재고의 배치 위치는 오더 피킹 시 효율성을 결정하는 가장 중요한 요소라고 할 수 있다. 적재위치에 따라 오더 피킹 장비의 동선을 최소화할 수 있고, 그에 따라 비용 절감 및 작업 효율성 향상의 효과를 기대할 수 있기 때문이다. 그러나 일부 물류센터 혹은 야적장에서는 제품의 적재 위치를 결정하는 데 있어 체계적이고 분석적 기법 보다는 작업자의 직관과 경험에 의존하고 있는 것이 현실이다. 본 연구에서는 실제 건자재제조업체의 실제 야적장의 구조와 실제 연간 주문 내역을 바탕으로 제품 사이의 연관성을 파악하고, 그 결과를 기준으로 제품의 적재 위치를 결정하는 새로운 기준을 제시한다. 이를 통해 집하를 위한 동선을 최소화하고, 상차 지연에 따른 납기 지연의 문제를 해결할 수 있음을 실제 주문 데이터를 통해 증명한다.
재고의 배치 위치는 오더 피킹 시 효율성을 결정하는 가장 중요한 요소라고 할 수 있다. 적재위치에 따라 오더 피킹 장비의 동선을 최소화할 수 있고, 그에 따라 비용 절감 및 작업 효율성 향상의 효과를 기대할 수 있기 때문이다. 그러나 일부 물류센터 혹은 야적장에서는 제품의 적재 위치를 결정하는 데 있어 체계적이고 분석적 기법 보다는 작업자의 직관과 경험에 의존하고 있는 것이 현실이다. 본 연구에서는 실제 건자재제조업체의 실제 야적장의 구조와 실제 연간 주문 내역을 바탕으로 제품 사이의 연관성을 파악하고, 그 결과를 기준으로 제품의 적재 위치를 결정하는 새로운 기준을 제시한다. 이를 통해 집하를 위한 동선을 최소화하고, 상차 지연에 따른 납기 지연의 문제를 해결할 수 있음을 실제 주문 데이터를 통해 증명한다.
The inventory location is the mos important factor which decide the efficiency of picking orders. According to the inventory location, it is possible to optimize the route for picking order, and then it makes us to expect the cost reduction and efficiency improvement. However, it is practical situat...
The inventory location is the mos important factor which decide the efficiency of picking orders. According to the inventory location, it is possible to optimize the route for picking order, and then it makes us to expect the cost reduction and efficiency improvement. However, it is practical situation to make decisions where to keep the products based on manager's intuition and experience, not based on the systematical or analytical approach. In this research, with the practical order data of cropper product and layout for the storage yard, the association rules have found, and then the new methodology has been devised to make the decision where to keep the inventory. By utilizing the practical order data for a year, it has been proved that the proposed approach can reduce the total distance of the all routes for picking order and solve the problem of delayed delivery.
The inventory location is the mos important factor which decide the efficiency of picking orders. According to the inventory location, it is possible to optimize the route for picking order, and then it makes us to expect the cost reduction and efficiency improvement. However, it is practical situation to make decisions where to keep the products based on manager's intuition and experience, not based on the systematical or analytical approach. In this research, with the practical order data of cropper product and layout for the storage yard, the association rules have found, and then the new methodology has been devised to make the decision where to keep the inventory. By utilizing the practical order data for a year, it has been proved that the proposed approach can reduce the total distance of the all routes for picking order and solve the problem of delayed delivery.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러나 아직까지도 많은 물류센터에서는 제품의 적재 위치를 결정하는 데 있어 체계적이고 분석적인 기법 대신에 관리자의 경험과 직관에 의존하고 있는 것이 현실이다. 따라서 본 연구에서는 실제 건자재 제조업체의 야적장 구조와 실제 주문 내역을 바탕으로 제품의 적재 위치를 재배치하기 위한 새로운 기준을 제시한다. 실제 주문 내역을 바탕으로 제품의 출고 패턴을 파악하고, 이를 통해 제품군 사이의 연관성 규칙(Association Rule)을 도출한다.
