수요예측 — 정성·시계열·인과 기법과 오차, 채찍효과

이 쪽의 핵심 질문은 하나입니다. “예측은 어차피 틀리는데, 생산관리 담당자는 무엇을 보고 언제 계획을 고쳐야 하는가?”

판매 예측은 보통 영업이나 경영기획이 냅니다. 그래도 그 숫자로 자재를 사고 잔업을 잡는 사람은 생산관리 담당자입니다. 예측이 틀린 대가는 결품과 긴급 잔업, 아니면 창고에 쌓인 재고로 생산 쪽에 돌아옵니다. 그래서 생산관리 담당자는 예측을 직접 만들지는 않더라도 예측이 얼마나, 어느 쪽으로 틀리는지는 스스로 재야 합니다. 이 쪽은 그 두 숫자를 재는 법과, 고객의 작은 변동이 우리 공장에서 왜 큰 파도가 되는지(채찍효과)를 다룹니다. 영업이 낸 예측이 어떤 방법으로 나왔는지 알아야 그 숫자를 얼마나 믿고 자재를 살지 정할 수 있으므로, 교재가 가르치는 예측 기법도 함께 봅니다. 계산 예시의 숫자는 공개 공식으로 CONTIS 가 만든 가상의 값입니다.

1. 예측의 종류와 기간 — 무엇을, 얼마나 앞까지

교재는 예측을 먼저 기간으로 나눕니다. 기간이 길수록 숫자는 거칠어지고, 쓰는 사람과 결정도 달라집니다. 아래 기간 구분은 Heizer 교재의 기준입니다.

구분	기간	예측 대상	생산관리가 쓰는 곳	주로 쓰는 기법
단기	1년까지, 보통 3개월 미만	품목별 주·월 수요	MPS, 자재 발주, 주간 계획, 인원 배치	이동평균, 지수평활, 추세
중기	3개월~3년	제품군별 월·분기 수요	S&OP, 총괄생산계획, 잔업·외주·채용	추세, 계절지수, 회귀
장기	3년 이상	시장·제품군 전체	증설, 신공장, 신제품, 설비 투자	정성 기법, 회귀, 시장조사

예측 대상으로도 나눕니다. 경기와 물가를 보는 경제 예측, 기술 변화를 보는 기술 예측, 우리 제품의 수요를 보는 수요 예측입니다. 생산관리가 매일 쓰는 것은 수요 예측이고, 앞의 두 가지는 장기 능력 계획을 세울 때 참고합니다.

교재가 공통으로 강조하는 예측의 성질은 네 가지입니다.

• 과거의 원인이 앞으로도 이어진다고 가정합니다. 고객사가 차종을 단종하면 과거 자료는 쓸모가 없어집니다.
• 예측은 틀립니다. 그래서 예측값과 함께 오차 범위를 봐야 합니다(5절).
• 품목을 묶은 예측이 낱개 품목 예측보다 덜 틀립니다(10절).
• 먼 미래일수록 덜 맞습니다.

예측을 만드는 순서도 정해져 있습니다. 목적을 정하고(무슨 결정에 쓰나), 기간을 정하고, 기법을 고르고, 자료를 모아 이상치를 정리하고, 예측을 내고, 결과를 감시합니다. 생산관리 담당자가 가장 자주 빠뜨리는 것은 마지막 감시입니다. 5절의 오차 지표가 그 감시 도구입니다.

2. 정성 기법 — 숫자 이력이 없거나 믿기 어려울 때

과거 판매 이력이 없는 신제품, 3년 뒤를 보는 증설 판단, 시장이 크게 바뀐 직후에는 숫자 계산만으로 예측할 수 없습니다. 이때 사람의 판단을 체계적으로 모으는 방법이 정성 기법입니다.

기법	방법	좋은 점	조심할 점
경영진 의견	영업·생산·재무 임원이 모여 판단을 합친다	빠르고 비용이 적다	직급 높은 사람 의견으로 쏠리고 책임이 흐려진다
판매원 의견 종합	영업 담당자가 자기 고객별 예상을 올리고 합산한다	고객 가까이에서 나온 정보	판매 목표와 엮이면 낮게 적거나, 반대로 부풀린다
시장조사	설문·면접·시험 판매로 고객 의향을 잰다	신제품 수요를 가늠할 수 있다	비용과 시간이 들고, 답한 대로 사지 않는다
역사적 유추	비슷한 기존 제품의 출시 초기 판매 흐름을 빌려 온다	신제품 초기 물량 잡기에 쓸모	정말 비슷한 제품인지가 관건
델파이	전문가 여러 명이 익명으로 답하고, 결과 요약을 돌려받아 다시 답하기를 몇 차례 되풀이한다	집단 압력 없이 의견이 모인다	시간이 걸리고 전문가 선정에 좌우된다

역사 델파이 기법은 미국 랜드(RAND) 연구소의 노먼 달키(Norman Dalkey)와 올라프 헬머(Olaf Helmer)가 전문가 의견을 모으는 방법으로 만들었고, 1963년 학술지 『Management Science』에 실험 결과를 발표했습니다. 이름은 신탁을 내리던 고대 그리스의 델포이 신전에서 따왔습니다. 핵심은 익명과 되먹임입니다. 누가 말했는지 모르게 하고, 다른 사람들의 답 분포를 보여 준 뒤 다시 답하게 해서 목소리 큰 사람의 영향을 줄입니다.

