Logistics Intelligence의 정의
물류분야는 전통적으로 주어진 계획에 따라 차질없이 실행에 옮기는 것에 초점을 맞추어 왔다. 즉 물류실행은 기업의 SCM영역에서 설정한 계획에 따라 필요한 자원을 준비하고 고객이 요구하는 서비스를 정확한 시간에 제공하는 것을 목적으로 했다. 하지만 아무리 정교한 SCM 계획이라 해도 실행과정에서 어느정도 변경은 항상 발생한다.

따라서 물류서비스의 수준을 올리기 위해서는 한치도 틀리지 않는 SCM계획의 수립을 요구하기보다 물류실행에서 어느정도 여유를 갖고 대응하는 것이 현실적인 대안이 되었다. 하지만 어느정도의 여유자원이 원활한 물류실행을 위한 전제조건이 되는지, 그리고 물류에서 어느정도까지 대응해야 할지에 대한 의문이 끊임없이 제기되었다.

Logistics Intelligence는 이러한 요구에서부터 시작되었다. 기업의 경영활동에서는 다양한 형태의 데이터가 발생한다. 과거 적절히 활용되기 어려웠던 데이터는 정보기술(information technology)의 발전에 따라 과학적 분석기법을 적용하여 실시간적으로 경영활동에 필요한 정보를 생성하는 것이 가능하게 되었다. 이를 ‘Business Intelligence’라고 한다.

Business Intelligence가 목표로 하는 고객은 주로 기업의 최고경영자층이며, 전략적인 의사결정을 보조하기 위한 정보의 제공에 초점을 맞추고 있다. Logistics Intelligence는 물류현장에서 발생하는 실시간 데이터를 바탕으로 물류운영에 꼭 필요한 실시간적인 의사결정을 지원한다. 따라서 정보의 제공주기는 Business Intelligence에 비해 단기적이며, 의사결정의 범위 역시 물류분야에 국한된다.

Logistics Intelligence의 요구는 이미 다양한 분야에서 표출되고 있다. DHL은 글로벌 물류운영의 불확실성에 능동적으로 대처하기 위해 ‘Resilience 360’이라는 서비스를 시행하고 있다. 이는 지진이나 홍수와 같은 자연재해부터 각 지역의 도로교통상황까지 동시에 고려하여 향후 발생할 수 있는 다양한 물류 제약요소에 대한 선제적 대응을 목적으로 하고 있다.

향후 Logistics Intelligence는 물류현장에서 주어지는 다양한 데이터를 대상으로 적절한 분석을 통해 현장맞춤형 물류 의사결정 지원서비스를 제공하는 핵심적 역할을 수행할 것으로 예상된다.

물류실행영역에서 발생하는 정보는 정보의 방향에 따라 인바운드 정보(inbound information)와 아웃바운드 정보(outbound information)으로 나누어진다. 인바운드 정보는 주문정보와 같이 자재흐름(material flow)을 일으키는 정보로, 생성주체는 거래처인 경우가 많다. 반면 아웃바운드 정보는 자재흐름을 실행하기 위해 기업 내부에서 생성되는 정보라고 할 수 있다.

물류실행 시 고객으로부터 주어지는 인바운드 정보는 높은 수준의 정제화된(purified) 정보로 구성된다. 즉 사전에 정의된 데이터 포맷에 맞춰 주어지는 정보이므로 데이터의 양은 상업적 데이터베이스로 충분히 처리 가능한 정도가 일반적이다. 따라서 빅데이터 분석기법보다는 데이터 마이닝만으로도 충분한 분석이 가능하다.

반면 아웃바운드 정보는 물류실행 시 생성되는 정보이기 때문에 각 물류실행업체의 업무역량에 따라 다양한 형태의 정보가 생성된다. 하지만 고객에게 제공되는 정보는 주로 사전 계약에 의해 정의되는 경우가 대다수이며, 그 내용에 커다란 차이는 없다. 하지만 인바운드 정보는 물류자원의 조달(sourcing)을 일으키고, 아웃바운드 정보는 조달된 물류자원의 사용(consumption)으로 나타난다.

주목해야 할 내용은 조달된 물류자원이 100% 소비로 이어지는 경우는 흔치 않다는 사실이다. 앞에서 언급한 바와 같이 물류실행을 일으키는 SCM계획은 항상 변경의 가능성이 존재하며, SCM계획의 변경은 필연적으로 계획된 물류자원의 과소/과다로 이어진다. 지금까지 계획과 실행 간의 격차(gap)로 인해 발생하는 물류자원의 과부족/과잉은 피할 수 없는 손실(loss)로 이어졌으며, 이는 지속적인 물류비 상승의 커다란 원인 가운데 하나로 지적되어 왔다.

