CJ대한통운이 제안하는 컨설팅을 통한 물류 혁신 사례
자동화는 적지 않은 투자가 수반되는 반면, 운영의 최적화는 상대적으로 적은 비용으로 효율을 가져오기 때문에 혁신이라는 이름으로 이미 오래전부터 많이 실행되고 있으며 앞으로도 계속해서 수행될 것이다. 자동화 설비를 도입했다고 하더라도 최적의 환경으로 운영될 때 비로소 투자 대비 충분한 기대한 효과를 거둘 수 있기 때문이다.
CJ대한통운은 다양한 물류설비의 자동화와 함께 운영의 최적화를 위해서 물류 운영상에서 발생된 데이터를 장기간에 취합하고 알고리즘 개발을 통해 분석된 결과를 비즈니스 프로세스에 접목하여 데이터 분석기반의 비즈니스 혁신을 지속하고 있다. 사업의 신속한 대응 및 업무방식의 질적 변화를 지원하기 위한 빅데이터 분석환경은 1) 데이터 관점에서의 전사 데이터 허브 및 데이터 거버넌스 영역과 2) 분석관점에서의 분석 서비스 모델 개발 영역 3) 인프라 관점에의 데이터 수집, 처리, 저장, 분석 영역으로 구성되어 있다.
■빅데이터 분석
택배는 상품추적을 위해 하루에도 수백만 건의 운송장 추적 데이터가 발생되고 있다. 이들 중 SUB중계 터미널에서 택배 상품을 집하하여 Main HUB 터미널로 인입되는 택배 운송장 약 3억 건과 HUB 터미널 내에서 하차 및 분류, 상차를 위해 발생되는 상품추적 약 9.4억 건의 스캔실적 데이터 분석을 통해 HUB 터미널 내 개별 상품의 이동 경로 및 분류시간을 파악하였다.
빅데이터 분석결과를 바탕으로 상품별 이동경로와 Case별 최단의 이동경과 시간을 산출하여, 하차 대기차량에 적재된 상품이 상차 슈트로 가장 빠르게 이동할 수 있는 최적의 하차 슈트 Allocation Algorithm을 구현하였다. 즉, 차량에 실려 있는 전국 각지로 배송될 상품들이 어느 하차 슈트에 하차 시 최단시간에 분류될 수 있는지를 빅데이터 분석을 통해 찾아가는 최적화 모형이라고 할 수 있다. 또한, 단순 수학적인 계산과 통계기법만을 사용한 것이 아니라 현장의 슈트별 운영상황과 진행 상태까지 반영하여 실시간 최적의 차량과 최적의 슈트가 매칭 될 수 있도록 하였다. 예를 들어, 최적으로 선정된 슈트가 하차 진행 중인 경우 종료까지의 대기시간과 상품 분류를 위한 이동경과 시간을 복합적으로 고려하여 “계속 대기할 것인지”, “다른 슈트에 하차할 것인지” 아니면 “다른 차량을 투입할 것인지”를 빠르게 판단할 수 있도록 하였으며, 작업환경이나 상품 물성의 변화에도 빅데이터 머신러닝 기법을 통해 자동 갱신되도록 구현하였다.
■ 기대효과
하차 슈트 최적화 모형의 개발 및 현장 적용으로 차량 당 분류시간이 16.3% 감소하였고, 분류Capa는 23.3% 증가하였으며, HUB 잔류율은 6.8% 감소하였다.
빅데이터 분석은 어려운 것이 아니며, 데이터를 기반으로 한 모든 분석 작업이 혁신과 운영 최적화를 위한 시발점이다. 외부의 공공데이터나 SNS상에서 발생하는 방대한 데이터의 활용이 아니더라도 내부에서 생성되는 운영상의 각종 트랜잭션 데이터만으로도 빅데이터 분석을 통한 최적화 관점에서 접근은 충분히 가능하다.