AI 수요예측 도입: 재고와 발주를 데이터로 맞추는 실무 가이드 [2026]
AI 수요예측은 판매·시즌·프로모션 데이터를 학습해 미래 수요를 추정하고 재고·발주를 최적화하는 활용입니다. 정확도를 좌우하는 데이터, 흔한 실패, 도입 4단계를 정리했습니다.
이 글을 쓴 알파카랩스카카오·네이버·쿠팡 출신, 재하청 0%, 대기업·공공기관 등 18개사+ 레퍼런스
AI 수요예측 도입은 판매 이력을 학습해 미래 숫자 하나를 맞히는 프로젝트가 아니라 품목·지역·채널·고객별 예측 대상·기준시점·시간 구간·예측 지평·가용 정보·불확실성을 버전으로 만들고, 단순 기준모델과 시간 순서 백테스트로 비교해 재고·발주·생산 결정의 비용과 제약 안에서 사람이 승인·조정하며 실제값 도착 뒤 오차와 편향·드리프트를 학습하는 계획 운영 체계입니다.
예측 정확도가 높아도 업무에 맞지 않을 수 있습니다. 주간 발주가 필요한데 월간 총수요를 잘 맞추거나 전체 매출은 맞지만 핵심 품목 품절을 놓치면 의사결정 가치는 낮습니다. 무엇을 언제 알 수 있는 정보로 얼마나 앞서 예측해 어떤 결정을 바꿀지 먼저 정해야 합니다.
프로모션·품절·가격·신제품·단종·채널 이전은 판매 이력의 의미를 바꿉니다. 품절로 판매가 0인 날을 수요 0으로 학습하거나 미래 프로모션 실적을 과거 기준시점에 섞으면 백테스트가 과장됩니다. 예측과 계획·발주 실행을 분리하고 사람 조정의 이유와 결과를 보존해야 합니다.
예측 단위·대상·기준시점·지평·가용 정보·불확실성을 계약으로 정한다#
모델 이름보다 업무 의사결정에 필요한 예측 질문과 시간 계보를 명확히 합니다.
| 계약 요소 | 필수 정의 | 실패 예시 | 운영 연결 |
|---|---|---|---|
| 대상·단위 | 수요 정의·SKU·채널·지역·수량 | 매출과 주문·출고 혼용 | 마스터·계층·단위 대사 |
| 시간 | 기준시점·간격·지평·갱신·타임존 | 미래 정보 누출 | as-of 스냅샷·마감 |
| 입력·사건 | 가격·행사·재고·품절·날씨·신제품 | 품절 판매를 수요로 학습 | 가용 시점·품질·대체 |
| 출력 | 점예측·구간·시나리오·설명 | 확실한 숫자로 오인 | 계획 제약·사람 조정 |
기준모델·시간 백테스트·비용 지표·업무 결과를 함께 평가한다#
평균 오차 하나로 출시하지 않고 품절·과잉·편향과 실제 계획 효과를 분리합니다.
| 평가 축 | 비교 방법 | 측정 | 출시 판단 |
|---|---|---|---|
| 예측 정확도 | 계절·최근값 등 단순 기준과 rolling origin | MAE·WAPE·편향·구간 포괄 | 세그먼트별 기준 우위 |
| 업무 비용 | 품절·폐기·보관·긴급발주 가중 | 비대칭 비용·서비스 수준 | 정책 시뮬레이션 개선 |
| 강건성 | 행사·신제품·품절·데이터 지연 | 최악 구간·실패율 | 안전 fallback 존재 |
| 운영성 | 지연·결측·설명·조정·재현 | SLA·사람 개입·버전 | 계획 주기 내 사용 가능 |
실무 시나리오: 프로모션 효과를 이중 반영해 자동 발주가 과잉 생성됐다#
모델 입력에 행사 uplift가 이미 포함됐는데 계획 담당자가 같은 행사 조정을 다시 더했고 ERP가 제안을 주문으로 자동 전환한 상황을 가정합니다.
