다중 창고 재고 할당을 위한 AI: 알맞은 위치에서 출하하기

3개의 물류센터(뉴저지, 텍사스, 네바다)를 운영하는 홈 피트니스 장비 소매업체가 주문의 38%를 잘못된 물류센터에서 배송하고 있었습니다. 잘못되었다는 것은 고객에게 가장 가까운 물류센터가 아닌 곳에서 배송했다는 의미입니다. 캘리포니아 주문이 재고가 마침 그곳에 있다는 이유로 뉴저지에서 배송되고 있었습니다. 이러한 대륙 횡단 배송의 평균 배송비는 $14.80인 반면, 가장 가까운 물류센터에서 처리된 주문의 배송비는 $6.20에 불과했습니다.

예측된 지역별 수요를 기반으로 재고를 배치하는 AI 기반 재고 배분 시스템을 도입한 후, 가장 가까운 물류센터 출하율이 62%에서 84%로 개선되었습니다. 약 2,800만 달러 매출 기준으로 연간 배송비가 약 120만 달러 절감되었습니다. 이 개선은 물류센터 용량을 추가해서가 아니라 기존 재고를 어디에 배치할지에 대한 더 스마트한 의사결정에서 비롯되었습니다.

핵심 문제: 수요는 균등하게 분포되지 않는다

전국적으로 여러 물류센터에서 판매하면서 재고를 각 위치에 균등하게 배분한다면, 거의 확실히 잘못 배분하고 있는 것입니다. 특정 제품에 대한 수요는 지역에 따라 크게 다릅니다. 아웃도어 의류를 판매하는 소매업체는 태평양 북서부 지역에서 애리조나 대비 레인재킷 수요가 4배 높을 수 있으며, 자외선 차단 제품은 반대 패턴을 보입니다.

단순한 접근 방식은 각 물류센터의 과거 총 수요 비율을 기반으로 배분하는 것입니다. 동부 해안 물류센터가 지난 분기 주문의 45%를 처리했다면, 새 재고의 45%를 그곳에 배치하는 식입니다. 이는 제품 수준의 지역별 변동을 무시합니다. 전체 주문 분포가 3개 물류센터에 걸쳐 45/30/25일 수 있지만, 특정 SKU의 수요는 지역 선호도, 현지 날씨 패턴 또는 인구통계학적 차이로 인해 20/50/30으로 나뉠 수 있습니다.

AI 배분 모델이 최적화하는 것

배분 모델은 제약 조건이 있는 최적화 문제를 해결합니다. 모든 지역에서 적절한 서비스 수준(재고 보유율 및 배송 속도)을 유지하고, 물류센터 용량 제약을 준수하며, 운송 중이거나 주문 중인 재고를 고려하면서 총 풀필먼트 비용(배송비 + 처리비)을 최소화하는 것이 목표입니다.

핵심 입력값은 SKU 및 지역별로 세분화된 수요 예측입니다. 총 수요를 예측한 후 물류센터별로 나누는 대신, 모델은 각 물류센터의 서비스 권역에서 독립적으로 수요를 예측합니다. 덴버의 고객은 제품, 현재 재고 수준, 운송업체 요금에 따라 텍사스 또는 네바다 물류센터에서 서비스를 받을 수 있으므로, 모델은 중첩되는 서비스 권역을 고려합니다.

배송비 매트릭스는 각 물류센터에서 각 배송 구역으로 각 제품(중량 및 치수 기반)을 배송하는 실제 비용을 매핑합니다. 이는 단순한 거리 계산이 아닙니다. 운송업체 가격에는 구역 기반 요금 체계, 부피 중량 요금, 물류센터별로 다른 물량 할인이 포함됩니다. 모델은 정확한 비용 최적화를 위해 실제 협상된 요금을 사용합니다.

출력값은 각 입고 보충 배송에 대한 배분 권장 사항입니다. 1,000개 단위의 발주를 3개 물류센터에 균등하게 나누는 대신, 모델은 현재 수요 예측, 각 위치의 기존 재고, 비용 최소화 배송 시나리오를 기반으로 뉴저지 250개, 텍사스 450개, 네바다 300개를 권장할 수 있습니다.

이동 로직: 물류센터 간 재고 이동 시점

때로는 초기 배분이 잘못되거나 시즌 중간에 수요 패턴이 변합니다. 모델은 또한 이동 권장 사항을 생성하여, 한 물류센터에서 다른 물류센터로 재고를 이동하는 것이 비용 효율적인 시점을 제안합니다. 이 계산은 물류센터 간 이동 비용(운임 + 양쪽 처리비)을 더 가까운 위치에서 향후 주문을 처리함으로써 얻는 예상 절감액과 비교합니다.

