Optimizing the inbound process with a machine learning model

문제 상황

• 벤더의 입고 요청마다 필요한 트럭 수를 수동 추정해 슬롯 과소/과다 배정이 반복되는 상황
• 과소 예측은 입고 지연을, 과다 예측은 한정된 도크 자원 낭비를 유발하는 구조

원인 분석

• 입고 물량, 벤더 특성, 상품 특성이 복합적으로 작용하는 예측 문제
• 축적된 물류 데이터만으로는 현업 패턴을 충분히 해석하기 어려운 상황

해결 방법

• 2년치 입고 요청과 실제 사용 트럭 데이터를 기반으로 약 80만 건 학습 데이터 구성
• EDA와 물류 운영자 인터뷰로 유효 특성 발굴 후 feature engineering 적용
• LightGBM 모델과 Bayesian optimization으로 하이퍼파라미터 탐색
• SageMaker 엔드포인트를 예약 시스템과 연동해 즉시 예측 결과 제공

성능/운영 포인트

• 월 단위로 신규 데이터 반영 및 모델 갱신
• 과소 예측 2.53%, 과다 예측 5.04%로 개선
• 벤더의 배송일 변경 사례 67.9% 감소