AI Trend Research

← AI 용어집

AI 용어집 · 기초 · 전통 ML·추천·검색 · 물류·공급망 · 유통·커머스

수요 예측 Demand Forecasting

수요 예측은 과거 판매 기록과 날씨·행사·가격 같은 정보를 바탕으로 앞으로 어떤 상품이 언제, 어디서, 얼마나 팔릴지 미리 추정하는 일이다.

용어 정보
난이도
기초 · 소식을 읽을 때 자주 만나는 기술 용어
카테고리
산업 AI
추가
2026-10-10
쉽게 말하면 동네 빵집 주인이 '비 오는 금요일엔 식빵이 덜 팔리고, 근처 학교 행사 날엔 많이 팔린다'는 경험으로 반죽 양을 정하는 것과 같다. AI 수요 예측은 이런 경험칙을 수천 개 상품과 매장에 대해 데이터로 한꺼번에 계산한다. 다만 처음 겪는 사건(갑작스러운 유행, 재난)은 데이터에 없어서 잘 맞히지 못한다.

어떻게 작동하나

먼저 상품별·매장별 과거 판매량을 시간 순서대로 정리한다. 여기에 요일·계절·명절, 할인 행사, 가격 변화, 날씨 같은 수요에 영향을 주는 정보를 함께 붙인다. 모델은 시계열 예측 기법이나 그래디언트 부스팅, 딥러닝 모델로 이 관계를 학습해 다음 날·주·달의 판매량을 내놓는다. 좋은 시스템은 숫자 하나만이 아니라 '이 정도 범위일 가능성이 크다'는 불확실성도 함께 알려 준다. 예측은 실제 판매가 들어오면 다시 비교해 계속 고쳐 나간다.

수요 예측의 반복 고리

  1. 1. 데이터 모으기 판매 기록·날씨·행사·가격
  2. 2. 모델 학습 수요에 영향 주는 관계 익히기
  3. 3. 판매량 예측 범위와 불확실성까지
  4. 4. 실제 판매와 비교 오차를 보고 고치기
예측은 한 번 하고 끝나지 않고, 실제 판매와 비교하며 계속 고쳐진다.

왜 중요한가

물류·유통에서는 재고가 너무 많으면 보관 비용과 폐기가 늘고, 너무 적으면 품절로 매출과 고객을 잃는다. 수요 예측은 발주량, 창고 재고 배치, 인력·차량 배치 같은 거의 모든 운영 결정의 출발점이다. 특히 신선식품처럼 유통기한이 짧은 상품은 예측 정확도가 곧 폐기량과 직결된다. 공급망이 길수록 앞단의 작은 예측 오차가 뒤로 갈수록 커지기 때문에 정확한 예측의 가치가 더 크다.

알아 둘 점

품절된 날의 판매 기록은 '실제 수요'가 아니라 '재고만큼 팔린 양'이라서, 그대로 학습하면 수요를 낮게 보는 실수가 생긴다. 신상품은 과거 기록이 없어 비슷한 상품의 데이터를 빌려 와야 한다. 소비 습관이 갑자기 바뀌는 시기에는 데이터 드리프트로 모델이 빠르게 틀어질 수 있어 꾸준한 감시가 필요하다. 또 예측 결과를 그대로 자동 발주에 쓰기보다, 행사 계획처럼 현장 담당자만 아는 정보를 반영할 수 있게 사람이 조정하는 단계를 두는 경우가 많다.

예시

대형 마트 체인은 매장별·상품별로 다음 주 판매량을 예측해 물류센터 발주량과 매장 진열량을 정한다. 예를 들어 주말에 더위가 예보되면 모델이 아이스크림과 생수 수요를 높게 잡고, 그 결과에 맞춰 배송 차량 편성과 창고 재고 배치도 미리 조정한다. 이커머스 기업은 같은 예측으로 어떤 상품을 고객과 가까운 물류센터에 미리 옮겨 둘지 정한다.

이 사이트에서 나온 사례

함께 보면 좋은 용어

시계열 예측 그래디언트 부스팅 데이터 드리프트 경로 최적화 대안 데이터 휴먼 인 더 루프