Dynamic Dual-Period Multi-Criteria Inventory Decision Framework (DPMC-IDF): An Empirical Comparison with ABC and ABC-XYZ

당신이 거대한 화물선의 선장이라고 상상해 보십시오. 하지만 당신은 대양을 항해하는 대신 수천 개의 제품으로 이루어진 바다를 항해하고 있습니다. 당신의 임격은 어떤 품목을 가장 안전하고 접근하기 쉬운 곳에 실을지, 그리고 어떤 품목을 깊은 화물창에 넣어둘지를 결정하는 것입니다. 이것이 바로 매장의 재고를 유지하고 기업의 수익성을 높이는 데 필수적인 **재고 관리(inventory management)**의 세계입니다. 수십 년 동안 선장들은 두 가지 오래되고 신뢰할 수 있는 지도인 ABC 분석과 XYZ 분석에 의존해 왔습니다.

ABC를 일 년 동안 한 품목이 벌어들인 총수익만을 신경 쓰는 지도로 생각하십시오. 이는 마치 친구가 한 달 동안 나누어 먹었는지 아니면 한날한시에 몰아 먹었는지는 무시한 채, 일 년 동안 피자를 얼마나 먹었는지만으로 친구의 순위를 매기는 것과 같습니다. XYZ는 수요가 얼마나 "울퉁불퉁한지"를 살펴보는 지도입니다. 이 지도는 "변동 계수(coefficient of variation)"라는 수학적 도구를 사용하여, 판매량이 잔잔한 호수처럼 꾸준한지 아니면 거친 폭풍우 치는 바다처럼 요동치는지 예측합니다. 문제는 이 오래된 지도들이 정적이라는 점입니다. 이들은 일 년 전체를 하나의 크고 흐릿한 사진처럼 바라봅니다. 만약 11월에 갑작스러운 폭풍이 몰아친다면, 이 지도는 혼란에 빠져 일 년 전체가 폭풍우 같았다고 판단하게 됩니다. 이는 결국 선장들이 재고를 잘못 확보하게 만드는 나쁜 결정을 내리도록 유도합니다.

이 논문은 새로운 역동적인 나침반인 **동적 이중 기간 다기준 재고 결정 프레임워크(Dynamic Dual-Period Multi-Criteria Inventory Decision Framework, DPMC-IDF)**를 소개합니다. 이 도구는 일 년을 통째로 보는 대신, 일 년을 두 개의 절기(두 학기처럼)로 나누고 그 사이에서 품목들이 어떻게 이동하는지를 관찰합니다. 단순히 "얼마나 많은 돈을 벌었는가?"라고 묻는 대신, "전체 파이에서 당신의 점유율이 어떻게 변했는가?" 그리고 "판매량이 급증했는가, 아니면 폭락했는가?"를 묻습니다. 이를 통해 이 도구는 기존의 지도가 놓치는 트렌드, 예를 들어 조용히 성장 중인 제품이나 한 번의 스파이크(급증)는 있었지만 실제로는 안정적인 제품 등을 포착하기를 희망합니다. 저자는 이 새로운 나침반을 기존의 지도들과 비교 테스트하여, 선장들이 재고 부족을 겪거나 원치 않는 품목에 돈을 낭비하는 것을 방지하는 데 도움이 되는지 확인했습니다.

오래된 지도 vs. 새로운 나침반

이 논문은 전통적인 ABC-XYZ 방식에 중대한 사각지대가 있다고 주장합니다. 즉, 세상이 "정적(stationary)"이라고, 즉 시간이 흘러도 크게 변하지 않는다고 가정한다는 점입니다. 저자는 이것이 종종 사실이 아님을 보여줍니다. 어떤 제품이 11개월 동안 매달 10개씩 팔리다가, 12번째 달에 연말 세일 때문에 100개가 팔렸다고 가정해 봅시다. 기존의 XYZ 지도는 일 년 전체를 보고서 엄청난 급증을 포ر 발견하여 높은 "변동성" 점수를 계산합니다. 그리고 이 제품을 "변덕스러운(erratic)" 품목(Z-아이템)으로 분류하여, 관리자들에게 이를 예측 불가능한 변수로 취급하라고 지시합니다. 하지만 실제로는 그 제품은 11개월 동안 아주 안정적이었습니다! 기존의 지도는 단 한 번의 허리케인 때문에 "항상 폭풍우가 친다"라고 예보하는 기상 예보처럼, 그 한 달의 사건에 속아 넘어간 것입니다.

