유통기한이 짧은 신선식품 재고 관리의 핵심은?

냉장 진열대 위에 놓인 샐러드 한 팩의 유통기한은 하루이틀에 불과합니다. 오늘 팔리지 않으면 내일은 폐기 처리 대상이 됩니다. 이처럼 시간이라는 제약 조건 앞에서 신선식품 재고 관리는 유통 산업에서 가장 까다로운 과제로 꼽힙니다. 전 세계적으로 생산된 식품의 약 30~40%가 소비자에게 도달하지 못한 채 폐기되고 있으며, 그 경제적 손실 규모는 매우 큽니다.

미국 시장에서만 연간 약 3,820억 달러의 식품 관련 경제적 손실이 발생하고, 소매 유통 단계에서의 직접 손실액만 약 1,610억 달러에 이릅니다. 한국도 예외가 아닙니다. 농촌경제연구원(KREI) 분석에 따르면 국내 농식품 폐기량은 최근 5년간 15.8% 증가했고, 이로 인한 연간 경제적 비용은 약 20조 원에 달합니다. 이 손실의 상당 부분이 신선식품 카테고리에서 발생한다는 점은 문제의 심각성을 더해 줍니다.

그렇다면 왜 이토록 많은 식품이 폐기되는 것일까요? 근본적인 원인 중 하나는 수요 예측의 부정확성에 있습니다. 내일 얼마나 팔릴지 정확히 알 수 있다면 딱 그만큼만 발주하면 됩니다. 하지만 현실에서 '내일의 수요'를 정확하게 읽어내는 일은 결코 단순하지 않습니다. 계절의 변화, 갑작스러운 기상 이변, 프로모션, 명절 연휴, 경쟁사의 가격 정책까지 수많은 변수가 복합적으로 얽혀 있기 때문입니다. 바로 이 지점에서 AI 기반 수요 예측 시스템의 필요성이 대두됩니다.

‍

기존 수요 예측 방식이 신선식품 관리에서 한계를 보이는 이유

오랫동안 유통업계에서 수요 예측의 주류는 ARIMA(자기회귀누적이동평균)나 지수평활법 같은 전통 통계 모델이었습니다. 이 모델들은 과거 판매 데이터의 추세와 반복 패턴을 분석해 미래를 예측하는 방식으로, 비교적 안정적인 수요 패턴을 보이는 상품에서는 합리적인 성능을 보여 왔습니다.

그러나 신선식품 이야기는 조금 다릅니다. 폭염이 찾아오면 수박이나 음료처럼 시원한 품목의 수요가 갑자기 늘고, 반대로 갑작스러운 폭우가 내리면 야채 판매가 뚝 떨어집니다. 또, 주말에 바비큐를 하려던 사람들은 기상 예보 한 줄에 따라 구매 계획을 확 바꾸기도 하죠.

물론 ARIMAX처럼 외부 변수를 반영하는 확장 모델도 있긴 합니다. 하지만 기존의 전통 통계 모델은 기온, 날씨, 각종 행사처럼 다양한 외부 변수들을 한 번에 제대로 학습하기 어렵고, 이런 변수들에 비선형적으로 반응해야 하는 신선식품의 특성에도 잘 맞지 않습니다. 그래서 갑작스럽게 수요가 크게 변해도 적시에 대응하기 힘들고, 그 결과 품절과 재고 과잉이 반복될 수밖에 없습니다.

특히 신선식품은 냉동식품이나 가공식품과 달리 남은 재고를 다음 주로 넘기기가 쉽지 않습니다. 예측에 조금만 오차가 생겨도 비용 부담이 훨씬 커질 수밖에 없는 구조죠. 예를 들어, 냉동 만두는 이번 주에 다 팔지 못해도 다음 주에 다시 팔 수 있지만, 신선 샐러드는 며칠만 지나도 판매가 어렵습니다. 그래서 신선식품 분야에서는 예측 정확도가 조금만 낮아도 바로 큰 손실로 이어지는 경우가 생깁니다.

‍

AI 수요 예측 기술이 신선식품 관리의 판도를 바꾸는 방법

최신 AI와 머신러닝 알고리즘은 외부 변수와 비선형적 관계까지 파악하여 기존 한계를 뛰어넘고 있습니다.

