[논문 분석] Data-driven research in retail operations—A review

Zn·2026년 3월 5일
공급망 관리데이터 기반 연구리테일 운영머신러닝최적화

Abstract

retail operation 분야에서 data-driven methods(데이터 기반 방법)을 활용한 Operations Research / Management Science 연구 문헌을 검토. 고품질 데이터 활용 가능성 증가, 컴퓨터 하드웨어 성능 향상, ML 방법론의 병행 발전 덕분에 이러한 연구 흐름이 빠르게 증가.
본 논문에서는 retail operation의 세 가지 핵심 영역인 

1. 상품 구성 최적화 
2. 주문 처리
3. 재고 관리

에 대한 state-of-the-art studies(최신연구)를 정리.

1. Introduction

지난 수십 년 동안 Operations Management(OM) 연구는 실제 산업 현장과 밀접하게 함께 발전해 왔으며, 연구의 초점이 변화해 옴. 초기에는 생산 시스템(예: 조립라인, 공장 물리학)과 같은 주제를 다루었다면, 이후에는 공급망 관리 개념(예: Just-in-Time), 운영 전략(예: 아웃소싱, 오프쇼어링), 수익관리(revenue management), 운영 리스크와 공급망 교란 관리로 연구 범위가 확장됨.

가장 중요한 변화 중 하나는 'digitalization'이라고 할 수 있음. 점점 더 많은 기업들이 디지털 기술과 빅데이터가 자사의 운영 전략ㅇ르 어떻게 변화시킬 수 있을지 고민하면서, OM 연구자들 역시 디지털 및 data-driven lens(데이터 기반 관점)에서 운영 문제 연구하기 시작. 본 논문은 이러한 변화 속에서 특히 디지털 혁신을 겪고 있는 핵심 산업인 retail 분야의 OM 연구 발전을 중심으로 살펴봄.

OM 연구의 초점이 시간이 지남에 따라 어떻게 변화했는지를 보여주는 예로 공급망 관리(Supply Chain Management) 분야의 용어 사용 트렌드를 살펴볼 수 있다. 공급망 관리는 OM의 대표적인 연구 영역임.


지난 10년동안 공급망 관리와 관련된 세 가지 주요 키워드의 Google 검색 빈도 변화를 보여줌. 공급망 분석(supply chain analytics)이라는 용어의 인기는 빠르게 증가했으며, 2014~2015년경부터 공급망 최적화보다 더 높은 검색 빈도 보이기 시작. 물론 공급망 분석은 공급망 최적화를 포함하는 더 넓은 개념이라고 볼 수 있지만, 이러한 변화는 많은 사람들이 이제 데이터 기반 분석 접근법을 OM의 현재 핵심 방법으로 받아들이고 있음을 시사.

공급망 AI에 대한 관심은 10년 전 거의 없던 수준에서 시작해 현재는 공급망 최적화 검색량의 약 절반 수준까지 증가. 이는 OM의 미래 방향을 보여주는 흥미로운 관찰. 많은 연구자들은 기업과 협업을 논의할 때 종종 실무자들이 관리자의 의사결정을 돕는 기술(descriptive / predictive analytics)에는 관심을 보이지만, 관리자에게 실제 의사결정을 제안하는 처방적 방법(prescriptive methods)에는 관심이 적다는 경험을 해옴. 그러나 AI의 큰 성공은 이런 인식을 바꾸며, 실무자들이 블랙박스 모델일지라도 의사결정을 추천하는 방법을 신뢰하도록 만들고 있음.

retail operations 분야에서도 새로운 연구 기회가 등장했다. retail 산업은 디지털화가 빠르게 진행되는 대표적 산업. 전통적으로 retail operations 연구는 시스템이 어떻게 작동하는지에 대한 이론적 가정을 기반으로 한 모델 중심 접근법(model-based approach)을 사용. 연구자들이 실제 운영을 정확하게 설명할 수 있는 데이터를 충분히 보유하지 못했기 때문에 단순화된 가정을 사용할 수밖에 없었기 때문.

이러한 모델 기반 접근법은 전략적 통찰과 계산 가능한 해법을 제공한다는 장점과 실제 현실에서는 이러한 가정이 항상 성립하지 않는 경우가 많다는 단점이 있음. 특히 현대의 retail operations는 점점 더 복잡해지고 있기 때문.

수요 측면 데이터

  • 고객이 검색한 키워드
  • 화면에 표시된 상품 목록
  • 고객의 클릭 행동
  • 소셜미디어 활동
  • 실제 주문 결과

공급 측면 데이터

  • 공급업체로부터 조달 기록
  • 배송 날짜 및 위치 추적
  • 창고 입고 및 보관
  • 물류 이동 경로
  • 고객에게 배송되는 출고 과정

즉 이제는 운영 프로세스의 거의 모든 단계를 데이터로 기록할 수 있다. 따라서 문제는 더 이상 데이터 부족이 아닌, 이 복잡한 운영 데이터에서 필요한 정보를 추출하여 모델링하고 최적화하는 것.

최근 몇 년동안 이러한 문제 해결하기 위해 data-driven models을 개발하는 데 집중. 이러한 발전을 가능하게 한 또 다른 중요 요인은 ML과 데이터 기반 OR 방법론의 발전임. 예를 들어, 통계 학습 모델은 높은 정확도의 예측을 제공하며 RNN은 retail에서 흔히 나타나는 시계열 데이터 모델링하는 데 사용될 수 있음.

또한, 고성능 컴퓨팅 자원의 접근성 증가 역시 큰 영향을 미침. 데이터 기반 방법은 모델 기반 방법보다 훨 많은 계산을 요구하기 때문. 최근에는 다음과 같은 기술이 이를 가능케 함.

  • GPU 기반 딥러닝 학습
  • 오픈소스 분석 소프트웨어
  • 클라우드 컴퓨팅
    이러한 기술은 연구자와 실무자들이 데이터 기반 모델을 구현하는 데 매우 편리한 도구를 제공.

본 논문에서는 retail operations에서 data-driven 연구의 세 가지 주요 영역에 초점을 맞춤. 디지털화된 retail 공급망에서 고객 경험이 진행되는 물리적 흐름을 기준으로 구성되어 있음.

1) 상품 선택
고객이 매장이나 온라인 스토어를 방문하면, 진열된 상품 목록(assortment)을 기반으로 구매할 상품 선택. 우리는 먼저 상품 구성 최적화(assortment optimization) 연구를 살펴봄. 이는 소매업체가 어떤 상품을 제공할지 결정하는 문제.

2) 주문 처리 order fulfillment
고객이 온라인 스토어에서 주문하면, 해당 주문은 소매업체의 물류 네트워크에서 처리됨. 우리는 이러한 data-driven 주문 처리 최적화 연구를 검토.

3) 재고 관리 inventory management
물류 및 배송 네트워크는 높은 서비스 수준과 낮은 비용을 유지하기 위해 효율적인 재고 관리를 수행해야 함.

2. Data-driven assortment optimization

Assortment optimization(상품 구성 최적화)는 retail operations와 수익 관리에서 핵심적 문제. 이는 고객과 직접 맞닿아 있는 영역에 위치하며 매출과 고객 만족도를 직접적으로 결정하는 중요한 요소이기 때문에 기업에게 매우 중요.

이 문제는 판매자가 고객 집단에게 제공할 상품들의 최적 집합을 선택하여 매출을 최대화하는 것을 의미. 각 고객은 자신의 선호도에 따라 제공된 상품들 중 최대 하나의 상품만 구매한다고 가정.

하지만 이 문제는 combinational optimization(조합 최적화) 문제이기 때문에 해결하기 쉽지 않음. 일반적으로 모든 상품을 동시에 제공하는 것은

  • 매대 공간(shelf space)이 제한되어 있어 현실적으로 불가능하거나
  • 서로 유사 상품 간 cannibalization(서로의 판매를 잠식하는 현상) 발생할 수 있어 바람직하지 않음.

상품 구성 최적화 문제는 다양한 실제 상황에서 나타난다. 예를 들어,

  • retail 매장이나 자판기에서 진열할 상품을 선택하는 문제
  • Youtube나 Facebook 페이지에 표시할 광고 선택하는 문제

2.1 Parametric approach to customer choice modeling

상품 구성 최적화 문제를 분석하기 위해서는 제공된 상품 집합(offer set)이 주어졌을 때 고객이 어떤 구매 결정을 내리는지를 모델링하는 것이 필요.

고객 선택을 모델링하는 전통적 방법은 parametric discrete choice models을 사용하는 것. 이 모델은 고객이 두 개 이상의 이산적 대안(예: 제공된 상품들 또는 구매x) 사이에서 선택하는 행동을, 각 대안이 가진 attributes의 함수로 표현.

대표적 이산 선택 모델로는 Multinomial Logit(MNL), Nested Logit(NL), Mixed Multinomial Logit(MMNL)이 있음.

2.1.1 Review of Popular Choice Models

소매업체가 제공할 수 있는 (n)개의 상품 집합을 고려함.

소매업체가 선택한 상품 제공 집합 S⊂{1,…,n}S \subset \{1, \dots, n\} 이 주어졌을 때, 매개변수 기반 이산 선택 모델(parametric discrete choice model) 은 고객이 상품 (i)를 구매할 확률을 상품 집합 (S)의 함수로 표현함.

이 확률을 다음과 같이 나타냄:

Pi(S)P_i(S)

여기서

  • i∈Si \in S 는 제공된 상품 집합 SS에 포함된 상품을 의미하며, 고객이 선택 가능한 상품을 나타냄.
  • 상품 00 (product 0)은 구매하지 않는 선택(no-purchase option) 을 의미함.

1) Multinomial Logit Model
고객이 상품을 선택할 때 확률적으로 결정되는 utility(효용)에 기반하여 상품을 선택했다고 가정. 상품 i의 효용은 Ui = Vi + εi으로 표현.

  • εi는 표준 Gumbel 분포를 따르는 random noise
  • Vi는 상품 i의 결정적(고정) 효용값 의미
    이 때 고객이 상품 집합 S에서 상품 i를 선택할 확률과, no purchase option(0)을 선택할 확률을 다음과 같이 표현.

2) Mixed Multinomial Model

단순한 랜덤 노이즈 항뿐만 아니라 평균 효용(mean utility) ViV_i 역시 random variable(확률변수)로 모델링됨.

