엑셀 관리의 한계에서 벗어나, 업무 공수 50% 절감 달성

주식회사 스노우 피크 판매계획부 카와카미 타케시 님께 SaaS형 SCM 시스템 ‘PlanNEL’의 도입 배경과 목적, 도입 후의 변화에 대해 들었습니다.

Q  귀사의 사업 내용을 소개해 주시겠습니까?

당사는 1958년 ‘제조의 거리’로 알려진 니가타현 산조시에서 창업한 아웃도어 제조사입니다. “인생에, 자연 속의 즐거움을.”이라는 브랜드 슬로건을 내걸고, ‘자연과 사람, 사람과 사람을 연결하여 인간성을 회복하는 것’을 사회적 사명으로 삼고 있습니다. 캠핑 장비·의류 제품 개발 외에도 음식, 지역 활성화, 비즈니스 솔루션 등 캠핑의 힘을 활용하여 세계 각국에서 사업을 전개하고 있습니다.

Q  SCM 실현을 위한 각 부문의 역할과 체계는 어떻게 구성되어 있나요?

SCM 운영 체제는 본사 계획 부문이 재고·매출 데이터를 바탕으로 전체 방침을 수립하고, 해당 정보를 관련 부서에 공유하며 할당(Allocation)을 결정하는 구조입니다. 글로벌 거점을 포함한 각 지점에 담당자가 있지만, 발주 및 배분에 대한 의사결정은 기본적으로 본사가 주도하여 운영하고 있습니다.

Q  PlanNEL 도입 전 어떤 과제를 안고 계셨나요?

도입 전에는 코로나19로 인해 캠핑 수요가 급증하면서 공급이 수요를 따라가지 못하는 상황이 지속되었습니다. 당시에는 수요 대응을 최우선으로 발주를 진행했기에, 정교한 계획보다는 공급망 상의 생산 여력을 확보하는 데 주력했습니다.

그러나 향후 사업 전개를 고려했을 때 사내에서 “지금과 같은 발주 체제를 유지해도 괜찮은가”라는 문제 제기가 있었고, 이에 따라 현재의 판매계획부가 설립되었습니다.

처음에는 엑셀로 간이 PSI(생산·판매·재고 계획)를 작성했으나, 소규모 인원으로 글로벌 전체 데이터를 다루기에는 업무 부하가 커 운영상 한계가 있었습니다. 또한 엑셀에서는 이력을 보존하며 저장할 수 없어 월별로 파일을 분리해 관리할 수밖에 없었고, 월별 데이터 간 연속적인 비교 검증이 매우 어려웠습니다.

결국 외부 SCM 컨설턴트와 논의 끝에, 수급 관리 시스템 도입이 필요하다는 결론에 이르렀고, 시스템 검토를 시작했습니다.

Q  PlanNEL을 알게 된 계기와 선정 이유는 무엇인가요?

가나자와 공업대학 도라노몬 대학원의 우에노 요시노부 교수님께 상담한 것이 계기였습니다. 타사 서비스와도 비교 검토를 진행했지만, 당사의 과제 해결과 비용 사이의 균형을 고려했을 때 조건에 맞는 것은 PlanNEL뿐이었습니다. 사실상 두 가지 선택지밖에 없었다는 것이 솔직한 심정이었습니다.

검토 초기에는 ‘AI 수요 예측을 통한 정밀도 향상’이 주목적이었으나, AI 수요 예측부터 판매 계획, 보충 계획까지 원스톱으로 실현 가능하다는 점을 알게 되어 편의성이 높다고 느꼈습니다. PlanNEL은 하나의 플랫폼 안에서 완결된다는 점이 큰 매력이었습니다.

Q  PlanNEL 도입 후의 변화나 효과는 무엇인가요?

① 안전 재고 설정과 재고 운용 방식에 대한 관점이 전환되었습니다.

도입 초기에는 ‘어떻게 결품을 없앨 것인가’에 집중했으나, 운영이 본격화되면서 ‘어떻게 재고 수준을 적정하게 억제할 것인가’로 의식이 변화했습니다. ‘ABC-XYZ 분석’을 통해 상품별 매출 기여도와 수요 변동률을 9개 구간 매트릭스로 분류하여 구간별 재고 정책을 수립할 수 있게 되었습니다. 재고 금액은 순조롭게 감소하고 있으며, 결품률도 이전보다 낮아졌습니다.