생산관리 담당자가 정성 예측을 받는 대표적인 순간은 신제품 양산 준비입니다. 이때는 숫자 하나가 아니라 낙관·기준·비관 세 개를 받아 두십시오. 원자재 발주는 기준 물량으로, 설비와 인원 능력은 낙관 물량을 감당할 수 있는지로 확인하고, 비관 물량일 때 남는 자재를 어디에 돌릴지 미리 정해 둡니다. 정량 예측을 쓰는 기존 제품에서도 판촉 일정, 신규 수주, 고객사 단종 같은 정보는 영업 판단으로 보정해야 합니다.

3. 시계열의 네 가지 구성요소

달마다 쌓인 판매 실적처럼 시간 순서로 늘어선 숫자를 시계열이라고 합니다. 교재는 시계열을 네 가지가 겹친 것으로 봅니다.

• 추세: 여러 해에 걸쳐 꾸준히 오르거나 내리는 흐름입니다. 고객사 신차가 양산을 시작하면 그 부품 수요는 몇 년간 늘어납니다.
• 계절: 1년 안에서 같은 달이나 분기마다 되풀이되는 오르내림입니다. 에어컨 부품은 봄에 몰리고, 설·추석이 든 달은 근무일이 적어 생산과 출하가 줄어듭니다.
• 순환: 경기처럼 몇 년 주기로 길게 오르내리는 흐름입니다. 건설 경기나 반도체 경기에 따라 움직이는 부품이 그렇습니다.
• 불규칙: 고객사 파업, 화재, 한 번뿐인 대량 주문처럼 설명할 수 없는 흔들림입니다.

그림 9-1. 시계열의 네 가지 구성요소 — 실제 수요는 이 넷이 겹친 모양이다(개념도). 출처: Stevenson & Kull 15판 3장, Heizer 외 15판 4장의 구분을 바탕으로 CONTIS 작성

네 요소를 합치는 방식은 두 가지입니다. 더하기 모형은 “수요 = 추세 + 계절 몫 + …”이고, 곱하기 모형은 “수요 = 추세 × 계절지수 × …”입니다. 수요가 커질수록 계절에 따른 출렁임도 같이 커지는 품목이 많아서, 제조 현장에서는 곱하기 모형(계절지수)을 더 자주 씁니다.

실무에서는 넷을 다 모형에 넣지 않습니다. 순환은 몇 년치 자료가 있어야 보이고 월 예측에서 떼어 내기 어려우므로 S&OP 회의의 경기 판단으로 다룹니다. 불규칙은 예측 자료에서 이상치로 표시해 빼고 계산합니다. 한 번뿐인 대량 주문을 그대로 두면 이동평균은 석 달 내내, 추세선은 1년 내내 부풀려진 값을 냅니다. 남는 것이 추세와 계절이고, 6절과 7절이 이 둘을 다룹니다.

4. 평균으로 내는 예측 — 이동평균·가중이동평균·지수평활

중소 제조업에서 가장 많이 쓰는 예측은 두 가지입니다.

• 3개월 이동평균: 다음 달 예측 = 최근 3개월 실적의 평균. 계산이 쉽고 설명하기 좋습니다.
• 단순 지수평활: 다음 달 예측 = 이번 달 예측 + α × (이번 달 실적 − 이번 달 예측). α는 보통 0.1~0.3이고, 클수록 최근 실적에 빨리 반응합니다.

어느 부품의 월 판매 실적이 1월부터 6월까지 100, 110, 105, 120, 115, 130개였다고 하겠습니다. 한 달에 5개 정도씩 오르는 추세가 있습니다. 두 방법으로 예측하면 다음과 같습니다(오차 = 실적 − 예측, 양수면 예측이 모자랐다는 뜻).

월	실적	3개월 이동평균 예측	오차	지수평활 예측(α 0.3)	오차
1월	100	–	–	100.00	–
2월	110	–	–	100.00	–
3월	105	–	–	103.00	–
4월	120	105.00	+15.00	103.60	+16.40
5월	115	111.67	+3.33	108.52	+6.48
6월	130	113.33	+16.67	110.46	+19.54
7월(예측)	–	121.67	–	116.32	–

지수평활은 1월 예측을 100으로 두고 시작했습니다. 3월 예측은 100 + 0.3 × (110 − 100) = 103, 4월은 103 + 0.3 × (105 − 103) = 103.6처럼 한 달씩 이어집니다.

그림 9-2. 실적과 예측 — 두 예측선이 모두 실적선 아래에서 한 박자 늦게 따라간다(세로축은 90부터, 예시 값). 출처: CONTIS 작성

그림에서 보이듯 두 예측선은 모두 실적선 아래에 있습니다. 추세가 있는 품목에 평균을 내는 방법을 쓰면 예측은 늘 과거 쪽으로 끌려가서, 오르는 품목은 계속 모자라게 예측합니다.

가중이동평균은 같은 3개월이라도 최근 달에 더 큰 무게를 줍니다. 무게의 합은 1입니다. 최근 달 0.5, 그 전 달 0.3, 그 전 달 0.2로 두면 7월 예측은 0.5 × 130 + 0.3 × 115 + 0.2 × 120 = 65 + 34.5 + 24 = 123.5입니다.

