AI 수요예측이 바꾸는 이커머스 SKU 재고 운영

• 목록
• 답변
• 글쓰기
• 옵션
  • 수정
  • 삭제

재고 운영의 중심이 경험에서 데이터로 이동합니다

감으로 맞추던 발주가 흔들리는 이유

이커머스 운영자가 가장 자주 겪는 압박은 단순히 물건이 부족하거나 남는 문제가 아닙니다. 같은 상품이라도 옵션, 색상, 사이즈, 묶음 구성에 따라 SKU 재고의 움직임이 달라지고, 광고 집행이나 리뷰 노출 같은 외부 변수까지 겹치면 어제의 판매량은 내일의 기준이 되기 어렵습니다.

특히 멀티채널 판매가 기본이 된 지금은 쇼핑몰, 오픈마켓, 라이브커머스, 자사몰의 주문 신호가 서로 다른 속도로 들어옵니다. 그래서 최근의 inventory 트렌드는 창고에 남은 수량을 보는 수준에서 벗어나, 판매 가능성·입고 지연·상품 생애주기까지 함께 계산하는 방향으로 움직이고 있습니다.

• 판매량 중심 관리: 이미 팔린 수량을 기준으로 재고를 보충해 대응이 늦습니다.
• 수요예측 중심 관리: 검색량, 장바구니, 광고 반응, 시즌성을 함께 보며 선제적으로 SKU를 조정합니다.
• 운영 복잡도 관리: 상품 수가 늘수록 담당자의 기억이 아니라 시스템 규칙이 중요해집니다.

SKU가 많아졌는데 의사결정 기준은 여전히 엑셀 한 장이라면, 문제는 상품 수가 아니라 재고를 해석하는 방식에 있을 가능성이 큽니다.

재고라는 개념 자체는 기업 활동에서 오래된 관리 대상입니다. 용어의 기본 의미는 재고의 기본 정의처럼 이미 보유한 물품을 뜻하지만, 이커머스에서의 재고는 이제 ‘현재 수량’보다 ‘언제, 어떤 채널에서, 어떤 가격으로 팔릴 가능성’에 가까워지고 있습니다.

AI 수요예측은 어떤 SKU부터 바꾸고 있나

잘 팔리는 상품보다 흔들리는 상품이 먼저입니다

AI 수요예측이 가장 큰 효과를 내는 영역은 베스트셀러가 아닙니다. 판매가 일정한 상위 상품은 기존 평균 판매량만으로도 어느 정도 대응할 수 있습니다. 오히려 기술이 필요한 지점은 월초와 월말, 행사 전후, 날씨와 콘텐츠 노출에 따라 판매 곡선이 크게 흔들리는 중간권 SKU입니다.

예를 들어 생활용품 쇼핑몰에서 같은 세제라도 본품, 리필, 향 선택, 묶음 수량에 따라 회전율이 달라집니다. 기존 방식은 전체 판매량이 늘었다는 사실만 보고 입고량을 늘리지만, AI 기반 product management는 어떤 조합의 SKU가 실제 수요를 끌었는지 분리해서 봅니다.

데이터가 보는 신호는 주문서 밖에 있습니다

최근 재고 솔루션은 주문 완료 데이터만 보지 않습니다. 상품 상세 페이지 조회수, 검색 키워드 상승, 장바구니 이탈, 쿠폰 다운로드, 광고 클릭률, 반품률을 함께 분석합니다. 이 데이터들은 아직 매출로 확정되지 않았지만, 며칠 뒤 품절이나 과잉재고로 나타날 수 있는 조기 신호입니다.

1. 검색량 상승: 수요가 생기는 초입을 파악해 발주 타이밍을 앞당깁니다.
2. 장바구니 증가: 가격이나 쿠폰 조건이 맞으면 판매로 전환될 가능성을 봅니다.
3. 반품률 변화: 판매량이 높아도 실제 이익을 해치는 SKU를 걸러냅니다.
4. 채널별 속도 차이: 자사몰에서는 천천히 팔리고 오픈마켓에서는 급격히 소진되는 상품을 구분합니다.