즉, Vi,  i=1,…,nV_i, \; i = 1, \dots, n 은 확률 분포를 따르는 변수로 가정되며, 이 분포는 discrete distribution 또는 continuous distribution일 수 있음.

예를 들어, 효용 벡터 V=(V1,…,Vn)V = (V_1, \dots, V_n)가 서로 다른 mm개의 값 V1,…,VmV^{1}, \dots, V^{m} 을 갖는 이산 분포(discrete distribution) 를 따른다고 가정함.

이 경우 여러 개의 customer types이 존재함을 의미할 수 있음.

VjV^{j} 는 고객 유형 j∈{1,…,m}j \in \{1, \dots, m\} 의 평균 효용(mean utility)을 나타냄.


한편, VV가 연속 분포(continuous distribution) 를 따르는 경우의 예로는
상품과 무관한 가격 민감도(product-independent price sensitivity)를 고려한 모델이 있음.

이 경우 효용은 다음과 같이 표현됨:

Vi=μi+P−BriV_i = \mu_i + P - B r_i

여기서

  • μi\mu_i : 상품 ii의 deterministic constant
  • rir_i : 상품 ii의 price
  • P,BP, B : 연속 확률변수

특히 확률변수 BB는 positive로 가정하며, 이는 고객의 price sensitivity를 나타냄.

MMNL 모델에서 상품 i가 선택될 확률 Pi는 다음과 같이 정의. 이는 상품 집합 S와 효용 벡터 V의 실현값이 주어졌을 때 고객이 상품 i를 선택할 조건부 확률임. 또한 구매하지 않는 선택(no purchase option)의 확률은 P0P_0로 표현.

3) Nested Logit Model
고객이 먼저 상품의 하위집합(subset), 즉 nest라고 불리는 그룹을 선택한 후 그 안에서 특정 상품을 선택한다고 가정. 여기서 nest는 전체 상품 집합을 여러 그룹으로 나눈 것이며, 서로 겹치지 않는 partition을 이룸.

예를 들어, 고객은 먼저 휴대폰 브랜드를 선택하고, 이후 그 브랜드의 특정 모델을 선택.

이제 m개의 nest가 있고, 각 nest에 n개의 상품이 있다고 가정. 상품 j의 효용 가중치와 구매하지 않는 선택의 효용 가중치를 다음과 같이 나타냄:

  • WijW_{ij}: nest i에 있는 상품 j의 효용 가중치
  • W0jW_{0j}: nest j에서 구매하지않는 선택의 효용 가중치

고객이 nest i를 선택하면, 해당 nest 안의 부분 상품 집합 Si에서 상품 j를 선택할 확률과 구매하지 않을 확률은 다음과 같이 표현:
여기서

또한 각 nest j에는 dissimilarity parameter(비유사성 파라미터) γjγ_j≥0가 존재하며, 이는 해당 nest 안에 있는 상품들이 서로 얼마나 다른지 나타냄.

NL 모델에서는 이러한 비유사성 파라미터 (γ1γ_1, …, γmγ_m)가 상수라고 가정.

또한 preference weights(선호 가중치) Wij는 평균 Vij를 갖는 다차원 generalized extreme value 분포를 따르는 random utility으로부터 생성됨.

이때 선호 가중치는 MNL 모델과 유사한 형태로 다음과 같이 표현:

이제 상품 구성(assortment)이 각 nest에 대한 부분 상품 집합 (S1S_1​,…, SmS_m​)으로 이루어져 있다고 하자. 이 경우 고객이 nest j를 선택할 확률은 다음과 같음:

  • W0W_0: 어떤 nest도 선택하지 않는 경우의 선호 가중치
  • 예를 들어, 판매자가 취급하지 않는 브랜드를 선택하는 경우

2.1.2 Learning discrete choice models from data

상품 선택 모델의 파라미터를 데이터로부터 추정하는 방법

  • 실험 기반 데이터 vs. 실제 데이터:

    • 이상적인 경우, 실험을 통해 고객의 선택 데이터를 수집하여 모델 파라미터를 최대 우도 추정(MLE) 기법으로 추정할 수 있음.
    • 하지만 실제 상황에서는 이러한 실험이 비실용적이며, 수집되는 데이터는 종종 희소함.

  • 희소 데이터로부터의 학습:

    • 최근의 저순위(low-rank) 모델 학습 발전 덕분에 비교 및 선택 데이터만으로도 선택 모델을 학습할 수 있게 되었음.
    • Negahban et al. (2018)은 쌍대 비교, 순위, 고객 선택, 묶음 선택 등 다양한 형태의 데이터를 사용하여 MNL(Multinomial Logit) 모델 파라미터를 추정하는 방법을 제시. 특히 쌍대 비교 데이터의 경우, 그래프 샘플링 방법과 볼록 완화(convex relaxation)를 통해 효율적인 추정치를 얻고, 샘플링 토폴로지에 따른 정확도 의존성을 분석함.

  • MMNL (Mixed Multinomial Logit) 모델 학습의 어려움:

    • MMNL 모델은 더 풍부하지만 학습이 매우 어려움. Ammar et al. (2014)은 특정 조건 하에서 서로 다른 MMNL 모델이 동일한 분포의 샘플을 생성할 수 있음을 보여, MMNL 모델의 일반적인 구별 가능성을 불가능하게 만듦.
    • Oh and Shah (2014)는 MMNL 모델을 효율적으로 학습할 수 있는 충분 조건을 조사하고, 부분 선호도 데이터(고차 및 쌍대 비교)를 사용하는 효율적인 알고리즘을 제시. 이 알고리즘은 텐서 분해를 통해 혼합 성분의 쌍대 마진(pairwise marginals)을 학습한 후, 각 혼합 성분의 파라미터를 학습하는 2단계 방식으로 진행.

  • 부분적인 정보로부터의 학습:

    • Chierichetti, Kumar, and Tomkins (2018)는 더 현실적인 oracle을 사용하여 두 개의 MNL 모델의 균일 혼합(uniform mixture)을 학습하는 문제를 연구. 오라클은 주어진 상품 목록(slate)에서 각 상품이 선택될 확률 분포를 반환. 이들은 슬레이트 크기가 2인 경우는 불충분하며, 슬레이트 크기가 최대 3인 경우가 최적임을 보이고, 이를 위해 샘플링을 통한 근사 방법을 제안. 또한, 적응적(adaptive) 및 비적응적(non-adaptive) 쿼리에 대해 각각 O(n)O(n) 및 O(n2)O(n^2) 쿼리로 최적의 학습을 수행하는 알고리즘을 제시.

핵심 아이디어:

  • 실제 데이터의 희소성에도 불구하고, 다양한 형태의 선택 데이터와 고급 학습 기법을 통해 고객의 선호도를 모델링하고 파라미터를 추정하는 것이 가능함.
  • MMNL과 같이 복잡한 모델은 학습의 어려움이 존재하며, 이를 해결하기 위한 연구가 활발히 진행되고 있음.
  • 데이터 기반 연구는 단순히 통계적 모델을 적용하는 것을 넘어, 데이터의 특성과 모델의 가정을 고려하여 최적의 학습 전략을 개발하는 데 중점을 둠.

이러한 방법론들은 상품 구색 최적화 문제에서 수익을 극대화하기 위한 기반을 마련하는 데 중요한 역할을 함.

2.1.3 Assortment optimization with parametric discrete choice models

매개변수적 이산 선택 모델의 파라미터를 바탕으로 최적의 상품 구색(assortment)을 결정하는 방법에 대해 설명함.

주요 내용:

  • 정적 구색 최적화 (Static Assortment Optimization):

    • 한 번의 의사결정으로 특정 시점에서 제공할 상품 목록을 결정하여 예상 수익을 극대화하는 문제
    • MNL 모델:
      • 선택 확률이 알려진 MNL 모델의 경우, 수익 순서대로 상품을 정렬(revenue-ordered assortments)하는 것만으로도 최적 구색을 효율적으로 찾을 수 있음. Talluri and Van 의 결과에 기반하며, Aouad et al. (2018) 및 Berbeglia and Joret (2020)에서 더 일반적인 모델로 성능 보장을 연구함.
      • 용량 제약 (Capacity Constraint)이 있는 경우 (예: 선반 공간 제한), 문제는 더 복잡해짐. Rusmevichientong et al. (2010)은 MNL 모델에서 용량 제약을 갖춘 최적 구색 문제를 해결하는 간단한 알고리즘을 개발. Jagabathula (2014)는 동일한 문제에 대해 지역 탐색 휴리스틱(local search heuristic)을 제안.
      • Wang (2012)과 Wang (2013)은 가격 결정과 구색 최적화를 동시에 고려하는 문제를 MNL 모델 하에서 다룸.
      • 고려 집합 (Consideration Sets) 모델에서는 고객이 특정 상품 subset에만 관심을 보이는 상황을 다룹니다. Feldman and Topaloglu (2018)는 이러한 용량 제약 구색 문제가 NP-hard임을 보이고 FPTAS(Fully Polynomial Time Approximation Scheme)를 개발.
    • MMNL 및 NL (Nested Logit) 모델:
      • 이러한 모델에서는 정적 구색 최적화 문제도 계산적으로 어려움. Rusmevichientong et al. (2014)은 MMNL 모델 하에서 이 문제가 NP-complete임을 입증. 하지만 특정 조건(예: 제품 독립적 가격 민감도)에서는 수익 순서대로 정렬하는 것이 최적임을 보여줌.
      • Mittal and Schulz (2013) 및 Désir et al. (2014)는 MMNL 및 NL 모델에 대한 FPTAS를 제시.
      • ¸Sen, Atamtürk, and Kaminsky (2018)는 MMNL 모델에서의 제약 구색 최적화 문제를 볼록 이차 혼합 정수 계획법(conic quadratic mixed-integer program)으로 재구성하여 상용 솔버로 해결할 수 있도록 함.
    • NL 모델:
      • Davis, Gallego, and Topaloglu (2014)는 다단계 NL 모델에 대한 구색 최적화 문제를 연구했으며, 특정 조건 하에서 다항 시간 해결 가능성을 보임.
      • Li, Rusmevichientong, and Topaloglu (2015)는 (d)-level NL 모델을 사용하여 최적 구색에 대한 재귀적 특성을 제시하고 (O(dn\log n)) 복잡도를 가진 알고리즘을 개발.
      • Wang and Shen (2020)은 (d)-level NL 모델에서 기간별 no-purchase 옵션과 cardinality 제약을 고려하여 더 효율적인 알고리즘을 제시.

