Late Delivery Risk Prediction in Supply Chain: Moving from Reactive to Proactive Delay Management

물류의 세계를 거대한, 혼란스러운 '캐치 미 이프 유 캔(Catch Me If You Can)' 게임이라고 상상해 보세요. 여기서 패키지는 플레이어가 되고, 배송 트럭은 추격자가 됩니다. 때때로 패키지는 길을 잃고, 트럭은 교통 체증에 걸리며, 날씨가 심술을 부려 게임이 늦은 도착으로 끝나기도 합니다. 오랫동안 기업들은 이 게임을 반응적으로 수행해 왔습니다. 즉, 패키지가 늦을 때까지 기다렸다가 그제서야 당황하며 문제를 해결하려고 노력했습니다. 하지만 만약 당신에게 수정구슬이 있다면 어떨까요? 그것이 바로 머신러닝(Machine Learning)의 세계입니다. 머신러닝은 컴퓨터에게 과거의 패턴을 포착하는 법을 가르쳐 다음에 무슨 일이 일어날지 예측하게 하는 컴퓨터 과학의 한 분야입니다. 이것은 마치 수백 권의 추리 소설을 읽은 탐정과 같습니다. 탐정은 용의자가 빨간 모자를 쓰고 밤에 달리면 그가 범인일 가능성이 높다는 것을 알고 있습니다. 이 이야기에서 '용의자'는 배송 주문이며, '범죄'는 배송 지연입니다. 우리가 살펴보고 있는 이 논문은 단순하지만 강력한 질문을 던집니다. "배송 전 단계에서 디지털 탐정을 활용해 배송 지연을 예측할 수 있을까? 그래서 문제가 발생하기 전에 범죄를 막을 수 있을까?"

---

배송 지연 위기: 깨진 약속의 이야기

매일 수백 건의 글로벌 주문을 처리하는 APL 로지스틱스(APL Logistics)는 거대한 골칫거리에 직면해 있었습니다. 여러분의 피자 배달 서비스 중 절반이 식은 상태로 한 시간이나 늦게 도착한다고 상상해 보세요. 이곳에서 일어나던 일이 대략 그러했습니다. 전체 출하량의 **54.8%**가 늦게 도착하고 있었습니다. 이는 단순히 고객을 짜증 나게 하는 문제가 아니었습니다. 회사의 비용을 발생시키고 평판을 깎아먹고 있었습니다. 기존의 방식은 '반응적(reactive)'이었습니다. 즉, 피해가 발생한 후에야 문제를 해결하려고 했다는 뜻입니다. 팀은 새로운 도구를 사용하여 미래를 내다보는 '선제적(proactive)'인 방식으로 전환하고자 했습니다.

수정구슬: 예측 모델 구축하기

이 '수정구슬'을 만들기 위해 연구원들은 먼저 엉망진창인 데이터 더미를 정리해야 했습니다. 페이지가 찢겨 있고, 잉크 자국이 묻어 있으며, 폭풍이 지나간 후에 적힌 메모들이 섞여 있는 공책을 가지고 날씨를 예측하려는 상황을 상상해 보세요. 그것이 실제 데이터가 보이는 모습입니다.

먼저, 현실 세계에서 사용할 수 없는 정보를 컴퓨터가 사용하지 못하도록 차단해야 했습니다. 데이터에는 '실제 배송 상태(Actual Delivery Status)'나 '실제 배송 소요 일수(Real Days for Shipping)'와 같은 열(column)이 있었습니다. 만약 컴퓨터가 이를 본다면, 정답지를 보고 결과를 추측해 버릴 것이며, 이는 실생활에서는 아무런 쓸모가 없습니다. 그들은 이러한 열들을 제거하여, 모델이 패키지가 출고되기 '전'에 사용 가능한 정보만을 사용하도록 보장했습니다.

다음으로, 컴퓨터가 인간의 언어를 이해할 수 있도록 가르쳐야 했습니다. 컴퓨터는 숫자만을 말하기 때문에, "Standard Class"나 "First Class"와 같은 단어들을 코드(0과 1)로 변환했습니다. 또한 우편번호와 같이 빠져 있는 퍼즐 조각들을 채워 넣어 컴퓨터가 혼란에 빠지지 않도록 했습니다.

까다로운 부분 중 하나는 데이터의 불균형이었습니다. 이는 사자의 99%가 얼룩말인 동물원에서 사자를 식별하는 법을 배우는 것과 같았습니다. 컴퓨터는 매번 "얼룩말"이라고 답하고도 맞았다고 생각할 것이며, 결코 사자를 찾아내는 법을 배우지 못할 것입니다. 실제로 배송 지연은 꽤 빈번했기 때문에(54.8%), 팀은 SMOTE라고 불리는 영리한 기술을 사용했습니다. SMOT를 '지연된' 배송의 새로운 가짜 예시를 만들어내는 복사기로 생각하면 쉽습니다. 이를 통해 훈련 데이터를 공정하게 만들어, 컴퓨터가 정시 도착 패키지와 지연 패키지를 모두 똑같이 잘 식별하도록 학습시킵니다.

핵심 재료: 피처 엔지니어링 (Feature Engineering)

연구원들은 단순히 원시 숫자를 컴퓨터에 입력한 것이 아니라, 모델이 더 똑똑하게 생각할 수 있도록 돕는 특별한 재료인 '피처(features)'를 만들어냈습니다.

