A: 가능하지만, 기대치를 '대형 모델을 도입하면 곧바로 정확해진다'에서 '경량 모델로 핵심 SKU의 예측 오차를 쓸 만한 범위로 좁힌다'로 바꾸는 것이 전제입니다. 중소 공장의 데이터 양, 품목 복잡도, IT 예산은 대기업의 전 체인 AI 경로를 따를 수 없게 하지만, 품목 단위 수요 예측은 이력 출하 데이터와 경량 머신러닝 모델로 수동 경험보다 안정적인 예측 수준에 도달하는 것이 충분히 가능합니다.
1. 먼저 데이터 기반이 충분한지 확인하십시오
수요 예측 모델의 입력은 이력 출하, 계절성, 프로모션이나 주문 변동, 고객 집중도에 불과합니다. 중소 공장의 흔한 문제는 이력 데이터가 2~3년치뿐이고 SKU 코딩이 혼란스러우며 반품과 교환이 별도로 표시되지 않는다는 것입니다. 이런 경우 전 범주 예측부터 시작하지 말고 출하 빈도와 매출 비중 상위 20%의 SKU를 골라 파일럿하십시오. 보통 매출의 60~70%를 커버합니다. 데이터 정제 작업량이 모델링 자체보다 큰 경우가 많고 이 단계는 건너뛸 수 없습니다.
2. 모델 선택에서 대형 모델을 쫓지 마십시오
중소 공장에 맞는 것은 시계열 방법(지수 평활, ARIMA)과 그래디언트 부스팅 트리(XGBoost, LightGBM) 같은 경량 모델이며, 피처 엔지니어링은 지연 판매량, 이동 평균, 휴일 플래그를 중심으로 구성합니다. 딥러닝과 Transformer 계열 모델은 더 긴 이력 시계열과 더 강한 컴퓨팅 파워가 필요해 중소 시나리오에서는 비용 효율이 낮습니다. 업계에서 흔히 인용하는 정확도 지표는 MAPE(평균 절대 백분율 오차)와 WMAPE(가중 MAPE)이며, 후자가 대량 SKU에 더 민감하므로 선정 평가 시 WMAPE를 주 지표로 쓰십시오.
3. 합리적 정확도 범위를 어떻게 판단합니까
'정확도 95%'를 목표로 삼지 마십시오. 생활 소비재나 수요가 안정적인 범주는 WMAPE 20% 이내면 괜찮은 수준이고, 다품종 소량 주문형 하드웨어나 자동차 부품은 30~40%도 정상입니다. 핵심은 두 가지입니다. 기존 수동 예측보다 오차가 얼마나 낮아졌는지, 예측 결과가 실제로 스케줄링과 구매 의사결정에 들어가는지입니다. 모델이 아무리 정확해도 계획 담당자가 쓰지 않으면 아무 소용이 없습니다.
관련 후속 질문: 중소 공장의 수요 예측에 ERP 데이터를 바로 쓸 수 있습니까?
대부분 바로는 안 됩니다. ERP는 주문과 재고 거래 흐름을 기록할 뿐 수요 신호와 주문 신호의 구분이 없고, 반품, 사은품, 내부 소비가 섞여 샘플을 오염시킵니다. 보통 데이터 거버넌스가 먼저입니다. SKU 마스터 데이터, 고객 차원, 시간 입도를 통일한 뒤 모델링 와이드 테이블을 추출합니다.
관련 후속 질문: 예측은 얼마나 자주 돌려야 합니까?
구매 리드타임에 달려 있습니다. 리드타임이 긴 원자재는 월 단위 또는 주 단위 롤링 예측을 하고, 완제품과 단주기 자재는 주 단위로 돌릴 수 있습니다. 빈도가 너무 높으면 계획 담당자의 검증 부담이 커지고 너무 낮으면 조정의 의미가 없어집니다. 보통 주 단위 롤링에 월 단위 검토를 더하는 것이 실용적 리듬입니다.
관련 후속 질문: 전담 알고리즘 전문가가 필요합니까?
파일럿 단계에서는 벤더가 제공하는 표준화된 예측 모듈과 계획 담당자의 수동 보정으로 충분합니다. 안정적으로 운영된 뒤 전담 데이터 인력 배치를 고려하십시오. 중소 공장의 더 현실적인 방법은 비즈니스 계획 담당 간부 한 명이 모델 결과 검토자 역할도 겸하는 것입니다.
적합성 경계: SKU 수를 관리할 수 있고 최소 2년 이상의 이력 출하 데이터가 있으며 기본적인 ERP나 재고 관리 시스템을 사용 중인 중소 공장은 고가치 범주부터 진입하는 것이 적합합니다. 데이터가 거의 없거나 전적으로 프로젝트 수주형이라 반복성이 없거나 기본 자재 코딩조차 통일되지 않은 기업은 부적합하며, 그런 경우 예측 모델 배포보다 데이터 기반 구축이 더 가치 있습니다. 선정 시 광고된 정확도 수치만 보지 말고 벤더가 데이터 거버넌스 경로, 모델 해석 가능성, 기존 ERP와의 연결 방식을 설명할 수 있는지에 주목하십시오.