우리 회사의 신제품 판매량도 AI가 예측할 수 있을까?

과거 판매 이력 없이 정확도 최대 94%를 달성한 W사 신제품 수요예측 사례

신제품의 첫 발주는 늘 출시 전에 결정됩니다. 문제는 그때 아직 충분한 판매 데이터가 없다는 점입니다.

특히 글로벌 라이프스타일 콘텐츠 기업 W사가 운영하는 상품군은 일반적인 반복 판매 상품과 달랐습니다. 동일 상품이 오랜 기간 안정적으로 판매되기보다는, 특정 출시 시점에 맞춰 수요가 짧은 기간 안에 집중되는 구조였습니다. 제품마다 구성과 판매 기간도 달라, 과거 상품을 단순히 같은 기준으로 비교하기 어려웠습니다.

이런 상품군에서는 첫 발주 수량이 곧 재고 리스크와 판매 기회 리스크를 가릅니다. 너무 보수적으로 잡으면 초기 수요를 놓칠 수 있고, 반대로 과도하게 잡으면 짧은 판매 기간이 지난 뒤 재고 부담으로 이어질 수 있습니다.

W사가 임팩티브AI와 함께 확인하고자 했던 질문은 명확했습니다.

"동일 상품의 과거 판매 이력이 없는 신제품도, 제한된 초기 수요 신호만으로 첫 발주 의사결정에 활용 가능한 수준까지 예측할 수 있을까?"

임팩티브AI는 W사의 주요 신제품 SKU를 대상으로 블라인드 테스트를 진행했고, 그 결과 상위 판매 구간에서 정확도 75~94%를 달성했습니다. 특히 판매량이 큰 제품군에서는 87~94% 수준의 정확도를 기록하며, 첫 발주 의사결정에 활용 가능한 예측 신뢰도를 확인했습니다.

‍

W사의 신제품 예측이 어려웠던 이유

신제품 수요예측이 어려운 이유는 단순합니다. 예측해야 할 상품에는 아직 동일 상품의 과거 판매 이력이 없기 때문입니다. 하지만 W사의 경우에는 어려움이 여기서 끝나지 않았습니다.

1. 신제품에는 유추할 과거 데이터가 없습니다

일반적으로 수요예측은 과거의 판매이력과 통계 데이터를 기반으로 이루어집니다. 하지만 신제품은 아직 판매 이력이 없기 때문에, 기존 통계적 방법을 그대로 적용하기 어렵습니다.

담당자가 경험적으로 “이번 상품은 과거의 어느 상품과 비슷할 것 같다”고 판단할 수는 있습니다. 그러나 이 방식은 사람의 경험과 기억에 크게 의존합니다. 담당자가 바뀌거나 유사 상품이 바로 떠오르지 않으면 예측 기준도 흔들릴 수 있습니다.

2. 제품마다 판매 기간과 구성이 달랐습니다

W사의 신제품은 매번 동일한 조건으로 판매되지 않았습니다. 어떤 상품은 짧은 기간 동안 판매되고, 어떤 상품은 상대적으로 긴 기간 동안 판매됩니다. 구성, 옵션, 패키지 역시 매번 달라질 수 있습니다.

즉, 모든 신제품을 같은 기간의 같은 시계열 데이터로 놓고 비교하기 어려운 구조였습니다.

3. 출시 초기에 수요가 집중됐습니다

W사의 주요 상품군은 출시 직후 짧은 기간 동안 판매가 크게 몰린 뒤, 이후 빠르게 감소하는 패턴을 보였습니다. 이처럼 초기 수요 집중도가 높은 상품은 초반 수요를 잘못 읽으면 첫 발주 수량이 크게 빗나갈 수 있습니다.

결국 W사의 문제는 단순한 예측 정확도 문제가 아니었습니다. 과거 데이터가 부족한 상황에서도 '첫 발주 의사결정에 쓸 수 있는 비교 기준과 예측 구조를 어떻게 만들 것인가'의 문제였습니다.

