기계 학습 모델을 활용한 물류 입고 프로세스 최적화

문제 상황

• 풀필먼트 센터 입고 시 트럭 수량 예측 오차로 슬롯 낭비와 입고 지연 발생
• 도크 수와 시간대별 슬롯이 제한되어 사전 예측 정확도 필요

원인 분석

• 업체와 제품 특성에 따라 실제 필요 슬롯이 크게 달라지는 구조
• 기존 업체 직접 예측 방식에서 과소 예측과 과대 예측 비율이 높음

해결 방법

• 물류 데이터와 입고 신청 정보를 결합해 약 80만 건 학습 데이터 구성
• EDA와 도메인 인터뷰로 특징 추출 후 LightGBM 모델 학습
• 베이지안 최적화로 하이퍼파라미터 탐색, SageMaker와 예약 시스템 연계

성능/운영 포인트

• 과소 예측 2.53%, 과대 예측 5.04%로 개선
• 입고일 변경 사례 67.9% 감소
• 월 단위로 신규 데이터를 반영해 모델 업데이트