패션 수요예측, 빨라진 트렌드를 따라잡는 법

패션 산업의 트렌드 주기가 20년에서 2주로 압축되는 동안, 대부분의 기업이 사용하는 수요예측 방식은 여전히 시즌 단위에 머물러 있습니다. 글로벌 의류 산업이 매년 만들어내는 미판매 재고는 약 25억-50억 점, 잠재 매출액으로 환산하면 약 700억-1,400억 달러에 이릅니다. 트렌드의 속도와 예측의 속도 사이의 격차가 벌어질수록, 이 재고의 규모는 더 커질 수밖에 없습니다.

이 글에서는 트렌드 주기 단축이 초도 발주와 시즌 운영에 어떤 구조적 변화를 일으키는지 살펴보고, 이 환경에서 AI 수요예측이 실무자의 의사결정을 어떻게 바꿀 수 있는지를 정리합니다.

‍

트렌드 주기 단축이 초도 발주를 어렵게 만드는 이유

패션 상품은 판매 기간이 길지 않습니다. 신상품 효과가 있는 초반에는 조회수와 구매 전환이 빠르게 나타나지만, 시간이 지나면 판매 속도가 둔화되는 경우가 많습니다. 그래서 초도 발주량은 시즌 전체 손익을 좌우하는 중요한 결정입니다.

초도 물량이 실제 수요보다 많으면 시즌 후반에 재고 부담이 커집니다. 인기 색상과 사이즈는 이미 빠졌는데, 특정 옵션만 남아 할인 압박을 만드는 상황도 생깁니다. 할인은 재고를 줄이는 수단이지만, 동시에 브랜드의 가격 신뢰도와 매출총이익률에 영향을 줄 수 있습니다.

반대로 초도 물량이 너무 적으면 가장 잘 팔리는 시점에 품절이 발생합니다. 패션 상품은 타이밍이 중요하기 때문에 품절 후 재입고가 늦어지면 소비자는 대체 상품으로 이동합니다. 이때 놓친 수요는 시즌 말에 같은 가격으로 회복되기 어렵습니다.

초고속 공급망을 갖춘 일부 글로벌 패션 기업은 소량으로 반응을 확인하고, 좋은 반응이 보이는 상품을 빠르게 확대하는 방식으로 예측 실패 비용을 낮춰 왔습니다. 그러나 대부분의 패션·뷰티 기업이 같은 수준의 생산 리드타임과 물류 구조를 갖추기는 어렵습니다. 현실적인 출발점은 공급망 전체를 단번에 바꾸는 것이 아니라, 현재 리드타임 안에서 더 나은 수요 판단 구조를 만드는 일입니다.

위 비교에서 중요한 점도 특정 기업의 속도를 그대로 따라 하는 것이 아닙니다. 현재 리드타임 안에서 초도 물량의 근거를 더 정교하게 잡고, 시즌 초반 데이터를 빠르게 해석해 재발주·재배분·마크다운 검토로 연결하는 구조를 만드는 것이 현실적인 출발점입니다.

‍

트렌드의 출발점이 분산되면서 달라진 것

트렌드는 더 이상 한 방향에서 내려오지 않습니다. 특정 셀럽의 착용 컷, 브랜드 룩북, 해외 플랫폼의 검색량, 국내 커뮤니티의 후기, 숏폼 콘텐츠의 반복 노출이 서로 얽혀 움직입니다. 패션 수요예측이 어려운 이유는 바로 이 신호들이 판매보다 먼저, 그리고 불규칙하게 나타난다는 점입니다.

2026년 공개된 〈악마는 프라다를 입는다 2〉가 디지털 미디어 시대의 패션 매체 변화를 다시 소환한 것처럼, 패션 트렌드의 출발점도 런웨이와 매거진 바깥으로 넓어졌습니다. 과거에는 파리·밀라노·뉴욕의 컬렉션이 한 시즌의 방향을 결정했다면, 이제는 특정 인플루언서의 숏폼 콘텐츠 한 편이 며칠 만에 수요 곡선을 흔듭니다.

실무에서는 모든 신호를 다 같은 무게로 볼 수 없습니다. 콘텐츠 반응은 높지만 실제 구매로 이어지지 않는 아이템이 있고, 검색량은 낮아도 특정 고객군에서 꾸준히 전환되는 아이템이 있습니다. 그래서 예측에는 내부 판매 데이터와 외부 트렌드 신호를 함께 보되, 각 신호가 매출과 재고에 어떤 방식으로 연결되는지 검토하는 과정이 필요합니다.

