알리바바, 모든 매장 채널에 걸쳐 수요예측·재고·가격 최적화를 통합 운영

알리바바의 사업은 모바일 앱부터 오프라인 식료품 매장까지 수십 가지 소매 모델에 걸쳐 있으며, 각각 수요 패턴과 유통기한, 재고 규칙이 다르다.

전통적인 예측 및 재고 도구는 중요한 상호작용을 놓친다. 돼지고기 가격이 소고기 판매에 영향을 주고, 칩이 살사 판매에 영향을 준다. 알리바바는 딥러닝을 활용해 이러한 상호작용을 포착하고, 시뮬레이션 최적화로 고객이 재고를 선택하는 방식을 모델링했으며, 최적화를 통해 가격과 추천 순위를 실시간으로 설정했다.

그 결과 예측 정확도가 높아지고 손실과 품절이 줄어들었으며, 이는 소매 사업 전반에서 연간 1억 달러 이상의 비용 절감과 서비스 개선으로 이어졌다. 이 작업은 2022년 INFORMS 프란츠 에델만상의 최종 후보였다.

각 채널의 예측, 재고, 가격을 하나의 시스템으로 운영

공유 수요 모델을 통해 구매, 가격 책정, 배치가 세 가지 추측 대신 동일한 예측에 대응할 수 있다.

시뮬레이션은 폐쇄형 재고 규칙을 무너뜨리는 FIFO 및 LIFO 조합을 포착한다.

실시간 가격 및 추천 최적화는 짧은 유통기한을 손실이 아닌 레버로 바꾼다.

더 나은 예측과 품절 감소는 동시에 매출을 높이고 낭비를 줄인다.

소매는 하나의 의사결정 문제이므로, 공유 수요 모델이 분리된 예측·주문·할인 도구보다 우수하다.

이 제품군은 알리바바의 옴니채널 소매 자회사 전반에 배포되었으며, 회사는 손실률과 품절률이 모두 꾸준히 감소했다고 밝혔다. 2022년 프란츠 에델만상 최종 후보였으며, 기반 방법론은 INFORMS Journal on Applied Analytics에 게재되었다.