리테일을 포함한 많은 기업들이 디지털 전환의 핵심 기술로 AI와 머신러닝 활용을 고려하고 있습니다. 본 세션에서는 리테일 비즈니스 최적화를 위한 수요 예측과 재고관리에 시계열 분석을 도입하기 위한 분석도구로 Amazon Forecast와 Amazon SageMaker를 활용하는 방안에 대해 알아보고, 국내 대형유통업체가 AWS 서비스를 활용하여 어떻게 재고를 최적화했는지 성공사례를 공유해 드립니다.

1. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
김형일
솔루션즈 아키텍트
AWS
이환기
AI 팀장
신세계아이앤씨
핵심 미래 분석 기술! 시계열 분석을
활용한 수요예측과 재고관리 최적화 사례

2. Agenda
• 리테일과 예측
• Amazon Forecast
• Amazon SageMaker
• 신세계 I&C AI 전략
• 비즈니스 Pain Point
• 수요 예측 접근방안
• 시뮬레이션 결과
• 행사상품 예측

3. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.

4. 리테일의 도전과 혁신
새로운 수익원 창출 비즈니스 위험 감소운영 및 재정
효율성 향상

5. 수요 예측(Demand Forecasting)의 필요성
채찍 효과(Bullwhip Effect)
부정확한 예측은 잘못된 재고
할당으로 이어지고 공급망
단계별로 비 효율성을 더욱
악화시킵니다.
수요 기반 공급
수요 기반 운영은 공급을
기반으로 재고를 밀어내기
보다는 예측을 기반으로 재고를
관리할 수 있습니다.
재고 운영
수요 변동성을 줄이면 재고 수준을
낮추고 재고 회전율을 높이고 운영
비용을 줄일 수 있습니다.
고객 기대 충족
과거 구매 패턴과 함께 다양한
시그널을 기반으로 고객 수요를
예측하는 것은 비즈니스에 매우
중요합니다.

6. 전통적인 통계 방식의 Forecasting 한계
현재 시스템의 대부분은
구식 및 수동
프로세스로 인해
비효율적입니다.
통계적 예측 방법은
정확하지 않고 실제값을
사용해서 학습하지도
않습니다.
신제품에는 고객 수요를
효과적으로 예측할 수
있는 과거 데이터가
없습니다.
매크로 이벤트, 사회적
시그널 또는 혼란과
같은 외부 요인을
고려하지 않는 모델
복잡한 품목과 관련된
가격 및 지리적
민감도를 감지 할 수
없는 모델
영업팀은 시스템에서
생성한 예측을 신뢰하지
않습니다.

7. 전통적인 통계 모델
계절별 상품일상 생활 용품
선형 또는 (반복) 계절적 수요 패턴
전통적인 통계는
합리적인 정확도로
일부 제품에 대한
수요를 예측할 수는
있습니다.
Amazon.com 에서 배운 점들
기계 학습을 사용하여 복잡한 예측 문제 해결
1995 2000 2007 2010 2015 2019

8. Traditional statistical methods
Amazon.com 에서 배운 점들
수년간의 Amazon 투자를 고객에게 예측 서비스로 제공
1995 2000 2007 2010 2015 2019
Use of Machine Learning Use of deep learning
15x
Improvement
in accuracy
높은 가격
변동성
낮은 판매율지역별 대
국가별 수요
새로운 제품 계절성 상품

9. 어려운 점들
ML 전문성 부족
솔루션 구축을 위한 데이터 수집 및 변환을 소싱, 평가 및
관리하려면 ML 전문가와 데이터 플랫폼 엔지니어가
필요합니다.
인사이트(Insight)를
의사결정 주기에 통합
유용한 통찰력을 생성 할 수 있는 회사가 실제
의사 결정주기의 맥락에서 빠르고 자동화된
방식으로 이러한 통찰력을 표면화하는데
어려움을 겪습니다.
향상된 의사결정 효과 입증
계획부터 분석을 고려하지 않으면 기업은
비즈니스의 신뢰를 얻고 ML 투자 효과와 ROI
입증에 어려움을 겪습니다.
비용 및 복잡도
ML 플랫폼에서 비즈니스에 즉시 사용할 수있는
통찰력을 얻으려면 개발, 테스트, 배포 및 유지 관리에
상당한 노력이 필요합니다.
Challenges

10. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.

