Store-Item Level Visibility: Kroger가 RFID·컴퓨터 비전 데이터로 매장 품목별 재고 위험을 먼저 잡는 방식

Kroger는 판매, 재고, 소진 속도 데이터를 매장 품목 단위로 묶은 AI 도구에 RFID 신호를 더해 재고 위험을 더 일찍 잡고 있습니다. 베이커리 파일럿에서는 재고 조사가 약 70% 빨라지고 폐기가 절반으로 줄었습니다. 따라 하려면 모델보다 먼저 매장·품목 코드를 맞춘 데이터 결합과, 어떤 신호를 믿을지 정하는 규칙이 있어야 합니다.

요약

Supply Chain Dive의 Kelly Stroh는 2026년 10월 27일, Kroger가 10월 20일 애널리스트·투자자의 날에서 밝힌 재고 관리 계획을 정리했습니다. 발표자는 매장 운영을 맡은 Mark Ibbotson 부사장(Chief Store Operations Officer), Gregory Foran CEO, David Kennerley CFO입니다. Kroger는 RFID(무선 태그로 품목을 읽는 기술), digital shelf label(전자 가격표), 로보틱스, AI로 상품 흐름과 신선도, 진열 가용성을 높이겠다고 했습니다. 가운데에 있는 것은 data pipeline 20개를 연결한 AI 도구입니다. 판매, 재고, sell-through(들여온 물량 가운데 팔린 비율) 데이터를 합쳐 매장의 품목 하나하나까지 내려가 보고, 위험을 더 일찍 표시합니다. RFID는 이 AI에 품목 단위의 더 강한 신호를 넣어 줍니다.

숫자가 나온 곳은 베이커리 부서의 RFID 파일럿입니다. 약 1,500개 매장에서 판독 성능(태그가 제대로 읽힌 품목 비율)이 98%였고, 재고 조사는 약 70% 빨라졌으며, 폐기는 50% 줄었습니다. Kroger는 RFID를 2029년까지 2,300개 이상 매장으로 넓힐 계획입니다. Ibbotson은 다음 목표로 품목 단위 데이터를 보충 발주, 매장 생산, 가격 인하, 신선 카테고리 결정에 쓰는 일을 들었습니다. 매장 컴퓨터 비전 데이터는 공급사 파트너와 나눠 진열 가용성과 판매를 함께 끌어올립니다. 같은 행사의 본사 조직 축소 계획은 별도 노트에서 다뤘고, 이 노트는 매장 재고 쪽 새 사실만 다룹니다. 아래에서는 세 가지 장치를 풀고, 따라 할 때 필요한 데이터 규칙과 8주 시범안을 덧붙였습니다.

핵심 메커니즘

Store-Item Level Visibility: 20개 데이터 줄기를 매장×품목 한 칸으로 모은다

무엇인가. 매장과 품목을 한 칸으로 삼아 판매, 재고, 소진 속도를 한 화면에 모으는 AI 도구입니다. Kroger는 이 도구가 data pipeline 20개를 연결해 store-item level(매장별 품목 단위)까지 보여 준다고 밝혔습니다.

어떻게 작동하나. 입력은 판매 데이터, 재고 데이터, sell-through 데이터이고 RFID가 품목 단위 신호를 더합니다. AI는 이 데이터를 합쳐 어떤 매장의 어떤 품목에 문제가 생길지 미리 표시합니다. 출력은 위험 표시와 그에 따른 더 빠른 결정입니다. 매장 평균이나 카테고리 합계 대신 품목 하나의 상태를 봅니다. 합계로만 보면 한 매장의 결품이 다른 매장의 과잉에 묻혀 사라집니다.

언제 쓰나. 같은 품목이 매장마다 다르게 팔리고, 유통기한이 짧아 하루 늦은 판단이 곧 폐기나 결품이 되는 카테고리에 맞습니다. 재고가 오래가는 품목이나 중앙 창고 단위로 결정하는 상품에서는 매장×품목까지 내려갈 이득이 작습니다.

작은 예시 (가상 예시). 어느 매장에서 식빵 한 품목의 시스템 재고는 넉넉하지만 오전 sell-through가 평소의 두 배라면, 도구는 오후 결품 위험을 표시하고 추가 생산이나 보충을 권합니다.

Item-Level RFID Signal: 품목마다 읽혀서 재고 조사가 빨라지고 폐기가 준다

무엇인가. 품목에 RFID 태그를 붙여 사람이 하나씩 세지 않아도 매장에 무엇이 몇 개 있는지 읽어 내는 방식입니다. Kroger는 RFID가 AI에 더 강한 item-level(품목 단위) 신호를 준다고 설명했습니다.

