제품은 창고에 있습니다. 시스템에도 있습니다. 하지만 선반에는 없습니다. 그리고 고객의 30%가 그냥 매장을 나갑니다.
품절 상품은 전 세계 소매 산업에 연간 약 6,340억 달러의 매출 손실을 초래하며, 전체 재고 왜곡은 1.1조 달러에 달합니다. 구매 시점의 평균 품절률은 약 8%이며, 빈 선반을 마주친 쇼핑객의 91%는 재입고를 기다리지 않고 경쟁 매장으로 향합니다. AI 기반 사진 감사는 수동 선반 순회와 ERP 시스템이 지속적으로 놓치는 문제를 포착하여, 몇 시간이 아닌 몇 초 만에 품절을 감지합니다.
수동 선반 감사가 부족한 이유
대부분의 소매업체는 여전히 저기술 프로세스로 선반을 점검합니다. 지역 관리자나 매장 직원이 각 통로를 걸으며 선반을 시각적으로 훑고 비어 보이는 곳을 기록합니다. 일반적인 매장에서는 하루 1~3회 선반 순회가 이루어지며, 점검 사이에 3시간의 공백이 있습니다. 이 공백 동안 품절이 감지되지 않은 채 누적됩니다.
수동 감사는 이상적인 조건에서 품절 이벤트의 60~70%를 감지합니다. 나머지는 발견되지 않습니다. 선반 뒤로 밀린 상품, 멀리서 보면 가득 차 보이는 1개 남은 상품, 잘못된 통로에 놓인 상품 등입니다. 사람 점검원은 완전히 빈 페이싱을 발견하는 데는 빠르지만, 부분 품절과 플래노그램 위반 감지에는 취약합니다.
그리고 유령 재고라는 조용한 문제가 있습니다. 유령 재고란 시스템상 재고가 있다고 표시되지만 실제로 선반에 없는 재고를 말합니다. 뒤쪽 창고에 있거나, 다른 통로에 잘못 배치되었거나, 단순히 잘못 세어진 것일 수 있습니다. 연구에 따르면 유령 재고는 품절 사건의 최대 80%를 유발할 수 있으며, 평균 재고 기록의 정확도는 약 60%에 불과합니다. 아무리 많은 수동 선반 순회를 해도 데이터에 존재하는 문제는 해결할 수 없습니다.
사진 기반 선반 감사의 작동 방식
워크플로는 간단합니다. 매장 직원이 스마트폰을 선반 구역에 대고 사진을 찍습니다. AI가 이미지를 처리하고, 개별 상품을 식별하고, 빈 페이싱에 플래그를 표시하고, 계획된 선반 배치(플래노그램)에 대한 준수 여부를 확인합니다. 결과는 몇 초 만에 나타납니다.
대만의 7,000개 이상의 매장에 배포된 플래노그램 준수 시스템은 선반 감지에서 99.23%의 정밀도와 98.93%의 재현율을 달성했으며, 상품 수준 감지에서는 94.61%의 정밀도와 93.02%의 재현율에 도달했습니다. 이는 수동 감사의 60~70% 감지율에 비해 상당한 개선입니다.
엣지 AI 카메라는 100밀리초 이내에 디바이스에서 감지를 실행하여 클라우드 서버로 이미지를 업로드할 필요를 없앰으로써 한 단계 더 발전합니다. 선반 구역 위에 장착된 이 카메라들은 주기적 스냅샷이 아닌 지속적인 모니터링을 제공하며, 품절이 발생하는 순간 플래그를 표시합니다.
AI가 사람이 놓치는 것을 포착하는 방법
선반 페이싱에 남은 1개의 상품은 3미터 떨어진 곳에서 보면 괜찮아 보입니다. AI는 정확한 수량을 세고 임계값 이하의 페이싱에 플래그를 표시합니다.
잘못된 슬롯에 배치된 상품이 올바른 상품의 재입고를 방해합니다. AI는 각 페이싱을 계획된 배치와 대조합니다.
시스템은 24개의 재고를 표시하지만 선반에는 3개뿐입니다. AI는 실제 선반에서 실측 데이터를 제공하여 ERP 시스템이 볼 수 없는 데이터를 드러냅니다.
잘못된 가격 라벨이나 누락된 태그는 쇼핑객의 신뢰를 떨어뜨립니다. AI는 동일한 선반 스캔 중에 불일치를 플래그합니다.
더 빠른 감지의 ROI
속도가 계산을 바꾸는 지점입니다. 기존 선반 순회는 매장 전체를 커버하는 데 몇 시간이 걸리며, 품절이 기록되고 보고되고 조치되기까지 고객은 이미 떠난 후입니다. AI는 감지에서 조치까지의 주기를 몇 시간에서 몇 초로 단축합니다.
재무적 영향은 직접적입니다. 연구에 따르면 선반 위 재고 가용성을 몇 퍼센트 포인트만 개선해도 측정 가능한 매출 증가로 이어집니다. 200개 매장을 보유한 중규모 식료품 체인이 더 나은 품절 감지로 매출 손실의 2%만 회복해도, 새 상품을 하나도 추가 판매하지 않고 연간 수백만 달러의 매출이 추가됩니다.
행동 데이터도 마찬가지로 극명합니다. 품절을 경험한 쇼핑객의 43%가 경쟁 브랜드로 전환하고, 20%가 장바구니 전체를 포기하며, 9%가 단 한 번의 품절 경험 후 영구적으로 소매점을 바꿉니다. 선반이 비어 있는 매 시간마다 손실은 복리로 늘어납니다.
사진 선반 감사 시작하기
- 고가치 카테고리부터 시작: 베스트셀러 또는 고마진 선반에 AI 감사를 먼저 집중
- 일관된 촬영 각도 사용: 정면에서, 밝은 조명으로, 선반 구역 전체를 촬영
- 플래노그램과 비교: 계획된 배치를 업로드하여 AI가 빈 페이싱뿐 아니라 편차도 플래그할 수 있도록 설정
- 시간에 따른 추세 추적: 일일 사진 감사가 반복 문제와 시스템적 격차를 드러내는 데이터셋 구축
- 보충과 연동: 품절 알림을 뒤쪽 창고 워크플로에 연결하여 플래그 후 수정이 이어지도록 설정
결론
선반 감사는 확장 가능한 대안이 없었기 때문에 수십 년간 클립보드 작업이었습니다. 사진 기반 AI가 그 방정식을 바꿉니다. 95~99%의 감지 정확도, 몇 초 만에 나오는 결과, 그리고 수동 순회나 ERP 보고서로는 결코 드러나지 않는 유령 재고를 포착하는 능력입니다.
다음에 지역 관리자가 매장을 방문해 베스트셀러가 왜 선반에 없는지 궁금해할 때, 답은 이미 스마트폰에 와 있어야 합니다.