11. The AWS AI/ML 스택
머신러닝을 위한 가장 광범위하고 완벽한 기능의 집합
VISION SPEECH TEXT & LANGUAGE SEARCH PERSONALIZATION FORECASTING FRAUD DEVELOPMENT CONTACT CENTERS
AWS
Marketplace
for ML
Augmented
AI
Studio Ground truth
Built-in
Algorithms
Notebooks Experiments Processing Training Debugger Autopilot Hosting Monitor Neo
Deep Learning
AMIs & Containers
GPUs &
CPUs
Elastic
Inference
Inferentia
Greengrass
(FPGA)
Amazon
Rekognition
+Video
Amazon
Polly
Amazon
Transcribe
+Medical
Amazon
Personalize
Amazon
Forecast
Amazon
Comprehend
+Medical
Amazon
Textract
Contact Lens
For Amazon
Connect
Amazon
CodeGuru
Amazon
Fraud Detector
Amazon
Translate
Amazon SageMaker
DeepGraphLibrary
Amazon
Lex
Amazon
Kendra
AI 서비스
ML 플랫폼 및 서비스
ML 프레임워크 및 인프라스트럭처

12. The AWS AI/ML 스택
VISION SPEECH TEXT & LANGUAGE SEARCH PERSONALIZATION FORECASTING FRAUD DEVELOPMENT CONTACT CENTERS
AWS
Marketplace
for ML
Augmented
AI
Studio Ground truth
Built-in
Algorithms
Notebooks Experiments Processing Training Debugger Autopilot Hosting Monitor Neo
Deep Learning
AMIs & Containers
GPUs &
CPUs
Elastic
Inference
Inferentia
Greengrass
(FPGA)
Amazon
Rekognition
+Video
Amazon
Polly
Amazon
Transcribe
+Medical
Amazon
Personalize
Amazon
Forecast
Amazon
Comprehend
+Medical
AI 서비스
ML 플랫폼 및 서비스
ML 프레임워크 및 인프라스트럭처
Amazon
Textract
Contact Lens
For Amazon
Connect
Amazon
CodeGuru
Amazon
Fraud Detector
Amazon
Translate
Amazon SageMaker
DeepGraphLibrary
Amazon
Lex
Amazon
Kendra

13. Amazon Forecast
복잡한 예측 시나리오 처리
결측치(Missing Value)
콜드 스타트
(신제품 입고)
불규칙한 계절성
제품 단종
일시적 급증 데이터
민감도 분석
(미래 가격 변동)

14. Amazon Forecast의 알고리즘
통계 및 기계 학습 예측 알고리즘
딥러닝 기반 글로벌 알고리즘 DeepAR+
Prophet
ETS, ARIMA, NPTS
유연성 있는 로컬 알고리즘
• Decomposition-based additive regression model
베이스 라인 알고리즘
• Works well with a small number of time series
• Finds trends, seasonality, and residual
/CNN-QR

15. DeepAR 특징
반복 신경망(autoregressive RNNs)을 사용하는 지도 학습 알고리즘
사용 가능한 모든 시계열을 사용하여 패턴을 식별, 글로벌 모델 구축
Amazon의 소매 제품 수요 예측 모델로 부터 구현
많은 데이터셋에
단일 모델 사용
미래의 알려진 연관
시계열 사용
What-if 시나리오에
적합
수백 개 Feature
시계열이 포함된
경우
DeepAR 알고리즘

16. CNN-QR 특징
Convolutional Neural Network을 기반으로 하는 지도 학습 알고리즘
정확도를 최대 30 % 향상시키고 모델을 최대 2 배 빠르게 학습
Amazon의 4억 개 이상의 제품 수요 예측 모델에서 사용
크고 복잡한
데이터세트 사용
관련 시계열 및 항목
메타 데이터 사용
예측에 미래 관련
시계열 불 필요
콜드 스타트
시나리오
CNN-QR(Quantile Regression) 알고리즘

