“AI가 알아서 주문하죠?” SKU 재고관리 자동화가 놓치는 신호

• 목록
• 답변
• 글쓰기
• 옵션
  • 수정
  • 삭제

지난주까지 잘 팔리던 상품이 갑자기 품절되고, 판매가 둔한 상품은 자동 발주로 더 쌓이는 일이 반복되나요? 최근 이커머스 업계에서는 생성형 AI, 수요예측 모델, 자율형 에이전트를 재고관리에 연결하려는 움직임이 빨라졌지만, 알고리즘을 붙였다는 사실만으로 SKU 운영이 자동화되는 것은 아닙니다.

특히 프로모션, 숏폼 콘텐츠, 날씨처럼 판매량을 급격히 흔드는 신호는 기존 주문 이력만 보는 시스템이 놓치기 쉽습니다. 앞으로의 경쟁력은 AI 모델의 화려한 이름보다 어떤 데이터를 얼마나 빠르게 연결하고 사람이 어디에서 개입하느냐에 달려 있습니다.

재고관리 AI가 갑자기 주목받는 이유

예측보다 대응 속도가 중요한 시장

과거의 재고관리 프로그램은 전월 판매량이나 이동평균을 기준으로 발주 수량을 계산하는 경우가 많았습니다. 판매 흐름이 안정적일 때는 이 방식도 충분했지만, 라이브커머스와 숏폼 광고가 매출을 몇 시간 만에 바꾸는 환경에서는 어제의 숫자가 내일의 답이 되기 어렵습니다. 플랫폼별 할인 행사와 배송비 정책까지 수시로 달라지면서 상품 담당자가 확인해야 할 변수가 크게 늘었습니다.

AI 기반 수요예측은 판매 이력뿐 아니라 가격, 광고비, 검색량, 반품률, 리드타임 같은 변수를 함께 학습할 수 있다는 점에서 주목받습니다. 다만 재고는 단순히 창고에 있는 물건만 뜻하지 않습니다. 재고의 경제적 의미처럼 판매를 기다리는 자산이라는 관점에서 보면, 과잉재고가 만드는 보관비와 현금 묶임까지 예측 목표에 포함해야 합니다.

최근 솔루션의 방향도 ‘다음 달 판매량 하나’를 제시하는 형태에서 여러 시나리오를 동시에 계산하는 방식으로 변하고 있습니다. 납품이 사흘 늦어질 때, 광고 효율이 떨어질 때, 경쟁사가 가격을 내릴 때의 재고 변화를 각각 보여주는 것입니다. 담당자는 숫자 하나를 믿는 대신 위험 범위를 보고 발주 강도를 조절할 수 있습니다.

• 다변량 수요예측: 판매량과 가격, 광고, 계절성, 반품 데이터를 함께 분석합니다.
• 확률형 예측: 예상 판매량을 한 값이 아니라 최소·기준·최대 범위로 제공합니다.
• 실시간 재계산: 주문 취소나 입고 지연이 발생하면 권장 발주량을 다시 산출합니다.
• 예외 중심 운영: 모든 SKU가 아니라 위험 신호가 생긴 품목만 담당자에게 알립니다.

AI 도입의 첫 질문은 “정확도가 몇 퍼센트인가?”보다 “예측이 틀렸을 때 얼마나 빨리 발견할 수 있는가?”가 되어야 합니다.

생성형 AI와 수요예측 AI는 하는 일이 다르다

대화형 화면이 곧 예측 엔진은 아니다

“다음 주에 무엇을 발주해야 해?”라고 질문하면 답을 주는 챗봇이 늘고 있습니다. 이런 생성형 AI는 복잡한 재고 데이터를 사람이 이해하기 쉬운 문장으로 설명하거나 보고서를 만드는 데 강합니다. 그러나 숫자의 패턴을 학습해 SKU별 수요를 계산하는 예측 모델과는 역할이 다르므로, 대화가 자연스럽다는 이유만으로 발주 판단까지 정확하다고 생각해서는 안 됩니다.

실무에서는 두 기술을 결합하는 흐름이 유용합니다. 예측 모델이 품목별 예상 판매량과 신뢰구간을 계산하고, 생성형 AI가 “최근 광고비 증가와 주말 주문 집중으로 품절 가능성이 커졌다”는 식으로 근거를 풀어주는 구조입니다. 여기에 ERP, 주문관리시스템, 상품정보관리 도구가 연결되면 담당자는 여러 화면을 오가지 않고도 이상 징후를 확인할 수 있습니다.

