풀필먼트 운영
출고 정확도를 실제로 측정하는 법
출고 정확도를 클레임 건수로만 보면 실제보다 좋아 보입니다. 무엇을 분모로 잡을지, 어떤 오류가 집계에서 빠지는지, 개선을 증명하려면 무엇을 기록해야 하는지 정리했습니다.
"출고 정확도가 얼마나 되세요?"라고 물으면 대부분 클레임 건수를 기준으로 답합니다. 그런데 그 숫자는 거의 항상 실제보다 좋습니다.
이유는 단순합니다. 고객이 말하지 않은 오류는 집계되지 않기 때문입니다.
집계에서 빠지는 오류들
- 사은품이 빠졌는데 고객이 원래 없는 줄 알았던 경우
- 색상이 다른데 그냥 쓴 경우
- 수량이 하나 더 왔는데 말하지 않은 경우
- 반품 사유를 "단순 변심"으로 처리한 경우
- B2B 거래처가 자체 검수에서 잡아 조용히 교환한 경우
특히 마지막 두 개가 큽니다. 반품 사유 코드가 실제 원인과 다르게 입력되면 오출고가 통계에서 사라집니다.
클레임 건수는 오류의 하한선입니다. 실제 오류율은 반드시 그보다 높습니다.
무엇을 분모로 잡을 것인가
정확도를 계산할 때 분모를 무엇으로 두느냐에 따라 숫자가 크게 달라집니다.
| 분모 | 계산 | 특징 |
|---|---|---|
| 주문 건수 | 오류 주문 / 총 주문 | 가장 흔함. 다품목 주문의 난이도를 반영 못 함 |
| 상품 라인 수 | 오류 라인 / 총 라인 | 작업량에 비례. 개선 추적에 적합 |
| 낱개 수량 | 오류 수량 / 총 수량 | 대량 동일품목에 유리하게 나옴 |
개선을 추적하려면 라인 기준이 낫습니다. 주문 기준은 SKU 구성이 바뀌면 비교가 어긋나기 때문입니다. 10개 품목짜리 주문 하나와 1개 품목짜리 주문 하나는 오류 확률이 다른데, 주문 기준에서는 같은 1건입니다.
나눠서 봐야 하는 지표들
하나의 숫자로 뭉뚱그리면 개선 방향이 안 보입니다. 최소한 다음으로 나누는 것이 좋습니다.
오류 유형별
- 오품 — 주문에 없는 상품이 나감
- 초과 — 수량이 더 나감
- 누락 — 수량이 덜 나감 / 구성품 빠짐
- 파손 — 상품 자체 문제
유형이 다르면 원인도 다릅니다. 오품은 피킹·유사 SKU 문제, 초과는 작업대 잔여 문제, 누락은 세트·사은품 문제인 경우가 많습니다.
발견 시점별
| 시점 | 의미 |
|---|---|
| 출고 전 검수에서 검출 | 비용 거의 없음. 시스템이 작동 중 |
| 출고 후 배송 전 | 회수 가능하나 비용 발생 |
| 고객 수령 후 | 전체 비용 + 평판 |
개선의 목표는 검출 건수를 줄이는 것이 아니라, 검출 시점을 앞으로 당기는 것입니다. 검수를 도입하면 출고 전 검출 건수는 오히려 늘어납니다. 그게 정상입니다.
개선을 증명하려면
도입 전 숫자가 없으면 개선을 주장할 수 없습니다. 그런데 도입 전 숫자는 도입 전에만 잴 수 있습니다.
최소한 다음 네 개는 시작 전에 기록해두시길 권합니다.
- 월 클레임 건수 (오출고 사유만)
- 클레임 한 건 처리에 걸리는 평균 시간
- 월 총 출고 건수와 상품 라인 수
- 반품 중 오출고가 원인인 비율
3번은 대부분 시스템에 있고, 1·2·4번은 한 달만 세면 됩니다. 이 네 개면 이후 어떤 개선도 숫자로 말할 수 있습니다.
측정 자체가 개선을 만듭니다
기록이 남기 시작하면 그전에는 보이지 않던 패턴이 드러납니다.
- 특정 SKU 조합에서 반복되는 오류 → 진열 위치 조정
- 특정 시간대 집중 → 인력 배치나 물량 분산
- 특정 공정 집중 → 그 라인의 작업 방식 점검
이건 시스템이 해주는 것이 아니라, 데이터가 있어야 사람이 할 수 있는 판단입니다.
자주 묻는 질문
클레임 사유를 정확히 분류하기 어렵습니다.
사유 코드를 단순하게 만드는 편이 낫습니다. 열 개 넘는 분류는 실무에서 대충 입력됩니다. 오품·초과·누락·파손·기타 다섯 개면 충분합니다.
목표 정확도를 몇 퍼센트로 잡아야 하나요?
업계 평균보다 자사 추이가 중요합니다. 지금 숫자를 기준선으로 두고 분기별 개선폭을 보시는 편이 실질적입니다.
B2B와 D2C를 함께 집계해도 되나요?
나누는 것을 권합니다. 오류의 성격과 발견 경로가 달라 섞으면 원인 분석이 어려워집니다.