AI 예측을 도입한 창고에서 주목할 만한 패턴이 있다. 예측 정확도 지표는 개선되고, 때로는 눈에 띄게 개선되는데도 품절은 줄지 않는다. 어떤 현장에서는 오히려 늘어난다. 직관적으로는 일어나지 않아야 할 일이다. 더 나은 예측은 더 나은 재고 확보를 의미해야 하기 때문이다. 그러나 예측은 더 긴 사슬의 첫 번째 고리에 불과하고, 뒤쪽 고리가 실패하면 예측이 아무리 좋아도 선반은 비게 된다. 이것이 AI 수요 예측과 보충의 역설이며, 알고리즘보다는 예측이 만들어진 뒤에 일어나는 모든 일에 관한 문제이다.
AI 수요 예측 정확도가 재고 확보를 보장하지 않는 이유
인과 사슬은 예측과 재고가 있는 선반 사이에 있는 다섯 가지 변수를 거친다. 첫째는 보충 주기이다. 예측은 매주 갱신되는데 구매 주문은 매월 나간다면, 그 불일치 하나만으로 올바른 예측조차 결코 따라잡을 수 없는 수요를 쫓게 된다. 둘째는 로트 크기 제약이다. 공급업체가 풀 케이스나 풀 팔레트를 요구하므로, 수십 개를 요구하는 예측은 과잉 재고로 올려 반올림되거나, 아예 발주되지 않는 주문으로 내려 반올림된다. 셋째는 리드타임 지연이다. 상품은 수 주 동안 운송 중이고, 그 사이 수요는 움직이며, 발행 당시 정확했던 예측은 정작 중요할 때가 되면 낡아 있다. 넷째는 안전재고의 조용한 소진이다. 시스템이 예측을 신뢰하게 되면 완충재를 줄이고, 완충재가 얇아지면 어떤 변동이든 가용성에 직접 타격을 준다. 다섯째는 프로모션과 이상치이다. 프로모션 급등이 새로운 일상으로 읽히거나, 진짜 프로모션 전 상승세가 노이즈로 평활화되어, 어느 쪽 오독이든 보충 수량을 왜곡한다.
이 요인 중 어느 하나라도 가용성을 무너뜨릴 수 있고, 실제로는 여러 요인이 동시에 무너지면서 서로를 가린다. 품절이 발생하면 첫 번째 본능은 모델을 탓하고, 다시 조정하고, 교체하고, 더 많은 데이터를 먹이는 것이며, 그런 작업을 한 바퀴 돈 뒤에도 보충 파라미터는 정확히 원래 자리에 있고, 품절은 계속된다. 역설의 핵심은 단순하다. 조직은 예측을 보충 자체인 것처럼 다루지만, 보충은 파라미터 시스템이고 예측은 그 입력 중 하나에 불과하다.
두 가지 사례가 이 메커니즘을 보여준다. 첫째는 가정용품 유통업체로, 예측 모델을 도입한 뒤 핵심 카테고리의 오류율이 눈에 띄게 줄었다. 경영진은 그 개선을 안전재고 계수를 한 단계 낮춰도 된다는 허락으로 받아들였고, 더 나은 예측에는 완충재가 덜 필요하다고 판단했다. 그러자 한 공급업체의 리드타임이 약 2주 늘어났다. 입고 예정 상품은 도착하지 않았고, 완충재는 이전보다 얇아졌으며, 베스트셀러 상품들은 한 달 가까이 품절되었다. 사후 분석에서 모델에 잘못이 없었다. 잘못은 리드타임이 움직였는지, 주문 주기가 보조를 맞추고 있는지 아무도 확인하지 않은 채 예측 정확도를 곧바로 재고 감축으로 번역한 것이었다. 예측은 좋아졌고, 재고 정책은 더 취약해졌다.
두 번째 사례는 계절성 소비재 창고로, 모델은 평탄한 기간은 잘 예측했지만 프로모션 전 상승세에는 제대로 대응하지 못했다. 몇 년치 이력만으로는 상승세가 통계적으로 이상치처럼 보였고, 모델은 그것을 평활화하여 지워버렸다. 구매팀은 평활화된 수치로 주문했고, 프로모션은 즉각적인 품절로 시작되었으며, 긴급 보충이 도착했을 때는 프로모션이 이미 절반이 지나 있었다. 여기서도 알고리즘이 근본 원인은 아니었다. 이상치 규칙은 프로모션, 시즌, 신제품 출시와 같은 설명 가능한 상승세와 진짜 노이즈를 구분하지 못했다. 무차별적으로 적용되는 통계 규칙은 결국 비즈니스가 가장 필요로 하는 신호 자체를 삭제하게 된다.
