• 한국전자거래학회지
• /
• 제26권1호
• /
• pp.67-78
• /
• 2021

국내 전자상거래는 거래액을 기준으로 최근 5년간 연평균 20% 이상의 성장률을 지속적으로 기록하고 있다. 전자상거래의 급증으로 인해 소비자를 직접 만나기 어려운 유통기업들은 고객과의 유일한 접점이 되는 라스트마일 서비스 경쟁이 치열한데, 특히 최근 가장 경쟁이 뜨거운 배송영역은 서비스 차별화를 위해 풀필먼트 센터의 역할이 매우 중요하다. 소비자가 주문한 제품을 서비스 수준에 맞춰 신속하게 준비 할 수 있는 역량을 반드시 갖추고 있어야 한다. 본 연구는 전자상거래 시장에서 기업이 경쟁력을 갖추기 위한 방안으로써 풀필먼트 센터에서의 신속한 주문처리를 위해 오더피킹 시스템을 대상으로 연구를 진행하였다. 오더피킹 설비에서의 재고 보충 최적화를 위한 수리 모형 알고리즘을 구현하고, 실제 운영 프로세스와 데이터를 활용한 시뮬레이션을 통해 과학적이고 객관적인 방법으로 효과를 검증하였다.

• 한국빅데이터학회지
• /
• 제8권2호
• /
• pp.149-163
• /
• 2023

지속적인 이커머스 시장의 성장으로 풀필먼트센터가 처리해야 하는 주문량은 증가하였고, 다양한 고객 요구사항은 주문 처리의 복잡성을 높이고 있다. 이러한 추세와 함께 최근 인건비 증가로 인해 풀필먼트센터의 운영 효율성이 기업 경영 관점에서 더욱 중요해지고 있다. 본 연구는 풀필먼트센터의 출고 프로세스 중 포장 작업 영역에 적용 가능한 박스 추천을 중심으로 연구를 수행하였다. 박스 추천을 하기 위해 과거 실적 데이터를 기계학습 모형의 학습 데이터로 사용하였다. 상품 정보, 주문 정보, 포장 정보, 배송 정보 4가지 종류의 데이터를 전처리, 변수 가공 과정을 거쳐 기계학습 모델에 적용하였다. 입력 벡터로는 상품 규격 정보에 해당하는 width, length, height 3가지 특성을 사용하였으며, 상품의 실수 정보를 구간별 정수체계로 변환하는 변수 가공 과정을 통해 입력 벡터의 특성을 추출하였다. 기계학습 모형별 성능을 비교한 결과 GradientBoosting 모델을 적용하였을 경우 21개의 구간으로 상품 규격 정보를 정수로 변환하였을 때 95.2%로 가장 높은 정확도로 예측을 수행함을 확인하였다. 본 연구는 풀필먼트센터에서 잘못된 박스 선택으로 인해 발생하는 물류비용의 증가와 박스 포장 소요 시간의 비효율을 줄이기 위한 방안으로 기계학습 모형을 제시하며, 상품 규격 정보의 특성을 효과적으로 추출하기 위한 변수 가공 처리 방식을 제안한다.