17. AWS Solutions: Amazon Forecast
Amazon Forecast 예측 변수 및 예측을 생성, 테스트 및 비교하는 파이프라인을 자동화
https://aws.amazon.com/solutions/implementations/improving-forecast-accuracy-with-machine-learning/
AWS Step Functions
workflow
AWS Step Functions
Amazon Forecast
Automation
Amazon SNS
(Email Notification)
Amazon CloudWatch
Amazon Forecast Amazon S3
(Forecast Exports)
SageMaker
Jupyter Notebook
Forecasting Data Visualization
AWS Lambda
New Data Event: Invoke
Amazon S3
Configuration File
(JSON)
Demand Data
Related Data(Optional)
Metadata(Optional)
Data Preparation

18. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.

19. The AWS AI/ML 스택
머신러닝을 위한 가장 광범위하고 완벽한 기능의 집합
VISION SPEECH TEXT SEARCH CHATBOTS PERSONALIZATION FORECASTING FRAUD DEVELOPMENT
CONTACT
CENTERS
Ground
Truth
AWS Marketplace
for ML
Neo
Augmented
AI
Built-in
algorithms
Notebooks Experiments Processing
Model training
and tuning
Debugger Autopilot
Model
hosting
Model
Monitor
Deep Learning
AMIs & Containers
GPUs &
CPUs
Elastic
Inference
Inferentia FPGA
Amazon
Rekognition
Amazon
Polly
Amazon
Transcribe
+Medical
Amazon
Lex
Amazon
Personalize
Amazon
Forecast
Amazon
Comprehend
+Medical
AI SERVICES
ML SERVICES
ML FRAMEWORKS & INFRASTRUCTURE
Amazon
Textract
Amazon
Kendra
Contact Lens
For Amazon Connect
SageMaker Studio IDE
Amazon
CodeGuru
Amazon
SageMaker
DeepGraphLibrary
Amazon
Fraud Detector
Amazon
Translate

20. 학습 데이터 수집 및 준비
Fully managed data processing jobs/
data labeling workflows
ML 알고리즘 선택 또는
가져오기
Collaborative notebooks,
built-in algorithms/models
학습을 위한 환경 설정 및 관리
One-click training
모델 학습, 디버깅 및 튜닝
Debugging and
optimization
학습 실행 관리
Visually track and
compare experiments
운영환경에 모델 배포
One-click deployment
and auto-scaling
모델 모니터링
Automatically
spot concept drift
예측 검증
Add human review
of predictions
운영 환경 확장 및 관리
Fully managed with
auto-scaling for 75% less
WEB-BASED IDE FOR ML AUTOMATICALLY BUILD AND TRAIN MODELS
ML 모델을 구축, 학습 및 배포를 위한 Amazon SageMaker

21. Model
artifacts
Amazon
SageMake
r
Model feature
store
Amazon S3 (Flexible
and scalable
storage)
Amazon S3
repository
Data processing
Amazon SageMaker
PCA algorithm
Data
transformation
Amazon SageMaker
Forecasting algorithm
Amazon SageMaker
HPO
Amazon SageMaker
notebook environment
Model
evaluatio
n
Amazon SageMaker
notebook environment
Model
evaluatio
nConsolidated
history data
탐색, Feature
Engineering
모델 학습, 테스트, 평가, 튜닝1 2
Model
artifacts
Amazon
S3 model
repository
Model artifacts
Amazon S3
model
repository
Amazon SageMaker를 사용한 시계열 예측 모델 생성

22. © 2020, Amazon Web Services, Inc. or its Affiliates.
AWS를 사용하여 더 쉽고, 빠르고, 안전하고,
비용 효율적으로 아이디어를 실현
많은
기능들
높은
안전성
검증된 운영
전문성
대규모 고객
커뮤니티와
파트너
빠른 혁신의
속도

23. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.
이환기
AI 팀장
신세계아이앤씨
수요예측과 재고관리 최적화 사례

24. Agenda
• 리테일과 예측
• Amazon Forecast
• Amazon SageMaker
• 신세계 I&C AI 전략
• 비즈니스 Pain Point
• 수요 예측 접근방안
• 시뮬레이션 결과
• 행사상품 예측

25. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.

