Excerpt: 대부분의 창고 AI 실패는 알고리즘 실패가 아닙니다. 창고 AI 데이터 품질 실패입니다. 중복된 상품 코드, 현실과 더 이상 맞지 않는 로케이션 기록, 아무도 표준화하지 않은 단위 말입니다. 이 글에서는 자동화 전에 마스터 데이터를 정리하는 방법과 순서가 중요한 이유를 설명합니다.

지난 2년 동안 제가 방문한 거의 모든 창고에는 들려줄 AI 이야기가 있었고, 실패한 사례들의 패턴은 놀랄 만큼 일관적입니다. 프로젝트가 잘못되면 사람들은 알고리즘을 탓합니다. 예측이 틀렸고, 추천이 말이 안 되며, 사용하면 사용할수록 시스템이 더 엉망이 되었다고 말합니다. 하지만 오래 들을수록 책임의 상당 부분은 전혀 다른 곳에 있다는 의심이 커집니다. 모델은 여러분의 창고를 알지 못합니다. 모델이 아는 것은 여러분이 입력한 데이터뿐입니다. 그래서 모델 선택이 아니라 창고 AI 데이터 품질이 실패한 도입 뒤에 있는 진짜 이야기인 경우가 많습니다. 데이터가 지저분하면 모델이 내놓는 모든 결론은 그 지저분함의 형태를 띠게 되고, 계산이 빠를수록 대시보드가 보기 좋을수록 더욱 자신 있게 틀리게 됩니다.

창고 AI 데이터 품질은 모델이 아니라 마스터 데이터에서 시작됩니다

평소의 직관에 반하는 판단을 하나 제시하겠습니다. 데이터가 지저분할수록 더 똑똑한 알고리즘으로 서둘러서는 안 됩니다. 많은 관리자는 충분히 영리한 모델이라면 나쁜 데이터를 스스로 바로잡아 줄 것이라고 가정합니다. 실제로는 반대가 일어납니다. 유능한 모델은 데이터에서 패턴을 찾는 데 능하고, 지저분한 데이터 안의 패턴도 똑같이 부지런히 학습한 뒤 높은 신뢰도 점수와 함께 제시합니다. 인간 기획자라면 직감으로 잡아냈을지 모를 문제들이 이제 기계가 생성한 숫자의 권위에 싸여 도착하고, 아무도 감히 의문을 제기하지 않습니다. 마스터 데이터 문제는 AI가 도래해도 사라지지 않습니다. 가끔씩 발생하는 실수에서 체계적인 실수로 승격되고, 체계적인 실수는 모두 비슷하게 보이기 때문에 발견하기가 더 쉬워지는 것이 아니라 더 어려워집니다.

제가 지켜본 프로젝트들에서 지저분한 마스터 데이터는 늘 같은 몇 가지 범주로 귀결됩니다. 고유하지 않은 코드, 현장과 더 이상 맞지 않는 로케이션 기록, 그리고 표준화된 적이 없는 단위와 바코드입니다. 각각은 단독으로는 작은 결함처럼 보입니다. 모델에 함께 입력되면 재앙으로 합쳐집니다.

세 개의 창고, 세 종류의 지저분한 마스터 데이터

2023년 가을, 저장(浙江)에서 소형 가전제품을 취급하는 제3자 창고가 보충 예측 모델을 가동했습니다. 시스템은 매일 특정 전기 주전자를 성실히 보충하라고 추천했고, 보충 주문은 완벽하게 전문적으로 보였습니다. 그러나 현장에서는 아무도 재고를 찾을 수 없었습니다. 원인을 찾는 데 2주가 걸렸습니다. 하나의 상품이 시스템 안에 세 가지 다른 코드로 존재하고 있었던 것입니다. 구매 부서가 하나를 만들었고, 전자상거래 팀이 판매 플랫폼과 연결하기 위해 또 하나를 만들었으며, 창고 자체가 조정되지 않은 재고 실사 중에 세 번째를 추가했습니다. 각 코드는 각자의 재고 기록을 가지고 있었습니다. 모델은 세 가지를 합산해 재고가 풍부하다고 결론 내렸지만, 실제로 판매 가능한 상품을 보유한 코드는 하나뿐이었습니다. 창고는 성수기에 3일 동안 품절되었고, 고객사는 계약에 따라 위약금을 부과했으며, 프로젝트 팀은 결국 모델을 껐습니다. 모델은 결코 문제가 아니었습니다.

2024년 봄, 광둥(廣東)의 한 창고가 웨이브 피킹 최적화를 도입했고, 모델은 로케이션 치수를 기반으로 적재 계획을 추천했습니다. 트럭 한 대에 40개의 카톤을 실을 수 있다고 계산했습니다. 그러나 운전사들은 2시간 넘게 도크에서 기다리게 되었고, 그 사이 팀은 실제로는 28개의 카톤만 들어간다는 사실을 발견했습니다. 로케이션 마스터 데이터의 길이, 너비, 높이는 3년 전에 수작업으로 측정된 것이었고, 포장과 파렛트가 바뀐 뒤 아무도 업데이트하지 않았습니다. 모델은 만료된 치수에 맞춰 계획을 최대한 빡빡하게 짰고, 현실은 첫 적재에서 넘쳐흘렀습니다. 그날 이후 현장 직원들은 시스템의 적재 조언을 더 이상 신뢰하지 않았고, 최적화 프로젝트는 이름뿐인 존재가 되었습니다.

