AI와 소매 수요 예측(AI 문고)

수요 예측의 승부는 알고리즘보다 데이터 구조에서 갈린다
소매 수요 예측은 '얼마나 팔릴까'를 맞히는 문제가 아니다. 예측 결과가 재고, 생산, 물류, 발주 같은 실제 의사 결정으로 이어져야 비로소 의미가 있다. 이 책은 더 뛰어난 단일 알고리즘을 찾기보다 어떤 데이터에 어떤 전략을 적용할 것인가를 묻는다. 규칙적으로 팔리는 생활필수품, 수요가 드문 간헐 상품, 프로모션에 따라 급등락하는 제품, 판매 이력이 없는 신제품을 같은 모델로 예측할 수 없기 때문이다. ETS·ARIMA·Croston 같은 전통 모델에서 Random Forest·XGBoost·LSTM·Transformer 계열 AI 모델까지 비교하고, 수요 패턴 분류와 클러스터링, 시계열 임베딩을 결합한 예측 전략을 설명한다. 특히 국내 FMCG 업체의 1만 2661개 SKU와 156주 데이터를 분석해, 물류 거점과 수요 구조에 따라 최적 전략이 달라짐을 실증한다. 핵심은 알고리즘 선택보다 데이터 구조 진단이다. 여기에 설명 가능성, 예측의 일관성, 안전 재고와 서비스 수준까지 연결해 수요 예측을 하나의 공급망 의사 결정 체계로 확장한다. 이론에 그치지 않고 실습 코드도 제공해 데이터 전처리부터 하이브리드 예측 프레임워크까지 직접 구현할 수 있게 했다.

AI와 소매 수요 예측

01 수요 예측과 공급망 관리
02 소매 수요 예측 문제 구조
03 수요 패턴 분류와 간헐 수요 예측
04 전통적 수요 예측 방법
05 AI 기반 수요 예측 모델
06 수요 예측 방법론 설계
07 수요 패턴과 클러스터링
08 임베딩 기반 시계열 분석
09 소매 데이터 구조와 수요 패턴 분석
10 AI 기반 수요 예측 프레임워크

김정혁 서울과학기술대학교 산업정보시스템 전공에서 공학박사(Ph.D) 학위를 받았다. 대기업 및 IT 기업에서 18년 이상 데이터 사이언스와 IT 시스템 개발 업무를 수행했으며, 현재 공공기관 및 기업의 IT 프로젝트에서 AI·데이터 분야 연구원으로 참여하고 있다. SAP ERP 기반 IT Solution 개발, 삼성전자 모바일 사업부 장기수요 예측 시스템 개발, LG 디스플레이 DX Six Sigma 전사 강의·과제 지도 및 인증평가위원으로 활동하였다. "빅데이터 기반 6시그마 방법론의 유효성 분석"(KCI, 2024), "머신러닝 기반 교통사고 심각도 예측 모델 개발 및 사고 요인 분석"(KCI, 2025), "Hybrid Clustering for Retail Demand Forecasting: Combining Rule-Based and Machine Learning Methods"(Scopus, 2026) 등의 논문을 발표했다.