AI로 5억 재고 문제 해결한 방법: 클로드 코드 실전 사례

핵심 요약

이 글에서 다루는 주요 내용은 코딩 경험이 전혀 없는 일반인이 AI(Claude Code)를 활용하여 회사의 10년 이상 적체된 재고 문제를 어떻게 해결했는지를 보여줍니다.

AI 클로드 코드로 5억 원 규모의 재고 문제를 2개월 안에 완판 성공
코딩 지식 없이도 AI와 대화하면서 복잡한 알고리즘 개발 가능
가격 최적화, 노출 관리, 시즌성 분석을 자동화하여 일일 매출 5배 증가 달성
큰 비즈니스 문제 해결에 AI를 활용하는 것이 핵심 전략
직원 신뢰도 향상과 회사 문화 개선이라는 부가 효과 창출

회사 문제 상황: 5억 원 적체 재고의 현실

우리 회사는 전형적인 이커머스 유통 회사였습니다. 매년 신제품 개발에 힘을 쏟고 있었지만, 한 가지 심각한 문제가 있었습니다. 바로 10년 이상 적체된 재고 였습니다.

담당 팀장님과의 회의 중 외부 감사가 끝난 시점이었는데, 회사 대표님께서 "지금 이 재고를 조금 줄이는 게 좋을 것 같다"라고 지시하셨습니다. 회계 용어로 '무이동 재고(Dead Stock)'와 '추가 재고(Excess Inventory)'로 분류되던 이 문제들을 정리해야 했습니다.

당시 총 재고는 약 5억 원대 였고, 그 중에서 3억 원 규모는 빨리 처리해야 하는 상황 이었습니다. 여러 시도가 있었습니다. 담당 MD가 지속적으로 가격을 인하했고, 판매 데이터에 따라 사이즈와 컬러를 조정했습니다. 하지만 수년간의 노력에도 불구하고 큰 성과가 나오지 않았습니다. 마치 버려진 자식처럼 방치되어 있던 상황이었죠.

문제는 단순한 가격 인하만으로는 해결되지 않는다는 것을 깨달았습니다. 그때 한 가지 가설을 세우게 되었습니다. "사람들이 제품을 사지 않는 게 아니라, 우리가 충분히 가격을 내리지 않았거나, 제품 노출이 부족한 것이 아닐까?" 이 문제를 해결하기 위해서는 상식적인 방법이 아닌, 완전히 다른 접근이 필요했습니다.

AI를 활용하는 두 가지 원칙

회사에서 AI를 도입하기 전에 명확히 한 두 가지 원칙이 있었습니다. 이 원칙들이 이후의 성공을 결정하는 데 중요한 역할을 했습니다.

첫 번째 원칙: 영향력이 큰 문제에 AI를 써라

AI를 사용할 때 가장 흔한 실수는 작은 생산성 문제에 시간을 쏟는 것 입니다. 예를 들어 자동화된 보고서 작성, 예쁜 디자인 생성, 시간 절약 같은 사소한 것들이 있습니다. 하지만 이런 것들은 전체 회사의 경영 성과에 미치는 영향이 미미합니다.

반대로 회사 매출에 직결되고, 경영진이 고민하는 큰 문제들 에 AI를 적용할 때 진정한 가치가 생깁니다. 우리의 경우 5억 원 재고 문제와 신제품 개발 시간 단축이 바로 그런 큰 문제였습니다.

두 번째 원칙: 실행에 사용하라, 이해에만 사용하지 말라

AI 컨설팅을 받는 것은 좋지만, 아무리 좋은 조언도 우리의 구체적인 상황을 100% 이해할 수 없습니다. 따라서 직접 해보고, 결과를 보고, 빠르게 수정하는 실행 중심의 접근 이 필요했습니다. 이론이 아닌, 실제 매출 데이터와 고객 반응을 바탕으로 알고리즘을 개선해 나가는 방식입니다.

클로드 코드와의 첫 만남: 2주간의 시행착오

저는 3월 7일 처음으로 Claude Code(클로드 코드)를 접했습니다. 개발 경험이 전혀 없는 상태에서 시작했습니다. 이전까지는 여러 생산성 도구들을 시도해봤지만, 클로드 코드는 다른 느낌이었습니다.

처음에는 우리 이커머스 플랫폼의 상품 순위 수집, 판매량 추적 같은 간단한 작업부터 시작했습니다. 놀랍게도 하나씩 시도할 때마다 "어? 이것도 되네?" "저것도 되네?"라는 반응이 자연스럽게 나왔습니다.

