
구매 담당자가 다음 달 상품별 수요예측표를 받았습니다. AI는 지난 판매 흐름과 계절성을 보고 특정 상품을 1,200개 주문하라고 제안합니다. 숫자만 보면 바로 발주하고 싶지만, 창고에 남은 수량과 이미 들어오는 물량, 공급사의 납기, 묶음 단위, 행사 일정까지 붙이면 같은 예측값의 의미가 달라집니다.
수요예측은 발주서가 아니라 계획을 시작하게 하는 입력값입니다. Microsoft Dynamics 365의 수요예측 업무 흐름은 과거 데이터를 모아 기준 예측을 만들고, MAPE 같은 지표를 확인한 뒤 사용자가 값을 검토·수정·승인해 계획에 반영하는 순서를 설명합니다. 수요예측 설정 문서도 품목 묶음, 단위, 거래 유형, 예측 방식이 먼저 정해져야 한다고 안내합니다.
이 글은 특정 ERP나 모델의 성능을 보장하는 사용법이 아닙니다. 공식 문서가 설명하는 흐름과 NIST AI Risk Management Framework의 위험 관리 원칙을 바탕으로, AI 수요예측을 구매·재고 업무에 연결할 때 점검할 기준을 정리한 실무 제안입니다.

AI 예측이 맞는지 틀리는지만 보면 실제 운영이 보이지 않습니다. 먼저 예측의 입력과 승인 경계를 확인해야 합니다.
Microsoft 문서가 말하는 ‘생성 → 검토·수정 → 승인·게시’ 흐름을 현업에 적용하면, AI 출력은 자동 발주 명령이 아니라 검토 대기 상태가 됩니다. 모델이 만든 수량 옆에 데이터 기준일, 적용 품목, 예측 기간, 사용한 방식, 검토자를 함께 남겨야 다음 사람이 숫자의 출처를 다시 볼 수 있습니다.

창고에 500개가 있다는 사실만으로는 부족합니다. 이미 발주해 이동 중인 200개가 있고, 확정 주문 250개가 잡혀 있다면 실제로 판단해야 할 여유는 달라집니다.
Microsoft의 수요기반 자재소요계획(DDMRP) 문서는 순유량을 실제 보유 재고에 입고 예정 물량을 더하고, 확정·예정 수요를 빼는 방식으로 설명합니다. 재주문점 아래로 내려갔는지, 최대 재고와 비교해 주문 우선순위를 어떻게 둘지도 함께 봅니다. 이 계산은 특정 회사의 정답이 아니라, AI 예측을 발주로 연결할 때 빠지기 쉬운 항목을 보여 주는 참고 구조입니다.
작은 파일럿에서는 상품별로 다음 열을 한 줄에 놓아 보세요.
| 판단 항목 | 확인할 내용 |
|---|---|
| 예측 수요 | 기간·품목·지역·단위와 예측 생성일 |
| 현재 재고 | 가용 재고와 불량·보류 재고의 구분 |
| 예정 공급 | 발주·생산·이동 중 물량과 실제 납기 |
| 확정 수요 | 주문·예약·프로모션으로 이미 약속된 수량 |
| 운영 제약 | 최소 주문량, 묶음 단위, 보관 한도, 리드타임 |
| 판단 결과 | 자동 준비, 사람 승인, 보류·재확인 중 하나 |
이 표가 있어야 “AI가 1,200개라고 했다”가 “어떤 전제에서 1,200개를 검토하는가”로 바뀝니다.

평균적인 상품은 자동화하기 쉽지만, 손실은 예외에서 커집니다. 다음 조건이라면 예측값을 발주로 바로 넘기지 않는 편이 안전합니다.
예외선은 복잡한 모델보다 먼저 정할 수 있습니다.
사람이 마지막 버튼만 누르는 구조는 충분하지 않습니다. 승인자가 예측 원문과 재고·납기 자료를 읽을 수 있고, 필요하면 주문을 되돌리거나 보류할 권한이 있어야 합니다.

처음부터 전 품목의 발주를 자동화하지 말고, 한 상품군이나 한 창고에서 과거 자료와 현재 초안을 나란히 비교하는 편이 좋습니다. 예를 들어 10~20개 품목을 정해 몇 번의 계획 주기 동안 예측과 실제 수요, 구매 담당자의 수정 이유를 함께 기록합니다. 이 숫자와 기간은 성과 보장이 아니라 흐름을 관찰하기 위한 제안입니다.
기록할 항목은 모델 점수 하나가 아닙니다.
Microsoft 문서처럼 MAPE를 볼 수는 있지만, 수요가 거의 없거나 품절로 0에 가까운 품목에서는 한 지표만으로 판단하기 어렵습니다. 품목 특성에 맞는 오차 지표와 함께 품절·긴급발주·보류 사유를 같이 봐야 어떤 자동화가 실제로 도움이 되는지 알 수 있습니다.

AI 수요예측을 도입할 때는 모델 선택보다 다음 연결을 먼저 설계할 수 있습니다.
이 글은 재고 비용, 품절률, 납기, 발주 정확도나 특정 시스템 도입 효과를 보장하지 않습니다. 실제 결과는 수요 데이터의 품질, 공급사 변동, 품목 특성, 현업의 승인 시간과 권한에 따라 달라집니다. 첫 단계에서는 한 상품군을 골라 AI의 수량보다 어떤 전제에서 누구의 승인을 거쳐 주문이 되는지부터 표시해 보세요.
AI 수요예측과 구매·재고 운영 기준을 함께 정리하고 싶다면 아래 채널로 문의하실 수 있습니다.
Microsoft Learn, Forecast demand business process — 과거 데이터 수집, 기준 예측, 검토·수정·승인 흐름을 참고했습니다.
Microsoft Learn, Demand forecasting setup — 품목 묶음, 단위, 거래 유형과 예측 방식 설정 조건을 참고했습니다.
Microsoft Learn, Demand-driven planning — 순유량, 재주문점, 수요 급증 기준과 계획 주문 우선순위 설명을 참고했습니다.
NIST AI Risk Management Framework Core — AI 위험을 거버넌스·맥락 파악·측정·관리로 반복해서 다루는 원칙을 참고했습니다.