Challenges

글로벌 서비스 부품의 적정 재고 예측

LG전자는 80만 개에 달하는 서비스 부품을 운영하고 있으며, 전 세계 각 법인의 주요 창고에는 적정 수준의 재고를 보유해야만 재고 과잉/부족으로 인한 비용을 최소화할 수 있습니다.
서비스 부품 중 상당수는 수요가 거의 없거나, 수요의 범위와 패턴이 국가·지역별로 매우 다양해 예측이 어렵습니다.

서비스 부품 수요 데이터에 최적화된 AI 솔루션

Forecasting AI Contents의 강점

Mellerikat은 다양한 산업 현장에서 도메인 전문가와 데이터 사이언티스트의 지식을 결합해, 실제 문제 해결에 최적화된 Forecasting AI Contents를 제공합니다.
강력한 전처리 기능으로 데이터를 확장·정제하여 시계열 모델에 적합하게 변환하고,
Prophet, NBeat, TFT, DLinear 등 다양한 모델을 지원해 데이터 특성과 패턴에 따라 최적의 예측 모델을 적용할 수 있습니다.
최신 연구 기반의 모델을 지속적으로 제공하여, 손쉽게 모델을 변경하고 예측 성능을 비교·업데이트할 수 있습니다.
또한, 파라미터 조정과 가중치(Weight) 설정을 통해 지역별 비용 구조나 서비스 정책에 맞는 맞춤형 예측이 가능합니다.

데이터 패턴 기반의 맞춤형 예측

Forecasting AI Contents는 데이터의 수요 패턴과 시계열 특성을 자동으로 분석하여, SKU별로 최적의 예측 모델을 생성합니다.
서비스 부품 수요의 90% 이상은 Lumpy 패턴(불규칙적이고 드물게 발생)이며, 일부 SKU만 반복적인 시계열 패턴을 보입니다.
불규칙성이 높은 SKU에는 TFT 모델을, 뚜렷한 패턴이 있는 SKU에는 DLinear 모델을 적용해 예측 성능을 극대화합니다.

지역별 정책에 따른 Fine-tuning

각 법인의 위치와 정책에 따라 물류·재고 비용 구조가 다르기 때문에, 창고 유지비가 높은 지역은 과소 예측을, 서비스 제공 시간이 중요한 지역은 과대 예측을 선호할 수 있습니다.
Forecasting AI Contents는 과대/과소 예측에 대한 Weight 조정 기능을 제공하여, 지역별로 비용과 서비스 정책에 최적화된 예측 모델을 구성할 수 있습니다.

지속적인 성능 최적화를 위한 모델 운영

MLOps Framework 기반 자동화와 효율성

서비스 부품 수요 예측은 최신 데이터를 지속적으로 반영해야만, 신제품 출시나 경제 상황 변화 등 데이터 분포 변화에 신속하게 대응할 수 있습니다.
Mellerikat의 MLOps Solution은 데이터 전처리, 모델 학습, 평가, 배포 등 예측의 전 과정을 자동화하여 반복 작업을 최소화하고, 운영 효율성을 극대화합니다.

부품 중요도 및 지역별 맞춤형 모델 운영

서비스 부품은 활용도와 원가에 따라 핵심 부품과 일반 부품으로 분류되며, 대륙별로 수요 패턴과 시계열 특성의 차이가 큽니다.
Edge Conductor는 부품 중요도에 따라 데이터가 분리된 파이프라인에서 모델을 운영하고, 대륙별로 맞춤화된 모델을 학습·배포하여 예측 성능을 극대화합니다.
이를 위해 수십 개의 모델이 자동으로 학습·예측을 수행하며, 운영 효율성과 정확성을 동시에 확보합니다.

Splunk와 통합

Splunk 기반 대규모 예측 모니터링

80만 개 부품에 대한 예측은 과거 데이터까지 포함해 방대한 데이터가 처리됩니다.
Splunk에 예측 데이터를 적재하고, 실시간 및 과거 데이터를 모두 아우르는 대시보드를 제공하여 예측 성능을 체계적으로 모니터링할 수 있습니다.