대규모 연산 자원과 클라우드 환경이 갖춰지면서 수요 예측의 패러다임이 바뀌고 있다. 과거에는 통계 전문가가 품목별로 모델을 직접 설계하고 파라미터를 조정했지만, 지금은 수십만 개의 SKU에 알고리즘을 자동으로 적용하는 것이 가능해졌다. M-Competition(M4, M5) 등 국제 예측 경진대회의 결과는 머신러닝과 딥러닝이 전통적 통계 모델과 유사하거나 일부 데이터에서 더 나은 성능을 보이기도 하여, 다양한 방법 간 성능 비교 검증의 중요성이 강조되고 있다. 그러나 알고리즘의 발전만으로 예측 문제가 해결되는 것은 아니다. 국내의 2020년 수요 예측 실태조사에 따르면 응답 기업 105개 중 60개(57.1%)만이 수요 예측을 수행하고 있으며, 수행 기업 중에서도 다수가 예측 정확도 70% 이하에 머무르는 것으로 보고됐다.
--- 「01 수요 예측과 공급망 관리」 중에서

패턴 분류는 단순히 데이터를 정리하는 전처리 작업이 아니다. 어떤 예측 알고리즘이 어떤 패턴에 적합한지를 결정하는 핵심 판단 근거이며, 나아가 재고 관리 정책과 안전 재고 설정 방식에도 직접적인 영향을 미친다. 패턴을 잘못 분류하거나 분류 자체를 생략하면, 정밀하게 설계된 알고리즘도 잘못된 수요 구조에 적용되어 편향된 예측을 생성한다. 소매 예측 연구에서 가장 널리 활용되는 SBC 분류 체계가 출발점이 되는 이유가 여기에 있다.
--- 「03 수요 패턴 분류와 간헐 수요 예측」 중에서

수요 예측의 결과는 단일 부서의 결정에 그치지 않고 조직 전체의 계획에 통합되어야 효과를 발휘한다. S&OP는 월간 주기로 판매, 생산, 조달, 재무 계획을 하나의 통합된 숫자로 맞추는 협의 프로세스로, 수요 예측이 조직 전반의 의사 결정을 연결하는 공통 언어로 기능하게 만든다. S&OP 주기 안에서 수요 예측은 두 가지 역할을 한다. 첫째, 기초 예측치(baseline forecast)를 제공한다. 모델이 생성한 정량적 예측치가 출발점이 되며, 이후 영업·마케팅 팀의 판단 조정과 프로모션 계획이 반영되어 합의 예측(consensus forecast)으로 정제된다. 둘째, 부서 간 합의의 근거를 제공한다. 영업 부서가 낙관적 전망을, 생산 부서가 보수적 계획을 가질 때, 모델 기반 예측치가 객관적인 조정 기준으로 기능한다.
--- 「06 수요 예측 방법론 설계」 중에서

소매 데이터 분석에서 흔한 실수는 전체 판매량 합계만 보고 수요가 안정적이라고 판단하는 것이다. 수백 개 SKU의 수요를 합산하면 개별 변동이 상쇄되어 매끄러운 곡선이 만들어지는 집계 효과(aggregation effect) 때문이다. 문제는 실제 예측과 발주는 SKU 단위에서 이루어진다는 것이다. 합계 수준에서 수요 구조를 파악하면 실제 예측 단위의 이질성을 보지 못한다. 따라서 데이터 분석은 두 수준에서 동시에 이루어져야 한다.