머신러닝 모델로 입고 프로세스 최적화하기

Coupang은 fulfillment center의 **입고 슬롯(slot)**을 더 효율적으로 쓰기 위해, 벤더가 예약할 때 필요한 트럭 수를 자동 예측하는 machine learning model을 만들었다. 예측이 부족하면 입고 지연이 생기고, 과하면 한정된 dock과 slot이 낭비되기 때문에 정확한 수요 예측이 핵심이다.

모델 개발은 세 단계로 진행됐다.

• 과거 2년 이상 쌓인 입고 요청과 물류 데이터를 바탕으로 약 80만 건의 training data를 만들고, 현업 물류 담당자 인터뷰와 EDA를 통해 유의미한 feature를 추출했다.
• 모델은 LightGBM을 사용했다. 대규모 데이터에서도 학습이 빠르고, categorical feature가 많을 때 성능이 좋았기 때문이다.
• hyperparameter는 Bayesian optimization으로 자동 탐색했고, 이 과정을 월 단위로 새 데이터에 맞춰 계속 갱신했다.

운영 측면에서는 모델을 Amazon SageMaker에 배포하고, inbound reservation system이 예약 요청 시 endpoint를 호출해 예측 결과를 바로 보여주도록 통합했다. 덕분에 예약 시스템 안에서 곧바로 적정 트럭 수를 안내할 수 있게 됐다.

핵심 난제는 underprediction과 overprediction의 균형이다. 너무 적게 예측하면 입고 지연이 늘고, 너무 많이 예측하면 불필요한 slot 예약이 증가한다. 그래서 단순히 오차를 줄이는 것보다, 물류 운영에 미치는 영향까지 고려한 예측 기준을 맞추는 데 초점을 뒀다.