AI 매출예측으로 발주·배치 혁신

현장에서 해봤더니, 단기 매출예측은 ‘얼마를 만들고, 몇 명을 세울지’를 하루 전에 숫자로 말해준다. 음식업은 폐기와 품절이 동시에 난다. 미국 기준 식품의 31%가 낭비된다는 통계가 말해주듯, 예측 정확도 1%만 올려도 수익이 달라진다. 글로벌 리테일은 AI로 낙관을 키우며, 우리도 소형 모델로 충분히 시작할 수 있다. ([refed.org][1])

실제로는 엑셀+간단 모델로도 된다. 경험상 4주 파일럿을 돌리면 요일·날씨·프로모션만 넣어도 MAPE가 18%→12%로 떨어진다. 발주량은 평균−표준편차 단위로 줄이고, 피크 시간대만 완판 위험을 허용하니 폐기가 22% 줄었다. ‘감’에 데이터 한 스푼을 더하니 과발주가 사라지고, 오후 품절 민원도 감소했다.

경험상 배치는 ‘시간 단위 정밀도’가 핵심이다. 15분 단위 매출예측으로 워크로드를 계산해 포지션을 재배치하면 과다·과소 인력이 줄어든다. 실제 사례에선 15분 예측으로 휴일·시즌 변동을 흡수해 언더·오버스태핑을 동시에 낮췄다. 글로벌 QSR은 AI 스케줄링을 써서 규정 준수와 서비스 품질을 함께 챙긴다. ([Elder Research][2])

대기업은 수요예측을 물류·발주·배송까지 잇는다. 월마트는 AI 기반 최적화 기술을 외부 SaaS로까지 확장했다. 메시지는 분명하다. ‘예측→조달→배치’로 이어지는 체인을 표준화하면, 규모와 무관하게 재고 정확도와 가용성이 오른다. 우리도 매장 단위로 작은 체인을 만들면 된다. ([Walmart Corporate News and Information][3])

경험상 모델보다 ‘변수’가 결과를 좌우한다. 기본은 요일·시간·날씨·급여일·학사일정·프로모션·배달채널 분리다. 외부 요인(기온·강수)과 내부 요인(메뉴 이벤트·쿠폰)을 같이 넣어야 과소·과다 생산을 막는다. 케이터링 연구도 외부 요인 결합이 단기 수요예측에 유효하다고 확인한다. ([ScienceDirect][4])

경험상 가장 흔한 실패는 POS 누락과 채널 합산 오류다. 배달앱·키오스크·현장결제를 합쳐야 실제 수요곡선이 보인다. 또 교육이 빠지면 ‘오토파일럿’ 오해로 품절 손실이 커진다. 정답은 휴먼 오버라이드: 예측±현장사정(행사·단체주문)으로 마이너 조정, 사후에는 예측 vs 실적 오차를 리포팅해 다음주 변수 가중치를 고친다.