논문접수일：2014년 09월 06일 논문게재확정일：2014년 10월 10일 논문수정일(1차：2014년 10월 03일)
†교신저자, [email protected]
Process Mining 기법을 이용한 물류센터 입출고 프로세스 분석 및 개선 방안 수립
김현경1․신광섭2†
1롯데로지스틱스, 2인천대학교 동북아물류대학원
Analysis and Improvement of Stocking and Releasing Processes in Logistics Warehouse Using Process Mining
Approach
Hyun-Kyoung Kim1․KwangSup Shin2
1
Lotte Logistics,
2Graduate School of Logistics, Incheon National University
Abstract
The functions of stocking and releasing in logistics center consist of three major procedure such as receiving, ship- ping and stock managements. Each process includes various sub-processes which are complicatedly connected with each other. Furthermore, lots of operators execute various tasks in the different sub-processes, simultaneously. It makes difficult to standardize, monitor, and analyze the processes. This paper proposed the quantitative methodology using process mining approach to discover and analyze receiving and shipping processes. For this purpose, the PDA operation log data is analyzed to build a realistic process model. The deduced model has been compared with official process model. In addition, task assignment and social networks analysises are carried out by utilizing process mining tools. Also, it has been proposed how to improve the processes with the analytical simulation model based on the results of process mining.
Keywords：Logistics Center, Process Mining, Receiving and Shipping Process, Simulation
1. 서 론
일반적인 물류센터의 입출고 기능은 크게 입고 관리, 재고관리, 출고관리의 프로세스로 나눌 수 있 으며, 각 프로세스는 여러 하위 프로세스가 서로 복잡하게 연결되어 정의된다. 이러한 일련의 작업 프로세스가 병목현상 없이 원활하게 진행되어야만, 물류센터의 기본 기능이라 할 수 있는 입ㆍ출고작 업의 수행이 가능하다. 특히, 물류센터는 전체 공급 망 운영에 있어 외부 변화에 대한 완충역할 뿐만 아니라 대고객 서비스 수준의 향상을 위한 핵심적 인 역할을 수행하기 때문에 물류센터의 작업을 개 선하여 물류서비스 수준을 향상시키고, 물류비용을 절감하는 것은 기업의 시장 경쟁력 향상을 위한 가 장 기초적인 단계라고 할 수 있다.
물류센터의 작업 프로세스를 개선하기 위해서는 가장 먼저 현재 수행되고 있는 프로세스를 분석하여 문제점을 도출하고 해결방안을 제시해야만 한다.
그러나 물류센터의 입ㆍ출고 프로세스는 다양한 작 업들로 구성되어 있고, 입고작업자, 출고작업자, 검 수작업자, 상차작업자 등과 같이 여러 작업자가 동 시 다발적으로 수행되기 때문에 전체 프로세스를 정량적으로 분석하고 문제점을 도출하는 것이 쉽지 않다. 특히, 물류센터를 설계 및 구축할 당시에 정 의된 프로세스가 실제 현장의 상황을 정확하게 반 영하지 못한 경우가 많으며, 또한 현장에서도 표준 화된 프로세스를 정확하게 지켜지지 않아 관리를 위한 프로세스와 실제 수행을 위한 프로세스가 이 원화된 상황에서는 담당자 인터뷰와 같은 정성적 방법을 통해 문제점을 발견하는 데는 한계가 존재 할 수밖에 없다. 이러한 현실적 한계점을 극복하기 위해 본 연구에서는 프로세스 마이닝 기법을 활용 하고자 한다. 프로세스 마이닝은 정보시스템에 기 록된 이벤트 로그에서 프로세스 모델을 도출함으로 써 운영 프로세스에 대한 발견과 모니터링, 개선을 지원하는 연구 분야로 현실을 반영한 프로세스 모 델을 도출한다는 점에서 강점이 있기 때문이다[19].
창고관리시스템을 통해 축적된 PDA 작업 로그
데이터를 프로세스 마이닝 기법을 활용하여 분석하 고, 이를 바탕으로 물류센터의 작업 프로세스를 이 해하고, 문서상으로 존재한 프로세스가 아닌 실제 현장에서 수행되고 있는 프로세스를 파악할 수 있다.
또한, 실제 현장에서 수행된 작업에 대한 정량적 평가를 통해 다양한 측면에서의 문제점을 도출하였 으며, 프로세스의 정형화 및 문제점 발견에서 그치 지 않고, 시뮬레이션 기법과의 결합을 통해 효율성 을 높일 수 있는 방안을 제시하였다.
그동안 항만하역 시설을 제외한 물류 분야에서 는 데이터기반 분석 기법의 활용이 활발하지 못했 던 것이 사실이다. 본 연구는 물류센터 내에서 생 성되는 다양하고 방대한 데이터를 기반으로 현장 업무를 분석하고 개선할 수 있는 방안을 제시하였 을 뿐만 아니라 프로세스 마이닝과 시뮬레이션 기 법과의 결합을 제안함으로써 기업이 보다 효과적으 로 물류 프로세스를 분석하고 개선할 수 있는 방법 론을 제시하였다.
본 논문은 다음과 같이 구성된다. 제 2장에서는 프로세스 마이닝 기법의 실제 적용사례를 중심으로 기존 연구를 분석하였다. 제 3장에서는 물류 분야 의 프로세스 마이닝 적용 사례를 기반으로 본 연구 에 적용될 연구 수행 체계를 제시하였다. 제 4장에 서는 프로세스 마이닝 기법을 활용하여 자동화 물 류센터의 실제 PDA 작업로그 데이터를 분석하고, 이를 기반으로 도출된 문제점과 해결방안을 제시하 였다. 그 중에서 정형화된 프로세스의 운영 기준을 마련하기 위해 시뮬레이션을 통한 출고작업 수행을 위한 적정 지게차 대수를 산정한 과정과 결과를 제 5장에서 제시하였다. 마지막으로 제 6장에서는 본 연구의 결론 및 향후 연구 방향을 기술하였다.
