지난 10월, 한 AI 업체 영업 사원이 노트북을 들고 우리 창고에 시스템을 시연하러 왔습니다. 삼십 분쯤 지나자 오류 메시지로 가득한 화면을 바라보며 그는 한 문장만 겨우 내뱉었습니다. "귀사의 SKU 데이터는… 특별하네요." 저는 거의 큰 소리로 웃을 뻔했습니다. 특별하다고요? 우리 창고는 3,000제곱미터, 직원 네 명, SKU는 600개가 조금 넘고, 우리 데이터는 정말 개성이 넘칩니다. 티슈 한 상자가 시스템 안에서 세 가지 다른 이름으로 불리고, 로케이션 A-12-03에는 40상자가 있어야 하는데 실제로는 반품 더미가 쌓여 있습니다.
그날 저는 창고 AI 데이터 준비가 대기업의 사치가 아니라는 것을 배웠습니다. 작은 창고에게는 생존의 문제입니다. Gartner는 AI 준비 데이터가 없는 AI 프로젝트의 60%가 2026년까지 중단될 것으로 예측합니다. MIT의 NANDA 프로젝트는 2025년에 생성형 AI 파일럿의 95%가 측정 가능한 수익을 내지 못했다는 것을 발견했습니다. 두 숫자 뒤에는 한 문장이 있습니다. 모델이 잘못한 것이 아니라 데이터가 먼저 실패한다는 것입니다.
우리 데이터가 얼마나 지저분했는지
마스터 데이터부터 시작합시다. SKU, 로케이션, 고객 테이블입니다. 이것은 AI가 서 있는 기반입니다. 기반이 비뚤어지면 그 위에 쌓은 것은 무엇이든 무너집니다.
우리의 고전적인 난장판은 제가 "하나의 제품, 많은 코드"라고 부르는 것입니다. 한 브랜드의 티슈를 예로 들면, 구매팀이 "Tissue-3ply"라는 SKU를 만들었고, 운영팀은 이름이 너무 길다고 생각해 "Tissue 3-ply"를 만들었으며, 그 후 공급업체가 팩을 100장에서 120장으로 바꾸자 누군가 세 번째를 만들었습니다. 시스템 안에 세 개의 SKU, 실제 제품은 하나, 재고는 세 코드로 나뉘어 있습니다. AI가 보충을 계산하면 세 개의 제품이 있다고 생각합니다. 제안이 옳을 리가 없습니다. 600개가 넘는 SKU를 표본 조사한 결과 이런 중복이 40건 넘게 나왔고, 열 개 중 하나에 가까운 비율이었습니다.
로케이션은 더 심했습니다. 전담 로케이션 관리자가 없고, 화물은 빈 곳이 있으면 어디든 가고, 시스템상의 로케이션은 오래전에 현실과 멀어졌습니다. 작년 실사에서 우리 재고 기록 정확도는 91%였습니다. 백 개 로케이션 중 아홉 개가 장부와 맞지 않았다는 뜻입니다. 정확도 91%인 데이터를 AI에 넘기고 피킹 경로를 계획하게 하면, 작업자는 로케이션까지 걸어가서 아무것도 찾지 못하고 돌아옵니다. 그것은 효율이 아닙니다. 자기 사람들을 괴롭히는 데 돈을 쓰는 것입니다. 이것은 업계 기준이 아니라 우리 자체 실사 수치입니다.
고객 마스터 데이터도 더 깨끗하지 않았습니다. 같은 고객이 두 회사로 나타납니다. 한 레코드에는 "XX Trading, Dongguan"이라고 되어 있고 다른 레코드에는 "Dongguan XX Trading"이라고 되어 있으며, 주소도 두 가지 방식으로 적혀 있기 때문입니다. AI 클러스터링은 기꺼이 두 고객으로 셀 것입니다. 누구 잘못입니까? 우리 잘못입니다. 데이터를 책임지는 사람이 아무도 없는 작은 창고이고, 사장인 저 역시 예전에는 "대충이면 된다"고 생각했습니다. AI는 "대충"을 받아들이지 않습니다.
