Coordinating Replenishment and Dynamic Pricing for Perishable Omnichannel Retail: A Fixed-Point Dynamic-Programming–Reinforcement-Learning Framework

현대 소매업의 세계에서 신선 식품을 판매하는 과제는 여러 단계에 걸쳐 수행되는 고난도의 줄타기와 같아졌습니다. 소비자들은 더 이상 단일 매장을 방문하지 않습니다. 그들은 동네 가게에서 물건을 집어 들거나, 홈 배송을 주문하거나, 온라인으로 구매한 뒤 직접 수령하는 등 복잡한 선택의 망을 통해 구매합니다. 이러한 옴니채널 접근 방식은 편리함을 제공하지만, 과일이나 채소와 같이 유통기한이라는 엄격하고도 촉박한 시계가 돌아가는 부패하기 쉬운 상품에는 물류 측면의 악몽을 불러옵로니다. 핵심적인 어려움은 두 가지 상충하는 요구 사항 사이의 균형을 맞추는 데 있습니다. 즉, 고객이 어느 순간에 기꺼이 지불할 용의가 있는 가격에 맞춰 가격을 유연하게 유지하는 것과, 아무것도 팔리기 전에 썩지 않도록 딱 적절한 양의 재고를 주문하는 것 사이의 균형입니다. 만약 소매업자가 너무 많이 주문하면 음식이 부패하여 폐기물이 되고, 너무 적게 주문하면 판매 기회를 놓치고 고객을 실망시킵니다. 수십 년 동안 연구자들은 이 퍼즐을 풀기 위해 수학적 모델을 구축하려 노력해 왔으며, 종종 얼마나 주문할 것인가에 대한 결정과 어떤 가격을 책정할 것인가에 대한 결정을 별개의 문제로 취급했습니다. 그러나 신선한 농산물 코너의 현실은 이 두 결정이 매우 밀접하게 얽혀 있으며, 매장이 새로운 물품을 받는 속도가 이전보다 훨씬 더 결정적인 역할을 한다는 점입니다.

연구팀은 부패하기 쉬운 상품의 흐름을 관리하기 위해 두 가지 다른 유형의 컴퓨터 로직을 결합하여 이 문제를 해결하는 새로운 방법을 개발했습니다. 전체의 복잡한 시스템을 한 번에 해결하려고 하는 대신, 그들은 작업을 서로 다른 시간 척도에서 작동하는 두 부분으로 나누었습니다. 시스템의 한 부분은 '동적 계획법(dynamic programming)'이라 불리는 방법을 사용하는데, 이는 본질적으로 엄격하고 미래를 내다보는 계획가 역할을 합니다. 이 계획가는 음식의 유통기한과 폐기 비용을 고려하여 정확히 얼마만큼의 신선 농산물을 주문할지 결정하기 위해 장기간을 내다봅니다. 두 번째 부분은 '강화 학습(reinforcement learning)' 기술을 사용하며, 이는 실시간 트레이더처럼 작동합니다. 이 에이전트는 매장의 재고 연령과 수요 변동을 관찰하며, 제품이 만료되기 전에 오래된 재고를 판매할 수 있도록 즉각적으로 가격을 조정합니다. 결정적으로, 연구진은 이 두 부분이 고립되어 작동하게 두지 않고, 서로 대화하도록 강제했습니다. 장기 계획가는 실시간 트레이더가 실제로 설정한 가격을 바탕으로 주문 목표를 조정하고, 트레이더는 계획가가 만든 재고 수준을 바탕으로 가격을 책정하는 법을 배웁니다. 그들은 이 시스템을 딸기(사용 가능한 유통기한 4일)를 판매하는 신선 농산물 소매업체의 상세한 컴퓨터 시뮬레이션에서 1년 동안 테스트했습니다.

이 연구에서 가장 놀라운 발견은 정교한 가격 책정 알고리즘보다 배송 트럭의 일정이 훨씬 더 중요하다는 점입니다. 연구진은 매장이 실제로 식품 폐기 문제에 직면하는지 여부가 신규 재고를 받는 빈도와 그 재고가 지속되는 기간 사이의 비율에 전적으로 달려 있다는 것을 발견했습니다. 시뮬레이션 결과, 4일의 유통기한을 가진 제품에 대해 매일 신선한 배송을 받을 때 폐기율은 0.04%에 불로 거의 제로에 가까웠습니다. 이 시나리오에서는 음식이 너무 빨리 판매되어 늙을 틈이 없었기 때문에, 아무리 영리한 가격 책정이나 복잡한 계획도 상황을 개선할 수 없었습니다. 시스템이 너무 효율적이어서 문제가 발생할 여지가 없었던 것입니다. 그러나 배송 주기가 3일로 늘어나자 상황은 급변했습니다. 동일한 제품을 사용하는 동일한 매장에서 폐기율이 거의 6.6%로 급증했습니다. 이는 '부패 문제'가 항상 존재하는 것이 아니라, 배송 일정에 의해 만들어지는 조건임을 드러냈습니다. 배송 주기 사이의 시간이 충분히 짧다면 음식은 늙지 않으며, 이 경우 고급 알고리즘은 최적화할 대상이 없습니다. 복잡한 가격 책정 메커니즘은 배송 주기가 제품이 노후화될 만큼 충분히 길어질 때 비로소 가치를 발휘합니다.

