자동차 산업은 과거 꾸준한 성장을 통해 지금은 우리나라 제조업을 대표하는 산업 중의 하나로 성장하였다. 완성차 1대당 수만 개의 부품이 소요되는 자동차의 특성 상, 자동차 산업의 공급망은 소수의 완성차 제조업체와 이들에 다양한 부품을 공급하는 벤더사들을 포함하는 복잡한 구조를 이룬다. 또한, 일반적으로 규모가 작은 벤더사들의 영업 및 운영관리 활동은 규모가 큰 완성차 제조사나 1차 벤더들에 종속적인 성격을 갖게 되는 특성이 있다[1].

수요 예측이란 미래의 수요량을 사전에 예측하는 과정을 의미하며, 정확한 수요 예측치는 적시에 적절한 수량의 제품을 생산하고 불필요한 재고와 낭비를 줄여 기업의 운영성과를 제고하는데 매우 중요한 기초 데이터로 활용된다[2-4]. 그럼에도 규모가 작은 영세 자동차 부품 제조기업들은 수요 예측을 비롯한 운영관리 활동 전반에 대한 이해도가 낮아, 관련 인프라 및 시스템을 갖추지 못하고 완성차 업체나 1차 벤더사의 계획이나 데이터에 의존하여 운영을 해 나가는 경우가 빈번하다[5]. 전기 자동차 등으로 인해 자동차 산업의 패러다임이 급변하고 글로벌 경쟁이 심화되는 4차 산업혁명의 시대에서, 규모가 작은 자동차 부품업체라 할지라도 선도적이고 주도적인 수요 예측 능력을 갖추는 것은 반드시 필요하며 대단히 중요한 일이 아닐 수 없다[6,7].

실제로 수요 예측을 실시할 때는 적절한 기법을 선택하여 적용하는 것이 중요하며, 전통적으로는 회귀모형이나 시계열 모형들이 수요 예측 기법으로 많이 응용되어왔다[3]. 그러나 고려할 데이터의 분량이 많고 구조가 복잡해지는 경우에는 전통적인 기법을 이용한 수요 예측의 정확성이 떨어질 수 있다. 또한 예측 모형의 구조를 적절히 결정하는 것은 사전 지식 없이는 어려운 일이다. 반면, 최근 각광을 받고 있는 인공지능이나 머신러닝, 딥러닝 기법을 활용하면 이러한 문제점들이 어느 정도 극복가능하다고 알려지고 있다[8,9].

이에, 본 논문에서는 부산 지역 소재 자동차 부품 제조기업 “D”사가 Ford 및 GE 등의 고객사에 납품하는 Coupling Nut 제품의 수요 예측을 실시하는데 딥러닝 기법을 적용해보고, 이를 통해 딥러닝 기반의 수요 예측 모형의 성능과 발전된 수요 예측 기법의 중소기업 현장 활용 가능성을 살펴보고자 한다.

본 논문의 구성은 다음과 같다. 먼저, 2장에서는 수요 예측 기법의 발전과 딥러닝 기법 응용 사례에 관한 선행 연구를 소개한다. 3장에서는 본 논문에서 사용한 수요 예측 모형의 구조와 모형 실행 환경 등에 대해 설명한다. 4장은 2012년부터 2020년까지 총 9년(108개월) 동안의 실측치 데이터에 제안하는 수요 예측 모형을 적용한 결과를 제시하며, 끝으로 5장에서는 실험 결과가 갖는 시사점과 앞으로의 연구 방향에 대해 토의하고자 한다.

일반적으로 제조 기업의 생산량이 수요량보다 많으면 과다 재고 보유로 인한 손실이, 그 반대 경우에는 품절 및 재고 부족으로 인한 손실이 발생한다. 따라서, 가능하면 생산량과 수요량을 일치시키는 것이 가장 이상적이며, 이를 위해서는 먼저 수요 예측을 실시한 후 그 결과를 토대로 자재조달이나 생산 계획을 수립하여 실행해 나가는 것이 필요하다. 다만, 외부의 고객이나 시장으로부터 발생하는 수요량을 사전에 정확히 예측하는 것은 까다로운 일이기 때문에 적절한 예측 기법을 사용하는 것이 필요하다.