세 번째 창고는 가장 의미심장한 바코드 혼란을 안고 있었습니다. 공급업체 바코드, 내부 코드, 플랫폼 코드가 서로 바꿔 쓰였기 때문에, 10번의 스캔 중 대략 3번은 수동 개입이 필요했습니다. AI 시각 검사가 추가되자 오경보율은 완고하게 높은 상태를 유지했고, 2개월간 파라미터를 조정한 뒤 엔지니어들은 진실을 인정했습니다. 카메라와 알고리즘은 괜찮았지만, 마스터 데이터에 같은 상품에 대한 두 가지 다른 참조 이미지가 들어 있어 기계는 결코 깨끗한 일치를 얻을 수 없었던 것입니다.

무엇을 정리하기 전에 먼저 숫자를 계산하십시오

많은 사업주는 데이터 거버넌스라는 말을 들으면 움찔합니다. 끝없는 돈 구덩이처럼 들리기 때문입니다. 제 제안은 먼저 숫자를 계산하고, 장부의 양쪽을 모두 계산하는 것입니다.

| 작업 | 정리 비용 | 정리하지 않는 비용 | | 상품 코드를 고유하게 만들기 | 확인과 병합에 약 2주간 2~3명 | 체계적인 예측 오류와 성수기 품절 위약금 | | 로케이션을 현장과 대조하기 | 1회 전수 실사 plus 일상적인 표본 점검 | 직원이 시스템을 믿지 않게 될 때까지 틀린 채로 남는 적재 및 피킹 조언 | | 단위와 바코드 표준화하기 | 규칙 합의와 과거 문서 정리 | 스캔 개입과 검사 오경보, 쌓이는 수동 우회 작업 |

이 창고들의 사후 분석에 따르면, 정리 비용은 대개 실패한 모델 재작업 비용의 일부에 불과합니다. 정리하지 않는 비용은 매달 복리로 쌓입니다. 잘못된 결정 하나하나가 현장의 시스템에 대한 신뢰를 갉아먹기 때문입니다. 그 신뢰가 사라지면 AI 프로젝트는 기술적으로 실패한 것이 아닙니다. 조직적으로 실패한 것입니다. 다시 말해, 창고 AI 데이터 품질 작업은 스스로 비용을 회수하는 예산 항목인 반면, 이를 건너뛰면 매달 이자가 붙습니다.

순서는 작업 자체만큼 중요합니다. 이 사례들에 근거한 제 판단은 마스터 데이터가 먼저, 거래 데이터가 두 번째, 모델 선택이 마지막이라는 것입니다. 마스터 데이터는 창고의 호적입니다. 호적이 틀리면 그 위에 구축되는 모든 문서가 오류를 물려받습니다.

깨끗함의 기준은 세 가지 테스트로 축소할 수 있습니다. 식별에 있어서는, 하나의 상품에는 정확히 하나의 코드가 부여되고, 잉여 코드는 병합·동결되어 모든 시스템에서 일관되게 인식되어야 합니다. 로케이션에 있어서는, 기록이 현장과 일치해야 하며, 치수, 적재 용량, 가용성은 추정된 것이 아니라 측정된 것이어야 하고, 한 번 측정하고 3년간 믿는 것이어서는 안 됩니다. 단위와 바코드에 있어서는, 입고 단위, 보관 단위, 출고 단위 사이의 환산이 시스템에 기록되어야 하고, 바코드 규칙은 창고 전체에서 통일되어야 하며, 잘못된 라벨이 붙은 공급업체 출하는 나중에 수작업으로 인식되는 대신 입고 시점에서 차단되어야 합니다.

세 가지 테스트를 모두 통과하면 그때 알고리즘 선택에 대해 이야기합시다. 하나라도 실패하면 예산은 먼저 정리에 쓰는 것이 낫습니다. 이는 조심하기 위한 조심이 아닙니다. 산술이 가리키는 바입니다.

주목할 만한 추세: 새로운 관문으로서의 데이터 품질

2~3년 앞을 내다보면, 증거에 뒷받침된 판단을 내리겠습니다. 마스터 데이터 품질이 창고 AI 프로젝트의 입장권이 되고 있습니다. 알고리즘과 컴퓨팅 파워는 계속 저렴해지는 반면, 깨끗하고 신뢰할 수 있으며 일관되게 정의된 데이터는 점점 희소해지고 따라서 더 가치 있어지고 있습니다. 창고를 감사하는 고객사, 판매자를 온보딩하는 플랫폼, 현장을 평가하는 자동화 업체는 점점 먼저 한 가지 질문을 던지게 될 것입니다. 여러분의 마스터 데이터는 검사를 견딜 수 있습니까? 요컨대, 창고 AI 데이터 품질은 백오피스 잡무에서 판매 포인트로 바뀌고 있습니다.

그래서 오늘날 AI를 찾고 있는 모든 창고에 남기고 싶은 질문은 간단합니다. 여러분의 마스터 데이터 건강 점검 결과를 공개할 용의가 있습니까? 정직한 대답이 아니오라면, 더 큰 질문에 대한 답은 이미 분명합니다. AI는 기다릴 수 있습니다. 데이터 정리는 기다릴 수 없습니다.

Dr. Chen, 공급망 연구원 지음

영어판 번역본입니다. 내용이 다를 경우 영어판을 우선합니다.