AI가 MD 의사결정을 증폭하는 법

시즌 막바지, 한 SKU의 재고가 3개 매장에 분산되어 있습니다. A 매장은 5장 남았는데 판매가 멈췄고, B 매장은 품절 직전인데 보충 요청이 아직 안 들어왔습니다. MD는 지금 다른 시즌 바잉 회의 중입니다. 이 상황을 누가 먼저 알아채느냐에 따라 수백만 원의 매출 차이가 납니다.

이건 운영 능력의 문제가 아닙니다. 정보가 너무 늦게, 너무 흩어져서 들어오는 구조의 문제입니다.

MD가 하루에 처리하는 판단의 양

패션 브랜드 MD는 하루에도 수십 번 판단을 내립니다. 어떤 SKU를 리오더할지, 어느 매장에 재고를 밀어넣을지, 이번 시즌 어떤 컬러·사이즈가 먼저 소진될지. SKU가 500개만 넘어도 엑셀로 전체 그림을 보는 건 사실상 불가능합니다.

엑셀로 버티는 한계

연매출 50억~100억 원 규모 브랜드에서 흔히 보이는 장면이 있습니다. MD 한 명이 매주 월요일 오전 두 시간을 써서 각 매장 판매 데이터를 복사·붙여넣기 하고, 피벗 테이블을 돌려 재고 현황을 만듭니다. 그 파일이 완성될 때쯤이면 이미 화요일 데이터가 쌓이기 시작합니다. 의사결정에 쓰이는 데이터가 항상 3~5일 전 데이터인 셈입니다.

문제는 패션 상품의 판매 사이클이 그보다 훨씬 빠르다는 겁니다. 인기 아이템은 입고 후 2주 안에 판매 추세가 결정됩니다. 그 2주 안에 제대로 된 보충 결정이 이루어지지 않으면, 기회는 그냥 지나갑니다.

놓치는 기회의 실제 비용

셀스루율 70%를 목표로 했는데 시즌 마감 시 55%로 끝났다면, 남은 15%는 대부분 할인 처리됩니다. 매입가 기준 재고 3,000만 원짜리 시즌이라면, 그 15%는 450만 원어치 상품이 정가가 아닌 40~60% 할인가로 나가는 겁니다. 단순 계산으로도 시즌당 150만~270만 원의 마진이 증발합니다. 시즌을 4번 반복하면 연간 600만~1,000만 원 이상입니다.

이게 단 하나의 카테고리 얘기입니다.

AI는 MD의 감각을 대체하지 않습니다

AI 도입을 이야기하면 MD들이 가장 먼저 하는 말이 있습니다. "그래도 현장 감각은 AI가 모르잖아요." 맞습니다. AI는 이번 시즌 특정 컬러가 SNS에서 갑자기 뜨고 있다는 걸 MD보다 먼저 알지 못합니다. 브랜드의 고객층이 어떤 핏을 선호하는지, 작년 팝업에서 어떤 반응이 있었는지도 모릅니다.

AI가 실제로 할 수 있는 것

구체적으로 어떤 장면이 달라지는지 보겠습니다.

1. 이상 신호 자동 감지 특정 SKU의 판매 속도가 지난주 대비 30% 이상 빨라졌거나, 반대로 갑자기 멈췄을 때 MD에게 알림을 보냅니다. MD가 전체 SKU를 훑어보지 않아도 됩니다. 주의가 필요한 항목만 먼저 보게 됩니다.

2. 매장별 재고 불균형 자동 제안 A 매장 재고 과잉, B 매장 품절 임박 상황을 시스템이 먼저 감지하고 "이동 배분 검토 필요" 알림을 줍니다. MD는 그 제안을 보고 맥락을 더해 최종 결정만 하면 됩니다.