그 다음으로는 산재되어 있던 데이터를 한 곳으로 수집 하는 작업을 했습니다. 이전에는 수동으로 엑셀에 정리해야 했던 작업들이 자동화되기 시작했습니다. 약 2주간의 시행착오를 거치면서 클로드 코드의 가능성을 실감 하게 되었습니다.

이 과정에서 배운 가장 중요한 것은 "거의 모든 것이 가능하다" 는 확신이었습니다. 특정 언어나 프레임워크의 제약이 별로 없었습니다. 데이터 수집부터 분석, 자동화까지 모든 것을 AI와 대화하면서 만들어낼 수 있다는 점이 매력적이었습니다.

5억 재고 해결 프로젝트: 세일 플랫폼 구축

2주간의 학습을 거친 후, 본격적으로 재고 문제를 해결할 프로젝트를 시작했습니다. 처음의 아이디어는 상대적으로 단순했습니다.

초기 계획: 해외 바이어와의 자동화된 연결

처음에는 해외 바이어를 찾아 대량으로 재고를 처리 하려고 했습니다. 구체적으로 다음과 같은 프로세스를 자동화하려고 했습니다.

AI가 전 세계의 우리 산업에 관심 있는 바이어들을 찾기
우리의 브랜드와 제품 리스트로 카탈로그 자동 생성
이메일을 통한 자동화된 소개 및 제안
바이어의 요청에 따른 견적 자동 생성
거래 성사까지의 모든 과정 자동화

이론상으로는 좋았지만, 생각하다 보니 이 방식도 결국 엄청난 마진을 포기 해야 한다는 문제가 있었습니다. 해외 덤핑으로 제품을 팔아야 했기 때문입니다.

전략 변경: 기존 세일 코너 활성화

회사에는 이미 세일 코너(Sale Corner) 라는 할인 상품 판매 구간이 있었습니다. 이미 고객들이 알고 있는 채널이었습니다. "이 코너를 더 잘 활용하면, 가격을 극단적으로 낮추지 않아도 충분히 빠르게 재고를 처리할 수 있지 않을까?" 이 아이디어로 두 번째 모델을 개발 하기로 결정했습니다.

자동화 알고리즘 설계: 가격, 노출, 타이밍의 완벽한 조화

세일 플랫폼을 위해 설계한 알고리즘은 매우 정교했습니다. 이것은 단순히 "가격을 낮춘다"는 개념이 아니라, 동적 가격 결정 시스템(Dynamic Pricing System) 이었습니다.

알고리즘의 핵심 작동 원리

매일 새벽 5시마다 자동으로 실행되는 이 시스템은 다음과 같이 작동했습니다:

조회수, 판매량, 재고 상황 자동 수집 - 우리 플랫폼의 모든 세일 상품에 대한 실시간 데이터를 수집합니다.
3단계 가격 조정 모드 설정:
- 급변 모드(Fast Mode): 전혀 판매되지 않는 상품 → 빠른 가격 인하
- 기본 모드(Normal Mode): 조금씩 판매되는 상품 → 단계적 가격 조정
- 안정 모드(Stable Mode): 잘 팔리는 상품 → 가격 유지
60일 기준 설정 - 60일 후에 모든 세일 상품의 재고가 0이 되도록 역계산하여 일일 필요 판매량을 정합니다.
원가 기반 하한선 설정 - 아무리 팔리지 않아도 ** 원가의 70% 이상**으로 가격을 유지합니다. (완전한 손실을 방지)

조회수 기반 노출 최적화

프로젝트를 진행하면서 깨달은 중요한 사실이 있었습니다. "아무리 좋은 가격도 고객이 보지 못하면 의미가 없다" 는 것입니다.

따라서 알고리즘은 다음과 같이 조정되었습니다.

상품을 먼저 충분한 조회수를 받을 수 있도록 상위에 노출
충분한 조회수를 받은 후에도 판매되지 않으면 → 가격 인하 후 다시 노출
판매가 되면 그 상품을 고정하지 않고, 다른 상품이 노출될 수 있도록 로테이션
상위 70%는 인기 상품으로 자동 분류되어 우선 노출

계절성 및 날씨 데이터 연계

개발 과정에서 또 다른 인사이트를 얻었습니다. 특히 의류 제품의 경우 날씨와 계절의 영향이 매우 크다 는 것입니다.

기상청 데이터를 자동으로 연계
온도가 올라가면 얇은 옷들을 우선 노출
비가 오는 날씨에는 우비, 레인코트 등을 상위에 배치
시즌에 맞지 않는 상품은 자동으로 노출 순서를 하위로 조정

이 모든 변수를 AI가 자동으로 조회수와 판매 데이터를 보면서 실시간으로 최적화 했습니다.

