AI 수요예측 모델은 무엇을 학습할까? 판매 패턴부터 변수 간 시차까지

같은 상품을 같은 가격에 팔아도 판매량은 매일 달라집니다. 주말인지, 행사가 진행 중인지, 어느 채널에 노출됐는지에 따라 판매량은 달라지게 됩니다. 전년 동월 판매량과 최근 평균만으로 다음 달 수요를 판단하기 어려운 이유입니다.

AI 수요예측 모델은 이런 차이를 어떻게 포착할까요? 우선, 데이터에서 학습합니다. 과거 판매량의 추세와 계절성뿐 아니라, 가격·판촉·날씨·채널 등의 조건에 따라 수요가 어떻게 달라졌는지 파악하고 새로운 조건에서의 수요를 계산합니다.

따라서 모델을 검토할 때는 어떤 알고리즘을 사용하는지와 함께, 무엇을 입력하고 어떤 관계를 학습하도록 설계했는지 확인해야 합니다. 같은 알고리즘도 변수의 구성과 시간 기준에 따라 다른 결과를 낼 수 있습니다.

‍

AI 모델 학습의 기본: 판매 조건과 결과의 관계

주간 판매량을 예측한다면 과거 각 주의 가격, 판촉 여부, 상품 특성, 최근 판매 추이 등을 입력 데이터로 구성할 수 있습니다. 모델은 이 정보와 실제 판매량을 비교하면서 예측 오차가 줄어들도록 내부의 계산 규칙을 조정합니다.

학습이 끝나면 다음 주에 이용할 수 있는 정보를 넣어 예상 판매량을 계산합니다. 이때 모델이 과거 실적을 잘 설명하는 것과 아직 관측하지 않은 기간의 수요를 잘 예측하는 것은 구분해야 합니다. 학습에 사용하지 않은 이후 기간에서 성능을 확인해야 실제 활용 가능성을 판단할 수 있습니다.

여기서 먼저 정할 것은 예측 대상입니다. 판매량·출고량·고객의 실제 수요는 항상 같지 않습니다. 품절로 팔지 못한 기간의 판매량이나, 거래처가 미리 확보한 출고량을 구분하지 않으면 모델은 공급 제약이나 선구매까지 수요 특성으로 학습할 수 있습니다.

어떤 데이터를 넣을지에 앞서, 그 숫자가 무엇을 나타내는지부터 확인해야 합니다.

‍

수요예측의 학습 대상: 추세·계절성·변동성

AI가 학습하는 패턴은 매년 같은 날짜에 같은 수량이 팔린다는 의미가 아닙니다. 개별 판매량은 달라도 여러 시점과 조건에서 반복적으로 나타나는 관계를 찾는 것입니다.

꾸준히 판매가 늘어나는 추세, 특정 계절이나 요일에 수요가 집중되는 계절성이 대표적입니다. 여기에 가격이나 판촉 조건에 따른 변수 간 관계, 판매량이 얼마나 크게 흔들리는지 보여주는 변동성, 평소 흐름에서 벗어나는 이상 패턴도 살펴볼 수 있습니다.

평균 판매량이 같은 두 품목이라도 하나는 매주 비슷하게 팔리고, 다른 하나는 주문이 없다가 한 번에 몰릴 수 있습니다. 발주와 재고 운영에서는 이 차이가 중요합니다. 다만 어떤 모델이든 이런 특성을 모두 자동으로 학습하는 것은 아닙니다. 불규칙한 주문이나 수요의 불확실성까지 다루려면 그에 맞는 데이터와 모델 설계가 필요합니다.

갑작스러운 판매 증가도 무조건 제거할 잡음은 아닙니다. 프로모션이나 외부 노출에 따른 실제 반응일 수 있으므로, 원인을 확인하고 기록해야 다음에 비슷한 조건이 생겼을 때 참고할 수 있습니다.

