Forecasting supplier lead time to optimize supply chain operations

보다 정확한 데이터 기반의 리드 타임 예측으로 공급망 관련 과제 해결하기

코로나19는 소비자들의 습관을 바꿔놓았습니다. 재고 부족 상황은 사람들이 늘 쓰던 제품이 아닌 다른 브랜드 제품으로 눈을 돌리게 했고, 특히 식료품 영역에서는 쇼핑 빈도 자체는 줄었지만, 한 번 쇼핑할 때 전보다 많은 양을 구매하는 소비 패턴이 관측되었습니다. 그 결과 매장 내 재고가 전보다 빠르게 소진되었고, 이로 인해 공급망과 금융 모델 모두가 압력을 받기 시작했으며, 총 판매수익에 문제가 발생하기 시작했습니다.

동시에 재고 부족으로 인한 비용 역시 증가했습니다. 이처럼 재고 보충 문제는 전반적인 수익 모델과 비즈니스 성공 여부에까지 영향을 미치고 있습니다. 텅 빈 진열대를 마주한 소비자는 이제 전보다 더 빠르게 인내심을 잃고 등을 돌립니다. 수많은 경쟁사들이 소비자의 니즈 충족을 위해 다양한 방식으로 서비스와 제품을 제공하고 있고, 소비자가 각 기업의 가격 정책과 제품 가용성을 그때그때 확인할 수 있게 되었기 때문입니다. 실제로 소비자의 29%가 매장 재고 부족 시 다른 브랜드 제품을 구매하게 된다고 답했습니다.

소매유통 기업들은 원하는 곳에서 원하는 때에 고품질의 상품을 구매하고 싶어 하는 고객들을 지속적으로 만족시켜야 하는 어려움에 직면해 있습니다. 소매유통 기업이 재무 목표를 성공적으로 달성하기 위해서는 공급망의 모든 지점에 보유한 재고를 전략적으로 관리하여 재고 보충 절차가 언제나 원활하고 효율적으로 이루어지도록 해야 합니다.

공급업체의 리드 타임을 예측(주문이 이루어진 후 공급업체가 제품 또는 서비스를 이행하는 데 걸리는 시간을 예측하는 작업)하는 기능은 소매유통 기업이 자사의 생산 일정을 계획하고, 재고 수준을 관리하여 고객의 수요를 효과적으로 충족시키고, 동시에 초과 재고 및 그로 인해 수반되는 비용을 최소화할 수 있게 해 줍니다.

공급업체의 리드 타임은 다양한 요소의 영향을 받습니다. 제품 구매지와 공급업체 간의 거리, 제품의 복잡성, 원자재 가용성, 생산 용량, 운송 시간 등이 여기에 포함됩니다. 많은 변수들 때문에 소매유통 기업은 광범위한 기업 시스템, 비즈니스 기록, 기술 입력 등으로부터 수집한 과거 및 실시간 데이터를 중앙에서 확인할 수 있게 해 주는 데이터 플랫폼이 필요합니다. 이 플랫폼은 구매 주문 트랜잭션을 바탕으로 예상 리드 타임을 예측하는 머신러닝 모델을 훈련하는 데 사용될 수 있습니다.

고급 분석 기능과 머신러닝을 통해 공급망 운영 위험을 없애고 재고 관리 개선하기

이 사용 사례에서는 Oracle Data Platform이 소매유통 기업이 고급 분석, 예측 방법론(통계 모델링, 추세 분석 및 과거 데이터 분석 등), 머신러닝을 사용하여 제품의 예상 배송 일자를 정확하게 추정할 수 있도록 지원하는 방법을 보여줍니다. 소매유통 기업은 이 정보를 바탕으로 재고 계획을 최적화하고, 다음과 같은 변수의 영향을 효과적으로 관리할 수 있습니다

• 리드 타임과 운송 수단 — 재고의 가용성, 배송 일정/시간/비용의 조정
• 다양한 제품 포트폴리오— 수백 개의 공급처별로 가지각색인 제품군, 제품 가용성, 포장 구성 방식, 발주 조건, 비용을 일괄 관리해야 하는 어려움
• 현지 시장 복잡성—수요 패턴 및 계절성과 프로모션 등 각종 영향 포함
• 재정적, 물리적 제약 조건 - 가용 예산과 한정된 재고 적재 공간 및 목표 회전률
• 물류센터의 재고압박 - 과잉 재고 및 가격 인하에 따른 재무적 영향과 탁월한 고객 서비스를 지속해야한다는 부담감, 그리고 판매 감소 및 고객 충성도 하락을 막기위한 가용성을 유지할 필요성

이 이미지는 소매유통용 Oracle Data Platform을 사용해 공급업체의 리드 타임을 예측하고, 공급망 운영을 최적화하여 소매유통 기업이 시장에서의 입지를 유지하고, 동시에 수익성을 극대화하는 방법을 보여줍니다. 본 플랫폼의 구성 요소들은 다음의 5가지 제품군으로 분류됩니다:

1. 1. 데이터 소스, 검색
2. 2. 수집, 변환
3. 3. 유지, 선별, 생성
4. 4. 분석, 학습, 예측
5. 5. 측정, 실행

데이터 소스, 검색 제품군에는 3가지 범주의 데이터가 포함됩니다.

