건설사 B가 딥플로우로 AI 원자재 가격 예측을 진행한 이유

[사례 요약]

• 기업명: 국내 건설사 B사
• 업종: 건설업
• 과제: 원자재 가격 변동성에 따른 구매 의사결정 불확실성 개선
• 활용 솔루션: 임팩티브AI DeepFlow Materials
• 예측 대상: 철근, 전기동, 열연코일, 유연탄
• 성과: 딥플로우 기반 원자재 가격 예측 정확도 최대 98.5% 달성

‍

1. 고객사 소개

B사는 국내 건설 기업으로, 전통적인 건설 역량을 바탕으로 친환경 신사업을 함께 추진하고 있습니다.

최근 급격한 원자재 가격 변동과 글로벌 공급망 불안정으로 인해 구매 타이밍과 계약 단가 결정의 불확실성이 커졌습니다. 이에 B사는 원자재 구매 결정을 경험과 직감이 아닌 데이터 기반 예측 체계로 전환하기 위해 임팩티브AI의 가DeepFlow Materials로 AI 원자재 예측을 검증하는 프로젝트를 진행했습니다.

‍

2. 프로젝트 배경 – 제조 원가 절감과 구매 의사결정의 체계화

건설업의 원가 구조에서 원자재가 차지하는 비중은 매우 높습니다. 주요 자재의 국제 시세가 급변함에 따라, 발주 시점과 단가 결정의 미세한 차이가 곧 수억 원 단위의 원가 차이로 이어질 수 있죠.

기존에는 과거 데이터와 시장 동향을 바탕으로 수동 판단을 해왔지만, 시장 반응이 빨라지면서 예측의 정확도와 속도 모두 개선이 필요했습니다. B사는 임팩티브AI의 딥플로우로 4가지 원자재 철근, 전기동, 열연코일, 유연탄에 대해 가격 예측을 추진했습니다.

‍

3. 더 정확한 예측을 위한 데이터 – 가격 데이터부터 글로벌 지표까지

B사에서 철근, 전기동, 열연코일, 유연탄 등을 예측하기 위해 다양한 변수가 사용되었습니다. 예측은 어떤 데이터를 확보하고 활용하느냐에 따라 그 결과 크게 달라질 수 있는데요.

임팩티브AI는 B사의 주요 원자재 가격을 가장 정확하게 예측하기 위해 모델링 시 공급 데이터, 시장 데이터, 각종 경제지표 등을 광범위하게 활용했습니다.

활용 데이터

원자재에 따라 예측에 중요한 변수가 달라지게 됩니다. 딥플로우는 예측 정확도에 영향을 미치는 변수를 모델에 학습하고, 예측 결과에 주로 영향을 미친 주요 변수가 무엇인지 설명합니다.

B사의 원자재 가격 예측에는 원자재의 가격부터 건설업 관련 데이터, 글로벌 경제지표까지 다양한 유형의 데이터가 활용되었습니다.

• 시장 데이터: 각 원자재의 도매/유통가격, 수입지별 수입가, 글로벌 선물상품 가격 등
• 공급 데이터: 국내외 원자재 생산량, 재고량 등
• 글로벌 경제지표: 환율, 금리, 주식 시장의 지수, 국채 등

철근의 경우 철스크랩 가격이 가격 예측에 가장 중요한 변수였다면, 전기동의 경우 글로벌 경제지표의 영향이 매우 크게 나타났습니다. 이처럼 원자재에 따라 중요한 변수가 달라지기 때문에 딥플로우는 데이터 간 상관관계를 분석한 뒤, 기여도가 높은 변수들을 모델에 반영해 정확도를 향상합니다.

‍

4. 모델 – 224개 모델 중, B사 데이터에 최적화된 조합

원자재는 가격 외에도 변수 간 복잡한 상호작용이 있기 때문에, 품목 특성에 맞는 모델을 선정하는 것이 중요한데요. B사의 원자재 가격 예측에는 딥플로우의 224개 예측 모델 중, 주요 원자재 특성과 변수 구조에 가장 적합한 모델들이 선별·적용되었습니다.

