계절분해(Seasonal Decomposition)

계절분해(Seasonal Decomposition)는 시간 순서대로 기록된 데이터의 변화를 추세·계절성·잔차로 나누어 살펴보는 분석 방법입니다. 매출이 늘어난 이유가 장기간의 성장인지, 매년 비슷한 달에 나타나는 반복적인 변화인지 구분할 때 사용합니다.

계절분해는 관측값 하나를 예측하는 방법이라기보다, 이미 관측된 데이터가 어떤 구조로 움직여 왔는지 이해하는 과정에 가깝습니다. 반복되는 움직임을 분리하고 나면 일시적인 급증이나 급감도 더 쉽게 확인할 수 있습니다.

12월 매출이 11월보다 높다고 해서 사업이 갑자기 성장했다고 판단할 수는 없습니다. 매년 12월마다 같은 현상이 나타났다면 계절적 수요가 영향을 주었을 가능성이 있습니다.

반면 같은 달의 매출이 해마다 꾸준히 증가했다면 장기적인 추세도 함께 고려해야 합니다. 계절분해는 이 두 움직임을 분리해 비교할 수 있도록 돕습니다.

가법 분해는 한 시점의 관측값을 추세 + 계절성 + 잔차로 나타냅니다. 같은 달의 계절 효과가 금액 기준으로 비슷할 때 생각하기 쉽습니다.

승법 분해는 추세 × 계절성 × 잔차로 표현합니다. 데이터 규모가 커질수록 계절 변동 폭도 커지는 경우에 고려할 수 있으며, 관측값이 양수여야 합니다. 양수 데이터를 로그 변환하면 승법 관계를 가법 관계로 다루는 방법도 있습니다.

두 방식 모두 각 구성요소가 실제로 완전히 독립적으로 존재한다는 뜻은 아닙니다. 사용한 모형이 데이터를 설명하기 위해 분리한 결과입니다.

온라인 소매업체가 2022년 1월부터 2025년 12월까지 48개월의 매출을 기록했다고 가정하겠습니다. 분석 목표는 매출이 장기적으로 증가하는지, 특정 달에 반복적으로 매출이 오르는지 확인하는 것입니다.

다음 데이터는 설명을 위해 생성한 가상 매출 자료이며, 단위는 백만 원입니다. 월별 관측값을 대상으로 주기 12의 STL 분해를 적용했습니다.

원계열에서는 상승 흐름과 매년 반복되는 봉우리가 함께 보이지만, 분해 후에는 추세와 계절성이 각각 어떤 모습으로 나타나는지 확인할 수 있습니다.

원계열은 실제로 기록한 매출입니다. 추세는 월별 요동을 줄이고 장기적인 흐름을 보여줍니다. 계절성은 같은 시기에 반복해서 나타나는 변화이며, 잔차는 추세와 계절성으로 설명되지 않은 부분입니다.

가법 분해에서는 각 월의 추세·계절성·잔차를 합하면 원래 관측값과 일치합니다. 아래는 가상 데이터의 일부 월별 분해값입니다.

단위: 백만 원. 소수점 첫째 자리 반올림으로 표시하여 합계에 작은 차이가 생길 수 있습니다.

월별 계절성은 같은 달에 반복되는 매출의 상대적인 높낮이로 읽습니다. 아래 막대가 0보다 높으면 해당 달이 추세 수준보다 높은 쪽으로, 0보다 낮으면 낮은 쪽으로 작용했다는 의미입니다.

이 예시에서는 연말 성수기인 12월에 매출이 크게 증가하는 패턴을 볼 수 있습니다. 다만 12월의 계절 성분이 +30이라고 해서 모든 해의 12월 매출이 반드시 추세보다 정확히 30만큼 높다는 뜻은 아닙니다. STL에서는 추정된 계절 패턴이 시간에 따라 달라질 수도 있습니다.

판매량이 1,000일 때 연말에 200 증가하고, 2,000일 때도 200 증가한다면 가법 분해가 자연스럽습니다. 반면 두 경우 모두 20%씩 증가한다면 승법 분해가 더 자연스러울 수 있습니다.

선택은 데이터의 형태를 보고 결정해야 하며, 분해 결과의 잔차 패턴도 함께 확인해야 합니다.

STL은 Seasonal and Trend decomposition using LOESS의 약자입니다. 분해 결과에서 매해 계절 패턴이 조금씩 달라질 수 있고, 일부 큰 이상치의 영향을 줄이도록 강건 설정을 사용할 수 있습니다.

이번 예제에서는 주기 12, 강건 STL을 사용했습니다. 분석을 반복할 때 같은 설정을 기록해야 결과를 재현하기 쉽습니다.

계절분해 결과의 잔차에 여전히 자기상관이 남아 있을 수 있습니다. 따라서 분해를 했다는 사실만으로 미래 매출을 정확히 예측하거나, 모든 시간 의존성이 사라졌다고 판단해서는 안 됩니다.

시간 간격과 정렬

월별 데이터라면 한 달에 하나의 관측값이 있어야 합니다. 같은 달이 중복되거나 순서가 뒤바뀌면 먼저 정리해야 합니다.

계절 주기

월별 데이터의 연간 주기는 보통 12, 분기별 데이터는 4, 주별 데이터에서 연간 주기를 다룰 때는 달력 효과를 별도로 고려해야 합니다. 주기는 기록 간격과 실제 반복 패턴에 맞춰 설정합니다.

관측 기간과 결측값

한두 번의 반복만으로는 안정적인 계절성을 판단하기 어렵습니다. 가능하면 여러 주기를 확보하고 결측·이상치를 점검해야 합니다. 본 예제는 네 번의 연간 주기가 있는 48개월 자료입니다.

계절 성분이 크게 보인다고 해서 그 원인이 계절 자체라고 단정할 수는 없습니다. 매년 반복하는 할인 행사나 영업일 수 차이도 비슷한 패턴을 만들 수 있습니다.

또한 추세와 계절 성분은 관측 기간, 분해 방식, 평활화 설정에 따라 달라집니다. 분석 기간이 짧거나 구조적 변화가 발생하면 추정된 계절성이 불안정할 수 있습니다.

잔차가 큰 달은 추가로 조사할 필요가 있지만, 그 자체가 데이터 오류를 뜻하지는 않습니다. 원인을 확인하기 위해 해당 시점의 외부 정보와 운영 기록을 함께 살펴봐야 합니다.

보고서에서는 분석한 기간과 간격, 선택한 계절 주기, 사용한 분해 방식, 계절 패턴을 함께 제시하는 것이 좋습니다. 아래 문장은 학습용 예제의 보고 방식입니다.

계절분해 자체는 보통 집단 간 차이에 대한 유의확률을 제공하는 검정이 아닙니다. 따라서 이 결과에 근거해 별도의 검정 없이 ‘유의한 계절 효과가 확인되었다’고 쓰는 것은 적절하지 않습니다.

유통·마케팅에서는 할인 시즌과 성수기 수요를 구분하고, 운영 관리에서는 반복되는 주문량이나 콜센터 문의량 패턴을 파악할 수 있습니다. 보건 분야에서는 월별 방문자 수나 계절성 질환 발생 건수의 반복을, 경제 분야에서는 생산·판매 지표의 장기 흐름과 주기성을 살펴볼 수 있습니다.

다만 계절분해의 목적은 미래 수치를 바로 맞히는 것이 아니라, 과거 데이터의 구조를 이해하는 데 있습니다. 추세와 계절성을 확인한 뒤 필요하면 별도의 예측 모형을 구축할 수 있습니다.