일본산업뉴스요약

Nikkei X-TECH_2024.6.19

AI 예측과 발주로 주 1000시간 삭감
주부약품, 드러그스토어 400개 점포의 재고를 적정화

주부약품(中部薬品)은 기존에 이용하던 자동 발주 시스템을, AI를 활용하는 수요 예측 기능을 갖춘 자동 발주 시스템으로 쇄신했다. 특매품이나 계절품 등 수요가 크게 변동하는 상품의 재고 적정화가 목적이다. 잉여 재고의 발생을 30% 억제해, 발주 업무를 주 1000시간 삭감했다고 한다.

주부지방을 중심으로 드러그 스토어 ‘V・drug’를 전개하는 Valor Holdings 산하의 주부약품. 주부약품은 수요 예측 기능을 갖춘 자동 발주 시스템을 쇄신했다. 유통전략본부의 곤도(近藤) 부장은 2023년 8월 도입 이후 “결품을 줄이면서 재고를 확보할 수 있게 되었다”라고 그 효과를 평가한다.

주부약품은 이전부터 자동 발주 시스템을 이용하고 있었다. 그러나 수요 변동이 큰 상품에 대해서는 과제를 안고 있었다. 수요 예측의 정확도가 낮아 재고를 제어하기 어려운 경우가 종종 발생했다. 운용에 많은 수고와 노력이 드는 것도 과제가 되고 있었다.

과제 해결을 위해 주부약품은 스타트업 등 3개사와 AI를 활용한 수요 예측 시뮬레이션과 PoC(개념 검증)를 진행하며 지속적으로 가능성을 탐색해 왔다. 곤도 부장은 “장애 리스크나 데이터 연계 등을 고려해, 발주와 세트가 된 시스템을 찾았다”라고 검토 결과를 회상한다.

주부약품은 검토를 거쳐 히타치 시스템즈의 ‘수요 예측형 자동 발주 시스템’을 도입했다. AI를 활용한 수요 예측이 주요 기능이다. 게다가 점포 내에서의 상품의 배치나 설치 기간 등의 진열 정보나, 특매 정보, 기상 정보를 조합해 권장 발주량을 제안한다.

특히 예측 정확도를 높일 필요가 있었던 것은 수요 변동이 큰 상품이다. 구체적으로는 전단지로 공지를 하고 가격을 인하하는 특매품과, 감기약이나 살충제 등 계절품이다.

이들 상품의 수요는 단기간에 크게 달라지기 때문에 수요가 높아지는 발매 시기에 부족하거나, 수요가 떨어졌을 때 잉여 재고가 발생하는 것이 고민이었다. 유효기간이나 소비기한이 있는 상품은 장기간 보관할 수 없는 점도 고려할 필요가 있다.

기간 한정으로 가격을 낮추는 특매품의 경우는 특매 기간이 시작되면 판매량이 오르는 추세다. 한편, 기간이 종료되면 판매수가 줄어든다. 이러한 수요 변동을 추가한 제어에서는, 발매할 때는 매장에 충분한 수량을 확보하고, 기간 종료에 대비해서는 재고를 늘리지 않도록 조정하면서 서서히 발주수를 줄이는 것이 요구된다.

계절품의 경우, 날씨나 기온 등과 연동해 수요가 크게 달라진다. 환절기에 기온이 갑자기 떨어지면 감기약 판매량이 늘어나는 식이다. 날씨와 기온 등 여러 주요 요인을 바탕으로 예측한 수요 변동에 맞춰 발주수를 증감시킬 필요가 있다. 이 예측의 정밀도가 정밀할수록 판매 기회의 손실이나 잉여 재고의 발생을 쉽게 막을 수 있다.

특매품이나 계절품의 수요 변동에는 여러 요소가 관련되어 있어, 이러한 요소를 추가해 정밀하게 예측할 필요가 있었다.

-- 과거 13개월분의 데이터를 학습 --
수요 예측 모델은 주부약품의 과거 13개월분의 매출 실적이나 진열 정보, 기상 데이터 등을 AI에 학습시켰다.

