칸인즈, AI로 수요 예측 오차 19% 개선

홈센터 대기업 칸인즈는 해외 생산 자체 브랜드(PB) 상품의 장기 수요 예측에 AI 에이전트 AlphaEvolve를 도입해, 사람이 조정하던 기존 모델보다 예측 오차를 19% 개선했습니다. Google Cloud Japan은 2026년 10월 30일 블로그에 이 사례를 공개했습니다. AlphaEvolve는 특징량과 매개변수의 조합을 자동으로 시험해 알고리즘을 자율적으로 개선합니다.

칸인즈는 사이타마현 혼조시에 본사를 두고 전국에 289개 매장을 운영합니다. 발주와 재고 관리 최적화를 위한 수요 예측 시스템은 2022년 6월 소규모 운영을 시작해, 2024년 9월 약 200개 매장으로 확대됐고 2025년 10월 전 매장에 적용됐습니다. 시스템에는 Google Cloud의 시계열 예측 기능 Vertex AI Forecasting이 쓰입니다. 도입 후에는 새로 업무를 맡은 담당자도 일정한 정확도로 발주할 수 있게 됐고 매장 품절도 줄었습니다.

수요 예측은 장기와 단기 두 종류입니다. 해외 생산 PB 상품의 발주에 쓰이는 장기 예측은 약 1만 개 SKU별로 39주 앞까지 산출합니다. 매장 재고의 자동 발주에 쓰이는 단기 예측은 매장과 SKU별로 6주 앞까지 예측합니다. 대상은 평상시 약 190만 SKU이며 성수기에는 최대 500만 SKU입니다.

시스템 도입 전 장기 예측은 담당자가 수작업으로 진행해, 담당자의 숙련도에 따라 발주 정확도에 차이가 났습니다. 단기 예측은 스프레드시트로 전년이나 최근 실적을 참고했기 때문에 계절 상품의 판매가 시작될 때 수요를 충분히 포착하지 못해 품절이 발생했습니다. 전 매장 적용 뒤에도 현업 부서에서 정확도 향상을 요청해 특징량과 하이퍼파라미터(학습 동작을 조정하는 설정값)를 수작업으로 조정했지만, 사람이 조정과 검증을 반복하는 방식에는 시도 횟수의 한계가 있었습니다.

신상품이 기존 상품의 매출을 빼앗는 카니벌라이제이션도 과제였습니다. 모델은 월 1회 재학습했지만 신상품 판매 실적이 나타나기까지 시차가 있어 사전 예측이 어려웠고, 실적 발생 뒤의 추세 변화와 카테고리 안에서 수요가 분산되는 양상을 포착할 특징량을 설계하기도 복잡했습니다. 장기 모델은 약 3년간 단계적으로 수작업 개선을 거쳤지만, 개선이 정체됐습니다.

칸인즈는 AlphaEvolve를 활용해 장기 예측 모델의 알고리즘을 수백 회에서 수천 회까지 탐색하고 특징량 등을 자율적으로 개선했습니다. Google Cloud는 이 기능의 제한 공개 프리뷰를 2025년 12월 시작해 2026년 7월 일반 제공했으며, 칸인즈는 프리뷰 버전을 사용했습니다. 카테고리 내 수요 변화를 포착하는 특징량을 자율적으로 탐색할 수 있게 됐고, 회사는 카니벌라이제이션에 따른 수요 변동도 개선할 가능성이 보였다고 밝혔습니다. 앞으로 예측 정확도가 높아진 품목군에서 품절 감소와 재고 수준 최적화가 경영에 미치는 효과를 측정할 계획입니다.

홈센터 대기업 칸인즈는 해외 생산 자체 브랜드(PB) 상품의 장기 수요 예측에 AI 에이전트 AlphaEvolve를 도입해, 사람이 조정하던 기존 모델보다 예측 오차를 19% 개선했습니다. Google Cloud Japan은 2026년 10월 30일 블로그에 이 사례를 공개했습니다. AlphaEvolve는 특징량과 매개변수의 조합을 자동으로 시험해 알고리즘을 자율적으로 개선합니다.

칸인즈는 사이타마현 혼조시에 본사를 두고 전국에 289개 매장을 운영합니다. 발주와 재고 관리 최적화를 위한 수요 예측 시스템은 2022년 6월 소규모 운영을 시작해, 2024년 9월 약 200개 매장으로 확대됐고 2025년 10월 전 매장에 적용됐습니다. 시스템에는 Google Cloud의 시계열 예측 기능 Vertex AI Forecasting이 쓰입니다. 도입 후에는 새로 업무를 맡은 담당자도 일정한 정확도로 발주할 수 있게 됐고 매장 품절도 줄었습니다.

수요 예측은 장기와 단기 두 종류입니다. 해외 생산 PB 상품의 발주에 쓰이는 장기 예측은 약 1만 개 SKU별로 39주 앞까지 산출합니다. 매장 재고의 자동 발주에 쓰이는 단기 예측은 매장과 SKU별로 6주 앞까지 예측합니다. 대상은 평상시 약 190만 SKU이며 성수기에는 최대 500만 SKU입니다.

시스템 도입 전 장기 예측은 담당자가 수작업으로 진행해, 담당자의 숙련도에 따라 발주 정확도에 차이가 났습니다. 단기 예측은 스프레드시트로 전년이나 최근 실적을 참고했기 때문에 계절 상품의 판매가 시작될 때 수요를 충분히 포착하지 못해 품절이 발생했습니다. 전 매장 적용 뒤에도 현업 부서에서 정확도 향상을 요청해 특징량과 하이퍼파라미터(학습 동작을 조정하는 설정값)를 수작업으로 조정했지만, 사람이 조정과 검증을 반복하는 방식에는 시도 횟수의 한계가 있었습니다.

신상품이 기존 상품의 매출을 빼앗는 카니벌라이제이션도 과제였습니다. 모델은 월 1회 재학습했지만 신상품 판매 실적이 나타나기까지 시차가 있어 사전 예측이 어려웠고, 실적 발생 뒤의 추세 변화와 카테고리 안에서 수요가 분산되는 양상을 포착할 특징량을 설계하기도 복잡했습니다. 장기 모델은 약 3년간 단계적으로 수작업 개선을 거쳤지만, 개선이 정체됐습니다.

칸인즈는 AlphaEvolve를 활용해 장기 예측 모델의 알고리즘을 수백 회에서 수천 회까지 탐색하고 특징량 등을 자율적으로 개선했습니다. Google Cloud는 이 기능의 제한 공개 프리뷰를 2025년 12월 시작해 2026년 7월 일반 제공했으며, 칸인즈는 프리뷰 버전을 사용했습니다. 카테고리 내 수요 변화를 포착하는 특징량을 자율적으로 탐색할 수 있게 됐고, 회사는 카니벌라이제이션에 따른 수요 변동도 개선할 가능성이 보였다고 밝혔습니다. 앞으로 예측 정확도가 높아진 품목군에서 품절 감소와 재고 수준 최적화가 경영에 미치는 효과를 측정할 계획입니다.