감으로 정하던 발주량, 이제 AI가 예측하고 매달 채점합니다: 제조업 수요 예측 AI
"지난달보다는 좀 더 나갈 것 같아요."
"프로모션 있으니까 넉넉하게 잡죠."
"작년 이맘때는 얼마나 나갔더라?"
판매형 제조기업의 월말 생산 회의에서는 이런 대화가 반복됩니다.
담당자는 과거 판매량과 프로모션 일정, 시장 상황 등을 종합해 다음 달 수요를 예측합니다.
이를 바탕으로 원부자재를 발주하고 생산계획을 수립하지만, 실제 판매량이 예상과 달라 과잉 재고나 결품이 발생하기도 합니다.
물론 수요 예측에서 오차를 완전히 없애기는 어렵습니다.
중요한 것은 예측이 얼마나 정확했는지뿐 아니라, 오차가 왜 발생했는지 분석하고 다음 예측에 반영하는 것입니다.
이를 위해서는 품번별 판매 이력과 재고, 프로모션 등의 데이터를 함께 분석하고, 예측값과 실제 판매량의 차이를 지속적으로 평가하는 체계가 필요합니다.
이번 글에서는 제조·유통기업의 실제 수요 예측 구축 및 PoC 사례를 통해 품번별 수요를 예측하는 방법과 예측 정확도를 지속적으로 개선하는 과정을 살펴봅니다.
또한 판매 이력이 부족한 품번의 수요를 추정하기 위한 접근법도 함께 소개합니다.
한눈에 보는 요약
예측: 판매, 재고, 프로모션 데이터를 품번 단위로 연결해 품번별 수요와 발주량을 예측합니다.
채점과 개선: 매달 예측과 실적을 같은 지표로 비교하고, 오차가 큰 품번의 원인을 다음 예측에 반영합니다.
근거 찾기: 과거 데이터가 부족한 신제품은 비슷한 과거 사례와 외부 신호를 모아 판단을 돕는 방향으로 확장할 수 있습니다.
발주량을 정하는 지금의 방식은 예측을 내고 끝납니다.
판매형 제조기업이 발주량을 정하는 방식은 대체로 세 가지입니다.
① 영업 담당자의 경험: 시장 감각은 좋지만 근거가 남지 않습니다.
현장을 가장 잘 아는 사람의 판단이라 틀린 방식은 아닙니다. 다만 왜 그 숫자를 냈는지가 기록되지 않아, 틀렸을 때 무엇을 고쳐야 할지 알기 어렵습니다.
② 엑셀 이동평균: 지난 몇 달의 평균을 그대로 이어 갑니다.
판매가 안정적인 품목에는 잘 맞습니다. 하지만 프로모션, 계절, 채널 변화가 있는 달에는 크게 빗나갑니다.
③ 패키지 예측 솔루션: 결과는 나오지만 회사 사정이 반영되지 않습니다.
특정 채널의 발주 습관이나 리뉴얼 일정 같은 회사 고유의 사정을 넣기 어렵고, 결과가 틀려도 현업이 손댈 방법이 마땅치 않습니다.
세 방식의 공통점은 예측이 맞았는지 채점하고, 그 결과로 다음 예측을 고치는 과정이 없다는 것입니다.
그렇다면 AI는 예측을 어떻게 내고, 어떻게 채점받을까요?
[1] 첫 번째 단계: 흩어진 판매 데이터를 연결합니다.
수요 예측 AI의 첫 번째 역할은 품번마다 다음 기간의 수요와 발주량 기본값을 내는 것입니다.
달파는 다음 세 단계로 예측 체계를 만듭니다.
① 연결: 예측에 필요한 데이터를 품번 단위로 묶습니다.
ERP의 출고와 재고, 채널별 판매, 프로모션 일정, 생산 리드타임과 최소 발주 수량(MOQ)을 하나로 연결합니다.
② 예측: 품번별 수요와 발주 시점을 계산합니다.
과거 판매 흐름에 계절, 프로모션, 채널별 특성을 반영해 수요를 예측하고, 그 수요를 맞추려면 언제 얼마나 발주해야 하는지까지 이어서 계산합니다.
③ 검토: 사람은 AI가 표시한 품번만 확인합니다.
판매가 안정적인 품번은 AI 값을 기본값으로 쓰고, 신제품이나 리뉴얼처럼 불확실한 품번만 따로 표시합니다. 담당자는 수백 개 품번을 모두 보지 않고 표시된 품번에 집중합니다.
실제로 제조사 H는 품번별 수요 예측 엔진을 구축했습니다.
아래 수치는 실운영 성과가 아닌 백테스트 결과입니다.
실제 판매 대비 예측 합계 비율은 다음과 같습니다.
전체: 영업팀 1.09배, AI 0.92배
오프라인 채널: 영업팀 1.2배, AI 0.96배
판매가 안정적인 품번 20개 중 19개에서는 결품 수준을 기존과 같게 유지했습니다.
다만 리뉴얼한 품번은 실제 판매가 예측의 10배 가까이 나와 크게 빗나갔습니다. 과거 흐름이 끊긴 품번은 AI 예측만으로 판단하기 어렵다는 점도 함께 확인했습니다.
예측을 한 번 잘 냈다고 끝나지는 않습니다.
그렇다면 매달 예측과 실적을 비교한 결과를 다음 예측에 어떻게 반영할까요?
[2] 두 번째 단계: 매달 오차를 확인하고 원인을 다음 예측에 반영합니다.
