ML 기반 수요 예측과 자동 발주: 재고 과잉·품절을 동시에 없애는 방법

이 글은 누구를 위한 것인가

• 재고 과잉과 품절이 반복되어 물류 비용과 기회 손실이 발생하고 있는 이커머스 운영팀
• ML 기반 수요 예측 시스템을 처음 도입하려는 데이터 엔지니어
• 자동 발주 시스템을 구축하여 바이어의 업무를 자동화하고 싶은 개발자

---

들어가며

재고 관리는 이커머스에서 가장 어려운 문제 중 하나다. 너무 많이 쌓으면 보관 비용이 늘고, 너무 적으면 품절로 매출 기회를 잃는다. 전통적인 방식은 바이어가 과거 판매 데이터와 직감으로 발주량을 결정하는 것이었다.

ML 기반 수요 예측은 이 문제를 구조적으로 해결한다. 계절성, 프로모션 효과, 경쟁사 재고 상황, 날씨까지 고려한 예측이 가능하다. 실제로 ML 수요 예측을 도입한 기업들은 재고 비용을 평균 30% 줄이고, 품절률을 50% 이상 낮추는 효과를 보고 있다.

이 글은 bluefoxdev.kr의 이커머스 데이터 파이프라인 구축 을 참고하고, 재고 최적화 관점에서 확장하여 작성했습니다.

---

1. 수요 예측 모델 선택

1.1 모델 비교

모델	장점	단점	적합한 경우
Prophet	구현 쉬움, 해석 가능	복잡한 패턴 한계	초기 도입, 명확한 계절성
LSTM	복잡한 패턴 학습	데이터 많이 필요	대규모 SKU, 충분한 히스토리
LightGBM	빠른 학습, 정확도 높음	특성 공학 필요	다변수 예측
ARIMA	통계적 해석 가능	자동화 어려움	단순한 시계열

초기에는 Prophet, 데이터가 쌓이면 LightGBM 앙상블로 발전시키는 것이 현실적이다.

1.2 Prophet 기반 수요 예측 구현

from prophet import Prophet
import pandas as pd
import numpy as np

class DemandForecastService:
    def __init__(self, product_id: str):
        self.product_id = product_id
        self.model = Prophet(
            yearly_seasonality=True,
            weekly_seasonality=True,
            daily_seasonality=False,
            seasonality_mode='multiplicative'  # 곱셈형: 성수기 효과 반영
        )
        # 한국 공휴일 추가
        self.model.add_country_holidays(country_name='KR')
    
    def prepare_data(self, sales_df: pd.DataFrame) -> pd.DataFrame:
        """Prophet 형식으로 데이터 변환"""
        return sales_df.rename(columns={
            'date': 'ds',
            'quantity_sold': 'y'
        })[['ds', 'y']]
    
    def add_promotions(self, promotions: list[dict]):
        """프로모션 이벤트를 외생 변수로 추가"""
        for promo in promotions:
            self.model.add_regressor(promo['name'])
    
    def train(self, sales_df: pd.DataFrame):
        df = self.prepare_data(sales_df)
        self.model.fit(df)
    
    def forecast(self, days: int = 30) -> pd.DataFrame:
        future = self.model.make_future_dataframe(periods=days)
        forecast = self.model.predict(future)
        return forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail(days)

---

2. 안전 재고 계산

2.1 안전 재고 공식

안전 재고는 예측 불확실성과 리드타임을 고려한 버퍼다.

안전 재고 = Z × σ_수요 × √리드타임

Z: 서비스 수준에 따른 안전 계수
  - 95% 서비스 수준: Z = 1.65
  - 99% 서비스 수준: Z = 2.33

σ_수요: 수요의 표준편차
리드타임: 발주 후 입고까지 기간 (일)

import numpy as np
from scipy import stats

def calculate_safety_stock(
    demand_history: list[float],
    lead_time_days: int,
    service_level: float = 0.95
) -> int:
    """
    service_level: 0.95 = 95% 서비스 수준
    """
    z_score = stats.norm.ppf(service_level)  # 1.645
    demand_std = np.std(demand_history)
    
    safety_stock = z_score * demand_std * np.sqrt(lead_time_days)
    return int(np.ceil(safety_stock))

def calculate_reorder_point(
    avg_daily_demand: float,
    lead_time_days: int,
    safety_stock: int
) -> int:
    """발주 시점 재고 수준 계산"""
    return int(avg_daily_demand * lead_time_days + safety_stock)

