패션시장 수요예측 번역(한국어 원본)Ⅱ. 수요예측모형의 개념 및 선행연구
본 연구에서의 패션수요는 패션제품 구매행동에 의해 실제 구매된 량으로 정의된다. 그리고 과거 시점의 구매량을 토대로 미래의 구매량 정도를 패션수요의 예측이라 한다. 예측이란 계획수립의 목적으로 미래의 현상을 예상하는 것이다. 어떤 자원이 얼마만큼 필요하며, 현재의 자원을 어떻게 배분할 지를 정하거나, 자원의 추가획득을 결정하는 데 예측을 필요로 한다
. 정확한 예측은 생산능력을 효율적으로 운용할 수 있게 해 주고 고객의 요구에 반응하는 시간을 단축시키고, 재고를 줄일 수 있도록 해주는 것이다.
미래의 현상을 미리 내다보는 것이 목적인 예측은 축적된 과거 정보가 바탕이 된다. 과거정보를 활용한 예측방법에는 [표 2]와 같이 예측의 대상이 되고 있는 변수의 과거 자료나 오차에만 의존된다고 가정하는 시계열모형(Time Series Model)과 예측이 될 변수가 하나 또는 그 이상의 변수들과 인과관계를 갖는다고 가정하는 인과모형(Casual Model)이 있다. 시계열 모형은 오직 하나의 변수, 즉 시간을 기준으로 했을 때 해당 변수의 예측치를 구하는 것으로 단일변량 시계열모형이라고도 한다. 반면, 인과모형에서 미래예측치에 영향을 미치는 변수가 하나 이상일 경우 다변량 시계열 모형이라고 한다. 단기예측에는 시계열분석법이 유용한 반면, 장기예측에는 원인적 예측법이나 판단에 의한 인과모형이 주로 사용 된다
.
최근 패션제품과 산업에 대해 계량적 경영관리를 위한 예측모형 연구가 활발히 진행되고 있다. 양리나(2000)
는 지수평활법 중 브라운, 홀트, 추세분석 3가지로 섬유류, 섬유제품 및 의류제품 수입의 수요예측에 관한 연구를 하였다. 이은정(2008)
은 패션기업의 5개 상품군별로 5개년간 월별 판매량 자료를 대상으로 시계열분해법, 단순지수평활법, Holt모형, Winters 모형, B0x-Jenkins 모형 등 5개 시계열 모형을 사용한 패션상품 수요예측모형을 연구하였다. 김주진(2009)
은 의류상품을 너무 과다 예측을 하게 되면 과다한 재고가 남게 되고 과소예측을 하게 되면 상품부족현상이 발생함으로써 기업은 판매기회를 상실하게 되므로 정확한 수요예측이 필요하다는 측면에서, 회귀분석을 이용하여 백화점 매출에 영향을 미치는 변수들을 선정하고, 선정된 변수로 수요를 예측하는 모델을 제시하였다. 또한 패션기업의 경영성과를 증대시키기 위한 예측모형을 개발하는 연구도 활발히 진행되었는데, 피종호(1996)
는 섬유 및 의류산업을 중심으로 기업의 도산 원인이 비선형성임을 감안하여 그 신용평가에 대한 예측을 인경신경망을 이용하였다. 특히 도산 기업에 관한 자료 수집이 쉽지 않기 때문에 한정된 데이터 하에서 데이터의 확장과 확장된 데이터를 통한 예측을 검증하여 봄으로서 기업도산예측용 전용 뉴럴네트워크 알고리즘의 개발 가능성을 제시하였다. 정동빈(2006)
은 모 의류회사의 매출액과 대미달러 환율에 대한 수요예측방법으로 프로세서 내에 복잡하게 얽혀있는 메커니즘을 단순 용이하게 설명 및 규명할 수 있는 동적회귀모형을 선택하였고, 더 나아가 기업의 판매계획, 생산계획, 인사계획, 재무계획 등에 필요한 의사결정을 하는데 도움을 줄 수 있는 정보를 제공하기도 하였다. 송건섭(2006)
은 시계열 모형의 하나인 ARIMA모형을 이용하여 대구시의 섬유패션산업에 대한 인력수요 예측모형을 구축하고, 이를 실제 적용하여 정책적인 시사점을 제공하고자 하였다. 연구대상 및 범위는 대구시의 섬유패션산업의 1964년부터 2003년까지의 연도별 자료를 이용하여 2010년까지 섬유패션산업의 인력수요를 예측하였다. 연구에서 시계열분석은 기본적으로 예비단계를 포함하여 4단계에 걸쳐 수행하였는데, ARIMA(1,1,0) 모형을 최종모형으로 선정하였다.