모델 선정 원칙

• 비선형성·변수 간 상호작용 포착: 금리, 생산량, 재고 등 다수의 외생 변수가 포함된 시계열 예측에 적합해야 함
• 시간적 연속성과 장기 의존성 반영: 원자재 가격은 시간적 연속성과 장기 의존성이 강한데 이러한 구조적 특성과 추세 변화를 반영할 수 있어야 함
• 외생 변수나 다변량 입력을 동시에 반영하며 해석 가능성 확보: 글로벌 거시 지표나 정책 변화 등 다차원적 외부 요인의 영향을 반영할 수 있어야 함

‍

적용된 핵심 모델

B사가 예측한 품목의 경우, 원자재 가격의 복합적 패턴을 가장 정교하게 반영하는 모델로 구성되었습니다. 대표적으로 다음 세 가지 모델이 활용되었습니다.

• XGBOOST(Extreme Gradient Boosting): 외생 변수(금리, 생산량, 재고 등)가 다수 포함된 시계열 예측을 위한 모델로 활용. 빠르게 예측 결과를 도출하고, 변수 영향력에 대한 인사이트 도출을 용이하게 함
• LSTM (Long Short-Term Memory): 원자재 가격의 장기 의존성과 연속적 추세 변화를 학습하기 위한 기본 구조로 활용. LSTM은 과거의 시점 정보를 장기적으로 기억하고, 계절성과 같은 반복적인 패턴을 효과적으로 반영
• Transformer 계열 모델: 글로벌 거시 지표, 정책 변화, 수급 불균형 등의 요인을 다차원적으로 반영하기 위해 도입. Attention Weight를 통해 각 시점의 중요도를 파악, 예측 결과에 대한 설명 가능성을 확보

‍

5. 성과 – 정확도 최대 98.5% 달성, 평균 96% 이상

각 항목에 대해 약 7주간 예측을 실시한 결과, 정확도는 최대 98.5%로 나타났습니다. (100-평균오차율%)

‍

📊 철근 가격 예측 결과

철근의 경우, 상승과 하락의 흐름을 포착한 예측 결과가 나타난 것을 알 수 있는데요. 이처럼 가격 예측은 원자재를 구매할 더 좋은 타이밍을 파악하도록 돕습니다.

네 가지 원자재의 예측 정확도가 전 품목 평균 96.6% 이상으로 나타나면서, B사는 구매 타이밍 결정, 발주 우선순위 조정, 장기 계약 시뮬레이션 등에 AI 예측값을 적극적으로 활용할 수 있는 가능성을 확인했습니다.

‍

6. 결론 – 딥플로우를 통한 데이터 기반 구매 의사결정 효과 확인

원자재 가격 변동은 기업에게 늘 불안 요소로 작용합니다. 그러나 정확도를 크게 향상하는 AI 예측을 도입하면 더욱 명확한 구매 전략을 세울 수 있습니다. B사는 딥플로우를 통해 기존보다 더 정확한 예측 결과를 얻을 수 있다는 것을 이번 프로젝트를 통해 확인했습니다.

딥플로우를 통한 원자재 가격 예측

• 비선형 시계열 모델링을 통해 복잡한 가격 변동 요인을 정량적으로 해석
• Attention 기반 구조로 모델의 예측 근거를 투명하게 설명
• 외부 지표 연동형 모델링으로, 글로벌 시장 변화에 민첩하게 대응
• 주기적 재학습 및 피드백 루프로 모델 성능 지속 개선

‍

B사처럼 원자재 가격 예측의 불확실성으로 고민하고 계신다면, 딥플로우를 통해 AI 예측을 경험해보세요. 원자재 구매 및 재고 비용을 절감하고, 데이터 기반으로 더욱 전략적인 경영 의사 결정이 가능해집니다.

‍