본 연구에서는 작업자들의 경험적 직관에 의해 설계된 레이아웃 배치를 제품별 출고 빈도 분석을 통해 등급별(1등급~7등급)로 나누고 연관성 분석 기법을 활용하여 등급이 높은 품목과 강한 연관 규칙을 갖고 있는 품목군을 중심으로 출고장 주변에 재배치하는 방안을 제시하였다. 본 연구에서 제안하는 방안을 적용하여 재고 배치 기준으로 변경하였을 때 지게차의 총 이동 거리를 약 30%에서 40% 정도 감소시킬 수 있음을 확인하였다.
제안 방법
A 제조 회사의 2015년도 1월부터 12월까지의 차량별 파이프 출고 내역을 기준으로 총 570개 품목별 출고 빈도 분석을 실시하였다.
TO-BE 레이아웃 재배치 후 지게차의 이동거리는 오더 피킹을 위한 왕복거리를 기준으로 측정하였다. 각 등급별 1회 오더 피킹 시 왕복 거리를 시뮬레이션한 수행 결과는 <표 3>과 같다.
본 연구에서는 연관성 분석(Association Rules)을 수행하기 위해 제품의 출고 빈도를 대상으로 P-Growth 알고리즘을 활용하여, 제품의 출고 패턴을 도출하였다. 강한 연관 규칙을 갖는 빈발항목집합 품목을 중심으로 출고장 주변에 재배치함으로써 지게차의 오더 피킹을 위한 이동거리를 최소화하고 동시 피킹이 가능한 패턴을 찾아서 작업의 효율성을 높이는 방안을 제시하였다.
과 같이 폼목별로 출고 빈도를 분석한 후 출고 빈도가 높은 순으로 와 같이 A등급부터 G등급까지 총 7단계로 나누었다.
홍동희, 정태충[9]은 항만 자동화를 위한 장비를 통한 화물의 수출입 이동경로를 기준으로 운영시스템의 기본 모델을 4가지로 구분하고, 여러 입력 요소들의 조합과 그에 따른 해의 개선을 통해 최적의 운영시스템 모델을 선정하였다. 그 결과를 기반으로 수출입화물별 야드 운영을 위한 레이아웃을 설계하였다.
장호영, 최경일[6]은 Order Picking System(OPS)에서 작업자의 이동경로를 최소화하는 것은 전체 작업의 효율성에 직접적인 영향을 미친다고 주장하였다. 다복도 구조를 갖는 OPS에서 경로 최적화 해법을 제시하였으며, 실제 기업의 사례를 대상으로 해당 기법의 효율성을 검증하였다. 23가지 주문에 대해 실험한 결과 기존 레이아웃에 비해 이동 경로를 평균 24% 정도 단축하였다.
황홍석, 조규성[10]은 AutoMod를 이용한 오더 피킹 시스템의 최적설계 성능산정을 위한 연구로, 통로 끝 오더 피킹(End-of-Aisle OP)의 방법을 제안하였다. 또한 시스템 설계를 위한 파라메타를 구하는 관계식을 유도하고 최소의 주문 처리 인력과 필요 면적을 산출하기 위한 방안을 설계하였다.
FP Tree 탐색의 절차는 다음과 같다. 먼저 길이가 1인 빈발 패턴에서 시작하여 조건부 패턴 베이스를 생성하고, 조건부 FP Tree를 생성한 후, 이 트리에 대해서 재귀적으로 탐색을 실행한다. 이러한 재귀적 방식을 반복하면서 접두부를 늘려가며 패턴을 찾아내게 된다[16].
FP Tree는 다음의 절차를 따라 생성하게 된다. 먼저 트리의 뿌리(Root)를 생성하여 Null 값을 저장하고 데이터베이스의 개별 트랜잭션을 검색한다. 각 트랜잭션의 항목은 지지도를 기준으로 한 내림차순으로 정렬로 처리하며 트랜잭션별로 한 개의 가지를 생성하게 된다.
본 연구에서는 연관성 분석(Association Rules)을 수행하기 위해 제품의 출고 빈도를 대상으로 P-Growth 알고리즘을 활용하여, 제품의 출고 패턴을 도출하였다. 강한 연관 규칙을 갖는 빈발항목집합 품목을 중심으로 출고장 주변에 재배치함으로써 지게차의 오더 피킹을 위한 이동거리를 최소화하고 동시 피킹이 가능한 패턴을 찾아서 작업의 효율성을 높이는 방안을 제시하였다.
