데이터 과학자 없이 재고 수요를 예측하는 것은 생각보다 어렵지 않습니다. 대부분의 팀에 블랙박스 모델은 필요 없습니다. 필요한 것은 깨끗한 판매 이력, 반복 가능한 방법, 그리고 데이터가 거짓말할 때 알아차리는 방법입니다. 지난 금요일에 어떤 품목이 결품이었다면, 스프레드시트에 부족한 것은 수학이 아니라 맥락 정보입니다.
이것은 좋은 소식입니다. 단순한 방법이 사람들의 예상보다 훨씬 강력한 경우가 많기 때문입니다. Green과 Armstrong의 Journal of Business Research 리뷰에서 저자들은 32편의 논문에 걸친 97건의 비교를 조사했으며, 복잡성을 높이면 예측 정확도가 향상된다는 증거의 우위를 찾지 못했습니다. 예측은 여전히 어렵지만, 첫 번째 개선은 보통 고급 소프트웨어가 아닌 규율에서 나옵니다.
유용한 예측은 탭이 가장 많은 것이 아닙니다. 구매 담당자가 설명하고, 이의를 제기하고, 다음 발주 마감일 전에 사용할 수 있는 것입니다.
유용한 재고 예측이 실제로 하는 일
예측이란 정의된 기간에 걸친 미래 수요의 추정치입니다. 재고에서 이 기간은 구매 리듬과 일치해야 합니다 - 공급업체 리드타임에 다음 검토까지의 시간을 더한 것입니다. 매주 월요일에 주문하고 공급업체 납기가 21일이라면, 관심사는 다음 28일이지 이론적인 연간 평균이 아닙니다.
예측은 A등급 품목이 방지할 수 있었던 결품에 빠지기 전에 재주문할 충분한 경고를 제공합니다.
누군가가 안전을 위해 조금 더 주문했다는 이유만으로 저회전 품목이 운전 자금을 흡수하지 못하게 합니다.
영업, 구매, 운영이 서로 다른 세 가지 감에 의한 숫자를 방어하는 대신 하나의 숫자에 대해 토론할 수 있습니다.
예측은 약속이 아닙니다. 출발점입니다. 공급업체 문제, 상업 이벤트, 비즈니스 판단은 여전히 위에 얹습니다. 목표는 완벽이 아닙니다. 목표는 더 적은 놀라움입니다.
간단한 방법으로 시작하고, 효과가 입증될 때만 복잡성을 추가하기
NIST 평활화 핸드북은 평균을 데이터를 평활화하고 무작위 변동을 줄이는 가장 간단한 방법으로 설명합니다. 이것이 바로 대부분의 재고 팀이 시작해야 할 지점입니다. 이력이 비교적 안정적이라면, 단순 이동평균과 평활화 방법으로 운영 기준선을 빠르게 얻을 수 있습니다.
방법 1: 안정적인 수요를 위한 이동평균
이동평균은 최근 비교 가능한 기간의 값을 취해 평균을 계산합니다. 주 단위로 예측한다면 4주 이동평균이면 시작하기에 충분한 경우가 많습니다. 예시: 지난 4주 판매가 92, 104, 96, 108개였다면, 다음 주 기준 예측은 (92 + 104 + 96 + 108) / 4 = 100개입니다.
다음 주 예측 = (제-1주 + 제-2주 + 제-3주 + 제-4주) / 4. 비교 가능한 기간을 사용하세요 - 주는 주와, 월은 월과.
방법 2: 최근 이력이 더 중요할 때의 지수 평활법
최근 매출이 오래된 이력보다 중요하다면, 단순 지수 평활법으로 넘어가세요. Forecasting: Principles and Practice에서 Hyndman과 Athanasopoulos는 이를 가장 최근 실적값과 이전 예측값의 가중 평균으로 보여줍니다. 쉽게 말하면, 어제의 데이터가 지난 분기보다 중요하지만, 지난 분기가 무시되는 것은 아닙니다. 수요가 서서히 변동하지만 강한 계절성이 없을 때 평활법이 유용해지는 이유입니다.
방법 3: 달력이 정말 중요할 때 계절 요인 추가하기
수요가 반복되는 달력 패턴으로 오르내린다면 - 12월 선물 수요, 여름 주말, 개학 시즌, 월말 주문 - 계절 효과를 기준 수준에서 분리하세요. Forecasting: Principles and Practice에서의 실용적인 방법은 계절 보정된 계열을 예측한 다음 계절 패턴을 다시 더하는 것입니다. 이것은 간단한 아이디어의 기술적 설명입니다 - 올해 12월은 지난 5월보다 지난 12월과 더 비슷해야 한다는 것입니다.
