이 글의 내용
제조업의 수요 예측은 고객에게 어떤 제품이 언제, 얼마나 필요할지 추정하는 일입니다. 과거 수요와 앞으로 예상되는 변화에 관한 정보를 함께 활용해 구매 부서와 생산 부서가 공통된 근거로 의사결정을 내리도록 돕습니다.
유용한 예측은 판매 가능성이 있다는 이유만으로 모두 재고로 쌓지 않으면서도 필요한 준비를 하도록 돕습니다. 예측의 오차와 가정을 검토하면 지금 확정해야 할 일과 나중에 결정해도 되는 일을 구분할 수 있습니다. 수요 예측은 수요 계획의 한 부분입니다. 수요 계획은 시장 정보를 검토하고 수요 계획안에 합의하는 더 넓은 과정입니다.
실무에서는 두 가지 과제를 해결해야 합니다. 먼저 의사결정에 충분히 활용할 수 있을 만큼 수요를 추정하고, 그에 따른 대응을 실행할 수 있는 생산 계획을 세워야 합니다. SkyPlanner APS는 생산 관련 결정을 실행하는 데 필요한 세부 일정을 수립합니다. 따라서 결정이 바뀔 때마다 기계별 작업 대기열을 따로 다시 짜는 수고를 덜 수 있습니다.
이제 수요를 예측하고, 오차를 평가하고, 예측을 실무에 활용하는 방법을 살펴보겠습니다.
1. 예측으로 어떤 결정을 내릴지 정하기
예측 모델보다 먼저 어떤 결정을 내려야 하는지부터 정하세요. 리드타임이 긴 제품의 자재를 확보할 때, 다음 달 재고생산 물량을 정할 때, 생산 교대조 추가를 검토할 때 필요한 정보의 상세 수준은 서로 다릅니다.
데이터를 모으기 전에 다음 네 가지를 적어 두세요.
- 수요 예측 대상: 완제품, 제품군 또는 범위가 명확히 정의된 다른 계획 품목.
- 단위: 개, 팩, 킬로그램 등 일관되게 사용할 수 있는 물리적 수량 단위. 매출액만 보면 가격이나 제품 구성의 변화가 드러나지 않을 수 있습니다.
- 제품이 필요한 시기: 고객에게 제품이 필요한 시점. 데이터가 뒷받침된다면 고객 요청일을 일관된 기준으로 사용합니다.
- 예측 기간: 구매 및 생산 리드타임을 고려할 때 얼마나 앞서 결정을 내려야 하는지.
자재가 필요한 시점보다 4주 앞서 구매를 확정해야 한다면, 1주 전 예측만 정확해서는 충분하지 않습니다. 구매 부서가 실제로 사용해야 하는 4주 전 예측치를 평가하세요.
어떤 결정을 내릴지에 맞춰 계획의 상세 수준을 정하세요. 제품군별 예측은 향후 교대조 운영을 검토하는 데 도움이 될 수 있지만, 구매 부서가 어떤 사양별 부품을 사야 하는지까지 알려주지는 못합니다. 반대로 주문이 드문 사양까지 하나씩 예측하면 유용한 정보보다 잡음이 더 많아질 수 있습니다. 제품군 합계와 품목별 배분 수량이 일치하도록 유지하고, 제품 구성의 변화가 자재나 생산 능력에 영향을 주는지 검토하세요.
재고생산에서는 예측이 재고 보충 결정을 돕습니다. 수주생산에서는 확정 주문에 따라 실제 생산 착수를 결정하면서, 예측으로는 공용 생산 자원이나 리드타임이 긴 투입 자재를 미리 준비할 수 있습니다. 예측이 있다는 이유만으로 주문이 불확실한 완제품을 미리 생산해 쌓아 둘 필요는 없습니다.
판매 목표는 예측과 구분하세요. 목표는 회사가 얼마나 팔고 싶은지를 나타내고, 예측은 현재 판단으로 고객에게 얼마나 필요할지를 나타냅니다. 현재 공장의 생산 능력에 맞춰 예측치를 낮추면 충족하지 못할 수요가 가려질 뿐, 문제가 해결되지는 않습니다.