2. 관련 연구
앞서 언급한 바와 같이 프로세스 마이닝은 정보
시스템에 기록된 이벤트 로그에서 프로세스 지식을
도출함으로써 운영 프로세스에 대한 발견과 모니터
링, 개선을 지원하는 연구분야이다. 즉, 프로세스
실행 과정에서 발생된 기록을 기초로 프로세스를 도출하고, 개선방안을 수립하는데 필요한 유용한 지식과 정보를 추출하는 것이다. 정보시스템으로부 터 작업의 실행 결과 및 이벤트 로그를 추출하여 기존의 통계 기법[12], 인공지능 기법기법[15, 18], 사회적 네트워크 기법[21] 등을 이용하여 분석함으 로써, 프로세스 모델을 유도하거나, 업무의 상관관 계, 작업자의 업무 전달 관계 등 프로세스 수행 상 의 특징을 분석한다[22].
프로세스 마이닝의 기본적인 목적은 사람들이 머 리 속에서 추정하고 있는 프로세스가 아닌 실제 현장 에서 수행되는 업무 프로세스를 도출하고, 모니터링 하며, 개선하는 것이다. 이를 수행하기 위해서는 프 로세스 도출(process discovery), 적합성 검사(con- formance check) 및 개선 및 향상 (enhancement) 의 과정이 필요하다[17].
프로세스 마이닝 연구 초기에는 데이터 로그로 부터 프로세스 모델을 추출하거나 데이터를 분석하 는 기법에 관한 연구가 주를 이루었다면, 최근의 프로세스 마이닝의 연구는 실제 데이터를 이용하여 프로세스 마이닝을 수행하는 사례 연구 중심으로 진행되고 있다[5].
Alst et al.[20]은 그들의 연구에서 공공 서비스 부분의 실제 데이터를 이용한 프로세스 마이닝을 시도하였으며, Medeiros et al.[18]은 유전자 알고 리즘을 적용하여 시행 로그 데이터의 예외 상황에 대해서 보다 안정적인 모델을 발견할 수 있도록 하 였다. Mans et al.[13]은 의료 서비스 분야에서 환자가 의료서비스를 제공받는 흐름에 대한 연구를 수행하였고, 프로세스 수행 조직관점에서 업무 프 로세스를 분석하고, 작업간의 수행 관계를 분석한 사례[16]도 있다. 제조업 분야에 적용한 사례는 Rozinat et al.[14]과 Goedertier et al.[10]의 연구가 있다.
위 연구들은 사례 연구로서 기존의 프로세스 마이 닝을 적용하고 평가한 연구이다. Rozinat et al.[14]
의 연구에서는 발견된 모델의 결과가 복잡한 점을 지적하며 다른 프로세스 마이닝 기법의 필요성을 제시하였고, Goedertier et al.은 통신 산업에 기존의
데이터마이닝 기법들을 적용하였다[11]. Jans et al.
[11]의 금융 분야 사례연구에서도 프로세스 마이닝 기법들이 더욱 정교화 되고 성숙되어야 한다는 의 견이 있었다.
최근 국내에서도 다양한 사례연구가 진행되었다.
이동하는 조선 산업의 생산 공정 분석에 프로세스 마이닝 기법을 적용하여, 생산 공정상의 블록 이동 과 블록 조립 프로세스를 분석하였다[5]. 강영식 외 [1]는 대학의 전자결재 프로세스를 프로세스 마이 닝 기법을 이용하여 분석하였으며, 감사 분야에 프 로세스 마이닝 기법을 적용하여 유럽 은행의 실제 데이터를 기반으로 분석한 사례도[2] 있다. 그 밖에 손숙영 외[3]는 전시행사의 관람객 흐름과 관람 시 간을 분석하였으며, 최상현 외[7]는 전자기기의 고 장 수리 프로세스를 분석하였다.
물류분야의 적용사례로는 Jeon and Bae의 연구[6]
와 Wang et al.[23]의 연구가 있다. 첫 번째 사례는 컨테이너 터미널에서 컨테이너의 취급 프로세스에 대 한 개념적 분석 프레임워크를 제안 하였으며[6], 두 번째는 물류분야에 프로세스 마이닝을 적용시키기 위 한 로드맵과 방법론을 제시하였다[23]. 특히, 이 연구 [23]는 중국 벌크 항구의 물류프로세스를 프로세스 마이닝 기법을 활용하여 분석하면서 물류분야에 프로 세스 마이닝 적용을 위한 프레임워크를 제시하였다.
그러나 물류산업에 프로세스 마이닝 기법을 적용한 연구는 제한적이며, 특히 물류센터의 입ㆍ출고 프로 세스를 대상으로 적용한 사례는 발견하기 어렵다. 앞 서 서론 부분에서 언급한 바와 같이 물류 센터는 다수 의 작업이 동시다발적으로 이루어지고 있으나 표준화 된 프로세스를 준수하지 않고 있는 것으로 파악되기 때문에 업무 수행 결과인 로그 데이터를 기반으로 근 본적인 문제점과 해결 방안을 수립할 필요가 있다.
본 연구에서는 프로세스 마이닝 기법을 적용하여
물류센터의 입ㆍ출고 작업 프로세스를 분석하고자
한다. 물류센터의 실제 작업 로그 데이터를 기반으
로 다양한 프로세스 마이닝 기법들을 적용하여, 현
실을 반영한 프로세스 도출하고 이를 분석하여 개
선 방안을 수립하는 방법론을 제시할 것이다.
[그림 1] 물류센터 프로세스 분석과 개선을 위한 연구수행 체계
3. 연구 수행 방안
본 장에서는 프로세스 마이닝을 물류센터 입출고 프로세스 분석에 적용하기 위한 연구수행 체계를 제시 할 것이다. Wang et al.[23]이 제시한 이벤트 로그 추출, 로그 전처리, 탐색적 분석 및 성과 측정의 프로세 스 마이닝의 기본 절차를 따르면서도 궁극적으로는 물류 프로세스의 개선이라는 목적을 달성하기 위한 프로세스 모델의 발견, 프로세스 개선의 단계를 추가하 여 연구수행 체계를 다음 [그림 1]과 같이 제시하였다.
