들어가며
외식 프랜차이즈에서 식자재 수요예측은 매출과 운영 효율에 직접적인 영향을 미치는 업무입니다. 수요보다 많이 발주하면 재고와 폐기 부담이 커지고, 반대로 부족하면 품절로 이어져 매장 운영과 고객 경험에 영향을 줄 수 있습니다. 특히 신선계육처럼 유통기한이 짧은 품목은 일별 수요 변화에 맞춰 발주량을 예측하는 것이 중요합니다.
다이닝브랜즈그룹은 BHC를 비롯한 다양한 외식 브랜드를 운영하며, 가맹점과 직영점에 식자재를 공급하고 있습니다. 하지만 공급 물량을 정하는 일은 예측 모델 없이 구매팀의 경험에 기대어 왔습니다. 머신러닝 도입을 검토했지만 두 가지 과제가 있었습니다. 첫째, 사내에 전문 데이터 사이언티스트가 없어 모델을 직접 만들고 지속적으로 관리하기 어려웠습니다. 둘째, 모델을 만들더라도 예측 결과를 발주 계획에 반영하려면 별도의 자동화가 필요했습니다. 기존에는 이 과정이 수작업으로 이뤄졌기 때문입니다.
이러한 문제를 개선하기 위해 다이닝브랜즈그룹은 노코드(No-Code) 머신러닝 서비스인 Amazon SageMaker Canvas를 도입해, 전문 데이터 사이언티스트 없이도 IT팀 실무자가 직접 ML 모델을 만들고 비교·운영할 수 있도록 했습니다. 여기에 반복되는 예측 실행과 업무 시스템 연계를 Amazon RDS, Amazon S3, Amazon ECR, AWS Lambda, Amazon EventBridge Scheduler 서비스로 자동화해, 데이터 수집부터 모델 학습 및 예측, 발주 계획 시스템 반영까지 연결되는 수요예측 자동화 체계를 구축했습니다.
이 글에서는 구매팀의 경험과 수작업에 의존하던 수요예측을 머신러닝 기반으로 전환하고, 예측 결과를 발주 계획에 활용하기까지의 과정을 기술 선택과 운영 방식 중심으로 소개합니다.
기존 과제 : Excel과 경험에 의존하던 예측
기존에는 구매팀에서 Excel을 활용하여 수요를 예측했습니다. 전년도 월별·요일별 패턴을 바탕으로 연간 매출 계획을 일 단위로 나누고, 명절과 휴무일을 보정한 뒤 마케팅 일정과 특정일의 시장 상황을 더해 발주량을 정했습니다. 프로모션·신메뉴·매장 오픈과 휴점 같은 정보는 메일이나 대화로 전달받아 그때그때 반영했습니다.
이 방식에는 세 가지 한계가 있었습니다.
첫째, 판단 기준을 정량화하기 어려웠습니다. 변수별 가중치와 보정 폭은 구매팀의 판단에 따라 매번 달라졌고, 어떤 정보를 얼마나 반영했는지 기록이 남지 않아서 예측을 재현하기 어려웠습니다.
둘째, 원재료를 수급하는 구매팀과 전 가맹점의 매출 및 실적 계획을 세우는 가맹기획팀이 발주 수량을 협의할 때 두 팀이 공통으로 신뢰할 수 있는 수치가 없어, 구매팀의 예측이 적정한 것인지 합의하기 어려웠습니다.
셋째, 예측 결과를 실제 발주에 반영하는 과정도 수작업이었습니다. 구매팀은 Excel에 정리한 예측 수치를 바탕으로 수급 업체마다 메신저로 연락해 물량을 조정했습니다. 전체 품목의 약 50%를 차지하는 신선계육은 유통기한이 짧아, 이러한 조정 과정이 길어지거나 발주 일정을 맞추지 못하면 폐기나 재고 부족으로 이어졌습니다.
다이닝브랜즈그룹은 이 문제를 풀기 위해 수요예측 모델의 도입과 함께, 데이터 준비부터 결과 활용까지 자동화할 수 있는 기술과 운영 방식을 검토했습니다.
Amazon SageMaker Canvas를 선택한 이유
다이닝브랜즈그룹은 수요예측 모델을 만들고 운영하는 방식으로 Python 직접 개발, 오픈소스 AutoML 라이브러리, Amazon SageMaker Canvas를 비교했습니다. 비교 기준은 앞서 살펴본 과제에 맞춰, 전문 인력 없이도 모델을 관리할 수 있는지, 특정 담당자에게 의존하지 않는지, 정기 실행과 시스템 연계로 이어질 수 있는지에 두었습니다.
비교 기준
Python 직접 개발
오픈소스 AutoML