2. 실제 고객 수요를 반영하는 과거 데이터 준비하기
품목별·기간별 수요 수량을 일관된 기준으로 정리한 시계열 데이터를 사용하세요. ERP의 출하 보고서에서 시작할 수 있지만, 그 날짜와 수량이 실제로 무엇을 뜻하는지 확인해야 합니다.
납품 지연은 흔히 놓치는 함정입니다. 고객이 이번 주에 요청한 물량을 다음 주에 출하하면, 이번 주 수요는 적고 다음 주 수요는 유난히 많은 것처럼 보일 수 있습니다. 제품을 언제 공급할 수 있도록 준비해야 하는지 예측하려는 목적이라면, 가능할 경우 고객이 요청한 기간을 기준으로 삼으세요. 자사의 납품 지연을 수요 패턴으로 학습해서는 안 됩니다.
영업 및 운영 부서와 함께 과거 데이터를 점검하세요.
- 중복 기록, 단위 환산 오류, 제품 코드 변경 내역을 바로잡으세요. 반품과 취소는 모든 조정을 새로운 음수 수요로 처리하지 말고 원인에 맞게 반영하세요.
- 실제로 수요가 0이었던 기간은 그대로 유지하세요. 기록이 없다고 자동으로 0이 되는 것은 아니며, 주문이 뜸했던 주를 삭제하면 예측치가 부풀려질 수 있습니다.
- 품절, 물량 배정 제한, 생산 능력 제약을 표시하세요. 고객이 100개를 원했는데 60개만 출하했다고 해서 수요가 60개뿐이었다고 볼 수는 없습니다. 미충족 요청 기록이 있다면 활용하고, 추정한 수요 손실분은 반드시 추정치라고 표시하세요.
- 판촉 행사, 일회성 계약, 신제품 출시, 단종 제품을 구분해 표시하세요. 원본 이력은 보존하고, 모델링용 데이터를 조정한 이유를 기록하세요.
정리한 수량을 시간 순서대로 그래프에 표시하세요. 수요 수준이 안정적인지, 지속적으로 늘거나 줄어드는지, 계절적 고점이 반복되는지, 주문 사이에 긴 공백이 있는지 살펴보세요. 이런 패턴을 보면 어떤 방법을 시험할지 정하는 데 도움이 됩니다.
상위 제품의 생산 계획에 따라 부품 소요량이 결정된다면 부품마다 수요를 별도로 예측하지 마세요. 이러한 종속 수요는 BOM(자재명세서)과 자재 소요량 계산을 통해 산출해야 합니다. 그렇지 않으면 같은 구매 결정에 서로 다른 수량이 제시될 수 있습니다.
3. 수요 패턴에 맞는 예측 방법 선택하기
모든 제조 제품에 가장 잘 맞는 예측 방법은 없습니다. 간단한 기준 예측부터 시작하고, 다른 방법을 쓰면 필요한 의사결정이 더 나아지는지 확인하세요.
| 수요 특성 | 우선 검토할 방법 | 확인할 사항 |
|---|---|---|
| 비교적 안정적인 수요 | 최근 기간의 이동평균 또는 단순 지수평활법 | 평균 산출 기간이 실제 변화를 가리지 않으면서 잡음을 완화하는지 |
| 반복되는 계절적 수요 | 직전의 비교 가능한 계절 실적을 기준으로 활용하고, 계절성을 반영하는 예측 모델 검토 | 휴일 시점, 조업일 수 또는 제품 구성이 바뀌었는지 |
| 지속적인 추세 | 추세 지수평활법 등 추세를 반영할 수 있는 모델 | 성장이 이어지고 있는지, 제품이 성숙기에 접어들고 있는지 |
| 측정 가능한 요인과 연관된 수요 | 회귀분석 또는 적합한 머신러닝 모델 | 예측을 작성하는 시점에 해당 요인의 정보를 실제로 확보할 수 있는지 |
| 수요가 0인 기간이 많고 간헐적으로 발생하는 주문 | 크로스턴 계열 방법 등 간헐적 수요에 맞는 접근법 | 주문이 없는 개별 주를 맞히는지뿐 아니라 재고 보충 기간 전체에서의 예측 성능 |
| 과거 데이터가 부족한 신제품 | 유사 제품의 실적과 체계적으로 수집·정리한 영업 및 고객의 판단 | 출시 관련 가정, 기존 제품 수요의 대체 여부, 실제 수요를 얼마나 빠르게 반영하는지 |
단순 지수평활법은 최근 관측값에 더 큰 가중치를 주지만, 기본 형태로는 추세나 계절성을 반영하지 않습니다. 크로스턴 계열 방법은 수요가 발생했을 때의 수량과 발생 간격을 고려해 간헐적 수요를 다룹니다. 다만 다음 주문에 대한 불확실성까지 없애 주지는 않습니다.
