본 논문은 불확실성, 재정적 제약, 물류적 제한 등이 존재하는 역동적이고 경쟁적인 환경에서 효과적인 재고 관리를 위해 정확한 수요 예측의 중요성을 강조합니다. 기존의 평가 지표인 MAE와 RMSE는 상호 보완적인 측면을 제공하지만, 개별적으로 적용될 경우 편향된 평가를 초래할 수 있다는 한계를 지적합니다. 이를 해결하기 위해 계층적이고 적응적인 프레임워크 내에서 R², MAE, RMSE를 통합하는 복합 함수인 계층적 평가 함수(HEF)를 제안합니다. HEF는 동적 가중치, 시계열의 통계적 특성에서 파생된 허용 오차 임계값, 그리고 극단적인 오류와 무효한 예측에 대한 강건성을 보장하기 위한 점진적 패널티 메커니즘을 통합합니다. Grid Search, Particle Swarm Optimization (PSO), Optuna를 사용하여 여러 예측 모델을 최적화하고 Walmart, M3, M4, M5 등의 벤치마크 데이터셋에서 테스트한 결과, 통계적 검정을 통해 HEF가 R², Global Relative Accuracy (GRA), RMSE, RMSSE 와 같은 전역 지표에서 MAE보다 일관되게 우수한 성능을 보임을 보여줍니다. 이는 HEF가 더 큰 설명력, 적응력 및 안정성을 제공함을 의미합니다. MAE는 단순성과 효율성 측면에서 장점을 유지하지만, HEF는 장기 계획 및 복잡한 상황에 더 효과적임을 증명합니다. 따라서 HEF는 변동성이 큰 수요 예측 환경에서 모델 선택 및 하이퍼파라미터 최적화를 위한 강력하고 적응적인 대안이 됩니다.
