온라인 쇼핑몰 시장은 급격하게 성장하고 있어 빠르게 경쟁이 심화되고 있고
이에 따라 온라인 쇼핑몰에서 물건을 구매하는 구매자들의 니즈도 맞춤형 서비스 중심으로 변화하고 있습니다.
온라인 거래 확대와 1인 가구의 증가, 신선 물류에 대한 수요 증대 등으로 인해 물류는 더 빠른 속도로 오프라인에서 온라인으로 재편되고 있으며
이에 따라 물품의 보관부터 배송까지 전담하는 풀필먼트 센터의 중요성이 대두되고 있습니다.
Problem
COVID-19 이후 국내 유통 트렌드가 급격히 온라인으로 전환되었고 이에 따라 중, 소형 온라인 판매자를 대상으로 하는 풀필먼트 업체들이 등장하였으나 아직은 인력 의존도가 높은 구조로 운영되고 있습니다.
풀필먼트 서비스의 전체 출고 과정에서 소요되는 시간 및 비용의 절반 이상이 물류창고의 여러 적재된 물건들 중 주문된 물건을 찾아 포장 장소로 옮기는 작업자의 이동에 소모됩니다.
전체 출고 과정의 효율성을 높이고, 유통 비용을 줄이며, 풀필먼트 서비스의 고객들인 온라인 판매자들에게 최상의 서비스를 제공하기 위해서는 이 이동 시간의 최적화가 필요합니다.
<물류창고 운영비 구조>
<출고과정별 소요시간 비율>
Solution Process
풀필먼트 센터의 도면과 배치된 재고를 활용하여 물품 적재 위치 정보를 데이터화 하고,
이와 함께 주문 정보, 작업 조건 (작업 인원 수, 피킹 카트 등) 등을 분석하여 작업자에게 최적의 피킹 동선을 제공합니다.
틸다의 솔루션은 아래의 3가지 과정을 통해 이동시간을 최소화합니다.
Picking 동선 최적화
작업자가 할당 받은 주문서 (order slip) 내의 물품들을 피킹해 오기 위한 최적의 동선을 AI 모델로 탐색/추천
오더 분배 (allocation) 최적화
Batch 단위로 여러 작업자가 picking을 할 때, 모든 작업자들의 이동 동선의 총합을 최소화하는 개별 작업자의 picking 동선을 AI 모델로 탐색/추천
재고 보충 최적화
풀필먼트 센터에 재고를 보충할 때, available한 적재 위치 중 picking 동선이 최적화되는 적재 위치를 AI 모델로 탐색/추천
Action
Picking 동선 최적화 demo를 보여드립니다.
아래는 주문 정보, 가상의 물류 창고, 물류 창고 내 물건을 표시한 정보입니다.
물품 정보에는 물류 창고 내 위치와, 수량 뿐 아니라 3차원 크기 정보가 포함되어있습니다.
또한 order column을 통해 특정 시간의 주문량이 표기되어 있습니다.
도식화된 그림에서 흰색 배경은 사람이 다닐수 있는 통로로 파레트랙의 위치는 검은색 선의 네모(⬜)로 표시했습니다.
주문 정보에 담긴 picking해야 하는 짐의 위치를 박스(📦)로 표시했으며 깃발모양의 아이콘은 작업자의 시작 위치(🏁),
트럭 아이콘은 작업자가 패키징 또는 배송을 위해 물품을 이동시켜야 하는 목표 위치(🚚)입니다.
<물품 적재 정보와 주문 정보>
<물품 주문정보 도식화>
Results
Picking route optimization demo 페이지에서는 랜덤으로 생성된 order 데이터를 이용해
최적화된 picking 동선을 체험해 볼 수 있는 다양한 기능을 제공합니다.
<웨어하우스 layout 변경>
<주문 정보 무작위 생성>
기본적인 형태의 warehouse 구조에서 크기를 변경 할 수 있으며 주문 개수를 변경해가며 무작위로 배치할 수 있습니다.
<picker 1명>
<picker 2명>
<picker 3명>
동일한 order의 경우 작업자의 수에 따라 최적의 picking 동선이 달라지는 것도 확인해 보실 수 있습니다.
<picker 동선 01>
<picker 동선 02>
10열의 파레트랙을 가진 물류창고에서 특정 주문 정보에 대해 2명의 작업자가 최적의 경로로 picking을 수행한 결과입니다.
틸다의 picking 최적화 솔루션은 물류 창고 layout, 물품 적재 위치, 작업자의 수 등 작업 조건이 다양하게 변하더라도,
그에 따라 변경된 최적의 picking 동선을 찾아준다는 장점을 가지고 있습니다.
Future Plan
이상 올해 하반기에 오픈될 예정인 picking route optimization 서비스의 demo를 일부 보여드렸습니다.
여러분들의 실제 물류 창고에 적용을 위해서는 창고 layout에 대한 자유도나 picking cart의 capacity를 추가로 고려해야 할 수도 있고,
order 데이터를 언동한 수요 예측을 통해 재고 보충 최적화도 추가되어야 전반적인 출고 과정의 picking 최적화 또한 이루어져야 합니다.
더 나아가 물류 도메인 전반에 예측 모델을 이용한 동선 최적화 모델은 해상 및 육상 운송 등 많은 곳에 필요합니다.
머신러닝으로 비즈니스의 효율화를 지원하는 틸다는, 동선 최적화를 이용한 물류 cost 저감을 원하시는 고객의 연락을 기다립니다.