이 흐름은 단순 자동화와 다릅니다. 자동화가 정해진 규칙을 빠르게 실행하는 일이라면, AI 수요예측은 규칙 자체를 계속 조정합니다. 운영자는 모든 SKU를 직접 들여다보는 대신, 예측과 실제 결과가 크게 어긋난 상품부터 확인하면 됩니다.

PLM과 재고 데이터가 연결되는 흐름

상품 기획 단계에서 이미 재고가 결정됩니다

재고 문제는 창고에서 시작된 것처럼 보이지만, 실제로는 상품 기획 단계에서 상당 부분 결정됩니다. 색상 옵션을 너무 세분화하거나, 비슷한 기능의 상품을 짧은 간격으로 출시하거나, 세트상품 구조를 사후에 붙이면 운영 난도는 빠르게 올라갑니다. 그래서 최근에는 SKU 관리가 물류 부서만의 일이 아니라 상품기획, 마케팅, CS가 함께 보는 지표가 되고 있습니다.

이때 주목할 만한 흐름이 PLM과 재고 솔루션의 연결입니다. 피엘엠 소프트웨어가 제품 생애주기를 관리하는 개념이라면, 이커머스에서는 출시 전 예상 SKU 구조부터 판매 종료까지의 데이터를 이어 붙이는 방식으로 확장됩니다.

• 출시 전: 예상 옵션 수, 원가, 최소 발주 수량, 보관 공간을 함께 계산합니다.
• 판매 중: 채널별 회전율과 가격 반응을 보며 SKU 노출 우선순위를 조정합니다.
• 판매 후반: 할인, 묶음 전환, 단종 여부를 재고 비용 기준으로 판단합니다.

인벤토리는 수량표가 아니라 운영 언어입니다

인벤토리는 물리적 재고와 정보 시스템의 재고를 함께 다루는 개념으로 쓰입니다. 기본 용어는 인벤토리의 의미에서 확인할 수 있지만, 실무에서는 더 넓게 해석됩니다. ‘무엇이 몇 개 있나’보다 ‘어떤 상태의 상품을 어디서 팔 수 있나’가 중요하기 때문입니다.

예를 들어 입고 대기, 검수 중, 판매 가능, 예약 주문 배정, 교환 보류, 폐기 예정 재고를 모두 같은 숫자로 합치면 운영자는 잘못된 결정을 내리기 쉽습니다. 최신 재고관리 시스템은 이 상태값을 SKU 단위로 쪼개고, 판매 채널에는 실제 판매 가능한 수량만 보내는 방향으로 발전하고 있습니다.

상품 데이터와 재고 데이터가 분리되어 있으면 운영자는 늘 늦게 알게 됩니다. 두 데이터가 연결될 때 발주, 가격, 노출, 단종 판단이 같은 화면에서 움직입니다.

재고 솔루션 선택 기준도 기능 목록에서 워크플로로 바뀝니다

많은 기능보다 연결되는 흐름이 중요합니다

재고관리 툴을 고를 때 기능 개수가 많아 보이는 서비스에 끌리기 쉽습니다. 하지만 실제 운영에서는 기능표보다 업무 흐름이 더 중요합니다. 주문이 들어온 뒤 재고가 빠지고, 출고가 지연되면 판매 가능 수량이 줄고, 반품이 들어오면 검수 상태에 따라 재판매 가능 여부가 바뀌는 전 과정이 끊기지 않아야 합니다.

특히 중소형 이커머스라면 대형 ERP처럼 무거운 구조보다, SKU 구조를 빠르게 정리하고 채널 연동을 안정적으로 처리하는 SaaS형 솔루션이 현실적일 수 있습니다. 월 구독형 도구는 보통 주문 건수, 연동 채널 수, 창고 수, 사용자 계정 수에 따라 비용이 달라지므로 단순히 최저가만 볼 문제는 아닙니다.

• SKU 생성 규칙: 옵션명, 바코드, 공급사 코드가 일관되게 붙는지 확인합니다.
• 채널 연동 안정성: 주문 폭증 시 재고 차감이 늦어지는 구간이 있는지 봅니다.
• 상태값 관리: 판매 가능, 보류, 검수, 폐기 재고를 구분할 수 있어야 합니다.
• 예측 리포트: 단순 재고 수량이 아니라 품절 예상일, 소진 속도, 과잉 위험을 보여줘야 합니다.