예측을 개선하려면 매달 같은 기준으로 결과를 채점해야 합니다.
달파는 주로 가중 평균 절대 오차율(wMAPE)을 채점 기준으로 씁니다. 품번별 예측 오차를 판매량 비중으로 가중해 평균 낸 값으로, 많이 팔리는 품번의 오차를 더 무겁게 봅니다.
채점 이후의 개선 과정은 다음과 같습니다.
① 채점: 매달 예측과 실적을 같은 지표로 비교합니다.
전체 오차뿐 아니라 품번별, 채널별 오차를 따로 계산해 어디서 틀렸는지 찾습니다.
② 원인 분류: 오차가 큰 품번의 이유를 나눕니다.
예정에 없던 프로모션인지, 신제품인지, 특정 채널의 발주 패턴이 바뀐 것인지를 구분합니다. 현업 담당자가 알고 있는 사정도 이 단계에서 함께 받습니다.
③ 반영과 재채점: 고친 예측을 다시 같은 지표로 확인합니다.
원인을 반영한 뒤 지난 기간을 다시 예측해 보고, 지표가 실제로 좋아졌을 때만 다음 달 예측에 적용합니다.
속옷 제조사 E사와의 PoC가 이 방식으로 진행됐습니다.
담당자가 알려 준 외부 요인을 반영해 다시 학습시키는 과정을 거쳤고, 발주 단위별 오차(wMAPE)는 다음과 같이 낮아졌습니다.
생산처 리오더량: 38.5% → 10.9%
제조사 발주량: 35.8% → 10.0%
온라인 채널 발주량: 30.6% → 4.4%
다만 오차가 줄었다고 회사의 목표까지 충족한 것은 아니었습니다.
E사가 기대한 목표 수준에는 미치지 못해, 목표 수준에 대한 추가 논의가 이어졌습니다.
예측 결과는 수치가 나아졌는지와 실제 발주 판단에 충분한지를 함께 봐야 합니다.
이 과정에서 매달 무엇이 틀렸는지가 기록으로 남고, 확인한 원인이 다음 예측에 반영됩니다.
그런데 과거 판매 기록이 거의 없는 신제품은 어떻게 해야 할까요?
[3] 세 번째 단계: 예측이 어려운 품번은 판단 근거를 먼저 찾아 줍니다.
모든 품번을 AI가 숫자로 예측할 필요는 없습니다.
처음 내는 신제품이나 판매 기간이 짧은 품번은 숫자를 내기보다, 사람이 판단할 근거를 빠르게 모아 주는 편이 더 쓸모 있습니다.
다음 세 가지는 실제 구축 사례가 아닌, 수요 예측 체계 위에서 확장할 수 있는 활용 시나리오입니다.
① 비슷한 과거 사례 찾기
"작년에 비슷한 신제품은 첫 3개월 동안 얼마나 나갔어?"라고 물으면, 가격대와 카테고리, 출시 채널이 비슷한 과거 품번의 출시 초기 판매 흐름을 보여 줍니다.
② 사내 일정 모으기
"다음 달 프로모션이나 입점 일정이 잡힌 품번은 뭐야?"라고 물으면, 메일과 회의록, 채널 담당자 메모에 흩어진 일정을 모아 예측에 영향을 줄 이벤트를 정리합니다.
③ 외부 신호 확인
검색 트렌드, 경쟁 제품의 가격과 리뷰, 날씨처럼 회사 밖의 신호를 모아 이번 달이 평소와 다를지 판단하는 재료로 씁니다.
이렇게 찾은 근거는 앞의 채점 과정과도 이어집니다.
어떤 근거로 예측값을 조정했는지 남기면, 다음 달 실적과 비교해 그 판단이 맞았는지도 확인할 수 있습니다.
이러한 접근을 적용한다면 업종별로 어떤 품목부터 시작하는 것이 좋을까요?
업종에 따라 시작하기 좋은 품목이 다릅니다.
① 식품 제조기업: 계절성과 납품 일정이 뚜렷한 품목부터
계절에 따라 수요가 크게 바뀌고 유통사나 급식 납품 일정이 정해진 품목은 예측과 채점의 효과를 빠르게 확인할 수 있습니다.
② 화장품, 생활용품 제조기업: 채널별 발주 패턴부터
온라인몰, 오프라인 매장, 수출 채널마다 발주 습관이 다릅니다. 채널을 나눠 예측하고 채점하는 것만으로도 오차가 줄어드는 경우가 많습니다.
③ 의류, 패션잡화 제조기업: 초도 물량과 리오더 판단부터
시즌 초도 물량은 근거 찾기로, 시즌 중 리오더는 판매 흐름 기반 예측으로 나눠 접근할 수 있습니다.
마무리하며: 수요 예측 AI는 매달 채점받으며 회사의 판매 방식을 배웁니다.
수요 예측 AI는 흩어진 판매, 재고, 프로모션 데이터를 연결해 품번별 기본값을 내는 데서 출발합니다.
매달 같은 지표로 채점하고 오차의 원인을 반영하면, 예측은 회사의 판매 방식에 맞게 조금씩 나아집니다.
과거 데이터가 부족한 품번은 판단 근거를 모아 사람의 결정을 돕는 방향으로 확장할 수 있습니다.
감으로 정하던 발주량에서, 데이터로 예측하는 발주량으로. 그리고 매달 채점받으며 나아지는 예측으로.
달파는 이러한 변화를 판매형 제조기업의 실제 발주 현장에서 만들어가고 있습니다.
