Planning은 Forecast를 의사결정 지원 도구로 바꾼다

이미 알고 있는 미래

2026년 3월의 영업일수는 이미 알고 있습니다. 이미 승인된 프로모션 일정도 알고 있습니다. 마케팅 예산도 이미 확정되어 있습니다. 이처럼 Planning 과정에서 이미 확보된 미래 정보는 생각보다 많습니다.

그렇다면, AI는 왜 이런 정보를 사용하지 않아야 할까요?

"AI로 매출을 예측한다"고 하면 많은 사람들이 데이터를 넣으면 AI가 알아서 미지의 미래를 맞혀주는 블랙박스를 상상합니다. 그런데 정작 시계열 예측(Time Series Forecasting)의 핵심은 그 반대에 가깝습니다 — 모든 미래가 미지수는 아니라는 것, 그리고 이미 알고 있는 미래를 얼마나 구조적으로 모델에 반영하느냐가 예측의 실무적 가치를 결정한다는 것입니다.

이 글에서는 SAP Analytics Cloud(SAC) Smart Predict Time Series의 핵심 개념인 Candidate Influencer(후보 영향 요인)를 중심으로, 이 개념이 어디에서 오는지, SAC가 이를 어떻게 구현하는지, 그리고 이것이 실무에서 왜 중요한지를 가상의 사례로 살펴보겠습니다.

후보 영향 요인은 SAC만의 기능이 아니라, Time Series Forecasting의 철학입니다

시계열 예측에서는 원칙적으로 미래 시점의 값을 이미 알고 있는 변수만 예측에 함께 사용할 수 있습니다. 이유는 단순합니다 — 예측을 하려면 그 순간에 실제로 입력할 수 있는 값이 있어야 하기 때문입니다. 과거 데이터로만 학습해두고, 정작 미래를 예측하는 시점에 넣어줄 값이 없다면 그 변수는 애초에 쓸 수 없습니다.

SAP는 이 원칙을 후보 영향 요인라는 이름으로 SAC Smart Predict Time Series 안에 구현했습니다. 즉, "SAC가 후보 영향 요인이라는 기능을 제공한다"기보다, "시계열 예측이라는 방법론 자체가 요구하는 조건을, SAC가 후보 영향 요인이라는 형태로 구현했다"고 보는 것이 더 정확합니다.

예측 이론에서는 이러한 변수를 외생 변수(Exogenous Variable)라고 부릅니다. 중요한 조건은 "외부인가 내부인가"가 아니라, 예측 시점에 미래값을 알고 입력할 수 있는가입니다. SAC의 후보 영향 요인은 이러한 개념을 제품 기능으로 구현한 것입니다.

Known Future vs Unknown Future

미래값을 이미 알 수 있는 변수(Known Future)와 그렇지 않은 변수(Unknown Future)를 나누면 다음과 같습니다.

• Known Future (후보 영향 요인 가능) — 이미 승인된 프로모션 캘린더, 이미 확정된 마케팅 집행 예정액, 영업일수·공휴일수 같은 달력 사실

• Unknown Future (후보 영향 요인 제외) — 경쟁사가 언제 프로모션을 할지, 미래의 강수일수

대부분의 기업은 이미 "우리가 무엇을 하기로 했는지"에 대한 데이터를 갖고 있습니다. 문제는 이 데이터를 예측 모델에 구조적으로 연결하지 않는다는 것입니다. 후보 영향 요인은 바로 이 지점 — 이미 알고 있는 계획을 예측에 반영하는 구조 — 를 짚어줍니다.

후보 선정에서 자동 채택까지

다만 후보 영향 요인 자격을 얻었다고 해서 모델이 그 변수를 실제로 쓰는 것은 아닙니다. SAC Smart Predict는 후보 변수 중 모델 성능 향상에 기여하는 변수를 자동 평가하여 최종 Forecast Model에 반영합니다. 전체 흐름은 다음과 같습니다.

"미래값이 확보되어 있는가"(후보 영향 요인 자격)와 "실제로 모델이 그 변수를 채택하는가"(모델 기여도 평가)는 별개의 단계입니다. 이 구분이 이번 글에서 가장 중요한 메시지입니다.

사용자는 후보 변수만 제공하면 되고, 실제 채택 여부는 SAC Smart Predict가 모델 성능 기여도를 기준으로 자동 판단합니다.

가상 사례: ASPN F&B Korea

이해를 돕기 위해 가상의 카페 프랜차이즈 ASPN F&B Korea의 월별 매출 예측 사례를 살펴보겠습니다. (본 사례는 개념 설명을 위한 가상 데이터이며, 실제 기업 사례가 아닙니다.)

목표 변수는 월별 Sales(매출)입니다. History 48개월(2022.01~2025.12) 데이터를 기반으로 학습한 Forecast Model은 Validation 기준 MAPE 1.61%, R² 0.98 수준의 성능을 보였습니다(본 예시는 개념 설명을 위해 구성한 모델 성능값입니다).