도입 전에는 작은 SKU 묶음으로 테스트합니다

새 시스템을 한 번에 전 상품에 적용하면 오류 원인을 찾기 어렵습니다. 운영자는 먼저 판매량이 꾸준한 상품, 옵션이 많은 상품, 반품률이 높은 상품을 각각 한 묶음씩 골라 테스트하는 편이 좋습니다. 이 세 그룹은 재고 솔루션의 강점과 약점을 빠르게 드러냅니다.

예를 들어 패션 잡화 쇼핑몰이라면 검정 기본 가방, 계절 한정 컬러 가방, 세트로 판매되는 파우치를 함께 넣어볼 수 있습니다. 기본 상품은 예측 정확도를, 한정 컬러는 시즌 반응을, 세트상품은 구성품 차감을 확인하게 해줍니다. 이렇게 보면 솔루션이 예쁜 대시보드를 제공하는지보다, 실제 운영자가 덜 헤매게 만드는지가 선명해집니다.

작은 뷰티몰의 립틴트 SKU 개편 실험

색상별 재고에서 반응별 재고로 바꾼 사례

한 뷰티몰이 립틴트 열두 색상을 운영한다고 가정해보겠습니다. 기존에는 색상별로 동일 수량을 발주했습니다. 첫 입고 수량은 보기 좋게 맞아떨어졌지만, 실제 판매는 전혀 균등하지 않았습니다. 데일리 컬러는 광고 없이도 꾸준히 나갔고, 포인트 컬러는 영상 콘텐츠가 올라간 주에만 급증했습니다. 문제는 운영자가 이 차이를 월말 판매 보고서에서야 발견했다는 점입니다.

이 쇼핑몰이 먼저 바꾼 것은 상품명이 아니라 SKU 해석 방식이었습니다. 색상별 판매량을 단순 비교하지 않고, 조회수 대비 구매율, 장바구니 저장 수, 쿠폰 사용률, 반품 사유를 함께 붙였습니다. 그러자 판매량이 낮아 보이던 한 색상은 사실 상세 페이지 조회가 높지만 가격 저항이 큰 상품이었고, 다른 색상은 구매는 빠르지만 피부톤 불일치로 반품이 많다는 사실이 드러났습니다.

1. 첫 주: 전체 색상을 동일 발주하지 않고 반응 유형별로 세 그룹으로 나눴습니다.
2. 둘째 주: 광고 클릭률이 높은 색상은 소량 선입고하고, 반품률 높은 색상은 상세 설명을 수정했습니다.
3. 셋째 주: 세트 구성은 인기 색상 중심이 아니라 재고 부담이 낮은 조합으로 재설계했습니다.
4. 넷째 주: 품절 위험 SKU와 할인 전환 SKU를 분리해 발주와 프로모션을 따로 운영했습니다.

사람의 판단은 줄어든 것이 아니라 앞당겨졌습니다

이 사례에서 중요한 점은 AI가 모든 결정을 대신했다는 이야기가 아닙니다. 운영자가 늦게 보던 신호를 더 일찍 보게 되었고, 같은 재고를 두고도 발주·할인·노출·상세페이지 개선이라는 여러 선택지를 나눠 쓸 수 있게 된 것입니다. SKU 운영의 미래는 사람을 배제하는 방향보다, 사람이 봐야 할 문제를 더 빨리 보여주는 방향에 가깝습니다.

마지막으로 이 뷰티몰은 모든 색상을 유지하지 않았습니다. 반응이 애매한 색상은 다음 생산에서 제외하고, 꾸준히 장바구니에 담기는 색상은 단품보다 듀오 세트로 전환했습니다. 재고 수량을 줄인 것이 아니라 SKU 역할을 다시 정한 셈입니다. 이처럼 e-commerce 재고관리의 최신 흐름은 더 많이 쌓아두는 경쟁이 아니라, 상품 데이터와 수요 신호를 연결해 팔릴 가능성이 높은 재고만 또렷하게 남기는 쪽으로 움직이고 있습니다.