제조업 AI 수요예측, 원리부터 도입 실패 포인트까지
전년 실적을 비율만큼 올리는 계획, 어디서 어긋나는가
적지 않은 제조 현장에서 생산계획은 여전히 "작년 실적을 경영진이 정한 비율만큼 올리는" 방식으로 세워집니다. 폴란드 맞춤형 제조기업의 ERP 구축 프로젝트를 분석한 2022년 연구도, 고객사 대부분이 이 방식으로 기준 생산계획을 수작업 작성하고 있었다고 보고했습니다.
이 방식은 품목 수가 적고 수요가 안정적일 때는 버틸 만합니다. 하지만 품목이 수천 개로 늘고 원자재 조달 기간이 길어지면, 예측 오차가 그대로 자재 과잉이나 긴급 생산으로 번집니다.
이 글은 AI 수요예측이 무엇을 학습해 생산계획으로 이어지는지, 수요 패턴에 따라 모델을 어떻게 고르는지, 공개 연구 사례에서 드러난 실패 포인트는 무엇인지 정리합니다. 알고리즘 목록보다 "도입 전에 무엇을 먼저 정해야 하는가"에 초점을 맞췄습니다.
AI 수요예측은 무엇을 학습해 어디로 연결되나
AI 수요예측은 과거 수요 이력에 경기 지표, 원자재 가격, 영업 계획 같은 외부 신호를 더해 미래 수요를 추정하는 방식입니다. 전통 통계 모델이 한 품목의 과거 값만으로 다음 값을 추정한다면, 머신러닝 모델은 여러 변수와 여러 품목의 패턴을 한꺼번에 활용한다는 점이 다릅니다.
제조업에서 예측값은 그 자체로 끝나지 않습니다. 예측은 기준 생산계획을 거쳐 자재소요계획(MRP), 구매·생산 지시로 이어지므로, 예측 단위와 주기가 이 흐름에 맞물려야 쓸모가 생깁니다.
- 예측 단위: 완제품, 제품군, 핵심 반제품 중 실제 계획을 세우는 단위에 맞춘다.
- 예측 시점: 원자재 조달 기간보다 앞서 결과가 나와야 발주 판단에 쓸 수 있다.
- 결과 수용처: 예측을 받아 계획을 확정할 담당자와 시스템(ERP·MRP)을 먼저 정한다.
수요 패턴부터 나눠야 모델이 보인다
모델 선택의 출발점은 알고리즘이 아니라 품목별 수요 패턴입니다. 수요예측 연구에서는 "주문이 얼마나 자주 들어오는가(평균 수요 간격)"와 "들어올 때 수량이 얼마나 출렁이는가(변동계수)" 두 축으로 수요를 평활, 불규칙, 간헐, 덩어리 네 유형으로 나눕니다.
주문이 꾸준하고 수량 변동도 작은 평활 수요는 통계 모델로도 기준선을 잡기 쉽습니다. 주문은 꾸준하지만 수량이 크게 출렁이는 불규칙 수요는 외부 변수를 함께 쓰는 머신러닝이 힘을 발휘할 여지가 큽니다. 주문이 띄엄띄엄 들어오는 간헐 수요는 크로스턴 방식 같은 전용 기법을 검토하고, 간격과 수량이 모두 불규칙한 덩어리 수요는 단일 품목 예측을 고집하기보다 품목을 묶어 예측하는 편이 현실적입니다.
