유통업 AI 판매량 예측 검증 — 자동 발주 전에 비교할 것
편집 정정 — 2026년 9월 16일. 이전 글의 유통기업 도입 사례와 품절·과잉 재고·폐기율·매출 개선 수치는 실제 관측 자료가 아니었습니다. 해당 성과 표와 AI가 사람 없이 더 정확하게 예측한다는 단정을 삭제했습니다. 아래는 발주를 자동 실행하기 전에 예측을 검증하는 시험 설계입니다.
판매량 예측과 발주 수량 결정은 같은 일이 아닙니다. 예측이 맞더라도 현재 재고, 입고 예정, 공급 기간, 최소 주문 단위와 보관 조건을 고려하지 않으면 발주에 문제가 생길 수 있습니다. 첫 시험에서는 공급업체로 주문을 보내지 않고 예측 결과를 기존 방식과 비교하는 범위에 한정합니다.
1. 무엇을 언제 예측할지 고정합니다
‘매출 예측’처럼 넓게 잡기보다 특정 매장·품목의 다음 주 판매 수량처럼 단위를 정합니다. 예측을 생성한 시점과 예측 대상 기간을 함께 기록하세요. 다음 날 예측을 평가한 결과로 한 달 뒤 발주에 필요한 성능을 입증할 수는 없습니다.
| 필드 | 확인할 내용 |
|---|---|
| 매장·품목·날짜 | 코드 변경이나 중복 기록이 없는가 |
| 판매·반품·취소 | 판매량에 무엇을 포함했는지 정의가 같은가 |
| 품절·휴무 | 팔리지 않은 것과 팔 수 없었던 것을 구분할 수 있는가 |
| 가격·행사 | 예측 시점에 알려져 있던 조건인가 |
| 입고 예정·공급 기간 | 발주 검토에 필요한 별도 정보가 최신인가 |
품절 중 기록된 판매량은 그 기간의 전체 수요를 그대로 보여주지 못할 수 있습니다. 빈칸을 판매 0으로 일괄 바꾸거나 품절을 수요 감소로 해석하지 말고, 구분 가능한 상태를 남기세요. 고객 식별정보 없이 품목·기간 단위의 자료로 시험할 수 있는지 먼저 확인합니다.
2. 미래 정보를 보지 않는 방식으로 평가합니다
과거의 한 시점을 기준으로 그때까지의 자료만 사용해 이후 기간을 예측하고, 실제 값이 나온 뒤 비교합니다. 기준 시점을 앞으로 이동해 반복하면 특정 주 한 번의 결과에만 의존하지 않는 기록을 만들 수 있습니다. 시험 대상 기간의 실제 판매량이나 나중에 확정된 행사 결과를 입력에 넣으면 당시 가능했던 예측을 평가한 것이 아닙니다.
Hyndman과 Athanasopoulos의 Forecasting: Principles and Practice 3판, 시계열 교차 검증은 각 시험 시점보다 앞선 관측값만으로 예측하는 평가 방식을 설명합니다. 아래 재고 업무 표는 이 관점을 참고한 적용 예시이지 책에 실린 유통기업 성과가 아닙니다.
3. 단순한 기준 예측과 같은 조건에서 비교합니다
기존 담당자의 예측이나 ‘지난주 같은 요일 수량’처럼 재현할 수 있는 단순 기준을 비교 대상으로 둘 수 있습니다. 모든 품목에 이 기준이 적합하다는 뜻은 아닙니다. 두 방식의 예측 시점, 대상 기간과 이용 가능한 자료를 맞추고, 설정을 고칠 때 이미 시험한 결과를 보고 맞춘 것은 아닌지 기록합니다.
| 학습용 기간 | 실제 수량 | 기준 예측 | 후보 예측 |
|---|---|---|---|
| A | 10 | 8 | 11 |
| B | 20 | 18 | 15 |
| C | 0 | 2 | 1 |
모두 실제 자료가 아닌 계산용 숫자입니다. 절대 오차의 평균은 기준 예측에서 (2+2+2)÷3=2개, 후보 예측에서 (1+5+1)÷3≈2.33개입니다. 이 작은 예시에서는 후보가 평균 절대 오차 기준으로 더 나쁩니다. 복잡한 방식이 항상 낫다고 전제하지 마세요. 실제 수량이 0인 기간에 실제 수량으로 나누는 오차율을 기계적으로 계산해서도 안 됩니다.
4. 평균 오차와 운영상 영향을 나누어 봅니다
전체 평균만 보지 말고 품목별·행사 여부별·예측 기간별 오차를 확인합니다. 과대 예측과 과소 예측도 별도로 기록하세요. 폐기 부담이 큰 품목과 품절을 피해야 하는 품목은 같은 크기의 오차라도 운영상 영향이 다를 수 있습니다.
예측 오차가 줄었다는 사실만으로 폐기율이나 매출이 개선됐다고 쓸 수는 없습니다. 발주 정책, 재고 상태와 운영 조건을 포함한 별도 검증이 필요합니다. 초기에 예측값은 담당자가 확인할 제안으로만 남기고, 자동 구매 권한을 연결하지 않습니다.
5. 시험을 보류하거나 중단할 조건
- 품목 코드·단위가 맞지 않거나 입력이 끊겨 최신성이 확인되지 않음
- 품절·행사 등 결과를 해석하는 데 필요한 상태가 누락됨
- 새 품목처럼 과거 자료가 부족한데도 확정적인 예측만 출력함
- 모델 변경 후 이전보다 큰 오류가 발생했으나 원인 검토가 안 됨
- 담당자의 검수와 기존 방식으로 돌아갈 절차가 없음
모든 품목에 적용할 보편적인 합격 숫자를 이 글에서 정하지 않습니다. 업무 책임자가 손실과 서비스 조건에 맞게 기준을 정하고 결과와 한계를 함께 기록해야 합니다. 이 글은 실제 예측 모델을 운영한 기록이나 특정 제품 추천이 아닙니다. 자료 확인·편집일: 2026년 9월 16일.