실행 단계: 3월 23일 오픈과 예상을 뛰어넘는 성과

오픈 준비: 광고 전략 수립

알고리즘 개발이 완료되자, 본격적인 실행 단계로 넘어갔습니다. 3월 23일 월요일 오후 6시경 담당자에게 세 개의 광고 소재를 만들어서 올려달라 고 지시했습니다.

당시 마음가짐은 "과연 이게 실제로 될까?" 하는 설렘과 불안감의 혼합이었습니다. 이론상으로는 완벽했습니다.

가격이 내려간다 → 판매가 증가한다
판매가 증가하면 광고 ROI가 좋아진다
좋은 광고 성과가 나면 광고비를 더 쓸 수 있다
광고비를 더 쓰면 유입이 증가한다

하지만 현실은 항상 다릅니다. 광고 성과가 나오지 않으면 이 모든 선순환이 깨집니다.

예상을 뛰어넘은 성과: 첫 주의 매출 폭증

그런데 놀라운 일이 일어났습니다. 광고를 올린 그날 오후부터 판매가 시작 되었습니다. 그것도 매우 빠르게요.

오픈 전 기준:

세일 카테고리 일일 매출: 약 150만 원
행사 기간: 200만 원 정도

오픈 후 첫 주 성과:

3월 24일(오픈 다음날): 300만 원
3월 25일: 500만 원
3월 26일: 700만 원
3월 27일: 800만 원
3월 28일: 1,000만 원

일일 매출이 5배 이상 증가 했습니다.

물론 처음의 급격한 상승 이후로는 어느 정도 안정화되었습니다. 인기 있는 상품들이 빠져나가면서 700만 원대, 600만 원대로 내려오곤 했습니다. 하지만 전체적인 추세는 명확했습니다.

재고 현황의 급속한 변화

3월 23일 당시 재고 현황:

총 재고: 약 3억 5천만 원
목표: 60일 안에 완판

4월 중순 현황:

남은 재고: 약 1억 1천만 원

이 속도라면 목표했던 기간 안에 충분히 재고를 완판할 수 있었습니다.

또 다른 성과: 정상 상품 매출까지 증가

세일 알고리즘의 확대 적용

초기 목표는 세일 상품만 정리하는 것이었습니다. 하지만 성과가 눈에 띄자 회사 경영진은 이 알고리즘을 정상 상품, 신제품, 베스트 셀러 카테고리에도 적용 해보자고 판단했습니다.

다만 이번에는 가격 조정은 하지 않았습니다. 대신 노출 순서와 제목을 동적으로 조정 했습니다.

AI가 자동으로 제목을 바꾼다

특히 흥미로운 기능은 상품 제목의 자동 변경 이었습니다. 예를 들어:

원래: "하늘색 셔츠"
150개 품절 시: "하늘색 셔츠 - 150개 품절"
최신 리뷰가 추가되면: "하늘색 셔츠 - 별점 4.8 / 100+ 리뷰"

AI가 인식할 수 있는 재고 상황, 고객 리뷰, 판매 추세에 따라 제목을 자동으로 최적화 했습니다. 이는 고객에게 FOMO(Fear of Missing Out) 심리를 자극하면서도, 신뢰도 있는 정보를 제공했습니다.

정상 상품까지의 긍정적 영향

이 알고리즘을 정상 상품에 적용하자 예상치 못한 일이 발생했습니다. 정상 상품의 매출도 함께 올라가기 시작 했습니다.

이유는 다음과 같이 분석됩니다:

플랫폼의 전반적인 활기: 세일 상품이 빠르게 팔리면서 플랫폼 전체에 활동성이 증가했습니다.
교차 판매 효과: 세일 상품을 사러 온 고객들이 정상 상품까지 구매하는 현상이 발생했습니다.
신뢰도 향상: 세일 코너가 활발하게 움직이면서 회사 전체의 신뢰도가 향상되었습니다.

직원들의 반응: 야근과 신뢰의 역설

물류팀의 고생

프로젝트의 성공 이면에는 물류팀의 눈에 띄는 변화가 있었습니다. 세일 상품이 예상보다 훨씬 빠른 속도로 판매 되기 시작했기 때문입니다.

원래는 한 달에 수백 개 정도 팔리던 재고가, 이제는 매일 수백 개씩 판매되는 상황 이 되었습니다. 이는 물류팀에게 상당한 업무 부담을 초래했습니다. 물류팀 팀장님이 회사 회식에서 농담 삼아 말씀하셨습니다.