  • 동적 구색 최적화 (Dynamic Assortment Optimization):

    • 여러 기간에 걸쳐 재고를 고려하여 구색을 결정하는 문제. 주로 수익 관리(revenue management) 분야에서 다루어짐.
    • Talluri and Van Ryzin (2004)은 다기간, 용량 제약 하에서 MNL 모델을 기반으로 항공 좌석 예약과 유사한 문제를 분석. 최적 정책은 수익 순서에 기반한 nested allocation policy임을 보였음.
    • Liu and Van Ryzin (2008)은 다기간 네트워크 수익 관리 문제를 일반화했습니다. MNL 모델에서 제품의 한계 수익(marginal profit)에 따라 정렬하여 최적 구색을 찾을 수 있음을 보였음.
    • Rusmevichientong and Topaloglu (2012는 선택 모델의 파라미터가 불확실한 경우에 대한 강건(robust) 구색 최적화 문제를 다루었음.
    • Gallego et al. (2015)은 일반적인 attraction 모델을 사용하여 다기간 네트워크 수익 관리 문제를 연구.
    • Rusmevichientong et al. (2010)은 온라인 학습 버전의 구색 최적화 문제를 다루고, multi-armed bandit 문제로 공식화하여 regret bound를 제시.
    • Liu et al. (2020)은 다단계 선택 과정을 갖는 구색 최적화 문제를 NP-hard로 증명하고 FPTAS를 개발.

  • 비매개변수적 접근 (Nonparametric Approaches):

    • 모델 가정의 오류나 과적합/과소적합 문제를 완화하기 위한 대안으로 제시.
    • Farias et al. (2013)은 고객 선택 모델을 상품 순위(ranking)에 대한 확률 분포로 간주하는 비매개변수적 접근법을 제시. 데이터로부터 이러한 분포를 추정하고, 이를 바탕으로 최적 구색을 찾는 문제(수익률 예측)를 다루었음. 다만, 이 접근법은 계산적으로 복잡하며, 이중 문제(dual problem)와 제약 조건 샘플링 및 재구성을 통해 해결.
    • Aouad et al. (2018)은 비매개변수적 모델 하에서 구색 최적화 문제가 근사하기 어렵다는 것을 보였음.
    • Feldman, Paul, and Topaloglu (2019)는 kk-product 비매개변수적 선택 모델 하에서 최적 구색 문제를 연구.
    • Bertsimas and Miši´c (2019, 2015)는 상품 순위에 기반한 구색 최적화 문제를 혼합 정수 최적화(MIO) 문제로 공식화하고, Benders 분해 및 열 발생(column generation)과 같은 기법을 사용하여 해결.
    • Chen and Miši´c (2019)는 결정 트리(decision tree)를 사용하여 비매개변수적 고객 선택 모델을 제안. 이 모델은 약한 합리성(weak rationality) 가정을 완화하며, 실제 데이터로부터 효율적으로 추정할 수 있는 알고리즘을 제시.
    • Blanchet, Gallego, and Goyal (2016)은 마르코프 연쇄 선택 모델(Markov chain choice model)을 제안하여, substitution behavior를 모델링.

결론적으로, 이 섹션은 수학적으로 잘 정의된 이산 선택 모델(MNL, MMNL, NL 등)을 사용하여 실제로 어떻게 최적의 상품 구색을 결정하는지에 대한 다양한 방법론과 그 한계, 그리고 이를 극복하기 위한 연구 방향들을 제시. 특히, 용량 제약, 동적 환경, 그리고 비매개변수적 접근법에서의 계산적 복잡성을 다루는 연구들이 중요하게 다루어짐.

2.2 Nonparametric choice modeling and associated assortment optimization problems

매개변수적 모델에 대한 의존성을 줄이고, 더 유연하게 데이터를 기반으로 고객의 선택 행동을 모델링하며, 이를 통해 구색 최적화를 수행하는 비매개변수적 접근 방식에 대해 다룸.

핵심 아이디어:

  • 모델의 한계 극복: 매개변수적 모델은 특정 가정에 의존하며, 이 가정이 현실과 맞지 않을 경우 성능이 저하될 수 있음. 비매개변수적 접근은 이러한 가정을 완화하거나 제거하여 데이터의 패턴을 직접 학습하는 것을 목표로 함.
  • 일반화된 선택 모델: 고객의 선택을 단순히 상품 속성의 함수로 보는 것을 넘어, 고객의 선호도 순위(ranking)에 대한 확률 분포로 모델링.

주요 연구 및 방법론:

  1. 순위 기반의 일반 선택 모델 (Rank-based General Choice Models):

    • Farias, Jagabathula, and Shah (2013)는 고객의 선택을 모든 가능한 상품 순위(permutation)에 대한 확률 분포 λ로 모델링. 특정 구색 S가 주어졌을 때, 고객이 상품 i를 선택할 확률 Pi(S)P_i(S)는 해당 상품 i를 가장 선호하는 순위들의 확률 합으로 계산됨.

    • 이 모델은 MNL, MMNL, NL 모델을 포괄하는 더 일반적인 프레임워크를 제공.

    • 실제 데이터는 종종 제한된 수의 구색에 대한 관찰만 제공하므로, 데이터 벡터 y=Aλy = Aλ (여기서 A는 관찰된 구색과 선택 간의 관계를 나타내는 행렬)와 같은 "부분 정보"만 얻을 수 있음.

    • 이 문제를 해결하기 위해, 저자들은 지수적으로 많은 변수를 가진 원래의 선형 계획법 대신, 지수적으로 많은 제약 조건을 가진 쌍대 문제(dual problem)를 활용하고, 제약 조건 샘플링(constraint sampling)과 효율적인 재구성을 통해 해결책을 찾음.

  2. 계산적 어려움 및 근사 기법:

    • 이러한 일반화된 모델은 종종 NP-hard 문제를 야기하며, 특히 최적 구색을 찾는 것은 어려움.
    • Aouad et al. (2018)은 이러한 문제의 근사 가능성에 대한 최적의 경계를 제시.
    • Feldman, Paul, and Topaloglu (2019)는 kk-product 비매개변수적 선택 모델을 연구하며, k=2에서도 강력한 NP-hard성을 보이고 개선된 근사 알고리즘을 개발.

  3. 혼합 정수 최적화 (Mixed-Integer Optimization) 및 분해 기법:

    • Bertsimas and Miši´c (2019, 2015)는 제품 라인 디자인(product line design) 문제를 본질적으로 비매개변수적 구색 최적화 문제로 보고, 새로운 혼합 정수 최적화(MIO) 공식화와 Benders 분해와 같은 특화된 해결 기법을 제안.

    • 이들은 좁은 고정 집합의 순위에 대한 확률 분포를 가정하고, 기대 수익을 최대화하는 구색을 찾는 문제를 MIO로 모델링.

      여기서 σkσ_k는 kk번째 순위, λkλ_k는 해당 순위의 확률

    • 또한, L1L_1 오차를 최소화하는 방식으로 일반 선택 모델을 추정하는 방법을 제시하고, 이를 대규모 선형 최적화 문제로 재구성하여 열 발생 기법으로 해결.

  4. 결정 트리 기반 모델 (Decision Trees for Choice Modeling):

    • Chen and Miši´c (2019)는 각 고객 유형을 특정 제안 구색에 따른 결정을 나타내는 이진 결정 트리(binary decision tree)와 연관시키는 새로운 비매개변수적 접근 방식을 제안.
    • 이 모델은 "약한 합리성" (weak rationality, 즉, 구색에 상품을 추가한다고 해서 다른 상품의 선택 확률이 증가하지 않는다는 가정)을 완화하여, 더 현실적인 고객 행동을 포착할 수 있음.

  5. 마르코프 연쇄 선택 모델 (Markov Chain Choice Model):

    • Blanchet, Gallego, and Goyal (2016)은 상품을 마르코프 연쇄의 상태로 보고, 상품 간의 대체(substitution) 행동을 상태 전이로 모델링하는 일반화된 반매개변수적(semiparametric) 선택 모델을 제안. 이 모델은 랜덤 유틸리티 최대화 기반의 선택 모델을 근사할 수 있음.

향후 연구 방향 및 시사점:

  • 비매개변수적 접근은 유연성을 제공하지만, 계산적 복잡성이 높다는 단점이 있음. 따라서 근사 알고리즘, 분해 기법, 효율적인 최적화 기법 개발이 중요.
  • 이러한 접근 방식은 데이터가 풍부하고 복잡한 실제 소매 환경에 더 적합할 수 있음.
  • "약한 합리성"과 같은 전통적인 선택 모델의 가정을 완화하는 것은 실제 고객 행동을 더 정확하게 반영하는 데 기여할 수 있음.

결론적으로, 기존의 매개변수적 모델에 대한 대안으로서, 데이터의 복잡성을 직접적으로 학습하여 고객의 선택 행동을 보다 유연하고 정확하게 모델링하는 비매개변수적 접근 방식의 중요성을 강조하며, 이와 관련된 다양한 연구 결과들을 소개함.

3. DATA-DRIVEN ONLINE RETAIL FULFILLMENT

온라인 소매에서 고객이 주문을 완료하면, 고객 경험을 결정하는 다음 운영 단계는 주문 이행, 즉 하나 이상의 재고 위치에서 구매한 품목을 발송하고 고객에게 상품을 배송하여 주문을 만족시키는 물리적 프로세스에 관한 것.
Amazon과 같은 온라인 소매업체의 경우, 재고는 (Amazon의 경우 75개인) 물류 센터(fulfillment centers, FCs) 네트워크에서 출고될 수 있으며, Urban Outfitters와 같은 옴니채널 소매업체의 경우, 온라인 주문은 전용 FC뿐만 아니라 매장에서도 이행될 수 있음 (Acimovic and Farias (2019)).
따라서 omni-channel 소매업체의 경우, 이행 결정은 배송 비용에 영향을 미칠 뿐만 아니라, 건물 기반의 오프라인 매장 네트워크를 통해 건강한 재고 수준을 유지함.

3.1 Fulfillment optimization models

온라인 소매업에서 고객 주문을 만족시키는 물리적인 과정, 즉 주문 이행(order fulfillment)의 최적화 문제를 다룸. 특히 여러 배송 센터(fulfillment center, FC) 또는 오프라인 매장에서도 주문을 이행할 수 있는 옴니채널 환경을 고려함.

