실화 바탕 야구 영화 ‘머니볼’을 아시나요? 메이저리그 최하위 야구팀인 ‘오클랜드 애슬레틱스’가 데이터의 힘으로 대역전극을 일으키는 이야기인데요. 단장 빌리빈은 개인적인 경험과 관찰을 바탕으로 선수를 선발하던 기존 방식을 벗어던지고, 경기 데이터를 철저하게 분석해 저평가된 선수들을 영입합니다. 그들의 성적을 예측하고 경기 운영에 활용해 20연승이라는 역사적인 기록을 만들어 내죠.
데이터는 ‘경험’을 과학적으로 해석할 수 있도록 하는 중요한 도구입니다. 경험으로 발견한 패턴이나 지식을 데이터로 확인하고, 데이터를 통해 발견한 통찰력을 다시 경험에 반영합니다. CJ그룹 AI실과 CJ푸드빌 뚜레쥬르는 데이터 ‘매장별 빵 수요 예측’에 활용해 보기로 했습니다. CJ뉴스룸이 AI실 이태희 님, 김균희 님 이야기를 들었습니다.
“빵을 얼마나 만들어야 할까? 너무 적게 만들면 손님들이 실망하고, 많이 만들면 버리게 되는데…”
수익과 직결되는 ‘빵 생산량 조절’은 뚜레쥬르 점주들의 오랜 과제입니다. 하루가 지나 남은 빵을 폐기하면 고스란히 가게의 비용이 되고, 보수적으로 생산한다면 “저녁엔 빵이 너무 없다”는 고객의 불만을 듣겠죠.
CJ그룹 AI실과 뚜레쥬르는 점주들이 쌓아온 매장 운영 경험의 인사이트를 명확한 데이터로 전환하고, 그 데이터를 AI와 결합하여 적정 생산량을 예측해 보기로 했습니다.
Step 1. 데이터 수집
먼저 매출에 영향을 줄 수 있는 변수들을 찾아 데이터를 확보했습니다. 각 점포별로 판매량, 판매 상품 정보, 매출 데이터, 캘린더 이벤트(주말·공휴일·명절) 정보 등을 다양하게 모았어요.
특정 요일에 잘 팔리는 상품이 있는지, 프로모션이 진행되거나 새로운 제품이 출시됐을 때 매출에 어떤 영향을 미치는지, 시간대별로 고객 방문 패턴이 어떻게 달라지는지 등도 확인했습니다.
Step 2. 예측 모델 만들기
이렇게 수집한 데이터를 바탕으로 AI를 활용해 매출을 예측하는 모델을 만들었습니다. 마치 일기예보처럼 빵 판매량을 예측하는 거예요.
먼저 과거 판매 데이터와 가게의 위치·규모 등 변하지 않는 정보를 반영했고요. 여기에 더해 계절이나 이벤트 등 시기에 따라 달라지는 상황까지 고려해 수요를 예측할 수 있는 모델을 골랐습니다.
그 결과 계절적 요인, 평일과 주말의 매출 차이, 크리스마스·밸런타인데이 등 이벤트 전후 수요 등 변동성까지 반영해 각 점포별 매출액을 예측하는 AI모델이 탄생했습니다. AI를 통해 얻은 예측값을 실제 매출 데이터와 비교하면서 반복적으로 학습하고 검증해 지속적으로 성능을 개선했어요.
Step 3. 숨은 가능성 찾기
여기서 끝이 아니었습니다. “팔 수 있었는데 빵이 없어서 못 판 경우”도 생각해야 했거든요.
매출액만으로 적정 생산량을 예측하는 데는 한계가 있었습니다. 매출액은 이미 판매한 물량을 기준으로 계산하기 때문에 ‘판매할 수 있었지만 상품이 없어서 판매하지 못한’ 잠재적 수요 가능성을 반영하진 못했어요.
우리는 그 가능성을 ‘유사한 매장’에서 찾아내기로 했습니다. 입지, 고객 특성, 운영 방식이 비슷한 다른 점포가 있다면, 그 데이터를 참고해 다른 점포의 잠재 수요를 추정할 수 있다는 가정입니다.
예컨대 어떤 점포에서 평일 아침에는 직장인들이 주로 커피와 간단한 음식을 구매하고, 주말에는 가족 단위 방문객이 늘어 판매되는 메뉴가 달라진다고 가정해 봅시다. 비슷한 상권에 있는 다른 점포도 유사한 패턴을 따를 가능성이 높겠죠.