1. 1. 애플리케이션 데이터는 Fusion Financials, Oracle E-Business Suite, SCM, EPM, eSourcing을 통해 수집합니다.
2. 2.비즈니스 기록 데이터는 재고, SCM(컨트롤 타워), 공급업체 성과 데이터, 공급업체 설문조사 데이터로 구성됩니다.
3. 3. 기술 입력 데이터는 로그에서 수집합니다.

수집, 변환 제품군은 3가지 기능으로 구성됩니다.

1. 1. 일괄 수집은 OCI Data Integration, Oracle Data Integrator 및 DB 도구들을 사용합니다.
2. 2. 일괄 전송은 OCI FastConnect, OCI Data Transfer, MFT, OCI CLI를 사용합니다.
3. 3. 변경 데이터 캡처는 OCI GoldenGate를 사용합니다.

3가지 기능 모두 유지, 선별, 생성 제품군 내 클라우드 스토리지에 단방향으로 연결됩니다.

유지, 선별, 생성 제품군은 4가지 기능으로 구성됩니다.

1. 1. 서빙 데이터 저장소는 Oracle Autonomous Data Warehouse 또는 Exadata Cloud Service를 사용합니다.
2. 2. 클라우드 스토리지는 OCI Object Storage를 사용합니다.
3. 3. 일괄 처리는 OCI Data Flow를 사용합니다.
4. 4. 거버넌스는 OCI Data Catalog를 사용합니다.

이상의 기능들은 해당하는 제품군 내에서 서로 연결됩니다. 클라우드 스토리지는 서빙 데이터 저장소에 단방향으로 연결되고, 일괄 처리와는 양방향으로 연결됩니다.

1가지 기능이 분석, 학습, 예측 제품군에 연결됩니다: 서빙 데이터 저장소는 분석 및 시각화 기능과 머신러닝 기능에 연결됩니다.

분석, 학습, 예측 제품군은 3가지 기능으로 구성됩니다.

1. 1. 분석 및 시각화 기능은 Oracle Analytics Cloud, GraphStudio, ISV를 사용합니다.
2. 2. 데이터 제품 및 API는 OCI API Gateway 및 OCI Functions를 사용합니다
3. 3. 머신러닝은 OCI Data Science, Oracle ML, Oracle ML Notebooks을 사용합니다.

측정, 실행 제품군은 대시보드 및 보고서, 애플리케이션, 머신러닝 모델 이렇게 3가지 제품으로 구성됩니다.

대시보드 및 보고서는 사람 및 파트너, 공급업체 협업 및 데이터 공유, 과거 공급업체 성과, 수요 분석 기술, 재고 부족 및 재고 과잉으로 구성됩니다.

애플리케이션은 고급 재고 관리 및 수요 계획으로 구성됩니다.

모델은 공급업체 운영으로 구성됩니다./p>

3가지 주요 제품군(수집 및 변환, 유지 및 선별, 생성 및 분석, 학습 및 예측)에는 인프라, 네트워크, 보안 솔루션, IAM 등이 지원됩니다.

소매유통 기업이 공급업체 리드 타임을 효과적으로 전망할 수 있게 하기 위해 데이터를 아키텍처에 삽입하는 3가지 주요 방법이 있습니다.

