기계 학습 기반의 리드 타임 인사이트를 통해 공급 계획 정확성 개선하기

이 글은 Amazon Supply Chain and Logistics에 게시된 ‘Improve supply planning accuracy with machine learning-based lead time insights’을 한국어로 번역 및 편집하였습니다.

역동적인 현대 시장에서 공급망을 관리하는 것은 쉬운 일이 아닙니다. 기업은 빠르게 변화하는 소비자 수요, 기술 발전, 경제 변동성 등을 고려해야 하며, 이 과정에서 수요와 공급의 균형이 깨지고 운영의 복잡성이 증가할 수 있습니다. 예를 들어, 공급망 관리에서는 제품의 공급 수량(원자재 또는 구성품) 을 산정하는 프로세스가 매우 중요합니다. 이때 일반적인 방법으로 공급망 관리자는 과거 수량의 평균 또는 정적 리드 타임 데이터를 활용합니다. 다음으로 계획자는 일정 비율을 추가하여 안전 재고를 산정하는 데, 리드 타임의 변동 및 물류 지연을 배제하는 경우, 초과 재고 또는 재고 부족을 야기할 수 있습니다. 맥킨지 앤 컴퍼니 (McKinsey & Company)에 따르면, 2022년에 소매업체들은 재고 부족을 완화하기 위해 재고를 과다 구매했고, 이로 인해 판매되지 않은 재고는 12% 증가한 7,400억 달러를 기록하였습니다. 만약 기업이 기계 학습 (ML) 기반의 공급 계획 프로세스를 채택한다면 동적으로 변화하는 조건과 추세에 맞춰 데이터 기반 예측 공급 계획 모델을 사용할 수 있습니다. 가트너는 2026년까지 상용 공급망 솔루션의 75% 이상이 고급 분석 (AA), 인공 지능 (AI), 데이터 과학 또는 기계 학습 (ML) 기반 기능을 표준 프로세스에 통합할 것으로 예측하고 있습니다.

이 블로그 게시물에서는 용도에 맞게 구축된 클라우드 기반 애플리케이션인 AWS Supply Chain이 ML 기반 리드 타임 변동 탐지를 사용하여 계획의 정확성을 개선하는 방법을 설명합니다. 이를 통해 기업은 고객 만족도를 유지하면서 더 나은 비용 관리 전략을 구현할 수 있습니다. 2 가지 공급 계획 접근 방식인 전통적인 접근 방식과 ML 기반 접근 방식의 차이점에 대해 배우고 ML 기능을 활용해 정확도를 높이는 방법에 대해 알아봅니다.

ML 기반 리드 타임 계산 방법과 기존 방법과의 비교

두 공급 계획 접근 방식의 차이점을 이해하기 위해 일반적인 소비재 판매 기업의 수치 예시를 확인해보겠습니다. 아래 그래프는 기존 방식(주황색 선)과 ML 기반 공급 계획 방법(파란색 선)을 사용한 재고 계획을 나타냅니다. 검은색 선은 아웃바운드 주문 수량에서 발생하는 월별 수요를 나타냅니다. 주황색 선은 기존 방식인 정적 또는 평균 리드 타임을 사용하여 계산된 재고 수준을 나타냅니다. 이때 계절적 수요를 포함한 다양한 변수로 인해 그래프의 큰 변동이 발생할 수 있으며, 이로 인해 일부 달에 재고 과잉 혹은 재고 부족을 발생시킬 수 있습니다. 따라서 공급 계획자는 재고를 과대 추정하거나 줄이는 방법으로 공급 계획을 수동 조정해야 하는 데, 이 접근 방식은 효과는 있지만 계획자가 모델을 조정하는 데 많은 시간을 소비하게 되고 여러 노력에도 재고가 결국 초과될 경우, 비용으로 이어질 수 있습니다.

반면, 파란색 선은 ML 기반 방법을 사용하여 계산된 월별 재고 수준을 나타냅니다. ML 알고리즘은 요일 (배송 일정), 출하량 (과거 물량), 운송 경로 (출고처, Incoterms 등) 와 같은 주요 제품 특성을 사용하여 모델을 분석하고 지속적으로 학습하여 예측 모델을 훈련합니다.

