RT-O7은 단순 거점 평균 lead 예측이 아니라 채널 × 지역 × SKU의 3차원 시계열을 Transformer로 학습하여 향후 72시간 분포를 산출한다. 외부 시그널(프로모션 캘린더, 기상, 공휴일, 경쟁사 가격)을 결합해 컨텍스트를 풍부하게 만들고, 예측된 수요 분포를 선형계획(LP) solver에 넣어 거점간 사전 이동량을 결정한다.

첨두 시간대(Black Friday, 주말 저녁, 공휴일 직전)에 특정 거점이 품절되는 패턴을 사전 흡수하는 것이 목적이다. 4월 시범 운영에서 72h MAPE 11.4%, 거점별 품절률 38%(목표 50% 이하)를 달성했고, 사전 이동 화물량은 +24% 증가했지만 보유비용은 −26%로 균형을 맞췄다.

# Transformer 기반 채널×지역×SKU 수요 예측
model = DemandTransformer(
    input_seq_len = 168,     # 7일 시간별 이력
    output_seq_len = 72,     # 72시간 예측
    d_model = 128,
    n_heads = 8,
    n_layers = 4,
)
# 외부 변수: 프로모션 캘린더, 날씨, 공휴일, 경쟁사 가격
exogenous = ["mall_event", "weather", "holiday", "competitor_price"]
model.fit(history, exogenous=exogenous)
forecast = model.predict(horizon=72, quantiles=[0.1, 0.5, 0.9])

# 예측 수요 기반 거점별 최적 재고 이동
def preposition_inventory(forecast, node_inventory, transport_cost):
    # 선형계획으로 이동 비용 vs 품절 비용 균형
    prob = LpProblem("preposition", LpMinimize)
    x = LpVariable.dicts("move", edges, lowBound=0)
    s = LpVariable.dicts("stockout", nodes, lowBound=0)
    # 목적: 예상 품절 비용 + 이동 비용 최소화
    prob += lpSum(x[i,j] * transport_cost[i,j] for (i,j) in edges)
            + lpSum(s[n] * stockout_penalty[n] for n in nodes)
    # 제약: 각 노드 도착 재고 ≥ 예측 수요
    for n in nodes:
        prob += node_inventory[n] + lpSum(x[i,n] for i in nodes) \\
            - lpSum(x[n,j] for j in nodes) + s[n] >= forecast[n]
    return solve(prob)

예) 라이브커머스 + 주말 + 우천 동시 발생 시 mall(.35) + weather(.25) + holiday(.15)이 전부 가산되어 예측 평균이 기준 대비 +210%로 튄다. 이 경우 LP solver가 인접 거점 4곳에서 약 220 pal을 사전 이동시켜 첨두 시간 품절률을 38%로 억제한다.

mall_event 단일 변수가 예측 변동의 35%를 설명한다. 시그널 누락 시 fallback은 동일 요일·시간대 평균값을 사용하지만 MAPE가 약 4%p 악화되어 외부 API 모니터링이 별도 운영 항목으로 분리되어 있다.