• 먼저 제품의 재고 과잉 또는 재고 부족 상황을 방지하기 위해 전반적인 재고 상황을 파악해야 합니다. 이를 위해 Oracle Cloud Infrastructure(OCI) GoldenGate를 사용해 전체 또는 하위 제품 라인에 대한 운영 데이터베이스로부터 거의 실시간으로 창고 재고 데이터의 변경 데이터 캡처를 수행할 수 있습니다. 이렇게 수집한 데이터를 바탕으로 재고를 이동하거나 재고 부족을 피하기 위해 가격을 조정할 수 있습니다.
• 공급업체 성과를 정확히 예측하기 위해서는 과거 성과, 추세, 패턴 역시 이해해야 합니다. 보통은 OCI Data Transfer Service와 같은 일괄 전송 방식 및 서비스를 사용해 대량의 트랜잭션 데이터(조달, 송장 발행, 공급망, 물류 데이터 등 ERP 데이터)와 기타 운영 지표 및 데이터세트(소비, 재고, 핫 스와프 등에 관한 데이터)를 로딩해야 합니다.
• 이제 일괄 수집 방식을 사용해 특정 기간 동안 공급업체에 요청된 주문(주문 날짜, 주문 수량, 배송 날짜 포함) 등 공급업체와 관련 있는 데이터세트를 추가할 수 있습니다. 이와 같은 데이터세트는 대체로 대량의 온프레미스 데이터로 구성되며, 대부분의 경우에 일괄 수집이 가장 효과적이고 효율적인 방식입니다. 이 공급업체 데이터의 경우 Oracle Data Integrator를 통해 데이터가 매일 주기로 수집됩니다. 이 데이터는 주로 운영 트랜잭션 처리 시스템으로부터 수집되며, 일반적으로 고도로 정형화된 관계형 형식으로 모델링됩니다. 이 데이터 유형의 사례에는 구매 주문 트랜잭션 공급업체 세부 정보(예: 공급업체명, ID, 등록, 담당자 정보), 원산지 및 목적지, 합의된 납품 날짜, 합의된 배송 날짜, 실제 배송 날짜, 계약 품목 및 가격, 운송 방법 등이 있습니다. 공급업체의 성과에 관한 데이터(배송 안정성, 제품 또는 서비스의 품질, 과거에 발생한 배송 지연 또는 기타 문제 등) 역시 수집될 수 있습니다. 단 이 데이터는 상대적으로 정형화 수준이 낮으며, 훨씬 많은 처리 과정을 필요로 할 수 있습니다.
• 과거에 해당 공급업체에게 접수된 각 주문의 리드 타임을 계산함으로써 평균 리드 타임을 도출하고 추세와 변수를 식별할 수 있습니다. 이 추세와 변수는 운송 지연, 공급업체 생산 역량의 변화, 환경 관련 사고(극심한 기후 문제 등), 사회 정치적 문제(갈등 또는 산업 전체의 조치 등)와 같이 공급업체의 리드 타임에 영향을 줄 수 있는 외부 요소와 상관관계가 있을 수 있습니다. 공급업체의 리드 타임에 영향을 줄 수 있는 시장 추세와 수요 패턴을 모니터링함으로써 수요 급증 가능성을 예상하기 위해 추가 데이터를 사용할 수 있습니다.

데이터 지속성 및 처리는 3개의 구성 요소를 기반으로 구축됩니다.

• 모든 소스로부터 수집된 원시 데이터는 클라우드 스토리지에 저장됩니다. 이 영구 데이터, 재고 수준, 지리적 매핑 데이터, 제품 참조 데이터의 일괄 처리를 위해 OCI Data Flow가 사용됩니다. 일괄 처리 기능은 데이터를 재처리하고, 분석 결과를 왜곡할 수 있는 모든 중복, 누락 값 또는 이상 값을 삭제합니다. 이 처리된 데이터세트는 클라우드 스토리지로 반환돼 꾸준한 유지, 선별 및 분석에 사용되며, 궁극적으로는 서빙 데이터 저장소에 최적화되고 손쉽게 분석 가능한 양식으로 로딩됩니다.
• 이제 처리된 데이터세트가 완성되었습니다. 이 데이터세트는 Oracle Autonomous Data Warehouse가 제공한 서빙 데이터 저장소에 선별 성능 및 쿼리 성능에 최적화된 관계형 양식으로 저장될 준비를 마친 상태입니다. 이를 통해 가격, 수요 프로필, 재고 수준, 위치별로 제품을 식별 및 반환할 수 있게 됩니다.

분석, 학습, 예측 기능은 3가지 기술을 바탕으로 구축됩니다.

