수요 예측이 빗나가면 최악의 대응은 누구 잘못인지 따지는 일입니다. 저는 창고마다 그 논쟁이 벌어지는 것을 봐 왔습니다. 기획은 시스템을 탓하고, 시스템 팀은 지저분한 데이터를 탓하며, 그 사이에 선반은 비어 가고 느리게 움직이는 재고는 계속 쌓입니다. 결론부터 말하겠습니다. 대부분의 예측 실패는 네 가지 점검으로 데이터 문제인지 모델 문제인지 가릴 수 있으며, 잘못된 쪽에 돈을 쓰는 것은 아무것도 쓰지 않는 것보다 나쁩니다.
수요 예측이 부정확한가? 데이터와 모델을 구분하는 네 가지 점검
2021년, 저는 로스앤젤레스 외곽의 한 제3자 창고와 일하고 있었는데, 가정용품 고객이 고전적인 함정에 그대로 빠져들었습니다. 블랙프라이데이 2주 전, 예측은 테이블 램프가 하루 약 800개 팔릴 것이라고 했고, 창고는 그 숫자에 맞춰 재고와 인력을 준비했습니다. 세일 첫날 판매량은 겨우 300개에 불과했습니다. 둘째 날에는 품절이 났습니다. 실제 피크가 프로모션 첫 48시간에 몰려 있었는데, 예측은 그 물량을 일주일 전체에 고르게 펼쳐 놓았기 때문입니다. 사후 분석에서는 책임을 나눠 가진 두 가지 원인이 드러났습니다. 모델에는 주 단위로 집계된 과거 데이터가 공급되어 개시 스파이크를 볼 수 없었고, 전년도 프로모션 데이터에는 고객이 행사 도중에 가격을 바꿨다는 기록이 없었습니다. 데이터에 하나의 구멍, 모델에 하나의 잘못된 단위. 뒤에 나오는 수치는 예시 추정치입니다. 그 단일 카테고리는 그 주가 끝나자 약 40% 과잉 재고 상태가 되었고, 남은 재고를 정리하는 데 2개월 이상이 걸렸습니다.
진단에는 단순하고 믿을 만한 방법이 있습니다. 첫째, 과거 기록 자체를 보십시오. 판매 기록에 누락은 없는가, 프로모션에 태그가 붙어 있는가, 반품과 이동이 판매에 섞여 있는가. 둘째, 세분성을 보십시오. 예측은 일 단위인가 주 단위인가, 단일 SKU인가 카테고리 합산인가. 셋째, 외부 변수를 보십시오. 가격, 프로모션, 계절성, 채널 변화가 실제로 모델에 들어가 있는가, 아니면 작년 숫자를 그대로 앞으로 밀어내고 있는가. 넷째, 꼬리를 보십시오. 물량이 소수의 핵심 SKU에 집중되어 있는가, 아니면 긴 꼬리에 걸쳐 늘어져 있는가.
| 증상 | 더 유력한 원인 | 창고가 먼저 확인하는 것 |
|---|---|---|
| 프로모션 때마다 예측이 무너진다 | 데이터: 프로모션과 가격 변경이 기록되지 않음 | 프로모션 파일과 가격 변경 로그가 완전한지 |
| 연중 대부분은 맞지만 계절이 바뀔 때마다 틀린다 | 모델: 계절성이 반영되지 않음 | 계절 요인이 계산되는지, 손으로 어림잡는지 |
| 핵심 SKU는 맞지만 롱테일은 순전히 추측 | 모델: 롱테일은 SKU별로 모델링할 수 없음 | 테일 SKU를 클러스터로 예측해야 하는지 |
| 같은 SKU가 한 달은 정확하고 다음 달은 틀린다 | 데이터: 리드타임과 입고가 엉망임 | 구매 리드타임이 실제를 반영하는지 |
데이터 문제는 고치는 데 시간이 걸리지만 고치면 오래갑니다. 모델 문제는 바꾸기는 빠르지만 악화시키기도 쉽습니다. 제 원칙은 데이터를 먼저 고치는 것입니다. 지저분한 데이터 위에서 돌아가는 좋은 모델은 지저분한 물에서 낚시하는 것과 같습니다.
수요 예측이 틀렸을 때 창고가 하는 일
예측은 틀릴 것입니다. 그게 전제이지, 사고가 아닙니다. 창고의 진짜 실력은 예측을 완벽하게 만드는 것이 아니라, 예측이 빗나갔을 때 품절도 내지 않고 바닥을 재고로 넘치게도 하지 않는 것입니다. 2024년, 저는 자동차 부품 유통업체가 운영을 검토하는 것을 도왔습니다. SKU의 70% 이상이 롱테일 품목으로, 그중 다수는 한 달에 한 자릿수만 팔렸습니다. 어떤 모델도 그것들을 하나하나 정직하게 예측할 수 없습니다. 그들의 답은 예측과 싸우는 것이 아니라 안전망을 정책에 넣는 것이었습니다. 테일 품목은 최근 90일간의 실제 판매에 품절 1회 비용에 맞춘 버퍼를 더해 재고를 확보했고, 핵심 품목만 예측을 따르며 매주 검토했습니다. 그해 성수기에 핵심 품목 품절이 줄었고 테일 품목의 불용 재고는 더 이상 늘지 않았습니다. 여기에 나오는 수치는 예시 추정치입니다. 테일 품목 2개를 여분으로 보유하는 비용은 수십 달러 정도입니다. 품절 1회는 주문 전체를 날릴 수 있습니다. 창고는 그 계산을 할 줄 알아야 합니다.
