배송 리드 타임은 공급망 관리에 있어 중요한 매개변수입니다. 비즈니스는 그렇기 때문에 조직의 내외부적인 상품 구매, 판매, 운송에서부터 최초의 주문이 배송 완료에 이르기까지 소요되는 시간을 반드시 파악해야 합니다.
현재는 하루 배송, 심지어는 당일 배송에 익숙해진 고객이 증가하게 되면서 업체들이 공급망을 구성할 시 배송에 더욱 역량을 집중하고 있습니다. 적어도 업체가 시장에서 살아남기를 원한다면, 필수적으로 고려해야 하는 사항이죠.
여기서 우수한 배송이란 고객이 원하는 수량을 지속적으로 적시에 배송하는 것이라고 정의내릴 수 있습니다. 이제 배송은 그 어떤 제조 및 유통 비즈니스도 필수로 갖추어야 할 요건이 되었습니다. 여기서 Minita을 사용하면 데이터 분석의 힘을 활용하여 기업의 배송을 최적화하고, 공급망을 간소화하고, 고객의 만족도를 높일 수 있습니다.
배송 속도 측정
공급망 담당자는 최종 제품을 최종 사용자에게 배송하는 데 걸리는 시간을 반드시 측정해야 합니다. 아래의 예시에는 하나의 샘플 데이터 세트에 대한 간단한 기술 통계치 몇 가지가 제시되어 있습니다. 여기서 한 건의 배송이 완료될 때까지 평균적으로 54에서 55시간이 소요되는 것을 알 수 있습니다. 또한 데이터를 보면 최단 배송 시간은 40시간이며 최장 배송 시간은 75시간인 것을 확인할 수 있는데, 이렇게 최단 배송 시간과 최장 배송 시간을 파악하여 목표 설정에 활용할 수 있습니다.
목표를 설정 후 배송에 영향을 미치는 요인에 대한 브레인스토밍 실시
배송이 지연되면 고객 만족도뿐만 아니라 매출에도 직접적인 영향을 미칠 수 있습니다. 약속한 배송 기간을 지키지 못하는 기업에 대한 고객의 재구매 의사는 확연히 떨어질 수밖에 없을 것입니다. 먼저 상품을 정해진 기간에 배송하기 위한 전략적 비즈니스 목표를 설정해보겠습니다. 이 예시에서는 평균 배송 기간을 10% 단축하여 50시간으로 줄인다는 현실적인 목표를 설정해보겠습니다.
이후에는 브레인스토밍의 과정을 거쳐 배송 기간에 영향을 미치는 잠재적 변수들을 도출해내야 합니다. 이때 배송물의 크기, 화물차의 연식, 기상 조건, 배송을 담당하는 기사에 이르는 다양한 요인 또한 변수가 될 수 있습니다. 아래의 그림은Workspace에 포함된 다양하고 강력한 브레인스토밍 및 체계적 문제 해결 도구 중의 하나인 CT 트리의 예시를 보여줍니다.
문제를 시각화하고 해결책에 대해 브레인스토밍을 하고 싶으신가요?
예측 모델링을 활용한 영향력 정량화
일반적으로 예측 모델링은 응답에 영향을 미치는 요인들을 파악할 때뿐만이 아니라 일반 예측에도 유용합니다. Minitab의 자동화된 머신러닝 도구를 활용하면 최적의 모델을 파악할 수 있으며(여기서는 Random Forests®), 다른 모델의 성능 또한 확인할 수 있습니다.
주어진 예시를 보면 일반적으로 흔히 사용되는 회귀 모델의 성능이 가장 좋지 않으며 정확도 또한 높지 않음을 알 수 있습니다. 하지만 다행히도 관계를 시각화하는 데 적합한 CART® 모델의 성능이 비교적 높다는 것을 알 수 있습니다.
개선 사항 적용하기
아래의 CART 의사결정 트리를 보면 맑은 날에 신형 화물차를 활용할 경우에 배송이 가장 빠르며, 눈이 내리는 날에 구형 화물차를 활용할 때 배송이 가장 느리다는 결과를 확실히 확인할 수 있습니다. 즉, 가장 먼저 개선해야 할 부문을 도출해 낸 것입니다. 기상 조건은 제어할 수 없겠지만, 신형 화물차를 도입한다면 즉각적으로 개선할 수 있을 것입니다. 또한 배송지별 기상 예측을 사전에 고려한다면 예상 배송 시간을 더욱 정확하게 계산하여 고객에게 전달할 수 있을 것입니다.
해당 모델을 운용하여 배송 예상 시간을 예측
이러한 분석 결과는 개선해야 할 사항을 파악하는 것뿐만 아니라 고객과의 소통을 강화하는 데도 유용합니다. 주어진 요인들을 고려하고 자동화된 머신러닝을 통해 가장 정확한 것으로 확인된 Random Forests 모델을 활용하면 모델 운용을 통해 고객과의 소통을 자동화할 수 있습니다. Minitab Model Ops와 같은 솔루션을 사용할 시 모델이 수집한 데이터를 바탕으로 배송을 완료하기까지 예상되는 소요 시간을 계산하여 예상 완료 시점을 고객에게 자동으로 알릴 수 있습니다. 이를 통해 고객에게 적시에 정보를 전달할 경우 고객이 막연히 기다리는 것을 방지할 수 있습니다. 이런 성과 향상을 통해 고객의 기대치를 넘어설 수 있는 한편, 예측 모델을 지속해서 개선하여 향후 고객에게 더욱 정확한 시점을 안내할 수 있습니다.
다른 공급망 문제를 해결하고 싶으신가요?