‘사물의 이동’을 담당해 왔던 물류 산업은 기업간 배송 수요 중심에서 일상 생활에서 발생하는 개인들의 배송 수요를 충족시키는 온디맨드 배송 시대로 빠르게 재편되고 있다. 제조 및 유통업의 보조적 역할에 그쳤던 물류는 가격 및 품질 경쟁력 못지 않게 배송경쟁력이 핵심 고객가치로 부상하면서 기업 경쟁력을 좌우하고 있다. 물류 흐름으로 본다면 퍼스트 마일-미드 마일 중심의 수송에서 최종 고객에게 물품을 전달하는 라스트 마일 중심의 배송 시장으로 중심축이 바뀌었다. 달라진 비즈니스 환경에서 문제 해결사로 부상한 TMS는 어떻게 문제를 접근하고 해결해 나가고 있을까?
온디맨드 배송을 위해서 극복해야 할 3가지 불확실성
온디맨드 배송은 기본적으로 불확실성의 싸움이다. 불확실성의 원천은 3가치 차원으로 살펴 볼 수 있다. 고객의 요구사항(demand), 이동 서비스를 제공하는 자원(Resources), 도로 및 물류 네트워크 환경, 기상 조건과 같은 환경(environments) 등이 그것이다. 온디맨드 배송 문제가 어려운 이유는 이 3가지 차원에서 모두 과거와 다른 성격의 불확실성이 크게 증가하였기 때문이다.
온디맨드에서 고객의 요청사항은 모두 언제, 어떤 위치에서 고객의 요청이 발생할지 모르는 고객의 주문 요청에 대한 불확실성을 가지고 있다. 최근의 시장에서는 이러한 불확실성이 일반적으로 존재한다고 간주되며, 승객, 상품, 서비스를 다루는 TMS의 적용 분야에 따라 고객의 요구사항에 대해 각각 다른 불확실성을 가질 수 있다. 예를 들어, 상품의 이동을 제공하는 서비스 제공자라면 상품의 수량 및 무게, 크기에 대한 불확실성이 있을 수 있으며, 설치 및 수리 등의 서비스를 제공하는 서비스 제공자에게는 서비스 제공에 소요되는 시간에 대한 불확실성이 있을 수 있다. 특히, 서비스 제공에 있어서 설치 그 자체보다는 서비스 제공에 소요되는 시간이 불확실할 가능성이 높으며, 서비스 시간을 다루는 것은 상당히 어렵다고 알려져 있다.
이러한 고객 서비스 요청의 불확실성을 해소하기 위해서는 정확한 수요 예측이 필수적이나, 서비스 수요는 넓은 지역에 산발적으로 희소하게 발생할 수 있기 때문에 수요 발생 지점의 예측은 쉽지 않다. 서비스 제공자가 직면하는 환경도 불확실성이 있을 수 있는데, 이는 적용 분야와 무관하게 발생하는 불확실성이다. 예를 들면, 날씨, 교통 체증 등은 이동 시간에 영향을 줄 수 있다.즉, 갑작스런 기상 악화나 공사로 인한 도로 폐쇄로 이동 시간은 언제나 불확실해 질 수 있다. 또한 높은 오염 수준으로 인해 특정 유형의 차량(오래된 경유 화물차 등)에 대한 도로 사용을 차단하여 이동 경로의 변화가 발생할 수 있고, 또 특정 유형의 차량에 대해 통행세를 부과하게 되면 물류 비용이 변화될 수 있다.
마지막으로 서비스를 이동시키 위한 자원에 대한 불확실성이 있다. 차량과 같이 이동수단을 활용하는 비즈니스에서는 차량의 고장 등으로 인한 차량의 가용성에 대한 불확실성을 가지고 있다. 두 번째로는 차량을 운행하는 드라이버 자원에 대한 가용성의 불확실성이 있다. 병가 등으로 인한 갑작스런 차량의 불확실성이 있는 플랫폼이 있는 반면 크라우드 소싱 드라이버를 운영하는 서비스에서는 항상 드라이버의 가용성에 대한 높은 불확실성을 가지고 있다.
원래 TMS의 배송 계획을 수립하는데 사용되는 것으로 잘 알려진 차량 경로 문제(VRP;Vehicle Routing Problem)는 이러한 불확실성이 없더라도 문제 자체가 어려운 문제인데, 온디맨드 배송에서는 VRP 문제에서 이러한 3가지 차원에서의 정보들이 시간이 지남에 따라 계속 변화하기 때문에 이를 반영한 유연하면서 예측 가능한 계획을 만드는 것은 더 어려운 문제이다. 이러한 문제의 동적 최적화(Dynamism)와 목적(Objective)에 따라 다음 그림과 같이 당일 배송과 온디맨드 배송을 포지셔닝할 수 있다. 동일한 당일 배송 또는 온디맨드 배송이라 하더라도 동적 최적화의 수준(DoD: Degree of Dynamism)과 목적(Objective), 제약사항(Constraints)에 따라 문제의 정의 및 문제의 난이도와 접근법이 달라질 수 있다.
