AI 수요예측 도입, 전사 전환 전에 작게 먼저 시작해볼 수 있습니다

AI 수요예측 도입을 검토하는 회사들이 점점 늘어나고 있습니다. 결품이나 과잉 재고가 반복되고, 예측 결과를 손으로 일일이 수정하는 데 드는 시간도 계속 길어지기 때문입니다.

하지만 막상 도입을 본격적으로 검토해보면 고민이 깊어집니다. 견적을 받아보면 예상보다 사업 규모가 커지고, 데이터 표준화부터 시작해야 한다는 말도 듣게 됩니다. 실제로 일을 맡은 담당자들은 또 하나의 새로운 시스템이 도입된다는 소식에 걱정부터 앞서죠. 이렇게 논의가 시작됐다가 최종 결정은 다음 분기나 내년으로 계속 미뤄지기 일쑤입니다.

이 글은 그런 고민에서 출발합니다. 전사 시스템을 한 번에 바꾸기보다는, 손실이 가장 크게 느껴지는 업무 한 가지에 먼저 AI 수요예측을 적용해보는 방법을 정리했습니다. 작게 시작하면 어떤 효과를 기대할 수 있는지, 그리고 미리 알아두면 좋은 점들을 차례대로 살펴보겠습니다.

‍

AI 수요예측 도입, 어디서 고민이 길어질까요?

수요예측을 개선해야 한다는 점에는 대부분 공감합니다. 하지만 본격적인 고민은 그 다음 단계에서 시작됩니다.

먼저, 범위 문제입니다. 전사 통합형 계획 플랫폼을 도입하면 수요, 공급, 생산, 재무 계획이 모두 한 체계로 묶입니다. 범위가 넓어질수록 데이터 정비와 프로세스 재설계가 선행돼야 하고, 도입 기간과 비용도 자연히 커집니다.

다음은 ‘사람’ 문제입니다. 바쁜 실무자 입장에서는 새로운 솔루션이 또 하나의 익숙하지 않은 화면이 될 수밖에 없습니다. 게다가 ‘AI 전환’이라는 말이 붙으면 기대감만큼 부담도 커집니다.

마지막으로, 한번 결정하면 되돌리기 어렵다는 점도 고민거리입니다. 큰 결정을 내린 뒤 기대에 못 미치는 결과가 나오면 책임도 역시 무거워집니다. 그래서 의사결정권자가 충분히 확신이 서기 전에는 결재를 미루는 경우도 많습니다. 그리 이상한 일도 아닙니다.

물론, 전사적 전환이 가장 맞는 회사도 있습니다. 여러 법인이나 공장의 계획을 하나로 묶어야 한다면, 통합 플랫폼을 우선 검토하는 것이 자연스러운 선택입니다. 하지만 특정 품목 재고가 계속 쌓이거나, 원자재 구매 시기 때문에 단가 부담이 커지는 등 문제가 분명하다면, 그 부분만 좁게 먼저 확인해보는 방법도 있습니다.

‍

AI 수요예측은 어떻게 작동할까요?

작게 시작해 보려면 먼저 AI 수요예측이 실제로 무엇을 하는지 감을 잡는 것이 좋습니다. 이 원리는 경험 많은 담당자가 일하는 방식과 크게 다르지 않습니다. 오랫동안 같은 일을 해온 담당자는, 작년 이맘때 이 제품이 얼마나 나갔는지나 명절을 앞두고 판매량이 얼마나 늘었는지를 자연스럽게 떠올립니다. 그리고 그 경험을 바탕으로 다음 달에는 어느 정도 물량이 필요할지 짐작하지요.

AI 수요예측도 비슷한 일을 합니다. 다만 사람의 기억이나 감이 아닌, 판매 이력 데이터를 바탕으로 분석합니다. 품목별로 시간에 따라 판매량이 어떻게 변했는지, 계절이 바뀔 때마다 반복되는 패턴이 있는지, 전체적인 흐름이 상승세인지 하락세인지를 파악해 앞으로의 수요를 예측하죠.

