글로벌 명품 패션사 M, 딥플로우 기반 수요예측 정확도 81.3% 달성

[사례 요약]

• 기업명: 명품 패션사 M
• 업종: 패션
• 과제: SKU·지역별 수요예측 정교화
• 활용 솔루션: 임팩티브AI Deepflow Forecast
• 예측 대상: 가방/잡화류 수요예측
• 성과: 수요예측 평균 정확도 81.3% 달성

‍

1. 고객사 소개

M사는 글로벌 명품 패션 브랜드로, 아시아 중심으로 가방부터 의류, 라이프스타일까지 지속적으로 성장하고 있는 기업입니다.

트렌드 변화가 빠르고 경쟁이 치열한 명품 시장에서, M사는 제품 라인업 확대와 함께 재고·공급망 운영을 더욱 효율적으로 관리해야 하는 과제를 안고 있었습니다. 특히 국가와 지역별 소비 패턴이 매우 다르기 때문에, 정확한 수요예측 없이 운영을 지속할 경우 재고 과잉이나 품절 리스크가 반복될 수밖에 없는 환경이었습니다.

이러한 배경에서 M사는 보다 정교하고 데이터 기반의 수요예측 체계를 마련하기 위해 임팩티브AI의 Deepflow Forecast를 도입해 프로젝트를 진행했습니다.

‍

2. 도입 배경 – SKU·Region 단위의 정밀한 예측 체계 구축

명품 제품의 판매 패턴은 다양한 요인의 영향을 받습니다. 소비자 심리와 환율, 국가별 경기 환경, 계절성, 프로모션, 지역별 브랜드 선호도까지 풍부한 외부 변수가 존재합니다. 기존의 경험 기반 예측 방식은 이러한 요소들을 모두 반영하기 어렵기 때문에 SKU 단위의 정확도를 높이는 데 한계가 있었습니다.

이번 프로젝트의 목표는 M사의 가방·잡화 품목(SKU-Region 기준)에 대해 가장 적합한 모델을 찾고, 수요예측에 영향을 미치는 주요 변수를 파악하며, 향후 반복적으로 활용할 수 있는 AI 기반 예측 체계를 구축하는 것이었습니다.

결과적으로 M사가 국가·지역별 판매 전략, 재고 운용, 프로모션 실행 등을 더욱 데이터 기반으로 전환할 수 있는 기반을 마련하는 것이 프로젝트의 주요 목적이었습니다.

‍

3. 데이터 – 내부 판매 정보부터 외부 환경 변수까지 폭넓게 활용

수요예측 정확도를 확보하기 위해 M사는 내부 데이터와 외부 데이터를 함께 활용했습니다. 내부 데이터는 실제 판매 흐름을 보여주는 정보로 구성되었고, 외부 데이터에는 명품 업계가 외부 환경 변화에 민감하게 반응하는 특성을 반영하기 위한 요소들이 포함되었습니다.

활용 데이터

• 내부 데이터: 판매 데이터(매장, 품목 코드, 가격, 할인 가격 등), 국가/지역 정보 등
• 외부 데이터: 환율 데이터, 소비자 행동 지표(구글 트렌드 등), 실물 경제 지표(유가 및 원자재 변수), 통화량, 지역 변수 등

이렇게 결합된 데이터는 단순한 시계열 패턴을 넘어, 소비자 심리 변화나 글로벌 경제 지표에 따라 달라지는 수요의 복합성을 모델이 학습하는 데 중요한 역할을 했습니다.

‍

4. 모델 – 224개 예측 모델 중 최적의 84개 모델 적용

딥플로우는 총 224개의 모델로 구성되어 있는데, M사의 수요 특성과 데이터 구조에 가장 적합한 84개 모델이 선별되어 적용되었습니다. 명품 수요는 비선형적 패턴과 외부 변수 간의 복잡한 상호작용이 특징이기 때문에 단일 모델보다는 다수의 모델을 조합한 구조가 중요한 성능 향상을 이끌었습니다.

적용된 핵심 모델

대표적으로는 Boosting Regressor 계열 모델들과 Prophet이 활용되었는데, 이는 M사의 수요가 단순 시계열 패턴이 아니라 지역별 소비 특성, 소비자 심리 요인, 환율, 프로모션 등 다양한 요인에 동시에 영향을 받기 때문입니다.

