYZ | Null | 제품 XYZ | 제품 XYZ | 제품 XYZ | 제품 XYZ | 제품 XYZ | 제품 XYZ | 제품 XYZ | Null | 제품 XYZ |
| alternate\$1type | 필수 | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product | Null 또는 다른 값 | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product | Similar\$1Demand\$1Product |
| 상태\$1 | 필수 | 활성화 | 활성화 | 활성화 | 비활성 | 활성화 | 활성화 | Null | 활성화 | 활성화 | 활성화 | 활성화 |
| alternate\$1product\$1qty | 필수 | 100 | 60 | 100 | 100 | Null | 100 | 100 | 100 | 100 | 100 | 60 |
| alternate\$1product\$1qty\$1uom | 필수 | percentage | percentage | percentage | percentage | percentage | Null 또는 다른 값 | percentage | percentage | percentage | percentage | percentage |
| eff\$1start\$1date | 필수 | 2023-01-01 00:00:00 | 2023-01-01 00:00:00 | 2023-01-01 00:00:00 | 2023-01-01 00:00:00 | 2023-01-01 00:00:00 | 2023-01-01 00:00:00 | 2023-01-01 00:00:00 | Null | 2023-01-01 00:00:00 | 2023-01-01 00:00:00 | Null |
| eff\$1end\$1date | 필수 | 2025-12-31 23:59:59 | 2025-12-31 23:59:59 | 2025-12-31 23:59:59 | 2025-12-31 23:59:59 | 2025-12-31 23:59:59 | 2025-12-31 23:59:59 | 2025-12-31 23:59:59 | 2025-12-31 23:59:59 | Null | 2025-12-31 23:59:59 | Null |
| **예상되는 동작** | NA | 2023년 1월 1일부터 2025년 12월 31일까지 제품 XYZ의 기록 100%를 사용하여 제품 123을 예측합니다. | alternative\$1product\$1id가 누락되어 매핑이 잘못되었습니다. | alternate\$1type이 'similar\$1demand\$1product'가 아니므로 매핑이 잘못되었습니다. | 매핑이 비활성 상태입니다. | alternate\$1product\$1qty가 누락되어 매핑이 잘못되었습니다. | alternate\$1product\$1qty\$1uom이 누락되었거나 백분율이 아니므로 매핑이 잘못되었습니다. | status가 누락되어 매핑이 잘못되었습니다. | 수집이 실패합니다. | 수집이 실패합니다. | product\$1id 및 alternative\$1product\$1id가 누락되어 매핑이 잘못되었습니다. | 수집이 실패합니다. |
| | NA | NA | NA | NA | NA | NA | NA | NA | Demand Planning은 *eff\$1start\$1date*를 1000년으로 자동 채웁니다. 이 시나리오는 유효하며 데이터 수집이 실패하지 않습니다. | Demand Planning은 *eff\$1end\$1date*를 9999년으로 자동 채웁니다. 이 시나리오는 유효하며 수집에 실패하지 않습니다. | NA | Demand Planning은 *eff\$1start\$1date*를 1000년으로, *eff\$1end\$1date*를 9999년으로 자동 채웁니다. 이 시나리오는 유효하며 수집에 실패하지 않습니다. |
다음 예제에서는 Demand Planning이 *상태가* *비활성*으로 설정되고 제품 계보가 체인 형식일 때를 해석하는 방법을 설명합니다.
| 열 | 열 | Status |
| --- | --- | --- |
| A | B | 활성 |
| B | C | 비활성 |
| C | D | 활성 |
수요 계획은 첫 번째 루트 및 하위 매핑의 상태를 전체 체인의 상태로 간주합니다.
A에서 B로 활성
A\$1C 활성
A\$1D 활성
B에서 C로 비활성
B에서 D로 비활성
C\$1D 활성
# 제품 수명 주기
제품 수명 주기는 도입부터 수명 종료(EoL)까지 제품의 수명 주기를 설명합니다.는 수명 주기 동안 제품 예측을 AWS Supply Chain 지원합니다. 제품 수명 주기 기능을 활성화하려면 *제품* 데이터 엔터티의 *product\$1introduction\$1day* 및 *discontinue\$1day* 열을 채웁니다. Demand Planning은 이러한 열의 데이터를 사용하여 제품이 활성 상태일 때 제품에 대한 예측을 생성합니다. 데이터 엔터티에 대한 자세한 내용은 [에서 사용되는 데이터 엔터티 및 열 AWS Supply Chain](data-model.md) 단원을 참조하세요.
제품 수명 주기를 활성화하려면 *제품* 데이터 엔터티의 *id*, *description*, *product\$1available\$1day*, *discontinue\$1day* 및 *is\$1deleted* 열이 채워져 있어야 합니다.
아래 예제는 제품 데이터 엔터티에서 데이터를 수집할 때 Demand Planning이 작동하는 방식을 보여줍니다.
| 열 이름 | Data Lake에 필요 | 수요 계획에 필요 | 시나리오 1 | 시나리오 2 | 시나리오 3 | 시나리오 4 | 시나리오 5 | 시나리오 6 | 시나리오 7 |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| id | 예 | 예 | Product123 | Product123 | Product123 | Product123 | Product123 | Product123 | Product123 |
| description | 예 | 예 | Bottle | Bottle | Bottle | Bottle | Bottle | Bottle | Bottle |
| product\$1available\$1day | 아니요 | 아니요 | 2023년 5월 1일 | 2023년 5월 1일 | 2023년 5월 1일 | Null | Null | 2022년 5월 1일 | 2022년 5월 1일 |
| discontinue\$1day | 아니요 | 아니요 | Null | 2023년 12월 31일 | 2023년 12월 31일 | Null | Null | 2023년 5월 1일 | 과거 |
| is\$1deleted | 아니요 | 아니요 | 아니요 | 아니요 | 예 | 아니요 | Null | 아니요 | 아니요 |
| **예상되는 동작** | NA | NA | 중단 날짜가 없으므로 2023년 5월 1일 전 3개월(또는 구성된 대로)부터 계획 기간이 끝날 때까지 예측이 생성됩니다. | 예측은 2023년 5월 1일 전 3개월(또는 구성된 대로)부터 중단 날짜(또는 구성된 대로)까지 생성됩니다. | 제품이 비활성 상태로 간주되므로 예측이 생성되지 않습니다. | 전체 계획 기간에 대한 예측이 생성됩니다. | 제품이 활성 상태라고 가정합니다. | 예측은 하루(5월 1일) 동안 생성됩니다. | is\$1deleted와 discontinue\$1day 간에 충돌이 발생하는 경우 is\$1deleted가 고려됩니다. |
제품 수명 주기를 구성하는 방법에 대한 자세한 내용은 [첫 번째 수요 계획 생성](onboarding.md) 단원을 참조하세요.