본 연구에서는 변동성이 큰 패션시장 시계열 자료에 적합한 지수평활법을 활용한 예측모형을 개발하는 것이다. 1950년에 개발된 지수평활법(exponential smoothing method)은 과거의 관측값을 이용하여 미래의 값을 예측할 때 최근의 자료에 더 많은 가중치를 부여하는 방법으로, 과거자료가 많지 않은 경우에 유용하다. 특히 적용이 쉽고, 장기적 시점까지 예측할 수 있으며, 다른 예측기법과 비교하여 상대적으로 정확하기 때문에 활용도가 높은 편이다
. 그러므로 본 연구의 실증자료가 22개의 짧은 시점을 가진 반면, 변동성이 심하기 때문에 지수평활법을 사용하였다. |
패션시장 수요예측 번역(영어 번역본)Ⅱ. Concept and previous research of demand forecasting model
The fashion demand in this study is defined as number of fashion products actually purchased. And fashion demand forecasting is defined as prediction of future amount of purchase based on amount of purchase in the past. Forecasting is predicting future phenomenon with a goal to establish a plan. Forecasting is required to determine what type of resource is required in how much quantity, how to allocate present resources, and to determine additional acquisition of resources
. Accurate forecasting helps efficient operation of production abilities, reduces time to respond to customer’s demand, and reduces the amount of stock.
Past data becomes the foundation for forecasting, in which the goal is to predict future phenomenon. There are time series model that assumes the variable for prediction is affected only by past data or error and causal model that assumes the variable for prediction has causal relationship with one or more variables, as shown in Table 2. Time series model acquires predicted values for a single variable of time, and is sometimes referred to as univariate time series model. On the other hand, if there are more than one variables affecting future predicted value in causal model, the model is referred to as multivariate time series model. Time series analysis method is useful for short-term forecasting, while causal forecasting and causal model based on analysis are mainly used for long-term forecasting
.
Recently, research is active on forecasting model for quantitative management of fashion products and industry. Yang (2000)
performed research on forecasting of demand on textiles, textile products, and clothing product import using three types of exponential smoothing (Brown, Holt, and trend analysis). Lee (2008)
researched fashion product demand forecasting model for monthly sales data of 5 product types over period of 5 years using 5 time series models, including time series decomposition, simple exponential smoothing, Holt model, Winters model, and Box-Jenkins model. Kim (2009)
reasoned that accurate estimation of clothing products is required as overestimation leads to excess stock and underestimation results in loss of sales opportunity for a company. Kim accordingly used regression analysis to selected variables affecting sales of department, and proposed a demand forecasting model using the selected variables. Also, research on forecasting model to maximize business performance of fashion companies has been active. Pi (1996)
has accounted for the nonlinearity of causes for bankruptcy in textile and clothing industry and used artificial neural network for prediction of credit evaluation. Especially, as collection of data for bankrupt companies was difficult, data was expansion within limited data set and the result of forecasting was verified using the expanded data to propose the possibility of neural network algorithm specifically for forecasting of company bankruptcy. Jung (2006)
has selected dynamic regression model, which can simplify explanation of a mechanism complicated within a process, as a demand forecasting method for sales of a clothing company and currency between KRW and USD. Jung also provided information that may help with decision making required for sales planning, production planning, human resources planning, and financial planning. Song (2006)
used ARIMA model, which is a type of time series model, to establish a labor demand forecasting model for textile and fashion industry in Daegu, and presented a practical application to propose political implications. The research used annual data of textile and fashion industry in Daegu from 1964 to 2003 to predict labor demand in textile and fashion industry up to 2010. Time series analysis in this study was performed in 4 stages including a preparatory stage, and ARIMA(1.1.0) model was selected as the final model.
The goal of this study was to develop a forecasting model using exponential smoothing, which is appropriate for time series of fashion market that has large variability. Exponential smoothing method, which was developed in 1950, uses observed values from past to predict future values and gives more weight to recent data. It is useful when past data set is small. It is widely used as it is easy to apply, can make long-term predictions, and relatively accurate compared to other forecasting methods
. Exponential smoothing method was used in this study because the empirical data used was small with 22 time points and highly variable. |
