있었던 것이 사라졌습니다

SSG.COM은 센터·점포별 상품 단위 출하량을 예측해 자동발주와 권고발주에 활용하고 있다. 데이터가 충분한 상품은 XGBoost, LGBM, Ridge, Lasso 같은 ML 모델로, 데이터가 부족한 상품은 이동평균, 지수평활법, Croston 방법으로 예측한다.

하지만 시장 변화와 행사, 운영 이슈가 겹치면 예측이 쉽게 흔들린다. 2025년 상반기 특정 센터에서 품절률 급등 문제가 발생했고, 발주유형별 운영 비중과 품절률을 분석한 결과 자동발주는 권고발주보다 2배 이상 많은 상품을 운영하면서도 품절률이 더 낮게 유지됐다. 이를 근거로 권고발주 대상을 자동발주로 점진 전환하는 방향이 잡혔다.

전환 가능성을 검토한 결과, 권고발주 대상 상품의 자동발주 예측값은 실제 출하량과의 오차가 80% 이상이 ±0.2 범위 안에 들어왔다. 즉, 권고발주 수량을 자동발주 예측값으로 대체해도 품절이 더 악화될 가능성은 낮다고 판단했다.

행사 구간의 급격한 수요 변동에는 TFT(Temporal Fusion Transformer) 를 도입했다. 기존 모델이 출하량 급증 구간에서 반응이 늦었던 반면, TFT는 시간 순서와 시점별 중요도를 반영해 행사 시작-중간-종료 흐름을 더 잘 포착했고, 도입 후 행사 기간 예측 정확도가 개선됐다.

여기에 Quantile Forecasting 을 함께 적용해 상황별로 예측 분위수를 다르게 사용했다.

• 품절 방지 중심: 상위 분위수 예측치를 사용
• 재고 최적화 중심: 낮은 분위수 예측치를 사용

이 방식은 내부 시그널 조건에 따라 더 높은 예측치를 선택해 품절 위험에 먼저 대응할 수 있게 해줬다. 특히 A센터 Capacity를 B센터로 이관한 뒤처럼 과소예측 위험이 커지는 상황에서 효과를 냈다.

성과도 확인됐다. 자동발주 비중은 **2월 57%**에서 **8월 77%**로 확대됐고, 최종 선택된 모델의 RMSE 는 1월 11% 수준에서 7월 중순 약 3% 까지 낮아졌다. 권고발주에서 자동발주로 전환된 상품은 권고발주 유지 상품 대비 품절률이 16.1% 개선됐다.

다만 행사 종료 직후 높은 분위수로 잡은 발주량이 뒤늦게 입고되면서 재고가 과해질 수 있는 문제는 남아 있다. 센터 운영 환경 변화에 맞춰 예측값과 발주 기준을 계속 다듬겠다는 방향으로 마무리된다.