| 모델 계열 | 작동 방식 | 강점 | 한계 |
|---|---|---|---|
| 통계 시계열 (지수평활, ARIMA) | 한 품목의 과거 추세·계절성을 수식으로 연장 | 해석이 쉽고 계산이 가벼움, ERP 기본 기능으로 제공되는 경우가 많음 | 외부 변수 반영과 다품목 동시 학습이 어려움 |
| 트리 기반 머신러닝 (랜덤포레스트, 그래디언트 부스팅) | 외부 변수와 여러 품목의 패턴을 함께 학습 | 경기·원자재·영업 계획 신호를 넣기 쉬움, 변수 중요도 확인 가능 | 변수 설계와 데이터 정비 부담이 큼 |
| 딥러닝 (LSTM 등) | 긴 시계열의 복잡한 패턴을 신경망으로 학습 | 데이터가 충분할 때 비선형 패턴 포착에 유리 | 품목당 이력이 짧은 제조 현장에서는 학습 데이터가 부족하기 쉬움 |
| 간헐 수요 기법 (크로스턴 방식 등) | 수요 발생 간격과 발생 시 수량을 나눠 추정 | 주문이 드문 부품·예비품에 적합 | 수량 변동이 큰 품목에서는 오차가 커질 수 있음 |
비용은 모델보다 데이터와 운영에서 나온다
도입 검토는 소프트웨어와 모델 개발비에 시선이 쏠리기 쉽습니다. 그러나 실제 부담은 예측에 쓸 데이터를 만드는 일과, 예측을 계획 업무에 녹여 계속 운영하는 일에서 커지는 경우가 많습니다.
| 비용 항목 | 내용 | 놓치기 쉬운 이유 |
|---|---|---|
| 실수요 데이터 재구성 | 고객 요청 수량·날짜와 출하 실적을 구분하고, 취소·결품 주문을 복원 | 출하 데이터만 있어도 "데이터는 있다"고 판단하기 쉬움 |
| 시스템 연동 | 예측 단위·주기를 ERP·MRP에 맞추고 결과 반영 경로를 구성 | ERP 연산 자원을 MRP 계산과 나눠 써야 함 |
| 재학습·모니터링 | 시장 국면이 바뀔 때 학습 기간과 변수를 재조정 | 구축 예산에 운영비가 빠지기 쉬움 |
| 담당자 검토 시간 | 계획 담당자가 예측을 확인·수정하고 근거를 남기는 시간 | 담당자 대부분이 데이터 전문가가 아님 |
| 예측 오차 비용 | 과소예측은 결품·긴급 생산, 과대예측은 재고와 자금 묶임 | 오차 방향별 손실이 다른데 지표 하나로만 평가함 |
마지막 항목은 특히 중요합니다. 자동차 부품 OEM 연구에 참여한 현장 전문가들은 과소예측보다 과대예측이 낫다고 봤고, 연구진은 과소예측 비율을 별도 평가 기준으로 뒀습니다. 우리 공장에서 어느 쪽 오차가 더 비싼지 먼저 정해 두지 않으면, 정확도가 높다는 모델이 오히려 손실을 키울 수 있습니다.
공개 사례 1: 유럽 자동차 부품 OEM의 21개 기법 비교
2021년 발표된 연구는 글로벌 자동차 시장에 공급하는 유럽 OEM의 엔진 부품 수요를 월 단위로, 대상 월 6주 전에 예측하는 과제를 다뤘습니다. 단순 기준 모델부터 통계·머신러닝까지 21개 기법을 비교했고, 출하 이력 외에 GDP, 실업률, 유가, 구매관리자지수(PMI), 구리 가격, 영업 계획을 변수로 넣었습니다. 구리 가격은 제품 가격이 구리 시세에 연동되는 구조라 현장 전문가 의견에 따라 추가됐습니다.
변수 설계에서도 제조 현장에 바로 응용할 만한 방식이 보입니다. 연구진은 월별 근무일 수가 달라 생기는 왜곡을 줄이려고 "근무일당 평균 수요"를 구한 뒤 대상 월의 근무일 수를 곱해 기준값으로 삼았습니다. 영업 계획도 그대로 쓰지 않고, 과거 계획 대비 실제 수요의 비율로 보정한 값을 변수로 넣었습니다. 영업 계획에 흔히 끼어드는 왜곡을 모델이 스스로 걸러 내도록 한 셈입니다.