안전망은 네 가지입니다. 첫째, 안전 재고를 모든 품목에 하나의 규칙으로 정하는 것을 그만두십시오. 카테고리별, 품절 비용별로 단계화하십시오. 비싸고, 긴급하고, 대체 불가능한 품목은 더 많이 커버하고, 싸고 쉽게 보충되는 품목은 덜 커버합니다. 둘째, 보충 주기를 단축하십시오. 예측을 덜 신뢰할수록 더 자주 보충하면, 한 번의 실패가 드는 비용이 줄어듭니다. 셋째, 고정 계획 대신 트리거 라인을 사용하십시오. 실제 판매가 예측에서 임계값을 넘어 벗어나면 다음 주 검토 때가 아니라 지금 사람이 개입합니다. 넷째, 수동 오버라이드의 여지를 남겨 두십시오. 현장 팀은 프로모션이나 고객 변화에 대해 어떤 시스템보다 먼저 알고 있습니다. 그리고 모든 오버라이드를 기록해 나중에 누가 옳았는지 확인할 수 있게 하십시오.
여기 직관에 반하는 부분이 있습니다. 예측이 믿을 수 없을 때는 약간의 여분 재고를 보유하는 것이 더 나은 모델을 사는 것보다 저렴할 때가 있습니다. 쌓아 두라고 말하는 것이 아닙니다. 저울에 달아보라는 말입니다. IHL Group의 2026년 재고 왜곡 연구에 따르면 품절과 과잉 재고로 인한 전 세계 손실은 약 $1.7 trillion, 총 소매 매출의 약 6.2%에 이릅니다. 그중 품절이 65.6%를 차지하고, 빈 선반만으로 약 $690.9 billion의 비용이 듭니다. 그리고 소매업체의 78%가 매주 또는 매월 부정확한 재고에 직면합니다. 품절의 비용은 현실이며, 모델 업그레이드의 비용도 현실입니다. 결정하기 전에 둘 다 저울에 올려보십시오.
AI에 대한 질문: 절약하기 전에 드는 비용
자, AI 예측입니다. 네, 프로모션, 날씨, 가격 탄력성 등 더 많은 변수를 소비할 수 있습니다. 하지만 모든 해결책에는 양면이 있고, 이것도 예외가 아닙니다. 진짜 비용은 소프트웨어 구매가 아니라, 데이터를 준비하고 그 이후 유지하는 일입니다. AI에 지저분한 데이터, 태그 없는 프로모션, 오래된 리드타임을 먹이면 지저분한 출력이 나옵니다. 다만 더 멋지게 포장될 뿐입니다.
자로 재어 보십시오. MAPE입니다. 흔히 쓰이는 기준선은 10% 미만이면 우수, 10–20%이면 양호, 20–35%이면 보통, 35% 초과면 조사가 필요하다는 것입니다. 먼저 자신이 어디에 있는지 측정하십시오. 핵심 카테고리가 이미 10–20% 구간에 있다면, AI로 몇 포인트 더 짜내는 것은 비용을 회수하지 못할 가능성이 높습니다. 35% 초과에서 막혀 있다면, 무엇을 사기 전에 데이터를 점검하십시오. 35% 초과는 보통 데이터 문제이며, AI가 구해주지 못합니다. 그리고 ROI를 제대로 측정하십시오. "예측이 얼마나 더 정확해졌는가"가 아니라, "품절이 몇 회 줄었는가, 보유 재고가 얼마나 줄었는가, 긴급 보충 노동이 얼마나 줄었는가"입니다. 이 세 가지를 합친 것이 진짜 수익입니다. 예시 추정치입니다. 한 달에 열두 번가량 긴급 이송을 하며, 매번 반나절의 노동과 긴급 운송비를 태우는 창고는, MAPE를 몇 포인트 깎는 것보다 그런 이송을 줄이는 편이 더 많이 절약하는 경우가 많습니다.
한 가지 조언을 더 하겠습니다. AI가 곧 인간이 필요 없다는 주장을 믿지 마십시오. 저는 너무 많은 팀이 예측을 시스템에 완전히 맡기고 숫자를 보지 않다가, 2개월 뒤 모델이 조용히 흘러가 버렸음을 발견하는 것을 봐 왔습니다. AI는 더 빠르게 계산합니다. 책임은 지지 않습니다. 바닥을 걷는 사람이 여전히 책임을 집니다.
예측이 빗나간 것이 재앙이 아닙니다. 왜 빗나갔는지 모르고, 빗나감을 받아낼 것이 아무것도 없는 것이 재앙입니다. 데이터와 모델을 구분하고, 안전망을 구축한 뒤에야 AI에 대해 이야기하십시오. 여러분의 창고는 어느 단계에서 막혀 있습니까?
Lao Mi, 공급망 베테랑 (20 yrs) 지음
영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.