마찬가지로, 기존의 ABC 지도는 특정 제품이 총판매량이 많다는 이유만으로 "고가치"로 분류할 수 있지만, 이는 해당 제품의 판매량이 매달 줄어들고 있는 상황을 무시한 결과일 수 있습니다. 이는 마치 어떤 러너가 마라톤을 한 번 완주했다는 이유만으로, 그 이후로 한 번도 달리지 않았음에도 불구하고 그를 "가장 빠른 러너"로 순위를 매기는 것과 같습니다.

새로운 도구: 시간을 나누고 변화를 관찰하기

DPMC-IDF 프레임워크는 다음 세 가지 영리한 방법으로 이를 해결합니다.

1. 지평선 나누기: 일 년 전체를 보는 대신, 일 년을 두 구간(기간 1과 기간 2)으로 자릅니다. 품목이 첫 번째 기간에 어떻게 성과를 냈고, 그다음 두 번째 기간에는 어떠했는지를 확인합니다. 이는 일 년 전체의 평균을 내는 대신, 첫 학기와 두 번째 학기의 성적을 각각 확인하는 것과 같습니다.
2. 백분위 순위 지정: 단순한 평균(하나의 극단적인 숫자에 의해 왜곡될 수 있음)을 사용하는 대신, 품목들을 서로 비교하여 순위를 매깁니다. "이 품목이 다른 품목들의 상위 75%보다 잘했는가, 못했는가?"를 묻습니다. 이는 순위 산출을 더 견고하게 만들어 이상치(outlier)의 영향을 줄여줍니다.
3. 변동 지수 (Volatility Index, VI): 이것이 핵심 비법입니다. 이 지수는 첫 번째 기간에서 두 번째 기간으로 넘어갈 때 해당 품목의 전체 매출 점유율이 정확히 얼마나 변했는지를 계산합니다. 그리고 이야기(스토리)를 들려주는 세 글자 코드를 부여합니다 (예: LHV 또는 HMM).
   • LHV는 품목이 "낮은(Low)" 점유율에서 시작하여 "높은(High)" 점유율이 되었으며, "변동성(Volatile)"이 크다는 것을 의미할 수 있습니다 (빠르게 성장 중이지만 변화가 심함).
   • HMM은 품목이 "높은(High)" 점유율이었다가 "중간(Medium)"이 되었으며, "완만한(Moderate)" 상태임을 의미할 수 있습니다 (안정적이지만 약간 하락세인 스타 제품).

시뮬레이션: 세 가지 제품의 이야기

이 아이디어를 테스트하기 위해 저자는 단 세 가지 제품으로 구성된 작은 시뮬레이션 세계를 만들었습니다.

• 제품 A: 꾸준하고 신뢰할 수 있지만, 경쟁사에게 시장 점유율을 천천히 잃어가고 있는 제품.
• 제품 B: 초반에는 느리게 시작하지만, 하반기에 인기가 폭발하는 계절성 제품.
• 제품 C: 한 달 동안 기이하고 거대한 판매 급증(spike)이 있었지만, 다시 정상으로 돌아온 안정적인 제품.

오래된 지도의 실수:

• 기존의 XYZ 지도는 제품 B(성장하는 스타)와 제품 C(일회성 급증 제품)를 모두 높은 변동성 점수를 가졌다는 이유로 "변덕스러운 Z-아이템"으로 분류했습니다. 이는 건강한 성장 트렌드와 일회성 오류를 구분하지 못했습니다.
• 기존의 ABC 지도는 제품 A와 제품 B를 모두 "고가치" 범주에 넣었으며, 제품 A는 쇠퇴하고 있고 제품 B는 상승 중이라는 사실을 간과했습니다.

새로운 나침반의 성공:

• DPMC-IDF는 제품 B를 LHV(Low-to-High, Volatile)로 정확히 식별하여, 투자가 필요한 성장 트렌드임을 인식했습니다.
• 제품 C를 MLV(Medium-to-Low, Volatile)로 분류하여, 그 급증은 일시적이었으며 실제로는 하락세에 있으므로 영구적인 고순위 품목으로 취급해서는 안 된다는 것을 깨달았습니다.
• 제품 A를 HMM으로 파악하여, 비록 꾸준하긴 하지만 경쟁 우위를 잃어가고 있다는 점을 포착했습니다.