‍

할인·날씨·채널의 비선형 관계와 상호작용

할인율이 두 배가 된다고 판매 증가량도 두 배가 되지는 않습니다. 할인 폭이 작을 때는 반응이 미미하다가 특정 수준에서 구매가 늘거나, 할인을 더해도 추가 판매가 거의 늘지 않을 수 있습니다. 이런 관계를 비선형 관계라고 합니다.

여러 조건이 함께 작용하는 경우도 있습니다. 같은 할인이라도 비수기 평일과 성수기 주말의 반응이 다를 수 있습니다. 이를 상호작용이라고 합니다. 할인 효과가 다른 조건에 따라 달라지는 것입니다.

머신러닝 수요예측에서는 이런 관계를 학습하도록 모델을 구성할 수 있습니다. 단순히 ‘할인하면 판매량이 증가한다’에서 그치지 않고, 어떤 상품과 채널에서 어떤 조건의 할인이 판매량 변화와 연결됐는지 분석하는 방식입니다.

이 때문에 가격·날씨·프로모션 변수를 각각 확보하는 것만큼, 이 정보가 같은 상품과 기간을 기준으로 연결돼 있는지가 중요합니다. 행사 일정이 주 단위이고 판매량이 일 단위라면 실제 행사일과 조건을 맞춰야 합니다.

‍

외부 변수의 시차와 인과관계의 구분

검색이 늘어난 날에 구매가 모두 발생하는 것은 아닙니다. 고객이 정보를 찾아본 뒤 며칠 후 구매할 수도 있습니다. 제조업에서도 고객 산업의 활동 변화가 실제 발주에 반영되기까지 시간이 걸릴 수 있습니다.

이처럼 변수의 변화와 예측 대상의 변화 사이에는 시차가 존재할 수 있습니다. 이번 달 수요를 설명하는 데 이번 달의 외부 지표보다 한두 달 전 지표가 더 유용할 수 있다는 뜻입니다.

임팩티브AI가 진행한 한 건설사의 철근 가격 예측 프로젝트에서도 변수의 시점이 중요했습니다. 환율, 금리, 건설 착공 면적, 건축 허가 면적, 철근 생산량과 재고 등 다양한 정보를 확보했지만, 변수를 많이 넣거나 더 복잡한 모델을 적용하는 것만으로는 성능 개선에 한계가 있었습니다.

각 지표가 가격에 반영되는 시점이 달랐기 때문입니다. 건설 계획과 관련된 지표는 비교적 긴 시차를 두고 나타나는 변화와 연결될 수 있지만, 판매 대비 재고 비율은 더 가까운 시점의 수급 상황을 보여줄 수 있습니다. 모든 변수를 같은 달의 값으로만 비교하면 이런 시간차를 충분히 반영하기 어렵습니다.

임팩티브AI는 변수별로 어느 시점의 정보가 예측에 유용한지 분석했습니다. 그 결과를 바탕으로 2개월 전 환율 변화율, 4개월 전 건설 착공 면적의 추세, 1개월 전 철근 판매 대비 재고 비율처럼 변수의 시차와 형태를 다르게 구성했습니다. 이러한 시차 구조를 반영한 모델은 해당 프로젝트에서 평균 예측 정확도 95.59%를 기록했습니다.

이 결과는 해당 프로젝트의 평가 기준에 따른 것이며, 같은 변수와 시차가 모든 시장에 적용되는 것은 아닙니다. 다만 예측 성능을 높이려면 어떤 데이터를 확보할지뿐 아니라, 언제의 값을 어떤 형태로 학습시킬지도 설계해야 한다는 점을 보여줍니다.

물론 선행한다고 해서 원인이라고 단정할 수는 없습니다. 검색 증가가 판매보다 먼저 나타났더라도, 두 변화 모두 광고의 영향을 받았을 수 있습니다. 예측에 유용한 시차 관계와 인과관계는 구분해야 하며, 인과적 해석에는 추가 분석과 가정 검토가 필요합니다.