"이 AI 때문에 우리가 죽어나고 있습니다."

하지만 이것은 부정적인 의미만은 아니었습니다.

신뢰도의 향상: 리더십의 강화

물류팀의 야근이 증가했지만, 회사 문화 전체에는 긍정적인 변화 가 일어났습니다.

경영진이 제시한 전략이 실제로 구체적인 매출 증가로 이어지는 것을 직원들이 직접 목격 했기 때문입니다. 이는 다음과 같은 효과를 만들었습니다.

리더십 신뢰도 증가: "우리 대표/팀장이 제시한 방향이 실제로 먹혀먹는다"는 확신
조직 문화 개선: AI를 단순한 자동화 도구가 아닌, "회사의 큰 문제를 푸는 수단"으로 인식
직원 몰입도 향상: 아무리 힘들어도 "이것이 정말 의미 있는 일"이라는 확신을 가지고 일하게 됨

AI와 함께하는 프롬프트 엔지니어링: 아마존에서 배우다

첫 번째 프롬프트의 중요성

실제 개발 과정에서 가장 중요했던 부분은 첫 번째 프롬프트(요청)를 어떻게 작성하느냐 였습니다.

처음에 재고 처리 시스템을 설계할 때, 저는 Claude에게 다음과 같이 물었습니다.

"아마존은 동적 가격 책정(Dynamic Pricing)을 어떻게 하고 있는가?"

Claude는 아마존의 전략, 알고리즘의 기본 원리, 그리고 고려해야 할 변수들을 모두 설명해주었습니다. 저는 이를 바탕으로 우리 회사의 상황에 맞게 아마존의 원칙 70%와 우리의 아이디어 30%를 결합 했습니다.

실제 학습 방법: 유튜브와 달리기

저는 Claude Code를 어떻게 배웠을까요? 매우 비정통적인 방법입니다.

저는 달리기를 할 때 유튜브에서 다음과 같은 강의들을 들었습니다.

"Claude Code 에이전트 만들기"
"Claude Code Python 코딩"
"Claude Code 초보자 가이드"

처음에는 집중해서 들었지만, 시간이 지나면서 어느 정도 틀을 이해하게 되었습니다. 완벽히 이해하지는 못했지만, "아, Claude Code는 이런 것이고, 이렇게 사용하는 것이구나" 하는 큰 그림이 형성되었습니다.

이 비정통적인 학습 방식의 장점은:

실무에 가까운 학습: 이론이 아닌 실제 사용 사례 중심
맥락적 이해: 완벽함을 추구하지 않으면서도 충분한 이해 확보
빠른 실행: "완벽하게 배운 후 시작"이 아닌 "배우면서 시작"

미래의 과제: 수요 예측 시스템 개발

과거의 문제를 푼 후, 미래의 문제로

5억 원 재고 문제를 해결한 후, 자연스럽게 다음 과제가 보이기 시작했습니다. "미래에 일어날 일을 얼마나 정확하게 예측할 수 있는가?"

제조업과 유통업에서 가장 중요한 것은 정확한 수요 예측 입니다. 언제 어떤 상품이 얼마나 팔릴 것인지를 미리 알 수 있다면, 다음과 같은 이점이 생깁니다.

적정 규모의 생산: 과잉 생산 방지
효율적인 재고 관리: 적시에 적양의 상품 준비
오프라인-온라인 균형: 20개 매장과 온라인 채널 간의 재고 최적화

기존 방식의 한계

우리가 기존에 하던 예측은 매우 단순했습니다.

지난 5일간 50개가 팔렸다
하루에 약 10개씩 판매된다
따라서 50일 후에는 500개 정도 판매될 것이다
최대 1.3배 정도의 가중치를 두어 예측

이 정도의 예측으로는 변화하는 시장에 대응하기 어려웠습니다.

Claude Code를 활용한 정확한 수요 예측

반면, Claude Code를 활용한 AI의 수요 예측은 훨씬 정교합니다.

AI가 고려하는 변수들:

속도 및 가속도: 판매량이 증가하는 추세뿐 아니라 ** 그 증가 속도까지 분석**
계절성 요소: 날씨, 기후, 이벤트 등의 주기적 변화를 학습하고 반영
경쟁사 동향: 우리 경쟁사의 판매량을 웹 스크래핑으로 수집하여 비교 분석
시장 외부 변수: 뉴스, 이벤트, 경제 지표 등의 영향도 고려
복합 시나리오 분석: 여러 변수가 복합적으로 작용하는 경우를 모두 계산

현재 저는 이 수요 예측 시스템을 80% 정도까지 개발 했습니다.