전체 연구 수행 단계는 1) 이벤트 로그 데이터 추출, 2) 데이터 정제 및 변환, 3) 프로세스 모델의 발견, 4) 프로세스 성과 측정, 5) 물류 프로세스 적합성 검사, 6) 프로세스 개선 및 향상의 단계로 구성되어 있다.
3.1 로그 데이터 추출
프로세스 마이닝은 대규모의 이벤트 로그 데이터로 부터 분석이 시작되며, 첫 번째 단계는 로그 데이터 추출 단계이다. 로그 데이터를 추출하기 위해서는 먼저 대상 프로세스의 선정과 범위를 결정하며, 각 프로세스 를 구성하는 활동들이 무엇을 의미하는지 이해해야 한다. 또한 대상 프로세스와 활동들이 어떤 정보시스템 에, 어떤 형태로 기록되는가를 파악해야 한다[2]. 연구
대상 및 프로세스가 결정 되었다면, 시스템으로부터 이벤트 로그 데이터를 추출해야 한다. 데이터를 추출 할 때에는 반드시 데이터 추출 기간을 고려해야 하며, 데이터 추출 기간에 완료된 사례만을 포함해야 한다.
완료되지 않은 사례들이 포함될 경우에는 분석의 결과 가 달라질 수 있다[2].
3.2 데이터 정제 및 변환
데이터 정제 단계는 부정확한 값, 결손값, 잡음, 불일치 등을 제거하고 데이터의 범위를 벗어난 데 이터 및 이상치를 추출하는 단계이다. 이상치를 제 거한 이후에는 새로운 데이터 필드를 생성하거나, 데이터 필드의 병합 및 분할 등의 작업을 수행하고 선택된 데이터를 프로세스 마이닝 수행에 적합한 형태로 변경한다[9].
3.3 프로세스 모델 발견
프로세스 모델 발견 단계는 실제 프로세스 마이
닝 알고리즘이 적용되는 단계로 작업의 유형에 따
라 연관규칙, 군집화, 의사결정나무, 인공신경망 등
의 알고리즘이 사용될 수 있으며, 하나 이상의 기
법들이 사용되는 것이 일반적이다[8].
3.4 프로세스 성과 측정
프로세스 성과 측정은 크게 ‘분석 대상 선정’과 ‘대 상 분석’의 두 가지 단계로 수행된다. 우선 프로세스 성과 측정을 통해 어떠한 부분을 측정할 것인가를 결 정해야 한다. 이것은 어떤 특정 프로세스일 수도 있 고, 어떤 지표일 수도 있다. 분석 대상이 선정된 후에 는 해당 대상을 분석할 기법을 선택해야 한다.
3.5 프로세스 적합성 검사
프로세스 적합성 검사 단계는 프로세스 마이닝을 통해 도출된 프로세스 모델과 사전에 알려진 공식적 인 프로세스 모델을 비교 분석함으로써 공식 모델과 의 차이를 발견해 내는 단계이다. 공식 모델과 프로세 스 마이닝을 통해 도출된 모델을 비교하여 어떤 예외 프로세스가, 얼마나 자주 발생하는 지, 그리고 어떤 유형의 변형이 존재하는지 발견할 수 있다. 이렇게 발견된 프로세스 차이의 원인을 분석하여 해결방안 을 제시함으로써 프로세스를 개선할 수 있다.
3.6 프로세스 개선 및 향상
이 단계는 프로세스 마이닝의 결과를 해석하고 평가 하는 단계로 ‘프로세스 도출’, ‘적합성 검사’, ‘향상’ 관점 에서 해석하고 평가하는 단계이다. 이와 더불어 본 연구에서는 프로세스 마이닝 기법을 통해 도출된 데이 터를 기반으로 현실을 반영한 시뮬레이션 모델을 수립 하고 시뮬레이션을 수행함으로써 구체적인 프로세스 개선 방안을 제시하고 그 방안의 효과를 검증하였다.
4. 프로세스 마이닝 기반 물류센터 입출고 프로세스 분석
4.1 물류센터 개요
본 연구의 실제 분석대상인 L社 물류센터는 도심지 역에 위치하고 있으며 대지 2만여 평에 연면적 1만
6천여 평 규모로 물류센터 기준으로 총 3층, 일반 건물 로는 6층 규모이다. 도심형 물류시설로 부지의 활용도 를 높이기 위해 램프웨이를 설치해 차량이 각 층별로 직접 접안이 가능하도록 설계되었다. L社 물류센터의 가장 큰 특징은 팰릿(Pallet) 자동 입출고 시스템 (AS-RS), BOX AS-RS 등이 도입된 고도화된 자동 화 물류센터라는 점이다. L社 물류센터는 약 22,000 팰릿의 재고를 보관할 수 있으며, 하루에 165,000 Box 를 출고할 수 있는 대규모 자동화 물류센터이다.
물류센터의 입ㆍ출고 작업 프로세스는 기본적으 로 입하, 입고, 보관 (재고관리), 출고 (피킹), 출하 의 단계로 이루어지며, 각 프로세스는 여러 하위 작업들의 연결로 정의된다. 이러한 일련의 작업 프 로세스가 병목현상 없이 원활하게 진행되어야만, 물류센터의 기본 기능이라 할 수 있는 입ㆍ출고작 업의 수행이 가능하다.
4.2 입출고 로그 데이터 추출
물류센터 프로세스 분석을 위해 입ㆍ출고 작업자들이 사용하는 PDA의 작업 로그 데이터를 활용하였다. 연구 대상인 L社 물류센터는 전술한 바와 같이 고도로 자동 화된 물류센터로 WMS, 창고제어시스템 등 운영시스 템을 통해 작업을 진행한다. 작업자들은 WMS의 작업 지시를 PDA를 통해 수신하고, 작업 결과를 입력하거 나 바코드를 스캔함으로써 입ㆍ출고 작업을 수행한다.