모델을 건드리기 전에 확인하는 AI 수요 예측 보충 체크리스트
AI 수요 예측 보충을 실무에서 작동하게 만드는 것은 더 정확한 모델보다 규율 있는 파라미터 검토에 달려 있다. 어떤 모델을 조정하기 전에 이 체크리스트를 항목별로 하나씩 살펴보라.
| 체크리스트 항목 | 물어봐야 할 질문 | 흔한 불일치 |
|---|---|---|
| 보충 주기 | 주문 빈도가 예측 갱신 빈도와 일치하는가 | 예측은 매주, 주문은 매월 |
| 로트 크기 제약 | 최소 수량과 케이스 팩이 모델 안에 있는가 | 예측 수량이 최소값 미달, 주문 지연 |
| 리드타임 지연 | 리드타임 변화가 실시간으로 피드백되는가 | 리드타임 연장, 안전재고는 여전히 예전 리드타임 기준 |
| 안전재고 | 서비스 수준으로 설정되는가, 아니면 감으로 깎이는가 | 예측 개선, 완충재 축소, 변동성이 품절로 전환 |
| 이상치 규칙 | 프로모션, 시즌, 출시가 따로 처리되는가 | 상승세 평활화되어 소멸, 프로모션이 기준선으로 읽힘 |
| 소유권 | 품절이 발생하면 누가 파라미터를 바꿀 수 있는가 | 모두가 예측만 지켜보고, 보충의 주인은 아무도 없다 |
이 체크리스트의 목적은 책임을 분리하는 것이다. 예측 팀은 예측이 정확한지 책임진다. 보충 팀은 파라미터가 올바른지 책임진다. 이 지표들을 따로 유지하면 품절 검토에서 어느 쪽이 실패했는지 식별할 수 있고, 모든 것을 '모델이 틀렸다'로 뭉뚱그릴 필요가 없어진다. 내가 권장하는 순서는 다음과 같다. 먼저 보충 파라미터를 동결하고, 일정 기간 품절 구조를 관찰한 뒤, 모델을 변경하고, 모델 변경 후 파라미터를 다시 확인한다. 순서를 뒤집으면 모델 문제와 파라미터 문제를 절대 구분할 수 없다.
여기에 이 문제의 핵심에 있는 직관에 반하는 판단이 있다. 예측이 정확해질수록 안전재고를 함부로 깎아서는 안 된다. 직관적으로는 좋은 예측에는 완충재가 덜 필요하고, 풀린 재고는 이익이라고 생각한다. 그러나 재고 이론에서 안전재고는 주로 예측 오류로부터 지키는 것이 아니다. 리드타임 변동, 부족 출하, 수요 충격으로부터 지키는 것이며, 이는 예측이 통제할 수 없는 것들이다. 정확도 향상은 예측이 틀렸을까 봐 두려워 보유했던 여분 재고를 제거하는 것을 정당화한다. 완충재 전체를 제거하는 것은 정당화하지 않는다. 이 둘을 혼동하면 예측이 개선될수록 시스템은 정확히 더 취약해지는데, 이는 얇은 완충재가 리드타임 연장 하나를 품절로 바꾸기 때문이다. 많은 창고에서 예측 지표가 가장 좋아 보이는 바로 그 달에 품절이 늘어나는 것은 우연이 아니다. 아이러니가 아니라 인과관계이다.
AI 자체에 대한 기대를 조정하는 것에 대해 한마디 하겠다. AI 수요 예측의 가치는 실재한다. 사람의 플래너가 손으로 계산할 수 없는 카테고리 규모와 이력 패턴을 처리하고, 예측을 경험에 기반한 추측에서 검토 가능한 숫자로 바꾼다. 그러나 그 수익은 정확도 지표에 있지 않다. 보충 사슬 중 얼마나 함께 개선되는지에 있다. 보충 프로세스를 바꾸지 않고 모델을 사는 것은 대시보드만 교체하고 엔진은 그대로 두는 것과 같으며, 모델이 개선되어도 AI 수요 예측 보충의 역설이 살아남는 이유가 정확히 그것이다. ROI는 선반이 비어 있는 동안 얻은 몇 포인트의 예측 정확도가 아니라, 더 적은 품절과 더 빠른 재고 회전으로 측정해야 한다. 빈 선반 위에서 좋아 보이는 정확도 지표는 종이 위의 수익이다.
결론 대신 열린 질문으로 마무리하겠다. 예측이 충분히 좋아진 뒤에는 가용성의 다음 병목이 어디에 있는가? 내 관찰로는 '계산할 수 없다'에서 '충분히 빨리 움직일 수 없다'로 이동한다. 주문 주기, 공급업체 조율, 예외 처리가 모델이 현 세대의 속도로 돌아가는 동안에도 이전 세대의 속도로 작동하고 있는지 여부이다. 예측의 진보는 궁극적으로 조직의 대응 속도를 시험한다. 표준 답은 없고, 각 창고마다 다르게 답할 것이지만, 질문을 던지는 것은 다른 모델로 교체하는 것보다 가치 있다.
Dr. Chen, 공급망 연구원 지음
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.







