시계열 예측이란 무엇인가요?
시계열 예측은 미래 시점을 예측하기 위해 이전 시계열 데이터를 모델링하는 일종의 통계 또는 머신러닝 접근방식입니다.
시계열 예측의 과제
시계열 예측은 다른 유형의 모델과 비교해보면 계절성, 공휴일 효과, 데이터 희소성, 변화 추세와 같은 고유한 문제를 수반합니다. 많은 머신러닝 기법이 시계열의 순차적 특성과 시간적 상관관계로 인해 제대로 작동하지 않습니다. 예를 들어 k-fold 교차 검증은 데이터 유출을 초래할 수 있으며 새 예측을 생성하기 위해 모델을 다시 학습시켜야 합니다. 과적합과 과소적합 사이의 균형은 시간 차원을 무작위로 선택하는 기능이 없어서 까다로운 작업입니다. 예측할 수 있는 수백만 개의 항목이 있는 경우 모든 예측 솔루션의 확장성도 고려해야 합니다. 예측 외에도 이상 감지, 불확실성 수치화, 인과 추론 등의 작업은 비즈니스에 중요할 수 있습니다. 시계열 예측은 타임스탬프가 있는 데이터에 대한 지도 학습만이 아닙니다. 다행히 Google Cloud는 모든 비즈니스 요구사항에 맞는 다양한 솔루션을 제공합니다.
예를 들어 대형 소매점에는 수요가 많을 때 재고를 사용할 수 있고 수요가 낮을 때 과잉 재고가 없도록 예측할 수 있는 수백만 개의 항목이 있을 수 있습니다.
시계열 예측 사용 사례
수요 예측 및 용량 계획
제품에 대한 소매업 수요 예측
소매 제품의 수요를 예측하는 엔드 투 엔드 솔루션을 빌드하세요. 이전 판매 데이터를 사용하여 BigQuery ML로 수요 예측 모델을 학습시킨 후 Looker Studio 대시보드에서 예측 값을 시각화하여 이해관계자와 공유하세요. Google Cloud에서 수요 예측 참조 패턴을 통해 수백만 개의 제품으로 확장할 수 있는 수요 예측 솔루션을 빌드하는 방법을 알아보세요. 또한 참조 패턴을 사용하여 수요 예측을 통해 음식물 쓰레기를 줄이는 방법을 알아볼 수 있습니다.
상품 가격 예측
시계열 모델은 비즈니스 및 생산 처리에 중요한 상품의 가격을 예측하고 현금 유동성 모델 및 재무 계획에 정보를 제공하는 데 사용됩니다.
현금 유동성 예측
시계열 모델은 일반적으로 회귀 및 분류 모델과 결합되어 트랜잭션 데이터 및 계약 의무와 함께 이전 회계 시계열을 기반으로 매우 정확한 현금 유동성 예측을 생성합니다. 여기에서 ARIMA_PLUS를 BigQuery ML과 함께 사용하여 GLM, 부스티드 트리 모델, AutoML과 같은 BigQuery ML의 지도 학습 모델과 결합할 수 있습니다.
- 공급망 예측
- 잠재적인 수요 동인은 많으며 유통 센터의 경우 소비자 수요를 충족하기 위해서는 사전 준비가 필요합니다. 공급망 유통 센터에서 날씨, 제품 리뷰, 거시경제적 지표, 경쟁사 활동, 원자재 가격 정보, 화물 요금, 해상 운송 비용 등의 신호를 포함할 수 있는 모델을 구축하는 데 Vertex AI Forecast가 어떻게 도움이 되는지 알아보세요.
이상 감지
수요 예측을 통한 이상 감지
연말연시, 선물 시즌, 연말 세일 기간에는 예상되는 급증이 발생하는 경우도 있습니다. 하지만 예상치 못한 급증 또는 급감이 발생하면 어떻게 해야 할까요? 예를 들어, 예상하지 못했던 수요가 비정상적으로 높거나 낮은 경우 어떻게 파악할 수 있나요? 런던에서 대중교통 운행이 중단된 날에 맞춰 BigQuery ML에서 이상 감지를 사용하여 이상 자전거 대여 급증을 찾는 방법을 알아보세요.
제조 품질관리 및 측정항목 모니터링
IoT 센서에서 프로덕션 출력에 이르기까지 측정항목 모니터링은 여러 가지 형태로 제공될 수 있습니다. 하지만 공통적인 요소는 이러한 측정항목의 일반적인 범위를 예측하여 모니터링 시스템을 갖춘 상태로 사전 계획을 세우고 최대한 빠르게 대응할 수 있도록 하는 것입니다.
이상 감지의 다른 일반적인 사용 사례로는 잘못된 가격 책정으로 인한 가격 이상, 실시간 이상 감지, 제조 품질관리가 있습니다.
인과 추론
광고 효과
광고가 비즈니스를 향상하는 데 얼마나 효과적이었나요? 인과 추론을 사용하면 광고 캠페인의 통계적 유의성을 파악하는 데 도움이 됩니다.