[11]은 오더 피킹이 노동집약적인 활동임을 고려해 총 주문 수거 시간과 함께 오더피킹에 소요되는 에너지의 총량까지 고려하였다. 시간과 에너지 소비량 모두 제품의 적재위치와 같은 물리적 특성과 함께 주문 피킹 시스템의 기능에 따라 그 결과가 달라지기 때문에 일반적인 주문 피킹 시스템에 시간 추정 및 에너지 소비량을 계산하는 기능을 통합할 수 있는 방안을 제시하였다.
연구의 2단계에서는 야적장의 레이아웃을 재배치한 TO-BE 모델을 시뮬레이션을 통해 기존의 야적장 배치 모형인 AS-IS 모델과 비교 검증한다. 시뮬레이션 수행은 Manhattan Distance 기법을 이용하여 제품을 출고하기 위해 야적장의 지게차가 제품을 상하차 하는데 소요된 이동거리를 정량적으로 비교 수행한다.
따라서 본 연구에서는 실제 건자재 제조업체의 야적장 구조와 실제 주문 내역을 바탕으로 제품의 적재 위치를 재배치하기 위한 새로운 기준을 제시한다. 실제 주문 내역을 바탕으로 제품의 출고 패턴을 파악하고, 이를 통해 제품군 사이의 연관성 규칙(Association Rule)을 도출한다. 이 연관성 규칙을 바탕으로 제품의 적재 위치를 결정하기 위한 기준을 수립하고, 실제 주문 데이터를 활용하여 기존 적재위치 대비 새로운 기준이 오더 피킹을 위한 지게차의 이동 거리를 얼마나 단축시킬 수 있는 지를 측정한다.
제 Ⅲ장에서는 본 연구에서 활용하는 연구 모형을 설명하고, 제 Ⅳ장에서는 연관성 분석을 통해 도출된 결과를 반영하여 야적장 레이아웃을 재배치하기 위한 기준을 제시한다. 실제 주문 데이터와 맨하탄 거리 측정법을 통해 기존의 레이아웃 대비 새로운 레이아웃을 적용할 경우 오더피킹을 위한 총 이동 거리를 얼마나 감소시킬 수 있는 지를 분석한다. 마지막으로 제 Ⅴ장에서는 본 연구가 가지는 의미와 함께 아직까지 해결하지 못한 한계점과 향후 연구 방향을 제시한다.
연관성 분석 결과를 바탕으로 출고 빈도와 빈발항목집합이 높은 그룹을 각각 묶어서 출고장의 최대한 근접한 위치에 시계방향으로 재배치하여 와 같은 TO-BE 레이아웃 모델을 설계하였다.
연구의 1단계에서는 A사의 과거 제품 출고실적 데이터를 이용하여 데이터 마이닝의 비지도 학습 중 하나인 연관성 분석(Association Rule)을 수행하여 강한 규칙의 룰을 만들어 낸다. 그리고 생성된 룰을 기반으로 제품의 출고 패턴을 이해하여 제품이 적재되어 출고되는 야적장의 제품 위치 레이아웃을 재배치한다.
규칙을 생성할 때 사용되는 알고리즘은 Apriori algorithm보다 수행 시간 측면에서 좋은 성능을 가진 알고리즘으로 알려진 FP-Growth(Frequent Patterns Growth) 알고리즘을 적용하고 연관성분석 모형을 개발하기 위해 데이터 분석 툴인 Rapidminer를 이용한다. 연구의 2단계에서는 야적장의 레이아웃을 재배치한 TO-BE 모델을 시뮬레이션을 통해 기존의 야적장 배치 모형인 AS-IS 모델과 비교 검증한다. 시뮬레이션 수행은 Manhattan Distance 기법을 이용하여 제품을 출고하기 위해 야적장의 지게차가 제품을 상하차 하는데 소요된 이동거리를 정량적으로 비교 수행한다.
실제 주문 내역을 바탕으로 제품의 출고 패턴을 파악하고, 이를 통해 제품군 사이의 연관성 규칙(Association Rule)을 도출한다. 이 연관성 규칙을 바탕으로 제품의 적재 위치를 결정하기 위한 기준을 수립하고, 실제 주문 데이터를 활용하여 기존 적재위치 대비 새로운 기준이 오더 피킹을 위한 지게차의 이동 거리를 얼마나 단축시킬 수 있는 지를 측정한다.