1) 주문 이행 과정

고객이 온라인으로 주문을 하면, 해당 상품을 하나 이상의 재고 위치에서 출고하여 고객에게 배송함.

옴니채널 소매업체의 경우

  • 온라인 전용 Fulfillment Center
  • 실제 오프라인 매장

모두 주문 이행 노드가 될 수 있음.


2) 주문 이행 문제의 수리적 모델 - 입력 (Inputs)

  • 배송 노드 집합: JJ

  • 상품 집합: N=1,…,nN = {1, \dots, n}

  • 시점 (t) 시작 시점에서 노드 (j)의 상품 (i) 재고: st,i,js_{t,i,j}

  • 시간 (t) 동안 도착하는 고객 주문: ξtt=1T{\xi_t}_{t=1}^{T}

이 주문은 결정적(deterministic)일 수도 있고, 확률적(stochastic)일 수도 있음.


3) 의사결정 변수 (Decision Variable)

시점 (t)에 노드 (j)의 재고로 상품 (i) 주문을 이행하는 양: xt,i,jx_{t,i,j}


4) 목적 함수 (Objective)

수익, 배송 비용, 지연 페널티 등을 고려한 총 이익(profit)을 최대화.

R(x,ξ)R(x,\xi)

여기에는 다음 요소가 포함:

  • revenue
  • shipping cost
  • late delivery penalty

5) 동적 프로그래밍 접근 (Dynamic Programming)

가장 일반적인 접근은 동적 프로그래밍(DP)!

시점 (t)의 재고 벡터 (s)가 주어졌을 때

  • 현재 보상
  • 미래 기대 보상

을 합하여 최대화함.

max⁡xt∈L(s,ξt)[R(xt,ξt)+Wt+1(st−xt)]\max_{x_t \in \mathcal{L}(s,\xi_t)} \Big[ R(x_t,\xi_t) + W_{t+1}(s_t - x_t) \Big]

여기서 Wt(s)W_t(s) 는 시점 (t)에 재고 상태 (s)에서 시작할 때 얻을 수 있는 기대 최적 보상을 의미함.


6) 문제점

이 접근은 curse of dimensionality (차원의 저주) 때문에 계산이 매우 어려워짐.

7) 근사적 접근 방법

실제 산업에서는 다음과 같은 근사 방법이 많이 사용됨.


1️⃣ Deterministic Linear Programming (DLP)

Acimovic & Graves (2015)

DP 문제의 가치 함수 Wt+1(⋅)W_{t+1}(\cdot) 를 선형 함수로 근사함.

  • 미래 수요 예측: dkd_k

  • 주문 유형: k

  • 배송 노드 (j)에서 주문 유형 (k)를 처리할 때의 보상: Rj,kR_{j,k}


선형계획 문제

max⁡x∈L(st,k)(∑j∈JRj,kxj,t−∑j∈Jλjxj,t)\max_{x \in \mathcal{L}(s_t, k)} \left( \sum_{j \in J} R_{j,k} x_{j,t} - \sum_{j \in J} \lambda_j x_{j,t} \right)

여기서 λj\lambda_j 는 재고 제약의 dual variable이며, 노드 (j)의 재고 단위당 기회비용(opportunity cost)을 의미함.

이 방법은

  • 수요 예측
  • 실제 데이터

와 결합되어 산업 현장에서 실제로 사용되고 있음.

2️⃣ Robust Approach

수요 예측이 어려운 경우

Andrews et al. (2019)
adversarial demand model을 제안함.

즉

  • 수요 예측 대신
  • 불확실성 집합 안에서
  • 최악의 시나리오

를 가정함.

이 문제는 primal-dual algorithm으로 해결함.

3️⃣ Real-time Reevaluation

Xu, Allgor & Graves (2009)

주문이 접수된 후 배송되기까지의 시간 동안 주문–창고 할당 결정을 재평가함.

즉

initial decision을 그대로 유지하지 않고, 실시간으로 업데이트함.

이 방법은

  • myopic decision 문제를 줄이고
  • 총 배송 비용을 감소시킬 수 있음.

핵심 시사점

주문 이행 문제는 복잡한 동적 시스템으로 모델링되지만,

실제 적용에서는

  • DLP 근사
  • robust optimization
  • real-time decision

같은 효율적인 방법이 필요함.
특히 dual variable 은 재고의 기회비용을 나타내며, 이를 통해 더 합리적인 의사결정을 할 수 있음.

3.2 Extensions

이행 최적화는 실무 중심적이므로, 문헌에서는 실제 다양한 운영 시나리오를 포착하기 위해 섹션 3.2에서 논의된 기본 문제를 여러 방향으로 확장했음.
두 가지 확장 방향, 즉 이행과 제품 가격 책정 또는 재고 관리의 공동 문제 분석, 그리고 유연성 설계와의 연계에 대해 검토할 예정.

3.2.1 Joint fulfillment and pricing or inventory management models

3.2.1절에서는 주문 이행(order fulfillment) 과 제품 가격 책정(pricing) 또는 재고 관리(inventory management) 를 통합하는 공동(joint) 의사결정 문제를 다룸.

특히 스마트 리테일 공급망에서는 이러한 의사결정들이 서로 긴밀하게 연결되어 있기 때문에 통합적인 접근이 중요함을 강조함.

1) 옴니채널 소매업의 재고 관리 및 주문 이행 통합

  • 여러 기간(multi-period), 여러 위치(multi-location) 환경을 고려함.
  • 보충 리드 타임(replenishment lead time)이 없는 상황을 가정함.

Govindarajan, Sinha, & Uichanco (2018)

  • 다양한 주문 이행 시나리오에 대한 휴리스틱(heuristic) 을 제시함.
  • 실제 데이터를 활용한 수치 실험(numerical experiment) 을 통해 방법의 성능을 검증함.

Lim, Jiu, & Ang (2020)

  • 온라인 소매업체를 대상으로
    • 재고 보충(replenishment)
    • 재고 할당(allocation)
    • 주문 이행(order fulfillment)

을 통합적으로 고려하는 다기간 확률적 최적화 문제를 다룸.

  • 해당 문제를 강건 최적화(robust optimization) 기반의 2단계 접근 방식(two-stage approach) 으로 해결함.

2) 전자상거래 리테일러의 가격 책정 및 주문 이행 통합

Lei, Jasin, & Sinha (2018)

  • 문제를 확률적 수요(stochastic demand) 를 갖는 확률적 제어 문제(stochastic control problem) 로 공식화함.

  • 이를 해결하기 위해 다음 두 가지 방법을 제안함:

    • 결정론적 근사(deterministic approximation)
    • 실용적인 휴리스틱(practical heuristic)

Lei, Jasin, Uichanco, & Vakhutinsky (2018)

  • 전자상거래 리테일러가 직면하는 다음 문제를 통합적으로 고려함.

    • 상품 진열(assortment)
    • 가격 책정(pricing)
    • 주문 이행(order fulfillment)

  • 문제는 동적(dynamic) 이며 다기간(multi-period) 구조를 가짐.

해결 방법:

  • 결정론적 완화(deterministic relaxation) 를 사용하여 확률적 제어 문제를 근사함.
  • 이를 선형 계획법(linear programming) 형태로 재정식화함.

또한 다음과 같은 방법을 제안함:

  • 계층적 행렬 분해(hierarchical matrix decomposition) 기반 무작위 휴리스틱 정책 개발
  • 진열 할당(assortment allocation)에서 증가 경로(augmenting path)를 찾는 새로운 반복 알고리즘(iterative algorithm) 제안

3) 옴니채널 리테일러의 가격 책정 및 주문 이행 통합

Harsha, Subramanian, & Uichanco (2019)

  • 전자상거래 리테일러가 아닌 옴니채널 리테일러를 대상으로 연구 수행함.
  • 온/오프라인 채널에서 동시에 가격을 책정할 수 있음을 고려함.

추가적으로 다음을 가정함:

  • 옴니채널 주문 이행 패턴
    • 예: 매장 픽업 비율

이 불확실하며 외생적(exogenous) 이라고 가정함.

연구의 핵심은 가격 책정 전략 최적화에 있음.


<Partition 기반 가격 정책>

연구에서는 Partition 개념을 기반으로 한 두 가지 가격 정책을 제안함.

Partition의 의미:

  • 매장 재고가 특정 임계값(threshold) 이상일 경우
    → 온라인 주문 이행에 사용 가능함

  • 재고가 임계값 이하로 떨어질 경우
    → 온라인 주문 이행에 사용하지 않음

이는 수익 관리(revenue management) 에서

서로 다른 운임 등급의 예약 한도를 설정하는 방식

과 유사함.


<수요 조절 방식>

채널 가격을 조정하여

  • 재고 partition 조건을 충족하도록
  • 고객 수요를 조절하는 방식으로 문제를 해결함.

이 문제는

  • 혼합 정수 계획법(Mixed Integer Program, MIP)

으로 공식화됨.

또한 수요가 MNL 모델(Multinomial Logit model) 을 따르는 경우

  • 필요한 이진 변수(binary variables) 의 수를 줄일 수 있는 방법도 제시함.

3.2.2 Flexibility design in fulfillment optimization

본 절에서는 주문 이행 네트워크의 유연성(flexibility) 구조를 설계하고 분석하는 연구들을 다룸. 이는 수요 불확실성에 대응하고 공급-수요 불일치를 완화하는 데 중요한 역할을 함.


핵심 아이디어

1) 유연성의 중요성

제조 분야에서는 "긴 사슬(long-chain)" 전략이 불확실한 수요에 효과적으로 대응할 수 있는 유연성 구조로 알려져 있음. 주문 이행(order fulfillment) 문제에서도 유사한 유연성 구조를 설계하는 연구가 이루어짐.

2) 주요 개념

  • 긴 사슬 (Long Chain)
    각 고객 지역(customer region)이 소수의 특정 배송 센터(fulfillment center)에 의해서만 제한적으로 충족되는 구조를 의미함.

  • 완전 유연성 (Full Flexibility)
    모든 배송 센터가 모든 고객 지역의 수요를 충족할 수 있는 구조를 의미함.

  • 보상 척도 (Performance Measure)
    유연성 구조의 성능을 평가하기 위해 다음과 같은 지표를 사용함.

