데이터 사이언티스트 없이 수요 예측 자동화, 다이닝브랜즈그룹의 Amazon SageMaker Canvas 활용기

문제 상황

• Excel과 구매팀 경험에 의존한 수요예측으로 판단 근거·변수 가중치·변경 이력의 재현성 부족
• 신선계육 발주량 조정의 수작업 처리로 재고 폐기·품절 위험과 협의 지연 발생
• 데이터 사이언티스트 부재와 예측 결과의 발주 시스템 반영 자동화 필요

선택 이유

• 노코드 UI 기반 모델 생성·비교와 RMSE·MAE·Column impact 기반 검토가 가능한 Amazon SageMaker Canvas
• Model Registry의 모델 아티팩트·평가 지표를 Lambda 기반 배포·추론 자동화에 연결 가능한 관리형 운영 환경
• 시계열 예측 입력 변수 제한 대신 다양한 운영·마케팅 변수를 반영하는 수치 예측 모델 선택

구조와 흐름

• RDS 원천 데이터와 정형화한 프로모션·신메뉴·매장 이벤트를 Lambda로 전처리해 S3 학습 데이터 생성
• Canvas에서 베이스라인·마케팅·신메뉴 모델을 학습·평가·등록하고, EventBridge Scheduler가 정기 예측 워크플로 시작
• Lambda의 입력 준비·엔드포인트 배포 및 호출·결과 전달·리소스 정리와 SRM·S3 이중 결과 전달 구성

성능/운영 포인트

• 실행별 입력 스냅샷과 모델 버전 관리로 예측 결과 재현·추적 지원
• 예측 종료 후 실시간 추론 엔드포인트와 Canvas 애플리케이션을 종료해 유휴 비용 절감
• 자동화 후 데이터 준비부터 결과 확인까지 약 30분으로 단축, 신선계육 주요 3종 일평균 예측 정확도 약 90% 수준