Logistics Intelligence는 이러한 물류실행에서 흔히 나타나는 편차(gap)의 제거를 목적으로 하는 솔루션이다. 편차가 생기는 가장 큰 이유는 SCM계획에서 주어진 인바운드 정보에 차이가 존재하기 때문이다. 즉 SCM계획은 고객의 수요예측을 기반으로 생산량을 결정하는 구조를 갖는다. 수요예측에서 오차는 항상 존재하는 것이나 수요예측 기간이 짧을수록 수요예측의 오차가 줄어드는 경향이 있다. 하지만 물리적으로 리드타임이 존재하기 때문에 무한정 수요예측의 시점을 줄이는 것은 불가능하며, 일단 리드타임기간 이전에는 발주가 이루어져야 하므로 수요예측의 오차는 피할 수 없다.

편차가 발생하는 두 번째 이유는 SCM계획과 물류실행 간의 주기 불일치를 들 수 있다. 물류실행은 주로 근무조를 단위로 계획이 수립되는 것이 일반적이다. 즉 이번 근무조가 처리해야 할 물량이 사전에 주어지고, 해당 물량에 대해 필요한 물류자원을 사전에 준비하는 것이 일반적이다. 반면 SCM계획은 근무조보다는 넓은 주기를 갖고 수립되는 것이 일반적이다. 물리적인 리드타임의 존재로 인해 SCM계획은 주단위(weekly)계획의 수립이 자주 관측된다. 따라서 주단위로 주어진 SCM계획에 대해 일단위 물류실행이 이루어진다면, 주단위 SCM계획을 일단위 물류자원수요로 변환시키는 것이 필요하다. 이를 ‘Demand Profiling’이라 한다.

Demand Profiling 솔루션은 예측된 수요정보를 일정한 기준에 따라 배분하는 기능을 제공한다. 예를 들어 네트워크 구조를 갖는 유통점의 경우, 유통점의 수요는 각 네트워크에 소속된 최종 소매점의 수요의 합계로 표현된다. 하지만 특정지역의 수요 정보를 알았을 때, 그 지역에 존재하는 개별 소매점의 수요로 나누어야 한다면 Demand Profiling은 유용하게 사용된다. 또 Demand Profiling은 시계열 데이터의 분리에 사용될 수 있다. 즉 주단위로 주어진 주문정보를 실제 일단위 주문으로 변경해야 할 필요가 있을 때 Demand Profiling은 도움이 된다.

수요와 관련하여 Demand Sensing에 대해 주목할 필요가 있다. 수요예측은 주로 계량경제학(econometrics) 기법을 이용했다. 하지만 계량경제학 기법은 수요예측의 오차와 관련해서 유효한 분석을 제공하기 어려웠다. 하지만 POS(point of sales) 데이터 등 고객관련 데이터의 입수가 가능해지면서 수요예측 오차에 대해 데이터 마이닝 기법을 활용하여 오차의 발생원인을 규명할 수 있게 되었다. 그 결과 수요예측의 정확도가 향상되는 효과를 가져왔다. Demand Sensing은 다양한 경로의 고객 수요정보를 바탕으로 기존 통계기법으로는 한계가 있었던 수요예측의 기법을 기계학습(machine learning)을 바탕으로 수행하는 것을 말한다.

그런데 물류비용과 관련해서 가장 큰 비중을 차지하는 것은 수송비이다. 따라서 수송관련 물류자원의 배분은 반드시 최적자원배분의 관점에서 이루어져야 한다. 수송비 절감을 위해 주로 고려되는 것은 전략수준의 물류네트워크 최적화, 그리고 운영수준의 차량 경로최적화를 들 수 있다. 차량 경로 최적화는 물류실행과 밀접한 관련을 갖는다. 경로최적화를 통한 차량배차계획은 판매물류에서 물류계획의 근간을 이룬다. 하지만 조달물류는 일정한 거래처를 대상으로 하는 순회집하가 일반적이기 때문에 매일 수요가 변경되는 판매물류에 비해 수요의 변동폭이 좁으며, 계획수립의 난이도가 판매물류에 비해 낮다. 차량 경로최적화는 일반적으로 단일 최적화를 구하기 어려우며, 주로 근사해 기법(heuristics)을 사용해 문제를 해결한다.