3. 리오더 타이밍 예측 현재 판매 속도와 남은 재고를 기반으로 "이 SKU는 12일 후 품절 예상"이라는 정보를 미리 줍니다. 리드타임이 2~3주인 생산 구조에서는 이 정보가 며칠 차이로 리오더 성공 여부를 가릅니다.

4. 시즌 바잉 참고 데이터 자동 생성 지난 3개 시즌의 카테고리별 셀스루율, 사이즈 소진 패턴, 매장별 판매 성향을 자동으로 정리해 바잉 회의 전에 제공합니다. MD는 그 데이터를 출발점으로 삼아 브랜드 방향성과 시장 감각을 얹어 최종 바잉 수량을 결정합니다.

AI가 하지 못하는 것 — 그래서 MD가 중요합니다

숫자가 "리오더 권장"이라고 해도, 그 상품이 이미 트렌드 사이클의 끝에 와 있다면 리오더는 재고 적체로 이어집니다. 경쟁 브랜드가 비슷한 상품을 대량으로 풀었다는 정보, 이번 시즌 고객 반응이 예년과 다르다는 현장 피드백, 브랜드가 지금 어떤 방향으로 포지셔닝하려는지 — 이런 판단은 여전히 MD의 몫입니다.

AI는 MD가 판단해야 할 상황을 더 빠르고 정확하게 MD 앞에 가져다 놓는 역할입니다. 판단 자체를 대신하지 않습니다.

도입 전에 반드시 확인해야 할 것

AI 기능을 붙이기 전에 데이터 기반이 갖춰져 있어야 합니다. 아무리 좋은 AI 모델도 입력 데이터가 엉망이면 엉망인 결과를 냅니다.

데이터 기반 체크리스트

• 매장별 일별 판매 데이터가 시스템에 자동으로 쌓이고 있는가?
• SKU별 입고·출고·이동 이력이 하나의 시스템에 통합되어 있는가?
• 과거 시즌 데이터가 최소 2~3년치 정리되어 있는가?
• 재고 실사와 시스템 수치 간 오차가 허용 범위 안에 있는가?

이 네 가지가 갖춰지지 않은 상태에서 AI 기능을 붙이면, 결과물은 "그럴듯해 보이지만 신뢰할 수 없는 숫자"가 됩니다. MD는 그 숫자를 믿지 않게 되고, 결국 다시 엑셀로 돌아갑니다.

작게 시작하는 게 맞습니다

처음부터 모든 의사결정을 AI에 연결하려 하면 실패합니다. 가장 효과가 명확한 한 가지 영역에서 시작하는 게 현실적입니다. 예를 들어 "품절 임박 알림" 하나만 제대로 자동화해도, MD가 매주 월요일 두 시간짜리 엑셀 작업에서 해방되고 실시간 대응이 가능해집니다. 그 경험이 쌓이면 다음 단계로 자연스럽게 확장됩니다.

MD의 시간을 어디에 써야 하는가

결국 AI 도입의 목표는 하나입니다. MD가 데이터를 정리하는 데 쓰던 시간을, 판단하는 데 쓰게 만드는 것.

데이터를 모으고 정리하는 건 시스템이 해야 할 일입니다. MD가 진짜 해야 할 일은 그 데이터를 보고 브랜드의 방향성과 시장 감각을 결합해 결정을 내리는 겁니다. 그 결정의 질이 시즌 셀스루율을 5%p 올리고, 리오더 적중률을 높이고, 시즌 말 재고 부담을 줄입니다.

연매출 100억 원 브랜드에서 셀스루율 5%p 개선은 단순 계산으로도 수천만 원의 마진 차이입니다. MD의 시간을 어디에 쓰게 하느냐가 그 숫자를 만듭니다.

AI가 MD를 대체한다는 말은 틀렸습니다 — AI는 MD가 더 좋은 판단을 더 빠르게 내릴 수 있도록 정보를 먼저 정렬해주는 도구이고, 그 구조를 어떻게 설계하느냐가 브랜드의 시즌 성과를 가릅니다. → 문의하기