구매 의사결정 지원을 위한 원자재 가격 예측 모델과 시황 분석 대시보드 구축 (AI 마스터플랜 과제 PoC)
01배경
- 롯데정밀화학 AI 마스터플랜 과제의 PoC로 주요 구매 원자재의 가격 예측 모델과 대시보드 구축
문제
- 가격 적정성을 판단할 객관적 기준 없이 현업 전문가의 경험에 의존한 견적 검토
- 소수의 고정 변수만 사용해 외부 요인, 추세, 주기성을 반영하지 못한 기존 예측
- 가격 상승기 선구매 같은 시황 대응형 재고 운영이 어려워 구매 비용 손실 발생
역할
- 3명 규모 팀에서 과제 리드, 현업 요구를 ML 문제로 정의하고 실험을 설계, 모델·파이프라인·대시보드 개발
접근
- 벤치마크를 먼저 확정하고 개선 기준을 고객과 합의, 규칙 기반 대비 MAPE 10% 이하, 1–4주·1–3개월 후 다구간 예측 목표
- 시계열을 lag 피처 기반 지도학습 회귀로 재구성, 갱신 주기가 다른 출처의 후보 속성 약 150개를 검토해 선별
- 피처 선별, lag, Direct·Recursive 방식, 가격·가격 변화량 타깃, 모델 등 7개 축을 독립 실험으로 비교
- 현업이 데이터를 올리고 모델을 재학습하며 SHAP 영향 요인과 볼린저 밴드를 확인하는 4페이지 대시보드 개발
주요 결정
| 결정 | 이유 | 트레이드오프 |
|---|
| 시퀀스 딥러닝 대신 지도학습 회귀 | 데이터 기간이 짧아 lag 피처 기반 트리 앙상블이 딥러닝보다 안정적 | 장기 의존성 표현이 lag 설계에 종속 |
| 모델보다 벤치마크 먼저 | Persistence·지수평활 모델로 최소 기준을 정해 개선의 기준선을 고객과 먼저 합의 | 초기 2주 모델링 지연 |
| 7개 실험 축 독립 비교 | 조합 전체 대신 축별로 비교해 모델 조합 선택 근거를 설명 가능 | 축 간 상호작용 미탐색 |
아키텍처
| 계층 | 구성 요소 | 흐름 |
|---|
| 01 데이터 출처 | | →연결 02 데이터 파이프라인 |
| 02 데이터 파이프라인 | - 리샘플링, 보간
- lag 피처(시계열의 지도학습 변환)
| →연결 03 모델 |
| 03 모델 | - Linear Regression
- Random Forest
- XGBoost
- LSTM
| →연결 04 평가 |
| 04 평가 | | →연결 05 대시보드 |
| 05 대시보드 | - Upload
- EDA
- Training
- SHAP 영향 요인과 예측
| ↩되돌아감 02 데이터 파이프라인 · 신규 데이터, 재학습 |
성과
- 예측 오차(MAPE)를 규칙 기반 방식의 5.9%에서 1.3%로 감소, 목표(10% 이하) 초과 달성
- 단일 시점 추정에서 1–4주·1–3개월 후 다구간 예측으로 확장
- 재학습과 배포 주체를 데이터 사이언티스트에서 현업으로 전환, 견적 검토 프로세스에 예측 모델 편입