# 재고 예측 방법 5가지: 수요를 예측하는 방법

> 검증된 재고 예측 방법 5가지의 원리와 적합한 활용 시점을 살펴보세요. 각 방식을 비교하고 우리 비즈니스에 맞는 방법을 선택하세요.

Source: https://www.electe.net/ko/post/inventory-forecasting-methods

Site guide: https://www.electe.net/ko/llms.txt

너무 많이 주문하면 현금이 새 나갑니다. 너무 적게 주문하면 재고를 갖춘 경쟁사에 매출을 빼앗깁니다. 재고를 보유하는 모든 기업은 이 두 가지 실패 사이에 놓여 있으며, 그 간극은 결국 하나의 결정에 달려 있습니다. 바로 발주서 뒤에 어떤 재고 예측 방법이 있느냐입니다.

현장 담당자들에게 어떤 방법을 쓰는지 물으면 제품 이름이 돌아옵니다. 스프레드시트, ERP 모듈, 재무팀이 구매한 애드온 같은 것들입니다. 계산 방식을 말하는 사람은 없습니다. 바로 이 간극을 메워야 합니다. 예측 도구는 방법을 전달하는 수단일 뿐이며, 안전재고가 현실에 맞게 책정되는지 희망 섞인 기대에 맞춰 책정되는지는 방법이 결정합니다.

다음은 서로 경쟁하는 진영이 아니라 하나의 의사결정 사다리로 본 재고 예측 방법 5가지입니다. 각 방법은 다음 방법이 넘어서야 할 기준선입니다. 방법마다 필요한 조건, 한계가 드러나는 지점, 그리고 제 몫을 하는 정확한 조건을 정리했습니다.

## 1. 이동평균 예측

이동평균은 가장 흔한 출발점이며, 그럴 만한 자격이 있습니다. 구간(3, 6 또는 12기간)을 정하고 그 구간의 실제 수요를 평균해 다음 기간의 예측값으로 사용합니다. 새 기간이 마감되면 구간이 한 칸 앞으로 이동하고 수치는 자동으로 갱신됩니다.

[아칸소 대학교 공급망 연구](https://scholarworks.uark.edu/cgi/viewcontent.cgi?article=1003&context=scmtwscp)는 시계열 예측을 대부분의 보충 시스템의 토대로 설명하며, 그 목적을 매출 노이즈 속에 숨은 추세와 계절성을 찾아내는 것이라고 말합니다. 이동평균은 그 역할의 가장 단순한 형태를 수행합니다. 모델 없이도 일회성 급등을 걸러냅니다.

### 단순 구간과 가중 구간

단순 이동평균은 모든 기간에 동일한 가중치를 둡니다. 가중 이동평균은 최근 기간에 더 큰 영향력을 부여하므로, 수요가 일정하게 유지되기보다 오르거나 내리는 국면에 유용합니다. 지난 분기보다 지난달이 다음 달을 더 잘 설명한다면 가중 방식을 선택하세요.

예를 들어 온라인 문구점은 꾸준히 팔리는 제품군의 재주문 시점을 정하기 위해 최근 3개월의 노트 판매량을 평균하고, 베이커리는 매주 월요일 4주간의 빵 판매량을 평균해 밀가루 주문량을 정합니다. 방법은 같고 구간만 다르며, 둘 다 구매 담당자에게 설명하기 쉽습니다.

> 하나를 확정하기 전에 최근 12개월 데이터로 세 가지 구간 길이를 테스트해 보세요. 가장 좋은 결과를 내는 구간은 대개 직관보다 짧습니다.

- **단순 예측과 비교:** 직전 기간 매출이 평균만큼 잘 맞는다면, 평균은 그 복잡성만큼의 가치를 하지 못하는 것입니다.
- **안전재고와 병행:** 평활화는 예측에서 급등을 없앨 뿐, 실제 수요에서 없애주지는 않습니다.
- **제품군 분리:** 노트와 시즌 플래너가 같은 구간을 공유해서는 안 됩니다.

품목이 꾸준히 팔리고, 정리된 이력이 최소 6개 기간 이상 있으며, 이해관계자 누구나 따라올 수 있는 기준선이 필요할 때 사용하세요. 이후 모든 방법이 넘어서야 하는 기준 수치이기도 합니다. [소매업체를 위한 30일 재고 파일럿](https://www.electe.net/post/inventory-optimization-for-retail)은 이런 기준선이 평균만으로는 부족한 SKU를 얼마나 빨리 드러내는지 보여 줍니다.

