창고에 쌓인 재고를 바라보며 “왜 이걸 이렇게 많이 발주했지?” 후회한 적, 한 번쯤 있지 않나요?
저도 그랬어요. 지난 시즌 잘 팔렸으니까 올 시즌도 비슷하겠지, 하는 감으로 발주했다가 창고비만 수백만 원 날린 적이 있습니다. 그래서 이번엔 접근을 바꿔봤어요. 엑셀에 쌓아둔 판매 데이터 6개월치를 통째로 AI한테 던져본 거죠.
감이 아니라 패턴이 보였다
ChatGPT에 CSV 파일을 올리고 물어봤어요. “SKU별 주간 판매량 추이를 분석하고, 향후 4주 수요를 예측해줘.” 결과는 꽤 충격적이었습니다.
제가 “꾸준히 팔린다”고 생각한 A 상품은 사실 3주 전부터 판매량이 매주 12%씩 빠지고 있었어요. 반대로, 신경도 안 쓰던 B 상품은 특정 요일마다 판매가 몰리는 패턴이 뚜렷했습니다. 사람 눈으로는 “그냥 비슷비슷하네” 수준이었는데, 숫자를 나란히 놓으니 경향성이 선명해진 거죠.
과잉 재고, 예측이 아니라 계산이었다
AI가 뽑아준 4주 예측과 현재 재고량을 대조해봤더니, 곧바로 문제가 드러났어요.
A 상품: 현재 재고 1,200개, 예상 판매 480개. 720개가 남습니다. 창고에 8주 넘게 묶이는 돈이에요. B 상품: 현재 재고 90개, 예상 판매 360개. 2주 안에 품절입니다. 로켓배송 노출이 끊기면 매출 타격이 바로 오죠.
이런 불균형을 감으로 잡으려면 매일 엑셀을 들여다봐야 하는데, 현실적으로 그게 되나요. 상품이 50개만 넘어가도 불가능해요. 그런데 AI한테 데이터를 던지면 5분이면 전 SKU의 과잉/부족 리스크가 한눈에 나옵니다.
실전 프롬프트, 이렇게 씁니다
거창한 도구가 필요한 게 아니에요. 엑셀에서 CSV 뽑아서 ChatGPT나 Claude에 올리면 됩니다. CSV 컬럼은 이 정도면 충분해요: date, sku_id, product_name, qty_sold. 재고 데이터가 있으면 current_stock 컬럼도 같이 넣어주세요.
1단계 — 추세 분석
“이 CSV는 6개월간 SKU별 일일 판매량이야. SKU별로 최근 4주 대비 이전 4주 판매량 변화율을 계산하고, 하락 중인 SKU를 변화율 순서로 정렬해줘.”
2단계 — 수요 예측
“상위 20개 SKU에 대해 향후 4주 주간 판매량을 예측해줘. 요일별 편차가 크면 요일 패턴도 반영해줘.”
3단계 — 재고 리스크 판정
“current_stock 컬럼이 현재 재고량이야. 예측 판매량 대비 재고가 8주 이상 남는 SKU는 ‘과잉’, 2주 미만인 SKU는 ‘긴급발주’로 분류해줘.”
이 세 단계면, 광고 데이터에서 ROAS 누수를 잡았던 것처럼 재고에서도 돈 새는 구멍이 명확하게 보입니다.
물론 AI가 항상 맞진 않습니다
솔직히 말하면, AI 예측은 참고치예요. 실제로 써보면 ±20% 정도 오차가 나는 경우가 많습니다. 갑자기 터진 바이럴이나 예상 못 한 프로모션까지는 과거 데이터만으로 잡아낼 수 없으니까요.
그래서 저는 AI 예측값에 20% 버퍼를 두고 발주 결정에 씁니다. “AI가 400개 팔린다고 했으니까 정확히 400개 발주”가 아니라, 320~480개 사이에서 상황 판단을 더하는 거죠. 그래도 감만으로 찍는 것보다는 훨씬 나아요. 적어도 방향은 맞으니까.
시즌성까지 잡으려면
판매 데이터만으로도 쓸 만하지만, 한 단계 더 가려면 외부 변수를 붙여보세요. 네이버 데이터랩 검색 트렌드나 프로모션 캘린더를 CSV에 같이 넣어주는 거예요.
“6월 셋째 주에 기온이 30도 넘었던 해에, 이 카테고리 판매량이 평소 대비 얼마나 뛰었는지 과거 데이터에서 찾아줘.” 이런 질문을 던지면, 검색어 데이터에서 숨은 수요를 찾아냈던 방식과 같은 원리로 시즌 수요를 미리 잡아낼 수 있어요.
SKU가 많아지면
수동으로 CSV를 던지는 건 SKU 50개까지는 괜찮아요. 그 이상이면 Python 스크립트로 판매 데이터 추출부터 리스크 분류까지 자동화하는 걸 고려해볼 만합니다. 이건 다음에 별도로 다뤄볼게요.
결국 제가 이 방법을 쓴 뒤 달라진 건 이거예요. A 상품 발주를 절반으로 줄였고, B 상품은 2주 빨리 긴급 발주를 넣었습니다. 결과적으로 그 분기 창고에 8주 넘게 묶인 SKU가 전 분기 대비 40% 줄었어요. 데이터는 이미 여러분 엑셀에 있고, 도구도 무료입니다. 리뷰 분석으로 다음 상품을 찾듯, 판매 데이터로 다음 발주를 찾아보세요.
핵심 개념
AI 수요 예측이란 과거 판매 데이터의 패턴을 AI가 분석하여 향후 일정 기간의 예상 판매량을 산출하는 기법을 말한다. SKU별 주간 판매 추이, 요일별 편차, 시즌 변동을 반영하여 감이 아닌 데이터 기반으로 발주 의사결정을 돕는다.
재고 리스크 판정이란 현재 재고량을 AI 예측 판매량과 대조하여, 8주 이상 남는 SKU를 과잉 재고로, 2주 미만인 SKU를 긴급발주 대상으로 자동 분류하는 방법이다. 이를 통해 창고비 낭비와 품절 리스크를 동시에 줄일 수 있다.
자주 묻는 질문
Q. AI 수요 예측에 필요한 최소 데이터 기간은 얼마인가요?
최소 3개월 이상의 일별 판매 데이터가 있으면 기본적인 추세 분석이 가능합니다. 다만 시즌성까지 반영하려면 6개월~1년치 데이터가 권장됩니다. CSV 컬럼은 date, sku_id, product_name, qty_sold 네 가지면 충분합니다.
Q. AI 예측의 정확도는 어느 정도인가요?
일반적으로 ±20% 내외의 오차가 발생합니다. 갑작스러운 바이럴이나 예상 못한 프로모션 효과는 과거 데이터만으로 잡아내기 어렵기 때문입니다. 실무에서는 AI 예측값에 20% 버퍼를 두고 발주 의사결정에 참고하는 방식이 효과적입니다.
Q. SKU가 많으면 AI 분석이 어려워지나요?
ChatGPT나 Claude에 CSV를 직접 올리는 방식은 SKU 50개까지 무리 없이 가능합니다. 그 이상이면 Python 스크립트로 데이터 추출부터 리스크 분류까지 자동화하는 것이 효율적입니다. 도구 자체는 무료이므로 진입 장벽은 낮습니다.
Photo by CHUTTERSNAP on Unsplash