어떻게 작동하나. 태그가 읽히면 품목 수량이 시스템 재고와 별개로 확인됩니다. 베이커리 파일럿의 판독 성능 98%는 이 신호를 얼마나 믿을 수 있는지 보여 주는 숫자입니다. 파일럿에서 재고 조사는 약 70% 빨라졌고 폐기는 50% 줄었습니다. 폐기가 어떤 경로로 줄었는지는 원문에서 밝히지 않았습니다.

언제 쓰나. 베이커리처럼 매장 안에서 만들고 짧은 기간에 팔아야 하는 품목에서 효과가 큽니다. Ibbotson이 꼽은 다음 목표도 같은 방향입니다. 품목 단위 데이터로 보충, 생산, markdown(유통기한이 다가온 상품의 가격 인하), 신선 카테고리 결정을 고치겠다고 했습니다.

Shared Computer Vision Data: 진열대 신호를 공급사와 나눈다

무엇인가. 매장 진열대를 카메라로 읽은 computer vision(영상 인식) 데이터를 Kroger 안에서만 쓰지 않고 공급사 파트너에게도 공유하는 방식입니다. on-shelf availability(고객이 찾을 때 상품이 진열대에 있는 상태)를 높이고 판매를 늘리려는 목적입니다.

어떻게 작동하나. 진열대 영상에서 빈 칸과 진열 상태를 읽어 신호로 만들고, 그 신호를 Kroger와 공급사가 함께 봅니다. Ibbotson은 이 데이터가 Kroger에 “better signals”를 주어 결정은 빨라지고 조치는 분명해진다고 말했습니다. 공급사 쪽에서 어떤 조치를 하는지, 공유 주기와 범위는 원문에 나오지 않습니다.

언제 쓰나. 결품의 원인이 매장 진열, 물류, 공급사 납품 가운데 어디인지 한쪽 데이터만으로는 가르기 어려울 때 쓸모가 큽니다. 같은 신호를 보면 책임을 따지는 시간이 줄고 조치가 바로 나옵니다.

저자가 든 사례

베이커리 RFID 파일럿: 약 1,500개 매장에서 2,300개 이상으로

구분	내용
상황	Kroger는 상품 흐름, 신선도, 진열 가용성을 높이려 했습니다.
한 일	베이커리 부서 약 1,500개 매장에 RFID를 붙여 품목 단위 신호를 AI 도구에 넣었습니다.
결과	판독 성능 98%, 재고 조사 약 70% 빨라짐, 폐기 50% 감소. 2029년까지 2,300개 이상 매장으로 확대할 계획입니다. 비용과 투자 규모는 원문에서 밝히지 않았습니다.
연결	Item-Level RFID Signal이 Store-Item Level Visibility의 정확도를 높이는 사례입니다.

공급사와 나누는 컴퓨터 비전 데이터

구분	내용
상황	진열대에 상품이 있어야 팔리지만 결품은 매장과 공급사 사이에서 생깁니다.
한 일	매장 컴퓨터 비전 데이터를 공급사 파트너와 공유했습니다.
결과	진열 가용성 개선과 판매 증대를 목표로 합니다. 개선 수치는 원문에서 밝히지 않았습니다.
연결	Shared Computer Vision Data의 사례입니다.

자동화 투자는 성과 기준으로 다시 고른다

원문은 같은 행사의 공급망 자동화 소식도 전했습니다. Kentucky주 Franklin에 짓는 자동화 거점은 Nashville과 Louisville 부서를 지원하며 2028년 완공 예정입니다. 반면 Ocado와의 fulfillment center(온라인 주문 처리 센터) 협력은 로봇 거점이 성과 기준을 맞췄는지 검토한 뒤 줄였습니다. 지난해 North Carolina에 계획한 자동화 전자상거래 센터를 취소했고, 올해 들어서는 Tennessee 시설 한 곳을 닫기로 했습니다. 매장 품목 데이터에는 투자를 이어 가면서 로봇 거점은 성과 기준으로 다시 고르고 있습니다.

기술 디테일: 매장 품목 위험 점수를 실제로 돌리려면

아래는 원문에 없는 내용으로, 비슷한 도구를 처음 만들 때 필요한 것을 가상 예시로 적었습니다.

Store-Item Level Visibility를 만들려면 먼저 결합 키와 갱신 시각을 맞춥니다. 파이프라인이 20개쯤 되면 모델보다 데이터 결합에서 먼저 막힙니다. 모든 데이터를 store_id, item_id, business_date 세 키로 맞추고, 파이프라인마다 마지막 갱신 시각을 함께 저장합니다. 매장 코드나 품목 코드가 맞지 않는 행은 버리지 말고 별도 큐로 보내 마스터 데이터 담당이 고치게 합니다. 처음 2주는 결합률(전체 행 가운데 세 키가 모두 맞은 비율)을 매일 보는 것만으로도 할 일이 많습니다.