다만 AI가 작성한 설명에도 오류가 섞일 수 있습니다. 발주 실행 전에는 원본 주문 건수, 입고 예정일, 최소주문수량을 다시 확인할 수 있어야 합니다. 설명 문장만 남고 근거 데이터로 이동할 수 없다면 좋은 재고관리 도구라고 보기 어렵습니다.

• 대화형 화면에서 답변의 근거 SKU와 주문 내역까지 열 수 있는지 확인합니다.
• 예측값을 사람이 수정했을 때 변경 이유와 승인자를 기록하도록 설정합니다.
• 자동 발주는 처음부터 전 품목에 적용하지 말고 안정적인 반복판매 SKU로 시험합니다.

알고리즘보다 먼저 고쳐야 할 SKU 데이터

옵션과 세트상품이 흐트러지면 예측도 흔들린다

재고관리 AI의 성능을 떨어뜨리는 가장 흔한 원인은 모델 자체가 아니라 입력 데이터입니다. 같은 상품이 채널마다 다른 SKU 코드로 등록되거나, 색상 옵션이 하나의 코드로 합쳐져 있으면 실제 수요가 왜곡됩니다. 세트상품을 판매하면서 구성품 재고를 차감하지 않는 경우에는 화면상 재고와 출고 가능한 재고 사이의 간격이 계속 벌어집니다.

신상품과 단종 예정 상품도 별도 처리가 필요합니다. 신상품은 판매 이력이 부족하므로 유사 상품의 가격대, 카테고리, 속성, 출시 시기를 이용해 초기 수요를 추정해야 합니다. 반대로 단종 SKU는 과거 판매량이 높더라도 추가 발주 대상에서 제외해야 하며, 후속 모델로 수요가 이동하는지도 살펴야 합니다. 이런 흐름은 제품수명주기관리 개념과 연결해 보면 더 선명합니다.

데이터 정비는 일회성 청소가 아니라 운영 규칙이어야 합니다. 판매 채널에서 새 옵션을 만들 때 내부 SKU가 자동 생성되는지, 공급처 변경 시 리드타임이 갱신되는지, 반품 상품이 판매 가능 재고로 언제 복귀하는지를 정해야 합니다. 질문해 보세요. 지금 시스템의 ‘재고 10개’는 창고에 놓인 수량인가요, 검수와 예약 주문을 제외하고 실제 판매할 수 있는 수량인가요?

1. 식별 기준 통일: 상품, 옵션, 포장 단위마다 고유 SKU를 부여하고 채널 코드는 매핑합니다.
2. 상태 구분: 판매 가능, 예약, 검수 중, 불량, 이동 중 재고를 나눕니다.
3. 세트 구성 연결: 세트 한 개 판매 시 차감되는 구성품 수량을 명시합니다.
4. 리드타임 기록: 계약상 납기뿐 아니라 최근 실제 입고 소요일을 누적합니다.
5. 이력 보존: 품명이나 공급처가 바뀌어도 과거 데이터를 덮어쓰지 않습니다.

예측 모델을 교체하기 전에 SKU별 품절일과 재입고일을 정확히 복원해 보세요. 이 두 날짜가 틀리면 AI는 ‘팔리지 않은 날’과 ‘팔 수 없었던 날’을 구분하지 못합니다.

자율 발주는 승인 구조까지 설계해야 한다

금액과 위험도에 따라 자동화 수준을 나눈다

자율형 재고 에이전트는 부족 예상 품목을 찾고, 공급처별 최소주문수량과 납기를 반영해 발주안을 만들며, 승인 요청까지 보낼 수 있습니다. 기술적으로는 발주서를 곧바로 전송하는 것도 가능하지만 모든 SKU를 무인 운영하는 방식은 위험합니다. 공급가가 갑자기 오르거나 행사가 취소됐는데도 과거 규칙대로 주문하면 작은 오류가 큰 재고 비용으로 확대됩니다.

현실적인 방법은 자동화 단계를 나누는 것입니다. 판매가 안정적이고 단가가 낮은 A유형 소모품은 조건을 만족하면 자동 발주하고, 계절상품이나 유행 민감 상품은 발주안만 생성하게 합니다. 고가 상품과 신상품은 사람이 예측 근거를 검토한 뒤 승인하도록 두면 처리 속도와 통제력을 함께 확보할 수 있습니다.