이렇게 시간의 흐름에 따라 데이터를 분석해서 예측하는 방식을 '시계열 예측'이라고 부릅니다. 예를 들어 매달 적어둔 가계부를 보면서 다음 달 생활비를 미리 가늠해보는 것과 같은 원리입니다.

사람과 다른 점도 분명합니다. 담당자 혼자 수백 개 품목의 패턴을 일일이 살피기는 사실상 불가능합니다. 반면, AI는 각각의 품목에 여러 예측 모델을 적용하고, 그중에 과거 데이터와 비교해 오차가 가장 적은 모델을 자동으로 선택합니다. 덕분에 판매가 꾸준한 품목과 변화가 심한 품목마다 서로 다른 방식으로 예측할 수 있습니다.

요즘은 단순히 미래의 숫자만 내놓는 것에서 한 발 더 나아가, 그 예측 결과가 왜 나왔는지 근거를 설명해 주는 기능도 중요해졌습니다. 담당자가 보고서나 회의에서 AI가 내놓은 수치를 신뢰하고, 자신 있게 설명하려면 이런 예측 근거가 꼭 필요하기 때문입니다.

‍

수요예측 스몰 스타트, 잘 맞는 업무와 산업

수요예측은 무조건 작게 시작한다고 해서 모두에게 잘 맞는 건 아닙니다. 특히, 시작 범위를 좁혔을 때 효과가 뚜렷하게 나타나는 업무가 초반에 다루기 좋습니다.

가령, 식품이나 음료처럼 유통기한이 짧은 산업에서는 재고가 남으면 곧바로 폐기하거나 할인 판매로 이어지기 쉽죠. 이런 분야에서는 판매 이력이 꾸준하게 쌓여 있는 대표 상품 하나를 골라 수요 예측을 적용해 보면, 재고 수준의 변화나 효과를 비교적 짧은 시간 안에 확인할 수 있습니다.

패션이나 뷰티 산업처럼 계절별 영향이 큰 곳이라면, 해마다 반복해서 잘 팔리는 스테디셀러 라인이 좋은 출발점이 됩니다. 반면, 신상품은 과거 판매 데이터가 부족해 예측이 어렵습니다.

철강, 건설, 제조 등 원자재 비중이 큰 산업에서는 판매량보다도 구매 단가가 더 중요한 고민거리인 경우가 많습니다. 이럴 땐 원가를 좌우하는 핵심 원자재 한두 가지의 가격 흐름을 먼저 예측해 보는 게 도움이 됩니다.

이처럼 출발점이 되는 업무들은 공통점이 있습니다. 바로, 손실이 어느 부분에서 발생하는지 이미 현장에서 짐작하고 있다는 점입니다. 지난 1년간 결품이 잦았던 품목, 폐기나 할인으로 손실이 컸던 상품, 구매 타이밍 때문에 단가가 높았던 원자재 등을 떠올려 보면, 어디서부터 시작할지 쉽게 후보를 찾을 수 있습니다.

‍

작게 시작하는 수요예측의 장점과 한계

작게 시작할 때 가장 큰 장점은 빠르게 결과를 확인할 수 있다는 점입니다. 우리 회사 데이터로 예측이 실제로 가능한지, 어떤 품목이 예측에 적합한지 며칠이나 몇 주 내로 확인할 수 있습니다. 이렇게 확보한 결과를 바탕으로 다음에 어디에 확대 적용할지 감이 아닌 근거로 이야기할 수 있게 됩니다.

부담도 적은 편입니다. 기존 시스템이나 업무 흐름은 그대로 두고, 일부만 바꿔서 시도하니 효과가 기대에 못 미쳐도 언제든 이전 방식으로 되돌아갈 수 있습니다. 의사결정권자 입장에서는 큰 투자가 아닌, 소규모로 시작해 충분히 검토해볼 수 있다는 점이 장점이죠.

