AI 반품 예측: 파도가 오기 전에 반품 구역을 준비하기

대규모 세일에서 최악인 부분은 판매 실패가 아니다. 엄청나게 팔고 나서 그 모든 것이 되돌아오는 것을 지켜보는 것이다.

매년 블랙 프라이데이, 크리스마스, 프라임 데이마다 판매자 그룹은 매출 스크린샷으로 들끓는다. 아무도 약 10일 뒤에 일어나는 일을 게시하지 않는다. 반품 쓰나미다. 반품 구역에 상자가 넘치고, 선반이 가득 차고, 포장 자재가 동나고, 고객 서비스는 "내 환불은 어디 있나요"라는 티켓에 파묻힌다. 앞에서는 돈을 세고 있는데 뒤에서는 불이 나 있다.

나는 두 번 데이고 나서야 배웠다. 반품은 예측 가능하다. 화려한 모델은 필요 없다. 스프레드시트 하나면 시작할 수 있다. 2주 일찍 인력을 늘리고, 빈을 비우고, 포장 자재를 비축해 두면, 파도가 닥쳤을 때 "망했어"가 아니라 "저기 오는구나" 하고 고개를 끄덕이게 된다.

지난 블랙 프라이데이, 내 반품 구역이 물에 잠겼다

재난 현장은 이렇다. 지난 연말 시즌에 나는 미국 사이트에서 의류와 소형 생활용품을 판매하고 있었다. 12월 말까지 반품률이 계속 오르더니 1월 둘째 주에는 28%에 도달했다. 곱씹어 보라. 판매된 100개 중 28개가 돌아왔다는 뜻이다.

내 반품 구역에는 빈이 4개 있었다. 평소 8% 반품률에는 충분했다. 반품이 세 배가 되자 무용지물이 되었다. 상자는 검품팀이 개봉하는 속도보다 빠르게 복도에 쌓였다. 인력 문제가 진짜 치명적이었다. 평소에는 2명이 파트타임으로 반품을 처리했기 때문에 창고 직원 3명을 긴급 지원으로 끌어왔다. 밀린 물량을 처리하는 데 꼬박 2주가 걸렸다.

그 2주간의 숫자를 계산해 봤다. 빌려온 인력의 초과 근무 수당, 급하게 주문한 포장 자재, 그리고 느린 환불이 촉발한 구매자 불만 — 부정적 리뷰가 6개 더 늘었다. 그 리뷰만으로도 초과 근무 수당보다 더 큰 손해였다. 그리고 일부 반품은 너무 오래 방치되어 포장이 눅눅해져 재판매할 가능성마저 사라졌다.

프라임 데이도 별로 다르지 않았다. 그때는 일찍 인력을 늘렸지만 잘못 늘렸다. 총 반품 물량 기준으로 계획했다가 대형 생활용품에 직격탄을 맞았다. 소형 상품 검품팀은 거대한 상자를 앞에 두고 속수무책이었다. 인원수는 맞았지만 구성이 틀렸다. 아예 아무것도 안 한 것과 마찬가지였다.

두 번의 재난, 하나의 교훈. 반품 파도는 올 것인가의 문제가 아니다. 언제, 몇 개, 어떤 종류인가의 문제다. 데이터가 세 가지 모두에 답한다.

나의 AI 반품 예측: 스프레드시트 하나면 충분하다

먼저 현실 점검. 머신러닝은 필요 없다. SaaS 도구를 살 필요도 없다. 내 방법은 스프레드시트 하나로, 1년에 한 번 다듬으며, 지금 3년째 이어지고 있다.

1단계: 데이터 출처

세 가지 출처가 있으며, 모두 무료이고 판매자 계정 안에 있다.

반품 보고서 — 매주 가져온다. 세 가지 항목만 본다. 반품 날짜, SKU, 반품 사유. 이것이 핵심이다.
주문 데이터 — 역시 매주. 판매 단위 수. 이것이 분모다.
FBA 반품 보고서 — FBA를 사용한다면 빼먹지 말 것. FBA 반품 데이터는 3-5일 늦게 들어오므로 예측할 때 이를 기억해야 한다.

세 가지를 모두 내보내서 주간 테이블 하나로 합친다. 주별 판매 단위 수, 주별 반품 수, 주별 반품률. 몇 년치 이력이 쌓이면 패턴이 바로 눈에 들어온다.

2단계: 예측이 작동하는 방식

반품에는 자연스러운 시차가 있다. 대부분의 구매자는 구매 후 7-30일 이내에 반품한다. 그래서 반품 물량을 예측한다는 것은 사실 "X주 전의 매출 × 해당 주의 반품률"에 불과하다.

내 공식은 조잡하지만 효과가 있다.

