2025년 9월, 나는 한 번에 양쪽 방향으로 모두 실패했다. 수납함 하나가 블랙 프라이데이 직전에 11일 동안 품절됐는데, 광고는 계속 돌아가고 전환도 나오고 있었다. 90일분으로 비축해 둔 후크 하나는 세 달 동안 3분의 1도 팔리지 않았고, 나머지는 지금도 FBA 창고에 쌓여 보관료가 계속 나오고 있다. 같은 수요 예측 시스템, 같은 이력, 품절 하나와 데드스톡 한 더미. 내 첫 반응은 모델을 탓하고 더 화려한 AI 예측 도구를 사는 것이었다. 내 주문 이력을 직접 파헤친 두 주가 생각을 바꿨다. 모델에도 진짜 결함이 있었지만, 그 아래 데이터가 더 나빴다.
국경을 넘나드는 판매를 5년 해 오면서, 나는 나쁜 예측을 나쁜 진단처럼 다루는 법을 배웠다. 약만 바꾼다고 해결되지 않는다. 문제가 입력에 있는지 계산에 있는지 알아내야 한다. 잘못된 쪽을 고치면 돈만 낭비하고 선반은 여전히 틀어지기 때문이다.
수요 예측이 빗나가면, 먼저 데이터를 확인하라
수납함을 보자. 2025년 7월부터 8월까지 한 달에 약 1,800개씩 팔렸기 때문에, 블랙 프라이데이를 위해 그 숫자에 20% 버퍼를 더해 비축했다. 그러다 10월 말 인플루언서 홍보로 일주일 만에 900개 이상이 팔리면서 상품 페이지가 품절됐다. 수요 예측은 여전히 한 달에 1,900개라고 했다. 급증이 오는 것을 전혀 보지 못했다.
이력 자체가 휘어 있었다. 7월과 8월에 30% 할인 프로모션을 두 번 진행했는데, 시스템에는 프로모션으로 표시된 것이 아무것도 없었다. 매출이 정상 수요처럼 보였다. 더 나쁜 것은, 8월 중순에 엿새 동안 품절됐다는 점이다. 그 엿새는 매출이 0으로 기록됐고, 시스템은 0을 수요 없음으로 읽었다. 프로모션은 숫자를 위로 밀어 올렸고, 품절은 숫자를 아래로 밀어 내렸으며, 그렇게 나온 평균은 존재한 적 없는 상품을 설명하고 있었다.
반품도 반대 방향으로 같은 종류의 피해를 냈다. 후크 하나는 반품률이 높았고, 반품된 제품이 다시 판매돼 또 팔렸다. 시스템은 진짜 고객 한 명에게 매출 두 건을 기록했다. 그 숫자에 맞춰 비축한다는 것은 존재하지 않았던 수요에 맞춰 비축한다는 뜻이었다.
이제는 어떤 모델을 건드리기 전에 세 가지를 확인한다. 프로모션이 이력에 표시됐는지, 품절이 판매 기록을 짧게 끊었는지, 반품이 두 번 집계됐는지. 어느 하나라도 그렇다면, 수요 예측은 모델이 돌아가기도 전에 이미 실패가 정해져 있었다. 나쁜 데이터는 더 똑똑한 모델로 나아지지 않는다. 잘못된 방향으로 더 정밀하게 계산될 뿐이다.
FBA 분할 배송도 수요를 숨긴다. 같은 상품이 세 창고에 있는데, 한 곳이 떨어지면 쇼핑객은 경쟁사 제품을 산다. 그 잃어버린 매출은 어디에도 나타나지 않는다. 수요가 평탄하다고 생각한다. 실제로는 당신이 직접 문을 닫은 것이다.
일회성 대량 주문도 같은 방식으로 숫자를 휘게 할 수 있다. 2026년 4월, 한 고객이 한 번의 주문으로 선반 200개를 샀다. 시스템은 이를 일상 수요로 취급해 다음 달 예측을 끌어올렸다. 그 주에 내가 직접 주문을 대조하고 있었기에 겨우 잡아냈다. 이제는 어떤 예측을 보기 전에 대량 주문과 일회성 주문을 이력에서 빼낸다.
수요 예측 모델에도 고유한 사각지대가 있다
깨끗한 데이터가 모델을 신뢰할 만하게 만들지는 않는다. 내가 쓰던 도구는 같은 세 가지에 계속 걸려 넘어졌다.
첫째는 평균이다. 내 수납함은 한 달에 약 1,800개 팔렸는데, 안정적으로 들리지만 주간 매출은 300개에서 700개까지 오갔다. 모델은 평균을 취하고 일을 마쳤다고 했다. 나는 평균에 맞춰 비축했고, 강한 주마다 품절됐다. 판매자에게 중요한 것은 평균적으로 얼마나 파느냐가 아니다. 가장 강한 주에 얼마나 파느냐다. 평균으로 만든 수요 예측은 종이 위에서는 깔끔해 보이지만 창고에서는 실패한다.