이동평균을 간단한 예로 살펴보겠습니다. 최근 3주간 수요가 각각 80개, 100개, 120개였다고 가정하면, 3주 이동평균으로 계산한 다음 주 예측치는 다음과 같습니다.
예측치 = (80 + 100 + 120) ÷ 3 = 100개.
계산 방식은 쉽게 설명할 수 있지만, 실제 상승 추세를 뒤늦게 반영할 수도 있습니다. 관측값 3개로 계산법을 보여 줄 수는 있어도, 이 방법이 해당 제품에 적합하다는 것까지 입증할 수는 없습니다.
후보 방법을 단순한 기준 예측과 비교하세요. 가장 최근의 실제 수요를 기준으로 삼고, 계절성이 있는 품목은 직전의 비교 가능한 계절 실적도 활용하세요. 복잡한 모델은 이름이 정교해 보여서가 아니라, 학습에 쓰지 않은 데이터에서 더 나은 예측 성능을 보이거나 현장 의사결정을 개선할 때 선택할 가치가 있습니다.
판촉이나 경제지표를 사용하는 모델도 미래에 대한 현실적인 입력값이 필요합니다. 예측 당시에는 알 수 없었던 정보로 모델을 시험하면 실제로 가능했던 것보다 성능이 좋아 보입니다. 예측에 유용한 관계가 있다는 사실만으로 해당 요인을 바꾸면 특정한 판매 증가가 일어난다는 인과관계까지 입증되는 것은 아닙니다.
4. 기준 예측은 유지하면서 현업 정보 반영하기
과거 데이터가 모든 것을 알려 주지는 않습니다. 고객이 조업 중단을 예고했거나, 유통업체가 거점을 추가하거나, 신제품이 기존 모델을 대체할 수도 있습니다.
통계적으로 산출한 기준 예측을 계속 확인할 수 있도록 유지하고, 현업 정보를 반영한 조정 내역은 각각 별도로 기록하세요. 수량, 해당 기간, 조정 이유, 담당자, 검토일을 함께 남기세요. 효과를 추가로 반영하기 전에 모델이나 다른 조정에 이미 포함되어 있는지 확인하세요.
다가오는 어느 주의 기본 예측값이 100개라고 가정해 보겠습니다. 영업팀이 기존 예측에 전혀 반영되지 않은 신규 고객의 추가 수요 20개에 대한 근거를 제시합니다. 검토를 거친 예측값은 120개가 됩니다. 고객이 다른 제품의 수요를 이 제품으로 옮기는 것이라면, 이를 순수한 수요 증가로 기록하지 말고 해당 제품의 예측도 함께 조정해야 합니다.
이렇게 하면 추가 수요가 실제로 발생했는지, 어느 기간에 발생했는지, 수동 조정이 예측을 개선했는지 구체적으로 검토할 수 있습니다. 시간이 지나면서 기본 예측의 오차와 조정 후 예측의 오차를 비교하세요. 새로운 정보를 반영하는 조정은 유지하고, 반복적으로 낙관적인 전망만 더하는 조정은 원인을 살펴보세요.
불확실성이 큰 신제품 출시나 대형 계약의 경우, 기본 시나리오와 함께 현실성 있는 상향·하향 시나리오를 각각의 가정과 함께 보관하세요. 이는 계획 수립을 위한 시나리오이지, 통계적으로 보정된 예측 구간이 아닙니다. 시나리오별로 자재 확보, 교대조 추가, 완제품 재고 확보 결정의 연기 등 어떤 의사결정이 달라지는지 파악하세요.
5. 실제 의사결정에 필요한 리드타임을 기준으로 예측 오차 측정하기
예측을 발행할 때마다 발행일, 대상 기간, 품목, 버전을 함께 저장하세요. 실제 수요가 확인되면 납품 직전에 수정한 최신 예측이 아니라, 실제로 의사결정을 내려야 했던 시점에 이용할 수 있었던 버전과 비교하세요.
