월요일 아침 창고 재고 리포트를 열면 상반된 두 장면이 같이 보여요. 한쪽엔 “재고 3개 남음, 광고 집행 중단” 알림이, 다른 한쪽엔 “3개월째 박스 안 열린 SKU 200개”가 있습니다. 품절로 광고비 날리고, 안 팔리는 재고로 창고비 내고. 두 상황 모두 뿌리는 같아요 — 엑셀 기반 수요 예측의 한계에서 시작됩니다.
엑셀 예측의 오차율, 생각보다 큽니다
전통적인 수요 예측은 보통 작년 같은 달 매출에 성장률을 곱하는 방식이에요. 이동평균, 계절성 조정까지 더해도 마지막은 MD의 감으로 마무리됩니다.
이 방법의 오차가 얼마나 되는지 아시나요? 업계 데이터를 보면 전통 방식의 예측 오차는 복잡하거나 변동성 큰 환경에서 35~45%에 달합니다. 100개 팔릴 거라 예측했는데 실제로는 55~145개가 나간다는 뜻이에요. 여기에 외부 변수가 더해지면 오차는 더 커집니다. 인플루언서가 언급했다든지, 날씨가 갑자기 추워졌다든지, 경쟁사가 품절됐다든지. 이런 신호들은 엑셀 시트에 들어오지도 않아요.
가격이나 광고는 실시간으로 조정하면서 재고만 월 단위 발주 사이클로 운영하는 회사가 많습니다. 정작 수요 자체가 틀리면 아래 모든 레버가 무의미해지는데도요.
AI 수요 예측이 다른 이유
AI 기반 모델은 예측 오차를 8~15% 수준까지 끌어내립니다. 차이는 입력 데이터에서 시작해요. 판매 이력만 보는 게 아니라 검색 트렌드, SNS 언급량, 경쟁사 가격, 날씨, 리뷰 증가세까지 동시에 학습합니다.
특히 “리뷰가 갑자기 늘고 있다” 같은 선행 지표는 매출이 오르기 전에 포착돼요. 주간 리뷰 유입이 평소의 2배가 되면 3~4주 뒤 재주문이 몰려옵니다. 이 신호를 MD가 매일 체크하기는 어렵지만 AI는 전 SKU에 대해 24시간 감지합니다. AI 리뷰 분석과 수요 예측이 연결되면 제일 큰 효과가 나는 지점이에요.
자주 인용되는 월마트 사례는 AI 도입 후 결품률이 30% 줄었다는 결과예요. 한 글로벌 코스메틱 브랜드는 SNS 트렌드에 AI가 반응하게 만들어 연말 시즌 매출이 34% 뛰었습니다. 둘 다 “더 많이 팔자”가 아니라 “적시에 재고가 있게 하자”에서 시작된 결과입니다.
작게 시작하는 현실적인 방법
전사 시스템을 한 번에 뜯어고칠 필요는 없어요. 파일럿 방식이 현실적입니다.
일단 SKU를 매출 기여도 순으로 줄 세워 상위 20%만 추리세요. 보통 이들이 전체 매출의 70~80%를 차지합니다. 이 핵심 SKU만 먼저 AI 예측을 돌려보고, 나머지는 기존 방식을 유지해도 됩니다. 한 번에 전체를 바꾸려다 보면 IT 리소스만 태우고 효과는 안 나와요.
시작점으로 쓸 만한 도구는 상황에 따라 달라요. 쇼피파이 환경이라면 내장 수요 예측(Magic) 기능이, 국내 커머스라면 임팩티브AI나 SKX 같은 SaaS가 접근성이 좋습니다. 자체 구축 역량이 있다면 Amazon Forecast, Google Vertex AI Forecast가 있어요.
핵심은 입력 데이터를 얼마나 풍부하게 넣느냐예요. 판매 데이터만 넣으면 결과도 엑셀 수준입니다. 광고 지출, 쿠폰 이력, 리뷰 수, 검색량까지 엮어야 AI의 진가가 나와요. 보통 도입 초반에 “AI가 별로네요”라고 느끼는 분들은 이 데이터 연결 단계에서 막힌 경우가 많습니다.
현장에서 놓치기 쉬운 함정
AI가 붙으면 모든 게 자동화될 거라는 기대는 버리는 게 좋아요. 초기 3~6개월은 예측 vs 실제 오차를 매주 들여다봐야 합니다. 신상품이나 한정판처럼 학습 데이터가 적은 케이스는 여전히 MD의 판단이 필요해요. AI는 MD를 대체하는 도구가 아니라 반복 의사결정을 자동화해서 MD가 더 어려운 판단에 집중하게 해주는 도구입니다. AI 가격 최적화에서도 같은 원칙이 적용돼요.
또 하나, 수요 예측이 정확해져도 공급망이 못 따라가면 소용없어요. 예측으로 “다음 주 500개 필요”가 나와도 발주 리드타임이 2주라면 이미 늦죠. 예측 결과가 자동으로 발주 시스템에 넘어가는 구조를 같이 설계해야 합니다. 예측 따로, 발주 따로 돌아가면 오차율이 8%여도 결품은 그대로 발생해요.
마지막으로 데이터 품질입니다. 과거 품절 기간 동안의 판매량은 “수요 0″으로 기록되는데, 이걸 그대로 학습시키면 AI가 수요를 과소 추정합니다. 품절 구간을 추정값으로 보정하거나 제외하는 전처리가 꼭 필요해요.
사이클 전체를 데이터로 엮을 때 힘이 나옵니다
커머스 운영은 이런 식으로 연결돼요. 수요 예측 → 재고 결정 → 가격 정책 → 광고 집행 → CS 대응. 하나만 AI화해도 효과는 있지만, 진짜 힘을 발휘하는 건 이 사이클 전체가 데이터로 엮일 때입니다. AI 광고 최적화는 재고 정보를 받아 품절 임박 SKU의 광고 예산을 자동으로 조절할 수 있고, 리뷰 분석은 수요 신호를 선행 포착합니다. 각자 따로 돌리는 것보다 연결된 흐름으로 만드는 게 효과 차이를 만들어요.
품절로 광고비 날리고 악성재고로 떨이하는 사이클을 끊고 싶다면, 이번 주에 상위 20개 SKU의 엑셀 예측과 실제 판매량 오차를 먼저 구해보세요. 오차 분포 그래프만 그려봐도 “여기부터 바꿔야겠다”는 포인트가 보입니다. AI 도입의 진짜 출발점은 솔루션 선정이 아니라 내 예측이 얼마나 틀렸는지 숫자로 확인하는 일이에요.