이때 작업자들이 수행하는 모든 작업들은 PDA 로그 데이터로 기록되게 된다. [그림 2]는 입고 작업을 수행 할 때 PDA 로그 데이터가 생성되는 과정을 보여주고 있다. 입고 검수, 자동화 창고 입고 지시, 일반 팰릿 보관창고 입고 지시 및 적치 완료시에 PDA 작업 로그 데이터가 생성된다. [그림 3]은 출고 작업을 수행할 때 PDA 로그 데이터가 생성되는 과정을 보여주고 있다. 피킹 및 이동 작업, 출고검수, 출고 상차 등의 작업 수행 시에 PDA 작업 로그 데이터가 생성된다.
창고관리 시스템에서 추출된 로그 데이터는 2013년
8월 18일부터 2013년 9월 17일까지 발생된 물류센터
입ㆍ출고 작업에 대한 107,571건의 이벤트 로그를 포함
[그림 2] 입고프로세스 중 PDA 로그 데이터 생성 과정
[그림 3] 출고 프로세스 중 PDA 로그 데이터 생성과정
PI-ID Task ID Timestamp Originator
JD13081800001 입고검수팰릿설정요청 13-08-18 01:00:38 작업자 1
JD13081701336 PLT_DOCK확인요청 13-08-18 01:05:40 작업자 2
JD13081001395 출고팰릿픽업정보조회 13-08-18 01:05:48 작업자 1
JD13081001395 PLT_DOCK확인요청 13-08-18 01:06:01 작업자 1
JD13081501630 출고팰릿픽업정보조회 13-08-18 01:06:06 작업자 2
<표 1> 물류센터 작업 로그 데이터 추출 결과 예시 하고 있으며, 18개의 Activity가 수행되었고, 총 42명의
작업자가 투입되었다. 물류센터 내 입출고 작업의 가장 기본적인 단위는 팰릿이므로, 프로세스의 케이스를
구분하는 기준으로는 팰릿의 고유번호인 PI-ID를 사
용하였다. 다음 <표 1>은 추출된 데이터의 예시를
보여주고 있다.
프로세스 Activity명
입고
입고검수팰릿설정요청 입고지시요청 입고완료설정요청 입고완료팰릿정보조회
출고
일괄팰릿구성요청 출고팰릿검수처리요청 출고팰릿픽업정보조회 출고부분피킹처리요청 PLT_DOCK확인요청 출고팔레타이징처리요청
보관
재고이동개별처리요청 재고이동분리개별처리요청 재고병합지시정보_OUT조회
재고병합개별설정요청 자동창고이동요청
<표 2> 물류센터 프로세스의 단위 작업유형
4.3 프로세스 모델의 발견본 연구에서 프로세스를 도출하여 달성하고자 하는 목표는 다양한 자동화 설비가 도입됨으로 더 욱 복잡해진 창고 내 작업프로세스를 가시적으로 보여줌으로써 창고 업무 프로세스에 대한 통찰력을 제공하는 것이며, 더 나아가 물류센터의 작업 프로 세스들이 설계된 표준 프로세스와 일치하는지를 검 증하고, 각 작업의 생산성이 설계된 생산성을 충족 하는지 여부를 분석하여 프로세스 상 문제점을 파 악하는 것이다. 이를 위해 전체 입출고 과정을 먼 저 도출하고, 이 후 각 단계별로 정형화된 프로세 스를 도출한다.
4.3.1 전체 프로세스 도출
연구대상 물류센터의 작업 프로세스는 크게 입고, 출고, 보관 작업으로 구성되어 있으며, 다음 <표 2>
에서는 입고, 출고 및 보관 프로세스를 구성하는 단 위 작업의 목록을 보여주고 있다. 각 작업의 수행 내 역과 작업 간 연결고리들을 분석함으로써 창고 내 프 로세스 모델을 이해하고 분석할 수 있다.
입고, 출고 작업 모두 일반적인 팰릿 랙 시설물이 설치되어 있는 일반 창고에서 수행되는 작업과 자동 화 설비가 설치되어 있는 자동 창고에서 수행되는 작 업의 두 가지 유형이 존재한다. BOX 자동창고를 경 유하여 출고되는 팰릿의 경우에는 팰릿이 해체되어 BOX 형태로 출고된 후 새로운 팰릿에 적재되어 출 고되기 때문에 입고된 팰릿 ID로 트래킹 되지 않는 한계점이 있다. 하지만 BOX 자동창고 출고 순서의 역순으로 자동으로 박스를 추출하는 장치인 슈트로 부터 BOX가 배출되어 새로운 팰릿에 적재되고, 이 팰릿에 새로운 팰릿 ID가 부여되기 때문에, 이후 과 정에서는 팰릿 ID에 의한 이력관리가 가능하다.
프로세스 마이닝 도구인 Disco를 이용해서 이벤 트 로그에서 발견된 실제 프로세스 모델의 전체 모 습, 즉 제품이 물류센터에서 입고되어 출고되기까지 거치는 모든 작업들이 [그림 4]에 제시되어 있다. 이 도출된 모델은 큰 흐름의 관점에서는 문서상으로 정 의된 공식 모델과 일치한다고 볼 수 있다. 직사각형 이 단위작업(Activity)을 나타내고 각 직사각형 안 에 표시된 숫자는 해당 단위작업의 수행 빈도수를 나 타낸다. 화살표는 작업의 선후관계를, 화살표에 표시 된 숫자는 두 작업이 수행된 횟수를 나타낸다. 활동 의 진하기와 화살표의 두께가 활동의 수행 빈도의 정 도를 의미한다. 그림에서 알 수 있듯이 ‘입고검수팰 릿설정요청’-‘입고지시요청’-‘출고팰릿픽업정보조 회’-‘PLT_DOCK 확인 요청’ 작업으로 연결되는 프 로세스가 가장 빈번히 수행되었음을 보여주고 있으 며, 이는 팰릿 자동창고로 입고 후, 보관되어 지다가 팰릿 자동창고에서 팰릿 단위로 배출 및 피킹되어 출 고되는 유형의 작업이 가장 빈번히 수행되었음을 의 미한다. 다음 절에서는 프로세스를 더욱 상세히 분석 하기 위해 입고, 재고이동 및 출고 작업을 구분하여 프로세스 모델을 분석하고자 한다.
