AI의 비즈니스 활용이 늘고 있는 상황을 감안하면 앞으로는 ‘기계 학습에 기초한 예측’이 더욱 중요해질 것으로 판단된다.

최근 소비자 욕구가 다양화되면서 종래의 대량생산 모델이 아닌 다품종 소로트(小lot)에 의한 유연한 생산 체제가 중요시되고 있다. 그러나 이러한 생산 방식은 생산성과 품질의 저하를 초래하곤 했다. 따라서 대량 생산과 다품종 소로트 생산을 잘 조화시키는 것이 중요해진 동시에 수요 예측이 필수적인 요소로 떠올랐다.

예측을 잘못하면 과잉 재고나 폐기 손실로 인해 기업의 이익에 치명타를 입게 된다. 이 문제를 해결하기 위해 AI(인공지능)를 활용한 데이터 분석과 수요 예측이 주목받고 있다. AI 기술을 이용한 수요 예측은 데이터 수집과 분석을 통해 보다 정확한 생산 계획 및 재고 관리를 가능케 하고 효율적인 공급망 최적화를 가능하게 한다.

◇ 수요 예측의 목적은 시장 경쟁에서 우위에 서려는 것

머천다이징(MD)은 ‘판매 목표를 달성하기 위해 상품의 구입부터 가격 설정·판매 방법·매장 진열 방식·판촉 방법까지 기획하고 실행’하는 기업 활동의 하나다. 통상 ‘상품 기획’으로 불리며 ‘상품 정책’ ‘상품화 계획’ 등으로도 부를 수 있다.

시장 조사, 샘플 제작, 상품 기획, 생산 계획, 판매 계획 등의 업무를 하는데 있어 가장 중요한 것은 ‘수요 예측’이다. 수요 예측의 주 목적은 시장 경쟁에서 우위에 서려는 것이다. 다양한 상품·서비스가 존재하는 시장에서는 경쟁 브랜드와의 차별화가 쉽지 않다. 그래서 최근 중요시 되는 것이 수요를 예측하는 작업이다. 수요 예측은 상품이나 서비스의 다음 시즌 미래 수요를 예측하는 것이다.

그에 비해 판매 계획은 수요 예측을 바탕으로 보다 구체적인 판매 전략을 수립하거나 실제 판매 계획을 세운다는 점에서 차이가 있다. 따라서 수요 예측이 적절하게 이뤄지지 않으면 판매 계획도 불가능하게 된다. 수요 예측에 의해 재고 과다나 부족을 피함으로써 이익 극대화가 가능하기 때문이다. 최근에는 이를 통해 얻은 이익을 새로운 마케팅 전략에 투자함으로써 사업 규모 확대를 노리는 사례도 늘고 있다.

◇ 수요 예측 4가지 방법

수요 예측에는 △데이터를 이용한 통계적 예측 △경험과 직감에 근거한 예측 △시장 조사에 근거한 예측 △기계 학습에 기초한 예측 등이 있다. 이 중 현재 많이 사용되는 것은 ‘데이터를 이용한 통계적 예측’이다. 다만 AI의 비즈니스 활용이 늘고 있는 상황을 감안하면 앞으로는 ‘기계 학습에 기초한 예측’이 더욱 중요해질 것으로 판단된다.

①데이터를 이용한 통계적 예측

데이터를 이용한 통계적 예측이란 수요의 추이나 과거의 매출 실적 등 데이터를 바탕으로 미래의 매출을 예측하는 기법이다. 현재 많이 이용되고 있는 기법이며, 담당자에 의한 예측 정확도의 차이가 크게 발생하지 않는 한 유효하다.

그러나 과거 상황과 현재 상황에 큰 차이가 있는 경우에는, 과거 데이터로부터 정확한 예측을 할 수 없다는 점에서 주의가 필요하다. 예측 정밀도의 확인이나 예측 모델의 정기적인 재검토 등 데이터에 의한 예측 과정은 필수적이라고 할 수 있다.