현업 담당자의 반응도 달라집니다. 직접 손으로 가장 많은 시간을 들이던 일이 줄어드는 걸 눈앞에서 확인하면 새로운 도구에 대한 거부감도 자연스럽게 줄어듭니다.

물론, "작게 시작하면 나중에 두 번 일하는 것 아닌가요?" 같은 질문도 자주 들어옵니다. 이런 걱정은 충분히 이해가 갑니다. 하지만, 전사적으로 한꺼번에 대상을 정하고 데이터나 프로세스를 손보는 경우에는, 처음부터 예측에 적합한 품목을 정확히 알지 못한 채 일을 벌이게 됩니다. 반면, 작게 먼저 시도해 본 뒤 효과가 확인된 부분부터 확장하면, 의미 없는 반복 작업을 크게 줄일 수 있습니다.

한계도 분명합니다. 범위가 좁은 만큼, 회사 전체에 일괄된 계획을 세우고 관리하는 효과까지 바로 얻기는 어렵습니다. 여러 공장과 법인의 생산이나 공급 계획을 한 번에 맞춰야 한다면, 결국 더 넓고 통합적인 접근이 필요합니다. 또한, 첫 시도에 선택한 품목군이 회사 전체를 대표하지 못하는 경우도 생길 수 있기 때문에, 결과를 다른 분야로 확장할 땐 한 번 더 검증하는 절차를 거치는 게 좋습니다.

‍

수요예측 PoC 전에 확인할 데이터와 비용

PoC는 개념 검증(Proof of Concept)의 줄임말로, 본격 도입 전에 실제 데이터로 효과를 시험해보는 단계입니다. 작게 시작하는 수요예측은 대부분 이 단계에서 출발합니다. 준비할 것은 생각보다 많지 않습니다.

꼭 필요한 데이터

시계열 예측에 꼭 필요한 건 품목 기본 정보와 판매 이력 두 가지입니다. 월 단위로 예측한다면 최소 24개월 치 판매 이력이 있어야 하고, 기간이 길수록 계절 패턴을 읽기에 유리합니다.

프로모션 정보나 외부 지표는 정확도를 높이는 데 쓰이지만 처음부터 모두 갖출 필요는 없습니다. 전사 기준정보 정비가 끝나지 않았더라도 판매 이력만 쌓여 있다면 검증은 시작할 수 있습니다.

반대로 판매 이력이 없거나 기간이 너무 짧으면 어떤 솔루션을 쓰더라도 의미 있는 결과를 얻기 어렵습니다. 이 조건만큼은 먼저 점검해두시길 권합니다.

기존 시스템과의 연동

ERP 같은 기존 시스템은 실행과 원장 데이터를 관리하는 기준으로 그대로 둡니다. AI 수요예측은 그 데이터를 받아 예측 결과와 판단 근거를 만드는 역할을 맡습니다.

데이터가 두 곳으로 나뉘지 않을지 걱정하는 분도 많습니다. 검토 단계에서는 두 가지를 확인해보시면 좋습니다. 예측에 쓸 원천 데이터를 기존 시스템에서 꺼낼 수 있는지, 나온 결과를 다시 업무 흐름에 넣을 경로가 있는지입니다. 회사마다 데이터 구조와 승인 절차가 달라서, 실제 데이터로 한 번 확인해보는 과정이 도움이 됩니다.

비용과 투입 인력

비용과 복잡도는 범위에 따라 달라집니다. 품목군 하나로 시작하면 정리해야 할 데이터의 양도, 검토에 드는 인력도 그만큼 줄어듭니다.

첫 검증은 데이터를 추출해 전달할 담당자와 결과를 검토할 실무 담당자 정도로 꾸려볼 수 있습니다. 별도의 프로젝트 조직을 꾸리기 전에 지금 있는 인원으로 가능성을 확인해볼 수 있다는 점도 작게 시작할 때의 장점입니다.