• XGBoost, LightGBM 등 트리 기반의 머신러닝: 날씨, 요일, 행사 등 다양한 외부 데이터와 복잡한 상호작용을 계산해 기온에 따른 음료 수요 변화 같은 비선형 패턴을 효과적으로 예측합니다.
• LSTM, DeepAR 등 시계열 딥러닝: 시계열 데이터에서 추석 시즌 한우 수요 증가와 같은 장기적이고 반복적인 경향을 학습해 예측에 반영합니다.
• PatchTST, TST 등 트랜스포머: 여러 상품군 간의 상관관계를 함께 학습하여 연관 수요를 반영한 예측이 가능하며, 신제품도 유사 상품 데이터를 활용해 초기 수요 예측 정확도를 높일 수 있습니다.

성능 비교로 확인하는 AI의 차이

틸뷔르흐 대학교(Tilburg University)의 연구 결과는 이러한 기술적 우위를 구체적인 수치로 보여줍니다. 다음 표는 국가 단위와 점포 단위에서 전통 시계열 모델과 범용적인 머신러닝 모델의 예측 정확도를 비교한 것입니다.

주목할 점은 외부 변수를 통합했을 때 XGBoost의 RMSE가 0.13에서 0.09로 개선된 부분입니다. 이는 신선식품 수요 예측에서 날씨, 요일 같은 맥락 데이터가 얼마나 중요한 역할을 하는지를 보여주는 수치입니다.

‍

신선식품 수요를 좌우하는 '맥락 데이터'의 힘

AI 수요 예측이 기존 방식보다 뛰어난 핵심 이유 중 하나는 바로 맥락 데이터를 활용할 수 있다는 점입니다. 과거 판매 숫자만 보는 것이 아니라, 그 숫자가 왜 그렇게 나왔는지를 설명하는 외부 요인들을 함께 분석합니다.

기상 변수와 비대칭적 리스크

기온이 1도 오를 때 아이스크림과 냉면 수요는 눈에 띄게 증가하지만, 반대로 폭우가 내리는 날 야외 활동용 식재료 수요는 급감합니다. 앞서 언급한 것처럼 신선식품은 재고 이월이 불가능하기 때문에, 기상 예측이 빗나갈 경우의 리스크가 특히 큽니다. 주말용으로 준비한 신선육이 날씨 변화로 판매되지 못하면 그대로 폐기 손실로 이어집니다. AI 시스템은 기상청 데이터와 실시간으로 연동해 이런 시나리오별 재고 조절 방안을 자동으로 제시합니다.

명절과 이동 축제의 영향

추석이나 설날 같은 명절 시즌은 신선식품 수요 변동폭이 가장 큰 시기입니다. 특히 해마다 날짜가 달라지는 이동 축제의 경우, 단순히 작년 동기 대비 비교만으로는 정확한 예측이 어렵습니다. 명절이 금요일에 있는 해와 일요일에 있는 해의 소비 패턴은 크게 다르기 때문입니다. 고도화된 AI 시스템은 이런 요일 효과를 학습하고, 도심형 매장과 주거형 매장의 수요 차이까지 반영해 점포 유형별로 최적화된 발주량을 산출합니다.

프로모션과 자기잠식 효과

유통업체가 특정 상품에 대해 할인 행사를 진행하면 해당 상품의 판매량은 늘어납니다. 하지만 동시에 유사한 가격대의 다른 상품 수요는 줄어드는 자기잠식(Cannibalization) 현상이 발생하고, 연관 상품의 동반 수요는 올라갑니다. 예를 들어 삼겹살을 할인하면 쌈채소의 수요가 함께 증가하는 식입니다. AI 예측 모델은 이런 카테고리 내 인과관계를 학습해 전체 카테고리의 수익성을 극대화하는 방향으로 발주량을 조정합니다.

유통업계가 주목해야 할 ‘자기잠식 효과’에 대해 더 궁금하시다면, 아래의 글을 참고해 보시기 바랍니다.

👉🏻 유통업계가 몰랐던 카니발라이제이션 효과와 AI 해결책
👉🏻 유통업계 자기잠식효과, AI를 활용해 극복하기

‍

AI 수요 예측으로 성과를 거둔 글로벌 사례

Amazon Forecast와 More Retail Ltd의 협업

인도의 대형 식료품 체인인 More Retail Ltd(MRL)는 수만 개 상품을 매출 기여도와 예측 난이도에 따라 분류한 뒤, 특히 매출 비중은 높지만 수요 변동이 심해 예측이 어려운 상품군에 집중적으로 AI를 적용했습니다. Amazon Forecast의 DeepAR+ 알고리즘을 도입한 결과, 수요 예측 정확도가 24%에서 76%로 향상되었고, 신선식품 폐기율은 30% 감소했으며, 재고 가용성은 80%에서 90%로 높아졌습니다. 총이익은 25% 증가하는 성과를 거뒀습니다.