예측 방법을 선택할 때는 과거 데이터로 백테스트를 수행하세요. 과거의 특정 시점에 이용할 수 있었던 정보만으로 모델을 적합하고, 필요한 기간을 예측한 뒤 기준 시점을 앞으로 옮겨 같은 과정을 반복합니다. 이처럼 예측 기준 시점을 순차적으로 옮기는 방식은 미래 관측값이 과거 예측에 유입되지 않도록 하면서 실제로 수행해야 하는 예측 업무를 검증합니다.
예측 오차 계산 예시
한 제품에 대해 4개 주의 예측을 평가한다고 가정해 보겠습니다. 아래 표의 각 행에 저장된 예측은 모두 해당 대상 주의 4주 전에 발행한 값입니다. 여기서 부호 있는 오차는 예측 수요에서 실제 수요를 뺀 값이므로, 양수이면 과대 예측을 뜻합니다.
| 대상 주 | 저장된 예측값 | 실제 수요 | 부호 있는 오차 | 절대 오차 |
|---|---|---|---|---|
| 1주차 | 110 | 100 | +10 | 10 |
| 2주차 | 110 | 120 | −10 | 10 |
| 3주차 | 110 | 80 | +30 | 30 |
| 4주차 | 110 | 100 | +10 | 10 |
| 합계 | 440 | 400 | +40 | 60 |
다음 3가지 지표는 이 결과를 서로 다른 측면에서 설명합니다.
평균 절대 오차(MAE) = 절대 오차의 합 ÷ 기간 수 = 60 ÷ 4 = 주당 15개.
MAE는 평균적인 오차의 크기를 제품의 수량 단위로 나타내므로 이해하기 쉽습니다. 다만 예측이 실제 수요보다 높거나 낮은 쪽으로 치우치는지는 보여주지 않습니다.
가중 절대 백분율 오차(WAPE) = 절대 오차의 합 ÷ 실제 수요의 합 × 100 = 60 ÷ 400 × 100 = 15%.
이 예시처럼 수요량이 음수가 아닌 경우, WAPE는 총수요 대비 절대 오차의 비율을 나타냅니다. 매주 예측 오차가 15% 이내였다는 뜻도, 수요를 충족할 확률이 85%라는 뜻도 아닙니다.
평균 부호 오차, 즉 편향 = 부호 있는 오차의 합 ÷ 기간 수 = 40 ÷ 4 = 주당 +10개.
앞서 정한 부호 기준에 따르면 예측은 평균적으로 실제 수요보다 높았습니다. 4주 전체로는 실제 수요보다 40개 많았으며, 이는 실제 총수요의 10%입니다. 과대 예측과 과소 예측은 합산 과정에서 서로 상쇄될 수 있으므로, 편향만으로는 오차의 크기를 설명할 수 없습니다.
이 4개 행은 지표를 설명하기 위한 예시일 뿐, 검증에 충분한 이력은 아닙니다. 해당 제품의 계절성, 주문 패턴, 관련 변화를 반영할 수 있도록 기준 시점을 옮겨 가며 충분히 반복 검증하세요.
정확도 지표가 오해를 부르지 않도록 하기
평균 절대 백분율 오차(MAPE)는 각 기간의 절대 오차를 해당 기간의 실제 수요로 나눕니다. 실제 수요가 0이면 정의되지 않고, 0에 가까우면 값이 불안정해집니다. 따라서 수요가 드문드문 발생하는 제조업에서는 기본 지표로 적합하지 않습니다.
WAPE는 수요가 0인 기간이 일부 포함되어도 계산할 수 있지만, 실제 총수요가 0이면 정의되지 않습니다. 또한 수요량에 따라 분모가 달라지므로, 수량 기준 오차가 그대로여도 수요가 늘면 비율이 개선될 수 있습니다. 동일한 검증 기간을 기준으로 MAE, 편향, 단순한 기본 예측의 결과와 함께 살펴보세요.
제품군 합계만 보면 한 사양은 지속적으로 과대 예측되고 다른 사양은 과소 예측되는 문제가 가려질 수 있습니다. 전체 평균만 보지 말고, 고객 수요 충족에 위험을 초래하거나 고가 재고 또는 핵심 자원의 부하를 유발하는 제품을 검토하세요.
