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!