How Decathlon runs demand forecasting at scale with Chronos-2

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Decathlon은 자체 소매 데이터 평가를 바탕으로 Chronos-2를 도입해 12주·52주 수요 예측의 정확도를 높이고, 6개월 주기 미세조정과 주간 배치 추론으로 운영 부담을 줄였다.

📌 핵심 요약

• Decathlon은 80개 이상의 스포츠에 걸친 상품의 주간 판매량을 예측하며, 12주 예측은 상품 보충에, 52주 예측은 장기 재고 전망과 생산능력 계획에 사용한다.
• 2022년 48주차부터 2024년 44주차까지 101개 기준 시점과 전체 약 39,000개 상품 시계열을 평가한 결과, 미세조정한 Chronos-2가 비교 모델 중 두 예측 기간 모두에서 가장 낮은 오차를 기록했고 제로샷도 기존 운영 모델과 동등하거나 더 나은 성능을 보였다.
• Decathlon은 AutoGluon을 통한 LoRA 미세조정을 6개월마다 수행하고 MLflow로 공급 권역별 모델을 관리하며, Amazon EC2에서 매주 배치 추론을 실행한다.
• 기존 도구 대비 12주 WAPE는 SEA에서 39%→28%, LATAM에서 53%→38%로 낮아졌고, 52주 WAPE는 각각 44%→38%, 55%→46%로 개선됐다.
• 원문은 12주 WAPE가 1%포인트 개선될 때 재고 보유일수 0.3일 절감, 상품 가용성 0.3포인트 향상, 전 권역 평균 매출 약 0.12포인트 증가로 연결된다고 설명한다.

🧩 주요 포인트

1. 자체 소매 데이터의 반복 평가와 제로샷·미세조정 비교 → 범용 모델의 성능을 실제 12주·52주 업무 적합성으로 검증.
2. Chronos-2의 기본 공변량 지원과 6개월 주기 LoRA 미세조정 → 예측 입력 처리와 모델 갱신의 운영 복잡성을 줄이는 선택 근거.
3. SEA·LATAM의 12주 WAPE 개선과 재고·가용성·매출의 연결 → 예측 정확도를 공급망 및 사업 성과로 해석할 근거.

🧠 상세 정리

1. 사업 규모와 두 가지 예측 목적

Decathlon은 전 세계 10만 명 이상의 구성원과 4억 명의 사용자를 보유한 스포츠용품 소매기업으로, 고객이 필요한 시점에 매장에 적절한 상품을 공급하기 위해 대규모 수요 예측을 활용한다. 취급 상품은 80개 이상의 스포츠에 걸친 수만 개 품목이며, 스키 장갑과 서핑보드처럼 계절성과 수요 신호가 크게 다른 상품을 함께 다뤄야 한다. 예측 시스템은 모든 상품의 주간 판매량을 산출하고, 12주 상품 보충 기간과 52주 전략 계획 기간을 구분해 매주 실행된다. 구매 담당자는 12주 예측을 생산 협력사 발주에 사용하고, 52주 예측은 장기 재고 전망과 생산능력 계획에 활용한다. 전체 예측 시스템은 유럽·인도·중국·동남아시아·중남미 등 여러 공급 권역에서 운영되며, 권역별로 최대 25,000개 상품을 다루고 중동·아프리카 확대도 예정돼 있다.

2. 기존 예측 방식의 발전과 운영 한계

Decathlon은 2021년부터 2024년까지 단기와 장기 예측에 서로 다른 모델을 사용하는 혼합 방식을 운영했다. 1~16주 예측에는 Amazon SageMaker AI DeepAR를, 17~52주 예측에는 Holt-Winters 지수평활법을 적용했으며, 최근 추세 변화를 반영하기 위해 DeepAR를 매주 재학습했다. 2024년부터는 공변량을 사용하는 Temporal Fusion Transformer인 TFT를 도입해 장기 예측 정확도를 개선했다. 다만 기존 방식은 주간 재학습을 요구했고, 새로운 지역으로 확장할 때 추가 엔지니어링이 필요하다는 운영 부담이 있었다. 이에 따라 팀은 정확도를 높이는 동시에 모델 유지와 지역 확장의 복잡성을 낮출 수 있는 대안을 찾았고, 사전학습된 시계열 기반 모델을 자체 소매 데이터로 검증하기로 했다.

