Exception-Based Replenishment: Runnings가 매장·DC 발주를 한 예측으로 묶고 예외만 사람이 본다

미국 중서부 유통사 Runnings는 매장과 물류센터(DC)의 발주를 하나의 수요 예측으로 계산하고, 담당자는 시스템이 걸러 낸 예외 주문만 확인하는 방식으로 바꾸고 있습니다. 이 방식이 돌아가려면 매장·품목 단위 판매 데이터와, 무엇을 예외로 볼지 정한 규칙과 기준값이 먼저 있어야 합니다.

요약

Runnings(법인명 Running Supply Inc.)는 농업 자재, 공구·설비, 생활용품, 의류, 사냥·낚시·캠핑 용품을 파는 미국 유통사입니다. 중서부 북부, 오대호 연안, 북동부의 12개 주에서 매장 90곳을 운영하고, DC는 다섯 곳입니다. 회사는 2026년 여름 Relex Solutions의 AI 계획 플랫폼 도입에 착수했습니다. 목적은 DC와 매장에서 따로 하던 계획을 한 체계로 합치는 것입니다. 시스템 통합은 유통 전문 컨설팅사 RetSci가 맡아 프로젝트 관리, 솔루션 설계, 업무 컨설팅을 함께 합니다. 기사는 10월 23일 회사 발표와 양측 담당자 설명을 바탕으로 썼습니다.

도입은 단계로 나눕니다. 먼저 매장의 수요 예측과 재고 보충(replenishment, 팔린 만큼 다시 채우는 발주)을 붙이고, 다음에 DC로 넓힙니다. 매장과 DC 기능은 2027년 중반까지 가동하는 것이 목표입니다. 그 뒤로는 가격·프로모션, 구색 계획, 매장 공간·진열 계획 순으로 범위를 늘립니다. Runnings IT 디렉터 Terry Kriz는 기존 ERP에도 예측 기능이 있지만 회사가 원하는 AI·ML 기능은 없었다고 설명했습니다. 그가 기대하는 변화는 담당자가 모든 주문을 들여다보는 대신 시스템이 걸러 낸 예외만 확인하는 것입니다. 회사는 이렇게 해서 매장망이 커져도 업무량이 같은 속도로 늘지 않게 하려 합니다. 프로젝트가 진행 중이라 성과 수치는 아직 없습니다. 아래에서는 이 구조를 이루는 네 가지 메커니즘을 풀고, 같은 방식을 따라 하려는 회사가 무엇을 만들고 누가 언제 판정할지 덧붙였습니다.

핵심 메커니즘

Single Demand Forecast: 매장과 DC가 같은 숫자로 발주하기

Relex의 Bartosz Echolc 설명에 따르면 플랫폼은 시즌성, 프로모션 같은 수요 요인을 반영한 하나의 수요 예측으로 매일의 발주를 관리합니다. 그 예측으로 DC와 매장 양쪽의 재고 수준과 발주량을 정합니다. 매장과 DC가 각자 예측을 만들면 생기는 문제를 막는 구조입니다. 가상 예시로, 매장은 봄 파종기 수요를 보고 비료를 늘려 잡는데 DC는 지난달 출고량만 보고 적게 들여오면, 매장 발주가 DC 재고에서 막힙니다. 하나의 예측을 쓰면 DC의 들여올 양이 매장에서 팔릴 양에서 계산됩니다. Runnings처럼 계절에 따라 팔리는 품목(농자재, 사냥 시즌 용품)이 크게 바뀌는 회사일수록 두 숫자가 어긋날 일이 많습니다. 반대로 매장이 몇 곳 되지 않고 DC가 직접 배송만 하는 구조라면 따로 둘 이유가 처음부터 적습니다.