온디맨드 배송을 위한 기반, 규범적 분석
이렇게 다양한 불확실성이 있는 온디맨드 배송을 다루기 위해서는 미래의 정보를 예측할 수 있는 기술과 함께 이 예측 결과를 기반으로 배송 최적화를 하는 기술이 필요하다. 이렇게 예측 정보 모델을 의사 결정에 통합하는 기술을 규범적 분석(prescriptive analytics: PA)이라고 하며, 컴퓨터 과학(computational technologies)과 경영학(decision making), 수학(quantitative mathematical methods)이 교집합을 이루는 기술 영역이다.
이러한 PA의 예로 온디맨드 배송 문제에 순차적 결정 과정(Sequential Decision Process)을 적용하는 것을 들 수 있다. 순차적 결정 과정은 기존의 데이터로부터 관찰된 불확실성을 분석하고, 이를 바탕으로 만든 예측정보모델(Predictive information model)의 결과와 업데이트되는 정보들은 결정모델(Decision model)에서 활용될 인스턴스로 상태(State)에 인퍼런스되고, 이 인스턴스들에 적합한 솔루션을 결정내는 3가지 단계로 구성된 결정과정이다. x축은 결정 포인트들로 결정을 하는 과정에서 시간의 변화를 나타내는 축이며, 정보 모델은 문제에 따라 시간에 적합한 불확실성을 설명할 수 있는 모델이다. 이런 불확실성은 문제에서의 고객요구사항, 자원, 환경 3차원에 따라 다른 불확실성을 가지고 있으며, 각 문제에 따라 어떤 정보모델로 모델링할지에 대해서는 문제별(problem-specific)로 다르게 연구해 왔기 때문에 문제에 따라 다른 접근이 필요하다. 예를 들어, 서비스 시간을 모델링 할 때 이상치를 예측하기 쉬운 비대칭 연속 분포로 모델링한다면 매우 드물게 서비스 시간이 길어지는 경우가 있더라도 이를 예측할 수 있게 될 것이다.
또한, 고객의 요청에 대한 정확한 수요를 예측하는 것은 불확실성을 줄이는 또 다른 접근법이다. 광범위한 지역에서 발생하게 될 수요를 지역 단위로 예측하고, 이 미래의 수요를 결정 모델의 의사 결정에 반영하여 불확실성으로 인한 위험을 감소시킬 수 있다. 카카오모빌리티는 수요 예측에 대해 높은 기술력과 오랜 경험을 가지고 있다. 예를 들어 대리 수요 지도와 같이 지역별 수요 예측에 대한 서비스 경험과 강점을 가지고 있다.
순차적 결정 모델의 경우, 수요 예측을 포함한 정보 모델을 설계할 때 미래의 결과가 확정되어 있다고 가정하여 설계할 것인지 또는 미래 정보가 변화할 수 있다고 가정하여 설계할지에 따라 접근 방법이 달라진다. 기존의 확정적인 배송 문제와 달리 불확실성이 많은 온디맨드 배송의 경우는 아직 학문적으로 널리 인정받는(dominant) 접근법은 확립되어 있지 않고 문제별 접근법들이 많이 연구되고 있다. 또한 동적 최적화의 정도(DoD)와 문제에 따라 이러한 순차적인 결정 과정의 정보모델과 결정모델을 모델링하는 다양한 시도들이 있어왔다. 또한 결정모델에 있어서는 최근 MIP(Mixed Integer Programming)와 메타휴리스틱 기법 외에 강화학습으로 결정모델의 해를 찾는 연구들이 늘어나고 있다. 카카오모빌리티는 고객사의 현황과 배차 요건을 분석하고 이를 바탕으로 가장 적합한 모델을 채택할 수 있다.
카카오모빌리티의 TMS가 걸어갈 미래
카카오모빌리티의 TMS는 이러한 다양한 유형의 문제에 대한 배차 계획을 위한 기술 외에도 TMS의 어드민, 앱, 엔진에서 고객 편의를 위한 다양한 기능들을 개발하여 고객 편의가 증강된 시스템으로 발전시켜 나갈 계획이다. 배송 관제와 관리의 편의를 위해 지오펜싱을 기반으로 권역을 관리하고 이 권역에 대해서 모니터링할 수 있는 편의 기능을 제공하고, 접근성이 높은 카카오톡 알림톡을 통해 배송 관련 주요 지표들에 대한 대시보드를 제공하는 배송통계 지원 기능이 추가될 예정이다. 또한 카카오모빌리티 개발자 홈페이지를 통해 고객이 직접 빠른 속도의 다양한 형태의 배차 계획을 체험해볼 수 있도록 시뮬레이션 데모 기능을 순차적으로 오픈할 계획이다.
카카오모빌리티 디지털경제연구소
카카오모빌리티 리포트에 대한 저작권은 (주)카카오모빌리티가 소유하고 있습니다. 본 리포트에 대한 상업적 이용은 금지되어 있으며, 인용 시에는 반드시 출처를 밝혀주시기 바랍니다.
Copyright ⓒ 2022 Kakao Mobility Corp.