수요 예측 기법은 크게 전문가 또는 실무자의 의견에 의존하게 되는 정성적 기법, 그리고 적절한 계산 절차를 통해 미래 수요량을 수리적으로 계산하는 계량적 기법의 2가지로 구분할 수 있다. 본 논문에서는 주로 중장기 예측에 사용되는 정성적 기법보다 계량적 기법에 초점을 맞춘다.

한편, 계량적 기법은 다시 미래 수요량이 다양한 요인들의 함수임을 가정하는 인과형 예측기법과 미래 수요량을 과거 수요량들의 함수로 정의하는 시계열 예측기법의 2가지로 나뉘어진다[3,10]. 본 논문에서는 이들 중 현장에서 보다 간단하게 활용할 수 있는 시계열 예측을 수행하는데 딥러닝 알고리즘들을 응용하고자 한다.

상기한 바와 같이 시계열 예측에서는 t기간 수요량 D_t에 대한 예측치 F_t가 아래와 같이 산출됨을 가정한다.

만약, 기간별 수요량에 특별한 추세가 없이 불규칙 변동만 존재하는 경우에는 단순 이동평균(Moving Average, MA)처럼 간단한 방식으로 F_t와 D_t-1, D_t-2, D_t-3, ... 사이의 관계를 (2)와 같이 정의할 수도 있다(단, l=예측에 사용할 과거 실측치 개수).

수요 예측치와 해당 기간의 실측치를 항상 정확히 일치시키는 것은 매우 어려운 일이다. 다시 말해, 수요 예측에서는 실측치와 예측치의 차로 정의되는 예측 오차가 빈번하게 발생한다.

나아가, 예측 오차 e_t들이 0에 가까울수록 예측 기법의 정확도가 높은 것이며, 이러한 점을 반영한 수요 예측 기법의 성능 평가지표로는 평균제곱오차(Mean Squared Error, MSE)나 평균절대오차비율(Mean Absolute Percentage Error, MAPE) 등이 있다.

본 논문에서 분석할 부산 지역 소재 자동차 부품 제조기업 “D”사는 기존에 (2)와 같은 단순 이동평균 방식으로 Coupling Nut 제품의 수요 예측을 실시하였다. 하지만, 수요량 시계열에 추세적 변동 이나 계절적 변동 등 불규칙 변동 이외의 패턴이 존재하는 경우에는 (2)와 같은 단순 이동평균을 적용하는 것이 곤란하다. 아울러, 기존의 시계열 예측 기법 중에서도 자기회귀 모형(Autoregressive Model, AM)이나 자기회귀 이동평균(Autoregressive Moving Average, ARMA) 등과 같이 발전된 것들이 존재하지만, 시계열이 갖는 변동의 유형을 파악하고 이에 맞게 예측 모형을 구성해야 하는 불편함이 따른다[11].

이에 반해, 최근에는 딥러닝을 비롯한 인공지능 기법들이 변수들 간의 복잡한 관계를 효과적으로 분석할 수 있는 도구로 각광을 받고 있다[8,12-13]. 뿐만 아니라, ICT 기술의 발달로 인해 이 같은 기법들을 사용하는데 필요한 환경을 갖추고 실제로 분석을 실시하는 것도 예전에 비해 훨씬 수월해진 상황이다. 따라서, 본 논문에서는 자동차 부품 제조기업에서 수요 예측을 실시하기 위한 목적으로 딥러닝 기법을 응용해보고, 그 장단점에 대해 논의해보고자 한다.

인공지능이란 기계나 컴퓨터 프로그램이 가진 “학습하는 능력”을 의미한다. 학습이란 다양한 사례를 접하면서 일반적인 패턴이나 지식을 축적하는 과정을 말하는데, 전통적으로 사람은 뛰어난 학습 능력을 가지고 있으나, 기계나 컴퓨터는 그렇지 못하였다. 따라서, 인공지능 기법 및 알고리즘들은 다양한 사례나 데이터에서 일반적인 패턴이나 지식을 추출하는데 초점을 둔다.