Exception-Based Replenishment: 모든 주문이 아니라 예외만 사람이 본다

Kriz가 말한 방향은 자동화된 예외 중심 업무입니다. 시스템이 발주량을 계산해 그대로 내보내고, 규칙에 걸린 건만 사람에게 넘깁니다. 기사에 나온 예는 예측이 크게, 예상 밖으로 바뀐 경우입니다. 이때는 팀이 내용을 확인한 뒤 발주합니다. 입력은 시스템이 계산한 발주 제안, 처리는 예외 규칙 검사, 출력은 그대로 나가는 정상 발주와 사람이 볼 예외 목록 두 가지입니다. 이 방식은 품목과 매장 수가 많아 담당자가 모든 주문을 볼 수 없을 때 맞습니다. 예외 기준이 너무 느슨하면 담당자가 다시 전부를 보게 되고, 너무 촘촘하면 이상한 주문이 그대로 나가므로 기준값을 운영하면서 조정해야 합니다.

Phased Rollout: 매장 다음 DC, 그다음 가격과 공간

Runnings는 한 번에 모든 계획 기능을 켜지 않습니다. 매장 예측·보충, DC 예측·보충, 가격·프로모션, 구색, 공간·진열 순입니다. 매장부터 여는 이유를 회사가 밝히지는 않았습니다. 다만 순서에는 논리가 있습니다. 매장 예측이 서야 DC 예측이 매장 수요에서 계산되고, 예측과 보충이 안정돼야 가격·프로모션 효과를 수요 예측에 넣을 수 있습니다. 구색과 공간 계획은 품목별 판매 예측이 쌓인 뒤에야 근거를 갖습니다. 역할은 셋으로 나뉩니다. Runnings IT 조직이 요구 사항을 정하고, RetSci가 시스템 통합사로서 프로젝트 관리와 솔루션 설계, 업무 컨설팅을 맡고, Relex가 플랫폼을 공급합니다.

ERP 위의 AI 계획 계층: 거래 시스템과 계획 시스템 나누기

Runnings의 ERP에는 예측 기능이 일부 있었지만 회사가 원한 AI·ML 기능은 없었습니다. 그래서 ERP를 바꾸지 않고 그 위에 계획 전용 플랫폼을 얹습니다. ERP는 주문, 입고, 재고 거래를 기록하고, 계획 플랫폼은 그 데이터를 받아 예측과 발주량을 계산한 뒤 확정된 발주를 다시 ERP로 보냅니다. 이렇게 나누면 ERP 교체라는 큰 공사 없이 계획 기능만 먼저 바꿀 수 있습니다. 대신 두 시스템 사이의 데이터 연동(판매, 재고, 입고 예정, 품목 마스터)이 매일 정확히 돌아야 합니다. 연동이 하루 늦으면 계획 플랫폼은 어제 재고로 오늘 발주를 계산합니다.

통념과 다른 주장

기사에 나온 사례

Runnings: 매장부터 시작하는 예측·보충 통합

항목	내용
상황	매장 90곳, DC 5곳. 기존 ERP에 일부 예측 기능은 있으나 원하는 AI·ML 기능이 없음
한 일	Relex AI 플랫폼 도입, RetSci가 시스템 통합. 2026년 여름 착수, 매장 다음 DC 순서
결과	진행 중. 매장·DC 기능 2027년 중반 가동 목표, 성과 수치는 기사에서 밝히지 않음
연결	Single Demand Forecast, Exception-Based Replenishment, Phased Rollout, ERP 위 계획 계층

같은 플랫폼을 쓰는 다른 유통사

기사는 Relex를 쓰는 다른 미국 유통사도 함께 소개했습니다. Dollar General은 네트워크 전체의 계획을 맞추는 데 쓰고, 여기에는 매장 보충과 발주 일정이 들어갑니다. Lowe’s는 올해 협력을 넓혀 자체 기술과 Relex 도구를 합쳐 예측, 보충, 할당(allocation, 들어온 물량을 매장별로 나누는 일)을 잇기로 했습니다. Bed Bath & Beyond의 모회사 Neighborhood Intelligence는 10월 초 매장과 DC의 계획을 연결하는 데 Relex AI를 쓰겠다고 밝혔습니다. 세 회사 모두 매장과 DC를 하나의 계획으로 잇는다는 점에서 Runnings와 방향이 같습니다.