‍

임팩티브AI의 신제품 수요예측 접근 방법: 세 가지 질문

임팩티브AI는 W사의 신제품 예측 문제를 하나의 모델로만 해결하려 하지 않았습니다. 대신 실제 의사결정 과정에 맞춰 문제를 세 가지 질문으로 나누었습니다.

1. 이 신제품과 가장 닮은 과거 상품은 무엇인가?
2. 판매가 집중되는 구간은 어디인가?
3. AI 예측값 중 실무적으로 다시 검증해야 할 값은 없는가?

이 세 질문을 기준으로 W사의 신제품 예측 구조를 설계했습니다.

1. 과거가 없는 신제품을 위해 유사 상품을 데이터로 찾았습니다

신제품에는 동일 상품의 과거 판매 이력이 없습니다. 하지만 완전히 새로운 상품처럼 보이더라도, 과거에 판매된 상품 중 비슷한 특성을 가진 상품은 존재할 수 있습니다.

기존 방식에서는 담당자가 경험적으로 유사 상품을 골랐습니다. "이 상품은 과거 A 상품과 비슷할 것 같다", "이번 구성은 이전 B 상품과 수요 흐름이 유사할 수 있다"는 식입니다. 이런 판단은 현업 경험이 반영된다는 장점이 있지만, 동시에 기준이 주관적일 수밖에 없습니다.

임팩티브AI는 이 과정을 데이터 기반으로 바꿨습니다. 상품의 수치형 특성과 범주형 특성을 함께 활용해 신제품과 과거 상품 사이의 유사도를 정량적으로 계산했습니다.

또한 동일 카테고리 안에서 충분히 유사한 상품이 없을 경우, 인접 카테고리까지 탐색 범위를 확장했습니다. 이를 통해 모든 신제품에 대해 최소한의 비교 기준을 확보할 수 있도록 설계했습니다.

이 방식의 핵심은 단순히 비슷한 제품을 찾는 것이 아니라 담당자의 경험에만 의존하던 유사 상품 판단을 일관된 데이터 기준으로 재현 가능하게 만든 것입니다.

2. 제품마다 다른 판매 기간을, 세 개의 판매 구간으로 표준화했습니다

유사 상품을 찾았다고 해서 문제가 끝나는 것은 아닙니다. W사의 신제품은 상품마다 판매 기간이 달랐습니다.

어떤 상품은 짧은 기간 동안 판매되고, 어떤 상품은 더 긴 기간 동안 판매됩니다. 이런 데이터를 하나의 동일한 시계열 모델로 묶으면 상품 간 비교가 어려워집니다.

임팩티브AI는 판매 곡선을 하나의 긴 흐름으로 보지 않고, 세 개의 구간으로 나누어 바라봤습니다.

• Launch: 출시 직후 초기 판매 구간
• Mid: 판매 중간 구간
• Deadline: 마감 직전 구간

이렇게 구간을 나누면 상품마다 전체 판매 기간이 달라도 비교가 가능해집니다. 짧게 판매된 상품과 상대적으로 길게 판매된 상품도 각각의 판매 흐름을 Launch, Mid, Deadline이라는 공통 구조로 변환할 수 있기 때문입니다.

또한 임팩티브AI는 판매 곡선의 변곡점을 자동으로 탐지하는 방식을 적용했습니다. 통계적 변화량, 분포 기반 이상치, 거리 기반 이질성 등 서로 다른 방식의 탐지 로직을 조합해 판매 곡선이 나뉘는 지점을 찾았습니다.

결과적으로 W사의 신제품은 상품마다 판매 기간이 달라도, 공통된 구조 안에서 예측할 수 있게 되었습니다.

3. AI 예측값을 그대로 쓰지 않고, 실무 로직으로 한 번 더 검증했습니다

수요예측에서 중요한 것은 모델을 만드는 것만이 아닙니다. 모델이 낸 결과가 실무적으로 타당한지도 확인해야 합니다.

