발주 담당자가 AI에게 “다음 달 품목별 발주 수량을 추천해 달라”고 요청했는데, 추천 결과를 받아도 실행하지 못하는 경우가 있습니다. 모델이 부족해서가 아니라, 현재 재고와 판매 이력을 어떤 숫자로 믿어야 하는지 회사 안에서 합의하지 못했기 때문입니다.
판매 채널, 매장, 창고, 회계 ERP, 스프레드시트가 각각 다른 재고를 보여준다면 AI는 그중 하나를 선택해 계산할 수밖에 없습니다. 선택 기준이 정해져 있지 않으면 추천 수량도 설명할 수 없고, 담당자는 다시 별도 장부를 열어 확인하게 됩니다. 이 상태에서 AI 발주를 먼저 도입하면 자동화가 아니라 새로운 숫자 하나가 더 늘어날 가능성이 큽니다.
AI 발주 시스템을 검토하는 유통·커머스 운영 조직은 모델 선정 전에 다음 질문부터 답해야 합니다.
어떤 거래가 발생하면, 어느 시스템이 언제 재고를 증감시키며, 그 기록을 누가 정정할 수 있는가?
답이 문서와 데이터로 고정되지 않았다면, 우선순위는 예측 고도화가 아니라 재고 정합성 구축입니다.
실패는 예측 단계가 아니라 거래 기록 단계에서 시작된다
재고는 하나의 입력값이 아니라 거래의 결과입니다. 입고, 검수, 보관 위치 이동, 매장 출고, 판매, 반품, 폐기, 샘플 제공, 예약 판매처럼 재고를 바꾸는 사건이 순서대로 기록돼야 현재 수량을 계산할 수 있습니다.
문제는 많은 운영 환경에서 이 사건들이 같은 방식으로 기록되지 않는다는 데 있습니다. 예를 들어 판매는 백화점 POS에서 먼저 기록되고, 본사 ERP에는 나중에 수기로 옮겨질 수 있습니다. 입고 예정 물량은 구매 담당자의 시트에만 있고, ERP에는 실물 입고 뒤에야 반영될 수 있습니다. 사은품, 액세서리, 불량품처럼 회계상 자산으로 관리하지 않는 품목은 재고 시스템 밖에서 관리되기도 합니다.
이때 AI는 데이터가 비어 있는 이유를 스스로 구분하지 못합니다. 판매가 없었던 것인지, 판매됐지만 아직 전송되지 않은 것인지, 품목 코드가 달라 집계에서 빠진 것인지 판단할 기준이 없습니다. 과거 판매량과 재고 수량을 연결해 학습하더라도, 입력 자체가 서로 다른 시점과 범위를 가리키면 추천값의 근거가 흔들립니다.
특히 다음 두 상황은 발주 예측 오류로 이어지기 쉽습니다.
- 재고가 실제보다 적게 보이는 경우: 입고 예정, 매장 간 이동, 반품 검수가 늦게 반영되면 AI는 품절 위험이 높다고 해석할 수 있습니다.
- 재고가 실제보다 많게 보이는 경우: 판매 전송이 지연되거나 폐기·분실·서비스 제공 수량이 빠지지 않으면 AI는 추가 발주를 줄일 수 있습니다.
두 경우 모두 모델은 주어진 데이터를 따라 계산했을 뿐입니다. 실패 원인은 “AI가 잘못 예측했다”가 아니라, 예측 대상인 가용재고와 판매 이력이 같은 업무 기준으로 만들어지지 않았다는 데 있습니다.
먼저 정할 것은 재고 숫자가 아니라 재고의 의미다
시스템 오브 레코드란 특정 업무 사실에 대해 회사가 최종 기준으로 삼는 기록 시스템입니다. 여기서 중요한 점은 ERP, WMS, POS 가운데 제품 이름이 무엇인가가 아닙니다. 재고 변동의 최종 기록을 어느 시스템이 책임질지, 다른 시스템은 어떤 역할을 맡을지를 정하는 일입니다.
운영팀과 재무팀, 매장 조직이 함께 최소한 아래 항목을 합의해야 합니다.
| 결정 항목 | 먼저 정할 질문 | 발주 예측에 미치는 영향 |
|---|---|---|
| 품목 식별 | 색상·사이즈·세트·사은품·샘플을 각각 별도 재고로 볼 것인가 | 품목별 판매와 재고가 같은 단위로 집계된다 |
| 재고 상태 | 정상 판매 가능, 검수 중, 불량, 예약 할당, 반품 대기 재고를 어떻게 나눌 것인가 | 판매 가능한 수량과 물리 수량을 구분할 수 있다 |
| 위치 | 본사 창고, 매장, 외부 물류, 이동 중 재고를 어디까지 구분할 것인가 | 한 매장의 품절과 회사 전체 재고를 혼동하지 않는다 |
| 거래 시점 | 주문, 결제, 출고, 배송 완료, 반품 접수 중 어느 시점에 재고를 움직일 것인가 | 판매 시계열의 기준점이 고정된다 |
| 정정 권한 | 오류 거래를 누가 어떤 사유로 취소·수정하는가 | 과거 데이터가 바뀐 이유를 추적할 수 있다 |
여기서 ‘판매’와 ‘매출’을 하나의 날짜로 억지로 맞출 필요는 없습니다. 운영 목적에 따라 주문일, 출고일, 배송 완료일, 회계 인식일이 다를 수 있습니다. 다만 발주 예측에 쓸 판매 이력은 어느 날짜를 기준으로 할지 정해야 합니다. 회계 보고용 매출과 운영용 출고 수량이 다르다면, 둘을 별도 지표로 관리하는 편이 더 명확합니다.
