gemini

Gemini 시계열 데이터 예측 프롬프트 - 매출/수요/트래픽 예측

Gemini로 시계열 데이터 분석 및 예측을 수행하는 프롬프트입니다. ARIMA, Prophet, LSTM 등 다양한 기법으로 매출, 수요, 트래픽 등을 예측합니다.

수정 2026년 9월 6일

#시계열분석 #예측모델 #매출예측 #수요예측 #ARIMA #Prophet

💡

프롬프트 사용 방법

1단계: 아래 입력 칸에 각 항목에 맞는 정보를 적어주세요
2단계: 입력하면 아래 프롬프트가 자동으로 업데이트됩니다
3단계: '프롬프트 복사' 버튼을 눌러 ChatGPT/Claude에 붙여넣으세요

💡 입력 칸의 회색 글씨는 예시입니다. 참고해서 작성해보세요!

📝 필요한 정보를 입력해주세요 (총 8개)

데이터 주제 (데이터_주제)

데이터 주제에 대한 값을 입력하세요

데이터 유형 (데이터_유형)

데이터 유형에 대한 값을 입력하세요

예측 기간 (예측_기간)

예측 기간에 대한 값을 입력하세요

관측 기간 (관측_기간)

관측 기간에 대한 값을 입력하세요

빈도 (빈도)

빈도에 대한 값을 입력하세요

시계열 데이터 (시계열_데이터)

시계열 데이터에 대한 값을 입력하세요

외부 변수 (외부_변수)

외부 변수에 대한 값을 입력하세요

이벤트 데이터 (이벤트_데이터)

이벤트 데이터에 대한 값을 입력하세요

📋 완성된 프롬프트 (복사해서 사용하세요)

당신은 시계열 데이터 분석 전문가입니다. 정확한 예측 모델을 개발하세요.


## 분석 대상
- 데이터 주제: {{데이터_주제}}
- 데이터 유형: {{데이터_유형}}
- 예측 기간: {{예측_기간}}
- 관측 기간: {{관측_기간}}
- 데이터 빈도: {{빈도}}

## 시계열 데이터
{{시계열_데이터}}

## 추가 정보
- 외부 변수: {{외부_변수}}
- 이벤트 정보: {{이벤트_데이터}}

## 분석 요청
1. 데이터 탐색 (정상성 검정, 계절성 분해)
2. 시계열 특성 분석
3. 예측 모델링 (ARIMA, Prophet, LSTM)
4. 모델 평가 (RMSE, MAE, MAPE)
5. 예측 결과 및 신뢰구간
6. Python 코드

입력하지 않은 항목은 원래 표시를 유지합니다.

간단 버전

{{데이터_주제}}을(를) 예측해주세요.
데이터: {{시계열_데이터}}, 예측 기간: {{예측_기간}}
트렌드 분석, 최적 모델, 예측 결과, Python 코드를 제공해주세요.

입력값 가이드

입력 항목	한국어 설명	placeholder	예시
데이터 주제	예측하고 싶은 데이터 주제를 입력하세요	예: 월별 매출액, 일일 방문자 수	`월별 매출액`, `일일 방문자 수`
데이터 유형	데이터의 종류를 선택하세요	예: 매출, 수요, 주가, 트래픽	`매출`, `수요`, `주가`, `트래픽`
예측 기간	얼마나 미래를 예측할지 입력하세요	예: 12개월, 4주, 30일	`12개월`, `4주`, `30일`
관측 기간	과거 데이터 기간을 입력하세요	예: 2020-2024, 최근 3년	`2020-2024`, `최근 3년`
빈도	데이터 수집 주기를 선택하세요	예: 일별, 주별, 월별	`일별`, `주별`, `월별`
시계열 데이터	날짜와 값을 포함한 데이터를 입력하세요	예: CSV 또는 표 형식	`2020-01: 100, 2020-02: 120`
외부 변수	영향을 주는 외부 요인을 입력하세요	예: 마케팅 비용, 경제 지표	`마케팅 비용`, `경제 지표`
이벤트 데이터	특별한 이벤트나 기간을 입력하세요	예: 프로모션 기간, 공휴일	`프로모션 기간`, `공휴일`

인풋 필드

[데이터 주제]
▼ 텍스트 입력
placeholder: "예: 월별 매출액, 일일 방문자 수"
설명: 예측하고 싶은 데이터 주제를 입력하세요

[데이터 유형]
▼ 드롭다운 선택
옵션: 매출, 수요, 주가, 트래픽, 재고, 생산량
placeholder: "예: 매출, 수요, 주가, 트래픽"
설명: 데이터의 종류를 선택하세요

[예측 기간]
▼ 텍스트 입력
placeholder: "예: 12개월, 4주, 30일"
설명: 얼마나 미래를 예측할지 입력하세요

[관측 기간]
▼ 텍스트 입력
placeholder: "예: 2020-2024, 최근 3년"
설명: 과거 데이터 기간을 입력하세요

[빈도]
▼ 드롭다운 선택
옵션: 시간별, 일별, 주별, 월별, 분기별, 연간
placeholder: "예: 일별, 주별, 월별"
설명: 데이터 수집 주기를 선택하세요

[시계열 데이터]
▼ 텍스트 영역 입력 또는 파일 업로드
placeholder: "예: CSV 또는 표 형식"
설명: 날짜와 값을 포함한 데이터를 입력하세요 (CSV 파일 업로드 가능)

[외부 변수]
▼ 텍스트 영역 입력
placeholder: "예: 마케팅 비용, 경제 지표"
설명: 영향을 주는 외부 요인을 입력하세요 (선택 사항)

[이벤트 데이터]
▼ 텍스트 영역 입력
placeholder: "예: 프로모션 기간, 공휴일"
설명: 특별한 이벤트나 기간을 입력하세요 (선택 사항)

모델 선택 가이드

상황	추천 모델	이유
데이터 적음 (< 500포인트)	ARIMA, Prophet	빠른 학습, 과적합 방지
명확한 계절성	SARIMA, Prophet	계절성 명시적 모델링
다중 외부 변수	XGBoost, LightGBM	변수 반영 용이
비선형 복잡 패턴	LSTM, GRU	복잡한 패턴 학습
해석 중요	Prophet, ARIMA	드라이버 해석 가능

모델별 특징

모델	특징	장점	단점
ARIMA	정상성 시계열에 적합	빠른 학습, 해석 용이	비선형 패턴 학습 어려움
Prophet	Facebook 개발	이상치 내성, 이벤트 반영	비계절성 데이터 성능 제한
LSTM	장기 의존성 학습	복잡한 비선형성 모델링	많은 데이터, 학습 시간

모델 평가 지표

지표	공식	좋은 값
RMSE	√(Σ(예측-실제)²/n)	낮을수록 좋음
MAE	Σ\|예측-실제\|/n	낮을수록 좋음
MAPE	백분율 오차	<10% 우수
R²	설명력	0.9+ 우수

Python 코드 예시

from prophet import Prophet
import pandas as pd

# 데이터 준비 (ds, y 컬럼 필수)
df = pd.DataFrame({
    'ds': pd.date_range('2020-01-01', periods=60, freq='M'),
    'y': sales_data
})

# 모델 학습
model = Prophet(yearly_seasonality=True)
model.fit(df)

# 12개월 예측
future = model.make_future_dataframe(periods=12, freq='M')
forecast = model.predict(future)