자동발주 예측 품질 개선: 품절률 감소와 TFT 모델 도입

SSG.COM 수요예측 프로세스 및 문제점

SSG.COM은 **ML 모델(XGBoost, LGBM 등)**과 통계적 방법론을 활용하여 센터 및 점포별 상품 출하량을 예측하고, 이 예측값을 자동발주 및 권고발주 시스템에 사용합니다.
예측 모델은 과거 출하량, 배송처리 가능량, 할인 행사, 운영 관련 값 등 다양한 Feature를 활용하여 학습하며 매주 업데이트됩니다.
주요 문제점은 예상치 못한 수요 변동으로 인한 품절률 급등으로, 특히 특정 센터에서 품절 문제가 심각했습니다.

권고발주 → 자동발주 전환 확대: 자동발주가 권고발주 대비 낮은 품절률을 보임을 확인, 리소스 절감 및 품절률 개선을 위해 권고발주 대상 상품의 자동발주 전환을 점진적으로 추진했습니다.
TFT(Temporal Fusion Transformer) 모델 도입: 기존 모델이 할인 행사 시 출하량 급증에 한 박자 늦게 반응하는 문제 해결을 위해 시간 순서 데이터의 중요도를 학습하는 TFT 모델을 적용했습니다.
Quantile Forecasting 활용: TFT의 분위수 예측 기능을 통해 "다음 주 A상품 판매량은 80~120개 사이일 확률 95%"와 같이 예측 구간 및 확률 정보를 제공하여, 품절 방지(상위 분위수) 또는 재고 최적화(하위 분위수) 중심 운영이 가능해졌습니다.
Capacity 이관 상황 대응: 특정 센터의 Capacity 이관과 같은 급격한 환경 변화 시, 과거 데이터만으로는 예측하기 어려운 상황에 Quantile Forecasting을 활용해 높은 분위수의 예측치를 적용하여 품절을 안정적으로 관리했습니다.

자동발주 비중 확대: 2025년 2월 57%에서 8월 77%로 자동발주 비중이 크게 증가했습니다.
예측 정확도 향상: TFT 모델 적용 후 **RMSE(평균 제곱근 오차)**가 1월 11%에서 7월 중순 약 3%까지 감소하여 예측 정확도가 크게 개선되었습니다.
품절률 개선: 권고발주에서 자동발주로 전환된 상품의 품절률이 약 16.1% 개선되는 유의미한 성과를 달성했습니다.
향후 과제: 행사 종료 후 높은 분위수로 산정된 예측치로 인해 발생할 수 있는 재고 과잉 문제에 대한 개선 방안을 모색 중입니다.