Professional Documents
Culture Documents
대상 - 딥러닝 기술을 활용한 전동킥보드 통합 운영 컨소시엄
대상 - 딥러닝 기술을 활용한 전동킥보드 통합 운영 컨소시엄
지도교수 : 남대식
인하대학교 아태물류학부 김석완, 문지예, 이혜인, 정회준
Abstract
What is SCM?
연구 전개
1. 배경 및 국내 동향 4. 딥러닝 기반 통합효과 실증 분석
- 배경, 국내 동향 - 선행연구
- 전동킥보드 업체의 운영 방식 및 업무 프로세스 - 연구 가정과 분석 방법
- 업체의 운영 리스크와 발생하는 문제 - 수요예측 기법
- 현재 운영방식의 위험성 - 수배송 문제 해결을 위한 GA
- 통합 운영의 장점 및 필요성 - 비용 절감 효과 분석
- 통합 및 협업 구축 사례 - 발전방향
- 한계점 및 결론
3. 상생 컨소시엄 구축
- 아이디어 제안 및 참여 대상
- 통합 수준 구상 및 설정
- 컨소시엄 개요도
배경 및 국내 동향
개인형 이동수단(Personal Mobility)와 전동 킥보드
• 라스트 마일의 이동을 담당하는 차세대 이동수단으로서 각광받고 있으며, Covid-19의 확산에 따라 사용량이 빠르게 증가하고 있음
• 전동 킥보드는 주차의 편리함, 좁은 공간에서의 이동 용이성 등을 바탕으로 개인형 이동수단의 대표주자로 두각을 드러내고 있음
개인형 이동수단 국내 시장 현황
• 2020년 8월, 서울시 기준 공유 전동 킥보드 업체는 16개로, 2018년 이후 지속적으로 증가하였으며, 시장규모는 전국적으로 확대되고 있음
35,850
운영수량(대수) 고고씽,
23%
시장내 업체수
16 16
13
16,580
7,500
1 킥고잉,
20%
150
씽씽(PUMP), 17%
2018.12. 2019.11. 2020.5. 2020.8.
출처: 서울시 Source: KEMA (2020.06)
• 중심상업지구 등 수요 발생지역 집중 배치
• GPS 센서, QR코드 활용
• 수요예측 기반 고객 수요 대응
배치
Contents 이용
Contents
킥보드
허브 보관 및 충전 운영 프로세스
수거 주차
• 지역 내 분산된 킥보드 수거
• 자유로운 주차 가능 (Free-Floating)
• 자체 물류팀, 배달업체 외주, 이용자 활용 등의 방식
업체의 운영 리스크와 발생하는 문제
공유 킥보드 업계가 가진 운영상의 리스크
리스크 1
수요예측의 한계와 재배치의 부정확성:
배치 제한된 양의 고객 이용데이터에 기반한 수요예측은 정확도 향상에 한계가 있으며, 그에 따른 부정확한 재배치 리스크
- 수요 대응 실패에 따른 수익 창출 및 고객 서비스 실패
리스크 2
매일 수 회 운용하는 수거 (재배치) 과정에서의 비효율적 수배송 발생 리스크
수거 - 1.5ton 트럭으로 운영하는 현 상황을 고려할 시 최적 capacity 활용의 어려움(Under Capacity)
- EMPTY TRIP의 발생 가능성 상존
업체의 운영 리스크와 발생하는 문제
국내 킥보드 업체의 현 운영방식 문제점
물류산업에서 통합의 중요성과 효과를 입증한 선행 연구 다수 존재 통합과 관련한 연구는 지속적으로 이루어지며,
점점 활발하게 연구되는 분야
아이디어 제안
상생
컨소시엄
컨소시엄 참여 대상 업체
통합 수준에 따른 컨소시엄과 기능
• 이전 통합수준에 더해 , 베이스 운영 통합
• 각 업체의 킥보드 이용 데이터 종합
• 수거와 재배치 과정 상 킥보드 수배송 업무 수행 재배치, 라우팅 최적화 효과 극대화
주요 기능 • 통합된 데이터를 기반으로 한 최적화된 수요
• 각 업체의 배차 요청 종합, 공동화 물류 기능 수행 *베이스 : 수거된 킥보드를 충전 후, 재배치 까지 보관하는 시설
대응과 능동적인 물류기능 수행
• 운영 전반에 걸친 통합 기능 수행
• 최적화된 재배치와 라우팅 구축에 명확한 한계 • 데이터 공유에 대한 업체들의 부담 존재 • 요금제, 고객 혜택 등 마케팅 부문이 업체들의
한계점
• 전반 산업에 가져오는 효과는 상대적으로 미흡 • 협업 체계 구축에 대한 기업들의 불신 유일한 차별 요소, 실현 가능성이 떨어짐
상생 컨소시엄 overview
업체 A
3PL
업체 B
상생 컨소시엄
업체 C 프로세스
데이터 제휴 운영 최적화
공동개발
업체 D
딥러닝 기반 통합효과 실증 분석
: 수요예측과 수배송 최적화
Chicago e-scooter datasets을 이용하여
딥러닝 기반 통합효과 실증 분석 : 선행 연구 1
선행 연구 1 : 수요 정보 통합
1) 수요예측과 재고 수준의 관계
• 수요예측의 정확도는 결품(stock out) 방지와 안전재고 수준을 결정하는 핵심 요소
“Operationally, it is clear that the accuracy of the forecast directly contributes to higher profits by reducing stock-out situations and lowering the level of safety inventory.”