‍

피처 엔지니어링: 예측에 필요한 변수 설계

‘판매가격 1만 원’이라는 값만으로는 정상가인지 할인 가격인지 알기 어렵습니다. 정상가 대비 할인율이나 최근 평균 가격과의 차이를 함께 제공하면 가격 조건을 비교할 수 있습니다.

날짜도 마찬가지입니다. 날짜에서 요일, 공휴일 여부, 행사 시작 후 경과일 등을 만들어 활용할 수 있습니다. 최근 판매량으로는 지난주 실적, 최근 몇 주의 평균, 변동폭 등을 구성할 수 있습니다.

이처럼 원본 데이터를 예측에 사용할 변수로 가공하는 작업을 피처 엔지니어링이라고 합니다. 모델에 따라 일부 관계는 자동으로 학습하지만, 필요한 맥락을 명시적으로 제공하면 학습을 돕는 경우가 있습니다.

변수를 만들 때는 예측 당시 실제로 알 수 있었던 정보인지 확인해야 합니다. 다음 주의 확정된 행사 일정은 사용할 수 있지만, 다음 주가 끝난 뒤에야 알 수 있는 실제 검색량이나 날씨를 이미 아는 것처럼 넣으면 검증 결과가 과도하게 좋아질 수 있습니다. 미래 외부 변수의 값이 필요하다면 해당 변수의 예측값이나 명시적인 시나리오를 사용해야 합니다.

‍

예측 품질을 위한 핵심 변수 선정과 검증

변수가 많아지면 수요를 설명할 후보도 늘어납니다. 동시에 우연한 관계를 학습할 위험도 커집니다. 모든 외부 데이터를 한꺼번에 넣는다고 예측이 좋아지는 것은 아닙니다.

현업 지식으로 관련성이 있는 변수를 고르고, 모델 분석으로 활용도를 확인한 뒤, 이후 기간의 예측 성능을 비교하는 과정이 필요합니다. 변수 중요도가 높다는 결과 역시 그 변수가 실제 수요의 원인이라는 뜻은 아닙니다.

AI 수요예측 모델을 검토할 때는 알고리즘과 함께 어떤 실적을 예측 대상으로 삼았는지, 상품 특성을 설명할 변수가 무엇인지, 시차를 어떻게 반영했는지 확인해야 합니다. 실제 예측 시점에 이용 가능한 정보로 검증했는지도 중요합니다.

예측 품질은 모델 선택뿐 아니라, 업무를 이해하고 데이터를 설계하는 과정에서 결정됩니다. 같은 판매 이력을 사용하더라도 품절과 행사를 구분하고, 외부 변수의 시점을 맞추며, 변화한 조건에서 성능을 확인해야 실무에서 쓸 수 있는 예측에 가까워집니다.

‍

이상 실적 관리를 지원하는 AI 수요예측 솔루션 딥플로우

이런 검토는 모델을 처음 구축할 때 한 번으로 끝나지 않습니다. 운영 중에도 품절로 판매하지 못한 기간과 실제 수요가 줄어든 기간을 구분하고, 일시적으로 판매가 늘어난 이유를 남겨야 합니다. 특정 품목에서 예측이 반복적으로 높거나 낮게 나오는지도 확인할 필요가 있습니다.

딥플로우 포어캐스트는 이상 실적 관리 기능을 통해 결품·프로모션·일회성 외부 이벤트 등의 원인을 기록할 수 있습니다. 과거 판매량이 달라진 배경을 이후 예측 검토에 참고하고, 향후 학습 데이터를 정비하는 기반으로 활용할 수 있습니다.

특정 품목이나 행사 구간에서 예측이 반복적으로 어긋난다면, 어떤 정보를 학습에 반영하고 결과를 어떻게 평가하고 있는지 점검해 보세요. 어디서부터 점검해야 할지 고민된다면, 딥플로우 무료 PoC를 통해 보유 데이터와 개선 방향을 함께 살펴보세요.