창고 AI 데이터 준비: 세 가지 데이터, 올바른 순서로
창고 AI 데이터 준비는 우리 창고가 뼈아프게 배운 순서대로입니다. 마스터 데이터가 먼저, 운영 데이터가 두 번째, 장비 데이터가 세 번째입니다. 순서를 잘못 잡으면 작업이 헛수고가 됩니다.
| 데이터 유형 | 포함 범위 | 지저분한 데이터의 모습 | 파일럿에 충분한 수준 |
|---|---|---|---|
| 마스터 데이터 | SKU, 로케이션, 고객 테이블 | 중복된 SKU, 장부와 맞지 않는 로케이션, 중복된 고객 | 주요 SKU 중 중복 코드 제로, 로케이션 정확도 95% 초과 |
| 운영 데이터 | 주문, 피킹, 순환 실사 기록 | 빠진 스캔, 손으로 고친 실사 차이, 사흘 늦게 입력된 반품 | 당일 서류 처리, 주문 번호와 일치하는 피킹 기록 |
| 장비 데이터 | 스캐너, 센서, 프린터 로그 | 동기화되지 않은 타임스탬프, 빠진 로그, 아무도 읽지 않는 오류 | 로그가 주문과 일치하고 타임스탬프가 시스템 시계와 맞는 것 |
왜 마스터 데이터가 먼저일까요? 운영 데이터는 진행 중인 이야기이고, 마스터 데이터는 사전입니다. 사전이 틀리면 이야기도 틀립니다. 우리의 접근법은 먼저 판매 속도가 높은 상위 200개 SKU를 정리하는 것입니다. 목록의 상위가 출하의 약 팔십 퍼센트를 차지합니다. 로케이션은 먼저 철칙 하나를 정합니다. 하나의 로케이션에는 하나의 SKU입니다. 고객 중복 제거는 대부분 어느 하루 오후에 끝났습니다.
운영 데이터는 두 번째입니다. 주문, 피킹 기록, 실사 기록은 AI가 "우리 창고가 실제로 어떻게 돌아가는지"를 배우는 교과서입니다. 교과서에 빠진 장이 있어서는 안 됩니다. 시간을 아끼려고 스캔을 건너뛰는 작업자, 조용히 수정되는 실사 차이, 사흘 늦게 입력되는 반품 주문. 이 모든 것이 AI에게 잘못된 교훈을 가르칩니다. 우리의 자가 방식 규칙은 간단합니다. 오늘 서류는 오늘 정리하고, 밤까지 남은 것은 다음 날 아침 회의의 첫 안건입니다.
장비 데이터는 마지막입니다. 스캐너 로그, 센서 측정값, 프린터 오류. 양은 가장 많지만 초기 파일럿에서의 쓰임새는 가장 적습니다. 스캐너 로그를 주문 번호와 맞출 수 있고 센서 타임스탬프가 시스템 시계보다 삼십 분 늦지 않은지만 확인하면 됩니다. 우리는 한 번 정확히 그 문제를 겪었습니다. 한 센서가 WMS보다 25분 늦었고, AI의 온도 분석은 완전히 어긋났습니다.
창고 AI 데이터 준비를 저렴하게: 예산은 필요 없습니다
대기업은 데이터 거버넌스를 위해 컨설턴트를 고용하고, 건당 수만 달러를 씁니다. 우리는 그런 돈을 태울 여유가 없습니다. 우리의 해결책은 자가 방식이지만 효과가 있습니다.
해결책 하나: Excel은 거버넌스 도구입니다. SKU 테이블을 내보내 이름순으로 정렬하면 중복이 나란히 있어 눈에 띕니다. 다음으로 바코드로 정렬하면 빠지거나 중복된 바코드가 튀어나옵니다. 매주 금요일 오후, 창고 감독관과 저는 한 시간을 들여 50개 SKU를 검토합니다. 한 달이면 상위 200개를 마칩니다. 비용은 두 사람의 시간이고, 결과는 중복률이 열 개 중 하나에 가까웠던 수준에서 사실상 제로로 떨어진 것입니다.