*Ö zden Gür Ali et al, "SKU demand forecasting in the presence of promotions" , Expert Systems with Applications 36 (2009) 12340–12348
“To secure supply chain performance against forecast inaccuracy, an important countermeasure is safety stocks. The size of safety stocks required to obtain
a certain customer service level depends on the degree of demand uncertainty and the corresponding forecast errors.”
* Anna-Lena Beutel et al, "Safety stock planning under causal demand forecasting" , International Journal of Production Economics Volume 140 (2012) 637-645
2) 수요 정보 통합과 정확도
• 개별 수요정보 결합을 통한 수요예측 정확도 향상
“In the literature of supply chain planning and demand planning, demand aggregation is known as a ‘‘risk-pooling’’ strategy to reduce demand fluctuation for more
effective material/capacity planning”
“ Following aggregation, demand forecasting is the next step of demand planning to improve the accuracy of demand plans. It is known that demand uncertainty can be
effectively reduced through appropriate demand aggregation and forecasting”
* Chen, Argon et al, "Performance analysis of demand planning approaches for aggregating, forecasting and disaggregating interrelated demands", International journal of production economics, Vol.128 (2010) 586-602
공유 킥보드 산업 연계성
✓ 향상된 수요예측을 통해 킥보드 이용 수요에 효과적으로 대응하고, 고객 서비스 수준 증진
✓ “재고”를 배치되는 킥보드로 생각한다면, 특정 지역에 할당되는 킥보드의 과잉 배치를 막고,
업체의 제한된 킥보드의 총 수량을 효율적으로 배분 및 서비스 구역 확대 가능
✓ 킥보드 업체 간 개별적으로 수집한 고객 이용 데이터를 합산하여, 수요예측 정확도 향상 가능
딥러닝 기반 통합효과 실증 분석 : 선행 연구 2
✓ 물류 합리화
• 고객 서비스 향상과 물류 비용 감소라는 Trade off 관계를 고려, 총 비용 관점에서 합리적 물류 서비스 수준을 결정하는 체계
• 물류 합리화의 수송 분야 연구 : 수배송 공동화, 수배송 효율화
1) 수배송 공동화
• 수송 효율 향상과 비용 절감을 위해 2개 이상의 업체가 공동으로 수배송을 수행하는 물류 제휴 효과
1. 물류 비용 절감 2. 물류 서비스 안정 공급 3. 운송 시, 화물 혼재를 통한 규모의 경제 실현
2) 수배송 효율화
• 수송비용 절감을 목표로, 배송 경로 자동 작성을 통해 효율화된 경로를 재구축하는 물류 기법
• 화물차 배치와 관련된 차량 라우팅 문제를 수배송 효율화를 위하여 일관적인 고정 다이어그램이나 외부환경을 고려한 변동 다이어그램
시스템의 기법으로 해결함
비용
-> 차량에 실린 화물의 무게가 높을수록, 특정 하중에 대한 연료 소비량 감소 총비용
공유 킥보드 산업 연계성
✓ 각 업체의 킥보드를 공동의 수배송 시스템에 혼재하여 중복된 수배송 라우팅을 줄이고, 규모의 경제 실현 가능
✓ 차량의 적재량을 극대화 시켜 킥보드 운영에 소요되는 물류 고정비용과 수송비용을 감축하고, 합리적인 가격의 서비스 실현 가능
✓ 업체별로 진행되던 킥보드 재배치 업무를 공동화하여 수거를 위한 킥보드 최적 대수 확보 가능
딥러닝을 이용한 수요 예측 알고리즘
✓ 머신러닝과 딥러닝
진단 성능
뛰어났음을 증명”
머신러닝
*H Jeong et al "A review of artificial intelligence based demand forecasting techniques"(2016)
연구 가정
✓ 가상 기업 설정
기업 A B C D 통합
전체 데이터 대비
35% 25% 20% 20% 100%
기업 데이터 비율
분석 방법
1. 딥러닝을 활용한 수요예측 수행
1-1. A기업에 대한 수요예측 수행
1-2. 통합된 경우에 대한 수요예측 수행
1-3. 위의 두 경우에 대한 예측 정확도를 비교
장점 단점
전처리 기법
1. Imputing
= 결측값에 대한 전처리 과정으로, KNN(K근접이웃법)기반의 평균으로 결측값을 처리
2. Clustering
= 전동 킥보드는 Free-Floating 특성을 가지고 있기 때문에 데이터의 분산이 매우 높음
→ 수요 예측 자체에 큰 장애요소로 작용
Clustering을 통해, 수요 예측을 개별 킥보드 단위가 아닌 이웃된 수요로 그룹화하여 예측을 수행.