현업 수용도를 보는 평가 기준

도입 이후 현업이 받아들일 수 있을지도 이 단계에서 미리 살펴보면 좋습니다. 범위를 정할 때 어떤 기능을 쓸지보다 담당자가 지금 가장 시간을 많이 쓰는 일이 무엇인지부터 보는 방법이 있습니다.

수요계획 담당자라면 예측값을 받은 뒤 원인을 찾고 부서별 설명 자료를 다시 만드는 데 많은 시간을 씁니다. 구매 담당자라면 원자재 가격을 확인하고 보고 자료를 정리하는 일이 그렇습니다. 이 시간이 줄어드는지를 평가 기준에 넣어두면 정확도와 별개로 현업의 반응을 미리 가늠할 수 있습니다.

‍

딥플로우로 작게 시작하는 AI 수요예측

임팩티브AI의 딥플로우는 처음부터 이런 식의 도입을 생각하며 설계한 AI 수요예측 솔루션입니다. 지금 쓰고 있는 ERP나 기존 계획 시스템은 그대로 두고, 예측과 판단이 필요한 업무만 딥플로우가 맡게 됩니다. 발주와 실행은 여전히 기존 시스템과 담당자가 처리하는 방식이죠. 품목 수요는 딥플로우 포어캐스트가, 원자재 가격 흐름은 딥플로우 머터리얼즈가 각각 예측합니다.

최근 리뉴얼된 딥플로우 포어캐스트는 이전처럼 예측값만 보여주는 데서 한 발 더 나아가, 그 결과를 실제 재고와 발주 판단으로 이어지게 만드는 데 초점을 맞췄습니다. 처음에 소규모로 도입하는 입장에서 주목할 만한 기능을 세 가지로 나누어 소개합니다.

이슈 발생이 예상되는 품목을 먼저 알려주는 요약 화면

품목이 수백 개를 넘는 경우, 모든 예측 그래프를 일일이 볼 수는 없습니다. 딥플로우 포어캐스트는 로그인하자마자 확인이 필요한 품목을 우선적으로 보여줍니다. 각 품목의 재고 상태를 정상, 부족, 과잉, 결품 등으로 나누어 보여주고, 전월이나 전년 동기와 비교해 수요 변화가 큰 품목은 자동으로 표시해줍니다.

재고 판단을 할 때는 품목별 리드타임까지 반영합니다. 예를 들어, 발주 후 판매까지 30일이 걸리는 품목이라면, 현재 재고가 앞으로 30일간의 예상 수요를 충족할 수 있는지 미리 확인할 수 있는 구조죠. 이렇게 고른 품목 그룹만 살펴봐도 어디서부터 손을 대면 좋을지 금방 감이 잡힙니다.

기존 방식과 비교하는 예측 지표와 대응 시나리오

소규모로 시작할 때 실무자나 결정권자가 가장 궁금해하는 점이 ‘기존보다 나아질까?’인데, 딥플로우 포어캐스트는 최근 3개월, 6개월 평균 등 현재 현장에서 쓰고 있는 방식과 AI 예측 결과의 오차를 품목별로 비교해 보여줍니다. 또, 과거 예측값과 실제 실적을 함께 보여줘서, 특정 품목에서 과대 또는 과소 예측이 반복되고 있는지 확인할 수 있습니다.

이런 비교는 적용 범위를 넓힐지 결정하는 근거가 됩니다. AI 예측이 잘 맞는 품목과, 기존 방식이 더 효율적인 품목을 구분해두면 다음에 어디에 우선 적용할지 데이터로 판단할 수 있습니다.

추가로, 재고 운영 방침에 따라 여러 대응 시나리오도 시뮬레이션해볼 수 있습니다. 예를 들어, AI 기본 예측값을 그대로 따를 때, 과잉재고를 줄이려고 수량을 낮췄을 때, 혹은 결품 방지를 우선해 수량을 높였을 때 결과가 어떻게 달라지는지 비교해보고, 이를 바탕으로 발주나 재고 조정 방향을 정할 수 있습니다. 최종 결정은 항상 담당자가 내리지만, 딥플로우는 그 판단을 시작하는 데 필요한 기초를 제공합니다.