이동이 합리적인 경우는 수신 물류센터가 새로운 보충 주문의 리드타임 내에 재고 소진이 예상되고, 발송 물류센터가 향후 30일간 예상 수요를 초과하는 잉여 재고를 보유하고 있으며, 이동 비용이 더 먼 위치에서 배송될 주문들의 총 배송비 절감액보다 적을 때입니다.

이동에 대한 수학은 경량 고회전 제품에서 자주 성립합니다. 뉴저지에서 네바다로 스킨케어 제품 한 팔레트를 이동하는 데 LTL 운임으로 $180가 들 수 있지만, 200건의 주문이 대륙 횡단 배송되는 것을 방지하여 건당 $8.60의 추가 비용을 절약하면, 절감액은 $1,720에서 $180의 이동 비용을 뺀 금액입니다. 무겁거나 부피가 큰 품목의 경우 이동 비용이 더 높아 수학이 덜 자주 성립합니다.

분할 배송 처리

다중 품목 주문은 2차 최적화 문제를 만듭니다. 고객이 3개 품목을 주문했는데 하나는 동부 해안 물류센터에만 있고 나머지 둘은 서부 해안 물류센터에 있다면, 세 가지 옵션이 있습니다: 모든 것을 동부 해안에서 배송(두 품목이 불필요하게 먼 거리를 이동), 배송을 두 개 패키지로 분할(총 배송비는 높지만 서부 해안 두 품목의 배송이 빠름), 또는 모든 품목이 한 위치에서 가용할 때까지 대기(전체 배송 속도 저하).

AI 모델은 실제 비용 차이, 고객의 배송 기대치(일반 vs. 빠른 배송), 그리고 고객이 과거에 분할 배송에 민감한 반응을 보였는지(일부 고객은 여러 패키지를 받는 것에 불만을 제기함) 여부를 기반으로 각 다중 품목 주문에 대해 이러한 옵션을 평가합니다. 최적의 선택은 주문마다 다르며 단일 최선의 정책은 없습니다.

분할 배송을 줄이는 것이 단일 품목 배분 최적화보다 더 큰 절감 기회인 경우가 많습니다. 한 가정용품 소매업체는 다중 품목 주문의 22%가 주문당 평균 $7.40의 추가 비용으로 분할 배송되고 있음을 발견했습니다. 함께 자주 구매되는 품목이 같은 물류센터에 재고되도록 재고 배분을 조정하여, 분할 배송을 13%로 줄이고 연간 $340,000를 절감했습니다.

데이터 요구사항 및 구현

효과적인 배분 모델을 구축하려면 여러 데이터 세트가 필요합니다: 고객 위치(우편번호 수준)가 포함된 과거 주문 데이터, 물류센터 풀필먼트 데이터(어느 물류센터에서 각 주문을 배송했는지), 모든 활성 운송업체 및 서비스 수준에 대한 운송업체 요금표, 최소 일 단위로 업데이트되는 각 물류센터의 현재 재고 현황, 그리고 입고 보충을 위한 발주 데이터입니다.

모델 자체는 배분 최적화를 위한 선형 프로그래밍 솔버와 지역별 수요 예측을 위한 수요 예측 모델(그래디언트 부스팅 또는 신경망)의 조합일 수 있습니다. Google OR-Tools나 PuLP 같은 오픈소스 솔버가 최적화를 잘 처리하며, 수요 예측에는 모든 표준 ML 프레임워크를 사용할 수 있습니다.

WMS(창고 관리 시스템) 및 OMS(주문 관리 시스템)와의 통합이 필수적입니다. 배분 권장 사항이 입고 프로세스에 반영되어 입고 재고가 올바른 물류센터로 보내져야 합니다. OMS의 주문 라우팅 로직은 새 주문에 풀필먼트 위치를 지정할 때 배분 모델의 물류센터 우선순위를 고려해야 합니다.

여러 풀필먼트 센터를 운영하는 이커머스 소매업체에게 재고 배분은 계산을 해보기 전까지는 관리 가능해 보이는 문제 중 하나입니다. 단순 균등 배분과 최적화된 배분의 차이는 일반적으로 총 배송비 기준 15-25%의 절감 효과를 가져옵니다. 매출의 8%를 배송비로 지출하는 2,000만 달러 규모의 사업에서 이는 연간 $240,000에서 $400,000에 해당하며, 배분 시스템 비용을 여러 번 충당하고도 다른 개선에 투자할 자금이 남습니다.