인공신경망은 인공지능의 목표를 달성하기 위한 접근 방법 또는 모형 중 대표적인 것들 중 하나이며, 인간 두뇌의 구조를 모방했다는 특징을 갖는다. 세부적으로는 뇌세포를 모방한 인공 뉴런들 간의 가중치 연결 네트워크를 이용하여 독립변수와 종속변수들간 관계를 묘사하게 된다[14,15].

인공 뉴런들로 구성된 층(layer)의 개수나 이들 간 가중치 연결 방식 등에 따라 인공신경망은 여러 가지 목적에 활용할 수 있는 다양한 구조를 가질 수 있으며, 딥러닝은 다수의 은닉층을 갖는 인공신경망을 활용하는 인공지능 기법을 지칭한다. 아울러, 최근에는 컴퓨터 하드웨어 기술 및 관련 소프트웨어 라이브러리의 발달로 인해 딥러닝 기법들의 실무 활용도가 높아지고 있다[16].

미래의 수요 예측치를 종속변수, 과거의 수요 실측치를 독립변수로 사용하는 시계열 예측의 특성 상, 기본적인 순방향 신경망(feedforward neural network)보다 이전 레코드 관련 정보를 고려하여 학습을 진행해 나가는 순환신경망(recurrent neural network, RNN)이 더 적합하다. 단, RNN에서는 시간이 경과할수록 과거 데이터가 다음 번 수요 예측을 실시하는데 미치는 영향이 줄어드는 문제가 발생한다. 장단기기억신경망(long short term memory, LSTM)에서는 이러한 문제점을 보완하기 위해 입력, 망각 및 출력 게이트를 추가하여 불필요한 정보와 삭제할 정보를 결정하게 한다[17]. 다만, LSTM은 그 복잡한 구조로 인해 과적합이나 실행 속도 저하와 같은 문제가 발생할 수 있어, 이를 간소화한 게이트 순환 유닛(gated recurrent unit, GRU)이 제안되기도 하였다[18]. 본 논문에서는 시계열 예측을 수행하기 위한 딥러닝 기법으로 상기한 RNN, LSTM 및 GRU의 3가지를 고려하고자 한다.

자동차 부품 제조기업에 딥러닝 기반의 시계열 수요 예측을 적용한 사례는 아직까지 많지 않고, 통계적 방법[19,20], 군집 분석이나 의사결정나무 등을 비롯한 데이터마이닝 기법[21,22], 회귀모형[23] 등과 같은 인과형 예측 방식의 접근이 많았다.

한편, 시계열 예측 기법 중에서는 간헐적 시계열 모형[24]이나 딥러닝[25,26]과 같은 기법들의 응용이 시도된 바 있다. 시계열 중 값이 매우 작다가 가끔씩 큰 값이 관찰되는 경우, 간헐성을 갖는다고 표현하며, 신차 출시 후 유지보수에 소요되는 부품들의 수요량은 중장기적으로 보았을 때, 어느 정도의 간헐성을 갖는 것으로 알려져 있다[20,24-26]. 다만, 본 논문의 주요 분석 대상인 “D”사의 Coupling Nut 제품의 수요량은 차량 출시 이후 유지보수를 위한 예비부품들과 달리 주로 차량 생산에 소요되고, 간헐성을 비롯한 특이 패턴을 갖지도 않아, 기존에는 단순 이동평균 방식으로 수요 예측을 실시하고 있었다. 따라서, 본 논문에서는 이 같은 차량 생산용 부품의 수요 예측을 실시하는데 딥러닝 기법들이 효과적으로 적용될 수 있는지를 알아보고자 한다.

<그림 1>은 본 논문의 전체적인 연구 수행 절차를 보여준다. 이를 보면, 처음에는 사내 운영계 시스템에서 데이터를 취합하여 분석에 사용할 수요량 실측치 데이터를 수집하여야 한다.

차량용 현가장치 부품은 차량의 단종이나 공급기업의 다변화와 같은 특별한 일이 없는 경우 제품수명주기에 기반하여 수요량이 발생하는 편이며, 본 논문에서는 “D”사가 생산하는 제품 중, 기업 설립 시점부터 판매가 시작되었으며, 생산 비중도 가장 높은 Coupling Nut (P3142750) 제품을 분석 대상으로 선정하였다.

