1. SCM 역사 다시 보기

SCM(Supply Chain Management, 공급망관리)이라는 말이 역사 속에서 처음 등장한 시점은 1980년대 초반입니다. 1982년 파이낸셜타임즈에서 케이트 올리버(Keith Oliver)를 인터뷰한 내용이 최초의 SCM 정의라고 알려져 있습니다.^[1]

"공급사슬관리(SCM)는 고객의 요구사항을 최대한 효율적으로 충족시키기 위해 공급사슬의 운영을 계획, 실행, 제어하는 프로세스이다. 공급사슬관리는 원자재, 재공·재고, 완제품의 원산지에서 소비지로 이르는 모든 운송과정과, 중간과정으로서의 저장 활동을 광범위하게 포함하고 있다." - Keith Oliver

이후 이 개념을 실현시키기 위하여 다양한 전략과 프로세스를 시도하였고, 글로벌화가 진행되고, IT기술이 대중화되던 1990년대부터 2010년대 중반까지 비약적으로 발전하였습니다. 이 시기에 다양한 솔루션과 IT 기술이 SCM 전략/프로세스와 결합하며, 기업의 핵심경쟁력으로 자리잡았습니다. 해외에는 토요타(Toyota), 자라(ZARA), 바스프(BASF), 델(Dell) 등 굴지의 회사들이 SCM 경쟁력을 바탕으로 성장하였으며, 국내기업 중에서는 삼성전자가 SCM을 가장 잘 하는 대표적인 회사로 손꼽혔습니다. 이 시기 각종 컨설팅회사는 SCM 전문 컨설팅 조직을 만들어 여러 기업의 SCM 구축을 지원하였습니다.

SCM의 개념을 자세히 알고 싶은 분은 아래 기사를 참조해 주세요.
"김밥장사와 삼성전자의 공급망 관리 그리고 애플" | 한주엽 기자, 디지털데일리
http://www.ddaily.co.kr/news/article/?no=78150

그러나, 2010년대 중반 이후 SCM이라는 분야에 관심이 많이 줄어든 측면이 있습니다. SCM 소프트웨어 시장은 2010~2011년에 12.3% 성장하였으나,^[2] 2014~2015년는 2.8% 성장에 그쳤었습니다.^[3] 부문별로는 공급망 계획 3%, 공급망 실행 3.4%, 구매조달 소프트웨어는 1.9% 성장하였습니다. 이 시기 국내 기업들도 SCM을 개선하고자 하는 노력이 많이 줄어들었고, 여러 컨설팅 회사에서 SCM 컨설팅 전문조직을 해체하기도 하였습니다. 또한 SCM은 IT 기술만을 뜻하는 것이 아님에도, 마치 '오래된 IT 기술', '유행이 지나버린 기술'처럼 오해받기도 했었습니다. 국내 SCM의 대표기업 삼성전자의 상황도 비슷했습니다. Gartner에서 발표하는 SCM을 잘하는 회사 Top 25에서 삼성전자는 2010년 7위, 2015년 8위였으나, 2019년 자료에는 21위로 떨어져 있습니다.^[4] 물론 Gartner의 평가는 여러 가지 요인이 있어 쉽게 납득하기 어려운 부분이 있으나, 외부 기관의 시선은 그렇습니다. 그래서 저는 2010년대 중반 즈음을 SCM 정체기로 정의하고 있습니다.

최근 글로벌 시장에서 SCM은 다시 높은 성장세를 보이고 있습니다. [그림 1]에서와 같이 2014~2015년 성장이 주춤했던 SCM 사업은 2010년대 후반에 성장성이 회복되고 점점 가속화되고 있습니다. 2017~2018년에는 14.8%가 성장하였습니다.

[그림 1] 글로벌 SCM 소프트웨어 시장 매출액^[5] 학계의 상황에 대해서도 간단히 살펴보겠습니다. SCM의 대표적인 분야가 APS(Advanced Planning & Scheduling)입니다. [그림 2]는 'Science Direct'라는 학술정보 사이트에서 ‘advanced planning and scheduling’을 키워드로 조회한 연도별 논문편수를 도식화한 자료입니다. 그림에서 볼 수 있듯이, 연도별 연구논문 편수가 20년 이상 지속적으로 증가하고 있는 것을 확인할 수 있습니다. 즉, 학계에서 여전히 활발하게 연구를 진행하고 있는 것을 알 수 있습니다. 또한 2018-2019년 사이 증가율이 두드러집니다. 신기한 것은 [그림 1]과 [그림 2]를 비교해보면 소프트웨어 산업의 성장이 주춤했던 시점에는, 논문 발표건수도 주춤했던 시기가 있었다는 걸 알 수 있습니다. 아마 두 영역은 동기화(Synchronization)하여 움직이는 것으로 보여집니다.

[그림 2] 'advanced planning and scheduling' 키워드로 검색한 연도별 논문 건수^[6]

2. 기존 SCM 시장의 성장과 정체

글로벌 시장에서 2010년대 중반 SCM 시장이 성장 정체기를 겪었다는 것은 앞서 데이터로 말씀드렸습니다. 국내 대기업을 대상으로 SCM 컨설턴트로 일하고 있는 저는 2010년대 후반기를 지나 2020년을 살아가는 지금도 정체의 여파를 겪고 있다고 느낍니다. 그렇다면, 왜 국내에서 SCM 시장은 급격한 성장과 정체기를 겪었던 것일지 두 가지 요인을 중심으로 잠시 고찰해 보고자 합니다.

