3 Key Insights
핵심성과: 식품-아이스크림 카테고리의 과잉 재고를 42% 감축하는 동시에 안정적인 결품률을 유지하여, 연간 142,000달러의 비용 절감 달성.
해결과제: 과거 데이터가 전혀 없는 신규 출시 아이스크림의 2차 보충 발주량 최적화.
핵심전략: AI 예측과 발주 담당자의 판단을 결합한 '휴먼 인 더 루프(Human-in-the-loop)' 의사결정 모델 도입.
핵심성과
일본의 최대 식품 유통사는 재고 부담이 큰 아이스크림 카테고리의 과잉 재고를 42%나 줄이는 데 성공했습니다. 공격적인 재고 감축에도 불구하고 결품률(Stock-out rate) 상승폭은 단 2.3%p에 그쳤으며, 결과적으로 연간 142,000달러의 기회 비용을 절감했습니다.
이 프로젝트의 핵심 성공 요인은 AI의 수요 예측과 숙련된 기획자의 미세한 판단력을 매끄럽게 통합한 'Human In The Loop' 구조에 있습니다. 현재 이 프레임워크는 성공 가능성을 인정받아 일반 가공식품, 신선식품 및 일반 잡화 등 더 넓은 카테고리로 확대 적용되고 있습니다.
해결과제
식품 산업은 트렌드에 극도로 민감합니다. 기본 소비는 안정적일지 모르나, SNS 바이럴이나 TV 노출로 인해 급격히 발생하는 신제품 출시가 시장을 주도합니다. 이처럼 제품 수명 주기가 짧은 경우 '데이터 희소성(Data sparsity)' 문제가 발생하여, 과거 데이터가 없는 신제품에 대해 통계나 머신러닝 기반의 예측이 거의 불가능해집니다.
대부분의 고도화된 예측 모델은 과거 사례가 없는 전례 없는 행동 패턴을 설명하지 못해 실패하곤 합니다. 결과적으로 발주 관리자들은 날씨, 유행, 지역 프로모션과 같은 실시간 요소를 고려한 자신의 직관을 AI의 제안보다 더 신뢰하게 되며, 이는 아무리 정교한 모델이라도 현장 도입률이 낮아지는 원인이 됩니다.
핵심전략
DEIN은 단순히 모델의 정확도에만 매몰되는 대신, 실제 유통 KPI(과잉 재고와 결품 사이의 균형)를 기준으로 시스템을 평가하도록 전략을 수정했습니다.
KPI 시각화: 판매 속도, 지리적 특성, 프로모션 강도와 같은 외부 변수와 재고 패턴을 매핑하여 보여주는 시각화 도구를 개발했습니다.
의사결정 루프 구축: 데이터와 실제 상황의 간극을 메꾸기 위해, 발주 담당가 수정한 최종 결과값을 시스템의 로직에 다시 반영했습니다. 즉, 인간의 판단을 중요한 데이터 포인트로 취급한 것입니다.
지속적 학습: 이 피드백 루프를 통해 모델은 인간의 직관으로부터 학습하게 되었으며, 그 결과 데이터에 기반하면서도 상황 맥락을 놓치지 않는 정교한 발주 전략이 완성되었습니다.