새로운 자동 발주 시스템은 ‘다변량 시계열 모델’을 활용한다. 학습한 데이터를 바탕으로 점포별, 상품별로 수요 변동과 관련된 30종류의 요인을 추출했다. 이를 통해 수요나 적정 재고의 예측을 높일 수 있었다. 소비기한이 짧은 상품에 대해서도 마찬가지다.

히타치 시스템즈에서 기술자로서 이번 프로젝트에 참가한 에지리(江尻) 씨는, 상품의 수요 예측에 대해 “(상품별로) 요인이 각각 다르다”라고 설명한다. 할인을 하면 매출이 높아지는 상품이 있는 반면, 할인을 해도 매출에 별로 변화가 없는 상품도 있다.

요인은, 요일이나 기온 등 단일한 것을 1종류로 하는 경우도 있고, ‘교차요인’이라고 부르는 것을 1종류로 하는 경우도 있다. 예를 들면, 할인으로 매출이 바뀌는 상품이라도, 평일과 주말의 할인율이 크게 다른 경우에 적용한다고 한다.

중부약품에서는 2023년 8월 시스템 가동 이후, V・drug의 드러그스토어 411개 점포를 통해 결품 발생이 줄었다. 실제로 매장의 재고는 시스템 도입 전과 비교해 30% 줄었다.

수요 변동이 큰 상품뿐 아니라 정상적으로 배치해 할인이 없는 주력상품의 재고도 재검토 타이밍에 원활하게 제어할 수 있게 되었다. 선반에 배치한 상품 정보를 추가해 발주하기 때문에 판매를 중지하는 타이밍에 발주수를 조정한다.

직원들의 발주 작업 시간도 줄었다. 주부약품 전체에서 발주 작업에 걸리는 시간을 주당 1000시간 이상 줄였다.

-- 데이터 허브를 마련하여 연계 --
새 시스템이 충분한 정확도를 내려면 모델의 정확도뿐만 아니라 기존 시스템과의 일상 데이터 연계도 중요하다.

주부약품의 곤도 부장은 “AI의 활용에서는 어떠한 데이터를 사용할 것인가가 중요하다”라고 역설한다. AI를 활용한 수요 예측 PoC를 여러 차례 실시하면서, 데이터 형식을 갖추는 것이나 이용할 데이터를 적절하게 선택하는 것이 중요하다는 것을 배웠다. 새로운 시스템의 도입에서 시스템과 사내 데이터를 연계하는 시스템의 구축이 중요하다고 판단하고 여러 아이디어를 모색했다.

구체적으로는 기간 시스템/특매 시스템/업무 지원 시스템/진열 시스템에서 정보를 취득한다. 아이디어의 포인트는, 주부약품이 ‘데이터 허브’라고 명명하는 시스템을 만들어, 수요 예측형 자동 발주 시스템과의 사이에서 데이터의 교환이나 포맷의 변환을 담당하고 있다는 점이다. 소프트웨어 개발업체 아스테리아(Asteria)의 데이터 연계 툴 ‘ASTERIA Warp’ 등을 사용해 구축했다.

-- 각 점포의 자체 진열 정보도 반영 --
진열에 관한 정보를 포착하는 데도 공을 들였다. 실은 진열 시스템에 입력되어 있는 정보만으로 진열 실태를 정확하게 파악할 수 있는 것은 아니다. 주부약품의 본부가 진열 시스템에 입력한 진열 정보에 따라 점포는 상품을 진열한다. 하지만 각 점포의 재량으로 자유롭게 매장을 만드는 경우도 있기 때문이다. 매장 밖으로 눈에 띄도록, 점포 자체의 아이디어를 통해 상품 코너를 설치하는 식의 패턴이다.

이 경우, 점포 자체의 진열 정보를 입력해야 한다. 구체적으로는 각 점포의 종업원이, 각각의 핸디 단말기를 통해 입력한다.

