AI 수요 예측: 재보충 정확도를 높이는 실전 가이드

시작: 잘못된 예측은 재보충을 도박으로 만든다

생활용품 온라인 판매업체, SKU 3,000개. 기획자의 감과 12주 이동평균만으로 재보충을 해왔다. 대규모 프로모션 때마다 시스템은 무너졌다: 인기 SKU는 품절로 주문을 잃고, 롱테일 SKU는 2,000만 달러의 자금을 재고에 묶어 두었다. 대표는 계산했다: 품절률 1포인트 감소의 가치는 연간 400만 달러. 예측은 창고에서 ROI가 가장 높은 AI 활용 분야 중 하나다 — 그런데 프로젝트의 90%는 "모델은 정확하지만 현장이 못 쓴다"에서 죽는다.

핵심 프레임워크: 네 가지 포인트

재보충 작업 중 팔레트를 고층 랙 슬롯에 적재하는 지게차 운전자

1. 피처 엔지니어링: 이력은 이야기의 절반일 뿐

판매 이력만 모델에 먹이는 건 한 눈을 감고 운전하는 것과 같다. 실무에서 통하는 다섯 가지 피처 패밀리:

판매·가격 시계열(프로모 가격과 할인율 포함)
프로모션 캘린더(대형 세일, 카테고리 데이, 클리어런스 — 사전에 라벨링)
계절성과 공휴일(신학기, 크리스마스, 구정)
외부 신호: 기온(의류·생활용품에 강하게 작용), 채널 트래픽
SKU 속성: 신상품/성숙/처분 단계, ABC 분류

경험칙: 최소 2년 치 이력에서 시작하라. 데이터가 1년 미만인 SKU에는 유사 상품 기반 예측만 적용하고, 복잡한 모델을 무리하게 씌우지 마라.

2. 계층적 모델링: 헤드 SKU는 정밀하게, 테일은 단순하게

SKU 계층	비중	모델링 전략
상위 20%	매출의 80%	LightGBM / 시계열 모델, SKU 단위 튜닝
중위 30%	매출의 15%	카테고리 단위 예측 후 분해
테일 50%	매출의 5%	Croston식 간헐 수요 모델; 품절만 피하면 됨

전부에 하나의 모델은 초보자의 전형적인 실수다. 테일 SKU는 수요가 희박해서 복잡한 모델은 과적합되고, 단순한 모델이 안정적이다.

3. 루프 닫기: 예측은 출발점에 불과하다

예측이 곧 발주서는 아니다. 전체 루프는 다섯 단계: 예측 → 안전재고(서비스 레벨별: A품목 98%, C품목 90%) → 재보충 제안 → 예외만 사람이 검토(변동 50% 초과 SKU) → 실적으로 피드백하여 재학습.

핵심 설계: 사람은 예외만 본다. 기획자는 3,000라인을 샅샅이 보는 대신, 시스템이 매일 빨간색으로 표시한 5% SKU만 본다 — 이것이 진짜 AI 레버리지다: 일상 판단의 95%는 기계가, 중요한 5%는 사람이 맡는다.

4. 지표: 절대 오차보다 바이어스 방향을 먼저 본다

전체 정확도에는 WAPE(가중 절대 백분율 오차)를 쓰되, 바이어스 방향을 더 주의 깊게 본다: 체계적인 과대 예측은 과잉 재고를, 체계적인 과소 예측은 품절을 만든다. 같은 방향의 바이어스가 5%를 넘어 3개월 연속이면 피처나 모델의 구조적 문제 신호 — 하이퍼파라미터 튜닝으로 때우지 말고 다시 만들게 보내라.

현장 사례: WAPE 38%에서 24%로

생활용품 온라인 판매업체, SKU 4,000개. AI 수요 예측 도입 6개월 후: WAPE는 38%에서 24%로, 품절률은 6.2%에서 3.1%로 하락, 재고 회전율은 0.8 상승. 가장 큰 기여 요인은 모델의 정교함이 아니었다 — 프로모션 캘린더 피처였다. 기획자들은 프로모를 기억으로 예측했는데, 그것을 체계화하는 것만으로 프로모 기간 오차가 하룻밤에 절반이 됐다.

피해야 할 함정

신규 SKU에 이력 기반 모델을 무리하게 씌우지 마라. 첫 예측은 유사 SKU에서 가져오고, 첫 4주 판매 실적이 나오면 바로 재보정 — 주간 업데이트.
프로모션은 따로 모델링하라. 프로모 기간 수요는 일상 수요와 다른 분포에 속한다; 함께 학습시키면 기준선이 오염된다.
예측을 자동 발주에 직결하지 마라. 사람의 "예외 게이트"를 남겨라 — 모델이 본 적 없는 블랙스완(SNS에서 터진 상품)에는 사람이 최후의 방어선이다.

90일 도입 계획

1~30일: 데이터 거버넌스. 2년 치 판매 이력, 프로모션 캘린더, 가격 시계열을 모은다; 데이터 품질 리포트를 공개하고 결측 10% 초과 항목을 채운다. 산출물: 피처 인벤토리 + 데이터 품질 리포트.

31~60일: 모델링과 백테스트. SKU 등급별 계층 모델을 구축하고 최근 3개월로 표본 외 백테스트 — 헤드 SKU WAPE 25% 미만이 게이트. 산출물: 백테스트 리포트.

61~90일: 파일럿과 확산. 헤드 SKU 200개로 병행 운영: 시스템이 제안하고, 기획자가 검토하며, 파일럿과 대조군의 품절률을 비교한다. 파일럿 품절률 감소 1.5포인트 이상이면 전면 확산 승인.

90일은 최소선; 데이터 기반이 약한 창고는 120일을 잡아라. 도입 후 다시 만드는 것보다 처음에 천천히 가는 게 낫다 — 예측 프로젝트 한 번의 재작업이면 사업부의 AI 신뢰는 0이 된다.

기획자의 새로운 워크플로: 사람과 기계의 분담

AI 가동 후 기획자는 사라지지 않는다 — 레벨업한다:

매일 아침 30분: 시스템이 표시한 예외 SKU(변동 50% 초과 또는 품절 알림)만 검토하고 건별로 확정·조정한다. 3,000 SKU 중 보통 100~150 SKU만 사람의 눈이 필요하다.
주간 1시간: 바이어스 방향 리포트를 읽는다. 체계적인 과대/과소 바이어스가 2주 연속이면 IT와 피처 합동 세션 — 직접 모델을 튜닝할 필요는 없지만, 어떤 질문을 해야 하는지는 알아야 한다.
월간 반나절: 백테스트 리뷰에 참여하고, WAPE 추이와 프로모 회고를 추적하며, 프로모션 캘린더 라벨을 갱신한다 — 가장 대체 불가능한 사람의 인풋, 즉 사업 감각이다.

역할은 "계산하는 사람"에서 "모델을 관리하는 사람"으로 바뀐다. 저항하는 기획자는 뒤처지고, 받아들인 사람은 혼자 3배의 SKU를 관리한다. 불편하지만 사실이다.