물류 풀필먼트 센터 B2C 사전포장 예측모델 구현

물류 풀필먼트 센터에서 댜양한 채널을 통한 B2C의 물동량은 지속적으로 증가되고 있고, 물동량 증가에 따른 업무속도 및 피킹 및 포장에 대한 작업 생산성 증가가 그 어느 때 보다 필요한 시점이다. 

물동량 증가에 따른 첨단 설비 도입이 필요하다. 자동화 로봇이 아니더래도 PAS,DAS,DPS,Sorter 등 자동화 설비의

도입을 적극 검토하고 있지만, 고가의 비용 이슈 뿐만아니라 물류센터의 형태, 크기, 취급 품목 등에 따라 설비도입이

어려운 경우가 많아 그 고민이 깊어지고 있다.

따라서 대부분의 B2C를 취급하는 물류센터 에서는 물동량 증가에 따라 작업자를 비례하여 증가 시킬 수 밖에 없는데,

물동량 변동에 따라 원하는 수만큼의 작업자 수급이 어려울 뿐더러, 작업자의 숙련도 차이로 투입한 작업자 수 만큼

작업 생산성이 증가되지 않고 있어 현장에서는 B2C택배 물량 처리에 많은 공수와 어려움이 현장에서 있다.

이번 라운드랩이라는 브랜드를 보유하고 있는 화장품 전문 제조업체인 서린컴퍼니 물류시스템 구축에서도 동일한 고객의 고민이 있었다. 

서린컴퍼니에서는 에서는 전문적으로 훈련되고 경험이 많은 숙련된 물류 작업자들이 있어, 출고주문 패턴을 보고

사전피킹을 하고 있었고, 그 예측이 크게 벗어나지 않아 사전포장 프로세스가 안정화 되어 있었다. 허나, 최근 1년간

물동량이 폭팔적으로 증가하고 새로운 브랜드가 두개나 늘어나면서 주문량 증가 및 SKU증가에 따라 사전포장의 예측

성공률이 점차 낮아지고 있는 추세였고, 예측에 실패한 사전포장된 박스를 재 해체하는 이중작업으로 오히려 작업량이

증가하는 현상까지 생기게 되었다. 

이번 서린컴퍼니는 새로은 WMS(물류센터 관리 시스템)을 새롭게 도입하면서 머신러닝을 통한 사전포장 작업데이터를

생성하는 기능을 구현하게 되었다. 사전포장을 하기 위한 예측모델은 일반적으로 몇가지 가 있다. 

1. 시계열 에측 모델 : 시계열 예측은 시간에 따른 패턴과 트렌드를 기반으로 미래 값을 예측하는 데 사용된다.

2. 회귀분석 모델 : 회귀 분석은 독립 변수와 종속 변수 간의 관계를 모델링하여 예측을 수행합니다.

    출고 데이터에서 다양한 변수(예: 주문량, 고객 속성, 상품 특성 등)를 고려하여 예측 모델을 구축할 수 있다.

3. 신경망 기반 모델 : 신경망은 복잡한 비선형 관계를 모델링할 수 있는 강력한 도구이다.

    LSTM(Long Short-Term Memory) 신경망은 시계열 데이터에 특히 효과적인 모델이다.

4. 그래디언트 부스팅 모델 : GBoost나 LightGBM과 같은 부스팅 모델은 여러개의 결정 트리를 조합하여 예측을 수행하며,      트리 기반 모델의 강점을 가지고 있다. 출고 데이터의 다양한 특성을 활용하여 예측 모델을 구축하고, 변수의 중요도를        추정할 수 있는 특징이 있다.

 

이번 서린컴퍼니에서 도입한 사전포장 예측 모델은 머신러닝에 기반한 앙상블 모델(Ensemble Models)이다.

앙상블 모델은 여러 개의 기본 모델을 조합하여 예측을 수행하는 모델입니다. 랜덤 포레스트(Random Forest)나

그래디언트 부스팅(Gradient Boosting)와 같은 

앙상블 모델은 다양한 속성을 고려하여 출고 제품 예측을 향상시킬 수 있는 장점이 있어, 출고데이터에 의한

사전포장 예측모델을 구현하기 위한 가장 적합한 모델로 판단되어 선정되었다.

앙상블 모델을 구현하기 위한 머신러닝 프레임워크는 분산컴퓨팅을 지원하는 Apache Spark 를 활용 하여 대용량의

데이터를 효율적으로 처리 할 수 있도록 했으며, 머신러닝 모델 훈련과 예측을 분산환경에서 수행할 수 있는 장점이 있다.

MLib를 사용하여 출고데이터를 기반으로 다양한 알고리즘과 데이터 전처리 기능과 함께 사전포장에 필요한 예측 모델을 구현하였다.

적용된 ML Library는 LinearRegression(선형 회귀모델 분석)과 RandomForestRegressor(랜덤 포레스트 회귀)이다.

특히 하이퍼파라미터(Hyperparameters)는 모델 학습 과정 중에 사용자가 직접 지정해야 하는 매개변수 인데, 대량의 학습데이터와 테스트 데이터를 검증을 통해 최적의 값을 튜닝하여 그 예측정확도를 한층 올리게 되었다.

 

서린컴퍼니는 이번 WMS 도입을 통하여 그 동안 어려움을 겪었던 B2C 출고물량에 대해서 특정 요일과 시간에 작업량이 집중되었던 업무를 사전포장 예측데이터를 통해 포장작업의 로드발렌싱을 통해 작업자별 평균 처리량은 평균 46~60%

이상, 예측 정확도는 37% 이상 향상되게 되었고 향후 물량이 많아지고 복잡도가 증가함에 따라 단위 시간 작업자별 물동량 처리량과 사전포장 예측 정확도는 더욱더 향상될 전망이다.