기술 디테일: 단일 예측과 예외 대기열을 돌리려면

아래 데이터 항목, 필드명, 기준값, 지표는 같은 구조를 만들려는 회사를 위한 실행 제안입니다. Runnings나 Relex가 밝힌 구현이 아닙니다.

Single Demand Forecast를 만들려면 예측 단위를 매장·SKU(stock keeping unit, 재고 관리 최소 단위 품목)·일로 잡습니다. 넣을 데이터는 최근 2~3년 매장별 일 판매(POS, 계산대 판매 기록), 일말 재고, 입고 예정, 프로모션 달력, 가격 변경 이력, 품목 마스터(포장 단위, 공급사 리드타임, 최소 발주량)입니다. 품절 기간의 판매는 실제 수요보다 낮게 찍히므로, 재고가 0이었던 날은 학습에서 빼거나 보정해야 예측이 아래로 끌려가지 않습니다. 프로모션, 공휴일, 이상 기후 같은 이벤트는 별도 열로 표시해 평상시 패턴과 분리합니다. DC 예측은 따로 만들지 않고 매장 발주 계획을 공급 DC별로 합산하고, 매장 배송 주기와 DC 입고 리드타임만큼 앞당겨 계산합니다. 이렇게 해야 메커니즘 이름 그대로 숫자가 하나로 유지됩니다.

예측을 발주량으로 바꾸려면 매장·SKU마다 목표 재고를 정합니다. 목표 재고는 리드타임과 검토 주기(다음 발주까지 기간) 동안의 예측 수요에 안전재고를 더한 값입니다. 안전재고는 서비스 수준 계수(목표 충족률 95%면 약 1.65) × 일 수요의 표준편차 × √(리드타임+검토 주기 일수)로 시작합니다. 발주량은 목표 재고에서 현재고와 입고 예정을 뺀 값을 포장 단위로 올려 맞추고, 최소 발주량에 못 미치면 다음 주기로 넘깁니다. 계산은 매일 밤 ERP 연동이 끝난 뒤 한 번 돌리고, 결과는 정상 발주와 예외 후보로 나눠 저장합니다.

Exception-Based Replenishment를 돌리려면 예외 규칙을 몇 개의 명시적 조건으로 시작합니다. 규칙마다 점수를 매겨 한 건이 여러 규칙에 걸리면 우선순위가 올라가게 하고, 담당자 화면에는 점수 순으로 보여 줍니다. 처음 기준값은 담당자 한 명이 하루에 볼 수 있는 양(예: 40~60건)에 맞춰 정하고, 매주 실제 예외 건수와 담당자가 고친 비율을 보며 조정합니다. 담당자가 손대지 않고 승인만 한 예외가 70%를 넘는 규칙은 기준이 너무 촘촘한 것이므로 느슨하게 바꿉니다.

예외 한 건은 아래처럼 남기면 규칙별 적중률과 담당자 수정 효과를 집계할 수 있습니다.

{
  "exception_id": "EX-2026-11-05-00317",
  "store_id": "S042",
  "sku": "FERT-50LB-1020",
  "rule": "forecast_jump",
  "score": 0.82,
  "forecast_prev_week": 36,
  "forecast_this_week": 61,
  "proposed_order_qty": 48,
  "on_hand": 9,
  "in_transit": 0,
  "promo_flag": false,
  "reviewer": "planner_03",
  "action": "reduced",
  "final_order_qty": 30,
  "reason_code": "weather_delay",
  "reviewed_at": "2026-11-05T09:14:00-06:00"
}

효과를 재려면 네 가지 지표를 매주 봅니다. 예측 정확도는 WAPE(가중 절대 오차율)로 매장·SKU·주 단위에서 잽니다. 매장 재고 충족률(in-stock rate)과 재고 일수가 함께 좋아져야 하고, 하나만 좋아지면 재고를 쌓아 품절을 막은 것일 수 있습니다. 담당자 수정의 효과는 FVA(forecast value added, 사람이 고친 값이 시스템 값보다 실제에 더 가까웠는지)로 잽니다. 수정이 계속 정확도를 떨어뜨리는 규칙이나 품목군은 자동 발주로 돌립니다.