정승호[7]는 연관규칙 탐사기법을 이용해 수주의 연관 규칙을 찾고 그 규칙들을 제품의 특성에 의한 군집분석의 초기해로 사용하였다. 최종적으로는 군집분석의 결과인 제품의 회전율에 따라 저장 위치를 결정하였다. 연관 규칙을 파악하기 위한 기준인 지지도(support) 값의 변경을 통해 더욱 현실에 적합한 연관 규칙을 도출하였고, 그 결과를 재배치 기준에 반영하여 기존의 제품별 특성에 기초한 방법보다 총 이동거리를 5%에서 16% 정도 감소시킬 수 있음을 보였다.
대상 데이터
제품별 출고 패턴을 파악하기 위해 본 연구에서는 오픈 소스 데이터 마이닝 도구인 Rapidminer를 이용한다. 연관성 분석 모형에 사용된 데이터는 총 17,679개의 트랜잭션 건수로서 A 제조회사의 1년간 파이프 출고 내역의 트랜잭션 기록이다. 본 연구에서 설정한 FP-Growth 알고리즘의 최소 지지도(Min support)는 0.
연구의 실험을 위해 사용된 데이터는 A 제조회사의 2015년도 차량별 파이프 제품 출고 내역으로 개별 차량에 적재된 제품의 수량까지 포함되어 있다. 그러나 연관성 분석을 수행하기 위해서는 특정 제품의 출고 개수가 아닌 출고 여부만 판단하면 된다.
이론/모형
그리고 생성된 룰을 기반으로 제품의 출고 패턴을 이해하여 제품이 적재되어 출고되는 야적장의 제품 위치 레이아웃을 재배치한다. 규칙을 생성할 때 사용되는 알고리즘은 Apriori algorithm보다 수행 시간 측면에서 좋은 성능을 가진 알고리즘으로 알려진 FP-Growth(Frequent Patterns Growth) 알고리즘을 적용하고 연관성분석 모형을 개발하기 위해 데이터 분석 툴인 Rapidminer를 이용한다. 연구의 2단계에서는 야적장의 레이아웃을 재배치한 TO-BE 모델을 시뮬레이션을 통해 기존의 야적장 배치 모형인 AS-IS 모델과 비교 검증한다.
연관성분석의 첫 번째 단계에서는 priori algorithm이 가장 널리 사용되고 있다. 그러나 앞서 설명하였듯이 첫 번째 단계에서는 자원 소모가 크기 때문에 본 연구에서는 Apriori algorithm 보다 성능 측면에서 개선된 FP-Growth(Frequent Pattern Growth) 알고리즘을 사용한다.
고객 행동 분석 등과 같은 영역에서 주로 활용되는데, 고객들이 자주 그리고 동시에 구매하는 구매 품목 사이의 관계에 대한 통찰력을 제공하여 소매업자들이 마케팅 전략을 수립하는데 활용되고 있다[15]. 본 연구에서는 야적장의 제품 출고 패턴을 확인하고 제품의 적재 위치를 결정하기 위해 연관성 분석 기법을 활용한다.
시뮬레이션 방법은 엑셀 상에서 맨하탄 거리 측정법으로 수행하였다. 맨하탄 거리 측정법은 두 점 사이를 잇는 가장 짧은 거리의 길이로 물류 센터의 랙과 같이 격자형 이동 구조를 가진 레이아웃에 대한 평가에 적합하다.
Ene and Öztürk[14]는 자동차 산업의 창고를 대상으로 최적의 배치와 최적의 경로를 주문 처리 작업자에게 제공할 수 있는 시스템을 설계하였다. 이 시스템을 위해 수학적 모델과 확률적 최적화 접근법을 사용하였으며, 최적해를 위해서는 유전알고리즘을 사용하였다.
제품별 출고 패턴을 파악하기 위해 본 연구에서는 오픈 소스 데이터 마이닝 도구인 Rapidminer를 이용한다. 연관성 분석 모형에 사용된 데이터는 총 17,679개의 트랜잭션 건수로서 A 제조회사의 1년간 파이프 출고 내역의 트랜잭션 기록이다.