또 다른 주요 발견은 소매업체가 온라인 고객에게 약속하는 식품 신선도에 관한 것이었습니다. 많은 매장은 고객을 유인하기 위해 온라인 주문 상품이 특정 일수의 유통기한을 보유하고 있다고 보장합니다. 연구진은 이 보장을 고정된 마케팅 규칙이 아닌 가변적인 결정 요소로 다루었습니다. 결과에 따르면, 더 신선한 음식을 보장하기 위해 이 약속을 강화하는 것이 오히려 사업에 해가 되었습니다. 연구진이 보장 기간을 1일에서 2일로 늘렸을 때 온라인 판매는 약 10% 증가했지만, 이익은 3% 이상 감소했고 폐기되는 음식의 양은 3배로 늘어났습니다. 그 이유는 더 엄격한 보장이 여전히 먹을 수 있지만 약간 오래된 재고를 온라인에서 판매되지 못하도록 차단하기 때문입니다. 그 재고는 결국 오프라인 매장으로 밀려나게 되며, 그곳에서는 판매하기가 더 어려워져 결국 가격이 인하되거나 버려지게 됩니다. 연구는 이 특정 환경에서 최선의 전략은 가능한 최소한의 신선도 보장을 제공하는 것이라고 결론지었습니다. 더 많은 신선도를 약속하려는 시도는 정당화할 만큼의 추가 이익을 창출하지 못한 채 더 많은 폐기물만 만들기 때문입니다.

또한 연구진은 주문과 가격 책정 결정이 피드백 없이 순차적으로 이루어지는 시스템과, 단일 컴퓨터 에이전트가 주문과 가격 책정을 동시에 학습하려고 시도하는 시스템을 포함하여 여러 다른 방법들과 이 협력적 접근 방식을 비교했습니다. 결과는 명확했습니다. 모든 것을 처음부터 학습하려는 컴퓨터 에이전트가 수익이 현저히 낮고 불안정성이 훨씬 높았기에 성과가 가장 저조했습니다. 이는 신선한 식품의 주문 물류를 스스로 학습하는 것은 기계에게 너무 어려운 작업이며, 주문을 처리하기 위한 구조적이고 논리적인 계획가의 틀이 필요하고, 머신 러닝은 가격을 조정하는 작업에 가장 적합하다는 것을 시사합니다. 두 접근 방식을 결합한 협력 시스템이 반드시 단순한 순차적 방식보다 더 많은 돈을 벌어다 준 것은 아니었지만, 훨씬 더 중요한 일을 해냈습니다. 바로 폐기를 안정화한 것입니다. 주문과 가격 책정 사이의 피드백 루프를 닫음으로써, 이 시스템은 두 결정이 서로 정렬되지 않았을 때 발생했던 간헐적인 대규모 폐기 급증을 방지하며 순차적 방식에 비해 폐기량을 절반 이상 줄였습니다.

궁극적으로 이 연구는 소매업자들에게 냉철하면서도 실용적인 지침을 제공합니다. 이는 값비싼 하이테크 가격 책정 알고리즘에 투자하기 전에, 매장이 먼저 배송 일정을 살펴봐야 함을 시사합니다. 만약 매장이 매일 신선한 재고를 받는다면, 폐기 문제는 이미 달력에 의해 해결된 상태이며 어떤 소프트웨어도 이를 더 개선할 수 없습니다. 만약 배송 주기가 더 길다면 문제가 존재하는 것이며, 이를 어떻게 관리할 것인가에 대한 선택이 중요해집니다. 또한 연구는 공급업체가 결정하는 식품 자체의 원가가 매장의 수익에 가격 전략보다 훨씬 더 큰 영향을 미친다는 점을 강조합니다. 공급업체에 지불하는 가격을 조금만 개선해도 연간 이익이 수만 달러 바뀔 수 있는 반면, 최고의 가격 책정 알고리즘이라 할지라도 이익을 몇 천 달러 정도만 변화시킬 수 있습니다. 연구는 폐기를 줄이는 가장 효과적인 방법은 고객에게 최대한 신선한 음식을 약속하는 것이 아니라, 내부의 폐기 비용과 배송 타이밍을 관리하여 공급망이 제품의 자연스러운 수명에 맞게 설계되도록 하는 것이라고 결론지었습니다.