    • 기대 손실 판매(expected lost sales)
    • 총 배송 비용(outbound shipping cost)

  • 양의 일반화된 용량 갭 (Positive Generalized Capacity Gaps, GCGs)
    유연성 구조의 성능을 정량화하는 개념임.

희소하게 연결된 네트워크 구조가 완전 유연성(full flexibility) 네트워크와 비교하여 성능 격차를 제한할 수 있는지를 판단하는 필요충분조건을 제공함.


주요 연구 내용

1) 온라인 자원 할당에서의 긴 사슬 구조

Asadpour, Wang, and Zhang (2020)

  • 재고 고려 사항이 있는 온라인 자원 할당(online resource allocation) 문제에서 긴 사슬 구조의 효과를 분석함.

  • 긴 사슬 구조가 다음 문제를 완화하는 데 효과적임을 보임.

    • 수요 불확실성에 대한 hedging
    • 공급-수요 불일치 완화

연구에서는 modified greedy policy를 제안함.

총 수요가 TT 일 때 긴 사슬 구조에서의 기대 손실(expected loss) 이 TT 와 무관하게 유한함을 보임.

온라인 주문 이행 문제에 적용할 때는 다음 상황을 고려하여 정책을 수정함.

  • 특정 창고에 재고가 없을 경우
  • 높은 배송 비용을 감수하더라도 다른 창고에서 주문을 이행해야 하는 상황

이를 통해 창고 간 배송 비용을 최소화하는 정책을 설계함.

수치 실험 결과, 제안된 방법은

  • Acimovic and Graves (2015)
  • Jasin and Sinha (2015)

의 방법보다 우수한 성능을 보임.

2) 희소 연결 네트워크와 GCGs

Xu, Zhang, Zhang, and Zhang (2018)

Asadpour et al. (2020)의 연구를 확장하여 다음 문제를 연구함.

  • 희소하게 연결된 네트워크(sparsely connected network)
  • 다양한 자원(resource)과 요청 유형(request type)
  • 양의 GCGs

이 연구에서는 다음 사실을 증명함.

  • 양의 GCGs가 존재할 경우

    • 희소 네트워크 구조가
      완전 유연성 네트워크와 비교하여 제한된 성능 격차만을 갖게 됨.

    • 즉, 양의 GCGs는 이러한 성능 보장의 필요충분조건임을 보임.

3) 창고 SKU 배치 문제 (Warehouse SKU Placement)

Jehl, Shi, Wu, and Shen (2020)

긴 사슬 구조를 갖는 주문 이행 네트워크에서 SKU(Stock Keeping Unit)를 여러 창고에 배치하는 문제를 연구함.

이 연구는 다음 특징을 가짐.

  • 재고 할당이 아니라 SKU 배치 구조 자체에 초점을 맞춤.
  • 특정 창고에 주문에 포함된 모든 SKU가 존재할 경우 해당 창고에서 주문을 이행할 수 있다고 가정함.

이 문제는 다음과 같이 모델링됨.

  • 혼합 정수 계획법(Mixed Integer Program, MIP)

문제 해결 방법:

  • 라그랑주 완화(Lagrangian relaxation) 사용

라그랑주 쌍대 함수는 최소 컷 문제(minimum cut problem) 를 통해 계산 가능함.

수치 실험 결과:

긴 사슬 구조는 완전 유연성 네트워크 성능의 절반 이상을 달성할 수 있음을 보임.

<실제 산업 적용 사례>

주문 이행 문제 연구는 실제 산업 현장의 요구에 의해 주도되는 경우가 많음.

따라서 다음 요소들이 중요하게 고려됨.

  • 수치 실험(numerical experiment)
  • 실제 데이터(real data) 기반 성능 평가

대표적인 실제 적용 사례는 다음과 같음.

Harsha et al. (2019)
실제 유통업체에 연구 결과를 적용하여 특정 기간 동안 수익을 13.7% 증가시킴.

DeValve et al. (2018)
중국 대형 전자상거래 기업과 협력하여 주문 이행 정책을 테스트하고 수백만 달러 규모의 수익 개선을 달성함.

Avrahami et al. (2014)
이스라엘 대형 미디어 그룹과 협력하여 인쇄 잡지 및 신문 배포 시스템을 근본적으로 개선함.

3.3 Practice-driven research

본 절에서는 주문 이행(order fulfillment) 문제에 대한 연구가 실제 산업 현장의 요구와 데이터를 기반으로 진행되는 경향이 강함을 설명함. 또한 이러한 연구들이 실질적인 비즈니스 성과로 이어진 사례들을 소개함.

<핵심 요약>

1) 현실 문제 해결 중심 연구

주문 이행 관련 연구는 실제 기업들이 직면하는 문제를 해결하는 것을 목표로 함.

따라서 연구 과정에서 다음 요소들이 중요하게 작용함.

  • 실제 데이터 분석(real data analysis)
  • 현장 실험(field experiment)
  • 산업 파트너와의 협력(industry collaboration)

즉, 단순한 이론 모델 개발뿐만 아니라 현실 적용 가능성이 중요한 연구 방향임.

2) 실제 산업 적용 사례

많은 연구들이 기업과의 협력을 통해 개발된 방법론을 실제 운영에 적용하고 가시적인 성과를 달성함.

Harsha et al. (2019)
옴니채널 재고의 동적 가격 책정(dynamic pricing) 연구를 미국 대형 리테일러에 적용함. 그 결과 클리어런스 기간 매출을 13.7% 증가시킴.

DeValve et al. (2018)
중국의 선도적인 전자상거래 기업과 협력하여 주문 이행 정책을 테스트함. 이를 통해 수십억 달러 규모의 수익 개선을 달성함.

Avrahami et al. (2014)
이스라엘 최대 미디어 그룹인 Yedioth Group과 협력하여 인쇄 잡지 및 신문 배포 시스템을 근본적으로 개선함.

3) 대규모 실제 데이터 기반 연구

실제 산업 데이터를 활용한 경험적(empirical) 분석 연구도 활발하게 수행됨.

Sun, Lyu, Yu, and Teo (2018)

중국 웨딩 드레스 전자상거래 데이터를 분석하여 다음 두 주문 이행 모델을 비교함.

  • FBA (Fulfillment by Amazon)
  • FBS (Fulfillment by Seller)

연구에서는 위험 조정형 주문 이행 모델(risk-adjusted fulfillment model)을 개발함.

이 모델은

  • 기업의 위험 선호도(risk preference) 를 반영하여
  • FBA로 전환할 경우의 기대 수익(expected reward) 을 예측함.

분석 결과, 총 보상을 35% 이상 향상시킬 수 있는 의사결정 규칙을 제시함.

Glaeser, Fisher, and Su (2019)

"Buy Online, Pickup in Store (BOPS)" 문제를 경험적으로 분석함.

연구에서는

  • 트럭을 특정 위치에 배치하고
  • 스케줄링을 통해 수익을 극대화하는 문제

를 다룸.

특히 다음 방법을 사용함.

  • 200개 이상의 설명 변수(explanatory variables) 를 활용한 머신러닝 모델
  • 판매량 예측(sales prediction)

또한

  • 공간적 제약(spatial constraints)
  • 시간적 제약(temporal constraints)

을 고려한 최적 위치 선정 문제를 해결함.

그 결과, 최적 위치 구성 및 스케줄링을 통해 최소 51%의 잠재적 수익 증가를 제시함.

Cachon, Gallino, and Xu (2018)

실제 거래 데이터와 반품 데이터를 활용하여
무료 배송 임계값(free shipping threshold) 정책의 수익성을 분석함.

연구에서는

  • 무료 배송 정책의 수익성 조건을 분석하고
  • 최적 정책(optimal policy) 을 결정하는 분석적 모델을 개발함.

분석 결과, 무료 배송 임계값 정책은 특정 제한적인 조건에서만 수익성이 있음을 보임.

4. DATA-DRIVEN INVENTORY MANAGEMENT

본 섹션에서는 데이터 가용성의 증가가 재고 관리 분야에 혁신을 가져오고 있음을 강조함. 또한 이를 위해 활용되는 데이터 기반 접근 방식(data-driven approaches) 을 소개함. 특히 본 섹션은 불확실한 수요 하에서 단일 기간(single-period) 또는 다기간(multi-period) 동안의 주문량 결정 문제를 다룸.


<핵심 내용>

1) 데이터 기반 접근의 필요성

전통적인 재고 관리 연구는 보통 수요의 확률 분포를 알고 있음을 가정함.
그러나 실제 환경에서는 이러한 확률 분포를 정확히 알지 못하는 경우가 많음.

따라서 데이터 기반 접근은 이러한 한계를 극복하기 위해

  • 역사적 수요 데이터(historical demand data) 를 활용하고
  • 이를 바탕으로 불확실성을 모델링하고 최적화하는 데 초점을 맞춤

즉, 이론적으로 알려진 분포를 가정하기보다
실제 데이터로부터 수요의 구조를 학습하고 의사결정을 수행하는 방식이 중요해짐.

2) 맥락 정보 (Contextual Information)의 중요성

본 섹션에서는 맥락 정보(contextual information) 의 활용을 중요하게 다룸.

맥락 정보는 다음과 같은 이름으로도 표현됨.

  • features
  • covariates
  • explanatory variables

이는 의사결정 시점에 관찰 가능한 외부 변수로서
주요 불확실성인 수요(demand) 를 예측하는 데 도움을 줌.

예를 들면 다음과 같음:

  • 소셜 미디어 데이터
  • 날씨 예보
  • 계절성
  • 경제 지표

이러한 정보는 수요에 대한 불확실성을 줄이고, 더 나은 재고 의사결정을 가능하게 함.

3) 연구 방향

본 섹션의 연구는 크게 두 가지 방향으로 나뉨.

(1) 단일 기간 문제 (Single-period Problems)

  • 대표적으로 신문팔이 문제(newsvendor problem) 를 중심으로 다룸.
  • 한 번의 주문 결정으로 수요를 대응해야 하는 문제를 의미함.

(2) 다기간 문제 (Multi-period Problems)

  • 여러 기간에 걸쳐 동적으로 주문량을 결정하는 문제를 다룸.
  • 시점별 재고 수준과 미래 수요를 함께 고려해야 함.

<재고 관리의 두 가지 주요 불확실성>

재고 관리에서는 주로 다음 두 가지 불확실성을 고려함.