Demand Planning 설정에서 제품 데이터 엔터티의 *product\$1available\$1day*에 따라 예측 시작 날짜를 설정할 수 있습니다. 기본적으로 예측은 *product\$1available\$1day*에 시작됩니다. *기간*은 **범위**에 설정된 시간 간격(매일, 매주, 매월 또는 매년)을 나타냅니다. 시작 날짜를 조정하여 재고 관리를 최적화할 수 있습니다.
시작 날짜와 마찬가지로, 제품 데이터 엔터티의 *product\$1discontinue\$1day*에 따라 예측 종료 날짜를 설정할 수 있습니다. 기본적으로 예측은 *product\$1discontinue\$1day*에 종료됩니다. 종료 날짜를 조정하여 제품 유통 기한 이후의 부정확한 예측을 방지하고 과도한 재고 비용을 방지할 수 있습니다. 예측이 *product\$1available\$1day* 및 *product\$1discontinue\$1day*와 일치하도록 하려면 0을 입력합니다. 이 글로벌 설정은 모든 적격 제품에 적용됩니다.
*product\$1available\$1day* 및 *product\$1discontinue\$1day*를 사용할 수 없는 경우 전체 계획 기간에 대한 예측이 생성됩니다.
또한 기록 데이터 또는 대체 제품 링크 없이 제품에 대한 예측 값을 초기화하도록 시스템을 구성할 수도 있습니다. 기본값은 0입니다. 또한 **범위**에 설정된 시간 간격(매일, 매주, 매월 또는 매년)을 기반으로 시스템이 제품 예측 초기화 값을 사용해야 하는 기간을 설정할 수도 있습니다. 기본값은 세 기간입니다. 이 글로벌 설정은 추가 예상 세부 수준으로 선택된 경우 사이트, 고객 및 채널 차원의 교차점에 있는 모든 적격 제품에 적용됩니다. 예를 들어 product\$1available\$1date가 2023년 10월 2일인 제품 X에 대해 예측이 12개 기간의 초기화된 값 10으로 매주로 설정되고 예측 시작이 *product\$1available\$1day* 이전 3개 기간으로 설정된 경우 초기화된 값 10은 2023년 9월 11일부터 2023년 12월 3일까지 매주 적용됩니다.
*product\$1available\$1day* 및 *product\$1discontinue\$1day*를 변경하려면 AWS Supply Chain 데이터 레이크의 제품 데이터 엔터티를 업데이트합니다. 예측 시작 및 중지 날짜를 업데이트할 수도 있습니다. 초기화 값 및 기간 설정을 변경하면 이전 계획 주기에서 다른 값으로 초기화된 제품을 포함한 모든 적격 제품에 변경 사항이 적용됩니다. 모든 업데이트는 다음 예측 생성 주기에 적용됩니다.
# 수요 계획 관리
예측이 생성된 후 **수요 계획을** 선택한 다음 **수요 계획 관리를** 선택합니다. **수요 계획** 페이지에서 예측 생성에 사용되는 전체 영향 요인과 예측의 정확도 지표를 볼 수 있습니다. 현재 수요 계획을 볼 수도 있습니다.
**Topics**
+ [개요](overview_dp.md)
+ [수요 계획](changing_category.md)
+ [예측 잠금](forecast_lock.md)
# 개요
**참고**
예측이 처음 생성된 후에만 **개요** 페이지를 볼 수 있습니다.
**개요** 탭은 다음 정보를 제공합니다.
+ **전체 영향 요인** - 현재 계획 주기에서 예측을 생성하는 데 사용되는 제품 메타데이터 속성 및 수요 동인(있는 경우)의 영향 점수를 나타냅니다. 첫 번째 성공적인 예측 생성 후 영향 요인을 확인할 수 있습니다. 음수 값은 속성으로 인해 예측이 저하되었음을 나타내며 그 반대의 경우도 마찬가지입니다. 값이 0인 경우 속성이 예측 결과에 영향을 미치지 않음을 나타냅니다. 수요 동인을 기반으로 한 예측에 대한 자세한 내용은 섹션을 참조하세요[수요 기반 예측 동인](demand_drivers.md).
+ **정확도 지표 **- 예측 기간의 실제 수요가 포함된 데이터 세트(outbound\$1order\$1line)를 업데이트한 후 **재계산**을 선택합니다. 수요 계획 탭에서 최신 **수요 계획**의 정확도 지표를 볼 수 있습니다. 정확도 지표는 현재 수요 계획의 정확도가 실제 수요와 어떻게 일치하는지 측정합니다.
정확도 지표는 예측 생성 중에 **계획(집계)** 및 **세부 수준의 최저** 레벨에서 사용할 수 있습니다. **개요** 페이지에는 집계 레벨 지표가 표시되며, **정확도 지표**에서 **다운로드**를 선택하여 세부 수준 지표를 다운로드할 수 있습니다.
다음은 웹 애플리케이션에 표시되는 지표를 계산하는 데 사용되는 공식입니다.
+ **MAPE(Mean Absolute Percentage Error)** - MAPE는 각 시간 단위의 관측값과 예상값 사이의 백분율 오차 절대값을 사용하여 해당 값의 평균을 구합니다.
세부 수준 및 계획 레벨의 공식은 다음과 같습니다.
