.svg)
.svg)
%202.svg)
%201.svg){kind=icon}
수요예측은 정확한 숫자를 얻는 것만으로 끝나지 않습니다. 예측한 수요를 바탕으로 어떤 품목을 먼저 확인해야 하는지, 현재 재고가 충분한지, 발주량을 조정해야 하는지까지 판단할 수 있어야 실제 업무에 활용할 수 있습니다.
임팩티브AI는 이러한 현장의 업무 흐름을 반영해 딥플로우 포어캐스트(Deepflow Forecast)를 새롭게 개편했습니다.
이번 업데이트에서는 단순히 수요예측 결과를 조회하는 것을 넘어, 수요 변화와 재고 리스크를 한눈에 확인하고 예측 결과를 검토·보정해 실제 의사결정으로 이어갈 수 있도록 주요 기능과 화면을 전면적으로 개선했습니다. 새로워진 딥플로우 포어캐스트의 주요 기능을 소개합니다.
수백 개, 수천 개의 SKU를 관리하는 실무자가 모든 품목의 예측그래프를 하나씩 확인하기는 어렵습니다.
새로운 딥플로우 포어캐스트에서는 사용자가 화면에 접속했을 때 가장 먼저 현재 확인이 필요한 SKU와 주요 상태를 확인할 수 있도록 화면 구조를 개편했습니다.
재고 상태에 따라 정상·부족·과잉·결품 등을 구분하고, 급격한 수요 변화가 발생한 품목도 함께 표시합니다. 따라서 전체 SKU를 일일이 살펴보지 않더라도 "지금 어떤 제품에 문제가 발생할 가능성이 있는가?"를 먼저 확인하고 필요한 품목부터 상세하게 살펴볼 수 있습니다.
재고가 1만 개 있다는 사실만으로는 현재 재고가 충분한지 판단하기 어렵습니다.
중요한 것은 앞으로 예상되는 수요를 기준으로 현재 재고가 얼마나 안정적으로 유지될 수 있는가입니다. 이제 딥플로우에서 현재 재고와 향후 수요예측 결과를 함께 활용해 재고 커버리지 수준을 확인할 수 있습니다.
특히 품목별 리드타임을 반영해 부족·과잉 기준을 설정할 수 있습니다.
예를 들어 제품을 발주한 뒤 실제 판매 가능한 상태가 되기까지 30일이 필요한 경우, 현재 재고가 향후 30일의 예상 수요를 감당하지 못한다면 해당 품목을 부족 상태로 판단할 수 있습니다. 단순한 재고 수량이 아니라 실제 공급에 필요한 시간과 미래 수요를 함께 고려한 재고 판단이 가능해진 것입니다.
예상하지 못한 수요 변화는 곧 재고 리스크로 이어집니다. 갑작스럽게 판매량이 증가했는데 이를 늦게 발견하면 결품으로 판매 기회를 놓칠 수 있고, 반대로 판매가 급감하면 과잉재고가 발생할 가능성이 높아집니다.
새로운 딥플로우 포어캐스트에서는 전월 및 전년 동기 등의 데이터를 기준으로 평소보다 크게 변화한 수요를 자동으로 식별합니다.
사용자는 급등·급락이 발생한 SKU를 빠르게 확인하고, 해당 변화가 일시적인 현상인지 추가 대응이 필요한 상황인지 검토할 수 있습니다.
이번 딥플로우 포어캐스트에는 예측 편향과 기존 방식 대비 AI 예측 성능을 비교할 수 있는 지표가 추가됐습니다.
과거 일정 기간의 AI 예측값과 실제 실적을 비교해 해당 SKU에서 AI가 반복적으로 과대예측 또는 과소예측하는 경향이 있는지 확인할 수 있습니다. 예를 들어 최근 12개월 동안 실제 수요보다 높은 값을 지속적으로 예측했다면, 다음 발주나 재고 판단에서 이러한 편향을 함께 고려할 수 있습니다.
또한 최근 3개월·6개월 평균 등 기존에 실무에서 활용해온 방식과 AI 예측의 오차를 비교해, 해당 품목에서는 어떤 방식이 더 좋은 성과를 내고 있는지 한눈에 확인할 수 있습니다.
이를 통해 단순히 AI 예측값을 그대로 받아들이는 것이 아니라, 예측의 경향과 기존 방식 대비 성능을 함께 검토해 보다 합리적인 의사결정을 내릴 수 있습니다.
SKU 상세 화면도 달라졌습니다. 과거 실제 출고 실적과 당시 예측했던 값뿐만 아니라 현재 재고와 향후 예상 재고 커버리지까지 하나의 흐름으로 확인할 수 있습니다. 예측값만 별도로 확인하는 것이 아니라, 수요 변동과 실제 판매량, 재고 변화까지 함께 볼 수 있도록 구성했습니다.
또한 기존에 세웠던 판매계획과 실제 출고를 비교해, 현재의 예측 수준의 적정성을 직관적으로 판단해볼 수 있습니다. 이제 예측 결과가 실제 재고 운영에 어떤 영향을 미치는지 보다 직관적으로 확인하세요.