딥러닝 기반 통합 효과 실증 분석 1 : 수요예측 기법 LSTM, GAN
h h h
0 Cell State 1 2 Discriminator
장기 수요 진짜/가짜
기억 정보 판단
Generator
단기 단기 Latenet 가짜 예측
기억 기억 정보 생성
X X X Vector 수요 수요
0 1 2
• 모델붕괴의 가능성 상존
딥러닝 기반 통합 효과 실증 분석 1 : 이용자 수요예측 결과
딥러닝과 다른 기법 간 수요예측 결과 비교
0.87
• 통합 이후: LSTM이 다른 데이터들에 비해 월등히 좋은 능력을 보인다는 것을 확인할 수 있음
통합 전 통합 후
GA(Genetic Algorithm)
a b c d e 1 2 3 4 5 1 2 3 d e
Input : 예측된 수요 데이터,
차량 정보(capacity)
적합도
a b c 4 5
1 2 3 d e
•••
a b c 4 5 1 2 3 d e 1 2 3 ㄹ e GA : 여러가지 발생가능한
조건들을 탐색해보며
GA(Genetic Algorithm) 가장 최적의 경로 탐색
• 유전 알고리즘은 위의 개요도와 같이 선택, 교배, 변이의 과정을 거치며 최적에 근사한 차량 배치를 도출
Output : 최적의 경로로
구성된 배차 스케쥴
딥러닝 기반 통합 효과 실증 분석 2 : 수배송 문제 해결을 위한 GA
유전 알고리즘 적용 방법
수요 정보 입력
선택 : 최선 경로 선정
* CVRP: 한정 용량 경로탐색 문제
적합도 평가 : 경로 별 비용 계산
Yes No
최적 해 종결 조건
통합 전: 가상 4개의 업체 통합 후: 단일 계획
각각의 업체가 자사의 킥보드만을 회수하는 경우 통합된 하나의 솔루션을 통해 킥보드를 회수하는 경우
차량의 경로가 겹치는 경우가 많음 차량의 경로가 겹치는 경우가 적음
비효율적 동선 발생 동선 최적화 가능
가정
1. A기업은 1000대의 킥보드를 사용하여 서비스를 운영함 1. 수배송에 소모되는 비용은 경로 길이에 따른, 총 연료 비용을 다룸
2. 수요예측 실패로 인한, 서비스 실패에 대한 다른 대책이 존재하지 않음 2. A기업은 1000개의 킥보드를 재배치하기 위해, 한대에 30대를 적재할 수
(안전재고가 존재하지 않음) 있는 트럭 20대를 운영
3. 수요예측을 위해 사용하는 기법으로 LSTM을 사용함 3. A기업의 모든 차량의 제원은 현대자동차 포터2(4세대-2021년형)을 사용
수요 예측 정확도에 따른 비용 절감 효과
✓ 통합 전/후 비교
비용 산출 기준
• 수요 예측의 정확도 a에 대한 예측 실패 비용산출 방법 :
구분 내용 금액(원)
예측 실패 비용 = 운영 대수 x (1-예측 정확도) x 대당 순수익
매출 대당 회전율 2.4회 x 회당 매출 2,790원 6,800
• 아래는, 위의 식을 이용하여 산출한 통합 전/후의 수요 예측실패 비용 운영비 37%(킥보드 구입비용 포함)
비용 4,000
기타(통신 및 보험 등 수수료) 22%
수익 24개월 순수익 200만
비고 통합 전 통합 후
수배송 합리화에 따른 비용 절감 효과
✓ 통합 전/후 비교
비용 산출 근거
• 총 경로 길이에 따른 비용 산출 방법:
디젤 평균 판매가격
연료비용 = (총 경로 길이(km) / 차량 연비(l/km)) x 연료단위당 비용(원/km) 현대 포터2 연비
(2021.4 기준)
비고 통합 전 통합 후
약 30%의 비용절감 효과
상생 컨소시엄의 기대효과
기술적 측면
• 상생 컨소시엄 기반의 수요 데이터 통합
- LSTM & GAN 알고리즘을 개발, 수요예측의 정확도를 높여 전동킥보드를 고르게 배치할 수 있도록 함
경제적 측면
• 공유 킥보드 산업의 성장
- 불필요한 서비스 재고 감축으로 및 해당 자본을 소외지역에 재분배하여, 해당 산업이 더 넓은 지역으로 확대 및 활성화 될 수 있도록 함
상생 컨소시엄의 기대효과
사회 및 정책적 측면
• 라스트 마일 및 교통 복지 증진
- 기존 서비스 불가 지역을 포함한 킥보드가 필요한 교통 소외 지역에 최신의 딥러닝 기법을 적용하여 새롭게 기기를 공급함으로써 서비스 재고 수준 효율화
신사업 전개
• IoT센서를 부착한 위한 스마트시티 핵심 솔루션
- 공유 킥보드 서비스 사업자 및 지자체와 협력해 IoT센서를 접목시킨 킥보드를 지역 단위로 운영, 국지적인 ‘주변 환경·위험 정보’ 서비스 구축 기대
데이터 활용
• 통합 교통 서비스 MaaS와의 연계
- 데이터 수준의 향상으로 MaaS와의 연계 가능성 확대