이 접근법은 과거 및 현재 거래 (예: 미결 주문 및 배송) 데이터를 모두 사용하여 예상 리드 타임 예측치를 낮은 (P10), 중앙값 (P50) 및 높은 (P90) 신뢰 구간으로 결정합니다. 중앙값 (P50)은 예상 배송일을 나타내고 낮은 값 (P10)과 높은 값 (P90)은 최상의 제품 배송 시나리오와 최악의 제품 배송 시나리오를 평가하는 데 도움이 됩니다. 여기서 파란색 선은 중앙값(P50)을 사용하였습니다.

다음으로 수요-공급의 분산치(dispersion) 비교를 통해 두 접근법의 차이를 비교할 수 있습니다. 수요-공급 분산이란 예상 수요와 계획된 재고 레벨 간의 차이를 뜻하고 매월 추적되는 데이터입니다. 그래프의 x축은 1년 중 1월부터 12월까지의 달을 나타냅니다. y축은 예상 수요와 계획된 재고의 차이를 나타내며 음수 15에서 양수 25까지의 숫자를 나열합니다.

공급이 수요와 완벽하게 일치하는 이상적인 시나리오에서는 분산 값이 0이며, 이는 검은색 해시선으로 표시되어 있습니다. 먼저 주황색 선은 기존 계획 방법인 평균 리드 타임을 사용했을 때의 분산 값을 나타냅니다. 파란색 선은 ML을 사용할 경우의 분산 값을 나타냅니다.

기존 접근 방식 (주황색 선) 의 분산치는 양수든 음수든 중요한 내용을 시사합니다. 분산 값이 양수라면 재고가 수요보다 높은 재고 과잉 상황을 나타내는데 이는 과도한 수준의 운영 자본을 요하며, 재고가 부패하기 쉽거나 계절에 따라 달라질 경우에는 추가적인 위험을 초래합니다. 분산 값이 음수라면 재고 부족 상황을 나타내고 이는 고객 손실, 매출 누락,  만족도 저하로 이어질 수 있습니다. 반면, ML 기반 접근 방식 (파란색 선) 은 분산을 줄이면서 보다 정확한 공급 계획을 제공합니다. ML 모델은 적응형으로 더 많은 정보가 수집될수록 더 높은 정확도를 보여줍니다.

AWS Supply Chain을 통한 ML 기반 리드 타임 변동 탐지

AWS Supply Chain은 ML 기반 알고리즘을 사용하여 리드 타임 변동성 감지를 지원하는 비즈니스 애플리케이션입니다. 이 애플리케이션은 미결 주문 및 배송과 같은 과거 거래 및 미결 거래를 고려합니다. 또한 ML 알고리즘은 계절성, 제품 특성, 공급업체 특성, 출발지 사이트 등의 추가 변수를 통합하여 모델을 지속적으로 학습시킵니다. 애플리케이션은 정의된 매개변수 및 조건에 맞게 거래를 모니터링하고 예상 리드 타임과 예상 배송일 (신뢰 수준 포함) 을 결정합니다. AWS Supply Chain은 예상 리드 타임과의 차이를 계산하고, 이 차이가 사용자가 정의한 허용 범위 (표준 편차) 를 초과하는 경우, 새로운 예상 리드 타임을 제안합니다. 이 ML 기반 리드 타임 변동성 감지 기능을 통해 공급 계획자는 수요를 충족할 수 있는 적절한 재고 수준을 자신 있게 유지할 수 있습니다.

감시 목록으로 리드 타임 편차 인사이트 추적하기

AWS Supply Chain은 사용자의 공급망 네트워크를 모니터링하고 주문, 배송, 재고 이동과 같은 트랜잭션 데이터로부터 학습합니다. 사용자는 감시 목록을 사용하여 리드 타임 편차를 추적하기 위한 표준 편차 및 과거 기간과 같은 조건과 함께 제품, 위치 또는 이 둘의 조합과 같은 특정 파라미터를 정의할 수 있습니다.

사용자는 모니터링할 특정 기준과 엔티티를 제공하여 감시 목록을 생성합니다. AWS Supply Chain 애플리케이션에서 Create an Insight Watchlist (인사이트 감시 목록 생성)을 선택하고 주요 파라미터를 입력할 수 있는 다음 화면으로 이동합니다. 먼저 제품, 위치 또는 이 둘의 조합을 선택합니다. 그런 다음 리드 타임 표준 편차 (리드 타임 차이의 허용 범위) 와 시간 간격을 입력하여 리드 타임 데이터를 추적합니다. 감시자를 추가하여 이 감시 목록을 다른 사용자와 공유할 수 있습니다.

