TL;DR

• Fill Rate(주문 충족률)는 예측 정확도 지표가 아니라, 고객이 요청한 수량 중 실제로 얼마나 충족했는지 를 보는 공급망 운영 지표다.
• 수요 예측은 Fill Rate에 간접적으로 영향을 준다. 과소예측은 결품을 만들고, 과대예측은 과잉재고와 폐기 비용을 키울 수 있다.
• 이 노트에서는 quantity fill rate와 OTIF(On-Time In-Full)를 구분해서 사용한다.

Fill Rate

Fill Rate는 고객이 주문하거나 요구한 수량 중 실제로 충족된 수량의 비율을 나타내는 공급망 운영 지표다. 핵심 목적은 예측값과 실제값의 거리 측정이 아니라,  실제 수요를 재고와 공급으로 얼마나 충족했는지 확인하는 것이다.

$$\mathrm{FillRate}=\frac{\text{Quantity fulfilled}}{\text{Total quantity requested}}\times 100$$

분자는 실제로 충족된 수량이고, 분모는 고객이 주문하거나 요구한 총 수량이다. 이 노트에서는 이 일반 정의를 quantity fill rate로 다룬다.

예를 들어 특정 상품에 대해 1,000개의 주문 수요가 있었고, 재고 부족으로 950개만 출고했다면 Fill Rate는 95%다. 나머지 50개는 결품 또는 미충족 수요로 해석된다.

Fill Rate와 OTIF 구분

Fill Rate는 기본적으로 “수량을 얼마나 충족했는가”를 본다. 반면 OTIF(On-Time In-Full)는 “정해진 시간에, 주문 수량을 온전히 충족했는가”까지 본다.

예를 들어 100개를 주문받아 92개를 출고했다면 quantity fill rate는 92%다. 하지만 약속 시점에 온전히 도착한 수량이 88개라면 OTIF 관점의 충족률은 88%가 된다.

따라서 Fill Rate를 사용할 때는 quantity fill rate인지, order fill rate인지, 또는 on-time in-full 조건을 포함한 지표인지 명시해야 한다.

예측과의 관계

Fill Rate는 예측 정확도 지표가 아니다. 예측값과 실제값의 차이를 직접 계산하는 MAE, WAPE, Forecast Bias와 달리, Fill Rate는 실제 운영에서 고객 주문을 얼마나 충족했는지를 본다.

다만 수요 예측은 Fill Rate에 간접적으로 영향을 준다. 과소예측은 재고 부족과 결품을 유발해 Fill Rate를 낮출 수 있고, 과대예측은 Fill Rate를 높게 유지할 수는 있지만 과잉재고와 폐기 비용을 키울 수 있다.

예측값을 준비 재고로 해석하면, 다음처럼 예측 기반 충족률을 근사할 수 있다.

$$\mathrm{ProxyFillRate}=\frac{{\sum }_t\min ({\hat{y}}_t,y_t)}{{\sum }_t{y}_t}$$

여기서 $y_t$는 고객이 실제로 주문한 수량이고, ${\hat{y}}_t$는 예측을 바탕으로 미리 준비한 공급량이다. 분자의 $\min ({\hat{y}}_t,y_t)$는 준비된 공급량과 실제 주문량 중 실제로 충족 가능한 수량을 의미한다.

단, 이 값은 실제 Fill Rate가 아니라 예측 기반 근사치다. 실제 운영에서는 재고 이월, 리드타임, 보충 주기, 물류 제약 등이 함께 작용한다.

수요 예측에서의 사용

• 재고·발주 문제에서 과소예측으로 인한 결품 위험을 감시할 때 유용하다.
• 판매량 예측을 공급 계획과 연결할 때 운영 해석이 쉽다.
• SKU, 매장, 일자 단위로 나누어 보면 전체 수치에 가려진 결품 문제를 찾을 수 있다.
• 과대예측으로 생기는 폐기·과잉재고 비용은 별도 메트릭으로 봐야 한다.

예를 들어 SKU A에서 요청 1000개 중 980개를 충족하면 Fill Rate는 98%이고, SKU B에서 요청 50개 중 25개를 충족하면 50%다. 두 SKU를 합산하면 전체 Fill Rate는 다음과 같다.

$$\frac{980+25}{1000+50}\approx 95.7\%$$

전체 Fill Rate는 95.7%로 좋아 보이지만, SKU B의 심각한 결품 문제는 가려질 수 있다. 따라서 전체 Fill Rate는 총량 관점의 운영 성과를 보여주지만, 세부 품질을 보려면 SKU, 매장, 일자 등으로 나누어 확인해야 한다.

한계

• 과대예측이나 초과 공급으로 생기는 비용은 Fill Rate에 직접 반영되지 않는다.
• Fill Rate만 높이려 하면 과잉재고를 감수하는 전략이 유리해질 수 있다.
• 예측 정확도 자체를 평가하는 지표가 아니므로 모델 비교에는 단독으로 쓰기 어렵다.
• 재고 부족이 있었던 경우, 관측 판매량은 실제 수요가 아니라 “재고가 있어서 팔 수 있었던 수량”일 수 있다. 이 값을 분모로 쓰면 결품이 있었는데도 Fill Rate가 높게 계산될 수 있다.
• 집계 수준이 너무 크면 특정 SKU, 매장, 일자에서 발생한 결품이 전체 Fill Rate에 가려질 수 있다.
• 실제 운영에서는 Forecast Bias, WAPE, 폐기율, 재고 비용과 함께 봐야 한다.

---

Connections

• Forecast Bias — 과대예측/과소예측 방향성을 본다.
• WAPE — 전체 수요 대비 절대 오차를 본다.
• MAE — 원래 단위의 평균 절대 오차를 본다.
• SKU (Stock Keeping Unit) — Fill Rate를 어떤 상품 단위에서 볼지 결정한다.

Related MOCs

• [[MOCs - Time Series Forecasting Metrics]]