AI 재고예측과 발주 자동추천의 원리 — 품절과 과잉재고를 동시에 줄이기
AI는 과거 소비 패턴과 리드타임을 학습해 무엇을 언제 얼마나 주문할지 추천한다. 그 원리와, 사람의 감으로는 왜 어려운지를 정리한다.
재고 관리의 두 실패는 품절과 과잉재고다. 둘은 반대처럼 보이지만 원인은 같다 — 얼마를 언제 주문할지 정확히 모른다는 것이다. AI 재고예측과 발주 추천은 이 판단을 데이터로 자동화한다. 이 글은 그 원리를 정리한다. (안전재고와 발주점의 개념 위에서 읽으면 좋다.)
무엇을 예측하나
AI 재고예측은 크게 두 가지를 본다.
- 수요 예측 — 앞으로 이 품목이 얼마나 팔릴/쓰일 것인가.
- 발주 추천 — 그 수요와 현재 재고·리드타임을 놓고, 언제 얼마를 주문해야 품절 없이 과잉 없이 갈 수 있는가.
수요를 예측하고, 그 위에 발주 타이밍·수량을 계산해 추천하는 흐름이다.
원리 — 무엇을 학습하나
AI는 과거 데이터에서 패턴을 학습한다.
- 소비 이력 — 이 품목이 언제 얼마나 소비됐는지.
- 계절성·추세 — 성수기·비수기, 증가·감소 추세.
- 리드타임 — 주문 후 입고까지 실제 걸린 시간과 그 변동.
- 변동성 — 소비가 얼마나 들쭉날쭉한지.
이를 종합해 “지금 재고로 며칠 버티고, 언제 주문해야 입고 시점에 품절이 안 나는지”를 계산한다. 변동이 큰 품목은 안전재고를 더 두고, 안정적인 품목은 적게 두는 식으로 품목마다 다르게 판단한다.
사람의 감으로는 왜 어려운가
품목이 열 개면 감으로도 된다. 하지만 수백 개면 불가능하다.
- 각 품목의 소비율·리드타임·계절성이 다 다르다.
- 매일 재고가 바뀐다.
- 사람은 결국 눈에 띄는 몇 개만 챙기고 나머지는 방치한다 → 방치된 품목에서 품절·과잉이 터진다.
AI는 수백 품목을 동시에 매일 계산해, 지금 주문이 필요한 것만 추려 알려준다. 사람은 그 추천을 검토·승인만 하면 된다. 관리 범위가 근본적으로 넓어진다.
발주 추천 · 오늘
| 품목 | 현재고 | 소진예상 | 추천발주 | 승인 |
|---|---|---|---|---|
| 토마토 페이스트 | 120kg | 5일 | 200kg | 대기 |
| 병(500ml) | 3,200 | 12일 | — | 여유 |
| 소금 | 18kg | 7일 | 25kg | 대기 |
MillioAI 화면 예시(도식) — 소진 예상일과 리드타임을 계산해 지금 주문할 품목만 추려 추천하고, 승인은 사람이 한다. 실제 구현: millioai.com
추천을 어떻게 쓰나
- AI 추천 → 사람 승인. AI가 “토마토 페이스트 5일 내 품절, 200kg 발주 권장”을 띄우면, 담당자가 확인하고 발주한다.
- 예외는 사람이 조정한다. 신제품 출시, 프로모션 등 데이터에 없는 사정은 사람이 반영한다.
- 맞았는지 피드백한다. 예측이 맞고 틀림을 시스템이 학습해 점점 정확해진다.
자주 묻는 질문
Q. 데이터가 얼마나 쌓여야 예측이 되나요? A. 많을수록 정확하지만, 몇 달치만 있어도 시작할 수 있다. 완벽을 기다리기보다 데이터를 쌓으며 예측을 병행해 정확도를 높인다.
Q. 신제품은 과거 데이터가 없는데요? A. 유사 품목의 패턴을 참고하거나, 초기에는 사람이 판단하고 데이터가 쌓이면 AI로 넘긴다. 신제품은 예측이 어려운 게 정상이다.
정리하면 AI 재고예측은 과거 소비·리드타임·변동성을 학습해 수요를 예측하고, 그 위에서 발주 타이밍·수량을 추천한다. 수백 품목을 동시에 계산해 품절과 과잉을 함께 줄이는 것이 그 값이며, 사람은 추천을 검토·승인한다.