![\[MAPE 계산\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/MAPE_formula.png)
MAPE가 5% 미만이면 예측이 허용 가능한 수준으로 정확하다는 의미입니다. MAPE가 10%를 초과하되 25% 미만이면 정확도가 낮지만 허용 가능한 수준임을 나타내고, MAPE가 25%를 초과하면 정확도가 매우 낮아 예측이 허용되지 않음을 나타냅니다.
+ **WAPE(Weighted Average Percentage Error)** - WAPE는 예측값과 관측값의 전체 편차를 측정합니다. 관측값의 합과 예상값의 합을 구하고 두 값 사이의 오차를 계산함으로써 WAPE를 계산할 수 있습니다. 값이 낮을수록 모델이 더 정확함을 나타냅니다.
세부 수준 및 계획 레벨의 공식은 다음과 같습니다.
![\[WAPE 계산\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/WAPE_formula.png)
WAPE가 5% 미만이면 정확도가 허용 가능한 수준으로 간주됩니다. WAPE가 10%를 초과하되 25% 미만이면 정확도가 낮지만 허용 가능한 수준임을 나타내고, WAPE가 25%를 초과하면 정확도가 매우 낮은 수준임을 나타냅니다.
다음 예를 참조하세요.
![\[WAPE 계산 예제\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/Accuracy_metrics.png)
실제이 0 또는 null이면 지표가 계산되지 않습니다. 이후에 새 예측이 생성되면 이전에 보고된 지표를 웹 애플리케이션에서 더 이상 사용할 수 없습니다. 최신 outbound\$1order\$1line 데이터 세트가 업데이트되었는지 확인하고 **재계산**을 선택하여 업데이트된 지표를 확인합니다.
정확도 지표는 현재 실행된 예측에서 실제 수요 값이 있는 모든 기간에 대한 현재 수요 계획의 정확도를 반영합니다.
예를 들어 현재 계획 주기에 2023년 1월부터 12월까지의 예측과 월별 예측이 있고 2023년 1월의 실제 데이터를 업데이트한 경우 정확도 지표는 2023년 1월에 대해 계산됩니다. 마찬가지로 현재 계획 주기에 2023년 1월부터 12월까지의 예측과 월별 예측이 있고 2023년 1월과 2023년 2월의 실제 데이터를 업데이트한 경우 정확도 지표는 2023년 1월과 2023년 2월에 대해 계산됩니다. Demand Planning 웹 애플리케이션에는 Jan-Feb-2023의 집계된 지표가 표시되고 내보내기 파일에는 세분화된 세부 정보가 표시됩니다.
**참고**
*시간 간격* 또는 *계층 구조* 구성을 수정하고 예측을 재생성할 때 정확도 지표 값은 관련이 없으므로 정확도 지표가 표시되지 않습니다.
## 수요 패턴
개별 지표를 확장하여 *Smooth Demand*, *Intermittent Demand*, *Erratic Demand*, *Lumpy Demand*와 같은 수요 특성을 볼 수 있습니다. 세그먼트는 마지막 예측에 사용된 실제 수요를 기반으로 파생됩니다.
Demand Planning 웹 애플리케이션에서 4개 세그먼트 중 하나 이상이 누락된 경우 Demand Planning 웹 애플리케이션이 누락된 세그먼트와 연결된 패턴과 일치하는 제품을 찾을 수 없음을 나타냅니다.
다음과 같은 중간 결과가 계산됩니다.
**참고**
수요가 0인 레코드는 ADI 및 CV2 계산에 고려되지 않습니다.
+ *평균 수요 간격(ADI)* - 연속 수요 사이의 평균 시간을 나타냅니다. ADI = 총 기간 수/수요 버킷 수
+ 제*곱 변동 계수(CV2)* - 수요 수량의 변동성을 측정합니다. CV2 = (모국의 표준 편차/모국의 평균값)2
세그먼트를 추출하기 위해 다음 컷오프가 적용됩니다.
+ *Smooth Demand*(ADI가 1.32 미만이고 CV2가 0.49 미만)는 시간 및 수량이 매우 정기적이므로 오류 마진이 적으면서 쉽게 예측할 수 있습니다.
+ *간헐적 수요*(ADI가 1.32 이상이고 CV2가 0.49 미만)는 수량의 변동이 거의 없지만 수요 간격의 변동이 높아 예측 오류 마진이 높아집니다.
+ *불규칙한 수요*(ADI가 1.32 미만이고 CV2가 0.49보다 크거나 같음)는 정기적으로 발생하지만 수량이 많이 변화하여 예측 정확도가 저하됩니다.
+ *Lumpy Demand*(ADI가 1.32 이상이고 CV2가 0.49 이상)는 수량과 시간이 크게 변화하여 예측할 수 없게 됩니다.
## 예측 검증
기본적으로 예측 검증이 활성화됩니다. 생성된 예측이 정확한지 확인하기 위해 Demand Planning은 예측 품질 또는 정확도를 모니터링하고 업데이트합니다. Demand Planning에서 예측에 추가 검증이 필요하다고 판단하는 경우 Demand Planning은 예측 게시를 지연하며 예측이 AWS Supply Chain 웹 애플리케이션에 게시될 날짜와 시간을 표시하는 메시지가 표시됩니다.
또한 옵트아웃할 수 있으며 Demand Planning은 예측을 모니터링하지 않습니다. 옵트아웃 방법에 대한 자세한 내용은 [옵트아웃 기본 설정을](https://docs.aws.amazon.com/aws-supply-chain/latest/adminguide/data-protection.html#opt-out-preference) 참조하세요.
읽기 전용 모드에서 마지막으로 게시된 수요 계획을 볼 수 있습니다.
## 지연
지연은 예측이 생성된 시점과 실제 예측이 실현된 시점 사이의 시간 간격을 나타냅니다. 수요 계획을 구성할 때 최대 3개의 예측 지연을 구성할 수 있습니다. 자세한 내용은 [첫 번째 수요 계획 생성](onboarding.md) 단원을 참조하십시오. 예측 정확도 지표는 정의된 지연 간격을 기반으로 분석을 표시합니다.
