Shopify 리서치 허브 · 문서/위키형 둘러보기 분류 관리 자동 조사
데이터·분석 /재고·수요 예측

재고·수요 예측

근거 4건 · v1 · 2026-09-12 · claude-opus-4-8

재고·수요 예측 (Demand Forecasting) — 전체 개요

Shopify 자사몰 운영에서 수요를 예측해 적정 재고를 유지(품절·과잉 동시 방지)하기 위한 리서치 모음이다. 크게 ① 실전에서 바로 쓰는 Shopify 앱(SaaS 도구) 과 ② 그 밑단에 깔린 AI 예측 모델링 기법 두 축으로 정리된다.

1. 문제 정의 — 왜 수요 예측인가

  • 감(gut feeling)과 스프레드시트에만 의존하면 베스트셀러는 몇 주씩 품절되는 동시에 아무도 안 찾는 재고가 창고에 쌓이는 이중 실패가 발생한다 [S1].
  • 대기업은 값비싼 예측 시스템을 쓰지만, 소규모 브랜드/1인 셀러는 접근하기 어렵다는 인식이 있다 [S1].
  • 리드 타임(공급 준비 기간)이 긴 브랜드일수록 예측이 중요하며, 재고가 도착(land)하는 시즌을 반영해야 한다 [S1].

2. 실전 도구 — Shopify 수요 예측 / 재고 계획 앱

수집된 3개 앱 모두 "판매·재고 데이터 기반 예측 → 재주문 시점·수량 제안"이라는 공통 흐름을 가진다. 세 앱 모두 명시적으로 또는 리뷰상 Shopify의 Stocky를 대체·능가하는 것을 목표로 언급한다 [S1][S3][S4].

2-1. 앱별 비교

| 항목 | InStock [S1] | Forthcast [S3] | Replinish [S4] | |---|---|---|---| | 예측 기간 | 향후 12개월, 월 단위 | 6개월, SKU 단위 | 판매 내역 확보 시 예측(기간 명시 없음) | | 시즌 반영 | 재고가 도착하는 시즌 반영 | 이상 패턴(급등·급락) 탐지 | — | | 수동 조정 | 프로모션 시 직접 수량 입력, 메모 첨부, 반복(recurring) 연간 표시 | — | — | | 재주문 알림 | 발주 수량 계산 근거(math) 표시 | 품절 전 스마트 재주문 포인트 알림, 저재고 이메일 | 재주문 시점·제안 수량(계산 과정 표시), 재고 부족·품절 알림 | | 데이터 부족 처리 | — | — | 내역 부족 시 "데이터 부족" 상태 유지 | | 손실/재고 관리 | — | 재고 부족으로 인한 손실 매출 추적 | 과잉 재고·악성(dead) 재고 탐지 | | 번들/키트 | — | 키트·멀티팩 이중 집계 없이 관리 | — | | 공급업체/PO | — | — | 공급업체별 구매 주문서(PO) 작성·이메일·추적, 리드타임·비용·미결주문 통합 | | Stocky 연동 | (비교 대상으로 언급) | 리뷰상 "Stocky보다 낫다" | Stocky 제품·PO CSV 가져오기(SKU 대조) | | 정확도 리포트 | — | 예측 정확도 리포트, 안전재고 최적화 | 재고 가치·판매 소진율 리포트(상위 플랜) |

표기 주의: S3의 지원 주체는 "Forthcast"이나 본문 일부에 "Replenish" 표기가 혼재하고, S4의 앱명은 "Replinish"이면서 지원 주체는 "Replenish"로 표기됨 — 원문 표기 그대로 옮김 [S3][S4].

2-2. 요금제 (사실형 — 수집 시점 2026-09-12 기준)

  • InStock: 구체 가격 미공개. "대기업 기술을 말도 안 되는 가격 없이(without that insane price tag)"라는 마케팅 문구만 존재 [S1].
  • Forthcast: 베이직 플랜 $19.99/월(단일), 14일 무료 체험. USD 청구, 30일마다 반복 청구 [S3].
  • Replinish: Flow $29/월(최대 500개 제품), Swell $79/월(무제한 제품·전 위치 개별 추적·재고 가치/소진율 리포트·원클릭 PO 초안), 둘 다 14일 무료 체험. USD 청구 [S4].

(현재까지 가격 변동 이력은 관측되지 않음 — 이후 인상/인하 시 여기에 "$X → $Y" 형태로 누적 기록할 것)

2-3. 언어 지원 / 접근성

  • Forthcast: 한국어 포함 30개 이상 언어 지원 [S3].
  • Replinish: 영어만 지원(한국어 미번역) [S4].

2-4. 데이터 접근 권한 (개인정보 관점)

  • Forthcast: 고객 민감데이터(이름·이메일), 장치·활동 데이터(위치·IP·브라우저/OS), 스토어 소유자 정보, 제품·주문 편집 권한(재고·제품·컬렉션·주문 처리) 요구 [S3].
  • Replinish: 장치·활동 데이터, 스토어 소유자 정보, 제품·주문 보기 권한(편집 아님) 요구 — Forthcast보다 권한 범위가 좁음 [S4].

2-5. 사용자 평가 (의견형 — 병렬 제시)

  • Forthcast(리뷰 2건, 2026-09-12 수집): "여러 앱을 테스트했지만 재주문 사이클 구현이 특히 뛰어나다", "Stocky보다 더 많은 걸, 더 잘할 것 같다. 지원팀 대응이 매우 빠르고 니즈에 관심이 많다" [S3].
  • InStock(채널 홍보성 후기, 2026-08-31): "긴 리드타임 브랜드를 위해 만들어졌다", "새벽 3시 스프레드시트 스트레스가 사라졌다" — 홍보성 스토리텔링이므로 객관적 리뷰와 구분 필요 [S1].