이 과정에서 MRL이 적용한 기법들도 주목할 만합니다. 품절로 인해 판매량이 0이 된 날을 단순히 '수요가 없는 날'로 인식하지 않도록 별도의 플래그를 설정했고, 시스템이 평균치 하나가 아닌 확률 구간별 예측치를 제공하도록 설계해 매장 상황에 따라 발주 수준을 유동적으로 조절했습니다.

유럽 RELEX의 일 단위 예측 전략

유럽의 대표적 SCM 솔루션인 RELEX를 도입한 식료품 유통사들은 신선식품 카테고리에서 평균 40% 이상의 폐기율 감소를 달성했습니다. RELEX가 강조하는 것은 일 단위 예측의 중요성입니다. 월요일과 토요일의 수요는 근본적으로 다르며, 신선식품의 짧은 유통기한을 고려하면 주간 단위 예측만으로는 정밀한 재고 관리가 어렵습니다. RELEX 시스템은 자동화된 보충 시스템과 연동되어 AI가 계산한 최적 물량을 물류 센터에 자동으로 요청하고, 가용성을 99% 이상으로 유지하면서도 폐기를 최소화하는 성과를 거두고 있습니다.

‍

국내 유통 혁신의 현장에서 확인하는 AI 수요 예측의 효과

마켓컬리의 폐기율 1% 미만 달성 전략

마켓컬리는 창업 초기부터 자체 수요 예측 시스템 '데멍이(데이터 물어다 주는 멍멍이)'를 구축했습니다. 새벽 배송이라는 사업 모델 특성상, 고객이 주문하기 전에 물류 센터에 해당 물량이 이미 입고되어 있어야 하므로 예측의 정확도가 사업의 생존과 직결됩니다.

과거 판매량뿐 아니라 장바구니 담기 행태, 사이트 체류 시간, 날씨, 시기별 이슈까지 종합 분석하는 머신러닝 모델을 지속적으로 고도화한 결과, 대형 마트의 신선식품 폐기율이 3% 내외인 것에 비해 마켓컬리는 1% 미만을 유지하고 있습니다. 최근에는 이를 0.5% 수준까지 낮추었으며, 이러한 운영 효율성 개선이 창업 10년 만의 분기 흑자 전환에 기여한 주요 요인 중 하나로 평가되고 있습니다.

쿠팡 로켓프레시의 AI 기반 전치 전략

쿠팡은 고객이 주문할 상품을 미리 예측해 해당 지역의 물류 센터에 사전 배치하는 '전치(Pre-positioning)' 기술을 활용합니다. AI가 실시간으로 주문 데이터를 분석해 배송 트럭 내 최적 적재 위치까지 수초 내에 산출하는 구조입니다.

쿠팡의 매출 원가율 개선 성과는 물류 인프라 확충과 규모의 경제 효과가 복합적으로 작용한 결과입니다. 그중에서도 수요 예측 기반의 재고 관리 효율화와 물류 최적화가 원가 구조 개선에 의미 있는 역할을 한 것으로 분석됩니다.

편의점 업계의 AI 자동 발주 확산

편의점 산업은 전국 수만 개 점포에서 소량 다품목 데이터를 관리해야 하므로 AI의 효율성이 가장 잘 드러나는 분야 중 하나입니다.

CU의 스마트 발주 시스템은 점포별 판매 패턴을 분석해 적정 재고량을 자동 산출하며, 도입 이후 점주의 발주 소요 시간이 평균 30분에서 5분으로 단축되고 신선식품 폐기 비용이 10~20% 절감되었습니다.

GS25의 AI 자동 발주는 날씨 민감도가 높은 상품군에 집중해 제안 수량의 정확도를 90% 이상으로 끌어올렸고, 폐기 물량이 약 30% 감소하는 성과를 거두었습니다.

‍

AI 수요 예측 시스템 도입 시 고려할 핵심 요소

데이터 품질과 시스템 연동

AI 모델의 성능은 투입되는 데이터의 품질에 비례합니다. POS 시스템, 창고 관리 시스템(WMS), 외부 날씨 데이터 등이 분산되어 있으면 학습에 활용할 수 있는 데이터의 질이 떨어질 수 있습니다. 따라서 데이터를 통합하고 정제하는 파이프라인을 사전에 구축하는 것이 AI 도입의 첫 번째 단계가 되어야 합니다.