월	실적	가중이동평균 예측(0.5·0.3·0.2)	오차
4월	120	0.5 × 105 + 0.3 × 110 + 0.2 × 100 = 105.5	+14.5
5월	115	0.5 × 120 + 0.3 × 105 + 0.2 × 110 = 113.5	+1.5
6월	130	0.5 × 115 + 0.3 × 120 + 0.2 × 105 = 114.5	+15.5
7월(예측)	–	123.5	–

석 달 평균 절대 오차는 (14.5 + 1.5 + 15.5) ÷ 3 = 10.5로, 단순 이동평균(11.67)보다 조금 줄었습니다. 그래도 오차가 모두 양수입니다. 최근 달에 무게를 더 줘도 평균은 평균이라, 추세를 따라잡지는 못합니다. 이 한계를 다루는 것이 6절의 추세 기법입니다.

무게와 α, 이동평균 기간은 감으로 정하지 않습니다. 기간이 길수록 예측은 안정되지만 변화에 늦고, 짧을수록 빨리 반응하지만 우연한 흔들림까지 따라갑니다. 지난 12개월 자료에 후보 값 몇 개(예를 들어 α 0.1, 0.2, 0.3)를 넣어 보고, 다음 절의 평균 절대 오차가 가장 작은 값을 고르면 됩니다.

5. 오차는 두 가지로 잰다 — 크기와 방향

예측 오차는 두 가지를 따로 재야 합니다.

지표	공식	무엇을 알려 주나
MAD(평균 절대 오차)	오차 절댓값의 평균	평균 몇 개씩 틀리나(크기)
MAPE(평균 절대 백분율 오차)	(오차 절댓값 ÷ 실적)의 평균 × 100	평균 몇 %씩 틀리나(크기)
편향(Bias)	오차(부호 포함)의 평균	한쪽으로 치우쳐 틀리나(방향)
추적신호	누적 오차 합(부호 포함) ÷ MAD	치우침이 관리 한계를 넘었나(방향)

4~6월 석 달로 두 방법을 평가하면 다음과 같습니다.

지표	3개월 이동평균	지수평활(α 0.3)
MAD	(15 + 3.33 + 16.67) ÷ 3 = 11.67	(16.40 + 6.48 + 19.54) ÷ 3 = 14.14
MAPE	(12.5% + 2.9% + 12.8%) ÷ 3 = 9.4%	(13.7% + 5.6% + 15.0%) ÷ 3 = 11.4%
편향	+35 ÷ 3 = +11.67	+42.42 ÷ 3 = +14.14
추적신호	35 ÷ 11.67 = +3.0	42.42 ÷ 14.14 = +3.0

MAPE 9.4%만 보면 “10%도 안 틀리니 괜찮다”고 넘어가기 쉽습니다. 그런데 석 달 오차가 모두 양수입니다. 예측이 매달 같은 방향으로, 계속 모자라게 나오고 있다는 뜻입니다. 추적신호는 4월 +1, 5월 +2, 6월 +3으로 한 칸씩 올라가 보통 쓰는 관리 한계 ±4에 가까워졌습니다.

그림 9-3. 추적신호 관리도 — 오차가 한쪽으로만 쌓이면 MAPE가 작아도 신호는 한계선으로 올라간다(예시 값). 출처: CONTIS 작성

여기서 생산관리 쪽 규칙이 하나 나옵니다. 월간 S&OP 회의에는 품목군별로 MAPE와 편향(또는 추적신호) 두 숫자를 함께 올린다. 크기만 보면 치우침을 놓치고, 치우침만 보면 들쭉날쭉함을 놓칩니다. 생산 쪽에서는 편향이 더 비쌉니다. 계속 많게 예측하면 재고가, 계속 적게 예측하면 결품과 잔업이 쌓이기 때문입니다. 추적신호가 ±4를 넘으면 예측 방법을 바꾸거나(이 예라면 6절의 추세 반영 기법) 영업에 수주 정보를 다시 확인하십시오.

흔한 실수 첫째, 오차 부호를 회사마다 반대로 씁니다. “실적 − 예측”인지 “예측 − 실적”인지 보고서 맨 위에 적어 두지 않으면 편향 해석이 뒤집힙니다. 둘째, 판매량이 아주 적은 품목에 MAPE를 쓰면 실적 2개에 예측 4개만 돼도 100%가 나와 평균을 망칩니다. 소량 품목은 MAD나 품목군 합계로 보십시오. 셋째, 예측을 “맞히는 것”에만 매달리고 안전재고와 고정구간으로 오차를 흡수하는 장치는 손보지 않는 경우입니다. 예측 개선과 오차 흡수는 같이 가야 합니다.

6. 추세 반영 — 최소제곱 선형 추세와 홀트 방법

추세가 뚜렷한 품목은 실적에 직선을 맞춰 그 직선을 앞으로 늘립니다. 직선은 예측 = a + b × t(t는 월 번호)이고, 실적과 직선 사이 거리의 제곱 합이 가장 작아지도록 a와 b를 정합니다. 이것이 최소제곱법입니다.

• 기울기 b = (n × Σty − Σt × Σy) ÷ (n × Σt² − (Σt)²)
• 절편 a = y의 평균 − b × t의 평균

4절의 1~6월 실적으로 계산해 보겠습니다.

월 번호 t	실적 y	t × y	t²
1	100	100	1
2	110	220	4
3	105	315	9
4	120	480	16
5	115	575	25
6	130	780	36
합	Σt 21, Σy 680	2,470	91

b = (6 × 2,470 − 21 × 680) ÷ (6 × 91 − 21²) = (14,820 − 14,280) ÷ (546 − 441) = 540 ÷ 105 = 5.14입니다. 한 달에 5.14개씩 늘어난다는 뜻입니다. t의 평균은 3.5, y의 평균은 680 ÷ 6 = 113.33이므로 a = 113.33 − 5.143 × 3.5 = 95.33입니다.