  1. 수요 불확실성 (Demand Uncertainty)
    고객이 언제, 얼마나 많은 상품을 구매할지에 대한 불확실성을 의미함.

  2. 리드 타임 불확실성 (Lead Time Uncertainty)
    주문한 상품이 실제로 도착하기까지 걸리는 시간, 즉 리드 타임(lead time) 에 대한 불확실성을 의미함.

<핵심 과제>

본 섹션에서 다루는 핵심 과제는 다음과 같음:

  • 역사적 데이터로부터 수요 패턴을 정확하게 파악하는 것
  • 이를 바탕으로 최적의 재고 정책(ordering quantity) 을 결정하는 것
  • 모델링된 불확실성과 실제 불확실성 간의 격차를 최소화하는 것
  • 의사결정 규칙의 일반화 성능(generalization performance) 을 보장하는 것

4.1 Single-period problems

본 절에서는 단일 기간 재고 관리 문제(single-period inventory problem) 를 데이터 기반 접근 방식으로 해결하는 방법을 설명함. 특히 대표적인 모델인 신문팔이 문제(newsvendor problem) 를 중심으로 전통적인 접근 방식과 데이터 기반 접근 방식의 차이를 설명함.

신문팔이 문제 (Newsvendor Problem)

신문팔이 문제는 한 판매 기간 동안 무작위적인 수요 하에서 단일 제품의 주문량을 결정하는 문제임.

수요는 확률 변수 DD 로 표현되며, 판매자는 주문량 qq 를 결정해야 함.

비용 구조

신문팔이 문제에서는 두 가지 비용이 존재함.

  • 과소 재고 비용 (Underage Cost)
    수요를 충족하지 못했을 때 발생하는 비용: bb
    즉, 판매되지 못한 수요 단위당 발생하는 페널티 비용을 의미함.

  • 과대 재고 비용 (Overage Cost)
    판매되지 않고 남은 재고 단위당 발생하는 비용: hh
    즉, 재고 처리 또는 폐기와 관련된 비용임.

목표

목표는 기대 비용(expected cost) C(q)C(q) 을 최소화하는 최적 주문량 q∗q^* 를 찾는 것임.

수학적 모델

신문팔이 문제는 다음과 같이 표현됨.

min⁡q≥0C(q)=ED[b(D−q)++h(q−D)+]\min_{q \ge 0} C(q) = E_D \left[ b(D-q)^+ + h(q-D)^+ \right]

여기서

  • ED[⋅]E_D[\cdot] 는 수요 DD에 대한 기대값을 의미함.
  • (x)+=max⁡{0,x}(x)^+ = \max\{0, x\} 를 의미함.

최적 해

수요 분포: FF 가 알려져 있을 경우, 최적 주문량은 다음과 같이 결정됨.

q∗=F−1(bb+h)q^* = F^{-1}\left(\frac{b}{b+h}\right)

즉, 수요 분포의

bb+h\frac{b}{b+h}

분위수(quantile)에 해당하는 값이 최적 주문량이 됨.

데이터 기반 접근의 도전 과제

실제 환경에서는 수요 분포를 정확히 알 수 없는 경우가 많음. 따라서 위 공식을 직접 사용할 수 없음.

데이터 기반 접근의 목표는

{di}i=1N\{d_i\}_{i=1}^{N}

과 같은 과거 수요 데이터로부터 수요 분포를 추정하고 이를 바탕으로 최적 주문량을 결정하는 것임.

전통적인 접근 방식

전통적인 방법은 다음 절차를 따름.

  1. 수요가 특정 매개변수 분포(parametric distribution) 를 따른다고 가정함.
  2. 데이터를 이용하여 분포의 매개변수(parameter) 를 추정함.
  3. 추정된 분포를 이용하여 최적화 문제를 해결함.

대표적인 추정 방법은 다음과 같음:

  • Maximum Likelihood Estimation (MLE)
  • Bayesian estimation

전통적 접근의 한계

전통적인 방법에는 다음과 같은 문제가 존재함.

추정 목표와 최적화 목표의 불일치

  • 추정 단계 → 로그 우도 최대화
  • 최적화 단계 → 비용 최소화

즉, 추정 단계에서 최적인 분포가 실제 의사결정에서는 최적이 아닐 수 있음.

모델 미지정 문제 (Model Misspecification)

수요 분포를 잘못 가정할 경우 모델 성능이 크게 저하될 수 있음.

과대적합 / 과소적합 문제

데이터 기반 추정 과정에서 overfitting 또는 underfitting 문제가 발생할 수 있음.

새로운 데이터 기반 접근 (Operation Statistics)

Liyanage와 Shanthikumar (2005)는 Operation Statistics 접근 방식을 제안함.

이 접근 방식의 핵심은

  • 매개변수 추정 단계
  • 최적화 단계

를 분리하지 않는 것임.

즉, 분포를 먼저 추정하는 대신 데이터로부터 직접 최적 의사결정 정책을 학습하는 방식임.

이후 다음 연구들이 해당 접근 방식을 확장함.

  • Chu, Shanthikumar, Shen (2008)
  • Ramamurthy, Shanthikumar, Shen (2012)
  • Lu, Shanthikumar, Shen (2015)

4.1.1 Models without contextual information

본 절에서는 맥락 정보(contextual information)를 전혀 사용하지 않고 과거 수요 데이터만을 이용하여 단일 기간 재고 관리 문제를 해결하는 데이터 기반 접근 방식을 설명함. 특히 신문팔이 문제(newsvendor problem) 를 중심으로 논의함.

핵심 내용

목표

과거 수요 샘플

{di}i=1N\{d_i\}_{i=1}^{N}

만을 이용하여 샘플 평균 근사(Sample Average Approximation, SAA) 방법을 통해 최적 주문량 qq 을 결정하는 것임.

이 접근 방식의 중요한 특징은 실제 수요 분포에 대해 일반화 보장(generalization bounds) 을 제공하는 것임.

SAA 문제 공식화

SAA 접근에서는 다음과 같은 최적화 문제를 풀게 됨.

min⁡q≥01N∑k=1N[b(dk−q)++h(q−dk)+]\min_{q \ge 0} \frac{1}{N} \sum_{k=1}^{N} \left[ b(d_k - q)^+ + h(q - d_k)^+ \right]

이 문제의 해는 qNq_N 이며 이는 샘플 데이터의

bb+h\frac{b}{b+h}

분위수(quantile)에 해당함.

따라서 qNq_N 은 샘플 데이터에 의존하는 확률 변수(random variable) 임.

성능 보장 (Performance Guarantees)

SAA 해 qNq_N을 미래 환경에 적용했을 때 실제 최적 해 q∗q^* 와 얼마나 가까운지를 보장하는 것이 중요함. 이 개념을 ϵ\epsilon-optimality 라고 함.

Levi et al. (2007)

Hoeffding 부등식을 사용하여 qNq_N 이 ϵ\epsilon-optimal 해가 될 확률에 대한 상한을 도출함.
또한 필요한 샘플 크기 NN 이 1ϵ2\frac{1}{\epsilon^2} 에 비례함을 보임.

Levi et al. (2015)

Bernstein 부등식을 사용하여 더 정확한 상한을 도출함.
이를 통해 필요한 샘플 크기를 더 줄일 수 있음을 보임.

Cheung and Simchi-Levi (2019)

ϵ\epsilon-optimal 해를 얻기 위한 최소 샘플 크기의 하한(lower bound) 을 증명함.
이를 통해 Levi et al. (2015)의 상한이 이론적으로 최적(optimal) 임을 보임.

가중 평균 확산 (Weighted Mean Spread, WMS)

Cheung and Simchi-Levi (2019)는 SAA 방법의 정확도를 결정하는 분포의 핵심 속성으로 Weighted Mean Spread (WMS) 개념을 도입함.
WMS를 이용하면 기존보다 더 타이트한 성능 보장(tighter performance guarantees) 을 제공할 수 있음.
또한 이를 기반으로 샘플 크기를 줄일 수 있는 알고리즘을 제안함.
다만 이 방법은 수요 분포에 대한 추가적인 정보가 필요함.

기존 연구와의 비교

SAA 접근 방식은 과거 데이터만을 이용하여 직접 최적화 문제를 해결함.

이는 전통적인 방법과 비교할 때 다음 특징을 가짐.

전통적 방법

  1. 수요 분포 추정
  2. 최적화 문제 해결

SAA 방법

데이터를 이용하여 직접 최적 주문량을 계산함.
따라서 추정-최적화 분리(separation of estimation and optimization) 문제를 우회할 수 있음.

하지만 이 접근 방식에는 다음과 같은 한계도 존재함.

  • 과거 데이터에 대한 과적합(overfitting) 위험 존재
  • 충분한 데이터가 없을 경우 성능 보장이 약해질 수 있음.

4.1.2 Models with contextual information

본 절에서는 맥락 정보(contextual information)를 활용하여 단일 기간 재고 관리 문제를 해결하는 데이터 기반 접근 방식을 설명함. 특히 신문팔이 문제(newsvendor problem) 를 맥락 정보를 활용하여 확장하는 방법을 다룸.

맥락 정보는 의사결정 시점에 관찰 가능한 추가적인 예측 변수(feature) 를 의미하며, 이를 활용하면 수요 예측 정확도를 높이고 더 나은 재고 결정을 내릴 수 있음.

핵심 내용

목표

맥락 정보 xx가 주어졌을 때 최적 주문량 q(x)q(x) 을 결정하는 정책(policy) 을 학습하는 것이 목표임.

즉, 다음과 같은 조건부 기대 비용을 최소화하는 함수 q(⋅)q(\cdot) 을 찾는 문제로 표현됨.

min⁡q(⋅)ED∣x[b(D(x)−q(x))++h(q(x)−D(x))+]\min_{q(\cdot)} E_{D|x} [b(D(x) - q(x))^+ + h(q(x) - D(x))^+]

여기서

  • D(x)D(x) 는 맥락 정보 xx가 주어졌을 때의 수요를 의미함.

학습 데이터

모델 학습에는 다음과 같은 데이터셋을 사용함:

S={(xi,di)}i=1NS = \{(x_i, d_i)\}_{i=1}^{N}

여기서

  • xix_i : 맥락 정보
  • did_i : 관측된 수요

접근 방식

맥락 정보를 활용하는 대표적인 방법은 크게 두 가지임.