- 교통 혼잡도 감소, 이산화 탄소 배출 37% 감소, 공공 주차공간 95% 절약 가능
• 민간 수요 맞춤형 데이터 제공
- 데이터 활용 사업 창업 유도 및 교통 데이터 新경제 창출
• 상생 컨소시엄의 고도화-시각화된 통계자료 활용
- 상생 컨소시엄에서 수집한 데이터를 기반으로 고도화-시각화된 통계자료 제공 및 사회적 문제 해결에 활용
기술적 측면
• 사물인터넷(IoT)기반 공유 킥보드 관리
- 사각지대의 킥보드 실시간 관리, 킥보드 이동 정보를 확인하여 킥보드 운영 정책, 교통 정책에 활용
• 블록체인으로 상생 컨소시엄 운영사 간 정보 교류 전산화
- 킥보드 운영 프로세스 효율성 증대, 킥보드 이용객 데이터 보안 강화
결론
연구 정리
• 각 업체들의 킥보드 회수, 충전, 재배치 등 일련의 물류 프로세스에 대한 중복 투자가 발생하는 상황 속 관리 측면의 비효율이 존재하는 문제에서 착안
• 공유 전동킥보드 산업의 안정적 성장 기반 구축이 목표
• 공유 킥보드 업체의 데이터 통합 및 물류 기능 공동화를 통한 상생 컨소시엄 구축 제안
• 공유 킥보드의 배치, 회수 및 관리 효율성 개선을 통한 기술적, 경제적, 사회 및 정책적 측면의 기대효과 기대
한계점 및 개선방향
1) 컨소시엄 구축의 업체 유도 한계점 및 개선방향
• 공유 킥보드 업체 입장에서 수요예측 및 데이터 처리 부분은 경쟁력의 요소로 데이터 통합에 대한 어려움 존재
2) 기술 측면 한계점 및 개선방향
• 현재 예측과 할당에 사용하고 있는 딥러닝과 GA는 이상값(outlier)에 취약하다는 문제와 결과값이 불안정하다는 문제 존재
➔ Transformer와 같은 최신의 딥러닝 기술이나, 메타휴리스틱 기법과 딥러닝 기법을 혼합하여 사용하는 모델을 통해 개선 가능
[2] Kian Cao et al, “Financial time series forecasting model based on CEEMDAN and LSTM”(ScienceDirect, 2019)
[3] 민연주 외 5, "a study on big data analytics and application in logistics", The korea transport institute 2018. 11
[4] Progressive grocer, "Pharmacy Industry Leaders Launch Firm to Supply Real-Time Data", 2001년 7월
[6] 공인택, 신광섭, "통합공급사슬에서 다기능 물류시설의 최적 용량 계획 및 운영전략에 관한 연구", 한국물류학회, 2020, vol.30
[8] Oliver Wyman 외 3, " '출혈경쟁'에서 '전략적 협업'으로", 동아비즈니스리뷰, 2009년 1월, Issue-1
[9] Nielsen Media “200만 이용자 목전에 둔 ‘퍼스널모빌리티’, 대안 교통수단으로 자리잡나?”, Nielsen, 2020년 11월 30일자, 제 310-2호
[10] 채희근, "중국 공유 자전거 업체들의 몰락이 주는 교훈", 2019년 10월, KB금융지주 경영연구소
[11] 김동규, “위례신도시, '퍼스널 모빌리티' 시험장으로…"활용성 검증", 연합뉴스, 2020년 12월 10일자
[12] KISO기획팀, ‘공유 전동킥보드’ 국내 동향과 그 기대효과, KISO JOURNAL, 2019년 9월 30일자
[13] 허민혜, “‘킥고잉’ 선두, 충성도는 ‘씽씽’…국내 공유 전동 킥보드 사용자 현황”, platum, 2020년05월25일자
References
[14] Kostić, Natalija. “CONSOLIDATION IMPACT ON TRANSPORTATION COSTS AND CO2 EMISSIONS IN GLOBAL SUPPLY CHAIN”, 4th logistics international
conference, 2019.05
[15] 장석화, “물류시스템에서 수송크기와 물류센터의 위치”, Journal of the society of korea industrial and systems engineering vol, 30, No. 3, pp12-19, 2007.09
[16] 삼영물류, “수배송합리화”, 금호인력개발원, 2002.04
[17] 엄지용, “전동킥보드 업체들이 공간 사업자와 협력하는 이유”, 바이라인네트워크, 2019.11
[18] 오성덕, “이동형 기상·환경 IoT 관측기술 ‘쏨비’ 개발 ··· 미세먼지 열섬현상까지 잡는다”, 건설기술, 2020.11