3. 실제 소매 데이터를 이용한 대규모 평가

Decathlon의 핵심 검증 질문은 사전학습된 시계열 기반 모델이 자사의 구체적인 소매 수요 데이터에서도 기존 운영 모델을 대체할 만큼 잘 작동하는지였다. 이를 확인하기 위해 2022년 48주차부터 2024년 44주차까지 거의 2년에 걸쳐 101개의 이동 기준 시점을 설정했다. 각 기준 시점에서는 약 25,000개 고유 상품을 평가했으며, 전체 평가 기간에 포함된 고유 상품 시계열은 약 39,000개였다. 예측은 주간 단위로 12주와 52주를 각각 대상으로 했고, 주된 평가지표는 가중 절대 백분율 오차인 WAPE였다. 여기에 평균제곱근오차인 RMSE, 편향, 모델 간 쌍별 승률을 보조 지표로 사용하고 제로샷과 미세조정 설정을 모두 비교해, 특정 시점이나 단일 예측 기간에 국한되지 않는 성능 근거를 확보했다.

4. Chronos-2 선택을 뒷받침한 성능과 공변량 처리

평가 결과 여러 시계열 기반 모델은 도메인별 학습 없이도 매주 재학습하던 기존 운영 모델의 성능에 근접하거나 이를 넘어섰다. Chronos-2 역시 제로샷 상태에서 기존 운영 기준 모델과 동등하거나 더 나은 성능을 보였고, 미세조정한 경우에는 비교 대상 모델 가운데 12주와 52주 모두에서 가장 낮은 오차를 기록했다. 미세조정을 6개월에 한 번만 수행하는 낮은 빈도의 설정에서도 예측 오차가 수 퍼센트포인트 추가로 줄었다. 계산 효율 측면에서는 CPU와 GPU에서 모두 실행할 수 있었으며, 기준 시점당 25,000개 상품을 2분 이내에 추론한다는 평가 요건을 충족했다. 또한 그룹 어텐션을 통해 공변량을 기본적으로 받아들이는 구조가 중요한 차별점이었으며, Decathlon은 정확도와 공변량 처리 방식, 미세조정 효율을 함께 고려해 Chronos-2를 선택했다.

5. 데이터 준비부터 예측 전달까지의 운영 흐름

운영 파이프라인은 PySpark 기반 데이터 준비 단계에서 입력 시계열을 구성하는 것으로 시작한다. 6개월마다 AutoGluon 기반 미세조정 작업이 최신 데이터에 맞춰 Chronos-2를 조정하고, 생성된 모델을 MLflow 모델 레지스트리에 등록한다. 그 사이의 주간 실행에서는 미세조정 단계를 건너뛰고 최신 등록 모델을 가져와 배치 예측을 수행한 뒤, 별도의 PySpark 파이프라인이 결과를 후속 소비 시스템에 전달한다. 미세조정에는 전체 모델을 다시 학습하는 대신 LoRA를 사용하며, 공급 권역별 모델과 해당 하이퍼파라미터를 MLflow에 기록하고 버전을 관리한다. Amazon EC2의 배치 추론은 Databricks 작업으로 시작되고, 데이터 파이프라인 전체의 실행 조율은 Decathlon의 기존 데이터 플랫폼에 있는 Airflow가 담당한다.

6. 배치 실행 환경과 확인된 처리 성능

Decathlon의 Chronos-2 배포는 CPU 기반 추론용 Amazon EC2 m6i.8xlarge와 GPU 기반 미세조정용 g5.4xlarge를 사용한다. 실행 방식은 주간 배치 추론이며, 인프라 구성표에는 실행당 약 12,000개 시계열의 배치 크기가 제시돼 있다. 실제 추론 시간은 LATAM의 7,000개 시계열에서 약 40초, SEA의 15,000개 시계열에서 약 75초로 보고됐다. 이 수치는 운영 환경의 처리 사례이고, 모델 평가에서 제시한 25,000개 상품당 2분 이내라는 효율 요건과는 별도로 제시된 결과다. 원문이 명시한 Chronos-2 운영 권역은 SEA와 LATAM이며 중동·아프리카는 계획 단계이므로, 전체 수요 예측 시스템이 이미 다루는 다른 권역까지 Chronos-2가 배포됐다고 볼 근거는 없다.