---

3. 자동 발주 시스템 설계

3.1 발주 트리거 로직

[재고 모니터링 스케줄러 - 매일 오전 9시]
  ↓
현재 재고 조회
  ↓
재주문점(ROP) 이하인 상품 탐지
  ↓
수요 예측 기반 발주량 계산
  ↓
최소 발주 단위(MOQ) 적용
  ↓
발주 초안 생성
  ↓
바이어 검토 (고가/신규 상품) 또는 자동 발주

3.2 발주량 최적화

def calculate_optimal_order_quantity(
    forecast_demand: float,      # 리드타임 기간 예측 수요
    safety_stock: int,           # 안전 재고
    current_stock: int,          # 현재 재고
    target_days_of_stock: int,   # 목표 재고 보유 일수
    avg_daily_demand: float,     # 일 평균 수요
    moq: int = 1                 # 최소 발주 단위
) -> int:
    target_stock = avg_daily_demand * target_days_of_stock + safety_stock
    order_quantity = max(0, target_stock - current_stock)
    
    # MOQ 반올림
    if order_quantity > 0:
        order_quantity = max(moq, round(order_quantity / moq) * moq)
    
    return order_quantity

class AutoReorderService:
    async def run_daily_check(self):
        products = await self.get_active_products()
        
        for product in products:
            current_stock = await self.inventory.get_current_stock(product.id)
            rop = await self.get_reorder_point(product.id)
            
            if current_stock <= rop:
                order_qty = calculate_optimal_order_quantity(
                    forecast_demand=await self.get_forecast(product.id, product.lead_time_days),
                    safety_stock=product.safety_stock,
                    current_stock=current_stock,
                    target_days_of_stock=45,
                    avg_daily_demand=product.avg_daily_demand,
                    moq=product.minimum_order_quantity
                )
                
                if order_qty > 0:
                    await self.create_purchase_order(product, order_qty)

---

4. 계절성과 프로모션 보정

4.1 주요 보정 요소

수요 예측 × 보정 계수

계절성 보정:
  - 여름 성수기 (6~8월): 1.3~1.8배
  - 겨울 성수기 (11~1월): 1.4~2.0배

이벤트 보정:
  - 블랙프라이데이: 3~5배
  - 설날/추석: 1.5~2.5배
  - 여름 세일: 2~4배

신상품 보정:
  - 출시 첫 달: 보수적 예측 (히스토리 없음)
  - 유사 상품 히스토리 활용

4.2 예측 정확도 모니터링

def calculate_forecast_accuracy(
    actual: list[float],
    predicted: list[float]
) -> dict:
    """
    MAPE: Mean Absolute Percentage Error
    RMSE: Root Mean Square Error
    """
    actual = np.array(actual)
    predicted = np.array(predicted)
    
    mape = np.mean(np.abs((actual - predicted) / actual)) * 100
    rmse = np.sqrt(np.mean((actual - predicted) ** 2))
    
    return {
        'mape': round(mape, 2),
        'rmse': round(rmse, 2),
        'accuracy_pct': round(100 - mape, 2)
    }

MAPE 15% 이하면 양호, 10% 이하면 우수 수준이다.

---

마무리: 도입 로드맵

단계	기간	목표
1단계	1개월	데이터 파이프라인 구축, 히스토리 정리
2단계	2개월	Prophet 모델 적용, 예측 정확도 측정
3단계	3개월	안전 재고 자동 계산, 발주 알림 자동화
4단계	6개월+	완전 자동 발주, 앙상블 모델 고도화

ML 수요 예측은 완벽하지 않다. 하지만 사람의 직감보다 일관성 있고 확장 가능하다. 예측 정확도를 지속적으로 모니터링하고 모델을 개선하는 것이 성공의 핵심이다.