7월(t = 7) 예측은 95.33 + 5.143 × 7 = 131.3, 8월(t = 8)은 136.5입니다. 같은 7월을 3개월 이동평균은 121.7, 지수평활은 116.3, 가중이동평균은 123.5로 예측했습니다. 평균 기법들이 모자라게 예측하던 몫을 추세선이 잡아 줍니다.

그림 9-4. 최소제곱 선형 추세 — 추세선은 실적 사이를 지나 7월에 131.3을 가리키고, 평균 기법의 7월 예측은 그보다 10~15개 낮다(예시 값). 출처: 이 쪽 계산 예시

최소제곱 직선은 그은 구간 안에서 오차의 합이 0이 되도록 그어집니다. 실적이 직선 위아래로 고르게 흩어지므로 평균 기법처럼 한쪽으로 치우치지 않습니다. 다만 직선은 영원히 오르지 않습니다. 고객사 차종이 단종 단계에 들어서거나 시장이 포화되면 추세는 꺾입니다. 직선은 최근 12~24개월 자료로 분기마다 다시 맞추고, 1년 넘게 앞으로 늘려 쓰지 마십시오.

추세 반영 지수평활(홀트 방법) 은 직선을 한 번에 긋는 대신 “현재 수준”과 “한 달 증가분(추세)” 두 값을 지수평활처럼 매달 고쳐 나갑니다. 수준은 α로, 추세는 β로 얼마나 빨리 반응할지 정합니다. 기울기가 조금씩 바뀌는 품목이나, 품목이 많아 매달 회귀선을 다시 긋기 어려울 때 씁니다. 홀트(Charles C. Holt)가 1957년 보고서로 발표했고, 2004년 학술지에 다시 실렸습니다.

7. 계절지수 — 분기 계산 예시와 윈터스 방법

계절이 있는 품목은 연간 예측을 낸 다음, 계절지수로 분기나 달에 나눠 줍니다. 계절지수는 “그 분기가 평균 분기보다 몇 배 팔리나”입니다. 교재의 가장 기본적인 방법(분기 평균 ÷ 전체 평균)으로 계산해 보겠습니다. 어느 냉방 부품의 3년간 분기 실적입니다.

분기	1년차	2년차	3년차	3년 분기 평균	계절지수
1분기	80	90	100	90	90 ÷ 100 = 0.90
2분기	120	130	140	130	1.30
3분기	100	110	120	110	1.10
4분기	60	70	80	70	0.70
연 합계	360	400	440	전체 분기 평균 1,200 ÷ 12 = 100	합 4.00

계산 순서는 이렇습니다.

1. 분기별로 3년 평균을 냅니다. 1분기는 (80 + 90 + 100) ÷ 3 = 90입니다.
2. 12개 분기 전체 평균을 냅니다. 1,200 ÷ 12 = 100입니다.
3. 분기 평균을 전체 평균으로 나눕니다. 네 지수의 합은 분기 수와 같은 4.00이어야 합니다.
4. 4년차 연간 예측을 냅니다. 연 합계가 해마다 40씩 늘었으므로 440 + 40 = 480으로 잡습니다.
5. 연간 예측을 4로 나눈 120에 지수를 곱합니다. 1분기 120 × 0.90 = 108, 2분기 156, 3분기 132, 4분기 84이고 합은 480입니다.

그림 9-5. 분기 계절지수 — 같은 연간 480개라도 2분기에는 156개, 4분기에는 84개를 만들어야 한다(예시 값). 출처: 이 쪽 계산 예시

반대로 실적을 지수로 나누면 계절을 걷어 낸 값(계절 조정값)이 나옵니다. 3년차 4분기 실적 80은 적어 보이지만 80 ÷ 0.70 = 114.3이고, 3년차 2분기 140은 140 ÷ 1.30 = 107.7입니다. 계절을 걷어 내면 4분기 판매 수준이 오히려 더 높았습니다. “4분기에 판매가 줄었다”는 보고가 올라와도 계절 조정값이 오르고 있으면 실제 수요는 늘고 있는 것입니다. 교재의 정석 순서는 실적을 계절 조정 → 조정값에 6절의 추세선 맞추기 → 추세 예측에 계절지수 곱하기입니다.

생산관리 쪽에서 계절지수가 쓰이는 곳은 총괄생산계획입니다. 2분기 156개를 2분기에만 만들지, 1분기에 미리 만들어 쌓아 둘지, 잔업이나 외주로 넘길지가 여기서 갈립니다.

주의 위 방법은 추세가 약할 때 잘 맞습니다. 추세가 강하면 뒤쪽 해의 분기가 모두 커 보여 지수가 일그러지므로, 해마다 그해 분기 평균으로 나눈 비율을 3년 평균하거나 이동평균 비율법을 씁니다. 또 월별 지수를 만들 때는 근무일수 차이를 먼저 걷어 내십시오. 설·추석이 든 달은 근무일이 적어 생산과 출하가 줄어드는데, 이것은 수요의 계절이 아니라 달력의 계절입니다. 월 실적을 근무일 하루 평균으로 바꾼 뒤 지수를 내고, 예측할 때 그달 근무일수를 다시 곱합니다. 근무일수는 연간 업무 달력 쪽에 있습니다.

