신경망 - 딥 러닝을 통한 미래 매출 예측
예측은 조직의 관심 분야입니다. 과거의 관찰을 바탕으로 해당 관찰을 사용하여 미래의 결과를 예측하는 것은 의사 결정권자가 더 나은 결정을 내리는 등 많은 실용적인 응용 분야가 있습니다. 조직은 종종 전략적 계획 수립을 지원하기 위해 매출 예측을 사용하며, 예측을 통해 미래를 더 잘 계획하고, 생산성을 높이며, 필요할 때 방향을 전환합니다. 예측의 또 다른 주목할 만한 예는 우리 모두가 매일 사용하는 날씨 예보입니다.
시계열 분석은 일련의 시간 인덱스가 있는 점들을 사용하여 시계열 데이터로부터 예측을 수행하는 것을 목표로 하는 일반적인 분야입니다. 전통적으로 판매 예측 작업은 통계 분야의 단순한 선형 회귀 모델을 사용했으며, 최근에는 기계 학습 분야에서 개발된 랜덤 포레스트 모델을 사용했습니다. 인공지능 기술은 특정 상황, 특히 함수에 선형성이 없는 경우에 더 정확합니다.
본 사례 연구는 매출 예측에 대한 장단기 메모리(LTSM) 인공지능 접근 방식의 사용을 탐구합니다. 예측값이 실제 값과 매우 근접하게 일치하는 방법을 보여줍니다. LTSM은 자연어 처리와 같은 다른 분야에서도 성공적으로 사용되었습니다.
랜덤 포레스트는 잘 작동하는 것으로 입증되었으며 과적합을 피하지만, 데이터 세트가 크고 복잡해짐에 따라 예측 시 효율적으로 확장되지 않습니다. 따라서 매우 제한된 데이터 세트를 가진 문제의 하위 집합을 제외한 모든 실제 환경에서 구현하기 어렵습니다.
LTSM은 각 타임스텝에 대해 순차적으로 학습하고 데이터를 직접 모델링하도록 설계된 신경망 변형을 학습시킴으로써 이전 접근 방식의 한계를 극복합니다. 이는 입력, 출력 및 망각 게이트라는 일련의 게이트를 통해 달성됩니다. 값은 각 타임스텝에서 기억되며, 게이트는 상태 간의 정보 흐름을 조절합니다. 본질적으로, 네트워크는 데이터의 기능에 대해 학습하여 AI가 복잡한 관계를 파악할 수 있도록 합니다. 아래의 예를 고려해 보십시오. 녹색 선은 실제 데이터를 나타내고 빨간색 선은 LTSM을 통한 예측 데이터를 나타내며, 예측이 실제 값을 예측하는 데 매우 근접하다는 것을 알 수 있습니다.
조직적 과제 개요
의사결정은 일반적으로 미래 방향에 대한 고려가 필요한 지속적인 조직 프로세스입니다. 전략적 의사결정권자는 시장의 향방을 고려할 수 있는 반면, 운영 의사결정권자는 서비스 전달 가능성을 보장하기 위해 수요와 공급을 고려할 수 있습니다.
조직, 특히 조직의 규모가 커짐에 따라 방대한 양의 데이터가 주어지므로 수많은 데이터 준비 문제와 이러한 분석에 사용할 데이터를 수집하는 데 어려움이 있습니다. 우리는 이 문제를 우리의 기사 "AI에 사용하기 위한 조직 데이터 준비"(https://telemus.ai/preparing-organisational-data-for-use-with-ai.html)에서 길게 논의했습니다. 의사 결정의 유형에 관계없이 고품질 데이터는 더 나은 의사 결정을 내리는 데 도움이 됩니다. 의사 결정 시 미래를 고려하는 것은 항상 염두에 두어야 할 사항입니다. 조직의 현재 환경을 파악하는 것은 종종 더 쉽습니다. 미래를 내다보는 것은 더 복잡해집니다. 일반적인 방법에는 현재 추세를 분석하고 이전 연도의 동일한 시기를 되돌아보고 무슨 일이 일어날지 확인하고 어떤 혁신이 다가오고 있는지 결정하고 논리적으로 환경이 어떻게 변할지 추론하는 것이 포함됩니다. 이러한 데이터 포인트를 신중하게 분석하면 매우 정확할 수 있습니다.
데이터가 분석할 준비가 되었다고 가정할 때, 예측은 조직 내에 데이터 분석 기능을 내장하여 현재 벤치마크와 밀접하게 일치하는 정확하고 예측 가능한 보고서를 생성해야 하는 복잡한 분야이다. 점점 더 많은 솔루션이 이 기능을 수행하는 데 도움이 되도록 제공되고 있지만, 여전히 많은 솔루션에 프로그래밍 기술이 필요하다. Microsoft Excel과 같은 도구는 포인트 앤 클릭 인터페이스를 통해 많은 통계 방법을 수행할 수 있지만, 머신러닝과 인공지능을 사용하는 방법은 일반적으로 제공되지 않는다.