정의된 지연에 대한 예측은 모든 계획 주기에 대해 생성되며 정확도 지표는 해당 계획 주기 수 후에만 평가할 수 있습니다. 예를 들어 지연 6을 선택하면 지연 6 예측에 대한 정확도 지표는 6회의 계획 주기 후에 계산됩니다.
![\[수요 패턴 예제\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/demand_pattern.png)
**참고**
지연 구성을 변경할 때 표시되는 드롭다운 값은 새로 선택한 지연입니다. 최신 **지표를 보려면 지표 새로 고침**을 선택합니다. 시간 간격(daily/weekly/monthly/년별) 또는 계층 구조(product/site/customer/채널) 세부 수준을 변경하면 지표 **새로 고침을 선택하면 이전 지연 지표를** 더 이상 사용할 수 없습니다. 재계산 결과에는 최신 수요 계획 주기가 기록의 유일한 주기로 표시됩니다.
지표 **내보내기를** 선택하여 웹 애플리케이션에 표시된 집계된 지표에 해당하는 세분화된 데이터가 포함된 세부 파일을 다운로드합니다. 다운로드한 파일에는 다음 정보가 포함됩니다.
+ 타임스탬프 - 예측 기간, 예측 생성 날짜, 마지막 실제 기간, 지연
+ XYZ 세그먼트(부드러움, 간헐적, 불규칙 또는 덩이)
+ 세부 수준 - 구성된 Product/site/customer/채널
+ 기준 예측 - P10, P50 및 P90
+ 실제 수요
+ 지표 - 바이어스 단위, 바이어스 %, MAPE, SMAPE(세분 수준에서는 MAPE와 WAPE가 동일함)
# 수요 계획
예측이 생성된 후 **수요 계획** 탭에서 예측 값을 검토할 수 있습니다. **엔터프라이즈 수요 계획**은 함께 작업할 수 있는 협업 플랫폼 역할을 하는 단일 워크북으로, 예측 작업을 통합하고 동기화할 수 있는 중앙 위치를 제공합니다.
수요 계획 테이블에는 다음과 같은 정보가 표시됩니다.
+ **예측 수요** - 시스템 생성 예측을 표시하며 다음과 같은 세 가지 값을 포함합니다.
+ **하한** - 일반적으로 약 90%의 시간 동안 실제 수요보다 높은 예상을 예측합니다.
+ **수요 중앙값** - 일반적으로 50%의 시간 동안 실제 수요보다 높은 예상을 예측합니다(중앙 추정치).
+ **상한** - 일반적으로 10%의 시간 동안 실제 수요보다 높은 예상을 예측합니다.
**참고**
*하위 및 상위 경계 * 정보는 *product\$1id*를 선택한 경우에만 표시됩니다. *중앙값 수요*는 집계 수준과 단일 *제품 ID*를 선택할 때 모두 표시됩니다.
+ **수요 계획** - 이 행에 수요 중앙값이 복제되어 재정의가 가능합니다.
+ **실제 수요** – 금년과 전년도의 수요 내역을 표시합니다.
주간 단위로 데이터 기록을 비교할 때 Demand Planning은 전년도의 가장 가까운 월요일을 참조합니다. 이는 Demand Planning이 월요일을 한 주의 시작일로 간주하기 때문입니다. 윤년과 연도 간 차이로 인해 전년도 해당 주의 날짜가 정확히 동일하지 않을 수 있습니다. 예를 들어 월요일인 2023년 3월 6일이 있는 주의 판매 데이터 기록을 사용할 수 있는지 비교하기 위해 Demand Planning은 전년도의 가장 가까운 월요일인 2022년 2월 7일이 있는 주를 참조합니다.
+ **이전 예측 버전** - 마지막으로 게시된 수요 계획이 표시됩니다. 첫 번째 예측 생성 중에는 사용 가능한 기록이 없으므로 비어 있습니다.
+ **수명 주기 및 이벤트** - 수요 계획에서 NPI(New Product Introduction)에 해당하는 제품 또는 수명 종료(EoL)가 임박한 제품을 표시합니다. **NPI** 또는 **EoL** 아이콘 위로 마우스를 가져가 둘 이상의 제품을 선택하면 제품 수와 제품 목록을 볼 수 있습니다. 제품을 하나만 선택하면 제품 메타데이터를 볼 수 있습니다. , NPI의 경우 제품 사용 가능 날짜, EoL의 경우 중단 날짜, 예측 시작 및 중지 날짜.
**참고**
제품 범주가 모두로 설정되거나 제품 계층 구조에서 더 높은 수준을 선택하면 새 제품 수 또는 EoL에 가까운 제품 수만 나열됩니다.
**그래프** 토글 버튼을 사용하여 그래프 보기를 숨기거나 표시할 수 있습니다. 눈 모양 아이콘을 선택하여 특정 값을 숨기거나 표시할 수 있습니다. 제품별로 필터링할 때 *i* 도움말 아이콘 위로 마우스를 가져가면 제품 설명, 측정 단위(UoM), 제품 사용 가능 날짜, 중단 날짜를 볼 수 있습니다.
## 예측 보기
예측을 보려면 다음 단계를 완료합니다.
1. **엔터프라이즈 수요 계획** 페이지에서 생성된 예측의 타임스탬프를 확인할 수 있습니다. **엔터프라이즈 수요 계획**이 *활성* 상태인 경우 필터를 사용하여 조정할 수 있습니다.
1. **엔터프라이즈 수요 계획** 페이지의 **모두**에서 **범주/제품 변경**을 선택하여 생성된 예측 보기를 변경합니다. 기본적으로 표시된 예측은 정의된 범위 또는 기간 내에 있는 모든 제품에 대한 총 예측 수요를 나타냅니다.
1. **범주/제품 선택** 페이지에서, 목록에서 제품을 선택하거나 검색 상자를 사용하여 *제품 ID* 또는 *설명*별로 특정 제품을 검색할 수 있습니다.
1. **적용**을 선택합니다. 이제 선택한 제품 또는 범주에 대해 필터링된 예측을 볼 수 있습니다.
**참고**
예측 구성 중에 선택적 계층 구조를 선택한 경우 요약 상자에는 선택한 제품이 판매된 사이트, 고객 및 채널 수가 표시됩니다.