주요 이벤트가 시계열에 미치는 영향
브렉시트와 같은 주요 이벤트가 시계열에 미치는 영향이 통계적으로 유의미한지 확인할 수 있습니다. '브렉시트 투표가 영국 파운드와 미국 달러 간의 환율에 어떤 영향을 미쳤나요?'에 대한 답을 찾는 인과 추론에 대해 자세히 알아보세요.
인과 추론 분석의 다른 영역에는 프로모션, 인센티브 효과, 가격 탄력성 추정치가 포함됩니다.
Google Cloud의 시계열 예측
BigQuery ML
BigQuery ML을 사용하면 BigQuery에서 표준 SQL 쿼리를 사용하여 머신러닝 모델을 만들고 실행할 수 있습니다. ARIMA_PLUS라는 모델 유형을 지원하여 시계열 예측 및 이상 감지 작업을 수행합니다.
BigQuery ML에서 ARIMA_PLUS 모델링을 사용하면 데이터 웨어하우스를 벗어나지 않고도 단일 SQL 쿼리 내에서 수백만 개의 시계열을 예측할 수 있습니다.
ARIMA_PLUS는 기본적으로 다음과 같은 기능을 포함하는 시계열 모델링 파이프라인입니다.
- 시계열의 데이터 빈도 추론
- 누락된 데이터, 불규칙한 시간 간격, 중복된 타임스탬프 처리
- 급상승 및 급하락 이상점과 급격한 수준 변화 감지 및 조정
- 공휴일 효과, 시즌성, 트렌드에 대응
쿼리 하나로 수천만 개의 시계열을 한 번에 예측할 수 있습니다. 사용 가능한 BigQuery 슬롯이 충분한 경우 서로 다른 모델링 파이프라인이 동시에 실행됩니다.
다음 튜토리얼을 사용하여 BigQuery ARIMA_PLUS를 시작할 수 있습니다.
- BigQuery ML ARIMA_PLUS를 사용한 Google 애널리틱스 웹 트래픽의 단일 시계열 예측
- BigQuery ML ARIMA_PLUS를 사용한 뉴욕시 자전거 여행의 여러 시계열 예측
- BigQuery의 시계열 수백만 개로 확장 가능한 예측
- BigQuery ML ARIMA_PLUS를 사용한 소매 판매 수요 예측
자세한 내용은 BigQuery ML 공개 문서를 참조하세요.
Vertex Forecast
Vertex Forecast는 사용자에게 시계열 예측 모델을 학습시키는 여러 옵션을 제공합니다.
- AutoML 모델. AutoML 학습을 사용하면 다양한 특성 추출 방식을 먼저 적용한 후 빠른 초매개변수 검색을 수행하고 AutoML은 일부 Google 소유 모델을 비롯한 여러 고급 모델 아키텍처를 살펴봐서 결국에는 고품질 모델을 생성합니다.
- Seq2seq plus. 학습 프로세스에서는 특히 시퀀스-시퀀스 모델 아키텍처 내에서 초매개변수를 사용하며 초매개변수 검색 공간의 범위를 줄여 빠르게 수렴할 수 있습니다.
자세한 내용은 Vertex Forecast 공개 문서를 참조하세요.
Vertex Forecasting 튜토리얼l로 시작할 수 있습니다.
커스텀 예측
자체 커스텀 코드를 가져오고 Google Cloud에서 학습/제공 인프라를 활용하려는 경우 Vertex AI Workbench를 사용하여 원하는 Python, R, TensorFlow 또는 PyTorch에서 코드를 실행합니다.
일변량 예측과 다변량 예측
일변량 예측을 사용하면 이전 시계열 데이터만 사용하여 향후 데이터를 예측합니다. 예를 들어 뉴욕시의 내일 기온을 예측하기 위해 일변량 예측은 과거의 기온을 예측하는 데 단일 변수인 이전 온도만 예측하여 사용합니다. 일변량 예측을 통해 시즌별 패턴과 트렌드도 파악할 수 있습니다.
다변량 예측을 사용하면 여러 요소를 사용하여 미래의 데이터를 예측합니다. 예를 들어 과거의 기온 외에 내일 뉴욕시의 기온을 예측하는 데 기압, 자외선 지수, 인근 지역의 구름 범위 비율, 풍속 및 기타 변수를 사용할 수 있습니다.
아이디어를 얻었다면 당면 과제를 Google과 함께 해결해보세요.
BigQuery ML이 조직에 어떤 도움을 주는지 알아보세요. 문서 보기
관련 제품 및 서비스
Google은 운영 트랜잭션 실행부터 데이터 웨어하우스 및 데이터 레이크의 분석 애플리케이션 관리, 사일로를 세분화하는 풍부한 데이터 기반 환경에 이르는 모든 데이터 수명 주기 단계를 관리할 수 있는 기능을 제공합니다. AI/ML은 데이터 클라우드 솔루션의 핵심 구성요소로, 조직에서 유용한 정보를 빌드할 수 있도록 지원할 뿐만 아니라 데이터를 핵심으로 사용하여 핵심 비즈니스 프로세스를 자동화하도록 도와줍니다.