비용도 라이선스 가격만 비교해서는 안 됩니다. 중소형 클라우드 도구는 사용자 수와 주문량에 따라 월 수만 원에서 수십만 원대로 시작할 수 있지만, ERP 연동과 데이터 정비, 공급처별 발주 양식 개발이 더 큰 비용이 되기도 합니다. 대형 구축형 프로젝트는 맞춤 범위에 따라 비용 편차가 크므로 예측 정확도뿐 아니라 품절 감소액, 과잉재고 감소액, 담당자의 절약 시간을 함께 계산해야 합니다.

• 1단계 알림: 품절 위험과 과잉재고 후보만 담당자에게 전달합니다.
• 2단계 제안: 권장 수량, 예상 소진일, 공급처를 포함한 발주안을 만듭니다.
• 3단계 조건부 실행: 설정 금액 이하이며 가격 변동이 없을 때만 자동 주문합니다.
• 4단계 사후 감시: 주문 후 수요 급락이나 납기 변경을 감지해 취소 가능 시간을 알립니다.

권한 설계에서는 발주 생성자와 승인자, 공급처 변경 권한을 분리하는 편이 안전합니다. 또한 AI가 사용한 데이터 시점과 적용 규칙, 사람이 수정한 내역을 남겨야 사고가 발생했을 때 원인을 추적할 수 있습니다. 자동화가 깊어질수록 누가 버튼을 눌렀는지보다 어떤 조건이 버튼을 누르게 했는지가 중요해집니다.

“사람의 감이 더 정확하다”는 주장도 버릴 필요는 없다

현장 정보는 모델 밖에서 먼저 움직인다

오랫동안 상품을 운영한 MD는 숫자에 나타나기 전의 변화를 감지합니다. 경쟁사가 곧 유사 상품을 출시한다는 소식, 공급처의 품질 불안, 인플루언서 콘텐츠의 반응처럼 데이터베이스에 아직 들어오지 않은 정보가 있기 때문입니다. 따라서 AI 도입을 사람의 판단을 제거하는 프로젝트로 정의하면 현장 정보가 시스템 밖 메신저와 개인 문서에 숨어버릴 수 있습니다.

반대 관점에서 보면 소규모 쇼핑몰은 복잡한 AI보다 단순한 최소·최대 재고 규칙이 더 효율적일 수도 있습니다. SKU가 30개이고 판매 패턴이 일정하다면 고가 예측 모델의 추가 정확도가 비용을 상쇄하지 못합니다. 인벤토리의 기본 개념을 토대로 현재고, 입고 예정, 예약 수량부터 정확히 관리하는 편이 우선입니다.

가장 실용적인 운영 방식은 AI와 담당자가 서로의 판단을 기록하게 만드는 것입니다. AI 권장량을 사람이 바꿨다면 ‘행사 취소’, ‘경쟁사 출시’, ‘품질 이슈’처럼 이유를 선택하게 하고, 실제 판매 결과와 비교합니다. 몇 달 뒤에는 담당자의 감이 유효했던 조건과 과도했던 조건이 드러나며, 이 기록이 다음 예측 모델의 새로운 학습 데이터가 됩니다.

• SKU가 적고 수요가 안정적이면 재주문점 규칙부터 정교하게 운영합니다.
• 프로모션 비중이 높다면 MD가 행사 확률과 예상 상승 폭을 직접 입력하게 합니다.
• AI와 담당자의 예측을 나란히 저장하고 품절률, 폐기율, 예측 오차로 평가합니다.
• 매달 오차가 큰 SKU만 골라 가격 변화, 결품 기간, 데이터 누락 여부를 검토합니다.
• 자동화의 목표를 인력 대체가 아니라 반복 확인의 감소와 의사결정 시간 확보로 설정합니다.

앞으로 재고관리의 차이는 ‘AI를 쓰는 회사’와 ‘쓰지 않는 회사’ 사이에서만 생기지 않을 가능성이 큽니다. 기계가 계산하기 좋은 데이터와 사람이 먼저 알아챈 시장 신호를 한 화면에서 충돌시키고, 그 차이를 다음 판단에 활용하는 조직이 더 빠르게 적정 재고를 찾아갈 것입니다.