②경험이나 감각에 근거한 예측

수요 예측의 방법으로는 경험이나 감에 근거한 예측도 있다. 이것은 담당자가 쌓아온 경험과 감에 의지해 요구를 예측하는 기법이다.

경험이 풍부한 담당자라면 적절한 예측을 할 수 있을 가능성이 높다. 하지만 특정 담당자가 아니면 예측을 정확히 할 수 없다. 담당자가 자리를 이동하거나 휴직 등으로 인해 부재할 경우 지금까지와 마찬가지로 수요 예측을 할 수 없게 된다. 그 때문에 최근에는 데이터나 또 다른 방법을 이용해 수요 예측을 실시하는 것이 일반적이다.

③시장 조사에 근거한 예측

시장 조사에 기반한 예측도 수요예측 기법 중 하나다. 시장을 조사하고 수집한 데이터가 예측하는 데 도움을 주기 때문이다. 구체적인 방법으로는 경쟁 상품 및 서비스의 매출이나 그 외의 상황을 조사할 수 있고 타겟 유저에게 정보를 수집할 수도 있다.

이를 통해 일정한 수준의 정확도는 기대할 수 있지만 데이터를 수집하기 위해 비용이 드는 것은 감안해야 한다. 그 때문에 사전 계획을 면밀히 세우고, 코스트를 확인한 후 실시하는 것이 바람직하다.

④기계 학습에 기초한 예측

기계 학습이란 컴퓨터에 데이터 예측 규칙을 학습시키는 것을 말한다. AI를 통해 기업이 가진 방대한 양의 데이터를 활용함으로써 고정밀 예측을 실현할 수 있다.

다만 기계 학습을 하려면 먼저 사람이 ‘교사 데이터’라고 불리는 학습용 데이터를 준비해야 한다. 그렇다고 만족할 만한 수준은 아니고, 학습을 너무 많이 하게 되면 ‘과학습’이라고 불릴 정도로 정확도가 낮아지는 상태가 된다는 점도 숙지해야 한다. 수요 예측의 대표적인 수법으로는 이동평균법, 지수평활법, 회귀분석법, 가중이동평균법 등이 있다.

◇ 수요 예측에는 데이터 수집이 필수적

재고량, 판매 실적 등 내부 요인 외에 날씨와 요일, 경쟁 브랜드 동향 등 외부 요인도 데이터로서 필요하다. 다음의 표에서 수요 예측에 필요한 주요 데이터 항목을 정리해보자.

상품 및 서비스의 판매량은 자사 능력만으로는 통제할 수 없고 외부 요인에서도 크게 영향을 받는다. 이런 요소를 반영함으로써 보다 정확한 예측이 가능해진다. 물론 양호한 데이터 수집의 어려움은 늘 상존한다.

◇ 매출 예측은 늘 정확하지 않아

수요 예측을 할 때 발생하기 쉬운 문제로는 ‘매출 예측이 정확하지 않다’, ‘수요 전망 업무가 속인화된다’, ‘패션(감각) 항목을 데이터화 할 수 있는가’ 등이다.

‘AI MD’란 말 그대로 인공 지능(AI)을 활용한 머천다이저(MD)를 일컫는다. AI MD의 주된 역할은 트렌드 예측을 포함하는 수요 예측의 잘못에 의해 발생하는 잉여 재고의 폐기나 처분하기 위한 과도한 할인 판매를 억제하는데 있다. 이것을 실행함으로써 정상판매율을 향상시켜 기업의 규모를 확대할 수 있기 때문이다.

그렇다면 MD 업무 중 가능한 것은 무엇이고, 아직 힘든 업무는 무엇인가. 최근 들어 이에 대해 많은 노력과 시도가 진행되고 있다. 다음 호에서는 AI MD로 가능한 것은 무엇이고 실패한 것은 무엇인가에 대해 논하려고 한다.

김강화 대표
intervog@naver.com