1. 예측 구성 중에 선택적 계층 구조를 선택한 경우 **검색 미세 조정**에서 **사이트**, **채널** 또는 **고객**별로 필터링하여 예측을 더욱 구체화할 수 있습니다. 예를 들어 예측 구성 중에 **사이트** 및 **채널** 계층 구조를 선택한 경우 사이트 및 채널에 대한 필터는 **수요 계획** 페이지에서 사용할 수 있습니다.
1. **시간 간격** 드롭다운 목록에서 예측을 확인할 시간 간격을 선택합니다. 이 필터를 사용하여 시간 계층 구조를 조정하고 예측을 테이블 형식과 그래프 형식으로 볼 수 있습니다. 가장 낮은 값은 예상 세부 수준 시간 간격 설정에 해당합니다. 예를 들어 시간 간격이 *매주*인 경우 *주간*, *월간* 및 *연간* 예측을 볼 수 있습니다.
또한 **보기 창 시작** 및 **보기 창 끝**을 사용하여 테이블 보기와 그래프 보기 모두에서 예측에서 보려는 기간을 좁힐 수 있습니다. 28일, 52주, 48개월 및 10년의 과거 매출을 볼 수 있습니다.
**시간 간격 예 1**
수요 계획이 구성별로 일일 시간 간격으로 생성됩니다. Demand Planning 페이지의 시간 간격 필터에서 옵션을 선택하면 매주 시간 간격으로 수요 계획을 볼 수 있습니다. 시스템은 월요일을 한 주의 시작일로 하여 값을 주 단위로 집계합니다.
또한 시간 간격 필터를 사용하고 매월 옵션을 선택하면 매월 시간 간격으로도 수요 계획을 볼 수 있습니다. 수요 계획은 일별 세부 수준으로 제공되므로 시스템은 시작일을 1일로 하여 그레고리력 월로 값을 집계합니다.
![\[시간 간격 예\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/Time-interval-example1.png)
**시간 간격 예 2**
수요 계획이 구성별로 매주 시간 간격으로 생성됩니다. 시간 간격 필터를 선택하면 매월 시간 간격으로 수요 계획을 볼 수 있습니다. 월의 시간 경계는 엄밀한 그레고리력 월이 아닙니다.
![\[시간 간격 예\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/Time_interval_example.png)
## 재정의 추가
이 단원에서는 예측을 수동으로 편집하여 예상 수요를 재정의하는 방법을 설명합니다.
**참고**
한 계획 주기의 수동 예측 재정의는 자동으로 저장되고 다음 계획 주기에 다시 적용됩니다.
1. **Demand Plan**에서 점을 원하는 값으로 이동하여 그래프에 재정의를 추가하거나 테이블의 Demand Plan 행에서 직접 값을 업데이트할 수 있습니다.
1. **수량 편집** 페이지의 **변경**에서 수요를 늘릴지, 줄일지 또는 정량으로 고정할지를 선택합니다.
1. **대량 편집**을 선택하여 예측을 대량 편집하고 재정의를 추가합니다.
**예측 편집** 페이지가 나타납니다.
1. **변경**에서 드롭다운을 선택하여 수요를 늘리거나 줄이거나 값을 입력합니다.
1. **사유 코드** 아래에서 *프로모션*, *휴일*, *계절성*, *신제품*, *제품 램프다운* 또는 *기타* 옵션 중 하나를 선택합니다. 재정의를 성공적으로 처리하려면 사유 코드가 필수입니다. 예측 재정의에 설명 메모를 더 추가하는 것은 선택 사항입니다.
1. **저장 및 업데이트**를 선택합니다.
재정의를 생성하면 관련 계층 구조 레벨 전체에 걸쳐 영향을 확인할 수 있습니다. 재정의를 여러 개 생성할 수 있지만, 마지막 재정의만 고려됩니다. 재정의가 생성되면 **수요 계획** 아래에 *시계* 아이콘이 나타납니다. *시계* 아이콘을 선택하면 계획 주기의 가장 최근 변경 사항을 볼 수 있습니다. 이전 업데이트를 보려면 **변경 사항 더 보기**를 선택합니다.
1. 동시에 여러 개를 재정의하려면 **수량 편집**에서 **대량 편집으로 이동**을 선택합니다. **수요 계획**에 대해 **대량 편집**을 선택할 수도 있습니다.
**참고**
테이블에서만 대량 편집할 수 있습니다.
1. **예측 편집** 페이지에서 모든 확인란 또는 업데이트하려는 각 기간의 확인란을 선택한 다음, 업데이트를 입력할 수 있습니다.
1. **저장 및 업데이트**를 선택합니다.
**예측 수요**가 업데이트됩니다.
## 데이터 계획 파일 내보내기
수요 계획에서 **수요 계획**, **예측 수요**, **이전 예측 버전** 및 **실제 수요 내역**을 개별 .csv 파일로 내보낼 수 있습니다.
**참고**
내보낸 .csv 파일에는 내보낼 때 **Demand Planning** 페이지에서 필터가 활성화되었더라도 전체 수요 계획이 포함됩니다.
데이터 계획을 내보내려면 다음 단계를 완료합니다.
1. **엔터프라이즈 수요 계획** 페이지에서 세로 줄임표를 선택합니다.
1. **데이터 계획 내보내기**를 선택합니다.
![\[데이터 계획 내보내기\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/export_data_plan.png)
1. **내보내기** 페이지에서 다운로드하려는 필수 데이터를 선택합니다.
1. **내보내기**를 선택합니다.
파일이 로컬 컴퓨터에 다운로드됩니다.
## 예측 재정의 가져오기
예측 재정의 가져오기 옵션을 사용하여 .csv 파일을 사용하여 예측 재정의를 가져올 수 있습니다.
.csv 파일을 통해 예측 재정의를 업로드하려면 다음 단계를 완료하세요.
1. **엔터프라이즈 수요 계획** 페이지에서 세로 줄임표를 선택합니다.
1. **예측 재정의 가져오기**를 선택합니다.