## 2. 지수평활법(Holt-Winters 방법)

지수평활법은 평균을 내는 방식은 유지하되, 오래된 데이터와 새 데이터를 똑같이 취급하지 않습니다. 관측값은 오래될수록 가중치가 기하급수적으로 줄어들므로, 예측은 이상한 한 주에 과민하게 반응하지 않으면서 현재 상황 쪽으로 움직입니다.

Holt-Winters는 추세 항과 계절성 항, 두 가지 요소를 더합니다. 계절 변동이 판매량에 따라 커지는지에 따라 가법 또는 승법으로 적용합니다. 계절성 소매 카탈로그가 대부분 이 방법을 쓰는 이유입니다.

### 정확도의 영향이 더 큰 이유

최근 데이터에 가중치를 두면 반응성을 얻지만, 그 반응성에는 대가가 따릅니다. [도소매 및 재고 관리 연구에 관한 논문](https://www.sciencedirect.com/science/article/abs/pii/S0925527310001805)은 Syntetos와 동료들의 연구 결과를 소개하는데, 비슷한 서비스 수준을 유지할 때 예측 정확도가 **1% 낮아지면** 재고 비용이 **10~15% 증가**할 수 있다는 내용입니다. 파라미터를 너무 느리게 설정하면 수요 변화 때 재고를 과다하게 보유하게 되고, 너무 빠르게 설정하면 노이즈를 쫓다가 채찍 효과로 이어집니다.

다음 세 가지 습관이 모델의 신뢰도를 지켜 줍니다.

- **최소 2년치 데이터:** 계절 주기를 최소 두 번 완전히 입력하세요. 그렇지 않으면 계절성 요소는 추측에 불과합니다.
- **최적화 결과 점검:** 소프트웨어가 평활 상수를 계산하게 한 뒤, 계절 패턴이 실제 그해의 흐름과 맞는지 확인하세요.
- **프로모션은 이벤트로 표시:** 3주간의 캠페인이 이력에 섞여 들어가면 기준선이 몇 달 동안 왜곡됩니다.

수요가 반복적인 계절 패턴을 보이고 정리된 데이터 두 주기를 제공할 수 있을 때 사용하세요. 평활 모델을 실무에서 어떻게 실행하고 비교하는지는 [평활 모델로 부도율 예측하기](https://www.electe.net/post/exponential-smoothing)를 읽어 보세요.

## 3. ARIMA 및 SARIMA 시계열 모델

평활법은 이력을 가중 평균으로 봅니다. ARIMA는 같은 데이터에 더 어려운 질문을 던집니다. 오늘의 수요는 어제의 수요, 작년 같은 주, 그리고 모델이 앞서 낸 오차에 좌우되는가? 적분 단계에서는 추세가 안정될 때까지 시계열을 차분하고, SARIMA는 주간 및 연간 주기를 위한 계절 항을 더합니다. Holt-Winters가 더 매끄러운 선을 준다면, ARIMA는 수요 과정 자체의 모델을 줍니다.

실질적인 가치를 주는 결과물은 예측값 주변의 구간입니다.

### 단일 수치보다 범위가 낫습니다

[보충 발주 최적화 연구](https://www.tandfonline.com/doi/full/10.1080/00207543.2025.2527957)는 SKU 수요, 반품 리드타임, 보충 리드타임을 확률변수로 모델링하고, 단일 추정치 대신 분위수 예측을 사용하며, 공급망 단계 사이에서 불확실성이 어떻게 전파되는지 추적하기 위해 예측 불확실성 비율(Ratio of Forecast Uncertainty)을 제안합니다. 이 구분은 구매 발주 시점에 중요합니다. 예측치 1,000개는 타당한 범위가 850~1,150개일 때와 500~1,700개일 때 의미가 전혀 다릅니다.

두 구매 담당자가 같은 예측을 보고도 정반대의 결정을 내릴 수 있습니다. 한 지역 식료품 체인은 주간 유제품 수요를 주간·연간 계절성으로 함께 모델링해, 명절 수요 증가가 발주 이후가 아니라 발주량에 반영되도록 합니다. 한 전자부품 유통업체는 일괄적인 2주치 재고 대신 서비스 목표에 맞춰 구간의 90번째 백분위수를 기준으로 부품 안전재고를 설정합니다. 도구는 같지만, 답해야 할 정책 질문은 다릅니다.

제대로 운영하려면 원칙이 필요합니다.