현장의 실태를 추가한 데이터를 활용하기 위해, 진열에 관한 정보는 주부약품이 자체 제작한 ‘데이터 통합 시스템’에 한 번 집약해서 내용을 정리한다. 점포 자체의 진열 정보는 업무 지원 시스템으로부터, 통상의 매장 진열 정보는 진열 시스템으로부터, 각각 데이터 통합 시스템에 일단 수집. 발주일 마스터나 진열 마스터 등의 정보를 추가해 데이터 허브로 보낸다.

이러한 아이디어에 의해, 점포의 실질 운용에 준한 데이터도 반영할 수 있다. 데이터 허브에 집약한 데이터는 일일 배치(Batch) 처리로 야간에 수요 예측형 자동 발주 시스템에 입력. 몇 주 후까지 점포 수요를 예측해 권장 발주수를 출력한다.

출력한 권장 발주수 데이터는 데이터 허브를 통해 기간 시스템이나 업무 지원 시스템에 도입한다. 1주일이나 2주일 등 출력하고 싶은 예측 기간을 설정할 수 있다.

권장 발주수는 오전 8시까지 자동으로 기간 시스템에 반영된다. 각 점포의 종업원은 발주일 아침에 이들 데이터를 한 번 확인한다. 변경이 있으면 핸디 단말기에서 수정을 한다. 기간 시스템에는 수정 후 데이터가 반영되며, 오후 12시 30분까지 반영된 데이터가 거래처로 보내는 최종 발주 데이터가 된다. 이것이 일반적인 운용이다.

-- 지역 단위로 지식을 축적 --
주부약품은 2022년 4월에 도입 프로젝트를 시작했다.  같은 해 6월까지 요건 정의를 마치고, 7월부터 설계 작업에 들어갔다. 이후 8~10월에 히타치 시스템즈가 환경 구축, 주부약품은 기존 시스템으로부터의 데이터 연계 기능을 각각 개발했다. 동작 기반으로는 미국 아마존 웹 서비스의 ‘Amazon Web Services(AWS)’를 선정해, 이 위에서 업무 애플리케이션으로서 수요 예측형 자동 발주 시스템을 움직인다.

2022년 11월부터 서버 환경의 시스템 테스트나 연동 테스트, 2023년 1월부터 수용 테스트를 실시하며 순조롭게 도입을 진행해 갔다. 2023년 2월부터 임시 데이터를 입력하고, 실전 환경과 동등한 환경에서 마지막 테스트를 실시. AI에 의한 수요 측의 정밀도를 확인하고, 충분하다고 판단해 점포에 본격 도입을 단행했다.

조제 전문 약국을 제외한 모든 점포에 도입하기 위해 주부약품은 크게 3단계로 나눠 시스템 도입을 진행했다. 우선 선행적으로 5개 점포를 선택해 2023년 4~5월 사이에 실제 데이터를 사용해 가동. 운용하면서 검증했다.

2023년 6월부터는 지역별로 1개 점포를 선정해 총 21개 점포에 도입했다. 지역 매니저가 각 지역에서의 시스템 도입을 책임지는 형태로 했기 때문에 각 매니저가 도입 시의 주의점을 착실히 파악하도록 했다. 2023년 7월 이후, 각 지역 매니저가 주도해 나머지 점포에 대한 도입을 지원하고, 8월에 V・drug의 모든 점포에서 가동이 시작되었다.

주부약품은 물류센터에서의 재고 최적화에도 이 새 시스템을 적용할 예정이다. 곤도 부장은 적용 대상에 대해 ‘물류센터에서 일괄 매입해, 재고를 확보하고 있는 상품’을 예로 들었다. 대상 상품의 30일 후까지의 판매 예측 데이터를 물류센터에 제시하고, 재고 최적화로 연결하려는 시책이다. 앞으로도 적용 범위를 확대하는 것을 목표로 한다고 한다.

 -- 끝 --

Copyright © 2020 [Nikkei XTECH] / Nikkei Business Publications, Inc. All rights reserved.