1. 경험적 위험 최소화 (Empirical Risk Minimization, ERM)

이 접근 방식에서는 정책 q(⋅)q(\cdot) 을 하나의 가설(hypothesis) 로 보고 학습 데이터에서의 경험적 비용을 최소화함.

min⁡q∈HRS(q)=1N∑i=1N[b(di−q(xi))++h(q(xi)−di)+]\min_{q \in \mathcal{H}} R_S(q) = \frac{1}{N} \sum_{i=1}^{N} [b(d_i - q(x_i))^+ + h(q(x_i) - d_i)^+]

여기서

  • H\mathcal{H} 는 가능한 정책 함수들의 집합을 의미함.

과적합을 방지하기 위해 정규화(regularization) 항이 추가될 수 있음.

이 접근 방식은 조건부 분위수 예측(conditional quantile prediction) 문제와 동일한 형태를 가짐.

따라서 다음과 같은 다양한 머신러닝 방법을 사용할 수 있음.

  • 선형 회귀 (linear regression)
  • 커널 방법 (kernel methods)
  • 딥 뉴럴 네트워크 (deep neural networks)

관련 연구로는 다음이 있음.

  • Beutel & Minner (2012)
  • Ban & Rudin (2018)
  • Cao & Shen (2019)
  • Oroojlooyjadid et al. (2020)

2. 조건부 분포 근사를 통한 접근

이 방법에서는 맥락 정보 xx 가 주어졌을 때 수요 DD 의 조건부 분포를 비매개변수적으로 근사함.

이를 위해 각 데이터 포인트 (xi,di)(x_i, d_i) 에 유사도 기반 가중치 wN,i(x)w_{N,i}(x) 를 부여함.

대표적인 예시는 다음과 같음:

wN,i(x)=K(∣∣xi−x∣∣2/γ)∑i=1NK(∣∣xi−x∣∣2/γ)w_{N,i}(x) = \frac{K(||x_i - x||^2/\gamma)} {\sum_{i=1}^{N} K(||x_i - x||^2/\gamma)}

이는 커널 회귀(kernel regression)의 예시임.

이와 유사한 방법으로 다음 모델들이 사용될 수 있음.

  • KNN
  • CART
  • Random Forest

조건부 수요 분포는 다음과 같이 근사됨.

D∣x≈∑i=1NwN,i(x)diD|x \approx \sum_{i=1}^{N} w_{N,i}(x) d_i

이 분포 근사를 사용하여 최적 주문량을 다음과 같이 계산함.

q(x)=arg⁡min⁡s≥0∑i=1NwN,i(x)[b(di−s)++h(s−di)+]q(x) = \arg\min_{s \ge 0} \sum_{i=1}^{N} w_{N,i}(x) [b(d_i - s)^+ + h(s - d_i)^+]

이 접근 방식의 장점은 의사결정 변수 qq에 대한 추가 제약 조건을 쉽게 포함할 수 있다는 것.

예를 들면 다음과 같은 제약을 포함할 수 있음.

  • 최소 주문량
  • 생산 능력 제한

관련 연구로는 다음이 있음.

  • Ban & Rudin (2018)
  • Bertsimas & Kallus (2019)

두 접근 방식의 비교

ERM 접근 방식

  • 특징 xx에서 주문량 q(x)q(x)으로 직접 매핑하는 함수를 학습함.
  • 새로운 특징 값이 주어졌을 때 즉각적인 의사결정이 가능함.
  • 계산 효율성이 높음.

조건부 분포 근사 접근 방식

  • 특징 xx가 주어질 때마다 가중치를 계산해야 함.
  • 이후 최적화 문제를 다시 풀어야 함.
  • 계산량이 더 많을 수 있음.

하지만 다양한 제약 조건을 모델에 포함하기 쉽다는 장점이 있음.

4.2 Multi-period problems

본 절에서는 확률적이고 다기간(multi-period)인 재고 관리 문제를 다룸.

목표는 계획 기간 동안 발생하는 무작위 수요를 충족시키기 위해 동적으로 주문량을 결정하여 총 기대 비용을 최소화하는 것임.

문제 정의

다기간 재고 시스템은 다음과 같은 구조를 가짐.

시스템 상태

각 기간 t=1,…,Tt = 1, \dots, T 의 시작 시점에서 시스템 상태는 재고 수준 ItI_t 로 표현됨.

의사결정

계획자는 해당 기간에 주문량 qtq_t 를 결정함.

불확실성 실현

각 기간에는 불확실성 ztz_t 가 실현됨.

이는 다음과 같은 요소를 포함할 수 있음.

  • 수요
  • 리드 타임

비용 발생

기간 tt 에서 다음과 같은 비용 함수가 발생함.

Ct(qt,It,zt)C_t(q_t, I_t, z_t)

여기에는 다음 비용이 포함될 수 있음.

  • 재고 보유 비용 (holding cost)
  • 재고 부족 비용 (shortage cost)
  • 주문 고정 비용 (fixed ordering cost)
  • 주문 변동 비용 (variable ordering cost)

상태 업데이트

수요를 가능한 한 충족한 후 재고 상태는 다음과 같이 업데이트됨.

It+1=f(q1:t,It,zt)I_{t+1} = f(q_{1:t}, I_t, z_t)

리드 타임이 존재하는 경우 이전 주문량들도 상태 업데이트에 영향을 줄 수 있음.

궁극적 목표

각 상태 ItI_t 가 주어졌을 때 주문량 qtq_t 를 결정하는 제어 정책(control policy) 을 찾는 것이 목표. 이를 통해 유한 기간 또는 무한 기간 동안의 총 재고 비용을 최소화함.

주요 해결 방법론

동적 프로그래밍 (Dynamic Programming)

다기간 재고 문제를 해결하기 위한 가장 대표적인 접근 방법임.
시간에 따라 문제를 재귀적으로 정의하고 각 단계의 최적 의사결정을 계산함.

계산상의 어려움

다기간 문제는 단일 기간 문제보다 훨씬 복잡함.
특히 다음과 같은 문제가 존재함:

  • 차원의 저주 (Curse of Dimensionality)
    상태 공간과 의사결정 공간이 기간 수에 따라 기하급수적으로 증가함.
    따라서 확률 분포가 정확히 알려져 있어도 계산이 매우 어려운 경우가 많음.

매개변수 기반 정책 (Parameterized Policies)

실제 연구에서는 문제의 복잡성을 줄이기 위해 특정 정책 구조를 가정하는 경우가 많음.
대표적인 정책은 다음과 같음:

  • Base-stock policy (기본 재고 정책)
    고정 주문 비용이 없을 때 최적 정책으로 알려져 있음.

  • (s, S) 정책
    고정 주문 비용이 존재할 때 최적 정책으로 알려져 있음.

데이터 기반 연구에서는 이러한 정책 구조를 가정한 후 다음과 같은 정책 매개변수를 데이터로부터 추정하는 경우가 많음.

  • 기본 재고 수준 (base-stock level)
  • 임계값 ss
  • 주문 상한 SS

맥락 정보의 중요성

4.1절에서와 마찬가지로 다기간 문제에서도 맥락 정보(contextual information) 가 중요한 역할을 함. 맥락 정보를 활용하면 다음을 수행할 수 있음:

  • 수요 예측
  • 리드 타임 예측

이러한 예측 정보를 재고 정책에 반영함으로써 불확실성을 줄이고 더 나은 재고 의사결정을 수행할 수 있음.

4.2.1 Models without contextual observation

본 절에서는 맥락 정보(contextual information)를 고려하지 않고 과거 수요 데이터만을 이용하여 다기간 재고 관리 문제를 해결하는 데이터 기반 접근 방식을 설명함.

핵심 아이디어는 과거 수요 데이터 샘플을 이용하여 재고 관리 정책을 학습하는 것임. 특히 샘플 평균 근사(Sample Average Approximation, SAA) 기법이 중요한 접근 방식으로 소개됨.

핵심 내용

SAA 기법

과거 수요 데이터 {di}i=1N\{d_i\}_{i=1}^{N} 가 주어졌을 때, SAA는 실제 확률 분포를 사용하는 최적화 문제 대신 샘플 평균을 이용한 근사 문제를 해결함. 이를 통해 최적 재고 수량 qq 을 결정함.

이 결과는 다음과 같은 형태와 동일함:

q=Quantilebb+h({di}i=1N)q = \text{Quantile}_{\frac{b}{b+h}}(\{d_i\}_{i=1}^{N})

즉, 최적 주문량은 과거 수요 데이터의

bb+h\frac{b}{b+h}

분위수(quantile) 로 결정됨.

성능 보장 (Performance Guarantees)

SAA 방법의 중요한 연구 주제는 해의 성능을 이론적으로 보장하는 것임.
이를 위해 일반화 경계(generalization bounds) 개념이 사용됨. 이는 SAA로 얻은 해가 미래의 실제 수요에서도 얼마나 잘 작동하는지에 대한 확률적 보장을 의미함.

ϵ\epsilon-최적성 (ϵ\epsilon-optimality)

SAA 해 qNq_N 이 실제 최적 해 q∗q^* 와 비교했을 때 비용 차이가 일정 수준 이하임을 분석함.
즉, 상대적 후퇴(relative regret) C(qN)−C(q∗)C(q_N) - C(q^*) 가 ϵ\epsilon 이하가 될 확률을 평가함.

확률 부등식을 이용한 분석

SAA 성능을 분석하기 위해 다음과 같은 확률 부등식이 활용됨.

  • Hoeffding 부등식 (Hoeffding's inequality)
    샘플 평균과 실제 기대값 사이의 차이에 대한 확률적 상한을 제공함.

  • Bernstein 부등식 (Bernstein's inequality)
    분산 정보를 활용하여 더 타이트한 성능 보장을 제공함.

이를 통해 필요한 샘플 크기 요구 사항을 줄일 수 있음이 후속 연구에서 나타남.

가중 평균 확산 (Weighted Mean Spread, WMS)

Cheung과 Simchi-Levi (2019)는 SAA 방법의 정확도를 결정하는 수요 분포의 핵심 특성으로 Weighted Mean Spread (WMS) 개념을 도입함. WMS를 활용하면 SAA 해의 성능에 대한 더 정확한 보장을 얻을 수 있음.

4.2.2 Models with contextual observation

본 절에서는 다기간(multi-period) 재고 관리 문제에서 맥락 정보(contextual information)를 활용하는 데이터 기반 접근 방식을 설명함.