패션·뷰티 기업의 MD와 상품기획자는 이미 이런 판단을 경험적으로 해왔습니다. 문제는 그 판단이 개인의 기억과 감각에 남아 있으면 조직 전체의 기준으로 확장되기 어렵다는 데 있습니다. 특정 담당자가 바뀌거나 브랜드 라인이 늘어나면 같은 기준을 유지하기가 힘들어집니다.

데이터 기반 예측은 감을 없애는 일이 아닙니다. 오히려 감의 출발점에 데이터를 깔아주는 일에 가깝습니다. 경험이 좋은 질문을 만들고, 데이터가 그 질문을 더 넓은 범위에서 검토하도록 돕는 구조가 필요합니다.

‍

초도 발주가 시즌 전체 손익을 결정하는 이유

패션 상품의 라이프사이클은 비대칭적입니다. 시즌 초반에는 신상품 효과와 초기 수요가 집중되지만, 시간이 지날수록 판매 속도는 빠르게 둔화됩니다. 이때 초도 발주량이 실제 수요보다 많으면 시즌 말 재고 부담과 마크다운으로 이어지고, 반대로 적으면 가장 잘 팔리는 시점에 품절이 발생합니다. 두 경우 모두 매출 기회와 영업이익에 직접적인 영향을 미칩니다.

특히 마크다운은 최근 패션·리테일 기업의 수익성을 설명할 때 더 중요하게 다뤄지는 지표가 되고 있습니다. Nike는 2025 회계연도 실적에서 높은 할인, 채널 믹스 변화, 재고 진부화 관련 비용 등을 매출총이익률 하락 요인으로 언급했습니다. 연간 매출총이익률은 42.7%로 전년 대비 190bp 하락했고, 순이익은 전년 대비 44% 감소했습니다.

이 구조에서 초도 발주량의 정확도는 단순한 운영 효율의 문제가 아닙니다. 수요를 과대 예측하면 할인 판매와 재고 비용이 커지고, 과소 예측하면 정상가로 판매할 수 있는 핵심 시점의 매출을 놓치게 됩니다. 따라서 초도 발주는 단순한 물량 결정이 아니라, 그 시즌의 마진 구조를 좌우하는 전략적 의사결정입니다. 예측의 정밀도를 높이는 일은 마크다운 리스크를 줄이고, 정상가 판매 기회를 지키는 핵심 수단이 됩니다.

시즌 초반 데이터가 말해주는 것은?

패션 수요예측에서 시즌 초반 데이터는 단순한 판매 집계가 아닙니다. 고객이 어떤 속성에 반응하는지 보여주는 초기 신호입니다. 같은 카디건이라도 기장, 소재, 컬러, 핏, 가격대, 착용 이미지에 따라 판매 곡선이 전혀 다르게 나타납니다.

중요한 것은 첫 판매량만 보는 것이 아닙니다. 조회 대비 구매 전환, 장바구니 담김, 옵션별 품절 속도, 반품률, 채널별 반응, 매장별 판매 편차를 함께 봐야 합니다. 초반 판매가 높더라도 반품률이 높으면 실제 수요는 다르게 해석해야 합니다.

또한 신상품은 과거 판매 이력이 부족합니다. 전년도 동일 SKU가 없기 때문에 단순한 전년 대비 방식으로는 판단하기 어렵습니다. 이때 필요한 것은 신상품을 비슷한 속성을 가진 과거 상품과 연결하고, 판매 기간이 서로 다른 상품을 비교 가능한 구조로 바꾸는 작업입니다.

예를 들어 어떤 원피스가 출시 10일 만에 높은 반응을 보였다고 해서 곧바로 대량 생산 결정을 내리기는 어렵습니다. 과거의 유사한 소재, 실루엣, 가격대 상품이 초반 이후 어떤 속도로 둔화되었는지 함께 봐야 합니다. 그래야 현재 반응이 짧은 노출 효과인지, 실제 시즌 수요로 이어질 가능성이 높은지 구분할 수 있습니다.

‍

패션업계가 주목해야 하는 '수요예측', 왜일까?

예측 정확도만으로는 부족한 이유

수요예측 프로젝트에서 가장 먼저 떠오르는 지표는 정확도입니다. 물론 정확도는 중요합니다. 하지만 패션 산업에서는 예측값이 실제 업무 흐름에 연결되지 않으면 정확도만으로 충분하지 않습니다.

MD가 알고 싶은 것은 단일 숫자보다 다음 행동입니다. 이 SKU는 리오더 검토 대상인지, 특정 매장에 재고가 과하게 몰려 있는지, 어떤 컬러는 소진 속도가 빠른지, 어떤 상품은 마크다운 검토 시점을 앞당겨야 하는지 판단해야 합니다. 예측은 이 질문들에 답할 때 실무적인 가치가 생깁니다.