성능/효과
1회 왕복 했을 때 등급별 AS-IS 모델 대비 TO-BE 모델의 거리는 1,922m 감소했고 절감률은 30%로 지게차의 오더 피킹 동선 거리가 줄어든 것을 확인 할 수 있다.
다복도 구조를 갖는 OPS에서 경로 최적화 해법을 제시하였으며, 실제 기업의 사례를 대상으로 해당 기법의 효율성을 검증하였다. 23가지 주문에 대해 실험한 결과 기존 레이아웃에 비해 이동 경로를 평균 24% 정도 단축하였다.
이를 통해 해당 기업이 가진 고질적인 문제라고 할 수 있는 오더피킹의 비효율성으로 인한 상차 지연이납기 지연으로 이어지는 문제를 해결할 수 있을 것으로 예상된다. 따라서 기존의 숙련된 작업자나 관리자의 경험 혹은 직관에 의한 야적장 운영 방식을 주문 내역 데이터를 기반으로 제품의 적재 위치를 재결정하는 것이 더욱 합리적인 방법임을 증명하였다.
본 연구에서는 작업자들의 경험적 직관에 의해 설계된 레이아웃 배치를 제품별 출고 빈도 분석을 통해 등급별(1등급~7등급)로 나누고 연관성 분석 기법을 활용하여 등급이 높은 품목과 강한 연관 규칙을 갖고 있는 품목군을 중심으로 출고장 주변에 재배치하는 방안을 제시하였다. 본 연구에서 제안하는 방안을 적용하여 재고 배치 기준으로 변경하였을 때 지게차의 총 이동 거리를 약 30%에서 40% 정도 감소시킬 수 있음을 확인하였다. 이를 통해 해당 기업이 가진 고질적인 문제라고 할 수 있는 오더피킹의 비효율성으로 인한 상차 지연이납기 지연으로 이어지는 문제를 해결할 수 있을 것으로 예상된다.
Zhang[19]은 단일 블록 창고에서 피커-투-부품 형태의 주문 처리 시스템에서 총 이동 거리를 줄이기 위해 CSAS(correlated storage assignment strategy)를 기준으로 다양한 해결방안을 제시하였다. 실험을 통해 CSAS로 측정한 결과 피킹 당 평균 이동거리를 최대 2.08%로 줄일 수 있었다.
최종적으로는 군집분석의 결과인 제품의 회전율에 따라 저장 위치를 결정하였다. 연관 규칙을 파악하기 위한 기준인 지지도(support) 값의 변경을 통해 더욱 현실에 적합한 연관 규칙을 도출하였고, 그 결과를 재배치 기준에 반영하여 기존의 제품별 특성에 기초한 방법보다 총 이동거리를 5%에서 16% 정도 감소시킬 수 있음을 보였다.
월 평균을 비교했을 때 거리는 와 같이 30,274m로 감소했고 절감률은 37%로 나타났다.
이 3개의 척도를 기준으로 평가 했을 때 65개의 Rule 중에서 빈발항목집합이 높은 상위 품목은 PGB050400, PGB075400, PGB100400 3개의 품목과 PGA050400, PGA050400, PGA100400 3개의 품목 PI20035400, PI20050400, PI20100400 3개의 품목 PIDH100300, PIDH125300 2개의 품목으로 이상 4개의 그룹이 빈발항목집합이 높은 것으로 나타났다.
김갑환[1]은 품목 상호간의 인출요구에 있어서 상관관계를 고려해 각 품목의 저장위치를 결정하는 문제를 다루었다. 인출 요구 목록 당 운반 횟수의 값을 최소화하는 수학적 모형을 설계하고, 한 저장 용기 당 적재가능 품목 수나 총무게 또는 부피에 있어서 제약이 있는 경우 적용한 결과 운반 횟수와 운반시간을 대폭 감소시킬 수 있음을 보였다.
후속연구
실제 주문 데이터와 맨하탄 거리 측정법을 통해 기존의 레이아웃 대비 새로운 레이아웃을 적용할 경우 오더피킹을 위한 총 이동 거리를 얼마나 감소시킬 수 있는 지를 분석한다. 마지막으로 제 Ⅴ장에서는 본 연구가 가지는 의미와 함께 아직까지 해결하지 못한 한계점과 향후 연구 방향을 제시한다.