물류네트워크 최적화는 선택가능한 물류거점의 위치를 비용최소화 관점에서 수리계획법(mathematical programming)을 사용해서 대안을 제시한다. 선택가능한 시나리오 형태로 물류네트워크를 상정하고, 각 시나리오 별로 최적화된 비용을 계산한 후 가장 좋은 시나리오를 대안으로 선정한다. 하지만 대부분의 기업은 빅뱅(Big Bang)으로 물류네트워크를 설정한다기 보다 최초 사업 시작 시의 네트워크에 이어붙이는(augment) 방식으로 물류네트워크를 성장시킨다. 따라서 일정 주기별로 물류네트워크에서 주요한 역할을 하는 물류센터 혹은 생산시설의 입지가 현재 수요를 충족하기에 적정한 위치에 있는지를 끊임없이 점검해야 할 필요가 있다. 이러한 고객의 요구는 네트워크 재설계(network redesign)를 통해 달성할 수 있다.

최적화된 물류네트워크가 설정되면 각 물류구성원 가운데 어느 물류거점에 재고를 위치시켜야 하고 재고수준은 어느정도가 적절한지 결정해야 한다. 이를 다계단 재고최적화(multi-echelon inventory optimization)라고 한다. 전통적으로 재고최적화는 단일 거점의 재고량 결정문제를 중심으로 연구가 진행되었지만, 90년대 공급망관리(supply chain management)가 유행하면서 물류네트워크에서 재고의 위치와 재고수준 문제는 물류환경에서 주요한 의사결정 문제로 등장하게 되었다.

삼성SDS의 ‘Cello Intelligence Suite’와 ‘Cello Square’
삼성SDS는 고객의 다양한 Logistics Intelligence 관련 요구사항을 충족할 수 있는 ‘Cello Intelligence Suite’를 제공하고 있다. Cello Intelligence Suite는 삼성SDS의 글로벌 물류BPO사업을 통해 축적된 경험에 기반한 솔루션으로, 물류현장의 목소리를 바탕으로 개발되었다. Cello Intelligence Suite는 전략적 Logistics Intelligence를 지원하기 위해 Demand Sensing, Inventory Optimization, Profit Optimization 모듈을 제공하고 있으며, SCM계획과 실행의 통합을 지원하는 GLMP(global logistics master planning)로 구성되어 있다.

GLMP는 수요정보의 분리를 담당하는 Demand Profiling 모듈과 경로최적화를 담당하는 Route Planning 그리고 물류자원의 최적배분문제를 담당하는 Resource Planning으로 구성되어 있다. Route Planning은 주어진 물류주문을 순회배송하는 차량에 할당하는 로직을 포함하고 있는데, 모든 수립된 차량경로 계획은 실제 해당 차량에 주문품목의 적재 가능성 여부를 점검하는 Loading Simulation 모듈을 포함한다.

더불어 삼성SDS는 이러한 SCM과 물류실행의 각종 정보활용 능력을 물류업계 전반에 확산시켜 화주와 물류업체 간 상호 윈윈(Win-Win)할 수 있는 물류 생태계 구축을 지원하고자 최근 개방형 글로벌 물류 플랫폼 ‘Cello Square’를 오픈하였다.

Cello Square는 물류 실행 및 협업·커뮤니케이션에 특화된 서비스를 제공하는 혁신적 플랫폼으로, 대표적인 서비스인 ‘베스트 매치(Best Match)’는 화주가 출도착지, 일정 등 조건을 입력하면 물류실행사가 제공한 데이터를 기반으로 요청에 가장 부합하는 운임 및 운송 스케줄을 추천해주고, 화물의 예약(Booking) 요청 및 추적(Tracking) 등의 물류업무를 실행할 수 있도록 지원한다.

또한 화주와 물류실행사 간 자유롭게 직거래를 할 수 있는 온라인 마켓, 전 세계 국가 수출입 통관 정보와 관세·내국세를 계산하는 ‘Customs Library’ 기능 및 각종 물류 정보 공유를 위한 협업·커뮤니케이션 서비스도 제공한다.

이렇듯 삼성 SDS는 IT 신기술이 집약된 물류솔루션인 Cello와 다년간 축적된 글로벌 물류 운영 역량을 바탕으로 기업들에게 미래 물류 경쟁력 강화의 기회를 제공할 것이다.