비교 기준은 사람의 예측이었습니다. 전문가들은 계획 담당자 예측의 약 3분의 1이 오차 30% 이내이고, 최대 20%는 오차가 90%를 넘으며, 전체의 40%가 과소예측이라고 진단했습니다.
- 수요 규모나 유형이 비슷한 품목끼리 묶어 하나의 모델로 학습하자, 품목별 개별 모델보다 오차 지표(MASE) 중앙값이 40% 이상 낮아졌다. 다만 이 단계에서는 과소예측 비율이 높아져, 연구진은 품목 그룹별 변수 수를 조정해 보완했다.
- 서포트 벡터 회귀, 랜덤포레스트, 그래디언트 부스팅 모델은 오차 30% 이내 예측 비율에서 사람에 근접한 성능을 보였다.
- 오차가 90%를 넘는 큰 실패를 사람 수준까지 줄인 모델은 없어, 연구진은 이를 남은 과제로 꼽았다.
공개 사례 2: 완제품 대신 핵심 반제품을 예측한 맞춤형 생산 기업
2022년 연구는 금속·피팅 분야 폴란드 대형 맞춤형 생산기업 3곳을 분석했습니다. 세 곳 모두 ERP는 쓰고 있었지만 수요예측 기능은 도입하지 않은 상태였고, 연구진은 36개월 치 재고·주문 이력(약 800만 건, 고객 1만 5천 곳)을 활용했습니다.
분석해 보니 개별 완제품의 수요는 드문드문 발생하거나 무작위 변동이 커서 계절성이나 추세를 찾기 어려웠습니다. 연구진은 자재명세서(BOM)를 분석해 여러 완제품이 공통으로 쓰는 "핵심 반제품"을 찾고, 같은 반제품을 쓰는 완제품을 한 그룹으로 묶었습니다. 묶은 수요에서는 계절성과 추세가 드러났고, 수천 개 품목 대신 수백 개 그룹을 예측하면서 작업 부담이 줄고 다수 사례에서 정확도도 개선됐습니다.
- 생산계획: 핵심 반제품 단위의 예측을 기준으로 세운다.
- 하위 부품 보충: 핵심 반제품에 들어가는 하위 부품·원자재는 최소·최대 재고 기준으로 관리한다.
이 연구는 머신러닝이 아니라 ERP 내장 통계 기법을 썼지만, 예측 단위를 어떻게 잡느냐의 교훈은 AI 모델에도 그대로 적용됩니다.
도입 실패로 이어지는 다섯 가지 함정
두 사례에서 드러난 함정은 상당수가 모델 성능보다 앞 단계에 있습니다.
첫째, "출하 실적을 수요로 착각하는" 경우입니다. 맞춤형 생산 사례에서 무작위로 뽑은 소규모 주문 표본을 보면 대부분이 고객 요청 수량대로 출하되지 않았고, 3건 중 1건은 납기가 크게 늦었습니다. 결품이나 지연으로 놓친 물량이 빠진 출하 데이터를 학습하면, 모델은 실제보다 낮은 수요를 정답으로 배웁니다.
둘째, 평가 지표를 잘못 고르는 경우입니다. 자동차 부품 연구는 널리 쓰이는 평균 절대 백분율 오차(MAPE)가 낮게 예측하는 쪽을 유리하게 평가하는 성질이 있다고 지적하고, 규모와 무관한 오차 지표와 과소예측 비율을 함께 봤습니다.
셋째, "데이터는 길수록 좋다"는 가정입니다. 같은 연구에서 7년 치 데이터 중 경제·정치적 사건이 겹친 4년 차 전후로 패턴이 달라졌고, 최근 3년만 학습한 모델이 더 좋은 결과를 냈습니다. 국면이 바뀐 구간은 그대로 쓰지 말고 따로 판단해야 합니다.
