기계 학습 모델을 활용한 물류 입고 프로세스 최적화

문제 & 배경: 풀필먼트 센터의 하역 공간과 시간은 제한되어 있어 필요한 트럭 수를 적게 예측하면 입고가 지연되고, 많게 예측하면 슬롯이 불필요하게 낭비되는 문제가 있었습니다.

기술 & 해결책: 업체와 제품의 특성을 물류 데이터와 담당자 인터뷰를 통해 찾아내고 가공한 뒤, 약 2년간의 입고 신청 및 실제 트럭 사용 데이터를 LightGBM 모델로 학습해 예약 시 적정 트럭 수를 자동으로 안내하도록 연결했습니다.

교훈 & 주의점: 데이터 분석만으로는 부족하며 현장 전문가의 지식이 중요한 특징을 찾는 데 도움이 되고, 슬롯 부족을 막는 것과 자원 낭비를 줄이는 사이의 균형을 고려해야 합니다.