공급망 복잡성을 최상의 서비스 품질로 전환하기

아마존이 오늘 갑자기 허공에서 나타났다면, 제정신인 사람 중 이를 수익적으로 운영할 수 있다고 자신할 이는 거의 없을 것입니다.

전 세계적으로 아마존은 11개 국가 마켓플레이스를 통해 30억 개 이상의 제품을 판매합니다. 미국에서만 2018년 2억 800만 개의 신제품을 출시했는데, 대부분은 느리게 팔리는 '롱테일(Long-tail)' 상품들입니다. 그런데도 극도의 복잡성과 규모에도 불구하고, 아마존의 2018년 7월 실적은 주주 기대의 두 배를 기록하며 분기 순이익 25억 달러라는 놀라운 성과를 냈습니다.

아마존의 성공은 복제 불가능한 행운처럼 보일 수 있습니다. 하지만 이를 분해하면, 제프 베조스(Jeff Bezos)는 세계 최고 부자가 된 비결이 겉보기엔 모순되는 세 가지를 동시에 달성한 데 있음을 알 수 있습니다: 예외적 서비스 수준 제공, 가능한 최저 비용 유지, 그리고 복잡성 관리. 저는 진정한 성공으로 이 세 가지를 모두 달성하려면 첨단 기술 역량 없이는 불가능하다고 주장합니다.

첫째, 마인드셋을 바꾸세요. 불행히도 수요 변동성 증대와 서비스 기대치 상승의 시장에서, 너무 많은 기업이 전통적 프로세스와 익숙한 하향 나선에 갇혀 있습니다. 늘어나는 SKU 조합을 신뢰성 있게 예측하지 못해, 롱테일·불규칙 수요를 감당하려 재고를 쌓아둡니다. 이는 필연적으로 추가 운임 비용, 과잉 및 진부화 재고(상각 또는 대폭 할인 매각 필요) 같은 문제를 낳습니다. 플래너들은 끊임없이 반응적이고 비효율적인 '소방수(firefighting)' 모드에 갇혀, 제안된 보충 주문 변경과 서비스 레벨 조작에 대부분의 시간을 쓰며 성과를 주도하지 못합니다.

공급망 문제는 직관에 반하는 해결책을 가졌기에 해결이 가장 어렵습니다. '아마존급' 성공을 원한다면, 먼저 자신의 길을 비우고 새 접근법을 시도해야 합니다. 낡은 격언대로, 같은 일을 반복하면서 다른 결과를 기대하는 건 광기의 확실한 증거입니다.

서비스 주도 기획의 비결은 확률적 예측(Probability Forecasting)과 재고 믹스 최적화(Stock Mix Optimization)입니다. 복잡성을 관리하고 높은 서비스 레벨을 달성하는 길은 먼저 예측 정확도의 장벽을 깨는 것입니다: 단일 숫자를 예측하는 대신, 수요의 가능성 범위를 예측하세요. 이 방법을 확률적 예측이라 부릅니다. 이 접근법으로 여전히 가장 가능성이 높은 결과와 연관된 단일 숫자를 얻지만, 이 숫자 주변에 각기 다른 확률을 가진 다른 가능한 결과들의 범위를 얻게 됩니다. 이는 집계 주문 이력 숫자의 평균에 기반한 전통적 '단일 숫자' 예측의 대안입니다.

확률적 예측은 수많은 롱테일 아이템을 포함하고, 적절히 모델링할 수 없는 수많은 요인들로 인해 수요 변동성과 불확실성에 직면한 공급망에 이상적입니다. 공급망 구루 로라 체세르(Lora Cecere)는 블로그 '확률적 예측: 귀사 비즈니스에 적합한가?(Probabilistic Forecasting: Right Fit for Your Business?)'에서 "어려운 수요 프로필에 대해 확률적 예측은 새롭고 강력한 기법이다. 그것은 일종의 엔진이다. 예측은 더 나은 수학, 그리고 결과를 주도하는 데이터 모델의 적합성에 관한 것이다"라고 결론 내렸습니다.

귀사 공급망이 너무 복잡해지기 전에도 확률적 예측의 혜택을 볼 수 있습니다. 간단한 예로 설명해보죠. 특정 자동차 타이어 SKU의 수요를 예측한다고 합시다. 단일 숫자 예측 시스템은 이 타이어가 월 4개 팔린 이력을 보고 평균 수요를 주 1개로 산정합니다. 하지만 고객이 네 개를 한꺼번에 교체한다는 사실을 반영하지 못해, 목표 서비스 레벨 달성을 위한 적정 재고 수준이 아닌 잘못된 예측과 재고 수준을 지속적으로 제안하게 됩니다.

재고 기획을 위해선 라인 오더 수량별 확률(1개, 2개, 3개, 4개 등)을 알아야 합니다. 확률적 예측은 정확히 그 정보를 제공하며, 재고가 수요를 서비스하는 데 활용할 주문 패턴(주문 규모, 주문 빈도 등)을 식별합니다.