**예측 재정의 가져오기** 페이지가 나타납니다.
![\[예측 재정의 가져오기\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/import_forecast_overrides.png)
1. **파일 업로드**에서 **CSV 템플릿 다운로드**를 선택하여 재정의 값을 추가하는 데 사용해야 하는 .csv 파일을 다운로드합니다.
.csv 파일에는 예측을 생성하는 데 사용한 데이터 세트의 헤더가 포함됩니다. .csv 파일은 최대 1,000개의 행만 포함할 수 있으며 파일 크기는 5MB 이내여야 합니다.
1. .csv 파일이 업데이트된 후 파일을 끌어서 놓거나 **파일 선택을** 선택하여 파일을 추가할 수 있습니다.
1. **재정의를 업로드를** 선택합니다.
업로드에 실패하면 다음을 확인합니다.
+ 필수 필드 *override\$1start\$1date*, *override\$1end\$1date*, *값* 및 *reason\$1code*가 채워져 있는지 확인합니다.
+ 지원되는 사유 코드는 *프로모션* *공휴일*, *계절*별, *신제품*, *제품 램프다운* *등입니다*.
+ 구성에 따라 *override\$1start\$1date* 및 *override\$1end\$1date*가 요일 또는 월의 첫 번째 날인지 확인합니다.
1. **예측 재정의 상태 가져오기**에서 업로드한 모든 예측 재정의의 상태를 볼 수 있습니다.
**데이터 업로드됨**, **사용자 ID** 또는 업로드 상태를 기준으로 예측 재정의 상태를 필터링할 수 있습니다.
## Demand Plan 스케줄러
Demand Planning의 스케줄러는 예측이 생성되고 수요 계획이 확정되는 시기를 결정합니다. 설정된 시간 간격으로 자동으로 작동하도록 스케줄러를 구성하거나(자동 스케줄러) 수동으로 트리거할 수 있습니다. 자동 스케줄러는 미리 정의된 일정에 따라 계획 프로세스가 원활하고 일관되게 실행되도록 하는 반면, 수동 스케줄러는 예측 새로 고침을 시작하고 수요 계획을 완료할 수 있는 유연성을 제공합니다.
+ 수동 새로 고침 및 릴리스 - 수요 계획을 구성할 때 **Demand Plan Scheduler**에서 **수동**을 선택해야 합니다. 예측 새로 고침을 시작하려면 **수요 계획** 페이지에서 오른쪽 상단의 점 3개를 선택하고 **예측 생성을** 선택합니다.
**수요 계획이 최종적이고 다운스트림 프로세스에 릴리스할 준비가 된 경우 수요 계획 완료**를 선택합니다.
수요 계획이 확정되면 정보는 Data Lake의 *Forecast* 데이터 엔터티와 Amazon S3에 게시됩니다. 이 계획의 수요 계획 페이지의 상태가 *게시됨*으로 변경됩니다. *설정* > *조직*, *수요 계획*, 수요 계획 게시에서 Amazon S3 링크를 볼 수 있습니다. ** **예측 생성** 버튼을 보고 다음 계획 주기를 시작할 수 있습니다.
**수요 계획 완료**를 선택하지 않으면 Demand Planning은 예측을 Data Lake의 *Forecast* 데이터 엔터티에 중간 버전으로 게시합니다. 상태가 *종료*됨으로 변경됩니다. **예측 생성** 버튼을 보고 다음 계획 주기를 시작할 수 있습니다. 수요 계획은 수요 계획 구성 페이지에 설정된 대로 새 예측을 시작하고 이전 계획과 동일한 시작 날짜를 사용합니다.
+ 자동 새로 고침 및 릴리스 - 수요 계획을 구성할 때 **수요 계획 스케줄러**에서 **자동**을 선택해야 합니다. 자세한 내용은 [첫 번째 수요 계획 생성](onboarding.md) 단원을 참조하십시오.
# 예측 잠금
예측 잠금 기능을 사용하여 예측의 특정 기간을 잠가 추가 편집 또는 조정을 방지할 수 있습니다. 예측 잠금을 구성하려면 수요 계획 설정 페이지에 0과 시간 범위 -1 사이의 숫자를 입력하여 첫 번째 *x* 예측 기간을 잠급니다. 기본값은 0으로, 잠겨 있는 기간이 없음을 나타냅니다.
예측 잠금은 초기 예측에는 적용되지 않지만 이전 수요 계획의 최종 값을 이월하는 두 번째 수요 계획 주기부터 적용됩니다. Demand Plan에서 잠긴 기간은 *잠금* 아이콘으로 표시됩니다. 변경 기록 아이콘에는 감사 목적으로 가장 세분화된 수준에서 이유 코드 *PLAN\$1LOCKED*가 표시됩니다. 예측 기간이 잠기면 해당 기간 내의 모든 제품에 잠금이 적용됩니다.
예측 세부 수준이 변경되면 이전 계획 주기의 예측 재정의는 현재 계획 주기로 이월되지 않습니다. 이전 예측 및 정확도 지표에도 수요 계획의 데이터가 표시되지 않으며 이전 예측 잠금은 더 이상 유효하지 않습니다. 새 예측 잠금을 적용하려면 수정된 세부 수준에서 두 번의 연속 예측 실행이 필요합니다. 구성을 0으로 설정하고 새 예측을 시작하여 예측 기간을 잠금 해제할 수 있습니다.
아래 예제는 다음 설정에서 예측 잠금을 사용하여 주기 내 예측 새로 고침 스케줄러가 작동하는 방식(비활성화된 경우)을 보여줍니다.
+ 수요 계획 세부 수준 - 매주
+ 예측 기간 선택됨 - 5
+ 주기 내 예측 새로 고침 일정 - 비활성화됨
+ 최종 예측 게시 - 요일 7일
+ 잠금 기간 - 2
![\[예측 잠금을 사용하여 주기 내 예측 새로 고침 스케줄러 작업 표시(비활성화된 경우)\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/intra-cycle_with_forecast_lock.png)
아래 예제는 다음 설정에서 예측 잠금을 사용하여 주기 내 예측 새로 고침 스케줄러가 작동하는 방식(활성화된 경우)을 보여줍니다.
