단도직입적으로 말하겠습니다. 창고에서 AI가 뭔가 유용한 일을 하기 전에, 데이터 준비가 먼저 이루어져야 합니다. 저는 비싼 소프트웨어를 사고, 멋진 데모를 보고, 첫날에 무너지는 프로젝트를 너무 많이 봤습니다—그리고 근본 원인은 항상 데이터였습니다. 맞지 않는 마스터 데이터, 구멍투성이인 거래 기록, 아무도 적어두지 않은 예외. 그런 데이터를 AI에 먹이면, 창고에 발도 들여본 적 없는 시스템이 피커들에게 어디로 걸으라고 지시하게 됩니다. 똑똑할수록 더 빨리 잘못됩니다. 이 글은 모델이나 알고리즘에 대한 이야기가 아닙니다. AI를 가동하기 전에 정리해야 할 세 가지 데이터 유형, 그 순서, 그리고 각각이 완료되었는지 어떻게 아는지에 대한 이야기입니다.
2023년 가을, 로스앤젤레스 동쪽에 있는 3PL 창고—120,000제곱피트, 하루 약 4,000건의 주문—를 검토해 달라는 요청을 받았습니다. 그곳은 막 피커들이 하루에 걷는 거리를 줄이려는 AI 피킹 경로 시스템에 $180,000를 쓴 참이었습니다. 가동 첫 주에 피커들은 걷는 거리가 줄어들기는커녕 하루에 약 2킬로미터 더 걷고 있었습니다. 사흘 동안 문제를 쫓았습니다. 알고리즘이 아니었습니다. 데이터였습니다. 같은 상품이 세 가지 다른 품번으로 시스템에 존재했고, 빈 위치는 5년 전에 손으로 입력된 것이어서 400개가 넘는 빈 중 60개 이상이 잘못된 층을 갖고 있었습니다. AI는 지시받은 대로 정확히 움직였습니다—잘못된 데이터 위에서. 시스템은 두 달 동안 멈춰 있는 동안 팀은 돌아가서 데이터를 정리했습니다. 그 $180,000가 사준 교훈은 이렇습니다. 데이터 준비가 끝나지 않았다면 AI 프로젝트는 시작도 하지 않은 것입니다.
데이터 준비는 마스터 데이터부터: 기본부터 제대로
마스터 데이터는 세 개의 테이블입니다. 상품, 위치, 공급업체. 창고의 호적이라고 생각하십시오. 호적이 틀리면 그 아래의 모든 문서와 모든 계산도 틀립니다. 더러운 버전은 어디를 가나 똑같습니다. 하나의 상품에 세 개의 품번—구매팀이 만든 것, 마켓플레이스에서 동기화된 것, 창고 자체가 만들어낸 것. 빈 코드는 대소문자와 불필요한 공백이 뒤섞여 시스템이 하나의 빈을 두 개로 취급합니다. 하나의 공급업체가 같은 열에 다섯 가지 방식으로 적혀 있습니다.
이걸 정리하는 일은 화려하지 않은 작업입니다. 그게 핵심입니다. 상품당 하나의 품번으로 정하고 나머지는 매핑하십시오—새 번호도, 예외도 없습니다. 그런 다음 인쇄한 목록을 들고 모든 빈을 직접 걸으며 오류를 현장에서 고치고, 창고 감독자가 통로마다 서명합니다. 그다음 공급업체와 상품 속성의 빈칸을 채우고, 누락된 필드 목록과 구매팀과 운영팀이 이를 마감할 기한을 만듭니다. 여기에는 두 가지 면이 있습니다. 기술이라고는 하나도 없는 수작업처럼 보인다는 점, 그리고 그것이야말로 AI가 기본 산수를 제대로 할 수 있는지를 결정하는 유일한 것이라는 점입니다. 제 합격 기준은 단호합니다. 마스터 데이터 필드 최소 98% 완성, 품번 중복 제로, 모든 빈을 직접 확인. 그 기준에 도달할 때까지는 한 달러도 더 쓰지 마십시오.
트랜잭션 데이터의 데이터 준비: 모델에 쓰레기를 먹이지 마십시오
2024년 봄, 시카고의 한 전자상거래 창고가 AI 보충 예측을 봐달라고 했습니다. 시스템은 '회전율이 빠르다'는 이유로 소형 가전제품을 $30,000어치 주문하려 했습니다. 거래 내역을 파보니 이야기가 보였습니다. 그 소위 회전율의 절반은 반품이 다시 선반에 올려진 것이었고, 나머지 절반은 실사 조정 과정에서 이중으로 집계된 출고 기록이었습니다. 실제 매출은 시스템이 믿고 있던 것의 약 60%였습니다. 그 $30,000 주문이 나갔다면, 최소 절반은 6개월 동안 창고에 앉아 있었을 것입니다.