26. AI Approach
자체 기술로 내재화 시키기 위해 준비
IN-HOUSE
Technology
based
Open Source
Solution X
Outsourcing X
Platformed
AI
AI as a Service
OPEX(not CAPEX)
More fit
for our Business.
Hard to imitate.
Recyclable Core.
Speed.
Less Cost.

27. FOCUS ON 3 AI AREA
인간의 지능적인 행동을 모방할 수 있도록 하는 것
사람의 가장 기본적인 감각 기관인 눈과 입과 머리에 해당하는 영역에 우선 집중
[AI Communications]
Channel
소통/전달의 창구
Mouth Brain Eye
[AI Analytics]
Intelligence
컨텐츠(Insight)
[AI Vision]
Sensor
감지/ 식별

28. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.

29. 재고 관리 PAIN POINT
Retail의
재고 관리 이슈
I&C’s
AI Platform
AI
Analytics
engine
Saicast(예측)
Sailike(추천)
SaiVision(비젼)
Cloud AI Service
Deep Learning
AutoML
I&C IN-House tech
Saiaas (Shinsegae AI as a Service)
폐기상품
(과다, 정확도)
수요예측
효율화
필요
과도한
인력 소모
(수기작업)
기회Loss
결품
(과소, 정확도)

30. 수요예측에 왜 인공지능 인가?
점포별 상품 수 (Running 기준)
70,000 SKU
점포별 영업일
340days
독립변수
40variables
정확도, 업무량
사람의 판단으로
할 수 없는 일
100+
stores

31. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.

32. PLATFORM SAICAST
INPUT DATA & OUTPUT INSIGHT의 가장 Simple한 구성 (AIaas)
관계사의
Data
Trained
EngineDL/ML
Core Engine
Inference
INSIGHTS
Data
Engineering
Saicast

33. SUMMARY
RetailBusinessDomain Knowledge+ I&CAI Technology + AWS Infra 환경
가장 큰
점포(A)
휴가지
점포(B)
약 20,000
SKU
30
variables
using
I&C AI
Technology
Data & Business by
System Management
Team
Run on
100
중분류
2
년 간의 Data
(17’,18’,19’)
AI Platform
Saicast
+ =
Business
Description
Technology
Colaboration

34. AWS Architecture
Amazon
SageMaker
S3
EFS
RDS
CloudWatch
S3
EFS
RDS
AWS Batch ECS
ECR
EC2container
연구/개발 환경 운영 환경
Data &
Source
code
저장
AI 학습
Model
Inference
결과
& 분석 data
JOB Scheduling
Log Monitoring
예측/ 훈련
JOB
작업 환경
생성
Docker
Image
Computing
I&C 내부
시스템과
연결해 주는
Gateway
I&C 내부
시스템과
연결해 주는
Gateway
Transit Gateway Transit Gateway

35. SageMaker
작업 시간에 따른 비용
- 개발 서버 구성 대비 비용적인 효율 높음
빠른 개발 환경 구성 (notebook instance)
- 짧은 기간의 과업에 매번 환경 구성 필요 없음
Scale IN/OUT의 편의성
- downtime 없이 간단하게 Resource 확장 가능
다양한 개발언어 지원
- R, python, spark 등 동일한 jupyter 인터페이스 사용 가능
Sagemaker lifecycle 기반 사용자별 환경 구축
- lifecycle 구성을 통해 EFS mount해서 사용 중
User로써 이야기하는 SageMaker의 편리함

