The Journal of Bigdata (한국빅데이터학회지)

Korea Bigdata Society (한국빅데이터학회)
권호 표지

Research on Location Selection Method Development for Storing Service Parts using Data Analytics

데이터 분석 기법을 활용한 서비스 부품의 저장 위치 선정 방안 수립 연구

  • 손진호 ((주) 미소정보기술) ;
  • 신광섭 (인천대학교 동북아물류대학원)
  • Received : 2017.12.02
  • Accepted : 2017.12.26
  • Published : 2017.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

Service part has the attribute causing a difficulty of the systematic management like a kind of diversity, uncertainty of demand, high request for quick response against general complete product. Especially, order picking is recognized as the most important work in the warehouse of the parts since inbound cycle of the service part long but outbound cycle is relatively short. But, increasing work efficiency in the warehouse has a limitation that cycle, frequency and quantity for the outbound request depend on the inherent features of the part. Through this research, not only are the types of the parts classified with the various and specified data but also the method is presented that it minimizes (that) the whole distances of the order picking and store location about both inbound and outbound by developing the model of the demand prediction. Based on this study, I expect that all of the work efficiency and the space utilization will be improved without a change of the inbound and outbound quantity in the warehouse.

서비스 부품은 일반적인 완성품에 비해 종류의 다양성, 수요의 불명확성, 빠른 대응에 대한 높은 요구 등과 같이 체계적 관리의 어려움을 유발하는 속성을 가지고 있다. 특히, 서비스 부품의 입고 주기는 길지만 출고 주기는 상대적으로 낮은 편이어서, 서비스 부품 저장 창고의 경우 전체 작업 중 오더 피킹이 가장 중요한 작업으로 인식되고 있다. 그러나 출고 수요에 대한 주기, 빈도, 출고량은 부품이 가지는 고유한 특징에 따라 달라지기 때문에 일관된 보관위치 결정 기준을 활용할 경우 물류 센터 내 작업 효율성을 높이는 데 한계가 존재할 수밖에 없다. 본 연구에서는 서비스 부품이 가지는 다양한 특성 데이터를 바탕으로 부품의 유형을 구분하고, 각 유형별 수요예측 모형을 개발하여 입출고를 위한 저장과 오더 피킹의 전체 거리를 최소화하기 위한 방안을 제시하였다. 이를 통해 서비스 부품의 입출고 수량을 변화시키지 않은 상태에서도 물류 센터 내 작업 효율성과 함께 공간 활용의 효율성도 동시에 향상 시킬 수 있을 것으로 예상된다.

Keywords

References

  1. 김경언, "강화된 k-평균 군집분석에서 초기치 선정의 복잡도 개선", 제주대학교 대학원석사학위논문, 2012.
  2. 김재석, "관광여가 산업의 자산구조가 경영성과에 미치는 영향", 관광학연구, 제30권, 제3호, pp.293-310, 2006.
  3. 김창욱, 김성식, 배경환, "자동창고의 적체현상에 관한 연구", 경영과학, 제7권, 제1호, pp.138-154, 1990.
  4. 김창환, "Lean Six Sigma 기반의 물류센터 물류 프로세스 개선 방법론", 인천대학교 대학원 석사학위논문, 2008.
  5. 이강수, "자동차 보수용 부품의 수요패턴을 고려한 예측모형 선정 방법론 연구", 고려대학교 공학대학원, 2007.
  6. 이형규, "창고내 저장위치 결정을 위한 데이터마이닝 응용", 한양대학교 대학원 석사학위논문, 2008.
  7. 조진행, 오세조, "물류관리: 이론과 설계", 서울, 두남, 2008.
  8. Bacchetti, A. and N. Saccani, "Spare parts classification and demand forecasting for stock control: Investigating the gap between research and practice", OMEGA, Vol.40, No.6, pp.722-737, 2012. https://doi.org/10.1016/j.omega.2011.06.008
  9. Calinski, T. and J. Harabasz, "A dendrite method for cluster analysis", Taylor & Francis, Vol.3, No.1, pp.1-27, 1974.
  10. Croston, J., "Forecasting and stock control for intermittent demands", Operation Research Quarterly, pp.289-303, 1972.
  11. Duda, R. and P. Hart, "Pattern classification and scene analysis", Wiley New York, 1973.
  12. Eaves, A. and B. Kingsman, "Forecasting for the ordering and stock-holding of consumable spare parts", Journal of the Operational Research Society, Vol.55, No.4, pp.431-437, 2004. https://doi.org/10.1057/palgrave.jors.2601697
  13. Lengu, D. and A. Syntetos, and M. Z. Babaic, "Spare parts management: Linking distributional assumptions to demand classification", Elsevier, Vol.235, No.3, pp.624-635, 2014. https://doi.org/10.1016/j.ejor.2013.12.043
  14. Macqueen, J., "Some methods for classification and analysis of multivariate observations", University of California Press, 1967.
  15. Milligan, G. and M. Cooper, "An examination of procedures for determining the number of clusters in a data set", Psychometrika, Vol.50, No.2, pp.159-179, 1985. https://doi.org/10.1007/BF02294245
  16. Morris, A., Y. Cohen, and V. Agrawal, "Service parts logistics: a benchmark analysis", Taylor & Francis, Vol.29, No.8, pp.627-639, 1997. https://doi.org/10.1080/07408179708966373