판매예측 모델, 실제로 얼마나 정확할까? 실전 사례로 설명합니다

"이번 신상품, 얼마나 준비해야 하지?"

재고 관리를 해보신 사장님이라면 이 고민을 매달 하실 겁니다. 많이 준비하면 창고에 쌓이고, 적게 준비하면 품절나서 매출을 놓치고.

이 글에서는 국내 최대 서점에서 실제로 AI 판매예측을 도입한 사례를 공유합니다. 어떤 데이터로, 어떻게 만들었고, 실제로 얼마나 정확했는지 솔직하게 말씀드릴게요.

---

문제: "감"으로 하는 발주의 한계

이 서점은 회원 2,000만 명, 거래 데이터 2.7억 건을 보유한 국내 최대 규모였습니다. 그런데 신간 도서의 초판 발주량은? 담당자의 경험과 감으로 결정하고 있었습니다.

결과는 예상하시는 대로입니다:

많이 찍으면 → 안 팔린 책이 창고에 쌓이고 (악성 재고)

적게 찍으면 → 베스트셀러가 될 책을 품절시키고 (기회 손실)

"데이터는 이렇게 많은데, 예측 하나 못 하나?" 라는 질문에서 프로젝트가 시작됐습니다.

---

해결: 5개 AI를 하나로 합치다

처음에는 AI 모델 하나로 예측을 시도했습니다. 정확도? 72%. 감(50~60%)보다는 나았지만, 실무에 쓰기엔 부족했습니다.

그래서 5개의 서로 다른 AI를 결합하는 방법을 썼습니다. 비유하자면:

투자할 때 한 사람의 의견만 듣는 것보다, 5명의 전문가 의견을 종합하는 게 더 정확한 것과 같은 원리입니다.

각 AI는 서로 다른 관점에서 예측합니다:

• 시간 패턴을 보는 AI — "이 시기에는 보통 이 정도 팔려"
• 도서 정보를 보는 AI — "이 저자의 이전 책은 이만큼 팔렸어"
• 장르 트렌드를 보는 AI — "요즘 이 장르가 뜨고 있어"

이 5개의 의견을 가중 평균으로 종합하니, 정확도가 **87%+**까지 올라갔습니다.

---

핵심 교훈 3가지

1. "데이터가 없어도 방법은 있다"

신상품은 판매 이력이 없습니다. 그럼 어떻게 예측하냐고요?

직접적인 데이터가 없으면, 간접 데이터를 활용합니다:

• 같은 브랜드의 이전 제품 판매량
• 같은 카테고리의 최근 3개월 트렌드
• 시즌별 판매 패턴 (여름엔 이게 잘 팔리더라)
• 사전 예약이나 관심 등록 수

사장님 사업에서도 마찬가지입니다. "우리는 데이터가 별로 없는데..." 라고 생각하시지만, 의외로 쓸 수 있는 데이터가 많습니다.

2. "온라인과 오프라인은 따로 봐야 한다"

처음에 온/오프라인을 합쳐서 예측했더니 오히려 정확도가 떨어졌습니다.

온라인 고객은 검색 → 리뷰 확인 → 구매하고, 오프라인 고객은 매장 방문 → 진열대 탐색 → 충동구매합니다. 행동 패턴이 완전히 달라서, 각각 다른 AI 모델을 만들어야 했습니다.

쇼핑몰 사장님들도 참고하세요. 자사몰과 마켓플레이스, 오프라인 매장의 판매 패턴은 분리해서 분석해야 정확합니다.

3. "완벽한 예측이 아니라, 감보다 나은 예측이 목표"

87% 정확도는 "13% 틀린다"가 아닙니다. 기존 대비 27%p 이상 개선된 겁니다.

이 차이가 실무에서는 수억 원의 재고 비용 차이로 이어집니다. 100% 정확한 예측은 불가능하지만, **"감보다 확실히 나은 의사결정"**만으로도 충분한 가치가 있습니다.

---

"우리 사업에도 적용할 수 있나요?"

판매예측의 핵심 원리는 업종에 관계없이 동일합니다:

업종	예측 대상	필요한 데이터
의류/패션	시즌별 수요	판매 이력, 날씨, 트렌드
식품/음료	일별 주문량	요일, 날씨, 이벤트
이커머스	카테고리 매출	유입, 전환율, 재구매
제조업	원자재 수요	수주량, 경기 지표

**최소 6개월치 판매 데이터(엑셀도 OK)**만 있으면 시작할 수 있습니다.

"우리 데이터로도 가능할까?" 궁금하시면 편하게 상담 신청해주세요. 데이터만 보여주시면 가능성을 무료로 진단해드립니다.