해당 제품의 판매 실적 데이터는 “D”사 운영계 시스템에 기록되어 있고, 이를 월 단위로 aggregation 하여 2012년 1월부터 2020년 12월까지, 총 108개월의 기간 동안 발생한 월별 수요량 실측치에 대한 시계열 데이터를 얻을 수 있었다.

분석용 시계열 데이터가 얻어진 후에는 RNN, LSTM, GRU의 3가지 딥러닝 기법들을 이용하여 데이터에 대한 학습을 실시하고, 예측 모형을 구축한다. 딥러닝 알고리즘의 실제 적용은 Python 언어로 구현된 Pytorch 라이브러리를 사용하여 이루어졌다[27]. Pytorch는 페이스북 인공지능 연구팀이 개발한 딥러닝 라이브러리로, 실행 속도가 빠르고 사용이 비교적 간편하다. 나아가, GPU(graphic processing unit)의 사용이 가능하다는 등의 장점으로 인해 최근 딥러닝 관련 연구에 폭넓게 활용되는 추세이다. 아울러, Python 스크립트 실행 환경으로는 Google사가 제공하는 클라우드 기반의 Colaboratory (Colab)를 사용하였다. Google Colab은 Google 계정만 있으면 어디서나 동일한 개발 환경을 사용할 수 있고, 터미널을 이용해서 접속해야 한다거나 로컬 컴퓨터에 여러 가지 라이브러리를 설치하고 관리하는 불편함이 없다는 장점을 갖는다.

예측 모형이 얻어진 이후에는 그 성능에 대한 분석이 이루어져야 한다. 따라서, 딥러닝 알고리즘을 이용한 학습을 진행하기 전, 시계열 데이터를 학습 기간과 예측 기간으로 분할하고, 예측 모형에 대한 학습에는 학습 기간 데이터만 이용하였다.

<그림 2>에서 보듯이, 학습 기간 데이터란 n개의 원소를 갖는 시계열 [D₁, D₂, ..., D_n]의 앞쪽 k(1≤k<n)개 원소를 포함하는 부분 시계열 [D₁, D₂, ..., D_k]를 의미하고, 이후에 등장하는 나머지 (n - k)개 원소들을 포함하는 부분 시계열 [D_k+1, D_k+2, ..., D_n]은 예측 기간 데이터에 해당한다. 나아가, 이들의 역할은 일반적인 데이터마이닝이나 인공지능 분석에서의 훈련 집합(training set) 및 시험 집합(test set)과 동일하다. 즉, 본 논문에서는 RNN, LSTM 및 GRU와 같은 딥러닝 알고리즘들을 학습 기간 데이터에 적용하여 예측 모형을 얻은 후, 이 모형들을 이용하여 예측 기간에 대한 수요 예측치를 산출할 것이다. 결과적으로, 예측 기간에 대한 수요 예측치가 해당 기간의 실측치와 얼마나 유사한지를 바탕으로 딥러닝 알고리즘들의 성능을 분석하고자 한다. 세부적으로는 (4)와 (5)에 의해 산출되는 MSE나 MAPE와 같은 성능 평가지표들의 값을 예측 기간에 대해 산출하여 이들을 기준으로 서로 다른 예측 기법들의 성능을 비교하고자 한다.

또한, “D”사에서 기존에 사용하던 단순 이동평균법과의 성능 비교를 통해 딥러닝 알고리즘을 이용할 경우, 실제로 보다 효과적인 업무 수행이 가능한지에 대해서도 살펴볼 것이다.

한편, 실제로 학습과 성능 분석을 진행할 때는 <표 1>과 같이 학습 기간의 길이 k와 예측 기간의 길이 n - k를 변경해가면서, 상황에 따라 예측기법들의 상대적인 성능이 어떻게 변하는지를 관찰하였다.

