공급 사슬 관리에서 정보 공유 환경하의 운영 정책에 관한 연구

1. 공급 사슬 관리에서정보 공유 환경하의 운영 정책에 관한 연구 - 인공 신경 망을 이용한 공급 사슬 관리에서의 재주문 시점 결정 서울대학교 산업공학과 제조 통합 자동화 실험실 발 표 자 : 정 성 원

2. 목차 • 서론 • 기존 관련 연구 • 연구 계획 • 고려 사항

3. 서론 연구 배경 (I) - 치열한 시장 경쟁 - 정보 획득의 용이 (기술 경쟁, 가격 경쟁) (EDI, EC, POS Data) - 과다한 물류 관련 비용 (국내 GNP 15%) - 공급 사슬 관리 시스템 (I2, SAP) - 채찍 효과 (정보의 왜곡 [Lee97]) - 공급 사슬 관리 중요성 인식 공급 사슬 관리란 원자재 공급업체, 제조업체, 유통 업체를 포괄하는 공급 사슬상의 여러 관련 기업이 일정의 수립이나 정보의 공유에 있어서 서로 협조하여 물품과 정보의 흐름을 관리하는 것이다. [Siver98]

4. 서론 연구 배경 (II) 공급 사슬 관리에서의 주요 관심 분야 • 위치 결정 • 전략적 결정 : 생산 설비, 창고 위치 등의 결정 • 생산 결정 • 전략적 결정 : 공장에서 제품 종류와 수량, 각 공장에 대한 공급자 할당, 각 시장에 대한 유통 센터 할당 등의 결정 • 운영적 결정 : 상세한 생산 스케줄 결정 • 재고 결정 • 운영적 결정 : 재주문 시점 결정, 재주문량 결정 • 운송 결정 • 전략적 결정 : 운송 방법 결정, 제3자 물류 활용 여부 • 운영적 결정 : 상세한 운송 스케줄 결정

5. 서론 연구 배경 (III) 공급 사슬 관리에서의 재고 결정 Warehouse inventory Control 배치수요 Warehouse 정보 공유가 안된 경우 Retailer 1 배치 주문 Retailer 2 배치 주문 배치 수요 Warehouse inventory Control Retailer (s,S) Policy Retailer 1 Retailer 2 Retailer의 개별 재고 상황 정보 개별 주문 개별 주문 Demand Demand 정보 공유가 된 경우

6. 서론 연구 목적 실시간 정보를 알고 있는 경우에도 기존과 동일한 재고 관리 정책을 사용한다면 이러한 정보 공유로 인하여 얻을 수 있는 것은 없을 것이다. 이러한 이유로 정보 공유 환경 하에서 효율적 재고 방안에 관한 연구는 많이 진행되어져 왔다. 이러한 연구 중 단일 창고 복수 소매상 모형에서의 최적 재주문 시점 결정 방안에 관한 연구 결과가[Seo] 나왔으나 몇 가지 고려할 요소가 있다. 본연구의 목적은 위의 연구에 있어 언급한 점들을 고려한 효율적 재고 관리 방안을 찾는 것이다..

7. 기존 관련 연구 Value of information in capacitated Supply Chain [Srinagesh99] 배치 수요에 근거한 재주문 결정 CASE I Warehouse inventory Control 배치수요 CASE I* 실제 수요 정보 공유가 안된 경우 (확률 분포) 배치 수요 Warehouse inventory Control Retailer (s,S) Policy CASE II* CASE II Retailer의 개별 재고 상황 정보 실제 수요와 소매상의 재고 상황에 근거한 재주문 결정 정보 공유가 된 경우 Warehouse와 retailer의 재고의 합을 기준으로 재주문 여부를 결정하면 최적 재주문 시점을 구할 수 있다.

8. 기존 관련 연구 각 모형별 재주문 기준 개별 모형 : 현재 재고 수준 단일 창고 복수 소매상 모형 현재 창고 재고 수준 + 현재 소매상 재고 수준 단일 창고 단일 소매상 모형 : Retailer1 (s,S) Policy 단일 창고 복수 소매상 모형 : 실제 수요 Retailer1 (s,S) Policy Warehouse inventory Control 재주문 기준은 어떻게 잡나? (확률 분포) Retailer1 (s,S) Policy Retailer1 (s,S) Policy

9. 기존 관련 연구 기존의 재주문 모형 • 재주문 정책의 분류 • Installation Stock Policy와 Echelon Stock Policy • 두 정책 모두 다 계층 재고 시스템에서 많이 사용 [Axsaster96][Chen97] • 공유 재고 정보가 사용 가능한 경우 Echelon Stock Policy를 많이 사용 [Axsaster93][Chen97][Lee97] • Echelon Stock Policy • Echelon Stock • Warehouse 재고 + Retailer의 재고 1 Retailer1 50 재고수준 Retailer2 50 0 2 10 • Echelon Stock Policy를 고려한 이유 • 정보 환경 하에서의 재고 재주문 기준으로 적합 Warehouse 3 50 Retailer3

10. 기존 관련 연구 Echelon Stock Policy의 한계점 재고수준 1 10 50 1 50 0 2 10 10 0 2 80 E0 : 160 E0 : 160 3 50 3 60 Reorder point 150 Reorder point 150 Echelon Stock Policy의 한계점 • 실시간의 개별 소매상 재고 상황을 파악하지 못함 • 개별 소매상의 특성을 고려 못함

