기계학습 모델로 물류 입고 프로세스 최적화하기

쿠팡은 풀필먼트 센터 입고에 필요한 트럭 수량을 데이터로 예측해, 한정된 도크 슬롯을 더 효율적으로 배분했다.

2년여 동안 수집한 입고 신청 데이터에서 약 80만 건의 학습 데이터를 만들고, 도메인 인터뷰와 EDA를 거쳐 예측에 유효한 특징을 추출했다.

모델은 범주형 특징이 많고 학습·튜닝 속도가 중요한 점을 고려해 LightGBM을 선택했다. 트리는 leaf-wise growth 방식으로 학습 속도를 높였고, 범주형 변수도 별도 one-hot encoding 없이 처리했다.

하이퍼파라미터 탐색은 Bayesian Optimization으로 자동화했다.

• 초기에는 탐색 범위에서 무작위 샘플로 모델을 학습
• 그 결과를 바탕으로 Gaussian Process로 목적 함수를 추정
• 유망한 다음 후보를 반복적으로 선택해 최적 조합을 찾음

학습된 모델은 SageMaker endpoint와 입고 예약 시스템에 연결됐다. 업체가 예약을 넣으면 시스템이 즉시 적정 트럭 대수를 반환해, 예약 의사결정에 바로 반영되도록 설계했다.

예측에서는 과소 예측과 과대 예측의 균형이 중요했다. 최종 모델은 과소 예측 2.53%, **과대 예측 5.04%**를 기록해, 기존의 **8.71% / 44.45%**보다 크게 개선됐다.

적용 후에는 슬롯 부족으로 입고일을 바꾸는 사례가 67.9% 감소했다. 쿠팡은 불필요한 자원 낭비를 줄이고, 업체는 원하는 일정으로 더 안정적으로 입고할 수 있게 됐다.

앞으로는 제품군 확대와 작업 방식 변화에 맞춰 파생 특징을 계속 발굴하고 데이터를 추가해, 예측 성능을 지속적으로 개선할 계획이다.