둘째는 콜드 스타트다. 2026년 3월, 판매 이력이 없는 새 수납 랙을 출시했다. 모델은 카테고리 평균을 빌려 와서 한 달에 1,200개라고 했다. 상품 페이지는 광고가 아직 학습 중이고 전환율이 아직 낮은 첫 두 주 동안 하루에 열두 개씩 팔렸다. 첫 배치를 모델 숫자에 맞춰 비축했기에, 소진하는 데 두 달이 걸렸다. 신상품에는 이력이 없으니 모델은 그저 추측할 뿐이다. 이제는 신규 출시 제품은 30일분만 비축한다. 데드 재고를 안고 앉아 있기보다 자주 보충하는 편이 낫다.
셋째는 계절 전환점이다. 수납 제품은 9월부터 11월에 정점을 찍고 1월과 2월에 가라앉는다. 지난 12개월을 평활화하는 모델은 전환점에서 항상 반 박자 늦는다. 2025년 10월에도 블랙 프라이데이로 이미 접어들고 있었는데 여전히 여름 속도로 예측하고 있었다. 계절 상품에서 전환점을 보지 못하는 모델은 정확도가 가장 중요할 때 정확히 가장 나쁘다.
공통된 실마리는 단순하다. 모델은 숫자를 안다. 당신이 새 광고 캠페인을 막 시작했다는 것, 인플루언서가 곧 게시할 것이라는 것, 라인 하나를 정리하고 있다는 것은 모른다. 주변에서 바뀌는 비즈니스를 볼 수 없다.
수요 예측 고치기: 데이터가 먼저, 모델이 다음
이제는 수요 예측이 빗나가면 이 순서대로 작업하고, 단계를 낭비하는 일이 거의 없다.
데이터가 먼저다. 지난 세 달 치 주문을 내보내 프로모션 일정, 품절 기록, 반품과 대조한다. 프로모션이 표시됐는지, 품절일이 정말 0이었는지, 반품이 두 번 집계됐는지. 여기서 반나절이면 대부분의 문제가 정리된다. 내 수납함은 이 단계에서 진단됐다.
다음은 변동성이다. 월평균만 보지 않는다. 매출을 주 단위로 나누고 가장 강한 주와 가장 약한 주를 비교한다. 격차가 클수록 안전재고는 두터워져야 한다. 내 커버는 더 이상 고정된 숫자가 아니다. 변동성이 큰 제품은 45일, 안정적인 제품은 30일, 성수기에는 15일을 더한다.
그제야 모델을 본다. 도구 교체를 고민한다면 먼저 세 가지 질문을 한다. 신상품을 어떻게 처리하는지, 계절 전환점을 인식하는지, 높은 변동성에 어떻게 대응하는지. 답을 못하면, 아무리 비싸 보여도 바꾸지 않는다. 이 점검이 같은 실수를 더 빨리 저지를 도구를 사지 않도록 나를 지켜 줬다.
데이터 문제와 모델 문제는 나란히 놓고 보기 전까지는 똑같이 보인다.
| 증상 | 데이터 문제일 가능성이 높음 | 모델 문제일 가능성이 높음 |
|---|---|---|
| 예측이 높게 나와 재고가 계속 쌓인다 | 반품 이중 집계, 프로모션 매출을 정상으로 처리 | 카테고리 평균으로 가격을 매긴 신상품 |
| 예측이 낮게 나와 재고가 계속 떨어진다 | 품절일을 수요 0으로 기록 | 평균 사용, 피크 주 무시 |
| 성수기마다 예측이 무너진다 | 프로모션 미표시, 이력이 위아래로 끌려다님 | 계절 전환점이 평활화로 사라짐 |
| 신상품 예측이 크게 빗나간다 | 대조할 이력이 없음 | 콜드 스타트를 실제 숫자로 취급 |
돈은 세기 쉽다. 내 수납함을 보자. 한 달에 2,000개, 단가는 $6이다. 60일 커버로는 4,000개를 보유했고, 즉 $24,000이 창고에 묶여 있었다. 데이터를 정리하고 변동성이 큰 주에만 안전재고를 더한 뒤, 커버를 45일로 줄여 3,000개를 보유했다. 선반에 앉아 있는 현금이 $6,000 줄었다. 예측이 완벽할 필요는 없다. 15일 적은 커버는 진짜 돈이다. 그리고 반대쪽은 보이는 것보다 더 비싸다. 11일 품절로 매출, 광고 모멘텀, 그리고 보충 후 랭킹을 다시 세우는 데 걸린 몇 주를 잃었다.
Amazon은 몇 달마다 규칙을 바꾸고, 광고비는 계속 오르며, 비축을 잘못할 여유는 점점 줄어든다. 내 규칙은 이제 분명하다. 예측이 빗나가면 먼저 데이터를 읽고, 다음으로 변동성을 보고, 그제야 모델을 탓한다. 진짜 데이터가 모델에 가치를 부여한다. 모델에 사각지대가 있는 곳은 손으로 메운다. 성수기 전에는 재고를 더하고, 신규 출시에는 재고를 줄인다. 평균 내는 법밖에 모르는 도구에 결정 전체를 맡기는 대신.
당신의 마지막 비축 실수는 품절이었나, 데드스톡이었나? 그 달의 이력을 꺼내 세 곳을 확인해 보라. 프로모션, 품절일, 반품이다. 그중 하나가 대개 표시돼 있지 않다.
Ah K, 이커머스 셀러(5년) 지음 영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.