4.3.2 입고 프로세스 분석
아래 [그림 5(a)]는 전체 프로세스 중 입고작업 프
로세스를 자세히 보여주고 있다. 입고작업은 ‘입고검
수팰릿설정요청’을 수행한 후, ‘입고지시요청’, ‘입고
[그림 4] 전체 입․출고 프로세스
완료설정요청’의 두 가지 Activity로 연결되는 프로 세스를 보이고 있다. ‘입고검수팰릿설정요청’은 팰릿 에 제품을 적재하고 적재한 제품수량을 PDA에 입력 하여 팰릿 ID를 발행하는 작업이다. ‘입고지시요청’은 팰릿자동창고에 입고하기 위한 작업이며, ‘입고완료 설정요청’은 일반 팰릿랙 창고에 입고하기 위한 작업 이다. ‘입고지시요청’은 19,378회가 수행되어 약 85.8%를 점유하고 있으며, ‘입고완료설정요청’은 3,201회 수행되었으며 약 14.2%를 점유하고 있다. 자 동창고에 85%이상의 제품을 입고하고 일반창고에 15% 미만의 제품을 입고하는 것으로 나타나, 자동창 고의 활용률이 매우 높은 것을 알 수 있다.
4.3.3 출고 프로세스
[그림 5(b)]는 출고 프로세스를 보여주고 있으며, 크게 네 가지 유형을 나타내고 있다. 첫 번째 유형 은 ‘PLT_DOCK 확인요청’이 수행되는 작업으로 팰릿 자동창고에 입고되어 보관되다가 팰릿채 출고 되는 작업이다. ‘PLT_DOCK 확인요청’ 수행된 횟 수인 12,942는 출고된 팰릿 수량을 의미한다.
두 번째 유형은, ‘출고부분피킹처리요청’이 수행되 는 유형으로 자동창고로부터 팰릿채 배출되어 일부 BOX는 출고되고 일부 BOX는 일반 팰릿 창고로 이 동되어 적치되는 유형이다. ‘출고부분피킹처리요청’
수행된 횟수인 3,558은 출고된 팰릿 수량을 의미한다.
[그림 5] 입출고 프로세스 도출 결과: (a) 입고; (b) 출고
이 유형은 팰릿에 적재되는 BOX 수량 기준으로 50% 이상의 수량이 출고되는 경우에 수행되도록 설 계되었으며, 많은 양의 BOX를 수작업으로 피킹하는 비효율을 제거하기 위해 설계된 작업이다.
세 번째 유형은 ‘출고팔레타이징처리요청’이 수 행되는 유형으로 BOX 자동창고로부터 슈트를 통 해 BOX가 배출된 후 새로운 팰릿에 적재되어 출 고되는 작업이다. ‘출고팔레타이징처리요청’ 수행횟 수인 4,319회는 출고된 팰릿 수량과 동일하다.
네 번째 유형은 ‘출고팰릿픽업처리요청’이 수행되 는 유형으로 일반 팰릿 창고에서 지게차 작업자에 의 해 팰릿 혹은 BOX 단위로 피킹되어 출고되는 작업 형태이다. 이 작업은, 다시 팰릿 단위로 피킹 되어 출 고되는 작업과 BOX 단위로 피킹된 후 두 개 이상의 제품이 하나의 출고용 팰릿에 혼재되어 출고되는 두 가지 유형으로 분리된다. 하지만 두 가지 유형 모두 PDA의 로그 데이터에 ‘출고팰릿픽업처리요청’ 수행 횟수로 기록되어 이 두 가지 유형은 구분할 수는 없 었다. 이 유형에서 ‘출고팰릿픽업처리요청’의 수행 횟수인 8,285회는 피킹 작업 수행 횟수를 의미하는 것으로 출고된 팰릿의 수량을 의미하지는 않는다.
BOX 단위로 피킹 작업을 수행할 경우에는 출고용 팰릿에 두 개 이상의 상품의 혼적이 발생하기 때문에 출고된 팰릿의 수량은 피킹 대상 팰릿 숫자인 8,285 팰릿 보다 작을 것으로 추정된다.
<표 3>은 네 가지 출고 유형별로 출고된 팰릿 의 수량과 비중을 나타내고 있다. 그러나 기존의 WMS에서는 출고처 별 작업량, 차량별 작업량 등 의 정보는 제공되고 있지만, 출고 유형별 작업량을 파악하는 기능은 존재하지 않았다. 그 이유는 이러 한 정형화된 프로세스 유형을 파악하지 못하고 있 었기 때문이며, 프로세스 마이닝을 통해서 출고 유 형별 작업량을 파악하고 분석할 수 있게 됨으로써 각 작업 유형별 생산성을 점검할 수는 가능성이 확 보된 것이라 할 수 있다. 이를 통해 물류센터를 최 초 설계할 때 산정한 총 작업량을 충족하고 있는 지, 적정규모의 인적․물적 자원이 투입되고 있는 지 여부를 확인할 수 있다.