N주차 반품 ≈ N-1주차 매출 × 과거 반품률 + N-2주차 매출 × 조정 계수

과거 반품률은 어떻게 정하는가? 같은 이벤트 이후 작년 곡선을 보면 된다. 블랙 프라이데이 주 +2주차가 22%, +3주차가 28%, +4주차가 19%였다면, 올해 알려진 블랙 프라이데이 매출에 그 비율을 곱하면 파도의 규모와 시점을 알 수 있다.

세 가지 예측 방법은 이렇게 비교된다.

방법	하는 일	정확도	노력	내 평가
직감	"작년은 힘들었으니 사람을 더 뽑자"	무작위	제로	실패하는 표준적인 방법
과거 평균	작년 반품을 올해 예측으로 사용	방향은 맞지만 물량은 크게 빗나감	Excel로 30 min	초보자에게는 괜찮음
시차 회귀	매출 × 과거 반품률 곡선, 매주 갱신	보통 10% 이내 오차	구축 2 hrs + 주 10 min	지금 내가 쓰는 방법. 검증 완료

AI 반품 예측 데이터를 검토하는 판매자

3단계: 실제로 효과가 있는가?

솔직한 답. 1년차 내 오차는 25%였다. 하지만 그래도 직감보다는 나았다. 최소한 "대략 1월 둘째 주에 폭발할 것"은 알았고 임시직을 미리 섭외해 두었으니까.

2년차에는 두 가지를 수정했다. 반품률을 카테고리별로 나눈 것(의류와 전자는 곡선이 완전히 다르다)과 FBA와 자체 배송을 분리한 것이다. 오차는 약 12%로 떨어졌다.

올해 블랙 프라이데이 전에 나는 1월 둘째 주의 반품 수를 약 3,400건으로 예측했다. 실제는 3,550건. 오차 4%였다. 2주 전에 임시직 4명을 예약하고, 반품 빈 12개를 비우고, 반품용 봉투 5,000개를 비축했다. 파도가 온 날, 나는 평온하게 커피를 마셨다.

직관에 반하는 진실: 정확도는 싸고, 리드타임이 금이다

대부분의 사람들은 "예측"이라는 말을 들으면 소수점 단위 정밀도가 필요하다고 생각한다. 완전히 틀렸다.

2주 전에 나온 80% 정확한 예측은 1일 전에 나온 95% 정확한 예측을 매번 이긴다. 왜인가? 반품 인력, 빈, 자재는 모두 미리 확보해야 하기 때문이다. 임시직은 사전 예약이 필요하다. 빈은 비워야 한다. 포장 자재는 도착하는 데 7-10일이 걸린다. 1일 전에 완벽하게 예측해도 사람을 허공에서 불러낼 수는 없다.

내 기준은 언제나 이렇다. 오차 15% 이내, 2주 전. 그것이 만점이다. 나머지 15%는 유연한 노동력으로 흡수한다. 나는 임시직을 "3일 보장 + 필요 시 연장" 조건으로 예약한다. 많든 적든 균형이 맞는다.

또 하나의 직관에 반하는 사실. 반품률이 가장 낮은 SKU가 가장 수익성이 높은 SKU는 아니지만, 분명 가장 스트레스가 적은 SKU다. 숫자를 계산해 봤다. 반품률 5% 미만 SKU는 고반품 SKU의 3분의 1 수준의 지원 티켓을 만들며, 부정적 리뷰 비율은 한 단계 통째로 낮다. 반품률을 무시하고 마진만 보고 상품을 고르는 것은 비용을 무시하고 매출만 세는 것과 같다. 이제 상품을 출시할 때 1개월차 반품률을 지켜본다. 15%를 넘으면? 판매 중단하고 수정한다. 주저하지 않는다.

함정: 네 가지 모두 겪었다

스프레드시트를 만들고 다시는 손대지 않는 것. 예측 테이블은 매주 새로 고쳐야 한다. 10분이면 된다. 피크 시즌에는 3일마다. 데이터는 살아 있으니 예측도 살아 있어야 한다.
FBA 데이터 지연을 잊는 것. FBA 반품 보고서는 3-5일 늦는다. 지연된 데이터로 "다음 주"를 예측하면 실제로는 그다음 주를 예측하는 셈이다. FBA와 자체 배송은 별도 열에 둔다. 섞지 말 것.
물량은 예측하고 구성은 예측하지 않는 것. 그것이 프라임 데이의 교훈이다. 대형 반품과 소형 택배 반품은 완전히 다른 노동력과 빈을 필요로 한다. 내 테이블은 이제 대형/중형/소형으로 나누어 각각 따로 예측한다.
반품 사유를 무시하는 것. "사이즈 오류"와 "불량"은 전혀 다른 동물이다. 전자는 인력을 늘리라는 뜻이다. 후자는 상품이 고장 났다는 뜻이다. 불량 반품이 8%를 넘으면 예측을 멈추고 상품을 고치러 가라.