| 단계 | 확인 질문 | 복구 | 종료 증거 |
|---|---|---|---|
| 차단 | 어느 품목·주문이 아직 실행 전인가 | 자동 전환 중지·승인 강제 | 신규 과잉 발주 중단 |
| 범위 | 예측·조정·주문에 행사 효과가 몇 번 들어갔나 | 버전·조정·ERP 주문 대조 | 영향 SKU·수량·공급자 목록 |
| 교정 | 취소·감액·전환·재고 활용은 | 구매·영업 승인 시나리오 실행 | 확정 주문·계획·재고 일치 |
| 재발 방지 | 예측과 판단 입력이 구분됐나 | uplift 출처·조정 이유·write 승인 | 이중 반영 회귀 통과 |
AI 위험관리와 시간 순서 예측 평가·불확실성 원칙을 함께 적용한다#
NIST AI RMF는 AI 위험을 Govern·Map·Measure·Manage하는 자발적 생애주기 틀입니다. Forecasting: Principles and Practice는 예측이 가용 데이터와 사용 목적에 달려 있고 시간 순서를 보존한 rolling origin 교차검증과 예측 구간으로 정확도·불확실성을 평가하는 공개 학술 자료입니다. ISO/IEC 42001은 AI를 제공·사용하는 조직의 정책·목표·위험·지속 개선 관리시스템 표준입니다. 이 자료들은 특정 품목의 예측 정확도나 재고 절감을 보장하지 않습니다.
- NIST AI Risk Management Framework: AI 위험의 Govern·Map·Measure·Manage 생애주기 틀
- Forecasting: Time series cross-validation: 미래 정보 누출을 피하는 rolling origin 예측 평가 원칙
- ISO/IEC 42001:2023: AI 제공·사용 조직의 정책·위험·지속 개선 관리시스템
as-of 데이터·예측 버전·계획 조정·실행 승인·실제값·드리프트를 하나의 원장으로 운영한다#
ERP·OMS·WMS·POS·프로모션·가격·재고 원천에서 사건 ID·event 시각·처리 시각·기준시점과 수정·취소를 보존합니다. SKU·채널·지역 계층과 단위·환산·단종·대체, 품절·반품·백오더·행사·신제품 상태를 정의합니다. 학습과 백테스트는 당시 알 수 있던 as-of 스냅샷만 사용하고 결측·지연·소급 변경 정책을 기록합니다.
최근값·계절·이동평균 등 단순 기준모델과 후보 모델을 동일 rolling origin·지평·세그먼트에서 비교합니다. 평균 오차와 편향·구간 포괄·최악 품목, 품절·폐기·보관·긴급발주 비용을 함께 보고 신제품·행사·품절·수요 단절 fallback을 정합니다. 모델 선택은 복잡도보다 업무 비용과 강건성으로 판단합니다.
예측은 immutable 버전으로 계획 시스템에 전달하고 사람 조정에는 원값·조정값·이유·근거·승인자를 남깁니다. 발주·생산 쓰기는 별도 제약·승인·멱등·상한을 통과합니다. 실제값 도착 뒤 예측·사람 조정·최종 계획·주문·품절·재고를 대사하고 세그먼트 편향·드리프트·데이터 지연·비용을 관찰해 재학습·fallback·중단을 결정합니다.
수요·발주·재고 실행 원장은 SCM 시스템 가이드에서 이어서 확인하세요. AI 평가 지표와 오류 비용은 기업 AI 평가 지표를 함께 보세요. PoC의 확대·중단 기준은 AI PoC 종료 기준도 참고할 수 있습니다.
한 품목의 기준시점 예측부터 조정·발주·실제 수요·오차·복구까지 재현하면 승인한다#
정상·저빈도·간헐 수요·신제품·단종·대체·품절·반품·행사·가격 변경·데이터 지연·소급 수정을 표본으로 봅니다. 당시 정보만으로 기준모델과 후보를 재실행하고 점예측·구간·편향·비용을 재현하며 예측이 직접 주문을 우회 생성하지 않아야 합니다.
대체 담당자가 행사 이중 반영 사고를 탐지해 자동 전환을 멈추고 예측·조정·주문 버전으로 영향 SKU와 공급자를 찾은 뒤 취소·감액·재계획·대사를 닫고 uplift 출처·쓰기 승인 회귀를 추가할 수 있어야 합니다. 모델 중단 뒤 기준모델로 계획을 계속할 수 있을 때 인수합니다.
핵심 요약
- ✓수요 대상·단위·기준시점·간격·지평·가용 정보·불확실성을 예측 계약으로 정한다
- ✓당시 알 수 있던 as-of 데이터와 rolling origin으로 단순 기준모델과 비교한다
- ✓평균 오차뿐 아니라 편향·구간·품절·과잉·폐기·긴급발주 비용을 평가한다
- ✓예측·사람 조정·최종 계획·발주 실행을 별도 버전과 승인으로 관리한다
- ✓기준모델 fallback과 데이터·모델·업무 드리프트, 과잉 발주 복구를 훈련한다
자주 묻는 질문