현장 실무자의 신뢰 확보와 시각화 기능

현장 발주 담당자가 AI의 추천 수량을 신뢰하지 못하면 시스템 도입 효과가 반감됩니다. 따라서 AI가 왜 그런 수치를 도출했는지를 설명할 수 있는 대시보드가 중요합니다. 예를 들어 '내일 기온이 5도 상승하고 인근에 축제가 예정되어 있어 평소보다 20% 높게 산정했습니다'와 같은 근거를 제시하면 현장의 수용도가 크게 높아집니다.

점진적 확산 전략

모든 품목에 한꺼번에 AI를 적용하기보다는, 폐기율이 높은 고위험 카테고리(예를 들어 베이커리, 샐러드, 선어)를 대상으로 먼저 파일럿을 진행하고 성공 사례를 확인한 뒤 점진적으로 범위를 확대하는 접근이 효과적입니다. 이는 초기 투자 리스크를 줄이면서도 조직 전체의 AI 수용도를 자연스럽게 높이는 방법입니다.

‍

딥플로우(Deepflow), 실무 현장에 맞춤화된 AI 수요 예측 솔루션

앞서 살펴본 것처럼 AI 수요 예측 시스템의 도입에는 데이터 통합, 모델 선정, 현장 적용이라는 복합적인 과제가 따릅니다. 임팩티브AI(Impactive AI)가 개발한 딥플로우(Deepflow)는 이러한 과제를 통합적으로 해결하기 위해 설계된 AI 기반 수요 및 가격 예측 솔루션입니다.

딥플로우는 200개 이상의 딥러닝·머신러닝 모델과 72건의 특허 기술로 6~12개월의 SKU별 판매량/출고량을 정확히 예측합니다. 특히 데이터 증강 기술은 데이터가 부족한 환경에서도 제조, 유통, 식품 등 다양한 산업에서 안정적인 예측 성능을 보여주고 있습니다.

우리 회사의 신선식품 재고 관리 수준을 진단하고, AI 도입의 실질적인 효과를 확인해 보고 싶으신가요? 임팩티브AI는 딥플로우(Deepflow) 솔루션의 PoC(Proof of Concept) 프로젝트를 통해 기업이 보유한 데이터를 바탕으로 AI 수요 예측의 정확도를 직접 검증할 수 있는 기회를 제공합니다.

• 임팩티브AI는 고객사의 실제 판매 데이터를 기반으로 AI 수요예측이 실무에 활용 가능한 수준인지 빠르게 검증하는 무료 PoC를 제공하고 있습니다. 품목 기본 정보와 판매(출고) 이력 데이터를 활용해 시계열 예측 모델을 구성하며, 예측 정확도, 품목별 예측 결과 그래프, 예측 트렌드 설명을 포함한 리포트를 통해 제품별 수요예측 가능 여부를 사전에 확인하실 수 있습니다.
• 맞춤형 전략 제시 컨설팅을 통해 신선식품 카테고리별 특성을 반영한 최적의 발주 및 재고 관리 전략을 수립하고, 현장 실무에 바로 적용 가능한 실질적인 인사이트를 확보할 수 있습니다.
• 보다 정밀한 검증이 필요한 경우에는 프로모션 정보, 외부 변수(날씨, 거시 지표), 재고 현황 등 추가 데이터를 활용하는 유료 PoC를 통해 예측 정확도 고도화와 심층 분석을 진행할 수 있습니다.

아직 부정확한 예측으로 인한 손실을 감수하고 계신가요? 지금 바로 임팩티브AI에 문의하시고, 데이터 기반의 혁신적인 신선식품 재고 관리 시스템을 구축하는 첫걸음을 내딛으세요.

‍

신선식품 유통의 경쟁력은 수요 예측의 정밀도에 달려 있습니다

마켓컬리가 폐기율을 0.5%까지 낮추고, MRL이 총이익을 25% 끌어올린 사례가 보여주듯, AI 기반 수요 예측은 이미 이론이 아닌 검증된 성과를 만들어내고 있습니다. 유통기한이 짧은 신선식품 관리에서 예측 정확도의 개선은 비용 절감과 수익성 향상으로 직결됩니다.

동시에 이 기술은 식품 폐기 감소를 통한 온실가스 배출 저감이라는 환경적 가치도 함께 실현합니다. 비용 절감과 지속 가능성이라는 두 가지 목표를 동시에 달성할 수 있다는 점에서, AI 수요 예측 시스템의 도입은 더 이상 선택의 문제가 아니라 경쟁력의 문제라고 할 수 있습니다.

앞으로의 유통 산업에서 진정한 리더는 단순히 많은 상품을 빠르게 배송하는 기업이 아니라, 데이터를 기반으로 미래의 수요를 정확하게 읽어내고 불필요한 낭비 없이 공급망을 운영하는 기업이 될 것입니다.

‍