넷째, 데이터 규모에 맞지 않는 모델을 고르는 경우입니다. 연구진은 데이터가 충분하지 않다고 보고 딥러닝을 아예 시도하지 않았고, 새 데이터가 들어올 때마다 갱신되는 스트리밍 모델 일부는 과소예측 비율 중앙값이 70%를 넘었습니다. 최신 기법이 곧 정답은 아닙니다.
다섯째, 데이터 이관을 일정 후반으로 미루는 경우입니다. 일반적인 ERP 구축은 과거 데이터를 막바지에 옮기지만, 예측 기능은 전체 이력이 있어야 검증할 수 있습니다. 맞춤형 생산 연구진은 이관을 설계 단계로 앞당겨 시제품을 일찍 검증했고, 가동 후 지원은 첫 달 이틀로 충분했다고 보고했습니다.
AI 예측과 계획 담당자, 역할을 어떻게 나눌까
두 연구 모두 모델 예측에서 사람의 판단을 배제하지 않았습니다. 맞춤형 생산 연구는 크고 비주기적인 수주가 예측을 흔들 수 있으므로 영업 담당자가 시장 정보를 바탕으로 예측을 직접 조정할 수 있어야 한다고 봤습니다. 자동차 부품 연구는 사용자가 예측을 신뢰하려면 정확도만으로는 부족하고, 예측 근거를 설명하는 기능이 필요하다고 결론지었습니다.
- 모델의 몫: 반복되는 패턴과 다품목 기준 예측을 빠르게 산출한다.
- 사람의 몫: 대형 수주, 거래처 변화처럼 데이터에 아직 없는 정보를 반영하고 수정 이력을 남긴다.
수정 이력이 쌓이면 사람이 어디서 모델을 고쳐 쓰는지가 보이고, 그 정보가 다시 변수 설계로 돌아갑니다. 다만 수동 조정이 늘면 통계 지표만으로는 성과를 평가하기 어려워지므로, 모델 예측과 조정 후 예측의 오차를 따로 기록해 두는 것이 좋습니다. 이 기록은 다음 재학습 때 어떤 변수를 보강할지 판단하는 근거가 됩니다.
모델보다 "무엇을, 어떤 데이터로" 예측할지가 먼저다
공개 사례가 공통으로 보여 주는 것은, 성과를 가른 요인이 최신 알고리즘보다 예측 단위 설정, 실수요 데이터 확보, 평가 기준 설계였다는 점입니다. 비슷한 품목을 묶거나 핵심 반제품 단위로 올라가 예측하자 정확도와 작업 부담이 함께 나아졌고, 출하 실적이나 단일 지표에 기댄 예측은 과소예측 위험을 키울 수 있습니다.
첫걸음은 지금 가진 데이터를 점검하는 일입니다. 주력 품목을 수요 패턴 4유형으로 나눠 보고, ERP에 고객 요청 수량과 출하 수량이 따로 남아 있는지 확인해 보십시오. 이 두 가지가 정리되면 어떤 모델을 어느 단위로 시험할지가 훨씬 분명해집니다.
참고문헌
- Rožanec, J. M., Kažič, B., Škrjanc, M., Fortuna, B., Mladenić, D. "Automotive OEM Demand Forecasting: A Comparative Study of Forecasting Algorithms and Strategies." Applied Sciences (MDPI). 2021-07-23. https://www.mdpi.com/2076-3417/11/15/6787 (CC BY)
- Grobler-Dębska, K., Kucharska, E., Żak, B., Baranowski, J., Domagała, A. "Implementation of Demand Forecasting Module of ERP System in Mass Customization Industry—Case Studies." Applied Sciences (MDPI). 2022-11-02. https://www.mdpi.com/2076-3417/12/21/11102 (CC BY)
본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다. 타 기업명 및 영업 기밀 보호를 위해 본문 중 일부 고유명사는 익명화(A/B) 처리되었습니다.