본 논문에서는 부산 소재 “D”기업에서 2012년 1월부터 2020년 12월까지 총 108개월 동안 축적한 Coupling nut (P3142750) 제품의 수요량 실측치 데이터를 이용하여 분석을 진행하였으며, 이 데이터의 기본적인 특성들은 <표 2>에 요약되어 있다. 이를 보면, 분석 대상 제품의 월간 수요량 평균은 약 85,000개 정도이며, 표준편차가 약 58,000개 가량으로 월간 수요량에 상당한 편차가 있음을 알 수 있다. 나아가, 월간 수요량의 최대값은 37만개 이상으로 집계되어, 평균의 4배 이상에 달하는 반면, 월간 수요량이 0개인 경우도 있는 것으로 나타났다.

<그림 3>의 월간 수요량 히스토그램에서는 평균 수요량이 포함되는 6만~9만개 구간에 절반 가까운 데이터가 분포하고, 평균에서 먼 구간일수록 빈도수가 줄어드는 것을 볼 수 있다. 다만, 3만개 이하나 15만개 이상과 같이 수요량이 아주 많거나 적은 경우가 일부 존재하였다.

<그림 4>의 월간 수요량 변화 추이를 보면, 대략 2019년 3월까지는 월간 수요량의 편차가 상대적으로 크지 않은 편이다. 반면, 2019년 4월 이후에는 편차가 큰 폭으로 증가하여, 30만건을 초과하거나 0건인 경우들이 나타나고 있다. 다시 말해, 2019년 4월 이후에는 수요량의 변동이 갖는 특성이 이전과는 다소 달라진 모습을 보이고 있다.

<표 3>은 2019년 3월 이전과 그 이후 기간 각각에 대한 요약 통계량들을 보여주는데, 여기서도 2019년 4월 이후에 평균과 산포도가 모두 큰 폭으로 증가하는 것을 볼 수 있다. 이는 해당 기간에 대한 예측 정확도를 떨어뜨리는 요인으로 작용할 수 있을 것이다.

<표 4>는 본 논문에서 사용한 딥러닝 알고리즘들의 파라미터 설정 내용을 보여준다. 우선 인공신경망 가중치 값을 갱신하는데 필요한 훈련 집합 데이터 처리 개수는 1로 설정하여, 시계열 데이터 내에서 1기간(1개월)이 경과할 때마다 가중치 값의 갱신이 발생하도록 하였다.

전체 훈련 집합에 대한 스캔 횟수를 의미하는 Epoch 값의 경우, 3,000이상으로 설정 시 과적합으로 인해 정확도가 저하되고, 학습에 소요되는 시간도 길어져, 2,000으로 설정하였다. 비슷한 이유로, 인공신경망에서 입력층과 출력층을 제외한 은닉층의 개수, 즉, 레이어 개수는 2로 하였다. 나아가, 실제 “D” 기업에서 생산계획 수립이나 수요 예측 시 이전 3개월의 실적을 기반으로 함을 고려하여, 1회 예측 시 사용하는 실측치 개수 l=3으로 설정하였다. 아울러, 이 t값은 이동평균 예측 기법에도 동일하게 적용하였다.

<그림 5>~<그림 7>은 각각 학습 기간이 단기, 중기, 장기일 때, 예측 기간 동안 수요 예측치들이 어떻게 변화하는지를 보여준다. 그래프들에 대한 시각적인 관찰을 통해 다음과 같은 점들을 볼 수 있다.

첫째, 월간 수요량의 편차가 커지기 전인 2019년 3월 이전까지는 예측치들이 비교적 실측치를 잘 추종하여, 예측 오차도 상대적으로 작은 반면, 2019년 4월 이후에는 수요 예측치들의 오차가 커진다. 이는 과거의 실측치를 이용하여 미래의 수요량을 예측하는 시계열 예측 기법의 일반적인 특성으로 볼 수 있다.

둘째, 기존에 사용되던 단순 이동평균에 비해서는 딥러닝 알고리즘들의 성능이 우수하다. <그림 5>~<그림 7>에서 딥러닝 알고리즘을 이용한 수요 예측치에 비해 단순 이동평균을 이용한 수요 예측치의 변화 추이가 실측치에서 좀 더 동떨어져있기 때문이다.