조기 신호가 보이면 AI 범위부터 줄여야 한다
재고 불일치는 월말에만 발견되지 않습니다. 운영 화면과 현장 업무에서 반복되는 신호가 있습니다. 다음 현상 중 여러 개가 나타난다면 AI 자동 발주를 넓히기보다 데이터 진단을 먼저 잡는 편이 안전합니다.
- 같은 SKU의 재고가 POS, ERP, 매장 파일에서 서로 다르지만 어느 숫자가 기준인지 정해져 있지 않다.
- 음수 재고가 예약 판매나 선주문 때문에 발생해도 별도 상태값 없이 일반 판매 재고와 섞인다.
- 반품, 불량, 샘플 제공, 분실, 폐기 거래가 정해진 코드 없이 메모나 별도 파일로 남는다.
- 매장 간 이동을 출고와 입고가 한 쌍으로 기록하지 않아, 어느 위치에 재고가 있는지 확인하기 어렵다.
- 재고 수량을 맞추기 위해 월말마다 일괄 조정하지만 조정 사유와 원거래를 연결하지 않는다.
- 상품명은 같지만 채널이나 담당자마다 품목 코드, 옵션명, 묶음 단위가 다르게 쓰인다.
이 신호는 데이터 품질 점수가 낮다는 추상적인 문제가 아닙니다. 발주 추천을 검토할 때 “왜 이 수량이 나왔는가”를 역추적하지 못한다는 뜻입니다. 추천값을 설명할 수 없으면 담당자는 결국 기존 감각과 수기 파일을 기준으로 결정하게 됩니다.
통합은 화면 통합보다 거래 이벤트 통합에서 검증한다
여러 시스템의 화면을 하나로 모으는 것만으로 정합성이 생기지는 않습니다. 재고를 바꾼 거래가 어떤 품목에, 언제, 어디서, 왜 발생했는지 남아야 합니다.
공급망 데이터 표준인 GS1 EPCIS도 제품과 자산의 상태·위치·이동 이력을 공유하기 위해 ‘무엇을, 언제, 어디서, 왜, 어떻게’라는 거래 이벤트 정보를 다룹니다. 모든 유통사가 EPCIS를 도입해야 한다는 뜻은 아닙니다. 다만 내부 시스템을 설계할 때도 같은 질문을 빠뜨리지 말라는 기술적 기준으로는 활용할 수 있습니다.
요구사항 단계에서는 입고, 이동, 판매, 반품처럼 재고를 바꾸는 업무마다 아래 필드를 확인해 볼 수 있습니다.
- 거래 식별자: 중복 수신이나 재처리 여부를 구분할 수 있는 번호
- 품목 식별자와 수량 단위: 낱개, 세트, 박스가 혼재하지 않는지
- 발생 시각과 기록 시각: 거래가 일어난 때와 시스템에 입력된 때를 구분하는지
- 출발 위치와 도착 위치: 이동 거래라면 양쪽 위치를 모두 남기는지
- 재고 상태: 판매 가능, 검수 중, 예약 할당 등 수량의 성격
- 원거래 연결: 반품·취소·수정이 어떤 판매나 출고를 되돌리는지
- 처리 주체와 예외 사유: 자동 연동 실패, 수기 조정, 실사 차이의 이유
이 정보가 있어야 운영팀은 “재고가 다르다”에서 멈추지 않고, 어느 채널의 어떤 거래가 누락됐는지 좁힐 수 있습니다. 개발팀도 연동 실패를 단순 오류 로그가 아니라 재고 변동 누락 문제로 다룰 수 있습니다.
AI 도입 전에는 예측 정확도보다 재현 가능한 검증을 만든다
재고 시스템을 새로 구축하거나 통합할 때, 첫 목표를 전사 재고 숫자 하나로 잡으면 논의가 길어질 수 있습니다. 대신 재고 변동이 잦고 발주 의사결정에 직접 영향을 주는 품목군이나 채널을 정해 거래 흐름부터 검증하는 방식이 현실적입니다.
검증은 다음 순서로 진행할 수 있습니다.
- 기준 품목과 위치를 확정한다. 옵션, 세트, 샘플, 판매 불가 재고를 포함할지 범위를 문서로 남깁니다.
- 거래 유형별 기대 결과를 정한다. 예를 들어 입고 검수 완료, 매장 이동, 판매 취소, 반품 재판매 가능 판정 뒤에 각각 어느 위치·상태의 수량이 바뀌는지 정의합니다.
- 원천 기록과 기준 시스템을 대조한다. POS, 물류, 구매, 매장 기록의 거래 건수를 비교하되, 금액 합계만 보지 않고 품목·수량·시점까지 확인합니다.
- 차이를 조정값으로 덮지 않는다. 불일치가 나오면 누락, 중복, 코드 불일치, 시점 차이, 상태 정의 차이 중 어디에 속하는지 분류합니다.
- 그 뒤에 AI를 제한된 업무에 붙인다. 자동 발주부터 시작하기보다, 발주 후보 목록 생성이나 재고 이상 징후 탐지처럼 사람이 검토할 수 있는 업무부터 시험합니다.
AI 발주 예측은 재고 정합성 프로젝트의 보상이 아니라 다음 단계의 사용자입니다. 거래 이력이 정리되면 예측 모델뿐 아니라 품절 알림, 입고 검수 지원, 채널별 판매 취합, 매장 간 재배치 판단에도 같은 기준 데이터를 쓸 수 있습니다.
요구사항 회의에서는 AI 기능 목록보다 먼저 한 장의 거래 흐름도를 꺼내는 편이 좋습니다. 각 화살표에 “이 거래를 기록하는 시스템”, “재고를 바꾸는 시점”, “오류가 나면 확인할 사람”을 적어 보십시오. 빈칸이 남는 곳이 AI 도입 전에 통합하고 검증할 업무입니다.