우리는 1990년대 초 이 접근법을 전통적 예측의 대안으로 주창하며 공급망계에서 고독한 존재였습니다. 오늘날 압도적 공급망 복잡성에 직면해, 기업들이 이를 시도할 불타는 플랫폼이 더 커졌습니다. 우리가 듣는 피드백은 한결같습니다. "진작 이걸 시작했더라면!"

두 번째로, 재고 믹스 최적화는 네트워크 전반의 SKU 포트폴리오의 규모와 변동성(복잡성)을 활용해 '서비스 주도 기획'을 가능케 합니다. 그룹 내 모든 SKU에 동일한 서비스 레벨을 부여하는 대신, 공급망 전반의 각 SKU-로케이션마다 비즈니스 목표 달성에 최적화된 고유의 서비스 레벨을 부여합니다. 예를 들어, 한 클래스의 모든 SKU에 98% 서비스 레벨을 부여하는 대신, 전역 98% 목표를 개별 SKU-로케이션 서비스 레벨을 99%, 97%, 99.5% 등으로 최적 설정해 달성함으로써, 동일한 전반적 고객 서비스 레벨 목표를 훨씬 적은 재고 비용으로 달성합니다.

글로벌 처방 렌즈 제조사 샤미르 옵티컬(Shamir Optical)은 확률 기반 예측을 적용해 더 서비스 지향적으로 변모했습니다. 일률적 재고 정책 대신, 수요 패턴을 분석해 각 로케이션의 개별 SKU마다 서로 다른 서비스 레벨 타겟의 블렌드를 만들었습니다. 그 결과 전체 재고 수준을 25% 이상 감축하면서 99%를 초과하는 서비스 레벨을 지속적으로 달성했습니다.

확률적 예측은 인간 플래너가 실용적으로 충분히 빠르게 실행할 수 없습니다. 이를 작동시키려면 머신러닝 기술(인공지능의 한 형태)을 사용하는 자기 적응형 시스템으로 기획 프로세스를 자동화해야 합니다. 확률적 예측을 생성하려면 먼저 공급망을 모델링해야 합니다. 대부분 기업은 샘플 SKU 그룹으로 시작해 테스트하고 시간이 지남에 따라 확대합니다. 모델에 대해 광범위한 잠재적 수요 변수들의 영향을 고려해야 합니다. 이는 주문 이력 같은 전통적 입력, CRM 시스템 데이터 같은 기타 사내 소스, 심지어 날씨, 주식 시장, 소셜 미디어 트렌드 같은 외부 소스일 수 있습니다. 공급망 모델은 '살아있는' 시스템이므로, 머신러닝이 지속적으로 학습하고 결과를 튜닝해 시간이 지나도 새로운 데이터 소스를 도입할 수 있습니다. AI 적용은 수요와 재고 행동에 대한 깊은 통찰을 제공해 결과를 개선합니다.

하지만 인간에게 희소식은, 확률적 예측이 설계상 종착점이 아닌 출발점이라는 것입니다. 플래너들이 서비스 정책과 그에 따른 공급망 전반의 최적 재고 수준에 대해 정보에 기반한 판단을 내릴 수 있도록 제때 데이터를 제공하도록 설계되었습니다.

이 AI 증강 확률적 예측은 인간과 기계 간의 이상적인 공생을 나타냅니다. 시스템은 인간의 입력을 반영해 시간이 지날수록 더 똑똑해지고, 인간은 확률적 예측의 성공률로부터 배워 더 똑똑해집니다. 이는 플래너들이 서비스에 집중하고, 전략적 프로젝트에 임하며, 비즈니스 인사이트를 시스템에 더할 수 있게 해줍니다.

귀사 비즈니스도 복잡성 위에서 번창할 수 있습니다. 확률적 예측의 미학은 서비스 레벨이 오르는 동안 비용, 낭비, 비효율은 내려간다는 데 있습니다. 샤미르 옵티컬 같은 수백 개 기업이 운전자본 확보, 진부화·운송·긴급 배송 비용 및 할인 판매 감소, 시장 변화에 대한 반응성 향상, 더 나은 전략적 의사결정 등 다양한 혜택을 얻었습니다.

'단일 숫자' 결정론적 접근에 매여 있는 이들에게 확률적 예측은 직관에 반하게 느껴질 것입니다. 하지만 극소수 품목과 완전히 예측 가능한 수요를 가진 원자재 비즈니스가 아니라면, 단일 숫자 접근은 통하지 않습니다. 아마존은 이 방법을 쓸 뿐만 아니라, 파트너 벤더들에게 확률적 예측 도구를 제공합니다. 이제 귀사도 시도해볼 때가 되지 않았을까요?

조셉 샤미르(Joseph Shamir)는 ToolsGroup의 최고경영자입니다.