셋째, 수요량의 편차가 커진 2019년 4월 이후 기간 동안에 대한 딥러닝 알고리즘들의 성능은 학습 기간의 길이에 따라 약간씩 차이를 보였다. 예를 들어, RNN은 학습 기간이 단기일 때, 수요량의 급등락을 가장 잘 추종하였다. 반면, LSTM은 학습 기간이 장기일 때, GRU는 학습 기간이 중기일 때 수요량 급등락을 더 잘 추종하는 것을 볼 수 있다.

넷째, 3가지 학습 기간을 종합적으로 고려했을 때는 딥러닝 알고리즘 중 GRU가 나머지 알고리즘들에 비해 예측 성능이 우수한 것으로 보여지며, 이 점은 <표 5>의 성능 평가지표에서도 살펴볼 수 있다. GRU는 학습 기간이 단기 또는 중기일 때 MAPE 값이 가장 작고, 학습 기간이 장기일 때도 LSTM에 이어 두 번째로 작은 MAPE 값을 갖는다. 또한, 학습 기간이 중기 및 장기일 때 MSE 값이 가장 작았다. 단, 학습 기간이 단기일 때는 RNN이 가장 작은 MSE 값과, GRU에 버금가는 MAPE 값을 나타내는 것을 볼 수 있다.

본 연구에서는 자동차 현가장치 부품 수요 예측을 함에 있어서 RNN, LSTM, GRU 3가지의 딥러닝 알고리즘을 적용하여 그 성능을 비교·분석하였다. 그 결과, 3가지 딥러닝 알고리즘 모두 기존의 단순 이동평균보다 우수한 성능을 나타내었다. 이는 "D"사와 같은 소규모 제조기업에서도 수요 예측을 비롯한 여러 가지 운영관리 활동에 딥러닝과 같은 첨단 기술을 응용할 수 있음을 보여준다. 이는 수요 예측을 막 시작하였거나 과거 데이터를 아직 확보하지 못한 중소기업에도 의미 있는 시사점을 제공할 것이다.

다만, 개별 딥러닝 알고리즘의 예측 성과는 상황에 따라 달라질 수 있음을 볼 수 있었다. 예를 들어, 학습에 사용할 데이터가 비교적 적은 단기 학습 상황에서는 RNN 알고리즘이, 학습 기간이 중장기일 때는 GRU 알고리즘의 성능이 더 우수한 것으로 나타났다.

상기한 성과들에도 불구하고, 본 연구는 다음과 같은 한계점들을 갖는다. 첫째, 과거 수요량 실측치 이외의 여러 가지 요인들은 감안하지 않고 특정 품목의 과거 수요량만을 가지고 수요 예측을 실시하였다. 특히, 다수의 품목을 생산하는 자동차 부품 제조기업에서는 품목들 간의 수요량 사이에 상관관계가 존재할 수 있다. 따라서 향후 연구에서는 다수의 품목과 다양한 요인들을 고려되어야 할 것이다. 둘째, 실제로 수요 예측을 실시할 때는 가장 적합한 알고리즘을 적절히 선별하여 적용하는 것이 바람직하다. 따라서, 여러 예측 기법들의 성능을 지속적으로 모니터링하고, 특정 시점에 적용할 것을 선택하는 방법에 대해서도 연구가 필요하다. 셋째, 실제 현장에서의 활용도를 높이기 위해서는 딥러닝 기반 수요 예측을 위한 시스템이 구축되고, 기존의 사내 정보시스템과 연계되어야 한다. 예를 들어, 과거 수요량 실측치 데이터는 ERP와 같은 업무 시스템으로부터 취합하고, 수요 예측치가 얻어지면 이를 향후 생산일정계획 수립이나 자재 관리에 활용할 수 있는 체계가 필요하다. 따라서, 제안하는 예측 기법의 도입은 데이터나 업무의 전산화와 함께 추진하는 것이 효과적일 것이다.

저자들은 향후에도 상기한 바와 같은 주제들에 대한 후속 연구를 지속적으로 추진하여, 중소 자동차 부품 제조기업의 운영관리 역량을 개선하는데 기여하고자 한다.