예측값이 발주 검토, 생산계획 회의, 매장별 재고 점검, 채널별 판매 전략, 시즌 중간 리뷰와 연결되어야 합니다. 그렇지 않으면 예측 모델은 보고서 안에서만 좋은 숫자로 남습니다. 실무자는 결국 다시 여러 파일을 열어 판매량, 재고, 입고 예정, 행사 계획을 따로 맞춰 봐야 합니다.

McKinsey는 리테일 공급망에서 사일로를 허물고 재고를 채널 간 최적 배분할 경우, 마크다운 발생 가능성을 약 10~15% 낮출 수 있다고 분석했습니다. 이는 단순히 예측 모델의 성능을 높이는 문제가 아니라, 예측 결과를 기반으로 재고를 어디에 배치할지, 어떤 주문을 어떤 재고로 이행할지, 언제 가격 정책을 조정할지까지 연결하는 실행 구조의 문제입니다.

따라서 핵심은 예측 정확도 자체를 넘어선 운영 구조입니다. 어떤 데이터가 들어오고, 어떤 기준으로 수요 범위를 판단하며, 어떤 시점에 어떤 부서가 같은 화면을 보고 의사결정을 하는지 정해야 합니다. 패션 수요예측의 성과는 이 흐름이 얼마나 자연스럽게 이어지는지에 따라 달라집니다.

실무 판단을 바꾸는 AI 수요예측

AI 수요예측은 패션 실무자의 판단을 대체하기보다 판단의 기준점을 넓혀줍니다. 사람이 모든 SKU의 속성, 채널, 판매 구간, 재고 흐름을 동시에 기억하기는 어렵습니다. 모델은 이 복잡한 조합을 일정한 기준으로 비교하고, 담당자가 먼저 봐야 할 변화를 드러내는 데 강점이 있습니다.

신상품 발주에서는 유사 상품 매칭이 중요합니다. 과거 상품 중 소재, 카테고리, 가격대, 핏, 시즌성, 채널 반응이 비슷한 사례를 찾으면 초기 수요 범위를 더 구체적으로 추정할 수 있습니다. 완전히 새로운 디자인처럼 보이는 상품도 실무적으로는 비교 가능한 속성을 갖고 있는 경우가 많습니다.

시즌 운영에서는 판매 기간을 표준화해 보는 관점이 유용합니다. 어떤 상품은 2주 만에 대부분의 수요가 발생하고, 어떤 상품은 천천히 팔리며 긴 꼬리를 만듭니다. 출시일과 판매 기간이 다른 상품을 같은 달력 날짜로만 비교하면 이런 차이가 흐려집니다.

AI 모델은 상품별 판매 구간을 비교 가능한 구조로 바꾸고, 초반 반응 이후의 소진 가능성을 추정하는 데 도움을 줄 수 있습니다. 다만 모델이 모든 변수를 완벽하게 설명한다고 보기는 어렵습니다. 갑작스러운 날씨 변화, 콘텐츠 이슈, 경쟁사의 대형 행사, 생산 지연처럼 데이터에 늦게 반영되는 요인은 실무 검토가 함께 필요합니다.

‍

Deepflow를 도입하면 무엇이 달라지는가

신상품 발주에서 "감"의 비중이 줄어듭니다

패션 기업의 MD 담당자가 신상품 초도 발주량을 결정하는 과정은 대체로 이렇습니다. 지난 시즌 유사 상품의 판매 실적을 엑셀에서 찾아보고, 올해 트렌드 감각을 반영하고, 영업팀의 피드백을 조율해서 숫자를 정합니다. SKU가 수백 개를 넘어가면 이 과정 자체가 수 일에서 수 주가 걸리고, 그 판단의 근거를 누군가에게 설명하기도 어렵습니다.

딥플로우의 신제품 수요예측(NPD Forecasting)은 이 문제에 대해 데이터 기반의 출발점을 제공합니다. 신상품의 속성 정보를 기반으로 과거 유사 상품을 정량적으로 매칭하고, 제품마다 다른 판매 기간을 표준화된 구간 구조로 변환하여 초기 수요 범위를 추정합니다. MD 담당자가 하는 일은 이 추정값을 출발점으로 삼아 자신의 시장 감각으로 보정하는 것입니다. "감"이 사라지는 것이 아니라, 감의 출발점에 데이터가 깔리는 것입니다.

실제로 글로벌 라이프스타일 콘텐츠 기업 W사는 동일 상품의 과거 판매 이력이 없는 신제품을 대상으로 딥플로우와 블라인드 테스트를 진행했고, 주요 판매 구간에서 정확도 87~94%를 달성했습니다. 유사 상품 매칭, 판매 구간 표준화, 후처리 보정까지 신제품 수요예측의 구체적인 접근 방식과 검증 결과는 W사 신제품 수요예측 사례에서 확인할 수 있습니다.

