데이터 기반 예측 모델로 전략적 의사결정 강화 하기
기업에서 예측 모델을 활용하는 이유는 데이터를 기반으로 미래를 미리 파악하고 불확실성을 줄이기 위해서입니다. 시장 상황, 수요 변화, 가격 변동과 같은 요소는 기업의 의사결정에 직접적인 영향을 미치지만, 이를 단순히 감이나 경험에 의존해 판단할 경우 예기치 못한 손실이나 과잉 대응이 발생할 수 있습니다.
예를 들어, 지난달 판매량이 증가했다고 해서 다음 달에도 동일한 추세가 유지된다고 단정하기 어렵습니다. 시즌, 명절, 외부 경제 지표, 정책 변화 등 다양한 요인들이 복합적으로 작용하기 때문입니다. 이처럼 데이터의 패턴과 구조를 체계적으로 분석해 미래를 예측하는 것이 바로 예측 모델의 역할입니다.
예측 모델을 활용하면 기업은 단순히 “다음 달의 값은 얼마일까?”를 넘어서, 언제 추세가 변할지, 어떤 외부 요인들이 영향을 미치는지, 어느 시점에서 전략을 조정해야 하는지 등을 미리 파악할 수 있습니다.
즉, 예측은 단순한 숫자 맞추기가 아니라 전략적 의사결정을 위한 근거가 됩니다.
HEARTCOUNT ABI에서도 이러한 목적을 위해 예측 모델을 실제 서비스에 적용하고 있습니다. 이번 글에서는 Prophet 기반 시계열 예측 모델을 활용한 사례를 중심으로 어떻게 데이터를 다루고 모델을 설계하며 실무에 적용하는지를 구체적으로 설명드리겠습니다.
HEARTCOUNT ABI 예측모델 사례 : Prophet + XGBoost 기반 시세 예측
HEARTCOUNT ABI는 실제 비즈니스 환경에서 데이터 기반 예측 모델을 어떻게 활용할 수 있는지를 보여주는 사례로, 공공데이터 기반 돼지고기 시세 예측 모델을 도입했습니다. 고객사는 기존에 축산유통정보에서 제공하는 시세 예측 자료를 참고했으나, 실제 시세와의 오차가 커서 예측 결과를 신뢰하기 어려운 상황이었습니다. 결국 현업 담당자들은 경험과 감에 의존해 시세를 추정하고, 그에 맞춰 생산 및 판매 계획을 수립하고 있었습니다.
이에 HEARTCOUNT ABI는 과거 데이터에 내재된 패턴과 주기성을 체계적으로 분석하고, 이를 바탕으로 Prophet 기반의 맞춤형 예측 모델을 설계했습니다. 이 모델은 시계열 데이터의 변동 요인(계절성, 이벤트 등)을 반영해 지육 시세의 미래 추세를 예측할 수 있었고, 그 결과 고객사는 감에 의존하던 계획 수립 과정에서 벗어나 데이터에 근거한 전략적 의사결정을 실현할 수 있게 되었습니다.
시계열 예측 모델 Prophet
Prophet을 선택한 이유는 단순히 예측 정확도 때문만은 아닙니다. 예측 모델이 실제로 가치를 가지려면 정확성, 해석 가능성, 유지 효율성을 모두 갖춰야 합니다. Prophet은 이 세 가지를 균형 있게 충족하는 모델이었습니다.
Prophet은 데이터를 구성하는 추세(Trend), 계절성(Seasonality), 이벤트(Holiday) 요인을 분리해 보여주기 때문에, 단순히 “값이 이렇게 예측됐다”를 넘어 왜 그렇게 예측됐는지를 설명할 수 있는 모델입니다.
Prophet은 시계열 데이터를 다음과 같은 구성 요소로 분해합니다.
g(t), s(t), h(t), εt는 각각 추세, 계절성, 휴일, 오차항을 나타냅니다.
- 추세(Trend): 시간이 지남에 따라 데이터가 증가하거나 감소하는 전반적인 방향을 학습
- 계절성(Seasonality): 주별, 월별, 연도별 처럼 일정 주기로 반복되는 패턴을 포착
- 휴일(Holiday): 명절이나 이벤트처럼 일시적으로 데이터를 변화시키는 외부 요인을 반영
- 오차(error): 데이터 잡음, 이상치처럼 예측 불가능한 오차항
이 구조를 통해 Prophet은 데이터의 변화 원인을 분리하여 이해할 수 있는 형태로 예측을 수행합니다.
또한 복잡한 하이퍼파라미터 조정 없이도 일정 수준 이상의 안정적인 성능을 보이며, CPU 환경에서도 빠르게 학습할 수 있어 운영 환경에서의 유지 비용이 낮고 자동화에 적합합니다.