어디에나 적용할 수 있는 허용 예측 오차율은 없습니다. 15개의 오차라도 저렴한 공용 부품과 수요가 적은 완제품 조립품에 미치는 영향은 다릅니다. 부족 및 과잉에 따른 비용, 보충 리드타임, 가능한 대응 방안을 기준으로 예측을 평가하세요. 불확실성과 서비스 정책에 따라 여유분을 결정해야 하며, 모든 생산 수량에 MAE를 단순히 더해서는 안 됩니다.
6. 예측을 바탕으로 생산 의사결정 내리기
검토를 마친 예측은 고객 수요의 추정치입니다. 생산 수량은 확정 주문, 사용 가능한 재고, 기존 생산분의 입고 예정량, 유지하려는 재고 수준을 고려해 별도로 결정해야 합니다.
같은 수요를 중복 계산하지 마세요. 예측 수요가 120개이고 그중 70개가 확정 주문으로 들어왔다면, 같은 기간의 주문이 예측을 대체하는 단순한 예측 소진 정책에서는 아직 주문으로 대체되지 않은 예측 수요가 50개 남습니다. 총수요는 190개가 아니라 여전히 120개입니다. 실제 운영 정책에 따라서는 서로 다른 날짜나 수요 유형에 걸쳐 예측을 소진할 수도 있습니다.
이제 사용 가능한 완제품이 30개 있고, 기간 말에 10개를 남기려 하며, 생산분의 입고 예정량은 없다고 가정해 보겠습니다. 수요 120개를 충족하기 위한 생산 제안 수량은 100개: 120 + 10 − 30입니다. 이는 재고와 생산 완료품을 해당 수요에 필요한 시점보다 먼저 사용할 수 있다는 전제에 따른 계산입니다.
기준생산계획은 이러한 품목별 수량과 공급 가능 일정을 구체화합니다. MRP는 승인된 생산 수량에 필요한 자재와 부품을 계산합니다. 그러나 예측이나 재고 잔량만으로는 공장이 제때 생산할 여력이 있는지 확인할 수 없습니다.
예를 들어 100개를 생산하는 데 개당 설비 가동시간 0.2시간과 준비 시간 2시간이 필요하다면, 핵심 설비에서 총 22시간이 소요됩니다. 이 설비에는 이미 다른 확정 작업에 20시간이 필요하지만, 요구 완료일까지 사용할 수 있는 시간은 40시간뿐입니다. 제안된 총부하는 42시간입니다. 부족한 2시간을 확보하거나, 작업 조건에 맞는 대체 설비를 사용하거나, 기존에 확정한 생산 일정을 조정해야 합니다.
설비 부하를 가용 시간에 맞추기 위해 고객 수요 예측을 110개로 낮추지 마세요. 수요 추정치는 그대로 확인할 수 있게 두고, 공급 부족을 어떻게 해결할지 결정하세요.
SkyPlanner로 수요 대응에 필요한 작업 일정 수립하기
예측이 달라져 확정한 생산 계획을 변경하면, 일정 조정이 여러 설비와 주문에 걸쳐 필요해질 수 있습니다. 배치 하나를 추가하면 뒤따르는 공정, 해당 설비에 이미 대기 중인 작업, 그리고 이 작업들에 달린 납품 일정까지 영향을 받습니다.
SkyPlanner APS는 이러한 작업을 자원별 작업 일정을 함께 볼 수 있는 하나의 일정표로 통합합니다. 작업장, 교대조, 작업자, 공정 단계와 소요 시간을 설정한 뒤 우선순위와 잠금 기능으로 계획을 조정하세요. SkyPlanner의 스케줄링 인공지능인 Arcturus는 설정된 생산 능력, 작업 가능한 자원, 공정 간 선후 관계를 고려해 작업 배치를 계산합니다. 간트 화면에서 계산된 작업 순서와 완료일을 확인할 수 있습니다.
앞서 제안한 100개 생산의 경우, 가공에 필요한 작업을 나머지 공정 및 같은 자원을 사용하는 다른 작업과 연결해 검토할 수 있습니다. 영향을 받는 설비의 작업 대기열을 일일이 수작업으로 맞추지 않고도, 승인된 교대조 변경이나 우선순위 조정으로 필요한 시점에 작업을 완료할 수 있는지 확인할 수 있습니다.