36. WHAT’s CHANGED
[AS-IS] 관리적 통계 기반 수요예측
Sales Quantity
(Removing Outliers)
다양한 지수 적용
(일률적인 방법)X
Demands
(not forecasting)
왜 그렇게 팔렸는가? – 변수의 영향에 집중
Event
(effectiveness)
Price
(Discount
rate)
weather
Timeseries
(27weeks)
POG
Display
Y/N ?
Day
of the
week
Category
(features)
+Derived
variables
AI
Forecasting
[TO-BE] 상품별 맞춤형 Algorithm by Machine
Season
(Valentine,
Christmas)
추세를 확인하는 효과적인 방법
+ 사람의 수작업

37. WORK FLOW
Data
preparation
Data
Engineering
Saicast
ML/DL
Engine
Modeling
item, sales
variable
Training Predict
Data Exploratory Analysis
Consistency
Accuracy
Data 축소
Dimension 축소
N/A, NULL, Outlier
Cleansing
daily/Item sales
Summary
Training Data
One-hot Encoding
normalization
Saicast
Customizing
Trained
Machine
Inference

38. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.

39. 가장 매출 높은 점포
가공/일상 (100 중분류)
10,000 상품
‘19 10/26 ~ 10/30 예측 결과
※ 미판매 일자 제외

40. 모형의 예측력 판별
RMSE – Root Mean Square Error
낮을 수록
“정교한 예측
을 의미”

41. 상품 상세 분석
[초콜릿] D사 에너지바 4입 40g *4
기존 예측 Saicast ML 예측

42. 98개 중분류 중
92개 중분류에서
AI WIN
중분류 별
RMSE 집계 결과
예측오차
18%개선
바이어의 검증기간 後
과제 대상 2개점포
가공/일상
AI기반 자동발주 진행 중

43. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.

44. 행사상품 수요예측 PAIN POINT
실제 수요예측 에서의 Pain Point는 “행사 상품” 수요 예측
행사 상품을 정밀하게 예측하는 AI가 필요 – Saicast 2.0
본사 집중 작업
본사에서 전점의
수량을 Cover
변동성이 큰 Data
수기로 할 수 없는
복잡한 변수와 계산
노동 집약적 작업
가공 바이어만 수십명
수기로 이뤄지는 작업
짧은 Lead Time
빠르게 반응하는
순발력이 필요한 작업

45. Saicast2.0 “SALESMAN”
“행사”라는 특수한 환경에 최적화된 학습을 진행
Saicast 내부에 다양한 SUB AI MODEL 구현
가격 민감 Score
Model
가격과 판매량의
관계를
상품별로 Scoring
체감 가격 복원
Model
1+1 상품 (n+1 상품)
에누리 (카드사/자동)
Point 행사 적용
[상품 A]
1000원 30개/ 800원 35개
[상품 B]
1000원 30개/ 800원 50개
행사 Outlier 분리
Model
행사/비행사
데이터 처리 분리
비행사의 Condition이
행사의 예측에 영향을 미치지
않도록 → 축소추정 방지
Extreme outlier
분리 및 제거
※ 최대 25배 판매

46. Saicast2.0 예측 결과 (시작)
행사 시작 시점에 대한 민감한 반응 & UP-Selling Scale
전통떡갈비 324g*2 라면 120g*5입
고구마스낵129g즉석밥 210g*12입

47. Saicast2.0 예측 결과 (종료)
행사 종료 시점에 대한 민감한 반응 & UP-Selling Scale
볶음면 130g*4입 시리얼 600g
과자 36개입 288g 저지방 우유 1L*2

48. Summary
대상 점포 : 전점
대상 상품 : 4월 2차 행사 상품 (50,000+ 개 상품)
행사 기간 : 2주
비교 대상 : 기존 발주 방식 (미발주 상품 제외)
비교 항목 : 발주량 vs 발주량 비교 (실 판매량 대비 오차)
예측 엔진 : Saicast v.18

49. 전점 행사 상품 수요예측 (AI VS 수기)
140개 점포 전체에서
AI WIN
점별 Win Count(상품) 비율
82 : 18

50. 내가 멀리 볼 수 있었던 것은
거인들의 어깨 위에 올라서
있었기 때문이다
- Issac Newton -

51. © 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.

52. 감사합니다
© 2020, Amazon Web Services, Inc. or its Affiliates. All rights reserved.