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

재고·수요 예측

근거 5건 · v2 · 2026-11-08 · claude-opus-4-8

재고·수요 예측 (Demand Forecasting) — 분류 개요 써머리

수집 시점: 2026-09-12 ~ 2026-11-08 기준 로우데이터 5건을 종합. 상용 Shopify 앱 4종과 AI/ML 방법론 연구 1건을 다룹니다.


1. 이 분류가 다루는 것

Shopify 자사몰 운영에서 **"언제·얼마나 재주문해야 품절도 과잉재고도 피하는가"**를 다룹니다. 자료는 크게 두 갈래입니다.

  • 상용 Shopify 앱 — 판매 내역을 학습해 SKU별 수요를 예측하고 재주문 시점·수량을 알려주는 설치형 솔루션 [S1][S3][S4][S5]
  • AI/ML 방법론 연구 — LSTM·Random Forest·TFT·XGBoost·앙상블 등으로 수요·재고를 예측한 학생/연구 프로젝트 [S2]

공통 문제의식: 스프레드시트·감(感)에 의존한 재고 관리는 베스트셀러 품절과 안 팔리는 재고 과적을 동시에 유발한다 [S1].


2. 상용 Shopify 앱 비교

2.1 요금·스펙 한눈에 보기

| 앱 | 예측 기간/단위 | 요금제 (최신) | 무료 체험 | 수집 시점 | 비고 | |---|---|---|---|---|---| | Forthcast | SKU별 6개월 [S3] | 베이직 $19.99/월 [S3] | 14일 [S3] | 2026-09-12 | 다국어(한국어 포함) [S3] | | Replinish | 판매량 기반(기간 명시 없음) [S4] | Flow $29/월(최대 500개)·Swell $79/월(무제한) [S4] | 14일 [S4] | 2026-09-12 | 영어 전용 [S4] | | Brimstock (reorder-forecast) | 제품별 재입고 시기 [S5] | 무료(최대 50개)·Pro 25,928₩/월(≈$18) [S5] | 30일(Pro) [S5] | 2026-11-08 | 읽기 전용, 개인데이터 미저장 [S5] | | InStock | 향후 12개월, 월 단위 [S1] | (가격 미공개) [S1] | — | 2026-09-12(게시 2026-08-31) | 긴 리드타임 브랜드 대상, 유튜브 추천 [S1] |

※ 요금은 모두 USD 청구 기준이며 Brimstock의 원화 표기는 환율 반영 예상치(1 KRW = 0.0007 USD) [S5]. 반복 요금은 30일마다 청구 [S3][S4][S5].

2.2 앱별 특징

Forthcast [S3]

  • AI가 SKU 단위 6개월 수요 예측 → 필요 시점에 적정 수량만 발주
  • 품절 전 스마트 재주문 포인트 알림, 재고 부족으로 인한 손실 매출 추적
  • 수요 급등·급락 이상 패턴 자동 탐지, 번들·키트 재고 이중 집계 방지
  • 예측 정확도 리포트, 안전재고 최적화, Shopify 실시간 연동
  • 리뷰에서 Shopify 기본 도구 Stocky보다 낫다는 평가 등장("Stocky보다 더 많은 걸, 더 잘") [S3]

Replinish [S4]

  • 판매량 기반 예측 + 제품별 재주문 시점 계산. 내역 부족 제품은 **"데이터 부족"**으로 표시 유지
  • 공급업체별 구매 주문서(PO) 작성·이메일 전송·내보내기
  • 공급업체 리드타임·비용·미결주문·과잉재고·악성재고 통합 관리
  • Stocky 제품/PO CSV 가져오기(SKU 기준 매칭) — Stocky 대체 포지셔닝
  • Swell 플랜은 위치별 추적·무제한 제품·소진율 리포트·원클릭 PO 초안 [S4]
  • (주의) 지원사 표기가 "Replenish"로 상이 — 철자 불일치 [S4]