② 업무 공수의 대폭적인 절감입니다.

수요 변동이 적은 상품은 PlanNEL의 예측에 맡기고, 계절성이 강해 변동이 큰 상품 위주로 담당자가 직접 판단을 더하는 방식으로 전환하여 효율성을 높였습니다. 또한 계획 버전을 갱신해도 메모가 그대로 보존되므로, 의사결정 경위와 노하우를 팀 전체가 공유할 수 있다는 점이 매우 유용합니다.

Q  PlanNEL을 활용해 향후 어떤 계획을 가지고 계신가요?

현재는 전사 창고 전체의 수요 예측을 산출하여 각 거점에 배분하는 방식을 사용하고 있습니다. 앞으로는 각 거점의 데이터를 집계하여 계획을 수립하는 체계로 전환하고자 합니다. 향후 PlanNEL을 활용해 거점 간 재고 이동·조정까지 포함한 보다 정밀한 관리를 추진할 계획입니다.

Q  마지막으로 이 인터뷰를 보고 계신 분들께 한 말씀 부탁드립니다.

PlanNEL은 “전사가 동일한 숫자를 기반으로 소통하고자 하는 기업”에 적합합니다. 수요 예측이나 과거 실적을 바탕으로 산출한 숫자와 예산 사이에 괴리가 생길 때, PlanNEL은 실적 기반의 발주를 관철하는 강력한 설득 근거가 됩니다. “이러한 로직과 알고리즘에 근거하여 현재 최적값은 이것입니다”라는 지점에서 논의를 시작할 수 있기 때문입니다.

특히 SKU가 많은 기업이라면 확실히 효율이 올라갈 것이므로, 이러한 고민을 하고 계신다면 꼭 한 번 상담해 보시기를 권장드립니다.

The post 엑셀 관리의 한계에서 벗어나, 업무 공수 50% 절감 달성 appeared first on Zionex Inc..

SCM(공급망 관리)이라는 말은 이제 경영 현장에서 빠지지 않는 키워드가 됐습니다. 그런데 막상 “SCM이 뭔가요?”라고 누가 물어오면 생각보다 명확하게 설명하기가 어렵습니다. 이 글은 처음 접하는 분들은 물론, 이미 알고 있다고 생각하는 분들도 한 번쯤 개념을 정리해 볼 수 있도록 기초부터 풀어본 것입니다.

1. SCM의 정의

SCM이라는 개념은 1982년, 컨설팅 회사 ‘부즈 앨런 해밀턴’의 K.R. 올리버와 M.D. 웨버가 처음 사용한 데서 비롯됐습니다. 처음 등장한 지 40년이 훌쩍 넘었지만 기본 개념 자체는 지금도 크게 달라지지 않았습니다.

| 서플라이 체인(Supply Chain)이란?

직역하면 ‘공급 연쇄’입니다. 원재료가 조달되는 순간부터 최종 소비자의 손에 들어가기까지의 전 과정을 하나의 흐름으로 본 개념입니다.

쉽게 말해 SCM은 ‘원재료·부품 조달 ⇒ 가공·생산 ⇒ 물류·유통 ⇒ 판매’라는 프로세스의 연쇄를 말합니다. 참여 사업자 관점에서 보면 ‘공급업체 ⇒ 제조업체 ⇒ 창고 사업자 ⇒ 물류 사업자 ⇒ 도소매업자 ⇒ 최종 소비자’가 됩니다.

| SCM(Supply Chain Management)이란?

SCM은 공급망 전체의 흐름을 통합적으로 들여다보고, 각 단계의 비효율을 없애 전체 최적화를 실현하는 경영 관리 기법입니다. 부분 최적이 아니라 처음부터 끝까지 하나의 시각으로 바라보는 것이 핵심입니다.

SCM 관련 프레임워크와 지식을 연구 및 수집하는 미국의 비영리 조직 SCC(Supply Chain Council) 에서는 SCM을 다음과 같이 정의하고 있습니다.