이 시뮬레이션 테스트에서 새로운 프레임워크는 제품 분류에 있어 실수가 전혀 없었던 반면, 기존 방식은 여러 차례 오류를 범했습니다. 저자는 "오분류 위험 감소 지수(Misclassification Risk Reduction Index, MRRI)"를 계산하였고, 이 특정 시나리오에서 새로운 도구가 기존 방식에 비해 오류 위험을 100% 감소시켰음을 발견했습니다.

실제 테스트: 스텔라마트(StellarMart) 매장

그러나 이 논문은 시뮬레이션에서 멈추지 않습니다. 저자는 새로운 나침반을 가지고 **스텔라마트(StellarMart)**라는 매장의 실제 데이터셋을 가져갔습니다. 이 데이터에는 4개 지역(동, 서, 남, 북)에 걸친 5,000건의 거래와 25개의 제품이 포함되어 있었습니다. 그들은 2023년의 판매 데이터를 사용하여 2024년에 어떤 일이 일어날지 예측했습니다.

여기서 이야기는 조금 더 미묘해집니다. 새로운 도구가 항상 승리한 것은 아닙니다.

• 남부(South) 지역에서 DPMC-IDF는 영웅이었습니다. 기존 방식에 비해 오류율을 거의 절반 가까이 줄였습니다.
• 하지만 **북부(North)**와 서부(West) 지역에서는 기존의 ABC-XYZ 지도보다 오히려 성능이 약간 떨어졌습니다.
• 4개 지역 전체(총 100개 품목)를 통합하여 보았을 때, 새로운 도구는 결합된 ABC-XYZ 지도와 비교하여 단순 오류율을 약 5.5% 감소시켰습니다.

저자는 제품의 트렌드가 두 기간을 관찰한 후에 **역전(reverse)**될 때 새로운 도구가 어려움을 겪는다는 것을 발견했습니다. 예를 들어, 어떤 제품이 2023년 하반기에 하락세를 보였으나 2024년에 다시 반등했다면, 두 번째 기간에 크게 의존하는 이 새로운 도구는 해당 제품이 계속 하락할 것이라고 잘못 예측할 수 있습니다. 일 년 전체를 평균하여 처리하는 기존의 도구들은 이러한 역전 현상을 완화함으로써 운 좋게 맞히는 경우가 있었습니다.

이것이 의미하는 바

논문은 DPMC-IDF가 강력한 새로운 도구이지만, 모든 것을 해결하는 마법 지팡이는 아니라고 결론짓습니다. 이 도구는 제품이 구조적 변화(예: 꾸준한 상승 또는 꾸준한 하락)를 겪고 있을 때 빛을 발하는데, 이는 트렌드의 방향을 볼 수 있기 때문입니다. 이는 기존의 지도가 놓치는 성장하는 스타와 저무는 빛을 포착하도록 도와줍니다.

하지만 저자는 제품의 행동이 예측 불가능하거나 빠르게 역전될 경우 새로운 도구가 비틀거릴 수 있음을 인정합니다. 그들은 향-후 연구에서 더 많은 기간을 관찰하거나 다른 의사결정 방법과 결합함으로써 이 도구를 개선할 수 있다고 제안합니다.

요약하자 전문적으로 말하자면, DPMC-IDF 프레임워크는 더 역동적이고 "시간을 인식하는" 재고 관리 방식을 제공합니다. 이는 연도를 나누고 품목의 움직임을 관찰함으로써 기업이 무엇을 재고로 보유할지에 대해 더 현명한 선택을 할 수 있음을 시사합니다. 하지만 어떤 새로운 기술과 마찬가지로, 이 도구는 특정 조건에서 가장 잘 작동하며 그 한계를 명확히 이해하고 사용해야 합니다. 저자의 연구는 기존의 지도들도 여전히 유용하지만, 복잡하고 변화무쌍한 현대 공급망 세계에는 더 유연한 새로운 나침반이 필요하다는 것을 시사합니다.