4.4 작업 할당 분석
본 절에서는 물류센터 내 작업자에게 입출고 작업
Reso u rces 24 M in im al freq u en cy 1 M ed ian freq u en cy 74.28 M ean freq u en cy 103.54 M axim al freq u en cy 293 Fre q u e n cy std . d e viatio n 99.14
[그림 6] 작업자별 작업할당 총 건수
유형 수행업무 내용 작업빈도 비율(%)
1 PLT 자동창고 - 팰릿 단위 출고 12,942 44.5
2 PLT 자동창고 - 팰릿 단위 배출 후 일부 수량 출고 - 잔여 수량 일반 팰릿
창고 이동 보관 3,558 12.2
3 BOX 자동창고 - BOX 단위 출고 4,319 14.8
4 일반 팰릿랙 창고 - PLT 혹은 BOX 단위 출고 8,285 28.5
계 29,104 100.0
<표 3> 출고 작업 유형별 비율
이 배정되는 현황을 ‘작업자 간 작업 할당’과 ‘시간대 별 작업 할당’의 두 가지 관점에서 분석한 결과를 설 명한다. ‘작업자 간 작업 할당 분석’을 통해 작업자별 로 균형 있게 할당되어있는가를 파악해 보았고, ‘시 간대별 작업 할당 분석’을 통해 특정 시간대에 작업 의 편중이 발생하는지 여부를 분석하였다.
4.4.1 작업자별 작업할당 분석
주간 또는 월간 데이터를 사용할 경우, 일별 작업 인력 변동(특정일에만 근무하고 퇴직하는 경우 등) 에 의한 배정결과를 의미하는 수치에 대한 왜곡이 발 생할 가능성이 있기 때문에 전체 분석 기간 중 가장 월말과 월초와 같은 업무 집중 기간을 제외하고, 요 일별 특성을 제외할 수 있어 일반적인 업무 수행 형 태를 보여준다고 판단되는 2013년 8월 20일 하루 데 이터를 사용하여 ‘작업자의 작업 할당 분석’을 수행하 였다. ‘작업자의 작업할당 분석’은 DISCO를 활용한 분 석과 ProM의 Dotted Chart 플러그인을 활용한 분 석의 두 가지 형태로 수행하였다.
[그림 7]은 ‘작업자별 작업할당 분석’ 결과를 보 여주고 있다. 가로축은 작업이 완료된 시간을, 세로 축은 작업자를 의미하며, 원의 색깔은 작업 유형 그리고 크기는 소요 시간을 의미한다. 하루 동안 수행된 총 작업횟수는 2,485회 이며, 총 24명의 작 업자가 투입되었다. 상위 10명(약 42%)의 작업자 가 전체작업의 83.5%를 수행함으로써 작업자별 작 업 편중이 발생하는 것으로 나타났다. 단, 작업수행 횟수 기준의 작업 비중임으로 작업별의 소요시간, 난이도 등은 고려하지 않은 결과이다.
아래 [그림 8]은 ProM의 Dotted Chart 플러그
인을 활용한 ‘작업자별 작업할당 분석’ 결과를 보여
주고 있다. 가로축은 작업 완료 시간을, 세로축은
각 작업자를 나타난다. 또 각 원의 크기는 작업의
수행횟수를 나타내고, 원의 색깔은 수행 작업을 나
타낸다. 작업자별로 수행하는 작업의 횟수가 크게
다르게 나타나는 점을 확인할 수 있으며, 총 작업
할당 횟수가 높은 작업자는 지속적 높은 형태를 보
이고, 적은 작업자는 지속적으로 작업횟수가 적은
[그림 7] 작업자별 할당 내역 분석
[그림 8] 시간대별 작업 할당 결과 것으로 나타났다. DISCO를 활용한 분석과 마찬가
지로 일부 작업자에게 작업이 편중된 것으로 나타 났으며, 또한 주간작업자와 야간작업자도 명확하게 구분되어지고 있다. 작업자 한명이 두세 가지의 작 업을 수행하고 있다는 점을 알 수 있다.
4.4.2 시간대별 작업할당 분석
‘시간대별 작업할당 분석’ 결과는 아래 [그림 8]과
같다. 가로축은 시간, 세로축은 수행 작업, 각 원의
크기는 작업의 수행횟수를 나타내고, 원의 색깔은
작업자를 의미한다. ‘출고부분피킹처리요청’, ‘출고
팰릿픽업정보조회’, ‘입고검수팰릿설정요청’, ‘입고 지시요청’ 등 입ㆍ출고의 주요 작업은 시간대별로 작업량에 큰 변화가 없이 일정하게 할당된 점을 확 인할 수 있다. 반면, 재고병합, 재고이동 등 입ㆍ출 고 작업과는 별도로 수행되는 재고관리 작업과 정 보의 단순 조회를 수행하는 작업들은 산발적으로 발생하였다. ‘출고 부분 피킹’ 작업은 17시 부터 익 일 06시 사이에 집중되어 발생하였는데, 이는 야간 에 주로 소규모 배송처의 물량을 처리하기 위해 BOX단위 피킹이 증가하기 때문인 것으로 파악되 었다.
특히 주목해야 할 부분은 ‘출고검수’ 작업이다.
‘출고검수’ 작업은 특정 시간에 일괄 처리하는 것으 로 나타났다. 이는 공식적인 작업 프로세스와는 차 이를 보이고 있다. 공식적인 작업 프로세스에 따르 면 출고검수 작업은 팰릿이 출고를 위해 출고 대기 장에 도착하는 순서에 따라 지속적으로 수행되어야 한다. 이 결과를 바탕으로 담당자 인터뷰 등 추가 조사를 실시한 결과, PDA 검수 기능이 사용상 불 편함이 있어 수기로 검수작업을 수행한 후, 작업완 료 시점에 일괄적으로 검수 처리하는 것으로 조사 되었다.
4.5 작업자 간 사회적 관계 분석
본 절에서는 ‘작업자의 사회적 관계 분석’ 결과를 제시하였다. 소시오메트리(sociometry)는 그래프나 매트릭스 폼으로 인간관계 및 집단 구조를 표현하 는 방법으로, 현재 사회과학 분야에서 활발하게 진 행되고 있고, 여러 분야에 다양하게 활용되고 있다.
작업 수행자들의 연관 관계를 분석함으로써 이들의 지위나 역할, 집단의 응집성 등에 대한 정보를 얻 을 수 있다. 프로세스 로그 기반 사회연결망의 도 출 및 분석을 통해 기업의 조직구조를 이해하거나, 프로세스를 개선하는데 활용될 수 있다[4].