특히 신제품 예측에서는 유사 상품 탐색이 완벽하지 않을 수 있고, 구간별 예측 결과에 편차가 생길 수도 있습니다. 그래서 임팩티브AI는 예측값을 그대로 사용하는 대신, 다단계 후처리 보정 체계를 함께 적용했습니다.

W사 프로젝트에서는 예측 결과를 두 방향으로 검증했습니다.

• 과도하게 높게 예측된 값은 하향 보정
• 과도하게 낮게 예측된 값은 상향 보정

각 보정 단계에서는 신제품과 과거 상품의 비교, 신제품 자체의 일관성, 예측값과 실제 추세의 정합성 등을 함께 검토했습니다. 또한 하나의 상품이 중복으로 보정되지 않도록 단계별 적용 기준을 설계했습니다.

AI 예측을 무조건 신뢰하지 않고, AI가 낸 숫자를 실무 의사결정에 바로 쓸 수 있는 수준으로 만들기 위해 한 번 더 검증하는 안전장치를 둔 것입니다

‍

예측 결과: 주요 판매 구간에서 정확도 75~94% 달성

임팩티브AI는 W사의 주요 출시형 신제품 SKU를 대상으로 블라인드 테스트를 진행했습니다.

그 결과, 1천 개 이상 판매 수량 구간에서 정확도 75~94%를 달성했습니다. 특히 판매량이 큰 1만 개 이상 제품군에서는 87~94%의 정확도를 기록했습니다.

이 결과가 중요한 이유는 단순히 예측 정확도가 높았기 때문만은 아닙니다. W사의 신제품은 첫 발주 수량을 정할 때 참고할 수 있는 동일 상품의 과거 판매 이력이 부족했습니다. 그런데 이번 프로젝트를 통해, 제한된 초기 데이터만으로도 주요 상품군의 발주 의사결정에 활용할 수 있는 예측 기준을 확보할 수 있었습니다.

검증 역시 보수적으로 진행했습니다. 학습 구간을 누적 전진시키는 Expanding Window Validation을 적용했고, 예측 대상 신제품은 학습 데이터와 참조 데이터에서 제외한 블라인드 테스트 방식으로 평가했습니다. 평가 지표는 판매량 규모를 반영하는 WMAPE를 활용했습니다.

‍

신제품 예측의 핵심은 데이터의 양이 아니라 접근 방식입니다

신제품에는 과거가 없습니다. 이 조건은 어느 산업에서도 쉽게 바뀌지 않습니다.

그래서 신제품 수요예측의 핵심은 단순히 데이터를 많이 모으는 것이 아닙니다. 과거 판매 이력이 부족한 상황에서도 예측 가능한 구조를 어떻게 설계할 것인가가 중요합니다.

W사 사례에서 임팩티브AI가 확인한 핵심은 세 가지였습니다.

• 신제품과 비교할 수 있는 과거 상품을 데이터 기준으로 찾아야 합니다.
• 상품마다 다른 판매 패턴을 비교 가능한 구조로 표준화해야 합니다.
• AI 예측 결과를 실무 기준으로 한 번 더 검증해야 합니다.

W사는 임팩티브AI 딥플로우와 함께 이 세 가지 질문에 대한 답을 확인했습니다.

짧은 판매 기간에 수요가 집중되는 출시형 신제품을 운영하는 기업이라면, 같은 고민을 하고 있을 가능성이 높습니다. 과거 판매 이력이 부족한 상품이라도, 접근 방식을 바꾸면 예측 가능한 영역은 넓어질 수 있습니다.

‍

신제품 수요예측, 우리 회사도 가능한지 직접 확인하세요

짧은 판매 기간에 수요가 집중되는 출시형 신제품을 운영 중이거나, 동일 상품의 과거 판매 이력이 부족해 첫 발주 의사결정이 어려운 기업이라면, 임팩티브AI의 딥플로우 Forecast가 어떤 도움이 될 수 있는지 진단해드립니다.

👉 지금 문의하기