윈터스 방법(추세·계절 지수평활) 은 홀트 방법에 계절지수까지 더해 수준·추세·계절 세 값을 매달 고쳐 나가는 방법입니다. 윈터스(Peter R. Winters)가 1960년 『Management Science』에 발표했습니다. 계절과 추세가 함께 있는 품목을 많이 다룰 때 쓰고, 엑셀 2016 이후의 FORECAST.ETS 함수가 이 계열(지수평활, ETS)의 계산을 함수 하나로 해 줍니다. 손으로 계산할 일은 드물지만, 영업이나 시스템이 낸 예측이 이 방법으로 나왔다면 “계절지수를 몇 년치 자료로 만들었나”는 꼭 물어보십시오. 계절을 잡으려면 최소 2~3년치 자료가 필요합니다.

8. 인과 모형 — 단순 회귀와 결정계수

시계열 기법은 그 품목의 과거 숫자만 봅니다. 인과 모형은 수요를 움직이는 다른 변수를 찾아 그 변수로 수요를 예측합니다. 자동차 부품이라면 고객사의 차량 생산계획, 건자재라면 건축 착공 면적, 냉방 부품이라면 여름 기온이 그런 변수입니다. 가장 기본이 하나의 변수로 직선을 맞추는 단순 회귀입니다. 계산은 6절의 최소제곱법과 같고, t 대신 원인 변수 x를 씁니다.

고객사가 매달 다음 달 차량 생산계획(x, 천 대)을 주고, 우리 부품 판매(y, 천 개)가 그에 따라 움직인다고 하겠습니다.

x(천 대)	y(천 개)	x − 14	y − 29	곱	(x − 14)²	회귀식 예측	잔차
10	22	−4	−7	28	16	22.0	0.0
12	25	−2	−4	8	4	25.5	−0.5
14	30	0	+1	0	0	29.0	+1.0
16	32	+2	+3	6	4	32.5	−0.5
18	36	+4	+7	28	16	36.0	0.0
합 70 (평균 14)	145 (평균 29)			70	40		제곱합 1.5

기울기 b = 70 ÷ 40 = 1.75, 절편 a = 29 − 1.75 × 14 = 4.5이므로 회귀식은 y = 4.5 + 1.75x입니다. 고객사 생산이 천 대 늘면 우리 판매가 1,750개 는다는 뜻입니다. 고객사가 다음 달 2만 대(x = 20)를 계획했다면 판매 예측은 4.5 + 1.75 × 20 = 39.5천 개입니다.

그림 9-6. 단순 회귀 — 다섯 점이 거의 한 직선 위에 있어 결정계수가 0.99다(예시 값). 출처: 이 쪽 계산 예시

결정계수(R²) 는 y의 흔들림 가운데 회귀식이 설명하는 비율입니다. R² = 1 − 잔차 제곱합 ÷ y의 편차 제곱합입니다. y의 편차 제곱합은 49 + 16 + 1 + 9 + 49 = 124이므로 R² = 1 − 1.5 ÷ 124 = 0.99입니다. 판매 흔들림의 99%를 고객사 생산계획으로 설명한다는 뜻입니다. 0에 가까우면 그 변수로는 예측할 수 없습니다.

회귀를 쓸 때 세 가지를 조심합니다. 첫째, x를 미리 알 수 있어야 합니다. 같은 달 기온으로 같은 달 판매를 설명하는 식은 R²가 높아도 예측에는 못 씁니다. 고객사 생산계획처럼 먼저 나오는 지표(선행 지표)를 찾으십시오. 둘째, 같이 움직인다고 원인이라는 보장은 없습니다. 셋째, 자료 범위 밖은 조심합니다. 위 예의 x = 20은 자료 범위(10~18)를 조금 벗어난 값이고, 크게 벗어날수록 직선이 맞는다는 보장이 없습니다. 변수를 여러 개 쓰는 다중 회귀도 있지만, 생산관리 담당자는 단순 회귀와 R²를 읽을 수 있으면 충분합니다. 계산은 회귀·상관 분석 도구로 할 수 있습니다.

9. 기법을 고르는 기준

교재가 꼽는 선택 기준은 예측 기간, 쓸 수 있는 자료, 수요 패턴, 비용과 정확도의 균형, 그리고 쓰는 사람이 이해할 수 있느냐입니다. 상황별로 정리하면 다음과 같습니다.

상황	필요한 자료	권하는 기법	이유
신제품, 판매 이력 없음	비슷한 제품 이력, 고객 의향	역사적 유추, 시장조사, 판매원 의견	숫자로 계산할 과거가 없다
3년 이상 앞, 증설 판단	시장·경기 자료	경영진 의견, 델파이, 회귀	기간이 길어 판단과 외부 지표가 중요
수요가 평평하고 들쭉날쭉	최근 12개월 이상	이동평균, 지수평활(작은 α)	우연한 흔들림을 고르게 펴 준다
추세가 뚜렷	최근 12~24개월	최소제곱 추세, 홀트 방법	평균 기법은 늘 한 박자 늦다
계절이 뚜렷	최소 2~3년 월·분기	계절지수 × 추세, 윈터스 방법	계절을 빼면 성수기마다 결품
고객 계획 같은 선행 지표가 있음	지표와 실적의 짝 자료	단순 회귀	원인 변수가 먼저 움직인다
품목 수백 개, 소량·간헐 수요	품목군 합계	품목군 예측 후 비율 배분	낱개 품목 예측은 오차가 너무 크다

고르는 방법은 간단합니다. 같은 품목에 후보 기법 두세 개를 돌려 최근 6~12개월의 MAD와 편향을 비교하고, 오차가 작고 치우치지 않는 쪽을 씁니다. 복잡한 기법이 늘 이기지는 않습니다. 1982년 마크리다키스(Spyros Makridakis) 등이 여러 시계열 기법의 정확도를 겨룬 예측 경연에서도, 통계적으로 정교한 기법이 단순한 기법보다 반드시 정확하지는 않다는 결과가 나왔습니다. 설명하기 쉬운 기법이어야 S&OP 회의에서 영업과 생산이 같은 숫자를 믿습니다.