트랜잭션 데이터는 마스터 데이터와 다른 방식으로 더러워집니다. 마스터 데이터는 원천에서 틀립니다. 트랜잭션 데이터는 도중에 샙니다. 당일에 기록되지 않는 반품. 기록 없이 처리되는 파손품. 시스템의 숫자를 편집하고 흔적을 남기지 않는 실사 차이. 하루 늦게 입력되는 종이 전표. 해결책은 과거를 다시 만드는 것이 아니라 누수를 막는 것입니다. 반품, 파손, 실사 조정은 당일에 시스템에 입력하고, 필드가 누락된 기록은 저장할 수 없습니다. 종이 전표는 당일에 입력하고, 밤을 넘긴 것은 예외로 취급합니다. 일주일에 한 번, 주문, 재고, 재무를 대사하고, 차이가 있으면 당일에 조사합니다. 합격 기준: 네 가지 핵심 거래 유형 전체에서 누락 필드 2% 미만, 대사 차이는 당일 해소. 과거가 너무 더러워서 살릴 수 없다면, 최근 몇 주의 깨끗한 구간을 잘라내 AI가 거기서 배우게 하십시오. 짧고 깨끗한 구간이 3년 치 더러운 데이터보다 낫습니다.
예외와 피드백: 이것 없이는 AI는 절대 배우지 못합니다
이것은 세 가지 중 가장 무시하기 쉽고, AI가 시간이 지날수록 나아지는지를 결정하는 것입니다. 예외 데이터는 잘못된 모든 것입니다. 재고 부족, 오배송, 파손, 지연 주문, 고객 불만. 피드백 데이터는 사람들이 AI의 제안에 대해 한 일입니다. 받아들였는지, 기각했는지, 그리고 왜 그랬는지. 대부분의 창고에는 둘 다 존재하지 않습니다. 예외는 입소문으로 전해집니다. AI가 맞았는지 틀렸는지 아무도 적지 않습니다. 피드백 루프가 없으면 AI는 오늘도, 내일도, 다음 달도 같은 실수를 합니다—매번, 똑같이.
2024년 여름, 댈러스 근처의 자동차 부품 창고를 방문했습니다. AI는 매일 아침 보충 목록을 발행했고, 운영팀은 경험에 따라 그중 약 3분의 1을 기각했습니다—이유를 단 한 번도 기록하지 않은 채로. 3개월 뒤에도 AI는 같은 제안을 하고 있었고, 운영팀은 계속 기각하고 있었습니다. 3개월간의 학습이 낭비됐습니다. 이를 고치는 데 큰 프로젝트는 필요 없습니다. 모든 예외에 기록, 원인, 해결책을 붙입니다—한 문장이면 충분합니다. AI의 모든 제안에 수락 또는 기각 표시를 하고, 모든 기각에는 한 줄의 이유를 붙입니다. 한 달만 해도 다음 라운드의 좋은 훈련 자료가 됩니다. 직관에 반하는 부분은 이겁니다. 예외 데이터를 많이 보관할수록 AI 실수의 비용이 낮아집니다. 시스템이 거기서 배울 수 있기 때문입니다. 예외 기록이 없는 창고는 표면적으로는 매끄러워 보이지만, 같은 실수가 알아채지 못한 채 반복되고 있습니다.
어떤 순서로, 비용은 얼마인가
위에서 말한 순서대로 세 가지를 진행하십시오. 마스터 데이터, 트랜잭션 데이터, 그리고 예외와 피드백입니다. 순서는 바꿀 수 없습니다. 합의된 마스터 데이터가 없으면 대사는 절대 맞지 않습니다. 거래의 누수를 막지 않으면 예외 기록은 붙을 대상이 없습니다. 아래 표는 중규모 창고—하루 3,000건의 주문, 2,000개의 빈—를 기준으로 한 예시 추정치입니다. 숫자는 가상의 예시이며 업계 벤치마크가 아닙니다.
| 데이터 유형 | 흔한 모습 | 정리 작업 | 합격 기준 | 예시 비용 |
|---|---|---|---|---|
| 마스터 데이터 | 하나의 상품, 여러 품번, 잘못된 빈 코드 | 상품당 하나의 품번, 모든 빈 직접 확인 | 필드 98% 이상 완성, 중복 제로 | 2–3주, ~$10,000 |
| 트랜잭션 데이터 | 미기록 반품, 흔적 없는 실사 수정 | 당일 입력, 주간 삼자 대사 | 누락 필드 2% 미만, 차이 당일 해소 | 3–4주, ~$15,000 |
| 예외 및 피드백 | 입소문, 이유 없는 기각 | 모든 예외 기록, 모든 제안 표시 | 기록, 원인, 해결책 보관 | 1–2주, ~$5,000 |
합치면 전체 작업은 약 6~9주, $30,000입니다. AI 프로젝트에 얹어지는 추가 비용처럼 보이지만, 대안의 가격을 따져보십시오. 두 달의 재작업과 $180,000짜리 시스템의 유휴. 데이터 준비는 비용 항목이 아닙니다. AI 프로젝트의 입장권입니다—그 값을 낼 수 없다면 아직 들어가지 마십시오.
그러니 다음에 벤더가 모델이 스스로 배우기 때문에 더러운 데이터도 괜찮다고 말하면, 한 가지만 물어보십시오. 잘못된 것을 배웠을 때, 누가 그 대가를 치릅니까? 답하지 못한다면 거래를 보류하고, 먼저 데이터를 정리한 뒤에 AI 이야기를 하십시오.
Lao Mi, 공급망 베테랑 (20년) 지음 영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.