11. 기존 관련 연구 Risk Order Policy I [Seo] 정보 공유 환경에서의 재주문 결정 방법 Policy based on Individual Stock Information & Consider retailer’s inventory state 이러한 재주문 결정 방법은 현재 시스템 내의 재고 상황을 고려하여 RIF(t)의 기대 값을 계산, 그 값이 양인 경우 주문을 연기하고 음이 되는 시점에 주문을 하는 정책이다. Demand RIF(t)의 기대 값 Retailer 1 Demand Warehouse 고려해야 할 시스템 내 재고 상황 Retailer 2 Retailer들에게 오고 있는 수량 Retailer내에 있는 수량 Retailer에서 발생한 재고 고갈량 Warehouse에 오고 있는 수량 Warehouse 내에 있는 재고량 Retailer 들에게 주어야 하는 재고량

12. 기존 관련 연구 Risk Order Policy II Reorder Point Indicate Function을 기준으로 재주문 여부 결정 • Marginal saving • 현재 주문을 기준으로 주문 시점을 dt만큼 Delay 시 발생되는 비용 감소분 (Ex. Holding Cost) • Marginal cost • 현재 주문을 기준으로 주문 시점을 dt만큼 Delay 시 발생되는 비용 증가분(Ex. Penalty Cost) • Reorder Point Indicate function = Marginal saving - Marginal cost

13. 기존 관련 연구 Risk Order Policy III Warehouse Holding Cost Retailer Holding Cost Retailer Penalty Cost

14. 기존 관련 연구 각 정책의 비교 [Seo] 재주문 기준 Z : Warehouse의 재고 상황 Y : Retailer2의 재고 상황 X : Retailer1의 재고 상황 • Risk Order Policy • Echelon Stock Policy • Installation Stock Policy

15. 기존 관련 연구 Risk Order Policy 고려 사항 고려사항 1. 계산량이 많다. 계산량인 O(2n)이상이다. 2. 외부의 수요 특정 분포로 가정한다. (포아송 분포) 실제 분포가 그렇지 않을 수 있다. 개선 방안 1. 수리식을 단순화 시킨다. 이런 경우에도 계산량은 줄어들 수 있으나 여전히 외부 수요 특정 분포의 가정이 필요하다. 2. 인공 신경망을 이용하여 Reorder Indicate Function를 학습시킨다. 특정 분포의 가정이 필요 없다. 한번의 학습으로 실시간에 빠르게 사용할 수 있다.

16. 연구 계획 인공 신경망 학습 방법 학습 방법 1. 수요가 확정적인 경우 최적 재주문 시점을 알 수 있다. 과거의 데이터를 기반으로 최적 재주문 시점을 알아본다. (창고와 소매상의 재고 상황) Input : (W0,R1,………………..,Rn) 2. 위의 데이터를 기반으로 Reorder Indicate Function을 학습시킨다.

17. 연구 계획 학습 데이터의 예 • Input값을 주요한 6개의 요소로 줄임 • 모든 Input값과 Output 값을 0과 1사이 값으로 변환 시킴 !!

18. 연구 계획 인공 신경망 평가 방법 One Warehouse Two Retailer 모델 - 시뮬레이션 결과 Risk Order Policy를 사용 시 : 평균 197.15 Echelon Stock Policy를 사용 시 : 평균 211.39 1차 실험 평가 NN을 이용한 재주문 결정 방법과 위의 모델을 비교해 보자

19. 연구 계획 인공 신경망 평가 Training 된 NN을 통하여 나온 Output 값 실제 Expected RPIF값(수리모형) Risk Order Policy를 사용 시 : 평균 197.15 NN을 사용 시 : 평균 198.02 Echelon Stock Policy를 사용 시 : 평균 211.39

20. 고려 사항 연구 진행 고려 사항 고려사항 1. 보다 다양한 경우에 대하여 평가해야 한다. 2. 이러한 성질의 데이터 학습에 효과적인 신경망 구조에 대하여 알아본다. 그냥 신경망을 훈련시키면 되는 거니? 어떻게 학습이 제대로 되는지 알지? 실험에 필요한 데이터는 어떻게 구하나? 실제 이것이 사용되어질 수 있나?

21. 토의 관심 연구 분야 1. 운송 스케줄을 고려한 재주문 결정 방안에 관한 연구 2. VMI (Vendor Management Inventory)를 위한 효율적 알고리즘 개발 추가 관심 분야 1. 서비스 업에서 시스템 운용에 필요한 알고리즘 개발 (항공사, 대형 유통 회사, 화물 수출입 관리…..) 2. 전략적 관점에서의 공급 사슬 관리

22. Reference • [Silver98] • Edward A. Silver, David F. Pyke and Rein Peterson • Inventory Management and Production Planning and Scheduling , JOHN WILEY & SON • [Srinagesh99] • Srinagesh Gavirneni • Management Science 1999 • [Clark60] • Andrew J. Clark and Hervert Scarf , “ Optimal policies for a multi-echelon inventory problem” • Management Science, 6,1960 • [Seo] • Yongwon Seo, Sungwon Jung • Computer & OR [Publish Accepted]