- **정상성 검정:** 그래프와 공식 검정을 함께 사용하고, 필요한 만큼만 차분하세요. 과도한 차분은 모델이 다시 설명해야 하는 노이즈를 만듭니다.
- **최근 3개월을 홀드아웃**으로 두고, 모델을 신뢰하기 전에 그 구간에서 성능을 평가하세요.
- **구간을 정책으로 바꾸세요.** 마진, 현금 상황, 서비스 약속에 맞는 백분위수를 선택하세요.
- **모델 선택을 자동화하세요.** 대규모 카탈로그에서는 그렇게 해야 합니다. 400개 SKU에서는 수동 차수 조정이 감당되지 않습니다.

대가는 노력입니다. ARIMA는 정상 데이터, 신중한 차수 선택, 계절 항을 추정할 충분한 이력을 요구하며, 그럼에도 시계열 자체의 과거만 읽습니다. 그래서 ARIMA는 인과적 방법이 넘어야 할 기준선이 됩니다. 가격이나 프로모션 같은 요인은 수요 자체의 이력보다 더 잘 예측할 때만 모델에 포함될 자격이 있습니다.

스무딩이 놓치는 자기상관이 시계열에 있고, 서비스 수준 목표에 맞춰 안전재고를 정할 신뢰할 만한 범위가 필요할 때 사용하세요.

## 4. 인과 회귀 예측

지금까지의 방법은 모두 수요 자체의 이력에서 수요를 읽습니다. 인과 회귀는 다른 질문을 던집니다. 무엇이 수요를 움직이고, 얼마나 움직이는가? 가격, 할인 폭, 프로모션, 공휴일, 날씨, 경쟁사 활동처럼 팀이 이미 추적하는 요인을 입력하면, 각 요인이 만드는 상승 효과를 추정합니다.

결과는 따져볼 수 있는 계수이며, 바로 그 점이 핵심입니다. 할인은 단순히 예측치를 올리는 것이 아니라 명시된 만큼 올리고, 구매 발주에 필요한 것이 바로 그 수치입니다.

### 프로모션 캘린더를 모델에 반영하세요

한 생활용품 소매업체가 20% 할인과 주말 이메일 캠페인이 주방가전 판매를 얼마나 움직일지 알고 싶다고 해봅시다. 회귀는 두 요인의 결합 효과를 추정하므로, 구매 담당자는 작년 월평균이 아니라 계획된 이벤트를 기준으로 발주할 수 있습니다. 예상 기온을 포함하는 음료 유통업체는 폭염에 뒤늦게 대응하는 대신 미리 재고를 확보할 수 있습니다.

> **실무 원칙:** 홀드아웃 기간에서 요인을 하나씩 테스트하세요. 모델이 보지 못한 데이터에서 정확도를 높이지 못하는 요인은 신호가 아니라 이야기일 뿐입니다.

- **이미 기록하고 있는 데이터부터 시작하세요:** 프로모션 플래그, 가격 변동, 공휴일 캘린더가 해당됩니다. 생각보다 활용 가능한 변수를 이미 갖춘 팀이 많습니다.
- **계수를 갱신하세요:** 가격 조정이나 신규 경쟁자 진입 이후에는 고객 반응이 달라지며, 오래된 계수를 쓰면 과잉 재고로 이어질 수 있습니다.
- **계획된 요인과 계획되지 않은 요인을 구분하세요:** 캠페인은 입력 변수로, 바이럴 게시물이나 품절 후 회복은 이벤트 플래그로 반영합니다.

프로모션과 가격이 전체 물량의 상당 부분을 좌우하고, 캠페인 진행 후가 아니라 진행 전에 재고 규모를 정해야 할 때 활용하세요.

## 5. 머신러닝 수요 예측

머신러닝은 모델링의 단위를 바꿉니다. 제품별로 모델을 하나씩 만드는 대신, 수천 개의 SKU-매장 조합을 하나의 모델로 학습시켜 공통 패턴을 파악하게 합니다. 어떤 품목이 날씨에 반응하는지, 어떤 품목이 급여일 주기에 반응하는지, 어떤 품목이 2주 전 프로모션에 반응하는지를 배우는 것입니다.

표 형태의 판매 데이터에는 그래디언트 부스팅이 잘 맞습니다. 카탈로그 규모가 매우 크고 신호들이 사람이 직접 지정하기 어려운 방식으로 상호작용할 때는 신경망이 제 몫을 합니다.

### 정확도 논쟁이 복잡해지는 지점

[7,500개의 수요 시계열과 13가지 예측 방법을 평가한 연구](https://www.ajol.info/index.php/jriie/article/download/340188/319463/763962)에 따르면, 예측 정밀도의 가치는 제품 특성, 재고 정책, 보관 비용, 판매 손실 비용, 검토 주기, 리드타임에 따라 달라집니다. 같은 연구는 제약 분야 중소기업이 간헐적 주문이 상당한데도 판단에 의존한 예측을 자주 사용한다고 지적하며, 그 이유로 부정확한 과거 데이터, 부족한 전문 인력, 낮은 기술 도입률을 꼽습니다.