7. 모델 구조와 공변량을 사용하는 실행 예제

Chronos-2는 T5 인코더 설계를 따르는 인코더 전용 트랜스포머로, 기본 모델은 1억 2,000만 개, 소형 모델은 2,800만 개의 매개변수를 갖는다. 값을 이산 토큰으로 양자화했던 초기 Chronos와 달리, 각 시계열에 강건한 스케일링을 적용하고 겹치지 않는 패치로 나눈 뒤 잔차 신경망을 통해 실수값 임베딩으로 변환하며, 분위수 헤드에서 연속값 분위수 예측을 생성한다. 각 블록은 단일 시계열의 시간축을 보는 시간 어텐션과 같은 패치 위치에서 그룹 내 시계열을 연결하는 그룹 어텐션을 번갈아 적용해, 관련 시계열과 공변량 사이의 정보를 교환한다. 원문의 실행 예제는 판매량을 예측 대상으로 삼고 가격과 매장 수를 미래에 알려진 공변량으로 제공해 52주 예측을 수행한다. AutoGluon-TimeSeries 예제에서는 상품 식별자와 시각으로 데이터를 구성하고 공변량 이름 및 미세조정 여부를 설정하며, Decathlon의 실제 운영도 AutoGluon 통합을 통해 미세조정과 추론을 수행한다.

8. 예측 정확도 개선과 사업 효과의 해석

기존 예측 도구와 비교한 12주 WAPE는 SEA에서 39%에서 28%로 11%포인트, LATAM에서 53%에서 38%로 15%포인트 낮아졌다. 52주 WAPE도 SEA에서 44%에서 38%로 6%포인트, LATAM에서 55%에서 46%로 9%포인트 개선돼 두 권역과 두 예측 기간 모두에서 오차 감소가 확인됐다. 원문은 12주 WAPE가 1%포인트 개선될 때 재고 보유일수가 0.3일 줄고 상품 가용성이 0.3포인트 높아진다고 설명한다. 또한 가용성 1포인트 향상이 매출 0.4포인트 증가로 이어지므로, 전 권역 평균으로는 WAPE 1%포인트 개선당 매출 약 0.12포인트 증가에 해당한다고 제시한다. 이러한 관계는 예측 정확도를 운전자본·보관 비용·품절·매출과 연결하지만, 제공된 본문은 운영 효율 비교표 도중에 끊겨 있어 Chronos-2 전환 이후의 신규 지역 배포 시간 등 후속 비교 수치는 확인할 수 없다.

🧾 핵심 주장 / 시사점

• Chronos-2의 채택 근거는 범용 성능에 대한 기대가 아니라, 자체 소매 데이터에서 12주와 52주 업무를 함께 평가한 결과에 있다.
• 주간 예측 실행과 6개월 주기 미세조정을 분리한 운영 방식은 예측을 매주 제공하면서 모델 갱신 부담을 줄이는 접근을 보여준다.
• WAPE 개선을 재고 보유일수와 상품 가용성, 매출에 연결하면 예측 모델의 성과를 공급망 운영과 사업 관점에서 해석할 수 있다.

✅ 액션 아이템

• 12주·52주 수요 예측의 도입 검토에 자체 소매 데이터 기반 제로샷·미세조정 비교 평가 적용.
• 주간 배치 추론과 6개월 주기 LoRA 미세조정을 기준으로 Chronos-2 운영 방식 검토.
• SEA·LATAM의 12주 WAPE 개선을 재고 보유일수·상품 가용성·매출과 연결해 사업 효과 검토.

❓ 열린 질문

• 자체 소매 데이터에서 Chronos-2의 제로샷 대비 미세조정 효과는 12주·52주 예측 사이에 어떻게 다른가?
• 6개월 주기 LoRA 미세조정은 공급 권역별 예측 정확도에 어떤 차이를 보이는가?
• 12주 WAPE 1%포인트 개선에 따른 전 권역 평균 매출 약 0.12포인트 증가 관계는 SEA·LATAM 각각에서 어떻게 나타나는가?