[그림 9]는 ‘작업자 간 사회적 관계’를 중요도 순 위를 기준으로 보여주고 있다. 중요도는 상호관계 (업주의 전달 여부)를 중심으로 평가하며, 중요도가
높은 작업자가 원의 중심에 위치하게 된다. 전반적 으로 물류센터 내에서 입, 출고 작업을 수행함에 있 어서 작업자 간 상호작용이 매우 활발히 발생하는 것으로 나타났으며, 특히 원의 중심에 위치하는 작 업자들은 매우 많은 작업자들과 작업의 연계가 발 생하는 것을 볼 수 있다. 이들 작업자들의 주요 수 행 작업은 ‘출고팰릿픽업정보조회’, ‘PLT_DOCK 확인요청’, ‘출고부분피킹처리요청’ 작업 순으로 나 타났다. 이는 출고작업에서 팰릿 단위의 피킹이나, 이동작업을 수행했음을 의미하는 것으로 해당 작업 자들이 출고작업을 수행하는 지게차 기사인 것을 알 수 있다. 이들 작업자들은 다섯 가지 출고 패턴 에 모두 관여하고 있었으며, 이는 이 작업자들이 전 체 작업 프로세스의 노드로써 중요한 역할을 한다 는 것을 의미한다. 다른 측면에서 살펴보면, 이러한 사실은 해당 작업자들의 작업 과부하가 발생할 경 우 전체 생산성은 저하될 수밖에 없다는 점을 시사 한다. 작업의 편중은 곧 병목현상을 발생시켜 전체 적인 작업효율을 저하시키기 때문에 작업이 집중되 는 작업자들을 중심으로 작업을 적절하게 배정할 수 있는 원칙을 수립해야 하며, 이를 기준으로 해당 업무에 적정 자원이 투입되고 있는 지 판단할 필요 가 있다.
[그림 9] 작업자 간 사회적 관계 분석 결과
4.6 프로세스 마이닝 분석 결과 종합
프로세스 마이닝 기업을 활용한 물류센터 프로 세스 분석을 통해 다음과 같은 몇 가지 중요한 사 항을 확인할 수 있었다.
첫째, 프로세스 마이닝을 통해 도출된 모델과 기 존의 비즈니스 관점에서 정의된 기본 모델은 전반 적으로 유사한 형태를 가지고 있다. 그러나 일부 프로세스는 공식모델에는 존재하나 실행과정에서 는 생략된 것으로 확인되었다. 예를 들어, 출고검수 와 상차작업은 PDA를 통해 순차적으로 실행되어 야 하나, 도출된 모델에서는 생략되었으며, 담당자 인터뷰 결과 PDA의 사용상 불편함으로 PDA를 사용하지 않고 수기에 의해 검수와 상차를 수행하 는 것으로 확인되었다.
둘째, 프로세스 유형을 구분하기 위한 새로운 기준 을 확인할 수 있었다. 공식 모델에 의해 정의된 출고 작업의 네 가지 패턴 및 수행횟수를 가시적으로 확인 할 수 있었으며, 이 정보는 창고관리시스템(WMS)에 서는 확인 할 수 없는 정보이며, 관찰이나 담당자 인 터뷰를 통해서도 확인하기 어려운 사실이었다. 반면, 출고 유형별 작업수행 횟수는 대규모 자동화 설비가 도입된 연구대상 센터의 생산성을 명확히 나타낼 수 있는 지표로 매우 활용도가 높은 정보라고 할 수 있 다. 프로세스 마이닝을 통해서 출고유형별 작업량을 파악하고, 분석할 수 있게 됨으로써 각 작업 유형별 생산성을 점검해 볼 수 있으며, 최초 설계된 출고량을 충족하고 있는지 여부를 확인할 수 있었다.
셋째, 다양한 방법으로 작업 할당을 분석한 결과 작업자별 작업의 편중이 발생하는 것으로 나타났다.
다만 PDA 로그 데이터는 해당 작업의 완료 시점 만을 기록하고 있어 작업 소요시간, 난이도 등을 파악하는데 한계가 있었다. 단순 작업 수행횟수에 의한 분석이 아닌, 작업 별 수행 소요시간, 작업 난 이도 등을 고려한 추가 분석이 필요하다.
넷째, 사회적 관계의 분석 결과, 다수의 작업자들과 업무적 연계를 갖고 작업을 수행하는 중요한 작업자 들이 존재하는 것으로 나타났다. 소셜 네트워크 분석
을 통해 조직의 특성을 이해하는데 도움을 받을 수 있으며, 어느 작업, 어떤 작업자를 중심으로 작업할당 의 재검토가 필요한지에 대한 통찰을 얻을 수 있었다.
프로세스 마이닝을 통해 현실에 기반을 둔 물류 센터 입ㆍ출고 작업 프로세스를 도출할 수 있었고, 도출된 프로세스와 공식 프로세스와의 비교, 작업 할당 분석, 작업자의 소셜 네트워크 분석을 통해서 개선해야할 프로세스가 어느 부분인지, 무엇을 개 선해야하는지 파악할 수 있었다.
5. 시뮬레이션을 통한 프로세스 개선 방안 제시
프로세스 마이닝 기법은 현실에 기초한 프로세 스를 도출해 내고 문제점을 찾아내는 데에는 매우 효과적이나, 개선방안을 제시하고 정량적인 개선효 과를 도출해 내는 데는 어려움이 존재한다. 그러나 프로세스 마이닝 기법을 통해서 시뮬레이션 모델 수립에 필요한 정보들을 획득 할 수 있으며, 이를 통해 현실을 충실히 반영한 시뮬레이션 모델을 생 성할 수 있다. 바로 이점에서 프로세스 마이닝과 시뮬레이션 기법의 결합은 매우 효과적이라고 할 수 있다. 따라서 본 장에서는 프로세스 마이닝 결 과를 기반으로 시뮬레이션 모델을 설계하고, 전체 출고 작업의 생산성을 높일 수 있는 자원 투입의 적정 수준을 결정하는 과정과 결과를 설명한다.