검토했던 4개의 후보 영향 요인 (Promotion · MarketingSpend · WorkingDays · HolidayCount) 중에서는 위 파이프라인대로 Promotion과 WorkingDays만 실제로 채택되었고, MarketingSpend와 HolidayCount는 후보 자격은 있었지만 추세 · Promotion · WorkingDays 대비 설명력이 낮아 자동으로 배제됐습니다.

같은 미래, 다른 계획 — 시나리오 비교

여기서 SAC Smart Predict의 진가가 드러납니다. 2026년 3월이라는 동일한 미래 시점을 놓고, 프로모션 실시 여부와 그에 따른 마케팅 예산 확대를 하나의 캠페인 패키지로 함께 바꿔 시나리오를 비교해 보았습니다. (Promotion 단독 효과가 아니라, "프로모션을 한다"는 의사결정에 통상 함께 따라붙는 마케팅비 증액까지 포함한 패키지 단위 비교입니다.)

(Scenario 가정: 2026년 3월의 Promotion·MarketingSpend를 캠페인 패키지 단위로 함께 바꾸고, 나머지 입력값은 모두 동일하게 유지했습니다.)

여기서 짚어야 할 것이 있습니다. 이 결과는 "프로모션 캠페인이 매출을 12% 증가시켰다"는 인과관계가 아닙니다. 정확히 말하면 "모델이 학습한 과거 패턴에 따르면, 이 캠페인 패키지를 실시할 경우 예측치가 약 12.4% 증가한다"는 예측 시나리오입니다. AI는 원인과 결과를 증명해주지 않습니다. 다만 "만약 이렇게 한다면"이라는 가정 하에서의 예상치를 계산해줄 뿐입니다.

그리고 한 가지 더 확인할 수 있는 사실이 있습니다 — Scenario 비교는 동일한 Forecast Model을 기반으로 수행되므로, 모델 학습 단계에서 산출된 MAPE(1.61%)와 R²(0.98)는 변하지 않습니다. 변화하는 것은 모델 정확도가 아니라, 입력 조건에 따른 Forecast 결과입니다. Planning의 역할은 Forecast Model의 정확도를 높이는 것이 아니라, 동일한 Forecast Engine을 다양한 비즈니스 가정에 연결하여 의사결정 공간을 확장하는 것입니다.

즉, 동일한 Forecast Model을 기반으로, 승인된 계획 입력값을 변경하여 여러 시나리오를 비교할 수 있습니다. 이것이 SAC 기반 Planning 환경에서 Forecast를 의사결정 지원 도구로 활용할 수 있는 중요한 이유 중 하나입니다.

그래서, 무엇을 해야 하는가

같은 Forecast 결과라도 어떤 질문을 던지느냐에 따라 검토해야 할 의사결정이 달라집니다.

AI 결과는 결론이 아니라 근거입니다 — 실행 여부를 정하는 것은 언제나 계획 담당자의 몫입니다.

첫 번째 질문 — "캠페인을 실시할 것인가?" — 은 숫자를 경영의 언어로 바꿔보면 이렇게 검토할 수 있습니다.

마케팅비 1,700만원 → 4,000만원(+2,300만원) 증가 대비, 예측 매출은 +132,143,240원(+1.32억) 증가 — 추가 매출은 추가 마케팅 비용의 약 5.7배 규모로 예측됩니다.

다만 이 "5.7배"는 투자수익률(ROI)이 아니라는 점을 분명히 해야 합니다. 이는 추가 매출 ÷ 추가 마케팅비 = 5.7배 (투자수익률(ROI)이 아닌 매출 배수), 즉 매출 기준의 단순 비교이며 원가·마진 등 수익성 요소는 반영되지 않은 참고 수치입니다. 그럼에도 이 숫자는 "캠페인 실시 여부"라는 막연한 질문을, 예산 증액분과 매출 증가분을 나란히 놓고 검토할 수 있는 구체적인 논의로 바꿔줍니다.

결론

Forecast는 미래를 예측하는 기술입니다. Planning은 미래를 설계하는 프로세스입니다. 후보 영향 요인은 이 둘을 연결하는 다리입니다.

이미 알고 있는 미래를 모델에 반영함으로써, Forecast는 단순한 예측 결과가 아니라 계획 변경에 따른 예상 결과를 비교하는 비즈니스 시뮬레이션 기반 의사결정 도구로 확장됩니다. 이는 SAC Planning이 버전, 시나리오, What-if, 계획 사이클을 통해 계획 변경과 결과 비교를 연결하는 방식과 같은 맥락입니다.

Planning은 AI의 정확도를 높이는 기술이 아닙니다. Planning은 AI Forecast를 비즈니스 의사결정 영역으로 확장하는 운영 구조입니다.

후보 영향 요인은 단순한 입력 변수가 아닙니다. 이미 알고 있는 미래(Known Future)를 Forecast Model과 연결하는 Planning의 설계 원칙입니다.

Planning이 있을 때 Forecast는 비로소 의사결정 지원 도구가 됩니다.

본 사례는 SAC Smart Predict Time Series의 후보 영향 요인 개념을 설명하기 위해 구성한 가상 데이터 기반 시나리오입니다.