시즌 중간에 "지금 뭘 해야 하는지"가 명확해집니다

초도 발주 이후가 오히려 더 중요한 구간입니다. 시즌 초반 2~4주의 실제 판매 데이터가 쌓이기 시작하면, 어떤 SKU를 재발주하고, 어떤 SKU의 매장 간 재배분이 필요하고, 어떤 SKU는 마크다운 시점을 앞당겨야 하는지를 빠르게 판단해야 합니다. 하지만 SKU가 수백, 수천 개인 환경에서 매주 이 판단을 수작업으로 내리는 것은 현실적으로 어렵습니다.

딥플로우의 BI 대시보드는 각 SKU의 재고 소진일수를 자동으로 산출하고, 재고 부족·과잉이 예상되는 SKU를 시각적으로 표시합니다. 실무자 입장에서 달라지는 점은, 매주 수백 개 SKU의 데이터를 직접 조회하고 해석하는 시간이 줄어들고, 대신 "이번 주에 의사결정이 필요한 SKU"에 바로 집중할 수 있게 된다는 것입니다. LLM 기반 분석 리포트가 각 SKU의 변동 원인과 부서별 권장 액션을 함께 정리하기 때문에, 보고서 작성에 쏟던 시간을 전략적 판단에 쓸 수 있습니다.

예측이 "한 사람의 판단"에서 "조직의 기준"이 됩니다

패션·뷰티 기업에서 수요예측은 종종 특정 담당자의 역량에 크게 의존합니다. 시즌을 여러 차례 경험한 베테랑 MD가 "이 소재는 작년 이맘때 반응이 좋았다", "이 가격대는 초반에 빠지고 중반에 올라온다"는 감각으로 숫자를 잡고, 그 판단이 팀 전체의 발주 기준이 되는 구조입니다. 이 방식은 해당 담당자가 있는 한 잘 작동하지만, 담당자가 이동하거나 퇴사하면 그간의 경험과 판단 기준도 함께 사라질 수 있습니다.

또 하나의 현실적인 어려움은, 시즌이 바뀔 때마다 비슷한 분석을 처음부터 다시 수행해야 한다는 점입니다. 지난 시즌 어떤 SKU에서 예측이 빗나갔고, 그 원인이 무엇이었는지, 어떤 변수를 더 반영했어야 했는지가 체계적으로 남아 있지 않으면, 같은 시행착오가 반복될 가능성이 있습니다.

딥플로우와 같은 AI 수요예측 플랫폼을 도입한다는 것은, 이러한 예측 역량을 개인이 아닌 조직의 자산으로 전환한다는 의미이기도 합니다. 매 시즌의 판매 데이터와 외부 변수가 모델에 누적되면서 예측의 기준선이 점차 정교해지고, 담당자가 바뀌더라도 조직이 쌓아온 예측 구조는 유지됩니다. 결국 수요예측이 "잘하는 사람이 있을 때 되는 일"이 아니라 "조직이 시즌마다 개선해 나가는 시스템"으로 자리 잡는 것이, 트렌드 주기가 갈수록 빨라지는 패션·뷰티 산업에서 가장 근본적인 대응 방식입니다.

‍

트렌드의 속도를 이기는 것이 아니라, 대응 구조를 바꾸는 것

패션 산업의 트렌드 주기가 다시 느려질 가능성은 거의 없습니다. 숏폼 콘텐츠, 인플루언서 문화, 소비자의 즉각적 반응이 만들어내는 가속은 앞으로도 계속 일어나게 될 구조적 현상입니다 이 환경에서 모든 트렌드를 미리 정확하게 예측하겠다는 목표는 현실적이지 않습니다.

더 현실적인 목표는, 예측이 틀렸을 때의 비용을 구조적으로 줄이는 것입니다. 소량 초도 발주로 첫 실패의 규모를 줄이고, 시즌 초반 실제 데이터를 빠르게 반영해 재발주를 보정하고, 시즌 중반에 재고 리스크를 조기에 감지하는 구조를 갖추는 것입니다. AI 수요예측은 이 구조의 각 단계에서 의사결정의 속도와 근거를 제공하는 역할을 합니다.

자사의 공급망 속도, SKU 구조, 시즌별 발주 패턴을 점검한 뒤, 변동성이 크고 영향력이 높은 SKU 그룹부터 단계적으로 AI 수요예측을 도입하는 접근이 안정적인 성과로 이어집니다. 패션 수요예측의 전체적인 과제와 대응 전략은 패션·뷰티 수요예측 가이드에서 더 자세히 확인할 수 있습니다.