실제 판매 데이터에는 AI가 숫자만 보고는 알 수 없는 상황이 존재합니다. 판매량이 크게 감소했더라도 실제 시장 수요가 줄어든 것이 아니라 결품으로 제품을 판매하지 못한 것일 수 있습니다. 반대로 인플루언서 노출이나 일회성 프로모션으로 특정 기간의 수요만 갑자기 증가할 수도 있습니다.
딥플로우 포어캐스트에서는 이러한 비정상적인 실적 변화를 확인하고 실제 발생 원인을 기록할 수 있도록 이상 실적 관리 기능을 추가했습니다.
예를 들어 결품으로 인한 판매 감소, 프로모션에 따른 일시적인 판매 증가, 공장 이전 또는 생산 이슈, 일회성 외부 이벤트 등의 원인을 이력으로 남길 수 있습니다.
축적된 이력은 향후 과거 상황을 파악하는 자료로 활용될 뿐 아니라, 장기적으로는 보다 양질의 학습 데이터를 확보해 예측 모델을 고도화하는 기반이 됩니다.
기업마다 재고 운영 전략은 다릅니다. 재고 비용을 최소화하는 것이 중요한 기업이 있는 반면, 일부 산업에서는 재고가 조금 남더라도 결품을 방지하는 것이 더욱 중요할 수 있습니다.
딥플로우 포어캐스트는 하나의 AI 예측값만 제시하는 것이 아니라 과거 예측 오차와 편향을 바탕으로 의사결정에 참고할 수 있는 여러 시나리오를 제공합니다.
대응 시나리오를 통해 AI 기본 예측값을 기준으로 하는 경우, 과잉재고를 줄이는 방향으로 보수적으로 판단하는 경우, 결품 방지를 우선해 수량을 높여 판단하는 경우 등을 비교할 수 있습니다.
AI가 하나의 정답을 결정하는 것이 아니라 실무자가 더 나은 출발점에서 의사결정을 내릴 수 있도록 기준을 제공하는 것이 핵심입니다.
딥플로우 포어캐스트는 AI가 만든 수요예측 결과를 영업·SCM 등 각 부서가 함께 검토하고, 최종 수요 계획을 합의하는 S&OP 프로세스까지 하나로 연결합니다.
먼저 영업팀의 판매계획과 AI 예측값을 비교해 실제 수요에 보다 가까운 생산·발주 수량을 결정할 수 있습니다. 이를 통해 과잉재고와 결품 리스크를 줄이고, 기업의 이익률 향상에 기여할 수 있습니다.
그동안 부서별 엑셀과 이메일에 흩어져 사라지던 주요 안건과 결정 내역을 하나의 통합 S&OP 시스템에서 관리할 수 있습니다. 부서 간 데이터 취합이 편리해지고, 데이터와 의사결정 이력을 체계적으로 관리해 기업의 자산으로 축적합니다. 예를 들어 AI가 특정 제품의 향후 수요를 13,000개로 예측했지만, 영업팀은 예정된 홈쇼핑 행사 등을 근거로 20,000개의 판매를 예상할 수 있습니다. 이때 각 수치와 근거를 함께 기록하고, S&OP 과정에서 비교·검토한 뒤 최종 결정과 그 사유를 시스템에 남기는 방식입니다.
이렇게 딥플로우 S&OP에 축적된 최종 의사결정과 데이터는 수요예측 모델과 AI 에이전트에 활용되어, 모델 및 AI 워크플로우 고도화로 이어집니다.
딥플로우는 예측 결과뿐 아니라 이상 실적의 원인, 과거 이슈와 의사결정 이력 등 업무 과정에서 발생하는 데이터를 지속적으로 축적하는 방향으로 고도화되고 있습니다.
AI 어시스턴트는 이러한 데이터를 쉽게 조회하고 분석할 수 있도록 지원합니다. 사용자는 과거 특정 시점에 어떤 이슈가 있었는지, 수요 변화의 원인은 무엇이었는지 등을 직접 찾아보지 않고 AI에게 질문해 필요한 정보를 빠르게 확인할 수 있습니다.
딥플로우는 단순히 예측값을 보여주는 것을 넘어, 기업에 축적된 수요·재고·업무 데이터를 AI와 함께 활용할 수 있는 환경으로 확장되고 있습니다.
딥플로우 포어캐스트가 지향하는 것은 단순히 더 많은 그래프와 지표를 제공하는 것이 아닙니다. 담당자가 예측부터 리스크 확인, S&OP 회의와 의사결정까지 하나의 흐름 안에서 수행하면서 지속적으로 의사결정을 개선하도록 하는 것이 핵심입니다.
앞으로도 딥플로우는 현장의 업무 흐름과 고객 피드백을 바탕으로, AI 예측이 실제 비즈니스 의사결정으로 자연스럽게 이어질 수 있도록 지속적으로 고도화해 나가겠습니다.
.svg)
"
"
.svg)
%201.svg){kind=icon}
%202.svg){kind=icon}