무엇보다 Prophet은 changepoint 자동 탐지 기능을 통해 시장의 급격한 변화나 외부 요인에 따른 추세 변동을 빠르게 반영할 수 있습니다. 이는 실제 시세나 수요가 갑자기 바뀌는 상황에서 예측 모델이 방향을 잃지 않게 해주는 중요한 요소입니다.
이러한 이유로 HEARTCOUNT는 Prophet을 기본 모델로 채택하였고, changepoint 기반 파라미터 조정 및 잔차 보정 모델과의 결합을 통해 보다 정교한 예측 시스템을 구현했습니다.
예측 정확도를 높이는 모델 설계 및 튜닝 전략
HEARTCOUNT ABI의 예측 모델은 Prophet을 기반으로 하지만, 일반적인 Prophet 예측과는 달리 데이터의 변동성에 따라 파라미터를 자동 조정하고, 예측 오차를 학습해 보정하는 하이브리드 구조로 설계되어 있습니다.
이 접근법은 지육시세처럼 계절적 변동과 급격한 추세 변화가 공존하는 시계열에서 보다 안정적이고 일관된 예측 결과를 제공합니다.
예측 모델의 설계와 구현 프로세스
1. 파라미터 세팅 (Adaptive Parameter Tuning)
모델은 예측을 시작하기 전, 과거 데이터에서 최근 변화점(changepoint)의 발생 빈도를 분석합니다.
최근 변동이 많을수록 모델은 세밀한 추세 변화를 과도하게 학습할 위험이 있으므로, 이런 경우에는 changepoint_prior_scale과 seasonality_prior_scale 등의 파라미터 값을 보수적으로 설정하여 과적합을 방지합니다. 반대로 변동이 적은 안정 구간에서는 파라미터를 더 유연하게 조정하여 모델이 세밀한 변화를 적극적으로 학습하도록 합니다. 일반적인 Prophet 모델처럼 고정된 파라미터로 동작하지 않고, 변동성에 따라 자동으로 최적의 민감도를 설정하는 구조로 개선되었습니다.
2. Prophet 기반 예측
파라미터가 설정되면 Prophet은 추세(trend), 계절성(seasonality), 휴일(holiday) 효과를 분리하여 예측을 수행합니다. 모델은 changepoint를 자동으로 탐지해 시세가 급변한 시점을 반영하며, 주간(weekly)과 연간(yearly) 주기성을 동시에 적용하여 단기·장기 패턴을 함께 학습합니다. 또한 이벤트 feature(명절, 프로모션 등) 을 추가하여, 시기별 급등/급락 패턴이 시세에 미치는 영향을 반영합니다.
3. XGBoost로 잔차 보정 (Residual Correction)
Prophet은 구조적으로 선형 추세에 강점을 가지지만, 외부 요인과 같은 비선형 패턴 반응성은 제한적입니다. 이를 보완하기 위해 Prophet의 예측값(yhat)과 잔차(y - yhat)를 활용하여 잔차(Residual) 보정 모델을 추가로 학습시킵니다.
보정 모델은 XGBoost 기반으로 구성되며, Prophet의 예측 결과와 외부 요인을 input으로 사용해 Prophet이 포착하지 못한 세밀한 비선형 변화를 학습합니다. 외부 요인들이 잔차 보정에 영향을 주는지 먼저 상관분석을 통해 체크를 하고, 충분히 영향을 주는 요인이라고 판단이 되면 feature로 추가하여 예측에 사용합니다.
Prophet은 본질적으로 추세를 선형(Linear) 함수의 조합으로 표현하기 때문에, 변수 간 상호작용이나 갑작스러운 비선형 변화를 직접적으로 학습하기 어렵습니다. 반면 XGBoost는 트리 기반의 부스팅 모델로, 데이터의 복잡한 패턴과 비선형 관계를 유연하게 학습할 수 있습니다. 따라서 Prophet이 놓친 미세한 변동이나 외부 요인의 비선형 영향을 XGBoost가 보완해주는 구조로 설계했습니다.
결과적으로 Prophet의 안정성과 XGBoost의 비선형 학습 능력이 결합되어, 예측 오차가 체계적으로 줄어드는 구조를 형성합니다.
*여러 보정 모델을 비교한 결과, XGBoost가 잔차의 비선형 패턴을 가장 안정적으로 학습하며, 적은 데이터에서도 과적합 없이 일관된 성능을 보여 Prophet의 한계를 보완하는 데 가장 적합하다고 판단했습니다.
4. 결과 저장 및 시각화
예측 결과는 DB에 테이블 형태로 저장합니다. 그리고 자동으로 대시보드에 반영되어 예측값과 실제값을 비교하고, 오차의 변화를 시각적으로 확인할 수 있습니다. 또한 과거 예측 결과는 다음 학습 시점에 재활용되어 모델이 스스로 개선되는 순환 구조를 갖습니다.
