데이터 웨어하우스를 만들면 AI 준비는 끝날까?
‘이 주문을 받아도 될까?’라는 질문에는 재고 수량만으로 답할 수 없습니다. 기존 주문에 묶인 재고, 생산 여력, 대체품 승인 조건까지 확인해야 데이터에서 빠진 것이 보입니다.
LinkedIn에 써 온 글을 모았습니다. AI를 업무에 적용하며 겪은 일부터 재고·생산·수익성 판단까지, 직접 부딪혔던 문제와 생각을 담았습니다.
한국어 제목과 요약으로 주제를 살펴보고, 각 페이지에서 영어 원문을 읽을 수 있습니다. 아티클과 일반 게시물을 함께 모았으며 원문 발행일 순으로 정리했습니다.
17편 · 최신 발행순
‘이 주문을 받아도 될까?’라는 질문에는 재고 수량만으로 답할 수 없습니다. 기존 주문에 묶인 재고, 생산 여력, 대체품 승인 조건까지 확인해야 데이터에서 빠진 것이 보입니다.
추가 운송 물량이 내일만 300개에서 150개로 줄었습니다. 기본 지식 그래프는 그대로 두고, 담당자가 확인한 임시 조건으로 출하 계획을 다시 계산하는 예시입니다.
숫자가 맞아도 원인을 잘못 짚을 수 있습니다. 제품·고객·주문 사이의 관계와 판단 기준을 Ontology로 정리하면, AI가 주어진 표 밖에서 확인해야 할 것까지 찾을 수 있습니다.
매출이 줄었다고 수요 예측부터 낮추면 안 됩니다. 품절 때문에 못 판 것일 수도 있으니까요. 사람이 정해 준 분석을 만드는 일과, AI가 가설을 세워 원인을 확인하는 일의 차이입니다.
대시보드를 만들던 CoCo가 ‘무엇부터 확인할까’, ‘어떤 시나리오를 비교할까’라는 질문도 다루기 시작했습니다. 업무 지식을 연결한 뒤 달라진 점을 짧게 기록했습니다.
질문마다 규칙과 화면을 붙이다 보면 예전 시스템과 별로 다르지 않아집니다. 어떤 계산은 프로그램에, 어떤 조사는 Agent에 맡길지 업무를 먼저 나눠 봐야 합니다.
주문량이 눈에 띄게 줄기 전에 주문 주기와 제품 구성이 먼저 바뀝니다. Agent가 이런 신호를 찾아 주면 담당자는 고객 사정과 영업 상황을 확인하는 데 시간을 쓸 수 있습니다.
수요 예측은 주문이 아니고, 안전재고 목표는 현재고가 아닙니다. 데이터의 의미와 집계 단위, 기준값을 정한 이유가 빠지면 AI는 맞는 숫자로도 잘못된 답을 낼 수 있습니다.
발주량은 계산하지만, 어떤 제품을 줄여야 이익이 남는지는 알려 주지 않는 시스템이 많습니다. 이 질문에 답하려면 영업·원가·재고·생산능력을 함께 놓고 대안을 비교해야 합니다.
예측 수정, 재고 배분, 긴급 운송 승인은 서로 다른 결정입니다. 결정할 대상과 손익 영향, 제약, 승인 책임, 결과를 돌아볼 방법이 빠져 있으면 자동화도 막힙니다.
시스템에는 계획을 입력하지만 조건이 바뀌면 엑셀부터 엽니다. 예외 처리와 최종 판단이 여전히 밖에 남아 있다면, 시스템은 수작업을 대신한 것이 아니라 옮겨 놓은 셈입니다.
영업은 거래처를, 마케팅은 제품 구색을, 생산은 효율을 봅니다. 같은 분석을 보고도 결론이 다른 이유입니다. 시뮬레이션은 갈등을 없애지는 못해도 각 선택에 얼마가 드는지는 보여 줍니다.
한 개에 30달러를 남기지만 3시간 걸리는 제품과, 20달러를 남기고 1시간 걸리는 제품. 생산시간이 부족하다면 우선순위는 단위 마진만으로 정할 수 없습니다.
제품을 없애도 공장과 창고의 고정비는 남을 수 있습니다. 남은 제품이 그 비용을 나눠 떠안으면 손익이 더 나빠집니다. 배부손익과 실제로 줄일 수 있는 비용을 구분해야 하는 이유입니다.
SKU를 없애거나 생산 비중을 바꾸거나 재고를 할인하면 이익은 얼마나 달라질까요? 과거 실적을 조회하는 것만으로는 답할 수 없는 질문들입니다.
보관 비용은 쌓이고, 유통기한이 가까워질수록 더 깎아 줘야 팔립니다. 지금 할인할지 한 달 더 기다릴지는 제품, 판매 채널, 계절에 따라 계산이 달라집니다.
안 팔리는 제품, 할인 때문에 손해 보는 제품, 원가부터 맞지 않는 제품을 모두 ‘적자’로 묶으면 해법도 흐려집니다. 원인을 알아도 영업·마케팅·생산이 움직이지 않으면 제품은 그대로 남습니다.
일치하는 글이 없습니다. 검색어나 주제를 바꿔 주세요.