계절 보정은 노력할 가치가 있습니다. 같은 Green과 Armstrong 리뷰에서, 원래의 M-Competition의 68개 월별 계열에서 계절 보정이 MAPE를 23.0에서 17.7퍼센트로 줄였습니다. 이것은 단순한 달력 구조가 많은 추가 수학을 이길 수 있다는 유용한 알림입니다.
품목이 정기적으로 판매되고 수준이 크게 변동하지 않을 때 4~8기간 이동평균을 사용합니다.
수요가 서서히 움직이고 최근 기간에 더 큰 가중치를 두어야 할 때 단순 지수 평활법을 사용합니다.
같은 달력 상승이 충분히 자주 반복되어 신뢰할 수 있을 때 기준 예측에 계절 요인을 추가합니다.
수학을 신뢰하기 전에 이력을 정리하기
예측 방법은 중요하지만, 입력 데이터의 품질은 더 중요합니다. 반품, 일회성 프로젝트 주문, 공급업체 부분 출하, 프로모션 급증은 모두 기준선을 왜곡할 수 있습니다. 노이즈를 모델에 입력하면 나쁜 판단을 자동화하는 것일 뿐입니다.
결품은 가장 큰 함정입니다. 결품 재고 정책하의 수요 예측 연구에서 저자들은, 재고가 충분할 때 매출은 수요의 불편추정치이지만, 결품 시 매출은 수요를 과소평가하고 예측을 하향시킨다고 지적합니다. 이것은 운영자가 가장 싫어하는 악순환을 만듭니다 - 과소 예측, 과소 주문, 결품, 반복.
선반이 비어 있을 때, 매출은 수요가 아닌 가용성을 측정하고 있습니다.
간단한 결품 보정 예시
어떤 품목이 30일 동안 210개가 판매되었지만, 실제 재고가 있었던 것은 21일뿐이라고 가정합시다. 단순 일일 판매율은 7개입니다. 결품 보정 판매율은 210 / 21 = 10개입니다. 보충 계획에서 두 번째 숫자가 현실에 훨씬 가깝습니다. 첫 번째 숫자는 결품을 다음 달 예측에 반영해 버립니다.
이력 정리 규칙
- 결품 기간을 표시하기:가용성이 제로인 날이나 주를 추적하여 평균에 포함하지 않고 제외하거나 보정합니다.
- 프로모션을 기준선에서 분리하기:할인 주간이나 마케팅 급증은 이벤트 열에 넣어 기준 예측을 영구적으로 부풀리지 않도록 합니다.
- 일회성 주문 제거하기:대규모 프로젝트 구매, 출시 충전, 내부 이전은 계획 이벤트이지 일반 수요가 아닙니다.
- 매출만이 아닌 재고의 진실을 사용하기:기록 정확도가 약하다면 먼저 카운트를 수정하세요. 부정확한 재고 기록은 이력과 구매를 모두 왜곡합니다. 부정확한 재고 수준의 진짜 비용을 참조하세요.
- 필요하면 변형보다 패밀리를 먼저 예측하기:사이즈/색상이나 포장 단위의 얇은 이력은 그룹 수준에서 먼저 예측한 후 개별 배분하는 것이 정확도가 더 높은 경우가 많습니다.
매주 월요일 실행할 수 있는 스프레드시트 워크플로
SKU를 행으로, 최근 12~24기간 열, 재고 유무 플래그, 이벤트 메모, 예측, 실적, 오차를 가진 하나의 시트에서 충분한 예측을 실행할 수 있습니다. 목적은 아름다운 모델을 만드는 것이 아닙니다. 목적은 반복 가능한 루틴을 만드는 것입니다.
월요일 예측 루틴
- 주별 또는 월별로 이력을 내보내기:고회전 품목은 주별이 좋습니다. 저회전 카탈로그 품목은 월별이면 충분합니다.
- 도우미 열 2개를 추가하기:재고 유무 상태용 하나, 이벤트 메모용 하나. 이 두 필드가 놀라울 정도로 많은 나쁜 예측을 방지합니다.
- 품목 클래스별로 기준 방법 하나를 선택하기:안정 품목에는 이동평균, 서서히 변동하는 품목에는 평활법으로 시작합니다.
- 반복될 때만 계절성을 적용하기:같은 달력 상승을 한 번 이상 가리킬 수 있다면 계절 요인을 추가하세요. 그렇지 않다면 단순하게 유지합니다.