10. 어느 단위로, 얼마나 앞까지 예측하나

예측 오차는 방법만큼 단위에 따라 달라집니다. 같은 제품군의 색상·규격 20가지를 하나씩 예측하면 품목마다 크게 틀리지만, 20가지를 합친 제품군 전체는 훨씬 덜 틀립니다. 한 품목이 많이 팔린 달에는 다른 품목이 덜 팔려 서로 상쇄되기 때문입니다. 그래서 실무에서는 보통 두 층으로 나눕니다.

층	예측 단위	기간	어디에 쓰나
큰 그림	제품군·라인 단위, 월	몇 달에서 1년 이상 앞(회사가 정함)	능력 검토, 인원·설비 계획, S&OP
실행	품목 단위, 주	고정구간 바로 뒤 몇 주	MPS, 자재 발주, 주간 계획

얼마나 앞까지 예측해야 하는지는 누적 리드타임이 정합니다. 원자재 발주부터 완제품 출하까지 8주가 걸리는 제품이라면, 적어도 8주 뒤까지는 품목 단위 예측이 있어야 지금 원자재를 살 수 있습니다. 반대로 고정구간 안쪽(예를 들어 이번 주와 다음 주)은 예측이 아니라 확정 주문과 확정 계획으로 움직입니다. 예측을 매주 고치더라도 고정구간 안은 건드리지 않는다는 규칙이 있어야 현장이 흔들리지 않습니다.

예측이 틀리는 것을 막을 수 없다면, 틀려도 견디는 장치가 필요합니다. 생산관리 쪽 장치는 세 가지입니다. 첫째, 안전재고는 수요가 예측보다 많을 때를 대비합니다. 둘째, 고정구간은 예측이 바뀌어도 가까운 계획을 지킵니다. 셋째, 잔업·특근 여력은 예측을 넘는 수요를 능력으로 흡수합니다. 예측 정확도가 나쁜 품목일수록 이 세 장치를 두껍게 두고, 정확도가 좋아지면 얇게 줄입니다. 그래서 정확도 표는 안전재고를 다시 계산하는 근거 자료로도 쓰입니다. 안전재고 계산은 MRP·로트 크기·안전재고 쪽에서, 고정구간을 정하는 법은 계획 체계 쪽에서 다룹니다.

업종별 차이 자동차 부품처럼 고객이 몇 주 앞 생산계획(내시 정보)을 주는 업종은 예측보다 고객 정보를 얼마나 빨리 받아 반영하느냐가 중요합니다. 반대로 소비재나 일반 산업재처럼 주문이 짧게 들어오는 업종은 자체 예측의 비중이 큽니다. 같은 MAPE라도 앞의 업종에서는 “고객 정보가 자주 바뀐다”는 뜻이고, 뒤의 업종에서는 “우리 예측 방법이 맞지 않는다”는 뜻일 수 있으니 원인을 나눠서 보십시오.

11. 채찍효과 — 고객의 10이 공장에서는 370이 된다

사례 P&G 경영진은 기저귀 팸퍼스의 주문 기록을 살펴보다가 이상한 점을 발견했습니다. 아기들이 쓰는 기저귀 양은 매우 안정적인데, 도매상이 P&G에 넣는 주문은 크게 출렁였고, P&G가 3M 같은 원자재 공급사에 넣는 주문은 더 크게 출렁였습니다. 손잡이를 조금만 흔들어도 끝이 크게 휘는 채찍처럼, 공급망 위쪽으로 갈수록 흔들림이 커진다고 해서 이 현상을 “채찍효과(bullwhip effect)“라고 불렀습니다. 1997년 하우 리(Hau L. Lee), 파드마나반(V. Padmanabhan), 황승진(Seungjin Whang) 교수가 『Sloan Management Review』에 이 현상의 원인을 정리해 발표했습니다.

숫자로 보겠습니다. 소매점, 도매상, 공장이 모두 같은 단순한 규칙으로 주문한다고 하겠습니다.

• 목표 재고 = 이번 주 받은 수요(주문) × 2주분
• 내가 내는 주문 = 이번 주 받은 수요 + (새 목표 재고 − 지난주 목표 재고). 계산이 음수면 0

소비자 판매는 100, 100에서 3주차에 한 번 110(10% 증가)이 됐다가 4주차에 다시 100으로 돌아옵니다.

주	소비자 판매	소매 → 도매 주문	도매 → 공장 주문	공장 → 부품사 주문
1	100	100	100	100
2	100	100	100	100
3	110	110 + (220 − 200) = 130	130 + (260 − 200) = 190	190 + (380 − 200) = 370
4	100	100 + (200 − 220) = 80	80 + (160 − 260) → 0	0 + (0 − 380) → 0
흔들림 폭	10	50	190	370

소비자 쪽에서는 10개 흔들렸을 뿐인데, 공장이 받는 주문은 190개에서 0개로, 공장이 부품사에 내는 주문은 370개에서 0개로 출렁입니다. 공장은 3주차에 잔업과 특근으로 190개를 만들고, 4주차에는 라인을 세웁니다. 아무도 잘못 계산하지 않았습니다. 각자 자기 앞의 주문만 보고 합리적으로 재고를 맞췄을 뿐입니다.