• 분석 및 시각화 서비스는 회귀 분석, 시계열 분석, 머신러닝 알고리즘 등 통계 기법을 사용해 데이터에 숨겨진 패턴과 추세를 파악할 수 있게 해 줍니다. 이 분석 기법을 사용하면 공급업체의 리드 타임을 정확히 예측하고, 일련의 주문에 대해 예측 리드 타임과 실제 리드 타임을 비교해 모델의 정확성을 지속적으로 검증할 수 있는 예측 모델을 개발할 수 있습니다. 이 검증의 결과는 모델의 정교함과 정확도를 개선하는 데 사용됩니다. 우리의 분석 및 시각화 서비스에는 다음과 같은 기능이 포함됩니다:
  
  
  • 기술 분석은 히스토그램과 차트로 현재의 추세를 설명하고, 특정 범주(판매 성과, 재고 수준, 경쟁사 가격 등)를 기반으로 가격을 조정하기 위해 사전 정의된 규칙을 사용하는 가격 알고리즘의 개발을 지원합니다. 예를 들어 한 소매유통 기업은 특정 제품이 30일 이상 재고 상태로 남아있고, 이로 인해 신규 재고의 구입이 지연되는 경우 가격을 10% 할인하도록 규칙을 설정할 수 있고, 적절한 타이밍 결정을 위해 리드 타임 예측을 사용해 추후 납품을 위한 가격을 협상할 수도 있습니다.
  • 기술 분석은 미래의 이벤트를 예측하고, 추세를 파악하고, 특정 결과의 가능성을 도출합니다. 예측 분석을 사용하면 소매유통 기업은 과거의 판매 데이터를 사용해 가격과 수요의 상관관계를 파악할 수 있습니다. 이 분석은 소비자 행동의 변화가 수요에 어떤 영향을 미치는지, 그에 따라 재고 계획이 어떻게 수정되는지를 예측하는 데 사용할 수 있습니다. 이때 소매유통 기업은 추정 리드 타임을 사용해 필요할 때 보유한 재고가 충분한지 확인하고, 재고 과잉을 최소화하고, 관련 비용도 확인할 수 있습니다. 또한 예측 분석은 가격 탄력성 모델을 제공할 수 있습니다. 이 모델은 통계 모델을 사용해 가격 변화에 수요가 얼마나 민감하게 반응하는지 측정합니다. 소매유통 기업은 이 분석을 사용해 판매 및 수익성 극대화를 위한 최적의 재고 수준을 파악하고, 이에 따라 재고 구매 일정을 결정할 수 있습니다.
  • 예측 분석은 최적의 의사결정을 지원하기 위한 적절한 조치를 제안하며, 재고 보유 및 재고 부족과 관련한 비용 최소화를 위해 리드 타임을 예측하는 데 사용할 수 있습니다. 소매유통 기업은 공급업체 리드 타임을 바탕으로 조달 및 생산 활동을 조율함으로써 재고 과잉, 보유 비용 및 빠른 배송 비용 등을 줄이고, 정확한 리드 타임을 바탕으로 공급업체와 가격 및 조건을 협상할 수 있습니다.
• 고급 분석의 사용 외에도 여러 머신러닝 모델이 개발, 훈련, 배포됩니다. 이 모델은 인공지능을 사용해 대량의 데이터를 분석하고, 재고 구매 및 재고 수준 최적화에 사용될 수 있는 패턴 및 추세를 파악합니다. 소매유통 기업은 머신러닝 알고리즘을 사용해 고객의 행동을 예측하고, 재고 구입 시점과 구매 대상 공급업체를 결정하고, 여러 제품 및 시장 전반에서 가격을 최적화할 수 있습니다.
• Oracle이 선별 및 테스트한 고품질 데이터 및 모델에는 거버넌스 규칙 및 정책을 적용할 수 있으며, 소매유통 조직 전반에 대한 배포 목적으로 데이터 메시 아키텍처 내에 '데이터 제품(API)'으로 노출될 수 있습니다.

소매유통 데이터 플랫폼으로 재고 관리 효율성 및 고객 만족도 높이기

소매유통 기업은 공급업체 리드 타임을 정확히 예측함으로써 재고 수준 및 생산 일정을 보다 효과적으로 계획할 수 있습니다. 이를 통해 계절성, 프로모션 및 기타 영향으로 제품 수요가 요동칠 때에도 적절한 제품을 적정량 보유해 고객의 수요를 충족시킬 수 있습니다. 그 결과 이들은 다음을 달성할 수 있습니다

• 재고 구매 시기 및 구매 대상 공급업체 파악
• 적절한 양의 제품을 적시에 주문함으로써 재고 보유 비용을 최소화하고, 매출 손실 및 소비자 불만족을 야기할 수 있는 재고 부족 예방
• 구매 및 공급업체 지불 일정을 계획해 현금 흐름을 관리함으로써, 운전 자본을 최적화하고 현금 흐름 부족을 예방
• 리드 타임 및 기타 성과 지표에 관한 보다 효과적인 커뮤니케이션을 통해 공급업체와의 관계 강화(효과적인 커뮤니케이션은 성과 개선, 보다 효과적인 가격 책정, 안정적인 배송 일정으로 이어질 수 있음)