수요 예측 AI, 출하량을 그대로 학습하면 놓치는 것

출하량은 실제로 내보낸 수량이고 수요는 고객이 필요로 한 수량입니다. 재고가 없어 못 보낸 주문이나 취소·반품이 섞이면 두 값이 달라집니다. 수요 예측 AI를 검토할 때는 학습할 숫자가 어떤 사건을 나타내는지부터 정해야 합니다.

예측할 대상과 기간을 먼저 고릅니다

품목별 주간 주문량을 예측할지, 월간 출하량을 예측할지에 따라 데이터와 활용이 달라집니다. 구매 발주에 쓰려면 조달에 걸리는 기간도 고려해야 합니다. 매주 다음 주만 예측하는데 자재 조달은 여러 주가 걸리면 결과를 쓰기 어렵습니다.

가상의 예로 주문은 100개였지만 재고 부족으로 60개만 출하했다고 해보겠습니다. 출하 60개만 남기면 그 기간의 필요 수량을 낮게 해석할 수 있습니다. 주문·출하·미납·취소를 구분하면 어느 숫자를 예측에 사용할지 판단할 수 있습니다.

판촉이나 일회성 대량 주문, 품목 통합·분할도 기록이 필요합니다. 과거 품목코드를 현재 코드로 합칠 때는 비교 단위가 바뀌지 않는지 확인합니다.

처음부터 복잡한 모델끼리 비교하기보다 현재 담당자의 방식이나 단순 평균을 기준선으로 둡니다. 과거 일정 구간으로 모델을 만들고 그 이후 기간을 예측해 실제 결과와 비교합니다. 미래 정보가 학습 자료에 섞이지 않게 나누는 것이 중요합니다.

예를 들어 세 품목에서 절대 오차가 10·20·30개라면 평균 절대 오차는 20개입니다. 이 계산만으로 충분하지는 않습니다. 수요가 큰 품목과 거의 없는 품목의 오차, 부족 재고와 과잉 재고의 비용도 따로 봅니다.

결과가 나와도 최소 주문량, 생산능력, 재고 정책 때문에 그대로 실행하지 못할 수 있습니다. 담당자가 어느 범위에서 발주나 생산계획을 바꿀지 정하고, 조정 이유를 기록하면 이후 평가에도 쓸 수 있습니다.

수요 예측은 도입 사실보다 실제 계획의 개선으로 평가해야 합니다. 데이터 준비와 다른 AI 과제의 차이는 제조 AI 도입 범위에서 확인할 수 있습니다.