+ 수요 계획 세부 수준 - 매주
+ 예측 기간 선택됨 - 5
+ 주기 내 예측 새로 고침 일정 - 활성화됨
+ 최종 예측 게시 - 요일 7일
+ 예측 예측 예측 게시 – 3일
+ 잠금 기간 - 2
![\[예측 잠금과 함께 주기 내 예측 새로 고침 스케줄러 작업 표시(활성화된 경우)\]](http://docs.aws.amazon.com/ko_kr/aws-supply-chain/latest/userguide/images/forecast_intracycle.png)
# Forecast 모델 분석기
예측 모델 분석기는 여러 예측 모델(과거 및 미래 예측 기간)에서 예측 실험을 실행하는 데 사용할 수 있는 셀프 서비스 도구입니다. 실행되면 다양한 예측 모델의 결과를 검토할 수 있습니다. 정확도 지표와 예측 및 실제 수요 간의 시각적 비교를 사용하여 비즈니스 데이터 패턴에 적합한 필수 예측 모델을 선택할 수 있습니다. 예측 모델 분석기는 서로 간의 간섭 없이 또는 그 반대로 프로덕션 수요 계획이 실행되는 동시에 실행할 수 있습니다.
**참고**
Forecast 모델 분석기는 선택적 워크플로입니다. 비교할 예측 모델이 여러 개 없는 경우에서 제공하는 기본 예측 모델 권장 사항을 계속 사용할 수 있습니다 AWS Supply Chain.
예측 모델 분석기는 두 가지 주요 평가 시나리오를 지원합니다.
+ 백 테스트 시나리오 - 과거의 예측 시작일을 설정합니다. 이 시나리오에서는 예측이 생성되고 실제 수요 기간과 중복되는 예측 기간에 대한 정확도 지표가 계산되고 보고됩니다.
+ 예측 전달 시나리오 - 예측 시작 날짜를 설정하지 않으며 예측과 실제 데이터 간에 중복이 없습니다. 이 시나리오에서는 예측이 생성되지만 실제 수요 데이터를 사용할 수 없으므로(향후 기간의 경우) 정확도 지표가 계산되거나 보고되지 않습니다. 수요가 최근 추세 및 전년(들) 수요에 대해 어떻게 예측되는지 여전히 확인할 수 있습니다.
예측 모델 분석기를 실행하기 전에 수요 계획 설정이 구성되어 있는지 확인합니다. 예측 모델 분석기는 *시간 간격* 및 *계층 구조 세부 수준에* 대한 수요 계획 설정을 상속하는 동시에 예측 기간을 조정하고 선택적으로 예측 시작 날짜를 선택할 수 있는 유연성을 제공합니다.
백 테스트 또는 순방향 예측 시나리오를 실행하도록 선택할 수 있습니다. 기본값은 예측 시작 날짜를 지정하지 않고 실제 수요 기록의 마지막 주문 날짜를 기반으로 하는 미래 예측 시나리오입니다. 자세한 내용은 [첫 번째 수요 계획 생성](onboarding.md) 단원을 참조하십시오. 그러나 백 테스트 시나리오를 실행하기로 선택한 경우 예측 시작 날짜를 재정의하고 백 테스트 목적으로 과거의 날짜를 선택할 수 있습니다. 선택한 예측 시작 날짜가 *outbound\$1order\$1line *데이터 세트 종료 날짜보다 늦으면 실제 수요 기록의 기본 계획 주기 마지막 주문 날짜가 사용됩니다. 선택한 예측 시작 날짜가 *outbound\$1order\$1line * 시작 날짜보다 이전이거나 수요 기록의 길이가 충분하지 않은 경우 예측이 실패하고 오류가 표시됩니다. 자세한 내용은 [데이터 세트를 업로드하기 전의 필수 조건](data_quality.md) 단원을 참조하십시오.
월별 간격의 경우 월초를 선택하고 주별 간격의 경우 월요일을 선택하는 것이 좋습니다. 다른 날짜를 선택하면 Demand Planning이 가장 가까운 기본 날짜로 자동 조정됩니다. 예를 들어 수요일을 예측 시작일로 선택한 경우 수요 계획은 다음 월요일을 주간 간격의 예측 시작일로 선택합니다. 마찬가지로 2024년 5월 10일을 선택하면 2024년 6월 1일이 월별 간격의 계획 주기 시작일이 됩니다.
**참고**
입력한 예측 기간 동안의 과거 수요 데이터의 4배 이상이 있는지 확인합니다.
모델 분석기 결과를 검토한 후 예측 분석기 도구에서 예측 알고리즘 선택을 선택하거나 변경할 수 있습니다. 또는 모델 분석기를 사용하지 않도록 선택하고 사용할 예측 알고리즘 선택을 직접 선택하거나 변경할 수 있습니다.는 모델 분석기를 사용하지 않을 때 데이터 세트의 기본 예측 방법을 AWS Supply Chain 선택합니다.
Forecast Model Analyzer는 여러 모델의에서 예측 및 예측 지표를 생성합니다. 에 포함된 모델 목록입니다[Forecast 알고리즘](forecast-algorithims.md).
## 예측 모델 분석기 세부 정보 보기
생성된 예측 모델 분석기 세부 정보를 보려면 다음 단계를 완료하세요.
1. AWS Supply Chain 대시보드의 왼쪽 탐색 창에서 **Demand Planning**을 선택한 다음 **Forecast Model Analyzer**를 선택합니다.
1. **Forecast Model Analyzer**에서 주요 지표(예: 예측이 생성된 제품, 사이트, 채널 및 고객 수), 시간 간격, 예측 기간, 예측 시작 날짜, 사용된 데이터 세트 목록, 예측 세부 수준 및 사용된 입력 데이터와 같은 예측 요약을 포함하여 모델 분석기의 각 반복에 대한 메타 데이터를 볼 수 있습니다.