“가치 제공 활동의 시작부터 끝까지, 즉 원재료 공급자부터 최종 수요자에 이르는 전 과정의 개별 업무 프로세스를 하나의 비즈니스 프로세스로 재구성하고, 기업이나 조직의 벽을 넘어 프로세스의 전체 최적화를 지속적으로 수행함으로써 제품·서비스의 고객 부가가치를 높이고 기업에 높은 수익을 가져다주는 전략적 경영 관리 기법”

_{*SCC: 현재는 미국 시카고에 본부를 둔 공급망 관리(Association for Supply Chain Management)라는 공급망 관리(SCM) 전문가 단체}

2. 요즘 들어 SCM이 더 중요해진 이유

SCM은 예전부터 있던 개념이지만, 최근 들어 경영진이 최우선 과제로 꼽을 만큼 다시 주목받고 있습니다. 크게 세 가지 이유가 있습니다.

3. SCM을 잘하면 뭐가 달라지나?

실제로 SCM을 체계적으로 운영하는 기업과 그렇지 않은 기업 사이에는 운영 효율 면에서 상당한 차이가 납니다.

4. SCM, 막상 도입하면 어떤 어려움이 있나?

SCM의 필요성에는 다들 공감하지만, 실제로 추진하다 보면 꼭 벽에 부딪히게 됩니다.

| ① 조직의 벽

SCM의 본질은 ‘부분 최적’이 아닌 ‘전체 최적’입니다. 각 부서는 자기 KPI에 맞춰 오랫동안 최적화해 온 업무 방식이 있고, 이를 쉽게 바꾸려 하지 않습니다. 기업 간 장벽은 더 말할 것도 없습니다.

| ② 데이터 부재 및 미정비

SCM은 물건·돈·정보를 연결해서 한눈에 볼 수 있어야 합니다. 그런데 현실에서는 부서마다 서로 다른 시스템을 쓰다 보니 마스터 데이터가 통일되지 않는 문제가 자주 발생합니다.

| ③ 솔루션 비용

컨설팅 비용에 라이선스 비용, 커스터마이징 개발 비용까지 더하면 수억에서 수십억 원 규모가 되는 경우가 적지 않습니다. 도입 기간이 길어지면 가동 시점에 비즈니스 환경 자체가 바뀌어 있는 경우도 있습니다.

| ④ 강력한 리더십

조직 간 벽을 허물고 대규모 투자 결정을 내리는 일은 강한 리더가 없으면 불가능합니다. Apple의 팀쿡처럼 해외에서는 SCM 출신 경영자가 기업을 성공으로 이끈 사례가 많습니다.

5. SCM과 ERP, 뭐가 다른가?

ERP 안에 SCM 기능이 포함되어 있다 보니 두 개념을 혼동하는 경우가 많습니다.

6. SCP와 SCE: SCM을 구성하는 두 축

| SCP (Supply Chain Planning): 계획 파트

예산 계획에서 시작해 수요 예측, 판매 계획, 재고 기준(안전재고·발주점) 설정, 생산 계획까지 포함합니다. 영업이 갖고 있는 수주 정보도 여기서 함께 반영합니다.

| SCE (Supply Chain Execution): 실행 파트

SCP에서 세운 계획을 바탕으로 실제로 발주를 넣고, 생산 의뢰를 하는 단계입니다. 이 두 파트가 맞물려 돌아가는 것이 SCM의 기본 구조입니다.

7. 마무리

SCM을 물류나 창고 관리 정도로 이해하는 분들이 아직 많습니다. 하지만 실제로는 원재료 조달부터 소비자 손에 제품이 닿는 순간까지 전 과정을 설계하고 최적화하는, 훨씬 전략적인 개념입니다.

40년 전 처음 등장했을 때와 핵심 개념은 변하지 않았지만, 글로벌화와 디지털화가 빨라지면서 SCM의 중요성은 오히려 더 커졌습니다. SCM을 제대로 이해하고, 경영진의 리더십을 바탕으로 체계적으로 추진하는 것이 앞으로 기업 경쟁력을 좌우하는 핵심 요소 중 하나가 될 것입니다.

The post SCM이란 무엇인가? appeared first on Zionex Inc..

2025년 8월 20일, Zionex는 정보산업연구소(III) 와 인공지능 혁신 응용 촉진 협회(AIF)가 주최하는 AI 카페 타이난 세션에 초대되었습니다. 연사이자 업계 대표로서 우리는 제조 및 브랜드 운영에 AI를 적용하는 방법에 대한 통찰력을 공유했습니다.

프레젠테이션의 주제는 “엔터프라이즈 애플리케이션에서 AI의 5가지 주요 오해 깨기”였습니다. 실제 사례 연구와 대화형 토론을 통해 우리는 참석자들이 일반적인 오해를 극복하고 판매 예측 및 운영 개선에서 AI의 진정한 가치에 대한 새로운 이해를 얻을 수 있도록 안내했습니다.