LLM을 붙인다면 예측 계산이 아니라 예외 설명에 씁니다. 예외 레코드와 최근 판매·프로모션·날씨 정보를 넣고, 정해진 사유 코드 목록 가운데 하나와 두 문장 설명만 돌려주게 하는 구조화 출력으로 돌립니다. temperature는 0으로 두고, 매주 50건을 뽑아 담당자가 고른 사유와 맞춰 일치율이 80% 아래면 사유 목록과 예시를 고칩니다.

막히는 경우	증상	대응
품절일 판매를 그대로 학습	예측이 계속 낮아지고 품절이 반복	재고 0인 날을 빼거나 수요를 보정
예외 기준이 너무 촘촘	담당자가 다시 전 주문을 보게 됨	승인만 한 비율 70% 넘는 규칙 완화
ERP 연동 지연	어제 재고로 오늘 발주 계산	연동 완료 확인 뒤 발주 계산 시작, 실패 시 알림
프로모션 미등록	행사 품목이 예측 급변 예외로 쏟아짐	프로모션 달력 등록을 발주 계산 전 마감으로
신규·단종 품목	이력 부족으로 예측 불안정	유사 품목 기준 예측, 8주 동안 별도 검토

현업 실행 디테일: 누가, 언제, 무엇을

Runnings의 순서(매장 먼저, DC 다음)를 따라 매장 파일럿부터 여는 경우를 가정한 예시입니다.

역할	맡는 일
IT 디렉터(프로젝트 오너)	범위·일정 승인, ERP 연동 책임, 단계 전환 결정
보충 기획 담당(planner)	예외 검토, 수정 사유 기록, 기준값 조정 의견
MD·바이어	프로모션 달력과 신규·단종 품목 정보 제공
매장 운영	파일럿 매장 재고 실사, 진열·품절 현장 확인
DC 운영	매장 발주 변화에 따른 출고량 확인, 2단계 준비
시스템 통합사	프로젝트 관리, 데이터 매핑, 규칙 설정, 교육

준비물. 최근 2~3년 매장·SKU별 일 판매와 일말 재고, 프로모션·가격 이력, 품목 마스터(포장 단위, 리드타임, 최소 발주량), 매장별 배송 요일, 지금 담당자가 하루에 검토하는 주문 수와 시간 기록이 필요합니다.

기간	할 일	산출물
1~3주	판매·재고 이력 정리, 품절일 표시, 품목 마스터 점검	데이터 품질 보고서, 파일럿 매장 10곳 선정
4~6주	파일럿 매장에서 기존 발주와 시스템 발주를 병행 계산	두 방식의 발주량 비교표, WAPE 기준선
7~9주	예외 규칙 기준값 조정, 담당자 수정 사유 수집	규칙별 예외 건수·승인율·FVA
10~12주	기준 확정, 확대 여부 판정	확대 결정 문서, 다음 매장군 일정

현업에 물을 것.

1. 지금 담당자 한 명이 하루에 몇 건의 주문을 보고, 그 가운데 실제로 숫자를 고치는 건 몇 건인가요?
2. 지난 1년 동안 품절이 가장 잦았던 품목군과 시기는 언제인가요?
3. 프로모션은 발주 마감 며칠 전에 확정되나요?
4. 매장 직원이 장부 재고와 실제 재고가 다르다고 느끼는 품목은 무엇인가요?
5. DC 출고가 매장 발주를 못 따라간 적이 있다면 어떤 품목이었나요?