5.1 시뮬레이션 모델 설계
시뮬레이션 모델 생성을 위한 기본 정보 추출은
평균 수준의 작업이 발생한 8월 20일을 기준으로
하였으며, 모든 유형의 출고작업이 동시에 이루어
지는 16시 이후부터 자정까지의 작업시간을 대상
으로 하였다. 순 작업시간은 휴식시간 1시간을 제
외하고 6시간 30분이며, 투입된 지게차의 대수는
11대인 것으로 조사되었다. 다음 <표 4>는 프로세
스 마이닝 결과로 도출된 총 다섯 가지 유형 별 작
업량 및 비중을 보여주고 있다. 프로세스의 도출결
[그림 10] 시뮬레이션 모델
구분 작업 내용 출고량
(PLT)
비중 (%)
유형#1 PLT 자동창고, 팰릿 단위 피킹 170 49.6
유형#2 PLT 자동창고, 팰릿 단위 배출 후 일부수량 출고,
잔여 수량 일반 팰릿 창고 이동 보관 26 7.6
유형#3 BOX 자동창고, BOX 단위 피킹 92 26.8
유형#4 일반 팰릿랙 출고, PLT 단위 피킹 30 8.7
유형#5 일반 팰릿랙 출고, BOX 단위 피킹 25 7.3
계 343 100.0
<표 4> 프로세스 유형별 작업 비율
과에서 설명한 바와 같이 출고작업의 유형#4는 다 시 팰릿 단위 피킹 후 팰릿 채 출고되는 유형과 BOX 단위 피킹 후 하나의 출고용 팰릿에 혼재되 어 출고되는 두 가지 유형으로 나뉜다. 하지만 두 가지 유형 모두 PDA의 로그 데이터에 ‘출고팰릿픽 업처리요청’ 수행 횟수로 기록되기 때문에 프로세 스 마이닝을 통하여 이 두 가지 유형은 구분할 수 없었다. 더욱 정교한 시뮬레이션을 위하여 PDA 로 그 데이터를 추가 분석하여 위 두 가지 유형의 작 업량을 산출하였다. 추가 분석 결과, 피킹 대상 팰 릿 중 37.5%는 팰릿 단위로 피킹되어 출고되고, 나 머지 62.5%는 BOX 단위 피킹 후 평균 2개의 상 품이 혼재되어 출고되는 것으로 조사되었다.
물류센터의 실제 레이아웃과 출고작업의 다섯가 지 유형을 반영하여 시뮬레이션 모델을 다음 [그림 10]과 같이 설계하였다. 총 작업 시간과 각 창고별 출고량을 기준으로 각 창고에서 피킹 작업이 발생하 는 시간을 산출하여 시뮬레이션에 적용하였다. 팰릿 자동창고에서는 매 119초 마다 하나의 팰릿이 배출 되고, BOX 자동창고에서는 4.24초 마다 하나의 BOX가 배출되며, 일반 팰릿랙 창고의 피킹 작업은 425초 간격으로 발생하는 것으로 계산 되었다.
실제로 측정된 프로세스 유형별 발생 시간과 비율을
기준으로 시뮬레이션에서는 무작위로 작업이 발생하
도록 가정하였으며, 실제 작업 발생 비율과 시뮬레이션
내 작업 발생 비율을 비교한 결과는 <표 4>와 같다.
구분 현재 시뮬레이션 결과
11대 5대 6대 7대 8대 9대 10대 12대 13대 14대 15대
유형#1 163 124 141 151 157 167 164 164 163 160 163
유형#2 27 24 25 28 27 22 28 22 26 32 29
유형#3 90 91 91 91 91 91 91 91 91 91 91
유형#4 33 20 32 22 28 36 24 35 22 22 23
유형#5 19 29 22 28 24 19 27 20 30 28 27
계 332 288 311 320 327 335 334 332 332 333 333
출고량 달성률 86.7 93.7 96.4 98.5 100.9 100.6 100.0 100.0 100.3 100.3 지게차 1대당 작업량 57.6 51.8 45.7 40.9 37.2 33.4 27.7 25.2 23.8 22.2
<표 5> 지게차 투입 대수 별 출고 작업량 변화
[그림 11] 지게차 투입 대수별 작업대기 횟수 및 시간
5.2 시뮬레이션 결과 및 해석시뮬레이션의 수행 목적인 ‘출고 작업 시 지게차 의 적정 투입대수’를 산정하기 위한 기준으로 목표 출고량(현행 기준 출고량)을 충족하는 범위 내에서 각 지게차의 생산성이 가장 높은 경우로 설정하였다.
최적의 지게차 대수를 산출하기 위해 지게차의 투 입 대수를 5대에서 15대 까지 조정하면서 시뮬레이 션을 반복 수행하였다. <표 5>는 지게차 투입 대수 별 출고 작업량의 시뮬레이션 결과를 보여주며,
[그림 11]은 지게차 투입대수 별 지게차의 총 대기
시간을 보여주고 있다. 시뮬레이션 수행 결과, 9대
의 지게차를 투입하는 것이 출고량 달성률 100.9%,
지게차 1대당 작업량 37.2 팰릿으로 최적의 대안으
로 선정되었다. 이를 통해 <표 6>에서 확인할 수
있듯이 현재 출고작업장에 투입된 11대의 지게차
중 일부를 타 작업 현장으로 이전하여 9대를 유지
하더라도 각 작업 유형별 1일 작업 처리량을 유지
할 수 있다는 근거를 확보할 수 있게 되었다.
구 분 출고량 (PLT)
실제 시뮬레이션 비율
유형 #1 170 163 95.9%
유형 #2 26 27 103.8%
유형 #3 92 90 97.8%
유형 #4 30 33 110.0%
유형 #5 25 19 76.0%
계 343 332 96.8%
