Project — AI 수요 예측

매장별 매출, 품목별 수요를 98% 정확도로 예측

284개 슈퍼마켓 매장 · 52주 데이터 · 온/오프 채널별 분리 예측

98.3%

온라인 예측 정확도

284개

매장 분석

87.3%

오프라인 예측 정확도

매주 284개 매장 각각에 대해 “다음 주 매출이 얼마인가”에 답해야 한다. 재고, 인력, 프로모션 — 모든 의사결정이 여기서 시작된다.

AI 모델은 고객 구매 패턴, 상품 구성, 경쟁 환경, 시계열 추세까지 149개 변수를 동시에 분석하여 매장별 주간 매출을 예측한다. 온라인 주문과 오프라인 매장을 각각 따로 예측한다.

온라인과 오프라인, 품목 관리 단위가 다르다

AI 모델이 매출을 예측할 때, 상품을 어느 수준에서 보느냐가 채널별로 정반대였다. 4가지 모델에서 100% 일관된 결과.

온라인

“유제품을 몇 종류 샀는가”

큰 카테고리(Class) 중심. 검색→필터→장바구니의 목적형 쇼핑.

오프라인

“크림치즈를 골랐는가”

세부 카테고리(Subclass) 중심. 보고→만지고→고르는 탐색형 쇼핑.

고객 수

방문 고객 수가 매출의 가장 강력한 예측 변수. 다른 모든 변수를 압도.

장바구니 구성

어떤 카테고리를 몇 가지 사는지.

직전 매출

관성 효과. 다음 주의 좋은 기준선.

프로모션, 경쟁사, 인구통계를 추가해도 예측 개선이 거의 없었다. 자사 고객 데이터가 가장 중요한 자산이다.

500명의 듀얼 채널 고객을 추적한 결과, 온라인 고객의 장바구니 유사도가 오프라인보다 26.3% 높았다. 고객은 생각보다 습관적으로 산다. 이 구매 관성이 AI가 매출을 맞출 수 있는 근본적 이유다.

284개 매장 × 52주

온라인 225개 + 오프라인 281개

92% 거래 커버리지

로열티 카드 기반

XGBoost + LightGBM

앙상블 + SHAP 해석

Out-of-sample 검증

미래 데이터로만 평가

이 연구의 학술 버전은 Journal of Retailing and Consumer Services에 게재 확정되었습니다.

brlim@hanyang.ac.kr