위험 점수는 한 행에 하나, 이유와 함께 냅니다 (가상 예시). 점수만 있으면 매장 직원이 움직이지 않습니다. 왜 위험한지와 무엇을 할지를 같은 행에 둡니다.

{
  "store_id": "S0412",
  "item_id": "BKY-10233",
  "business_date": "2026-11-01",
  "on_hand_system": 24,
  "on_hand_rfid": 9,
  "rfid_read_rate": 0.97,
  "sell_through_today": 0.62,
  "risk_type": "stockout",
  "risk_score": 0.81,
  "reason_codes": ["rfid_below_system", "sell_through_above_p90"],
  "recommended_action": "추가 생산 12개",
  "data_status": "ok",
  "pipeline_lag_min": 35
}

risk_type은 결품(stockout), 폐기(waste), 시스템과 실물 불일치(phantom) 세 가지로 시작합니다. reason_codes는 규칙에서 나온 코드만 쓰고 자유 문장은 넣지 않습니다. 매장 직원에게 보이는 설명 문장이 필요하면 생성형 AI로 코드를 문장으로 바꾸되, 수량과 조치는 모델이 바꾸지 못하게 코드에서 그대로 가져옵니다.

RFID 판독 성능은 신뢰도 값으로 씁니다. 파일럿의 98%처럼 판독 성능이 높아도 매장·일자마다 편차가 있습니다. store-day 판독률이 미리 정한 기준(가상 예시: 95%)을 넘으면 RFID 수량을 기준값으로 쓰고, 못 넘으면 시스템 재고로 돌아가면서 data_status에 표시합니다. 파이프라인 갱신이 늦으면(가상 예시: 2시간 초과) 점수를 내지 않고 stale로 둡니다. 낡은 데이터로 낸 점수는 틀린 생산 지시가 됩니다.

모델은 단순하게 시작합니다. 첫 버전은 품목·매장·요일별 sell-through 분포에서 벗어난 정도를 보는 규칙과 수요 예측 모델 하나로 충분합니다. 매일 같은 시각(가상 예시: 오전 10시, 오후 2시) 두 번 돌리고 매장별로 위험 상위 10개 품목만 보여 줍니다. 점수 기준을 바꿀 때는 지난 4주 데이터로 다시 돌려 표시 건수와 실제 결품·폐기 건수를 비교합니다.

Item-Level RFID Signal을 markdown과 생산에 쓰려면 품목마다 만든 시각이나 입고 시각을 함께 남겨야 합니다. 유통기한까지 남은 시간과 현재 소진 속도를 곱하면 다 팔리지 않을 수량이 나오고, 그 수량이 가격 인하 후보가 됩니다. 다음 날 생산량은 전날 폐기량과 결품 시각을 함께 보고 정합니다.

Shared Computer Vision Data를 공급사와 나눌 때는 원본 영상이 아니라 이벤트를 공유합니다(가상 예시 필드: supplier_id, item_id, store_id, gap_detected_at, gap_duration_min, cause_guess). 공급사별로 자기 품목만 보이게 권한을 나누고, 주 1회 결품 시간 합계를 함께 보는 자리를 둡니다. 영상 인식은 가림이나 조명 때문에 틀릴 수 있으니, 처음 몇 주는 매장 직원이 표본을 확인해 오탐률을 잽니다.

현업 실행 디테일: 누가, 언제, 무엇을

아래 역할, 일정, 기준은 모두 가상 예시입니다.

역할	담당	하는 일
스폰서	매장 운영 책임 임원	시범 카테고리와 매장 승인, 확대 판정
카테고리 오너	베이커리 등 신선 카테고리장	위험 유형 정의, 생산·가격 인하 규칙 승인
데이터 엔지니어	IT·데이터팀 2명	파이프라인 결합, 결합률·지연 모니터링
데이터 과학자	분석팀 1명	위험 점수 규칙과 예측 모델, 백테스트
매장 점장·직원	시범 매장 10~20곳	하루 두 번 상위 10개 품목 확인, 조치 기록
공급사 담당	구매·MD 1명	컴퓨터 비전 이벤트 공유 범위, 주간 리뷰

시작 전 준비물. 시범 카테고리 1개의 품목 마스터, 매장 코드표, 최근 8주 판매·재고·폐기 기록, RFID나 컴퓨터 비전을 이미 붙인 매장 목록, 지금의 재고 조사 소요 시간 측정값이 필요합니다.