[19] 물류산업진흥재단, “해수부 조인트벤처 2호, 해상물류 혁신방안 발표”, “물류산업진행재단 공식 블로그”, 2019.08
[20] 산업통상자원부 홈페이지 (http://www.motie.go.kr)
[21] 스마트시티 종합포털 홈페이지 (https://smartcity.go.kr)
[22] 정인웅 외 2, "공유 자전거 시스템의 수요기반 재배치", 한국경영과학회, Vol.43 No.4, 2018.11
[23] Ö zden Gür Ali et al, "SKU demand forecasting in the presence of promotions" , Expert Systems with Applications 36, (2009) 12340-12348
[24] Anna-Lena Beutel et al, "Safety stock planning under causal demand forecasting" , International Journal of Production Economics Vol.140, (2012)
637-645
[25] Chen, Argon et al, "Performance analysis of demand planning approaches for aggregating, forecasting and disaggregating interrelated demands",
International journal of production economics, Vol.128, (2010) 586-602
[26] Chul Soon Park, "The Moderating Effect of Firm Size on the Relationship between Supply Chain Integration and Firm Performance" korean
management review 41, (2012) 1601-1627
[27] Soo Wook Kim, "Alignment between Supply Chain Integration Type and Diversification Strategy" , Korean management review 34, (2005) 471-496
References
[28] Nam-young Kim, "Which Strategy is better under Competition, Centralization or Decentralization of Supply Chain?" , Business management review
42, (2009) 39-54
[29] Christian Wankmüller et al, "Coordination, cooperation and collaboration in relief supply chain management" , Journal of Business Economics,
(2020) 239–276
[30] A. Darwish, A. E. Hassanien, and S. Das, ‘‘A survey of swarm and evolutionary computing approaches for deep learning,’’ in Artificial Intelligence
Review. Amsterdam, The Netherlands: Springer, 2019
[31] Ayturan, Yasin Akın, Zeynep Cansu Ayturan와/과Hüseyin Oktay Altun. “Air Pollution Modelling with Deep Learning: A Review”. Environmental
Modelling 1 (2018년)
[32] Yin, Chunyong, Sun Zhang, Jin Wang와/과Neal N. Xiong. “Anomaly Detection Based on Convolutional Recurrent Autoencoder for IoT Time Series”.
IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2020년
[33] Kumar, Manoj, Mohamed Husain, Naveen Upreti와/과Deepti Gupta. “Genetic Algorithm: Review and Application”. SSRN Electronic Journal, 2010년.
감사합니다.