프로젝트 기반 사업을 위한 구매 수요예측
수요예측 모델 구축 가이드: 2단계 머신러닝 접근법
프로젝트 기반 사업에서 구매 부서는 본질적인 예측의 어려움에 직면합니다. 일반적인 제조업과 달리 수요가 불규칙하고 간헐적으로 발생하는 럼피(Lumpy) 수요 패턴으로 인해, 전통적인 시계열 분석 기법은 유효하지 않은 경우가 많습니다. 이는 부정확한 예산 수립, 자재 수급 지연, 과잉 재고 등 프로젝트의 수익성과 직결되는 다양한 리스크를 초래합니다.
따라서 구매 부서는 '감'에 의존하는 예측에서 벗어나, 데이터에 기반한 정교한 예측 모델을 도입하여 불확실성을 관리하고 전략적 의사결정을 지원해야 합니다. 본 글은 구매 부서의 관점에서 실용적으로 적용할 수 있는 2단계 머신러닝 수요예측 모델 구축 방법론을 제시합니다.
예측 패러다임의 전환: '발생 여부'와 '규모'의 분리
성공적인 모델 구축의 핵심은 예측 문제를 단일 질문이 아닌, 두 개의 논리적 단계로 분리하는 데 있습니다. 이는 숙련된 구매 관리자의 의사결정 프로세스를 정형화한 것과 같습니다.
* 수요 발생 예측 (Classification): 특정 기간 내에 특정 자재에 대한 구매 수요가 발생할 것인가?
* 수요 규모 예측 (Regression): 만약 수요가 발생한다면, 그 규모는 어느 정도일 것인가?
이러한 2단계(Two-Stage) 접근법은 각 단계에 최적화된 머신러닝 모델을 적용함으로써 예측의 정확도를 극대화하고, 구매 활동에 직접적인 통찰력을 갖고자 적었습니다.
1단계: 데이터 자산의 구축 및 정제
정확한 모델은 양질의 데이터로부터 시작됩니다. 모델 구축에 앞서 과거 프로젝트의 데이터를 체계적으로 수집하고 정제하여 분석 가능한 자산으로 만드는 과정이 필수적입니다.
* 과거 구매 기록 (Procurement Records): 모든 예측의 기초가 되는 핵심 데이터입니다. 품목, 발주 시점, 발주량, 단가, 공급업체, 리드타임 등의 정보를 포함해야 합니다.
* 프로젝트 정보 (Project Information): 프로젝트의 유형, 계약 규모, 공기, 현재 진행 단계(기본설계, 상세설계, 시공 등)와 같은 거시적 변수는 수요 패턴에 중요한 영향을 미칩니다.
* 엔지니어링 데이터 (Engineering Data): 설계 도면 발행률, 자재 소요 목록(MTO) 확정률 등 엔지니어링의 진척도는 구매 수요 발생의 선행 지표로 활용될 수 있습니다.
* 외부 시장 데이터 (Market Data): 주요 원자재 가격 지수, 환율, 산업 경기 지표 등은 비용 예측 및 시장 리스크 분석의 정확도를 높이는 데 기여합니다.
2단계: 수요 발생 예측 모델링 (분류 모델)
첫 번째 모델은 특정 기간 내 구매 수요의 발생 확률을 예측하는 것을 목표로 합니다.
* 모델의 역할: 과거 데이터의 패턴을 학습하여, 새로운 프로젝트의 현재 조건(예: 상세설계 70% 진행)을 입력했을 때 특정 자재의 구매 필요성이 발생할 확률을 계산합니다.
* 활용 방안:
* 선제적 자원 계획: 특정 분기에 발주 업무가 집중될 것을 예측하고 구매팀의 인력을 사전에 효율적으로 배분할 수 있습니다.
* 조기 시장 조사: 발주 확률이 높은 장납기 품목에 대해 미리 공급업체를 물색하고 생산 능력(capacity)을 점검하는 등 선제적인 공급망 관리가 가능해집니다.
* 결과물 예시: "A 품목, 4분기 내 발주 발생 확률: 82%"
3단계: 수요 규모 예측 모델링 (회귀 모델)
수요 발생이 유력하다고 판단된 품목에 대해, 두 번째 모델이 실제 필요한 수량의 범위를 예측합니다. 이 모델은 과거 데이터 중 실제로 발주가 발생했던 사례만을 학습하여 예측의 정확도를 높입니다.
* 모델의 역할: 프로젝트의 규모, 기술 사양 등 다양한 변수가 실제 발주량에 미치는 영향을 분석하여 예상 수요량의 범위를 추정합니다.
* 활용 방안:
* 정확한 예산 편성: 예측된 수요량 범위를 기반으로 최소/최대 시나리오를 설정하고, 데이터에 근거한 합리적인 예비비(contingency)를 책정할 수 있습니다.
* 물류 및 재고 계획: 예상 입고 물량을 바탕으로 현장 야적장 공간, 운송 계획, 초기 재고 수준 등을 최적화할 수 있습니다.
* 결과물 예시: "A 품목, 예상 발주량은 평균 1,500톤이며, 신뢰수준 90% 하에 1,250톤에서 1,800톤 사이로 예측됨"
전략적 구매 기능으로의 진화
이 방법에 따라 수요예측 모델을 구축하고 활용해보면, 구매 부서가 단순히 요청에 따라 발주를 처리하는 수동적, 반응적 기능에서 벗어나 프로젝트의 리스크를 선제적으로 관리하고 원가 경쟁력에 기여하는 부서가 되지 않을까 싶습니다.
데이터 기반의 정량적 예측은 불확실성이 높은 프로젝트 환경에서 구매 의사결정의 질을 향상시키지 않을까 싶습니다.
많이 사면 많이 샀다고, 적게 사면 적게샀다고 욕먹는 당신에게 이 글을 바칩니다.