조직이 직면한 또 다른 문제는 예측 생성을 절차화하고 프로덕션화하여 조직의 일일 운영의 일부가 되도록 하는 것입니다. 산업의 현재 상태에서 생성되는 이러한 예측의 대부분은 정적인 임시 분석을 통해 이루어집니다. 예측 자체는 정확한 경향이 있지만, 예측에 도달하는 과정은 이를 종합하는 임무를 맡은 개인 팀에 크게 좌우됩니다. 문서화 및 단계별 가이드는 개인과 그룹이 다른 분야로 이동할 때 연속성을 보장하고 도움을 줄 수 있는 가능한 방법입니다. 그러나 이는 이러한 프로세스를 실행하는 데 필요한 필수 기술을 완전히 해결하지는 못합니다.
데이터 예측 및 분석 프로세스를 IT 시스템 내에 내재화하는 것은 조직이 데이터 전략과 함께 성숙해지도록 하는 핵심적인 발전입니다. 인공지능이라는 분야의 복잡성과 인공지능을 활용해야 하는 작업을 수행하는 데 있어서의 복잡성을 고려할 때, 조직은 이러한 역량을 수용하기 위해 적응해야 할 것입니다. 예측은 시간이 지남에 따라 AI에 의존하게 될 분야이며, 전통적인 방법에 의존하는 조직은 곧 자신이 불리한 위치에 있음을 알게 될 것입니다. Telemus AI™는 최신 AI 기술을 사용하여 조직의 마이그레이션 예측을 지원할 수 있도록 갖추어져 있습니다.
ML 입력으로 사용 가능한 조직 데이터
AI 예측에 사용할 수 있는 데이터 소스는 다음과 같습니다:
- CRM 시스템(예: Salesforce, Microsoft CRM)의 고객 메타데이터.
- 거래 타임스탬프 및 금액(예: PoS 시스템, Stripe, PayPal).
- 재고 관리 시스템.
통합 방법론
다음은 조직 내에서 그러한 피드를 분석하기 위해 당사가 수행하는 상위 수준의 프로세스에 대한 개요입니다:
- Salesforce, Stripe 또는 원시 은행 거래와 같은 소스 시스템의 영업 데이터를 추출합니다.
- 데이터가 올바르고 오류가 없는지 확인하기 위해 데이터를 시각화하고 검증합니다.
- 훈련 데이터를 LTSM AI를 통해 실행한 다음 테스트 데이터를 사용하여 평가하고, 시각화 기술을 통해 예측이 정확해 보이는지 확인하고 표준 오차를 계산합니다.
- 현재의 실제 데이터 포인트를 고려하기 위해 시간이 지남에 따라 예측을 계속 업데이트하십시오.
- 예측을 보여주는 보고서를 작성하고 특히 주요 의사결정권자를 포함한 더 광범위한 조직에 전달합니다.
Telemus AI™는 즉시 사용 가능한 고급 AI 지원 예측 기능을 제공하므로, 조직은 기술적 구현보다 비즈니스 로직에 집중할 수 있습니다.
조직적 응용 프로그램
귀하의 조직을 위한 잠재적 애플리케이션의 목록은 다음과 같습니다:
- 매출 예측 및 패턴과 트렌드 식별.
- 결과를 개선하기 위해 예측을 기반으로 영업 전략을 조정합니다.
- 제품의 효율적인 관리를 보장하기 위한 공급망 관리.
- 직원 이탈률 예측.
잠재적 및 실현된 이점
예측하는 능력은 조직에 미래를 계획하는 데 있어 엄청난 이점을 제공하여 운영이 더 효율적으로 이루어지도록 합니다. 또한 시장 점유율을 놓고 경쟁하는 기업에게 경쟁 우위를 제공합니다. 이러한 이점의 대부분은 기존 기술로 이미 실현되고 있으며, 예측은 결코 새로운 것이 아닙니다.
LTSM과 같은 AI 기반 방법은 작동 방식 측면에서 통계적 방법보다 본질적으로 더 복잡하지만, 실용적인 문제 해결에 사용하기 위해 구현될 때 엄청난 이점을 제공합니다. 기존의 통계 기반 방법에서 일반적으로 필요로 하는 복잡한 분석 및 모델링 없이도 많은 데이터 세트에 적합할 수 있으며, 이전에 제공된 머신 러닝 모델과 달리 확장성도 뛰어납니다. 따라서 조직은 이전 환경에서 가용 자원으로 처리할 수 있었던 것보다 훨씬 더 많은 시나리오를 예측하고 추정할 수 있습니다.
Telemus AI™은 정부 및 기업에 고급 솔루션을 제공하는 호주 기반의 인공지능 기업입니다. Telemus AI™을 귀하의 조직에 어떻게 통합할 수 있는지 무료 상담을 위해 오늘 당사에 문의하십시오.
참고 문헌
[1] - 매출 예측 - Barış Karaman