진행 판정 기준(예시). 병행 운영 6주 동안 시스템 발주의 WAPE가 기존 방식보다 낮거나 같고, 파일럿 매장의 재고 충족률이 떨어지지 않으며, 담당자가 보는 건수가 기존의 절반 이하로 줄었으면 다음 매장군으로 넓힙니다. 하나라도 못 맞추면 데이터 품질과 예외 기준을 먼저 고치고 3주 더 병행합니다. 매장 전체가 안정된 뒤에 DC 단계를 엽니다.

AX 적용 제언. 다점포 유통, 프랜차이즈 본사, 부품 대리점망처럼 매장과 물류센터가 따로 발주하는 회사는 AI 예측 모델 자체보다 두 가지 결정을 먼저 해야 합니다. 하나는 매장과 DC가 같은 예측을 쓰게 하는 것이고, 다른 하나는 사람이 볼 예외를 무엇으로 정의할지입니다. ERP 교체를 기다릴 필요는 없습니다. Runnings처럼 ERP는 거래 기록에 두고 계획 기능만 위에 얹으면 1년 안팎으로 매장 단계를 열 수 있습니다. 경영 보고는 예측 정확도 하나가 아니라 재고 충족률, 재고 일수, 담당자 검토 건수를 한 표에 두어야 자동화가 실제로 일을 줄였는지 보입니다.

원문 사례

항목	내용
기사	Supply Chain Dive, Kelly Stroh, 2026.11.2 (Runnings 10월 23일 발표 인용)
회사	Running Supply Inc.(Runnings). 농자재, 공구·설비, 생활용품, 의류, 사냥·낚시·캠핑 용품
네트워크	매장 90곳(12개 주), DC 5곳(Rome NY, Marshall MN, Kentland IN, Pierre SD, Sioux Falls SD)
플랫폼	Relex Solutions AI 계획 플랫폼, 시즌성·프로모션 반영 단일 예측으로 DC·매장 재고와 발주량 결정
통합사	RetSci (프로젝트 관리, 솔루션 리드, 업무 컨설팅)
일정	2026년 여름 착수, 1단계 매장 → 2단계 DC, 2027년 중반 가동 목표, 이후 가격·프로모션 → 구색 → 공간
발언	Terry Kriz(Runnings IT 디렉터): ERP 너머 AI·ML 필요, 예외 중심 업무. Bartosz Echolc(Relex): 단일 예측 구조
같은 흐름	Dollar General, Lowe’s, Neighborhood Intelligence의 Relex 활용
성과	진행 중이라 기사에 수치 없음

핵심 개념

DC

distribution center. 공급사에서 받은 물건을 모아 매장으로 나눠 보내는 물류센터입니다.

replenishment

팔린 만큼 재고를 다시 채우도록 발주량과 시점을 정하는 일입니다.

allocation

들어온 물량을 매장별로 얼마씩 나눌지 정하는 일로, 신상품이나 시즌 물량에서 자주 씁니다.

systems integrator

소프트웨어를 고객사 시스템과 업무에 맞춰 붙이고 프로젝트를 이끄는 회사입니다.

WAPE

weighted absolute percentage error. 전체 판매량 대비 예측 오차의 합으로, 판매가 적은 품목에 휘둘리지 않습니다.

FVA

forecast value added. 사람이 고친 예측이 시스템 예측보다 실제에 더 가까웠는지 재는 지표입니다.

리드타임

발주한 뒤 물건이 들어오기까지 걸리는 시간입니다.

내 메모

TODO: 내 생각 추가

원문은 Supply Chain Dive의 「Runnings unites forecasting, replenishment with AI」(Kelly Stroh, 2026.11.2)입니다. 요약, 핵심 메커니즘의 기사 내용, 통념과 다른 주장, 사례, 원문 사례 표는 기사에 실린 회사·공급사 측 설명을 AX Review가 다시 정리했습니다. 메커니즘 설명 가운데 단계 순서의 논리, 기술·현업 실행 디테일, JSON 예시, 예외 규칙과 기준값, 막히는 경우 표, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고, 그 안의 필드명과 수치는 가상 예시입니다. 전체 내용은 원문에서 볼 수 있습니다.