그림 9-7. 채찍효과 — 같은 규칙으로 주문해도 위로 갈수록 흔들림이 커진다. 네 칸 모두 세로축 0~400으로 같다(예시 값). 출처: CONTIS 작성

Lee 교수팀은 원인을 네 가지로 정리했습니다. 위 예시는 첫째 원인만 재현한 것이고, 현실에서는 네 가지가 겹칩니다.

원인	무슨 일이 일어나나	생산관리 담당자의 대응
수요 신호 처리	각 단계가 받은 주문을 실제 수요로 보고 예측과 목표 재고를 고친다	고객사의 실제 판매·재고 데이터를 받아 계획하고, 받은 주문이 아니라 소진량으로 본다
주문 일괄 처리	주문을 주·월 단위로 모아 한 번에 낸다	소량 정기 납품, 혼적 운송으로 주문 간격을 줄인다
가격 변동	판촉이나 가격 인상 전에 미리 사 둔다	판촉 일정을 영업에서 미리 받아 계획에 넣고, 선구매분을 수요로 착각하지 않는다
배급·부족 게임	공급이 모자라면 더 받으려고 부풀려 주문하고, 풀리면 취소한다	부족할 때는 과거 실적 비율로 배분하고, 부풀린 주문은 확정구간 밖에서 걸러 낸다

주의 채찍효과를 설명하는 글에서 “최종 수요가 5% 변하면 제조사에서는 20~40% 변한다” 같은 수치를 자주 보게 됩니다. 이 수치는 근거를 확인할 수 없어 이 매뉴얼에서는 쓰지 않습니다. 증폭 정도는 공급망 단계 수와 주문 규칙에 따라 달라지므로, 자기 회사의 고객 주문과 고객 실판매를 나란히 놓고 직접 재 보는 것이 정확합니다.

12. 현장 적용 — 엑셀과 ERP, S&OP 회의

대부분의 중소 제조업에서 예측은 엑셀에서 만들고, 확정된 숫자만 ERP 판매계획이나 MPS로 들어갑니다. 생산관리 담당자는 다음 세 가지를 맡으면 됩니다.

언제	할 일	산출물
매월 실적 마감 직후	품목군별로 지난달 예측과 실적을 붙이고 MAPE·편향·추적신호를 계산한다	예측 정확도 표(엑셀)
월 S&OP 회의	정확도 표와 함께 추적신호 ±4를 넘은 품목, 편향이 3개월 연속 한쪽인 품목을 올린다	예측 수정 요청 목록 → 월 생산계획과 S&OP 회의
매주 계획 확정	고객 주문이 실판매보다 크게 튈 때 확정구간 밖에서 조정하고, 확정구간 안은 지킨다	주간 생산계획

엑셀로 할 때는 품목을 행, 월을 열로 놓고 실적·예측·오차 세 줄을 한 묶음으로 둡니다. 오차 열 옆에 누적 오차와 누적 MAD를 두면 추적신호가 저절로 나옵니다. 예측 숫자가 매달 몇 달 앞까지 굴러가는 회사라면 롤링 예측 도구로 같은 표를 만들 수 있고, 정확도 계산은 예측 정확도 도구로 확인할 수 있습니다. 채찍효과는 채찍효과 시뮬레이터에 자기 회사 주문 규칙을 넣어 보면 회의에서 설명하기 쉽습니다.

에피소드 가상의 장면입니다. 자동차 부품사 생산관리 담당자 김 대리는 고객사 주문이 3주 연속 20%씩 늘자 다음 달 계획을 크게 올렸습니다. 그런데 고객사의 실제 차량 생산은 그대로였습니다. 고객사 구매팀이 연말 재고 실사를 앞두고 미리 당겨 받은 것이었습니다. 다음 달 주문은 반 토막이 났고, 김 대리가 미리 사 둔 원자재는 석 달 치 재고가 됐습니다. 그 뒤로 김 대리는 S&OP 회의에 “고객 주문”과 “고객 실생산(소진량)” 두 줄을 나란히 올립니다.

여기까지가 생산관리 담당자의 몫입니다. 예측 모형 자체를 고르고 시스템에 넣어 운영하는 일은 영업관리나 수요계획 담당이 더 깊이 다루고, 생산관리는 예측을 받아 오차를 재고, 그 오차를 안전재고·고정구간·능력 여유로 흡수하는 쪽을 맡습니다. 예측을 받아 분기·월 물량을 정하는 총괄생산계획은 총괄생산계획 쪽에서 이어집니다.