현재의 도전: 기획의 어려움

그런데 이 과정에서 예상치 못한 어려움을 마주했습니다. 바로 "이것을 어떻게 기획할 것인가?" 라는 문제입니다.

개발 과정에서 수많은 시행착오를 겪었습니다.

첫 번째 시도: 너무 복잡했음 → 사용자가 이해할 수 없음
두 번째 시도: 정확도는 높지만 UI가 복잡함 → 실제 사용 불가
세 번째 시도: 특정 변수에 과도하게 의존 → 예측 정확도 저하

지금까지의 교훈: "무조건 쉬워야 한다"

아무리 정교한 알고리즘도, 사용자가 이해할 수 없으면 의미가 없습니다. 따라서 현재의 초점은 복잡한 AI 예측을 누구나 이해할 수 있는 간단한 형태로 표현하는 것 입니다.

큰 문제를 푸는 AI vs 작은 생산성 AI

유튜브 강의의 함정

인터넷에 넘쳐나는 Claude Code 강의들을 보면, 대부분 다음과 같은 것들을 다룹니다.

"효율적인 보고서 작성"
"아름다운 PDF 생성"
"이메일 자동화"
"회의 노트 정리"
"시각화 대시보드"

이 모든 것들은 좋은 활용법입니다. 하지만 회사 경영에 미치는 영향이 미미 합니다.

진정한 AI의 가치

반면, 우리가 한 일은 달랐습니다.

문제: 10년 이상 적체된 5억 원 재고
해결: 2개월 안에 완판하는 자동화 시스템
결과: 일일 매출 5배 증가, 직원 신뢰도 향상, 회사 문화 개선

경영진이 보는 세상

대표나 경영진들이 보는 세상은 다릅니다. 그들의 고민은:

"올해 목표 매출을 어떻게 달성할까?"
"적체된 자산을 어떻게 회수할까?"
"시장 변화에 어떻게 빠르게 대응할까?"
"직원 이탈을 어떻게 막을까?"

이런 큰 문제들에 AI를 적용할 때 진정한 가치가 생깁니다.

결론: AI 시대의 리더십과 실행

이 프로젝트를 통해 배운 가장 중요한 교훈은 다음과 같습니다.

첫째, AI를 사용할 때는 영향력의 크기를 기준으로 문제를 선정해야 합니다. 자동화 가능한 작은 일들도 좋지만, 회사의 경영 성과에 직결되는 큰 문제를 우선해야 합니다. 특히 ** 경영진이 고민하는 문제들**이 가장 가치 있는 타겟입니다.

둘째, 코딩 경험이 없어도 AI와 대화하면서 복잡한 시스템을 만들 수 있습니다. 저는 개발자도, 프로그래머도 아닙니다. 하지만 Claude와의 대화 속에서 "이것도 가능한가?"라는 물음을 끊임없이 제기하면서 점진적으로 복잡한 알고리즘을 만들어낼 수 있었습니다.

셋째, 빠른 실행이 완벽한 계획보다 낫습니다. 완벽하게 모든 것을 이해한 후 시작하는 것이 아니라, 80%만 이해해도 시작하고, 실행하면서 배우고, 결과를 보고, 빠르게 수정하는 사이클이 성공을 결정합니다.

넷째, 직원 신뢰도는 작은 성과의 축적이 아닌 큰 문제 해결에서 비롯됩니다. "시간을 10분 줄였습니다"와 "5억 원 손실을 회수했습니다"의 임팩트는 비교할 수 없습니다. 직원들이 느끼는 신뢰도, 조직 문화의 개선은 이런 큰 성과로부터 시작됩니다.

다섯째, AI 활용의 미래는 기술이 아니라 문제 인식에 달려있습니다. 유튜브에는 좋은 AI 기술 강의가 많지만, 그 기술을 어떤 큰 문제에 적용할 것인가에 대한 강의는 거의 없습니다. 그렇기 때문에 ** 자신이 속한 조직의 가장 큰 문제가 무엇인지 정확히 파악하는 것**이 AI 시대의 리더십입니다.

코딩을 몰라도 AI로 회사의 큰 문제를 해결할 수 있는 시대입니다. 중요한 것은 기술이 아니라, 어떤 문제를 풀 것인가에 대한 명확한 답변 입니다.

원문출처: 코딩 몰라도 AI로 5억 재고 해결한 방법 | 클로드 코드 실전 사례 | 사피엔스 2.0

powered by osmu.app

AI로 5억 재고 문제 해결한 방법 | 클로드 코드 실전 사례