데이터사이언스팀이 예측모델을 개발하고 운영하는 방법을 소개합니다.

구조와 흐름

• 권역·배송유형·SKU·온도·예측 시점별 수요 예측과 주문수·매출액·소요시간 등 다중 타깃 운영
• D-day에 가까워질수록 최신 데이터 반영 주기 단축, 당일 30분 단위 모델링 결과를 대시보드·슬랙으로 제공
• 개인화 예측·추천·랭킹 모델을 통한 마케팅 타깃팅과 상품 추천 최적화

성능/운영 포인트

• Feature Store, MLflow, Anomaly Detection System, Airflow 기반 배치 프로세스를 활용한 안정적 서빙 기반
• 데이터 누락·이상치·오염, DB·물류 권역·정책 변경, 외부 이벤트에 대한 지속 대응
• 모델 장애 대비 룰 기반 대안과 유관 팀의 리소스·알림 프로세스 협의

선택 이유

• 전통 시계열 모델보다 다양한 피처 적용과 높은 정확도 경향을 가진 LGBM·Random Forest 기반 Regression 앙상블 활용
• MAPE·RMSE뿐 아니라 과대·과소 예측의 운영상 영향과 협업팀 활용 관점을 반영한 성능 판단

주의할 점

• 예측 시점에 실제로 수집 가능한 데이터만 사용하도록 lagging·rolling·날씨 피처의 Leakage 방지
• 하루 전 예측 시 Yt-1 대신 Yt-2부터 피처 생성, 예측 수행일 데이터 제외한 학습·테스트 구성
• 과적합 방지를 위한 패널티, 피처 축소, Cross-validation, dropout 등 실험 설계