3. 예측 모델링 기법 (백엔드 관점) — S2 학술 프로젝트

기업 수요·재고를 AI로 예측한 팀 프로젝트(Dimension 5, 2025-04-03 게시). Shopify 앱 자체는 아니지만 자체 예측 로직을 만들 때의 참고 지식으로 유용하다 [S2].

3-1. 접근 구조

  • 수요 예측 모델 + 재고 예측 모델 + 앙상블 모델을 결합해 정확도 향상 시도 [S2].
  • 데이터셋 5단계 구성: 기본 → 정규화·변수 추가 → 계절성·이벤트 반영 → 노이즈·예외 상황 추가 → LSTM용 최종셋 [S2].
  • LSTM 구조: 30개 시점 입력 → LSTM(4 units) → 7개 출력, Adam 옵티마이저·MSE 손실·배치 32 [S2].

3-2. 모델별 성능·특성 (의견/실험 결과형)

  • LSTM: 시계열 장기 의존성 학습. 전반적 추세는 맞으나 급변 구간에서 오차 증가 → 외부 변수 반영 필요 [S2].
  • Random Forest: 단기 추세·급변 반영은 양호했다는 결과와, 반대로 평균 수준의 완만한 곡선만 그려 급락/급등을 못 따라간다는 결과가 혼재 — 특정 피처 조합에서 극단값을 과대 예측하는 경향도 관측 [S2].
  • TFT(Temporal Fusion Transformer): 다변량 특성 고려, 과거 30일 인코더·7일 예측. 오차율 29.83%, 개선 여지 있음 [S2].
  • XGB(비양성/non-positive) 모델: 최저 오차율 17.7% 기록 — 이 실험에서 최고 성능 [S2].
  • 앙상블: 전반적으로 실제보다 낮게(과소) 예측하는 경향, 4·7·8일차 오차 큼. 마케팅 이벤트·재입고 직후 급변동기에 정확도 하락 → 고변동성 별도 모델링 전략 권고 [S2].
  • 결론적으로 단독 TFT보다 앙상블 학습이 낫다는 판단 [S2].

3-3. 변수 중요도 (분석 결과 — 서로 상충하는 관점 병렬)

  • 재고 수준(inventory level): RF 피처 중요도 0.7 이상으로 압도적 1위. 재고 증가 → 예측 판매량 감소 경향 [S2].
  • 가격·이벤트(프로모션) 유무: 상위 중요 변수. 가격 하락·재고 증가 시 판매량 증가, 가격 35,000원에서 판매량 급락 → 수요 탄력성 큼(최고 판매는 가격 15,000원·재고 150개 시나리오) [S2].
  • 리드 타임: 상대적으로 높은 기여, 재고·배송 전략상 중요 [S2].
  • 계절성 변수: 상반된 결론 병존 — RF/Permutation에서는 음(-)의 중요도로 "제거 권장", 반면 선형 상관은 낮아도 비선형 모델에서 상호작용할 수 있어 "제거에 신중해야" [S2].
  • 날씨·경쟁사 가격·공휴일·주말: 단독 영향은 낮으나 조합 시 영향 가능, 카테고리별 세분 분석 필요 [S2].
  • 방법론 노하우: Variable Selection(변수들을 고루 조합) vs Permutation Importance(특정 변수 의존) 는 상반된 그림을 주므로 둘을 함께 써서 종합 판단할 것 [S2].

3-4. 안전재고 / 최적 재고

  • 수요 변동·공급 차질 대비를 위한 안전재고(safety stock) 개념 도입, 추정 안전재고 34.02 units [S2].
  • 최적 재고 = 예측 수요 + 안전재고. 예측 수요는 비교적 일정하나 구간별 큰 변동, 안전재고는 안정적으로 유지되어 완충 역할 [S2].

4. 종합 시사점

  • 소규모 셀러의 현실 도구: 노코드로 붙일 수 있는 앱은 Forthcast($19.99, 6개월·한국어 지원)와 Replinish($29~$79, 공급업체 PO·Stocky 이관 강점, 영어 전용)가 대표적이며, 둘 다 Stocky 대체를 지향한다 [S3][S4]. InStock은 12개월·시즌·수동 조정·연간 반복에 강점을 홍보하나 가격이 비공개다 [S1].
  • 직접 모델을 만든다면: 재고 수준·가격·이벤트가 핵심 변수이고, 급변동 구간(마케팅/재입고 직후)의 정확도 하락이 공통 난제이며, 앙상블 + 안전재고 개념이 실무적 해법으로 제시된다 [S2].
  • 선택 시 확인할 것: 예측 기간(6개월 vs 12개월), 공급업체/PO 관리 필요 여부, 데이터 접근 권한 범위(편집 vs 보기), 언어(한국어 지원 여부), 가격·제품 수 한도 [S1][S3][S4].

출처

  • [S1] 수요예측ㆍ재고관리 전문가 채널 (YouTube) — InStock 소개/후기 영상 — https://youtu.be/GI2pYTdytkg — 게시 2026-08-31, 수집 2026-09-12
  • [S2] ROMANTIC UTOPIA (YouTube) — AI 기반 기업 수요·재고 예측 프로젝트 발표(Dimension 5 팀) — https://youtu.be/NzRh5NfVuro — 게시 2025-04-03, 수집 2026-09-12
  • [S3] apps.shopify.com — Forthcast (AI 6개월 SKU 수요 예측 앱) — https://apps.shopify.com/forthcast?locale=ko — 수집 2026-09-12
  • [S4] apps.shopify.com — Replinish (수요 예측·재고 계획 앱) — https://apps.shopify.com/replinish?locale=ko — 수집 2026-09-12