1. **Forecast(s) Vs에서 실제 수요**는 실제 수요 기록, 전년도 수요, 추세 및 계절성을 분석하기 위한 예측을 표시하는 그래프를 볼 수 있습니다. **보기 창 시작** 및 **보기 창 끝**을 조정하여 과거 기간을 검토할 수 있습니다. 구성된 시간 간격에 따라 28일, 52주, 48개월 및 10년의 과거 매출을 볼 수 있습니다. 최대 5개의 예측 결과를 동시에 보고 비교할 수 있습니다.
1. **측정값에서 편집을 선택하여 선택한 예측 모델을 편집합니다**. ****
1. **모델 개요 및 선택**에서 테이블에는 평가된 예측 방법의 요약이 표시됩니다. 백 테스트 시나리오에서 표에는 WAPE, 바이어스 %, MAPE 및 sMAPE와 같은 집계 예측 정확도 지표도 표시됩니다. 또한 **선택을** 선택하여 예측 모델을 선택할 수 있습니다. 변경 사항은 후속 예측 주기 중에 적용됩니다.
1. **선택 사항을 Demand Plan에 적용을** 선택합니다.
최대 2개의 예측 모델 분석기 결과를 동시에 볼 수 있습니다. 최신 분석기 결과는 완전히 대화형으로 유지되므로 제품을 신중하게 평가한 후 원하는 예측 방법을 선택하고 적용할 수 있습니다. 이는 다음 예측 생성에 적용됩니다. 이전 분석기 결과는 읽기 전용으로 렌더링됩니다. 예측 방법의 두 결과를 실제 수요 기록과 함께 내보낼 수 있습니다. 내보낸 데이터에는 예측 기간 및 세부 수준, P10/50/90 분위수별 예측에 대한 자세한 정보가 포함됩니다. 백 테스트 시나리오의 경우 내보내기에는 실제 수요 데이터와 해당 정확도 지표가 포함됩니다.
예측 모델 분석기를 사용하거나 수요 계획 설정에 따라 언제든지 예측 선택 방법을 수정할 수 있습니다. 변경 사항은 후속 예측 주기 중에 적용됩니다. 수요 계획 페이지에는 현재 및 다음 예측 모델의 예측 방법에 대한 메타 데이터가 표시됩니다.
# Demand Plan 설정 관리
언제든지 Demand Planning 설정을 업데이트하여 예측이 더 정확하고 예측이 성공적으로 생성될 때 적용되도록 할 수 있습니다.
**참고**
**수요 계획** 페이지에서 *시간 간격* 및 *계층 구조 레벨*을 수정하면 이전 버전이 더 이상 새 예측 설정에 맞지 않기 때문에 이전 예측 버전을 사용할 수 없게 됩니다.
*시간 간격* 또는 *계층 구조* 구성을 수정할 때와 예측을 재생성할 때 정확도 지표 값은 관련이 없으므로 정확도 지표가 표시되지 않습니다.
1. AWS Supply Chain 대시보드의 왼쪽 탐색 창에서 **설정** 아이콘을 선택합니다.
1. **조직**에서 **Demand Planning**을 선택합니다.
**Demand Planning 설정** 페이지가 나타납니다.
[첫 번째 수요 계획 생성](onboarding.md)의 단계에 따라 Demand Planning 구성 설정을 편집합니다.
# 역할 기반 액세스 제어
AWS Supply Chain Demand Planning은 두 가지 기본 액세스 수준을 제공합니다.
+ 액세스 관리
+ 전체 수요 계획 기능(예측 생성, 구성, 생성)
+ 재정의 추가 및 수요 계획 게시
+ 계획 및 보고서 내보내기
+ 데이터 검증, 수요 패턴 분석 및 Model Analyzer에 액세스
+ 액세스 보기
+ 생성 및 게시된 수요 계획 보기
+ 수요 패턴 분석 보기(**예측 검토** 페이지의 **수요 패턴** 탭)
**Topics**
+ [사용자 액세스 관리](manage-user-access.md)
# 사용자 액세스 관리
AWS Supply Chain 관리자는 역할 및 권한을 수정할 수 있습니다.
**Topics**
+ [새 사용자 추가](add-new-users.md)
+ [기존 사용자 액세스 수정](modify-user-access.md)
+ [사용자 지정 역할 생성](create-custom-roles.md)
+ [데이터 세트 요구 사항](dataset-requirements.md)
# 새 사용자 추가
새 사용자를 추가하려면 다음 단계를 따릅니다.
1. **설정**, **사용자 및 권한**, **사용자를** 선택합니다.
1. **새 사용자 추가**를 선택하고 사용자를 검색합니다.
1. 권한 역할을 할당합니다.
# 기존 사용자 액세스 수정
기존 사용자 액세스를 수정하려면 다음 단계를 따르세요.
1. **설정**, **사용자 및 권한**, **사용자를** 선택합니다.
1. **권한 역할** 드롭다운 메뉴에서 적절한 역할을 선택합니다.
**참고**
사용자는 하나의 권한 역할만 가질 수 있습니다. 여러 액세스 권한의 경우 사용자 지정 역할을 생성합니다.
# 사용자 지정 역할 생성
사용자 지정 역할을 생성하려면 다음 단계를 따릅니다.
1. **설정**, **사용자 및 권한을** 선택하고 **새 역할 생성을** 선택합니다.
1. **역할 이름을** 입력하고 **Demand Planning** 섹션에서 액세스 **관리** 또는 **보기를** 선택합니다.
1. 데이터 세트 액세스를 구성합니다.
1. **저장**을 선택합니다.
# 데이터 세트 요구 사항
다음은 중요한 데이터 세트 요구 사항입니다.
+ 기본 역할에는 필요한 모든 데이터 세트에 대한 액세스가 자동으로 포함됩니다.
+ 사용자 지정 역할에는 asc\$1adp\$1dp\$1segmentation, asc\$1adp\$1forecast, asc\$1adp\$1planning\$1cycle\$1accuracy, outbound\$1order\$1line, product, product\$1alternate 및 supplementary\$1time\$1series의 7가지 필수 데이터 세트에 대한 액세스 권한이 부여되어야 합니다.
+ "asc\$1adp\$1dp\$1segmentation"에 대한 액세스는 수요 패턴 및 권장 기능에 특히 필요합니다.