순위표를 쫓는 사람에게는 불편한 시사점입니다. 오차 지표에서 1위인 모델이라도 보관 비용이 낮고 품절 비용이 높다면 비용 면에서는 질 수 있습니다. 또한 간헐적 수요 품목에서 우수해 보이는 방법이 실제로는 대부분의 기간에 수요가 0이라서 점수가 좋게 나오는 것일 수도 있습니다.

- **기준 모델을 이기세요:** 이동평균이나 홀트-윈터스가 대조군입니다. 머신러닝이 홀드아웃 데이터에서 이를 넘지 못하면 도입하지 마세요.
- **무작위가 아닌 시간 기준으로 검증하세요:** 과거 기간으로 학습하고 최근 기간으로 테스트합니다.
- **세그먼트별로 평가하세요:** 롱테일의 오차보다 상위 50개 SKU의 오차가 더 중요합니다.
- **간헐적 수요는 따로 다루세요:** 0이 많은 품목에는 별도의 평가 규칙이 필요합니다.

중소기업을 위한 AI 기반 데이터 분석 플랫폼 ELECTE는 고객의 데이터에 여섯 가지 예측 방법을 적용해 서로 비교 평가하고 가장 정확한 방법을 선택합니다. 수작업으로 하던 방법별 비교를 대신하는 셈입니다. 프로모션 비중이 큰 카탈로그라면 [플래시 세일 수요 급증 반영하기](https://www.electe.net/post/ecommerce-demand-forecasting)를 참고하세요.

많은 제품에 걸쳐 촘촘하고 상세한 이력이 있고, 이 방법이 서류상의 수치가 아니라 비용과 서비스 수준에서 기준 모델보다 낫다는 근거가 있을 때 활용하세요.

## 5가지 재고 예측 방법 한눈에 보기

방법적합한 경우필요한 데이터계절성 처리난이도이동평균 예측안정적인 수요와 간단한 기준선 설정소량의 최근 판매 이력아니요쉬움지수평활법(홀트-윈터스 방법)추세와 계절 패턴이 있는 수요최소 두 번의 계절 주기에 해당하는 판매 데이터예보통ARIMA 및 SARIMA 시계열 모델시간적 패턴이 있는 자기상관 수요길고 정제된 과거 시계열 데이터SARIMA에서 가능어려움인과 회귀 예측프로모션, 가격 및 기타 요인의 영향 예측판매 이력과 신뢰할 수 있는 요인 데이터계절 변수를 사용하면 가능보통머신러닝 수요 예측복잡한 수요 요인이 있는 대규모 카탈로그방대하고 정제된 판매 이력과 관련 입력 데이터예, 달력 또는 계절 특성 변수를 사용어려움

## 핵심 요약: 보유한 데이터가 뒷받침할 수 있는 방법을 선택하세요

각 단계를 다음 단계가 넘어서야 할 기준선으로 취급하세요. 이동평균은 비용이 적게 들고 과정이 투명하므로, 이후 모든 모델이 개선해야 할 기준 수치를 제공합니다. 같은 계절 패턴이 반복된다면 Holt-Winters를 추가하고, 서비스 수준에 대해 신뢰할 수 있는 예측 구간이 필요하다면 ARIMA 또는 SARIMA를 사용하세요. 프로모션과 가격 변동이 판매량을 좌우한다면 인과 회귀로 전환하고, 머신러닝은 홀드아웃 검증에서 우위를 보인 뒤에 도입하세요.

이 단계를 매 주기마다 동일한 방식으로 실행하세요:

- 판매 이력을 점검하세요: 정상 기간 수와 0이 길게 이어지는 SKU를 확인합니다.
- 수요 패턴에 맞는 가장 단순한 방법을 선택하세요.
- 무작위 분할 없이 가장 최근 3개월 데이터로 검증하세요.
- 비교를 자동화하여 상황이 바뀌면 최적의 기준 모델도 함께 바뀌도록 하세요.

[ELECTE](https://www.electe.net)는 회계, 은행, 스프레드시트 데이터 소스를 연결하고 최신 상태로 유지하며, 실시간 수치에 여섯 가지 예측 방법을 실행하고 서로 비교 평가하여 가장 정확한 방법을 선택합니다. 수요, 현금, 급여 예측을 대시보드로 확인하고 클릭 한 번으로 내보내거나 공유할 수 있습니다. ELECTE를 방문해 보유한 판매 이력의 예측 결과를 몇 분 안에 확인해 보세요.