5. 자동화 및 재튜닝 구조
예측 파이프라인은 설정해둔 스케줄에 따라 자동 실행되도록 구성되어 있습니다.
CRON job을 통해 모델 실행을 관리하며, 결과는 데이터베이스 및 시각화 대시보드에 자동 반영됩니다. 또한 changepoint 감지 빈도에 따라 튜닝 주기를 동적으로 조정합니다.
변동성이 낮은 시기에는 기존 파라미터를 유지하고, 변동성이 높을 때만 자동으로 최적 파라미터를 재탐색하여 운영 효율성과 예측 민감도의 균형을 유지합니다.
정리하자면, HEARTCOUNT ABI의 Prophet 기반 예측 모델은 단순한 시계열 모델이 아니라 데이터의 변동성을 감지하고, 자동으로 민감도를 조정하며, 잔차를 학습해 오차를 보정하는 동적 구조를 갖습니다. 이 점이 일반적인 Prophet 모델과의 가장 큰 차별점입니다.
Prophet + XGBoost 예측 결과 분석 및 성능 비교
HEARTCOUNT ABI에서 설계한 예측 모델은 단순 Prophet 모델보다 전반적인 예측 정확도에서 향상된 결과를 보였습니다. 특히 변화가 잦은 구간이나 급격한 시세 변동 구간에서 잔차 보정이 예측 안정성 확보에 중요한 역할을 한 것으로 확인되었습니다.
실제 데이터에서 확인을 해보기 위해 시세의 급등이 일어난 구간의 예시를 가져왔습니다.
아래 그래프에서 Prophet 단독 모델은 평온한 시기(변동성이 낮은 구간)에서는 양호한 성능을 보였지만, 급격한 변동이 발생한 시기(7월말에서 8월)에는 오차가 급증했습니다.
흔히 시계열 예측에서는 MAPE가 10% 미만일 경우, 비교적 우수한 성능으로 평가되어 실무 적용이 가능하다고 판단합니다. Prophet 단독 모델의 경우, 8월 예측에서 MAPE 8.46%로 충분히 양호한 결과를 보였습니다(물론 여러 튜닝 작업을 통해 성능을 높인 모델입니다). 그러나 이는 실제 시세 기준으로 약 500~600원 수준의 오차를 의미하며, 100원의 변동도 민감하게 반응하는 기업 입장에서는 결코 만족스러운 수준이라 보기 어렵습니다. 따라서 저희는 이러한 오차를 더욱 줄이기 위해 잔차 보정 모델을 추가 결합하여 예측 정확도를 개선했습니다.
실제로 그 결과를 보면, 기본 Prophet 모델은 변동성이 큰 구간에서 잔차가 급격히 커지는 경향을 보이지만, 보정 모델 적용 후에는 잔차 폭이 전반적으로 감소하였습니다. 특히 시세가 급변하는 구간에서도 오차가 빠르게 안정화되는 패턴을 확인할 수 있습니다. 이는 추가 보정을 진행한 모델이 Prophet이 미처 반영하지 못한 비선형적 외부 요인을 추가적으로 학습했기 때문으로 해석됩니다.
기본 모델과 개선 모델 (Prophet + XGBoost) 성능 지표 비교
아래 표는 동일한 기간 동안 기본 Prophet 모델과 개선 모델의 RMSE, MAPE 결과를 비교한 예시입니다.
잔차 보정 모델을 적용한 결과, 전반적인 오차 지표가 크게 개선되었으며 이는 changepoint 기반의 파라미터 조정과 Residual 보정을 통해 데이터의 급격한 변동 구간에서도 모델이 과적합 없이 추세를 안정적으로 반영한 결과로 해석됩니다.
특히 Prophet 단독 모델의 경우 8월 예측 구간에서 시세 급등으로 인해 오차가 커지는 경향이 있었으나, XGBoost을 통해 잔차 보정을 한 모델은 이러한 오차 패턴을 학습하여 단기 변동성에 대한 예측 정밀도를 높였습니다. 단순히 시계열의 추세를 따르는 것을 넘어, 예측과 실제의 차이(잔차)를 함께 학습함으로써 데이터의 미세한 패턴까지 포착할 수 있게 된 것입니다.
시계열 예측모델 사례가 유익하셨나요? HEARTCOUNT ABI는 데이터 변동을 예측하고 전략적 의사결정에 활용할 수 있는 대시보드를 제공합니다. 우리 기업에 필요한 데이터로도 가능할지 궁금하시다면, 지금 바로 도입 문의를 남겨보세요 :)
함께 읽으면 좋은 글
Briley Ok
Sun Jung
Mini Park