13. 툴킷과 양식

• 예측 정확도: 실적과 예측으로 MAD·MAPE·편향을 낸다.
• 판매 예측: 이동평균·지수평활로 다음 달 예측을 낸다.
• 롤링 예측: 매달 앞 기간을 굴려 가며 예측표를 갱신한다.
• 회귀·상관 분석: 선행 지표와 판매로 회귀식과 결정계수를 낸다.
• 채찍효과 시뮬레이터: 단계별 주문 규칙으로 증폭 정도를 확인한다.
• 양식: 주간 생산계획표

참고 자료

• Wikipedia, Tracking signal: https://en.wikipedia.org/wiki/Tracking_signal
• MetricGate, MAD and Tracking Signal: https://metricgate.com/docs/mad-tracking-signal/
• CPG Scheduler, Tracking Signal(관리 한계 ±4): https://www.cpgscheduler.com/blog/tracking-signal-detect-forecast-bias-cpg-scheduling
• Mathnal, Forecast Bias and Errors: https://mathnal.tech/newsletter_forecast_bias_errors.html
• Harmony, Forecast Accuracy(MAPE, MAD, Bias): https://www.tryharmony.ai/forecast-accuracy-mape
• Engineers Universe, Demand Forecasting Guide: https://engineersuniverse.com/studios/industrial/demand-forecasting-guide
• Lee, Padmanabhan, Whang, “The Bullwhip Effect in Supply Chains”, Sloan Management Review 38(3), 1997(MIT SMR 모음집 PDF): https://sloanreview.mit.edu/wp-content/uploads/2011/06/OPS1109-Lessons-in-Operations-Management.pdf
• Lee, Padmanabhan, Whang, Information Distortion in a Supply Chain: https://www.researchgate.net/publication/227446993_Information_Distortion_in_a_Supply_Chain_The_Bullwhip_Effect
• Lee 외, Management Science 재수록(PDF): https://pubsonline.informs.org/doi/pdf/10.1287/mnsc.1040.0305
• NC State SCM, Taming the Bullwhip Effect(P&G 팸퍼스): https://scm.ncsu.edu/scm-articles/article/taming-the-bullwhip-effect
• ScienceDirect, The bullwhip effect: Progress, trends and directions: https://www.sciencedirect.com/science/article/pii/S0377221715006554
• 교재: Stevenson & Kull, Operations and Supply Chain Management 15판(2024) 3장 Forecasting(예측의 공통 특징, 예측 절차, 정성 기법, 시계열, 인과 기법, 오차 감시, 기법 선택)
• 교재: Heizer, Render & Munson, Operations and Supply Chain Management 15판(2026) 4장 Forecasting(단기·중기·장기 구분, 추세 반영 지수평활, 계절 변동, 회귀와 상관)
• 교재: Jacobs & Chase, Operations and Supply Chain Management 17판 18장 Forecasting(수요의 구성요소, 시계열 분석, 인과 관계 예측, 시장조사·패널 합의·역사적 유추·델파이)
• 교재: Krajewski & Malhotra, Operations Management 14판 9장 Forecasting
• 교재: Jacobs, Berry, Whybark & Vollmann, Manufacturing Planning and Control for Supply Chain Management 2판(2018) 4장 Forecasting
• 국내 교재: 안영진·유영목·홍석기, 『생산운영관리』 제4판(박영사, 2023) 9장 수요예측 / 이순룡·이종호·오지연, 『생산운영관리』(법문사, 2016) 10장 수요예측 / 강금식, 『4차 산업혁명 시대의 생산운영관리』 개정5판(박영사, 2023) 5장 수요예측 / 문일경 외, 『생산 및 운영관리』 개정3판(생능, 2024) 8장 수요예측
• 자격: ERP정보관리사 생산 1급 이론(생산계획 및 통제 — 수요예측), 품질경영기사 필기 ‘생산시스템’(수요예측과 제품조합)
• Dalkey, N. & Helmer, O., “An Experimental Application of the Delphi Method to the Use of Experts”, Management Science 9(3), 458–467, 1963: https://doi.org/10.1287/mnsc.9.3.458
• Holt, C. C., “Forecasting seasonals and trends by exponentially weighted moving averages”, International Journal of Forecasting 20(1), 5–10, 2004(1957년 보고서 재수록): https://doi.org/10.1016/j.ijforecast.2003.09.015
• Winters, P. R., “Forecasting Sales by Exponentially Weighted Moving Averages”, Management Science 6(3), 324–342, 1960: https://doi.org/10.1287/mnsc.6.3.324
• Makridakis, S. 외, “The accuracy of extrapolation (time series) methods: Results of a forecasting competition”, Journal of Forecasting 1(2), 111–153, 1982: https://doi.org/10.1002/for.3980010202
• Microsoft Support, FORECAST.ETS 함수: https://support.microsoft.com/en-us/office/forecast-ets-function-15389b8b-677e-4fbd-bd95-21d464333f41

무료 회원 전용

이 쪽부터는 컨티스 무료 회원만 끝까지 읽을 수 있습니다

이름·이메일만으로 1분이면 가입됩니다. 가입하면 이 매뉴얼의 모든 장을 바로 이어서 읽을 수 있습니다.

무료 회원가입하고 이어 읽기

양식·도구·근거

내려받는 양식

주간 생산계획표

계산 도구

수요예측 정확도(MAPE) 분석기, 수요예측 (Sales Forecast), 롤링 포캐스트 계산기 (Rolling Forecast), 채찍효과(Bullwhip) 시뮬레이터, 회귀·상관 분석 계산기 (Regression · Correlation)

용어

수요예측, 채찍효과, S&OP, 롤링 포캐스트, 안전재고, 확정구간, MPS, 회귀분석

이 매뉴얼은 업종 공통의 일반 기준입니다. 법 적용 대상인지, 기한·수치가 우리 회사에 맞는지는 페이지에 적은 확인처(관할 기관·법령 원문)와 회사 규정으로 확인하세요.