5가지 주요 오해와 사례 연구 공유

오해 1: AI/ML이 정말 필요한가?

이 질문에는 실제로 하나의 “표준”답변이 없습니다. 전통적인 통계 모델은 고정된 공식과 추세 외삽에 의존하여 안정적인 조건에서 좋은 결과를 제공할 수 있습니다. 그러나 기계 학습 모델의 강점은 특히 수요가 복잡하고 여러 요인의 영향을 받을 때 데이터로부터 지속적으로 학습하고 동적으로 조정하는 능력에 있습니다.

실제 예:
우리는 세계적으로 유명한 식품 회사(주요 제품은 두부 및 관련 식품)와 협력했습니다. 그들의 수요 패턴은 매우 복잡했으며, 계절성과 프로모션뿐만 아니라 건강 및 식단 트렌드, 채널 전략의 영향을 받았습니다. 과거에는 과거 데이터와 단순한 통계 방법에만 의존하면 과잉 재고 또는 품절이 발생하는 경우가 많았습니다.

AI 기반 예측 모델을 도입한 후 시스템은 내부 판매 기록 과 외부 시장 요인을 모두 통합하는 동시에 제품 라인에 따라 다른 모델을 선택할 수 있었습니다. 그 결과는 예측 정확도가 향상되고, 생산 계획이 실제 수요와 더욱 밀접하게 일치하며, 재고 압박이 크게 감소하는 등 상당했습니다.

따라서 ” 과거 데이터만 있는 경우 여전히 기계 학습이 필요합니까?”

대답은 수요의 복잡성에 따라 다릅니다.

시장이 변동이 거의 없이 상대적으로 안정적이라면 전통적인 방법으로 충분합니다. 그러나 수요가 크게 변동하고 여러 요인의 영향을 받는다면 AI/ML이 그 가치를 진정으로 발휘할 수 있는 곳입니다.

오해 2: AI가 충분히 정확하지 않다면 사용할 가치가 없습니까?

날카로운 질문부터 시작하겠습니다.

“AI의 정확도가 85%나 90%에 불과하고 95%나 심지어 98%에 도달하지 못한다면 사용할 가치가 없다는 뜻일까요?”

이러한 우려는 실제로 기업들 사이에서 매우 일반적입니다.
그러나 진실은 수요 자체가 본질적으로 불확실하기 때문에 어떤 모델도 100% 정확할 수 없다는 것입니다.

AI의 가치는 완벽한 답변을 제공하는 데 있는 것이 아니라 조기에 방향성 있는 신호를 제공하는 데 있습니다.

예를 들어:
AI가 예측 정확도를 10%만 향상시킬 수 있다면 여러 채널에서 수천 개의 SKU를 관리하는 회사의 경우 그 차이는 수천만 달러의 비즈니스 가치로 전환될 수 있습니다.

10%의 개선은 단순한 숫자 그 이상을 가져오며 다음을 가능하게 합니다.

• 보다 정확한 재고 할당
• 품절 감소 및 낭비 감소
• 보다 안정적인 생산 계획

오해 3: 단일 모델로 모든 제품을 예측할 수 있습니까?

행사에서 많은 참석자들도 ” 하나의 모델만 사용하여 모든 제품을 예측할 수 있습니까?”
이는 기업의 공통된 기대치이지만 실제로는 달성하기가 매우 어렵습니다.

그 이유는 간단합니다: 제품마다 수요 패턴이 매우 다릅니다.
일부 제품은 판매량이 높고 안정적이고, 일부는 저주파 롱테일 범주에 속하는 반면, 다른 제품은 급격하게 변동합니다. 단일 모델로 모든 제품을 처리하도록 강제하면 일반적으로 일부 제품은 잘 예측되지만 다른 제품은 완전히 빗나가는 결과가 발생합니다.

우리의 접근 방식은 먼저 고객이 제품을 분류하도록 돕는 것입니다.
예를 들어, ABC-XYZ 분석을 통해 판매 가치, 변동성 및 데이터 완전성을 기준으로 제품을 그룹화합니다.

• 일부 제품은 기계 학습 모델에 적합합니다.
• 일부는 통계적 방법으로 충분히 잘 처리할 수 있습니다.
• 다른 것들은 맞춤형 예측 전략이 필요합니다.