Brimstock [S5]

  • "서비스 종료되는 무료 예측 도구"에서 전환 소구 — 기존 판매 내역 즉시 로드
  • 이형(변형) 상품별 수요 패턴 분류 + 여러 예측 방법 백테스트 후 제품별 최적 방식 선택
  • 리드타임·목표 서비스 수준·수요 변동성으로 재주문점·권장 수량 계산
  • 계절 성수기 계획(블랙 프라이데이·할인 전 재주문점 상향), "주의 필요" 대시보드, CSV 내보내기
  • 읽기 전용 작동, 고객 개인 데이터 미저장(프라이버시 우위) [S5]

InStock [S1] (유튜브 추천 영상, 1인칭 체험담 — 의견형)

  • 긴 리드타임 브랜드 대상. 향후 12개월을 월별로 예측해 "재고가 입고되는 계절"까지 반영
  • 프로모션 예정 시 수치 수동 입력 + 변경 사유 메모, 연례 행사는 반복(recurring) 지정
  • 필요 발주 수량의 계산 근거(수식) 표시. "대기업 기술을 저렴하게"로 포지셔닝

2.3 공통 기능 패턴 (앱 전반)

  • 재주문점(reorder point)·권장 주문량 계산 [S1][S3][S4][S5]
  • 안전재고(safety stock) 반영/최적화 [S3][S5]
  • 과잉·악성 재고 식별로 묶인 자금 회수 [S4]
  • 계절성·프로모션 반영(수동 조정 또는 자동 성수기 계획) [S1][S5]
  • 번들/세트/컬렉션 단위 재고 관리 [S3][S5]
  • CSV 내보내기 / PO 생성 등 실행 연계 [S4][S5]
  • Stocky(Shopify 기본 도구) 대체·비교가 반복 등장 [S3][S4]

3. AI/ML 수요예측 방법론 (연구 사례, 게시 2025-04-03) [S2]

"Dimension 5" 팀의 기업 수요·재고 예측 프로젝트. 상용 앱과 달리 모델 내부 동작·성능을 다루는 기술 자료입니다. 5단계 데이터셋(기본→정규화→계절·이벤트 반영→노이즈/예외 반영→LSTM용 최종본)으로 현실성을 단계적으로 강화 [S2].

3.1 사용 모델과 성능

| 모델 | 특성 | 성능/한계 | |---|---|---| | LSTM | 30시점 입력, LSTM 4유닛, 7출력, Adam·MSE, width 50, batch 32 | 전반 추세는 일치하나 급변 구간에서 오차 증가 → 외부 변수 필요 | | Random Forest | 트리 20~30개 후 안정 수렴, 과적합 거의 없음 | 평균 근처 매끈한 곡선 → 급락·불규칙 패턴 추적 실패. 단기 추세는 양호 | | TFT(Temporal Fusion Transformer) | 30일 인코더 + 7일 예측, 다변량 | 오차 29.83%, 예측 순서 길수록 MSE 증가 | | XGBoost | 빠른 학습, 범용 | xgb 모델이 최저 오차 17.7% 기록 | | 앙상블 | 여러 모델 결합 | TFT 단독보다 우수하나 실측보다 낮게 예측, 4·7·8일차 큰 오차 | | SVM | — | 높은 정확도, 과적합 없음 |

3.2 변수 중요도 (연구 내 상충 지점 — 병렬 제시) [S2]

자료 내에서도 분석 방법에 따라 결과가 갈립니다:

  • Random Forest 피처 중요도: 재고 수준이 압도적(>0.7), 이어 날씨·가격·이벤트·경쟁사 가격
  • 앙상블 피처 중요도: 재고가 1위, 이어 날씨·가격
  • Permutation 중요도: 이벤트 유무·가격이 최우선, 경쟁사 가격·리드타임도 기여 ↑, 반면 계절 변수는 음(-)의 중요도 → 모델이 계절성을 불필요하다고 판단
  • 상관 기반: 재고량·가격·경쟁사 가격이 판매량과 양(+)의 상관, 계절·휴일·주말은 선형 영향 낮음(단, 비선형 모델에서 상호작용 가능 → 제거는 신중히)
  • TFT의 Variable Selection은 모든 변수에 균등 가중(~0.1), Permutation은 변수별 차이 큼 → 두 방법 병행 권고

요점: "계절 변수를 빼야 성능이 오른다"(Permutation 관점)와 "비선형 상호작용 때문에 함부로 빼면 안 된다"(상관 관점)가 같은 자료 안에 공존 — 단일 결론보다 도메인 지식 + 다중 모델 검증을 권고 [S2].

3.3 재고·안전재고 인사이트 [S2]

  • 재고 변동은 수요에 비례 → 예측 정확도 대체로 높으나, 급격한 입출고 구간에서 데이터 부족으로 정확도 하락
  • 가격·재고 시나리오: 가격↓·재고↑일수록 판매량↑, 15,000원·150유닛에서 최대, 35,000원에서 급감 → 수요 탄력성의 큰 역할 확인
  • 안전재고 추정치 34.02 유닛, 예측 수요 + 안전재고 = 최적 재고 수준 산출
  • 공통 과제: 급변동·마케팅 이벤트/재입고 직후 고수요 구간의 예측 민감도 부족 → 고변동성 전용 모델링 전략 필요

4. 시점 구분 요약

  • 2025년 정보 (게시 2025-04): AI/ML 모델 방법론·성능 연구 [S2]
  • 2026년 정보 (수집 09~11월): 상용 Shopify 앱 생태계 — Forthcast·Replinish·Brimstock·InStock [S1][S3][S4][S5]
  • 가격 변화 이력: 현재 단일 수집본만 존재해 이력 없음. 향후 재수집 시 Forthcast $19.99/월, Replinish $29·$79/월, Brimstock 무료·≈$18/월을 기준값으로 비교할 것 [S3][S4][S5]
  • 주목 트렌드: 무료/저가 예측 도구의 서비스 종료 흐름(Brimstock의 전환 소구)과 Stocky 대체 경쟁이 2026년 하반기 시장 키워드 [S4][S5]

출처

  • [S1] 수요예측·재고관리 전문가 채널 (유튜브, InStock 추천) — https://youtu.be/GI2pYTdytkg (게시 2026-08-31, 수집 2026-09-12)
  • [S2] ROMANTIC UTOPIA (유튜브, "Dimension 5" AI 수요·재고 예측 프로젝트) — https://youtu.be/NzRh5NfVuro (게시 2025-04-03, 수집 2026-09-12)
  • [S3] Forthcast — Shopify 앱스토어 — https://apps.shopify.com/forthcast?locale=ko (수집 2026-09-12)
  • [S4] Replinish — Shopify 앱스토어 — https://apps.shopify.com/replinish?locale=ko (수집 2026-09-12)
  • [S5] Brimstock (reorder-forecast) — Shopify 앱스토어 — https://apps.shopify.com/reorder-forecast?locale=ko (수집 2026-11-08)

메모 (환각 방지 한계 고지): [S2]는 자동 자막 기반이라 일부 용어가 불명확합니다("xgb non-positive/positive model", "cod", "mid-time" 등 원문 표기 모호). 수치(29.83%, 17.7%, 34.02유닛 등)는 자막 그대로 인용했으며, 해석 시 원본 영상 재확인을 권장합니다.


이 써머리는 텍스트 출력으로만 작성했습니다. 파일로 저장(예: demand-forecasting.md)하길 원하시면 알려주세요 — 다만 CLAUDE.md의 GSD 워크플로우 규칙상 파일 생성은 /gsd-quick 등으로 진입해야 하므로, 저장을 원하시면 그 경로로 안내하겠습니다.