• Boosting Regressor Model: 비선형 관계와 변수 간 상호작용을 효과적으로 학습해 지역별 소비 특성과 환율, 프로모션 같은 다양한 요인을 동시에 반영하는 데 적합
• Prophet: 비즈니스 데이터의 전형적 구조인 추세, 계절성, 이벤트 효과를 분리해 학습하는 방식으로 설계되어 할인 기간이나 특정 시즌 이벤트처럼 명품 소비가 급증하는 시점을 모델에 자연스럽게 반영 가능

‍

정확도를 극대화하기 위한 모델링 프로세스

모델링 과정은 Basic Modeling을 시작으로, 카테고리나 지역 구조를 반영하는 Hierarchical Modeling, 유사 패턴을 가진 SKU를 클러스터로 묶어 예측력을 높인 Cluster-based Modeling까지 단계적으로 진행되었습니다. 이는 데이터의 계층적 구조를 반영하고, SKU 단위의 데이터량이 제한적인 환경을 고려해 정확도를 극대화하는 방향으로 설계된 접근이었습니다.

모델이 포착한 M사 수요예측의 핵심 요인

모델 성능 분석 결과, 지역별 시장 차이와 글로벌 소비 관심도를 반영하는 요인들이 전체 변동성의 상당 부분을 설명하며 핵심적인 역할을 하는 것으로 나타났습니다. 또한 경기 상황을 나타내는 다양한 경제 지표들도 중간 수준의 기여도를 보이며, 유가나 환율과 같은 외부 경제 환경이 수요 변화에 꾸준히 작용하고 있음을 확인할 수 있었습니다.

이와 함께 소비자 행동을 반영하는 변수들의 영향력이 거시경제 지표보다 훨씬 높게 나타났는데, 이는 명품 소비가 경제적 지표보다 관심도나 심리적 요인에 더 민감하게 반응한다는 특성을 모델이 효과적으로 학습하고 있다는 것을 의미합니다. 결과적으로 M사의 수요예측 모델은 구조적 시장 요인과 거시경제 흐름을 기반으로 하되, 소비자 행동 중심의 패턴을 더욱 정교하게 포착하는 방향으로 작동하고 있다는 점이 확인되었습니다.

‍

5. 성과 – 평균 정확도 81.3%, 주요 제품군은 83.6%까지 향상

프로젝트 결과, 전체 SKU 기준 평균 예측 정확도는 81.3%로 나타났습니다. 특히 판매 규모가 크고 전략적 비중이 높은 Top 30% SKU에서는 83.6%까지 정확도가 향상되며 실질적인 운영 적합성을 확인할 수 있었습니다. (예측 정확도: 100-MAPE%)

실제 M사의 제품 월별 수요예측 결과를 보면, 딥플로우의 예측값이 실제값과 매우 유사한 패턴을 보이며 상승과 하락의 흐름을 안정적으로 포착한 것을 확인할 수 있습니다.

M사의 제품은 변동성이 매우 큰 것이 특징입니다. 딥플로우는 이를 잘 반영하는 모델과 데이터를 통해 실제값의 변동성을 안정적으로 예측하고 있는 것을 알 수 있습니다. 전체적인 수요 트렌드는 물론이고, 변동성까지 잘 포착하여 실제 생산관리, 재고관리 단계에서 예측값을 유용하게 활용할 수 있습니다.

M사는 이 밖에도 딥플로우를 통해 다양한 가능성을 확인했습니다. 예측 모델이 학습한 외부 요인 기여도를 분석함으로써 M사의 수요에 영향을 미치는 핵심 요인을 명확하게 파악할 수 있었습니다. 환율 변동이 특정 제품군에 주는 영향, 프로모션 할인율이 각 지역별로 달리 작용하는 방식 등이 정량적으로 분석되면서 M사는 보다 효과적인 가격 전략과 재고 관리 전략을 수립할 수 있는 기반을 마련했습니다.

‍

6. 결론 

이번 프로젝트를 통해 M사는 기존 방식으로는 파악하기 어려웠던 SKU·Region 단위의 복잡한 수요 패턴을 AI 기반으로 정교하게 분석할 수 있다는 점을 확인했습니다. 딥플로우를 통해 다양한 내부·외부 변수들이 수요에 어떤 영향을 주는지 명확하게 이해할 수 있었고, 이를 재고 운영, 발주 계획, 프로모션 전략 등 실질적인 비즈니스 의사결정에 활용할 수 있는 기반도 마련되었습니다.

‍M사는 이번 프로젝트를 시작으로 AI 기반 수요예측 체계를 향후 더 많은 카테고리와 지역으로 확대 적용하는 방안을 고려하고 있으며, 글로벌 운영 효율성을 높이는 중요한 전환점이 될 것으로 기대하고 있습니다.