다음으로 다음과 같은 다중 모델 전략을 설계합니다.

• 예언자: 계절적이고 탄력적인 수요에 좋습니다.
• Croston: 간헐적인 수요에 효과적입니다.
• XGBoost: 휘발성이 높은 고차원 데이터에 적합합니다.

진정으로 효과적인 방법은 “하나의 모델이 모든 것을 지배” 하는 것이 아니라 다양한 제품 특성에 맞는 최상의 조합을 동적으로 선택하는 것입니다.

또한 계층적 예측 을 강조합니다. 이를 통해 다음을 보장합니다.

• 본부는 집계 번호를 볼 수 있습니다.
• 마케팅은 브랜드에 집중할 수 있고,
• 공급망 팀은 SKU를 볼 수 있습니다.

모두 동일한 예측 로직에서 시작합니다.

이 설계는 수준 간의 예측이 서로 모순되지 않도록 보장하며, 최종 결과는 실제로 프로덕션 및 스케줄링에서 공동으로 사용, 실행 및 신뢰할 수 있습니다.

오해 4: AI 소프트웨어가 구현되면 예측이 자동으로 실행됩니까?

많은 고객이 시스템을 처음 접했을 때 “AI 시스템이 가동되면 사람의 개입 없이 완전히 자체적으로 실행됩니까?”

실제 관행을 통해 우리가 일반적으로 대응하는 방법은 다음과 같습니다.

• 1 단계 : ML 모델은 초기 예측(기준 예측)을 생성합니다.
• 2 단계 : 여러 부서가 실제 비즈니스 상황에 부합하도록 예측을 공동으로 조정합니다.
• 3 단계 : 예측과 실제 결과의 격차를 지속적으로 모니터링하고, 불일치를 파악하고, PDCA 사이클 (Plan-Do-Check-Act)을 통해 모델을 개선합니다.

AI는 플러그 앤 플레이 마법 상자가 아닙니다. 이는 가치를 창출하지만 회사의 일상 프로세스에 포함될 때만 가능합니다. 지속적인 협업과 최적화를 통해 예측은 점점 더 정확하고 실용적이 되어 생산, 일정 관리 및 의사 결정을 효과적으로 지원합니다.

요컨대, AI는 “설정하고 잊어버리는” 시스템이 아니라 비즈니스 운영을 위한 신뢰할 수 있는 기반이 되기 위해 지속적인 참여와 조정 이 필요한 지능형 도구입니다.

오해 5: AI 예측을 구현한 후에는 정확성에만 집중해야 할까요?

정확성은 확실히 중요하지만 진정한 가치 는 리소스 할당 및 운영 결과를 개선하는 데 있습니다.

하이테크 전자 회사를 예로 들어 보겠습니다.
그들의 제품 포트폴리오는 고주파 표준 품목부터 고도로 맞춤화되고 리드 타임이 긴 제품에 이르기까지 매우 광범위했습니다.

과거에는 모든 제품에 단일 접근 방식을 적용했는데, 이로 인해 자재 부족이나 과도한 재고가 발생하는 경우가 많았습니다.

Zionex는 제품 세분화 및 차별화된 예측 전략을 구현하여 이를 도왔습니다.

• 안정적인 제품: 재고 재고와 결합된 기준 예측을 사용했습니다.
• 휘발성 제품: 롤링 조정 메커니즘을 사용한 수요 계획 적용.
• 롱테일 또는 맞춤형 제품: 전적으로 주문에 의존하여 주문 제작(MTO) 전략을 통해 신속한 대응이 가능합니다.

달성한 결과:

• 정시 배송률이 97%로 향상되었습니다.
• 판매 불가 재고가 3%로 감소했습니다.
• 재고 회전율 일수 45% 개선
• 납품 리드 타임 65% 단축

이는 AI 예측을 구현하는 것이 단순히 정확성을 추구하는 것이 아니라는 것을 증명합니다. 핵심은 AI가 진정으로 실질적인 비즈니스 가치로 전환될 수 있도록 제품 특성 및 운영 전략 과 결합하는 것입니다.

더 자세히 알고 싶으시면 연락처 정보를 입력해 주시면 저희 팀에서 연락을 드릴 것입니다!

The post 【이벤트 하이라이트】 Zionex, AI Café 강연 초대 — 매출 예측부터 운영 개선까지 AI의 5대 오해 깨기 appeared first on Zionex Inc..