COVID가 예측 모델을 바꿔놓은 방식, 그리고 다음 충격에 대비한 설계

2020년 3월, Airbnb의 forecasting model은 안정적인 패턴을 전제로 학습돼 있던 만큼 팬데믹 충격 앞에서 무력해졌다. 단순히 수치가 바뀐 것이 아니라, booking과 실제 travel 사이의 관계 자체가 변했고, lead-time composition이 무너졌다.

핵심 해법은 예측을 두 층으로 분해하는 것이었다. 첫째, gross metrics는 booking date 축에서 일반적인 time series로 예측하고, 둘째, lead-time composition은 미래 각 trip window에 배분되는 compositional time series로 따로 모델링했다. 최종 trip-date forecast는 이 두 요소의 곱으로 재구성되며, 이때 조성비는 반드시 0 이상이고 합이 1이어야 하므로 단순 개별 bucket 예측으로는 일관성을 보장할 수 없다.

이를 위해 B-DARMA(Bayesian Dirichlet Auto-Regressive Moving Average)를 만들었다. Dirichlet distribution으로 simplex 제약을 지키고, log-ratio space의 vector autoregressive 구조로 시간 의존성을 학습하며, Bayesian framework로 불확실성까지 함께 추정한다. 이후 B-DARCH 같은 확장도 붙였고, high-dimensional composition을 위한 shrinkage prior와 structural break intervention mechanism도 더했다.

팬데믹이 지나고 gross booking volume은 회복됐지만, lead-time composition은 예전으로 완전히 돌아가지 않았다. 이를 확인하기 위해 월별 분포를 기준선과 비교하는 normalized L1 distance를 사용했고, 2018~2022년 네 개 미국 도시에서 급격한 충격 이후에도 완전한 회복이 아니라 부분 회복 후 새로운 정상으로 굳어졌다는 패턴을 확인했다. 특히 국제 여행객은 국내 여행객보다 lead-time이 더 크게 압축되고 회복도 더 느렸다.

이 분포 변화는 단순한 통계 현상이 아니라 revenue forecasting, cash flow planning, capacity decision에 직접 영향을 주는 운영 이슈였다. 그래서 모델은 일시적 이상치를 dummy variable로 지우는 방식이 아니라, 구조적 변화의 방향과 속도를 배워야 했다.

그 대안으로 도입한 것이 directional-shift intervention이다. 이 메커니즘은 변화의 방향을 나타내는 direction vector, 변화 크기를 정하는 amplitude, 그리고 전환 시점과 속도를 제어하는 logistic gate로 구성된다. binary dummy와 달리 logistic gate는 급격한 shock도, 점진적 전환도 모두 표현할 수 있고 미래 구간으로의 전개도 예측할 수 있다.

July 2020부터 March 2021까지의 rolling one-step-ahead 평가에서 intervention model은 baseline보다 Aitchison distance를 31% 줄였고, 80% prediction interval coverage도 거의 목표 수준에 맞췄다. 반면 baseline은 약 54%, dummy-variable model은 약 **71%**에 그쳤다. 결론은 명확하다. 팬데믹은 일시적 잡음이 아니라 데이터 구조를 바꿔놓았고, 예측 모델은 그 구조 변화 자체를 학습하도록 다시 설계돼야 했다.