자재를 고려하는 스케줄링 기능을 활성화하면, Arcturus는 시작 시간을 계산할 때 재고와 입고 예정 자재의 가용 시점을 고려합니다. 구매 자재의 납품 예정일은 사용 가능할 것으로 예상되는 시점을 나타내며, 재고는 입고가 확인되면 갱신됩니다. 자재나 선행 공정이 준비되지 않았다면 설비에 빈 시간만 있다고 해서 작업을 시작할 수는 없습니다.
예측과 보충에 관한 의사결정은 기존 수요 계획 프로세스나 ERP에서 계속 관리하세요. SkyPlanner는 예측을 바탕으로 생산 작업을 자동 생성하지 않습니다. 사용자가 생성하거나 연동을 통해 전달한 생산 작업의 일정을 수립합니다. SkyPlanner는 개방형 REST API를 통해 모든 ERP 또는 MES와 연동됩니다. 따라서 이러한 의사결정을 관리하는 기존 시스템을 유지하면서 세부 실행 계획을 개선할 수 있습니다.
수요가 바뀔 때마다 수작업으로 일정을 조정해야 한다면 SkyPlanner를 선택할 이유가 여기에 있습니다. 생산계획 담당자가 무엇이 중요한지 결정하면, Arcturus가 그 결정을 실행할 수 있도록 자원별 작업 순서를 계산합니다.
빠른 일정 재조정이 Fredman Operations에 가져온 변화
핀란드에서 식품용 주방·포장 제품을 제조하는 Fredman Operations는 과거에 설비가 언제 비는지, 교대조별 생산 능력이 얼마나 되는지 정확히 파악하지 못한 채 수작업으로 작업 우선순위를 정했습니다. 긴급하게 일정을 재조정하는 데 1시간 이상 걸리기도 했습니다.
SkyPlanner를 도입하면서 L7 및 LTR 시스템을 연동하고, 생산 능력과 작업을 하나의 간트 차트에서 함께 볼 수 있게 되었습니다. 고객 사례에 따르면, 전체 수주잔고의 납기를 앞당겨 달라는 요청을 검토하는 데 수작업 계산으로 몇 시간씩 걸리던 것이 이제는 몇 초면 됩니다. 담당 팀은 초과근무가 줄고 일정 변경에도 더 빠르게 대응하게 되었다고 전합니다.
이 사례에서 주목할 효과는 요구사항의 변경이 작업과 납기에 어떤 영향을 미치는지, 아직 대응할 시간이 있을 때 파악할 수 있다는 점입니다.
수요 예측과 생산 대응을 연계하세요
의사결정 주기에 맞춰 검토 주기를 정하세요. 새로운 수요가 들어오면 기준 예측을 갱신하고, 중요한 예외 사항은 영업 부서와 함께 검토하세요. 각 의사결정에 필요한 리드타임을 기준으로 당시 저장해 둔 예측의 오차도 추적해야 합니다. 정기적인 예측 수정으로 인해 생산 부서가 이미 이행을 준비 중인 확정 사항이 아무런 확인 없이 바뀌지 않도록 하세요.
합의된 변경으로 생산 수량이나 제품을 공급할 수 있는 날짜가 달라지면, 생산 작업을 갱신하고 해당 작업에 배정된 자원의 일정을 검토하세요. 그러면 구매·생산·영업 부서가 무엇이 바뀌었고 이제 무엇을 납품할 수 있는지 동일한 기준으로 파악할 수 있습니다.
수작업 계획을 줄이면서 이러한 생산 대응을 관리하는 방법을 알아보려면 SkyPlanner 데모를 예약하세요. 예측 변경 후 결정한 생산 수량 한 건과 해당 제품의 공정 경로, 제품이 준비되어야 하는 날짜를 가져오세요. 이 정보는 여러 작업이 함께 사용하는 생산 능력과 다른 확정 사항에 미치는 영향을 살펴보는 실질적인 출발점이 됩니다. 먼저 직접 살펴보고 싶다면 데모 데이터로 SkyPlanner를 체험해 보세요.
Jussi Mäntylä
생산계획 전문가, SkyPlanner