AI 수요예측에 기반한 S&OP 연계

작은 규모로 수요예측을 시도해 자리를 잡았다면, 다음 과제는 부서 간 협의입니다. 딥플로우 포어캐스트는 영업팀의 판매 계획과 AI 예측치를 나란히 보여주고, 행사 일정 등 현장 정보를 추가해서 최종 수요 계획을 합의하는 S&OP 과정을 도와줍니다. 예를 들어, AI는 1만3천 개로 예측했지만 영업팀에서는 홈쇼핑 행사를 반영해 2만 개가 필요하다고 판단할 수 있습니다. 이때 두 예측치와 각각의 근거, 그리고 왜 최종적으로 특정 값을 선택했는지 결정 사유까지 시스템에 바로 기록할 수 있습니다.

또, 판매 실적이 예외적으로 달라진 이유도 남겨둘 수 있습니다. 예를 들어 결품 때문에 판매가 줄었는지, 일회성 프로모션으로 늘었는지 등 특이점을 기록해두면, 나중에 과거 실적을 해석할 때 참고가 되고, 장기적으로는 예측 모델 고도화에 쓸 학습 데이터로도 활용됩니다. 이렇게 기록이 쌓이다 보면, 담당자들은 AI 어시스턴트에게 바로 문의해서 필요한 자료를 쉽게 찾을 수 있습니다. 덕분에 부서별 엑셀 파일이나 이메일에 흩어져 있던 판단 근거들도 한 곳에 모일 수 있습니다.

검증된 기술과 무료 PoC

딥플로우가 사용하는 예측 기술은 오랜 기간 축적된 것입니다. 224개 이상의 예측 모델 중에서 각 품목별 특성에 가장 잘 맞는 것을 자동으로 골라 적용하며, 관련 특허만 80건 이상 보유하고 있습니다. 실제로 일동후디스 등의 회사에서는 딥플로우 도입 후 재고 리스크를 26% 이상 줄였다는 결과도 나왔습니다.

처음 시도해보는 기업을 위해 무료 PoC도 지원합니다. 별도 비용 없이, 데이터를 전달하고 나면 2주 이내에 품목별 예측 결과와 정확도, 예측 트렌드 등을 한눈에 볼 수 있는 리포트가 제공됩니다. PoC 결과는 검증용으로 제시되기 때문에 바로 실무에 적용하기엔 한계가 있지만, 우리 회사 데이터로 예측이 얼마나 통하는지, 어떤 품목부터 도입하면 좋을지 판단하는 데 좋은 자료로 활용할 수 있습니다.

‍

AI 수요예측, 첫 품목군을 고르는 질문

도입 첫 단추를 꿸 때는 세 가지 질문을 해보시면 도움이 됩니다. 먼저, 지난 1년 동안 손실이 가장 크게 느껴진 품목군이 어디인지 떠올려보세요. 두 번째로, 그 품목군의 월별 판매 이력이 24개월 이상 쌓여 있는지를 점검합니다. 마지막으로, 예측 결과가 잘 나오면 바로 활용할 담당자가 있는지도 중요합니다. 이 세 가지에 모두 해당하는 품목군이 있다면, 그곳이 곧 출발점이 될 수 있습니다.

만약 회사 전체의 계획 체계를 전면 개편하는 상황이라면, 통합 플랫폼 도입부터 고려해야 할 수도 있습니다. 이럴 때는 SAP IBP, 딥플로우 등 AI 수요예측 솔루션을 비교할 때 필요한 네 가지 기준도 미리 정리해 두었으니, 참고해보시면 좋겠습니다.

큰 결정을 내리기 전, 우리 회사 데이터로 어떤 결과가 나오는지 무료 PoC를 통해 먼저 확인해보는 것도 좋은 시작이 될 수 있습니다.

‍