1. 배송 압박 지수 (Shipping Pressure Index): 단일 출하량에 얼마나 많은 업무가 쌓여 있는지 계산했습니다. 큰 주문이 들어왔는데 배송할 수 있는 시간적 여유가 매우 적다면, 이는 높은 압박 상태입니다.
2. 운송 모드 위험 플래그 (Mode Risk Flag): 특정 배송 속도에 '위험 태그'를 부여했습니다. 만약 패키지가 "First Class"나 "Express"로 표시되어 있다면, 모델은 이들이 지키기 매우 까다로운 짧은 배송 시간을 약속하고 있으므로 고위험군임을 인지합니다.
3. 지역 혼잡도 지수 (Region Congestion Index): 역사를 바탕으로 어떤 지역이 항상 교통 체증이 발생하는지 살펴보았습니다. 어떤 지역은 막힌 배수관처럼 항상 지연을 일으켰습니다.
4. 주문 복잡도 점수 (Order Complexity Score): 제품 가격과 목적지의 접근 난이도를 결합했습니다. 비싼 물건이 도달하기 어려운 곳으로 갈 경우 높은 '복잡도' 점수를 부여하여 시스템이 각별히 주의하도록 경고합니다.

데이터가 밝혀낸 것: 충격적인 진실들

팀이 컴퓨터에게 숫자를 분석하게 하자, 관리자들이 놓치고 있었던 놀라운 비밀들이 드러났습니다.

• "Second Class"의 함정: 데이터는 "Second Class" 배송이 재앙이라는 것을 보여주었습니다. 2일이 걸린다고 약속했지만, 실제로는 거의 4일이 걸렸습니다. 거의 항상 2일씩 지연되었습니다. 마찬가지로 "First Class"는 1일을 약속했지만 2일이 걸렸습니다. 회사는 지킬 수 없는 약속을 하고 있었고, 고객들은 화가 나 있었습니다.
• 위험 구역: 세계 지도 곳곳이 특정 구역에서 붉은색으로 빛났습니다. 중앙아프리카, 남아시아, 동아프리카가 가장 위험한 구역이었으며, 이곳의 평균 배송 지연 확률은 **60%**에 육박했습니다. 이는 단순히 운이 나쁜 것이 아니라, 통관 및 현지 파트너들과 관련된 구조적인 문제였습니다.
• 자금 누출: 모델은 회사가 돈을 낭비하고 있는 특정 제품과 지역을 찾아냈습니다. 미네소타(Minnesota) 주에 배송하는 것은 주문당 -$464의 손실을 보고 있었습니다. 특정 제품인 "Total Gym 1400"은 주문될 때마다 -$441를 잃고 있었습니다. 회사는 사실상 사람들에게 자기 제품을 가져가라고 돈을 주고 있는 셈이었습니다.

마법의 72%: 이 수정구슬은 얼마나 정확한가?

팀은 데이터의 80%로 컴퓨터 모델을 훈련시키고 나머지 20%로 테스트했습니다. 결과는 어땠을까요? 랜덤 포레스트(Random Forest) 모델(여러 개의 결정 트리(decision trees)를 사용하여 선택을 내리는 알고리즘의 한 종류)은 72%의 정확도를 달성했습니다.

이제 72%라는 수치는 B- 학점처럼 들릴 수도 있습니다. 하지만 교통 체증, 폭풍, 세관 직원 등이 하룻밤 사이에 모든 것을 바꿀 수 있는 예측 불가능하고 혼란스러운 글로벌 물류의 세계에서, 이는 엄청난 승리입니다. 모델은 단순히 "예" 또는 "아니오"라고 말하는 것이 아니라, 확률 점수를 제공하여 주문을 **저위험(Low), 중위험(Medium), 고위험(High Risk)**으로 분류합니다. 이를 통해 운영 팀은 즉각적인 주의가 필요한 '고위험' 주문에 에너지를 집중할 수 있습니다.

코드에서 행동으로: 라이브 대시보드

연구원들은 모델을 단순히 컴퓨터 실험실에 남겨두지 않았습니다. 그들은 비디오 게임 컨트롤 패널처럼 생긴 실시간 웹 도구인 Streamlit 대시보드를 구축했습니다.

• 개요 (Overview): 위험에 처한 주문이 얼마나 되는지 큰 그림을 보여줍니다.
• 주문 확인 (Order Check): 작업자가 새로운 주문을 입력하면, 대시보드는 즉시 "이것은 고위험군입니다!"라고 알려줍니다.
• 실행 계획 (Action Plan): 팀에게 정확히 무엇을 해야 할지 알려줍니다. "Second Class" 배송의 경우, 파트너와 대화하여 배송 약속을 수정해야 합니다. "Total Gym 1400"과 미네소타 주문의 경우, 판매를 중단하거나 더 저렴한 배송 방법을 찾아야 할 수도 있습니다.

물류의 미래

이 프로젝트는 재난에 반응하는 것에서 재난을 예측하는 것으로의 전환입니다. 저자는 현재의 모델이 훌륭한 '안전망' 역할을 하고 있지만, 미래는 훨씬 더 밝을 수 있다고 제안합니다. 실시간 날씨 데이터나 실시간 항만 교통 정보를 결합하는 모습을 상상해 보세요. 목표는 단순히 지연을 예측하는 것을 넘어, 지연을 피하기 위한 최적의 경로를 실제로 처방(prescribe)하는 것입니다.

결국, 이 논문은 지저로 된 데이터를 정리하고, 컴퓨터에게 패턴을 찾는 법을 가르치며, 인간이 실제로 사용할 수 있는 도구를 구축함으로써, 물류 회사가 손실을 막고, 고객을 만족시키며, 혼란스러운 '잡기 놀이'를 잘 짜인 기계처럼 돌아가는 시스템으로 바꿀 수 있음을 보여줍니다. 수정구슬이 완벽하지는 않지만, 그것은 미래를 보기 위해 그들이 가진 최고의 도구입니다.