아래의 스크린샷은 지정한 기준을 위반하는 제품에 대해 경고하는 Insights 대시보드 화면을 보여줍니다. 이 대시보드는 감시 목록에 추가한 사용자들과 공유됩니다. 대시보드는 특정 제품이 기준 위반을 경고할 경우 빨간색 상자로 표시됩니다. 예를 들어, 아래 대시보드는 Dallas DC에서 Deluxe Styler의 리드 타임 편차를 경고합니다.

사용자는 특정 박스를 선택하여 편차에 대한 자세한 내용을 제공받을 수 있습니다. 아래 화면에는 주어진 정보를 기반으로 계산된 예상 리드 타임(Expected)과 과거 내역 및 ML을 기반으로 계산된 권장 리드 타임(Recommended)이 표시됩니다.

위 화면에서 ML은 과거 및 예상 실적을 모델링하여 5일 예상치 대신 19일의 예상 리드 타임을 권장합니다. 또한 애플리케이션은 과거 퍼포먼스 데이터를 기반으로 공급업체가 해당 시점에서 100% 의 실패 빈도를 보였다고 보고합니다. 또한 인사이트를 통해 진행 중인 구매 주문의 예상 성과를 볼 수 있습니다.

아래의 스크린샷은 진행 중인 구매 주문을 보여 주며 공급자, 제품 및 수량을 나열합니다. 아래 화면에는 조정된 리드 타임에 따른 예상 입고 날짜와 신뢰도가 낮은 날짜 및 높은 신뢰도가 표시된 날짜가 표시됩니다. 이 날짜는 과거 실적을 기반으로 한 통계 모델링을 고려하여 배송 범위를 제공합니다.

다른 팀원과의 협업

협업은 공급망 관리의 핵심 기능입니다. 공급 계획 변경 시, 다른 팀과의 조정 및 협업이 필요합니다. 일반적으로 공급 계획 조정과 관련된 커뮤니케이션은 이메일이나 전화 통화를 통해 이루어집니다. 이 접근 방식은 효과가 있지만 문제 해결에 지연이 가중되고 대화 중에 상황에 따른 오류가 발생할 수 있습니다. AWS Supply Chain에는 협업 도구가 내장되어 있어 팀 구성원이 애플리케이션을 떠나지 않고도 채팅을 통해 문제를 논의하고 해결할 수 있습니다. 채팅에 참석한 사용자들은 채팅 화면을 통해 위 예시와 동일한 뷰를 볼 수 있으므로 의사소통과 문제 해결이 더 빠르게 이루어질 수 있습니다.

결론

현대 시장의 역동적인 특성 때문에 공급 계획 전략에는 진화가 필요합니다. 정적 데이터와 평균 리드 타임에 의존하는 전통적인 방법은 계산 오류, 재고 과잉, 재고 부족 및 불필요한 비용으로 이어질 수 있습니다. 공급 계획에 기계 학습을 구현하면 정확도가 향상되고 수요-공급 분산이 줄어듭니다. ML은 공급업체 리드 타임 이상을 탐지하여 계획을 개선하고 효과적인 위험 완화 조치를 취합니다. 탐지 및 조정도 실시간으로 이루어지므로 효율적이고 민첩한 공급망이 보장됩니다. 지속적으로 개선되는 공급망 가시성을 통해 병목 현상과 잠재적 장애를 식별할 수 있으며, 의사 결정 속도를 높임으로써 운영에 영향을 주지 않고 잠재적 문제를 신속하게 완화할 수 있습니다.

이러한 개선을 통해 고객 수요를 효과적으로 해결하고 시장 및 환경 변화에 적응하며 운영 비용을 절감할 수 있어 공급망 탄력성이 향상됩니다. ML 기반 리드 타임 편차에 대한 인사이트를 사용하려면 AWS Supply Chain을 방문하여 자세히 알아보고 시작하십시오. 또한 AWS Workshop Studio를 방문하여 인스턴스 생성, 데이터 수집, 사용자 인터페이스 탐색, 인사이트 생성, 인벤토리 위험 완화, 다른 사용자와의 협업, 수요 계획 생성에 대한 내용을 확인하십시오.