- 보충 기간을 예측하기:공급업체 리드타임에 다음 발주 검토까지의 간격을 더한 수요를 예측합니다.
- 모든 오버라이드를 기록하기:영업팀이 고객 확보로 다음 달에 300개가 추가된다고 한다면, 오버라이드와 그 이유를 입력하세요. 숨겨진 오버라이드는 학습을 파괴합니다.
보통 사람도 계산할 수 있는 3가지 정확도 점검
통계로 가득 찬 대시보드는 필요 없습니다. 예측이 체계적으로 틀리는지, 그리고 얼마나 틀리는지를 알려주는 몇 가지 지표면 충분합니다.
부호 포함 평균 오차. 양의 편향은 지속적으로 과대 예측하고 있음을 의미합니다. 음의 편향은 만성적으로 과소 예측하며 결품을 초래하고 있음을 의미합니다.
평균 절대 오차, 단위 기준 평균 빗나감. Green과 Armstrong이 언급하듯, MAE는 생산 및 재고 관리 의사결정을 위한 단순하고 유용한 지표입니다.
가중 절대 백분율 오차. AWS Supply Chain의 수요 계획 문서에서는 전체 실제 수요 대비 전체 예측 빗나감을 보여주기 때문에 WAPE를 집계 정확도 지표로 사용합니다.
MAPE 사용에는 주의가 필요합니다. Hyndman의 정확도 가이드에서 MAPE는 실제 수요가 0일 때 정의되지 않으며, 실적이 0에 가까울 때 극단적으로 커질 수 있습니다. 이 때문에 저회전 품목, 신규 품목, 수요 0인 기간이 잦은 계열에는 부적합합니다.
편향, MAE, WAPE부터 시작하세요. 이 세 가지가 안정되고 이해된 후에만 더 고급 지표를 추가합니다.
구매에 적용하기 전에 백테스트하기
예측은 합리적으로 보인다고 완성된 것이 아닙니다. 모델이 보지 못한 과거 기간에서 테스트한 후에야 완성입니다. Hyndman의 시계열 교차 검증 가이드에서는 롤링 예측 기점을 설명합니다 - 이력을 따라 이동하며 앞으로 예측하고 오차를 평균화합니다. 이것은 '이것이 지난 분기에 효과가 있었을까?'라고 묻는 것의 성숙한 버전입니다.
간단한 백테스트
- 최근 8~12기간을 보류하기:첫 번째 모델 구축에 사용하지 마세요.
- 각 후보 방법을 실행하기:이동평균, 평활법, 비교하고 싶은 계절 버전.
- 편향, MAE, WAPE를 측정하기:모델이 보지 못한 기간에서 방법을 판단합니다.
- 사람이 설명할 수 있는 방법을 선택하기:두 방법이 비슷하다면 팀이 실제로 유지 관리할 방법을 선택합니다.
스프레드시트가 어려움을 겪는 영역 파악하기
- 신제품: 새 SKU에는 아직 안정적인 패턴이 없으므로 유사 품목, 카테고리 또는 출시 계획에서 이력을 빌려옵니다.
- 불규칙하거나 간헐적인 수요: 먼저 패밀리나 카테고리 수준에서 예측하고, 개별 보충은 더 많은 수동 검토로 계획합니다.
- 프로모션과 프로젝트 비즈니스: 기준 모델에 특별 이벤트를 추측하게 하지 말고 이벤트 오버라이드를 별도로 추가합니다.
- 부정확한 재고 기록: 입고, 조정, 위치 관리가 약하다면 먼저 프로세스를 수정하세요. 잘못된 기록 위에 예측을 얹어도 여전히 잘못된 수량을 주문하게 됩니다.
여기서 우선순위 결정이 중요합니다. ABC 분석을 사용해 어떤 품목에 가장 많은 예측 주의를 기울여야 할지 결정하고, 예측과 규율 있는 안전 재고 검토를 결합하여 불확실성이 무분별한 과잉 구매로 변하지 않도록 합니다.
최종 요점
데이터 과학자 없이 하는 재고 예측은 고급 수학보다 운영상의 정직함이 더 중요합니다. 이력을 정리하세요. 이동평균이나 평활법으로 시작하세요. 계절성은 반복될 때만 추가하세요. 편향과 절대 오차를 측정하세요. 숫자를 신뢰하기 전에 백테스트하세요.
다음 단계: 중요한 SKU 20개를 선택하고, 주간 시트 하나를 만들어 향후 8주간 예측 대 실적을 비교하세요. 그 후에는 예측이 더 이상 이론적으로 느껴지지 않고 구매 방식의 일부가 되기 시작합니다.