“자기 전에 결제한 2,000원짜리 식빵, 아침에 일어나자마자 택배 뜯었습니다”
전날 밤 11시 전에만 주문하면 다음 날 오전 7시 전까지 새벽배송을 해주는 ‘마켓컬리’의 사례입니다. 이외에도 쿠팡, SSG 등 새벽배송 시장의 규모는 매년 증가하고 있는데, 빠른 배송도 놀랍지만 이면에 더 놀라운 건 바로 ‘물류’입니다. 고객이 식빵을 주문할 것을 어떻게 알고 재고를 준비했을까요? 이는 데이터에 기반하여 고객이 어디에 사는지, 언제 무엇을 얼마나 주문할지를 예측해 상품을 보관하는 창고 및 재고에 대한 의사결정이 이루어지기 때문에 가능한 일입니다.
생산된 제품이 소비자에 이르기까지의 보관, 유통, 운송 등의 과정을 물류라고 하는데요. 2020년 코로나19가 확산되면서 물류 분야의 트렌드에도 큰 변화가 있었습니다. 바로 클라우드, 빅데이터, 인공지능, 블록체인 등의 IT 인프라와 데이터를 활용한 물류 네트워크의 확장인데요. 도착지, 내용물 정보, 일정 등 매일 다양한 소스에서 방대한 양의 데이터가 축적되므로, 이를 얼마나 잘 활용하느냐가 물류 경쟁력의 큰 부분을 차지합니다. 이번 칼럼에서는 최근 다양한 산업 현장에서 빠르게 확산되고 있는 최적화 기술을 적용한 ‘물류 예측 및 운영 효율화’ 분석 사례에 대해 소개하겠습니다.
‘수학적 최적화’란 의사결정 상황을 수학적으로 모델링하고, 최선의 정답을 결정하는 과정입니다. 최적화 모형은 크게 목적함수, 제약조건, 결정 변수로 구성되는데요. 다양한 도메인에서 발생하는 복잡한 문제로부터 합리적인 의사결정을 할 수 있게 도와주기 때문에 제조, 물류, 금융, 에너지 등 이미 여러 분야에서 활용이 되고 있습니다.
기존에 많이 알려진 AI와 비교했을 때, AI는 과거의 경험을 바탕으로 트렌드를 파악하거나 추세를 예상해 대안을 제시하는 반면, 최적화는 현재 상황을 변수에 바로 대응하여 수학적으로 표현할 수 있습니다. 불확실성이 큰 음성인식, 이미지, 자율주행 등의 분야에서는 데이터에 기반한 기계학습이 유리하지만, 현재의 제한된 상황에서 최적의 정답을 찾는 분야에서는 수학적 최적화가 더 유리하다고 볼 수 있죠.
그럼 이러한 최적화 기술을 적용한 물류 운영 사례를 살펴보겠습니다. 공장에서 생산이 완료된 차량은 공장 → 출하장 → 탁송지를 거쳐 고객에게 전달됩니다. 이때 차량 이동 비용과 출하장 재고, 출하장 가동률 등은 물류 운영 원가를 결정하는 매우 중요한 요소인데요. 하루에 출하되는 약 2,000여 대의 차량이 출하장과 탁송지로 이동하며 발생하는 복잡한 경우의 수와 재고, 가동률 등의 제약 조건을 고려하여 최적의 물류 이동량을 도출하는 것이 분석의 핵심 과제였습니다.
2.1 수요 배분 최적화 모델
물류 운영 효율화 분석의 두 가지 최적화 모델 중, 첫 번째는 ‘수요 배분 최적화 모델’입니다. 목적은 예측 주문* 생산 차량 배치를 위해 탁송지별 수요를 예측하고, 출하장별로 물류를 균등하게 배분하기 위함인데요. 이를 위해 먼저 과거 수요 추세를 기반으로 탁송지별 예상 수요량을 추정합니다. 그리고 탁송지 예상 수요량과 비용, 가동률을 고려해 ➀출하장별로 물류를 분배한 후, ➁하루에 예상되는 출하 대수를 산출합니다.
* 예측 주문 : 미리 생산하고 주문이 들어오면 출하하는 방법.
고객 주문 : 고객에게 주문을 받고 생산하여 출하하는 방법.
2.2 차량 물류 최적화 모델
두 번째는 ‘차량 물류 최적화 모델’로 실제 재고 상황을 반영하여 최적의 물류 이동량(➀공장 → 출하장 이동대수, ➁출하장 → 탁송지 이동대수)을 결정하는 최적화 모델입니다. 앞서 설명한 목적함수와 제약을 활용해 조금 더 자세히 알아보겠습니다.
2.3 시나리오 비교 평가
이렇게 완성된 최적화 모델은 가중치를 부여해 다양한 시나리오를 생성할 수 있는데요. 시뮬레이션 검증을 통해 비교 평가를 거쳐, 최적의 시나리오를 도출하게 됩니다. 이번 분석에서는 가동률, 재고 초과, 재고 순환 주기 세 가지 가중치를 반영하여 다양한 시나리오를 생성했고, ➀비용, ➁가동률, ➂미출율*, ➃재고 등을 평가 지표로 활용했습니다.
* 미출 : 주문대로 출하를 시키지 못함.
2.4 분석 결과 및 기대 효과
평가를 통해 선택된 시나리오를 반영하여 분석한 결과, 아래와 같은 물류 운영 효율화 효과를 예상할 수 있었는데요. 현재 물류 운영에 있어 영향을 끼치는 다양한 제약 조건을 반영했기 때문에, 현실성 높은 물류 분석 결과를 도출할 수 있었습니다. 현재 개발된 최적화 모델은 물류 운영 업무에 지속적으로 활용할 수 있도록 ‘기아 국내 판매 시스템’을 통해 API 기반 최적화 서비스를 제공하고 있습니다.
소개해드린 사례 외에도 최적화 기술은 다양한 산업 현장의 의사결정에 활용되며, ‘only AI’가 아닌 새로운 기술 대안으로 자리 잡고 있는데요. 데이터가 부족한 상황에도 활용이 가능해 AI와 차별성이 있는 동시에, 비슷한 문제를 다른 관점으로 바라볼 수 있기 때문에 향후 상호보완적으로 발전해 나갈 가능성이 매우 높아 보입니다.
[참고] 2019, Entrue Journal of Information Technology Vol.17, 최적화-의사결정 지능화의 핵심기술
현대자동차그룹 박혜은 매니저
대충 살고 싶지만 가끔씩 열심히 사는 성실한 개미입니다. 쉽게 배우는 데이터 분석을 위해 글을 쓰고 있습니다.
HMG 저널 운영팀
group@hyundai.comHMG 저널에서 제공되는 정보는 크리에이티브 커먼즈(CCL) 2.0 정책에 따라 콘텐츠의 복제와 배포, 전송, 전시 및 공연 등에 활용할 수 있으며, 저작권에 의해 보호됩니다. 단, 정보 사용자는 HMG 저널에서 제공하는 정보를 개인 목적으로만 사용할 수 있습니다.
HMG 운영정책 알아보기