Step 4. 유사한 점포 찾기
‘유사한 상권’, ‘유사한 점포’의 구체적인 정의는 뭘까요? 뚜레쥬르는 점주, 스토어 컨설턴트들과의 심층 인터뷰를 통해 매장별 특성과 운영 방식을 파악하고 정의를 고민했습니다.
그 결과 ‘내부 판매 패턴’과 ‘외부 환경 요소’가 비슷하다면 ‘유사한 점포’로 분류할 수 있다는 결론을 내렸어요. 점포별 판매 상품, 시간대별 판매 정보, 영수증별 단가 등 ‘내부 데이터’와 유동 인구, 주거 인구, 경쟁업체 수, 학교와의 거리 등 ‘외부 데이터’를 합쳤습니다.
이렇게 판매 상품, 운영 방식, 고객 특성, 위치 조건 등이 비슷한 기준 매장을 찾을 수 있었어요.
Step 5. 유사한 점포들을 그룹화하기
점포 내/외부에서 수집한 데이터 변수는 840여 개에 달했습니다. 다음 단계는 이 정보를 활용해 유사한 가게들을 ‘그룹화’하는 일이었죠.
보통 정보가 많을수록 점포별 특징을 더 정확히 알 수 있을 거라고 생각하지만, 실제로는 그렇지 않습니다. 정보가 너무 많으면 오히려 그룹화가 더 어려워져요. 이런 현상을 ‘차원의 저주’라고 부릅니다.
‘차원의 저주’를 해결하기 위해 데이터양을 줄이고, 정말 중요한 정보만 골라냈습니다. 840여 개 데이터 중 통계적으로 유의미한 20개의 변수를 선택해 정제했고, 유사한 점포들을 또 20개 그룹으로 나눴습니다.
같은 그룹 안에서는 한 점포를 기준으로 상위 10개 점포의 판매 데이터를 레퍼런스로 활용했습니다. 이를 통해 속성이 비슷한 점포들이 어떤 상품을 얼마나 더 팔고 있는지 알 수 있었고, 점포별로 어떤 빵을 얼마나 더 만들면 될지 생산량을 제안할 수 있었습니다.
이렇게 점포별 특징과 주변 상권 특징까지 고려해 그룹을 나누니 더 정확한 데이터를 확보할 수 있게 됐습니다.
Step 6. 점포 테스트
뚜레쥬르는 지난 8월 1일부터 9월 13일까지 총 6주 동안 5개 점포에 수요 예측 AI를 테스트했습니다. 각 점포가 AI가 제안한 최적 생산량만큼 빵을 만들고, 얼마만큼 매출이 늘어나는지 확인하는 테스트였죠. 본사에서는 현장 인력, 반품 폐기 비용 등을 다방면으로 지원했습니다.
결과가 어땠을까요? 놀랍게도 테스트에 참여한 5개 점포의 해당 기간 매출은 올해 1월부터 7월까지의 평균 매출보다 5% 이상 높았습니다. 고객 수도 2% 이상 늘었고요. AI 기반 수요 예측의 효과가 확실히 입증된 셈이죠.
“처음에는 빵이 너무 많이 남아서 어떡할지 모르겠더라고요. 하지만 차츰 남는 빵이 줄더니, 이제는 거의 남는 빵이 없는 수준이 되었습니다. 생산량을 결정하는 건 점주들에겐 늘 너무 어려운 일인데, 이제 AI 수요예측을 통해서 훨씬 더 자신 있게 생산량을 결정할 수 있을 것 같습니다.” 테스트에 참여했던 한 점주님의 말입니다.
AI실과 뚜레쥬르는 앞으로도 AI 기술을 활용한 수요 예측 시스템을 고도화해 나갈 예정입니다.
AI기술을 본격적으로 현장에 확대하기 위해선 해결해야 할 과제들이 남아있습니다. 실제 운영 환경에서 기술을 검증하고, 각 점포가 새로운 방식을 적용해 운영할 수 있도록 사고의 전환을 제안해야 합니다. 점주와 생산 기사들이 데이터를 신뢰하고 활용할 수 있도록 편의 기능도 개발해야 하고요. 테스트 기간 점포 테스트를 위해 물심양면 힘 써주신 점주님들과 푸드빌 베이커리 국내 사업본부에 감사드립니다.