맥락 정보는 의사결정 시점에 관찰 가능한 예측 변수(feature) 를 의미하며, 이를 활용하면 수요나 리드 타임과 같은 불확실성을 더 정확하게 예측할 수 있음. 따라서 맥락 정보를 활용하면 재고 정책의 효율성을 크게 향상시킬 수 있음.

핵심 내용

문제 공식화

다기간 재고 관리 문제에서는 다음과 같은 변수들이 사용됨.

  • ztz_t : 불확실한 요소 (예: 수요)
  • xtx_t : 의사결정을 안내하는 특징 값 (contextual feature)
  • yty_t : 의사결정 변수 (예: 주문량)

목표는 다음과 같은 비용 함수를 최소화하는 것임:

min⁡y0∈B0(I0)c0(y0)+E[W1(f0(y0);z1,x1)∣x0=x0]\min_{y_0 \in \mathcal{B}_0(I_0)} c_0(y_0) + E[W_1(f_0(y_0); z_1, x_1) \mid x_0 = x_0]

여기서

  • WtW_t 는 cost-to-go function 을 의미함.

또한 다음과 같은 동적 구조를 가짐:

Wt(It;zt,xt)=min⁡yt∈Bt(It,zt)ct(yt)+E[Wt+1(ft(yt);zt+1,xt+1)∣xt=xt]W_t(I_t; z_t, x_t) = \min_{y_t \in \mathcal{B}_t(I_t, z_t)} c_t(y_t) + E[W_{t+1}(f_t(y_t); z_{t+1}, x_{t+1}) \mid x_t = x_t]

학습에는 다음과 같은 데이터셋이 사용됨:

{(xi0,…,xi,T−1),(zi1,…,zi,T)}i=1N\{(x_{i0}, \dots, x_{i,T-1}), (z_{i1}, \dots, z_{i,T})\}_{i=1}^{N}

즉, 맥락 정보와 불확실성 실현 데이터를 함께 활용하여 정책을 학습함.

맥락 정보를 활용한 동적 근사 방법

Bertsimas and McCord (2019)는 맥락 정보 xtx_t 를 조건으로 cost-to-go 함수의 기댓값을 근사하는 방법을 제안함. 이 방법은 기존의 SAA 기반 접근 방식보다 더 나은 성능을 보이는 것으로 나타남.

종단 간 학습 (End-to-End Learning) 프레임워크

Qi et al. (2020)은 딥러닝 기반의 종단 간 학습 프레임워크를 제안함.

이 방법에서는 다음 정보를 입력으로 사용함.

  • 수요 데이터 (demand)
  • 공급업체 리드 타임 (vendor lead time)
  • 맥락 정보 (contextual features)

그리고 모델이 직접 보충량(replenishment quantities) 을 출력하도록 학습함.

데이터 라벨링 과정

직접적인 최적 정책을 알 수 없기 때문에 다음 과정을 사용함.

  • 각 데이터 에피소드에 대해 동적 프로그래밍을 사용하여 최적 정책 계산
  • 해당 결과를 학습 데이터의 라벨(label) 로 사용함

학습 모델

Qi et al. (2020)은 Multi-quantile Recurrent Neural Network (MQRNN) 모델을 사용함.

이 모델은 특징 벡터를 입력받아 최적 보충량을 예측하도록 학습됨.

학습 목적 함수는 다음과 같이 표현됨:

min⁡f:X→R∑i=1NL(f(xi);ai∗)\min_{f : \mathcal{X} \to \mathbb{R}} \sum_{i=1}^{N} L(f(x_i); a_i^*)

여기서

  • ai∗a_i^* 는 ii번째 데이터의 최적 보충량을 의미함.

이 프레임워크는 실제 전자상거래 기업의 현장 실험을 포함한 다양한 수치 실험에서 높은 성능을 보임.

주요 시사점

맥락 정보는 다기간 재고 관리 문제에서 불확실성을 줄이는 데 중요한 역할을 함.
이를 활용한 모델은 기존 방식보다 의사결정 성능을 크게 향상시킬 수 있음.

또한 딥러닝과 같은 최신 머신러닝 기법을 활용한 예측과 최적화의 통합(end-to-end learning) 은 복잡한 재고 관리 문제를 해결하는 강력한 접근 방식임.

더 나아가 수요 데이터뿐 아니라 공급 측면 데이터를 함께 활용하는 것이 중요함.

예를 들어 다음과 같은 데이터가 포함될 수 있음.

  • Vendor Lead Time (VLT)
  • 공급망 상태 정보

5. DISCUSSION AND CONCLUSION

본 장에서는 논문 전체 내용을 정리하며 데이터 기반 연구 패러다임의 변화와 다양한 방법론의 통합, 그리고 향후 연구 방향을 논의함.

핵심 내용

데이터 기반 연구 패러다임 전환

Operations Research (OR) 커뮤니티는 전통적으로 문제 중심(problem-driven) 연구를 수행해 왔음. 하지만 최근에는 데이터 중심(data-driven) 연구로의 전환이 이루어지고 있음.
이 변화는 단순히 연구 주제의 변화뿐 아니라 OR 연구의 핵심 철학에 대한 재고찰을 요구함.

활용된 주요 방법론

데이터 기반 소매 운영 연구에서는 다양한 방법론이 활용됨.

근사 계획법 (Approximation Schemes)

많은 소매 운영 문제는 다음과 같은 형태로 나타남.

  • 정수 최적화 문제 (Integer Programming)
  • 혼합 정수 최적화 문제 (Mixed Integer Programming)

이러한 문제는 계산적으로 매우 어렵기 때문에 다항 시간 내에 거의 최적의 해를 찾는 근사 알고리즘이 중요함.

머신러닝 (Machine Learning, ML)

ML 기법은 다음과 같은 다양한 역할을 수행함.

예측 (Prediction)

  • 고객 행동 예측
  • 주문 이행 예측
  • 수요 예측

추정 (Estimation)

구색 최적화 문제에서 저순위 학습(low-rank learning) 기법을 활용하여 선택 모델(choice model)의 파라미터를 추정함.

예측과 최적화의 통합

일부 연구에서는 예측 단계와 최적화 단계를 통합한 학습 프레임워크를 제안함.
특히 재고 관리 문제에서 이러한 접근 방식이 활발히 연구되고 있음.

온라인 학습 (Online Learning)

오프라인 데이터가 충분하지 않은 경우 온라인 학습 프레임워크가 사용됨.
이 접근 방식에서는 다음 두 요소 사이의 균형이 중요함.

  • 탐색 (exploration)
  • 활용 (exploitation)

온라인 학습 알고리즘은 보통 regret bound 형태의 성능 보장을 제공함.

매개변수적 vs 비매개변수적 접근

데이터 기반 연구에서는 두 가지 주요 접근 방식이 존재함.

매개변수적 방법 (Parametric methods)

전통적인 OR 연구와 잘 맞는 접근 방식임.
모델에 특정한 구조적 가정을 두기 때문에 문제 해결이 상대적으로 용이함.
하지만 이러한 모델 가정이 현실 상황에 적합한지 여부가 중요함.

비매개변수적 방법 (Nonparametric methods)

데이터와 계산 능력이 증가하면서 가능해진 접근 방식임.
모델 가정에 덜 의존하지만 계산적으로 더 복잡하고 수치적 방법에 의존하는 경향이 있음.

따라서 두 접근 방식을 단순한 트레이드오프 관계로 보기보다는 서로 보완적인 방법으로 활용할 필요가 있음.

예를 들어 문제의 구조적 특성(qualitative properties)을 파악하여 데이터 기반 모델 설계에 활용하는 방식이 가능함.

예측과 최적화의 통합 연구

많은 기존 연구는 다음과 같은 순차적 접근 방식을 사용함.

  1. 데이터로부터 모델을 추정
  2. 추정된 모델을 사용하여 최적화 수행

하지만 이러한 방식은 전체 문제에 대한 최적 해를 보장하지 못할 수 있음.
따라서 추정 단계와 최적화 단계를 통합하는 접근 방식이 ML과 OR 분야에서 중요한 연구 주제로 등장하고 있음.

동적 다기간 문제 해결 방향

다기간 의사결정 문제에서는 다음 두 접근 방식의 결합이 중요함.

  • OR의 구조적 통찰력 (structural insights)
  • 강화 학습 (Reinforcement Learning, RL)

RL 기법은 복잡한 의사결정 문제를 해결하는 데 성공적으로 활용되고 있음.
하지만 RL 알고리즘 설계 과정에서 OR 분야의 구조적 정책 지식(예: 최적 재고 정책)을 활용하는 것이 중요한 연구 방향으로 제시됨.

도메인 지식과 머신러닝의 결합

OR 커뮤니티는 다음 두 요소를 결합해야 함.

  • 공급망 관리에 대한 도메인 전문 지식
  • 머신러닝 기반 데이터 분석 기법

이를 통해 실제 산업 문제와 데이터 특성을 반영한 모델을 개발할 수 있음.

또한 해석 가능한(interpretable) 데이터 기반 모델 개발이 중요함. 블랙박스 모델은 높은 성능을 보일 수 있지만 실무자가 이해하고 활용하기 어렵다는 문제가 존재함.

표준 벤치마크 데이터셋의 필요성

머신러닝 분야와 마찬가지로 OR 분야에서도 표준 벤치마크 데이터셋이 필요함.

이는 다음과 같은 목적을 가짐.

  • 연구 결과의 투명성
  • 연구의 재현성
  • 연구 결과의 확산

기업 데이터의 기밀성 때문에 공개가 어려운 경우가 많지만, 최근에는 실제 데이터셋을 포함한 논문들이 점차 증가하고 있음.

정리

데이터 기반 연구가 OR 분야에 가져온 변화와 향후 연구 방향을 정리함.

특히 다음과 같은 방향이 중요함.

  • 매개변수적 및 비매개변수적 접근 방식의 통합
  • 예측과 최적화의 통합 학습 프레임워크
  • 강화 학습과 OR 구조적 지식의 결합
  • 도메인 지식 기반 해석 가능한 모델 개발
  • 표준 벤치마크 데이터셋 구축

이를 통해 데이터 기반 OR 연구가 실제 산업 문제 해결과 사회 발전에 더욱 기여할 수 있음을 시사함.

profile
Zn

0개의 댓글