기간	할 일	산출물
1~2주	카테고리·매장 선정, 기준선 측정(재고 조사 시간, 폐기량, 결품 시간)	기준선 표, 위험 유형 정의서
3~4주	판매·재고·sell-through·RFID 결합, 결합률 95% 이상 확보	매장×품목 일별 테이블, 키 불일치 큐
5~6주	하루 두 번 위험 점수 표시, 매장 조치 기록	조치 로그, 오탐 사례 목록
7~8주	기준선 대비 비교, 확대 여부 판정	판정 보고서, 확대 매장 목록

현장에 물어볼 질문. 지금 재고 조사는 누가, 언제, 몇 분 들여 하나? 폐기가 가장 많은 품목과 시간대는 언제인가? 결품을 처음 아는 사람은 누구이고 그다음 무엇을 하나? 위험 표시가 오면 생산이나 보충을 바꿀 권한이 매장에 있나?

진행 판정 기준 (가상 예시). 결합률 95% 이상, 표시한 위험 가운데 실제 조치로 이어진 비율 60% 이상, 시범 매장의 폐기량이 기준선보다 줄었는지, 매장 직원이 하루 확인에 쓰는 시간이 10분 이내인지를 봅니다. 셋 이상 맞으면 매장을 넓히고, 결합률이 못 미치면 모델보다 마스터 데이터부터 고칩니다.

어디에 먼저 쓸까. 유통이나 식품 제조처럼 유통기한이 짧은 품목을 다루는 조직이라면, 전사 재고 AI보다 폐기와 결품이 동시에 큰 카테고리 하나에서 매장×품목 테이블을 먼저 만드는 편이 빠릅니다. Kroger도 숫자를 공개한 곳은 베이커리 한 부서였습니다. 센서 투자는 이 테이블이 돌아가 위험 표시가 조치로 이어지는지 확인한 다음에 늘리고, 공급사와의 데이터 공유는 결품 원인을 두고 다투는 시간이 큰 품목부터 시작합니다. 자동화 설비는 성과 기준을 먼저 정해 두고 그 기준으로 다시 고르는 원칙을 함께 세웁니다.

원문 사례

항목	내용
기사	Supply Chain Dive, Kelly Stroh(Senior Editor), 2026.10.27
발표	Kroger 애널리스트·투자자의 날, 2026.10.20
발표자	Mark Ibbotson(EVP, Chief Store Operations Officer), Gregory Foran(CEO), David Kennerley(EVP, CFO)
수단	RFID, digital shelf label, 로보틱스, AI
AI 도구	data pipeline 20개 연결, 매장×품목 단위 가시성, 판매·재고·sell-through 결합으로 위험 조기 표시
RFID 파일럿	베이커리 부서 약 1,500개 매장, 판독 성능 98%, 재고 조사 약 70% 빨라짐, 폐기 50% 감소
확대 계획	2029년까지 2,300개 이상 매장
다음 목표	품목 단위 데이터로 보충, 생산, markdown, 신선 카테고리 결정 개선
컴퓨터 비전	공급사 파트너와 데이터 공유, 진열 가용성과 판매 개선 목표
자동화 거점	Kentucky주 Franklin, Nashville·Louisville 부서 지원, 2028년 완공 예정
Ocado	성과 기준 검토 뒤 fulfillment center 협력 축소, North Carolina 센터 계획 취소(지난해), Tennessee 시설 폐쇄 예정(2026년 발표)

핵심 개념

sell-through

들여온 물량 가운데 실제로 팔린 비율. 높으면 결품, 낮으면 폐기 쪽 신호입니다.

on-shelf availability

고객이 찾는 순간 상품이 진열대에 놓여 있는 상태. 창고나 매장 뒤편 재고와 구분합니다.

read performance

RFID 태그가 붙은 품목 가운데 판독기가 제대로 읽어 낸 비율입니다.

digital shelf label

진열대의 종이 가격표를 대신하는 전자 표시기. 가격을 원격으로 바꿀 수 있습니다.

markdown

유통기한이 다가오거나 덜 팔린 상품의 가격을 내려 폐기를 줄이는 조치입니다.

data pipeline

원천 시스템의 데이터를 꺼내 정리하고 분석 도구로 옮기는 자동화된 흐름입니다.

내 메모

TODO: 내 생각 추가

원문은 Supply Chain Dive에 실린 Kelly Stroh의 「Kroger taps RFID, computer vision data to boost inventory management」(2026.10.27)이며, Kroger의 2026년 10월 20일 애널리스트·투자자의 날 발표를 다룹니다. 요약, 핵심 메커니즘의 원문 내용, 저자가 든 사례, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했고 효과와 수치는 회사 측 설명입니다. 각 데이터가 답하는 질문의 풀이, 기술·현업 실행 디테일, JSON 예시, 데이터 신뢰 규칙, 역할·일정·판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했으며 그 안의 필드명과 숫자는 가상 예시입니다. 기사 전문은 원문 페이지에서 볼 수 있습니다.