해결책 둘: 스캐너를 심판으로 삼는 것입니다. 작업자들은 예전에 기억에 의존해 재고를 가져갔습니다. 이제 규칙은 로케이션과 SKU를 모두 스캔으로 확인하는 것이고, 틀리면 스캐너가 삐 소리를 냅니다. 두 주 동안 불만이 나왔습니다. 세 번째 주에는 피킹 오류가 줄었고, 장부와 맞지 않는 로케이션이 하나씩 드러났습니다.
해결책 셋: 깜짝 실사를 그만두고 순환 실사를 하는 것입니다. 매일 아침 업무 시작 전에 스무 개 로케이션을 세면 한 달이면 창고 전체를 다룹니다. 불일치가 있으면 현장에서 바로 고치고 그 자리에서 이유를 묻습니다. 로케이션이 틀렸는지, 입력이 틀렸는지. 석 달 만에 우리 재고 정확도는 91%에서 97% 초과로 올랐습니다. 다시 말하지만 우리 자체 수치입니다. 작은 창고도 자가 방식으로 수치를 끌어올릴 수 있다는 증거입니다.
이제 계산을 해 봅시다(예시입니다). 네 명이 하루에 한 사람당 삼십 분씩 데이터 정리에 쓰면 한 달에 60 노동 시간이 됩니다. 시간당 30위안이면 1,800위안입니다. 이것을 지저분한 데이터로 AI 파일럿을 시작하는 경우와 비교해 보세요. 업체 구축 비용은 수만 위안부터 시작하고, 파일럿은 한 달간 돌아가고, 데이터가 틀렸다는 것이 드러나고, 다시 시작하고, 비용은 사라지고, 성수기에는 여전히 사람이 구제에 나서야 합니다. 그 1,800위안이 실패하지 않는 파일럿으로 가는 티켓을 삽니다.
여기가 직관에 반하는 부분입니다. 창고가 작을수록 이 작업은 더 빨리 이루어져야 합니다. 큰 창고는 IT 팀과 예산이 있어 실패를 흡수할 수 있습니다. 작은 창고가 한 번 실패하면 반년치 이익이 사라집니다. "우리는 작고 데이터도 적으니 쉽다"고 생각하지 마세요. 데이터가 적다는 것은 오류 하나하나가 큰 비중을 차지한다는 뜻입니다. 600개 SKU, 40건의 중복. AI의 눈에는 이 창고에 깨끗한 데이터가 전혀 없습니다.
우리 같은 창고를 위한 조언: 먼저 정리하고, AI 이야기는 나중에
당신도 작은 창고를 운영한다면, 다음에 업체가 "그냥 연결하면 돌아갑니다"라고 말할 때 먼저 세 가지 질문을 하세요. 우리 같은 중복 SKU를 당신의 모델은 어떻게 처리합니까? 로케이션이 장부와 맞지 않고 피킹 경로가 틀렸을 때 누가 책임집니까? 파일럿이 잘못되면 구축 비용은 환불됩니까? 이 세 가지 질문 뒤에는 그 돈을 쓸 가치가 있는지 대략 알게 될 것입니다.
우리는 아직 AI를 도입하지 않았습니다. 데이터는 깨끗해졌고, 파일럿은 올해 하반기로 예정되어 있습니다. 업체의 슬라이드 자료는 만료되지 않지만, 성수기는 당신을 기다려 주지 않습니다. 먼저 세 개의 테이블을 씻고, 그다음 운영 기록을 연결하고, 그 후에야 장비 로그입니다. 창고 AI 데이터 준비가 끝나면 AI는 조력자로 옵니다. 그렇지 않으면 AI는 모셔야 하는 상사로 옵니다.
작은 창고에는 작은 창고 나름의 생존 방식이 있습니다. 대기업은 예산으로 밀어붙이고, 우리는 우리 두 손으로 조금씩 닦아 나갑니다. 깨끗이 닦으면 작은 창고도 AI를 쓸 수 있습니다. 다만 영업 사원의 일정이 아니라 우리 자신의 일정으로 말입니다.
Xiao Ma, 소규모 창고 소유주 지음 영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.