그러나 이러한 방법을 중소 제조기업들이 실제 현장에 적용하는 데는 많은 제약사항이 따르며, 수리 모형이나 최적해의 도출 과정이 현실과 거리가 있는 것은 사실이다. 본 연구에서 제안하는 방법은 관리자나 작업자들이 직관적으로 이해하기 쉬워, 실제 현장에 적용하는 데 큰 어려움이 없을 것으로 예상된다.
또한 오더 피킹 시 이동 거리에 단축에 대한 As-Is와 To-be 분석에 초점이 맞춰져 있어 이동 거리 단축에 따른 오더 피킹 시간이 얼마나 감소했는지에 대한 분석은 수행하지 못하였다. 향후 연구에서는 다양한 시뮬레이션 기법을 활용하여 제품별 주문량, 지게차의 용량, 소요 시간 등을 동시에 고려한 지게차의 최적 이동 경로를 제시할 수 있어야 하며, 이동 거리, 이동 시간, 피킹 시간, 상차 시간 등의 더 많은 객관적인 정량적 지표를 통해 제안하는 방법의 타당성을 검증할 필요가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
재고의 배치 위치 무엇을 결정하는데 가장 중요한 요소인가?
재고의 배치 위치는 오더 피킹 시 효율성을 결정하는 가장 중요한 요소라고 할 수 있다. 적재위치에 따라 오더 피킹 장비의 동선을 최소화할 수 있고, 그에 따라 비용 절감 및 작업 효율성 향상의 효과를 기대할 수 있기 때문이다.
재고의 배치 위치가 오더 피킹시 효율성을 결정하는 가장 중요한 요소인 이유는 무엇인가?
재고의 배치 위치는 오더 피킹 시 효율성을 결정하는 가장 중요한 요소라고 할 수 있다. 적재위치에 따라 오더 피킹 장비의 동선을 최소화할 수 있고, 그에 따라 비용 절감 및 작업 효율성 향상의 효과를 기대할 수 있기 때문이다. 그러나 일부 물류센터 혹은 야적장에서는 제품의 적재 위치를 결정하는 데 있어 체계적이고 분석적 기법 보다는 작업자의 직관과 경험에 의존하고 있는 것이 현실이다.
물류센터의 전통적인 역할은 무엇인가?
물류센터의 전통적인 역할은 급변하는 시장수요에 대응하기 위해 제품의 하역과 보관, 재고 추적 및 관리를 위한 맞춤 서비스를 제공하는 데 있다. 향후에도 근본적인 목적에 있어서는 큰 변화가 없을 것이다.
참고문헌 (19)
김갑환, "소형자동창고에 있어서 품목간 상관 관계를 이용한 저장위치 결정법", 대한산업공학회지, 제19권, 제1호, pp.19-29, 1993.
황흥석, 조규성, "AutoMod를 이용한 오더피킹 시스템의 능력산정 모델의 연구", 한국시뮬레이션학회 학술대회논문집, 제1999권, pp.42-46, 1999.
Battini, D., C.H. Glock, and E.H. Grosse, "Humanenergy expenditure in order picking storage assignment: A bi-objective method", Computers & Industrial Engineering, Vol.94, pp.147-157, 2016.
Borgelt, C., "An Implementation of the FP-growth Algorithm", ACM, pp.1-5, 2005.
Caron, F., G. Marchet, and A. Perego, "Layout design in manual picking systems: a simulation approach", Integrated Manufacturing Systems, Vol.11, No.2, pp.94-104, 2000.
Ene, S. and N. Ozturk, "Storage location assignment and order picking optimization in the automotive industry", The International Journal of Advanced Manufacturing Technology, Vol.60, No.5-8, pp.787-797, 2012.
Liu, B., W. Hsu, and Y. Ma, Integrating classification and association rule mining, 1998.
Roodbergen, K.J. and R. De Koster, "Routing order pickers in a warehouse with a middle aisle", European Journal of Operational Research, Vol. 133, No.1, pp.32-43, 2001.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.