첫 번째, 과거 국내에서 SCM이 각광을 받았던 이유는 글로벌화(Globalization)와 관련이 높다고 생각합니다. 1990년대 후반부터 우리나라는 글로벌화의 물결에 편승하였습니다. 대표적인 기업이 삼성전자입니다. [그림 3]은 삼성전자의 중장기 매출 추이를 나타내고 있습니다. 1990년대 후반부터 2010년대 중반까지 글로벌 시장을 장악해 가며 매우 높은 수준으로 성장하였습니다. 그러나, 2010년대 중반 이후로 성장세가 주춤하고 있습니다. 여전히 삼성전자는 세계에서 가장 큰 기업 중 하나이지만, 2010년대 중반 이후로 성장세가 둔화된 것은 사실입니다.

[그림 3] 삼성전자 중장기 매출 추이 이런 추세는 국내 글로벌 기업 중 하나인 현대·기아 자동차도 마찬가지 입니다. [그림 4]에 판매량을 보면 1990년 후반부터 2010년까지 급격히 성장하다가, 2014년 이후로 역성장을 기록하고 있는 실정입니다.

[그림 4] 현대·기아 중장기 자동차 판매량 추이 SCM은 과거 글로벌화에 있어서 핵심적인 기술이었습니다. 기업 매출의 높은 성장은 필연적으로 급격한 물동량의 상승을 가져옵니다. 만약 SCM이 없었다면, 삼성전자와 현대·기아 자동차는 급격한 물동량의 상승을 감당할 수 없었을 것입니다. SCM을 기반으로 미래를 예측하고, 적기에 경영에 대한 의사결정을 할 수 있었기에 가능한 일이었습니다. 과거에 윤종용 전 삼성전자 부회장은 '삼성전자에는 SCM과 의사결정 프로세스뿐'이라고 표현하며, SCM이 삼성전자 매출 성장에 핵심적인 무기였음을 인정하였습니다. 그런데, 2010년대 중반 이후 우리나라의 주요 대기업들의 매출성장률이 둔화되면서, 과거에 구축했던 SCM의 효용성을 의심하는 분들도 생기게 되었습니다. SCM은 여전히 기업의 경쟁력을 유지하기 위한 핵심시스템인 것은 자명합니다. 하지만, 2010년대 중반부터 후반까지, SCM의 개선 필요성이 과거대비 낮아졌던 것도 사실입니다. 특히, 국내시장 생태계는 대기업 의존성이 높기 때문에, 관련 산업에 높은 영향을 끼치게 되고, SCM이라는 분야도 크게 영향을 받고 있습니다.

두 번째, SCM이 크게 성장할 수 있었던 이유는 IT 인프라의 성장과 관련성이 높습니다. 특히 인터넷, 서버 및 PC의 대중화를 통한 기업 간 정보의 유통과 처리속도 향상은 SCM의 발전에 크게 기여하였습니다. 인터넷의 발전으로 전 세계로부터 각 회사의 유통정보, 물동정보를 교환할 수 있게 되었습니다. 그래서 부서 간에, 기업 간에 같은 데이터를 보면서 더 자주 협업할 수 있게 되었습니다. 이해관계자들 간에 신뢰를 높일 수 있는 환경이 제공된 것입니다. 또한 서버와 PC가 대중화되면서, 복잡한 알고리즘을 빠르게 계산할 수 있게 되었습니다. 통계적 연산을 통해 수요예측도 과학적으로 할 수 있게 되었고, 최적화 연산을 통해 생산계획도 효율적으로 수립할 수 있게 되었습니다. 또한 생산계획에 맞춰 부품 수급계획도 신속하게 수립할 수 있게 되었습니다.

삼성전자가 주단위로 시장상황을 점검하고 자원의 운영계획을 신속히 수립할 수 있었던 것, 일단위로 생산계획을 수립하고 조달 프로세스를 운영할 수 있었던 것, 이 모든 것이 효율적인 프로세스와 함께 IT 인프라 성장이 뒷받침되었기 때문입니다. 그러나, 당시 사용했던 IT 기술은 이제 보편적 기술이 되어버렸고, 경쟁우위의 원천으로서 영향도가 낮아지게 되었습니다.

3. 디지털 핵심기술 의한 SCM 르네상스

국내 대기업은 글로벌 성장이 답보 상태이고, 기업의 인터넷과 PC, 서버 등 전통적인 IT 인프라의 대중화가 되어버린 시대를 살고 있습니다. 그렇다면, SCM의 성장도 이대로 끝나가고 있는 것일까요? 결론부터 이야기하면, 아닙니다. 최근 대중화되고 있는 인공지능, 빅 데이터, 클라우드, IoT(Internet of Things) 등 디지털 기술은 새로운 SCM의 모습을 예견하고 있습니다.

저는 SCM을 업으로 삼는 입장에서 새롭게 다가오는 시기를 'SCM 르네상스' 시기라 부르고 있습니다. 르네상스의 사전적인 뜻은 고대 문화의 재발견과 함께, 새로운 문예 부흥을 일으킨 시기를 뜻한다고 합니다.^[7] 여기에서 르네상스란 단어를 차용한 이유는 고전적인 SCM의 철학이나 목표에는 큰 변동이 없으나, 새로운 디지털 기술에 의해 획기적으로 윤택해질 것이기 때문입니다. 그러면 몇 가지 키워드를 바탕으로 디지털 핵심기술들이 어떤 모습으로 SCM의 르네상스를 이끌어줄지 살펴보도록 하겠습니다.

SCMaaS(Supply Chain Management as a Service)

SCM은 상당히 어려운 분야이고, 오랫동안 훈련된 전문인력이 필요한 분야였습니다. SCM 체계를 구축하기 위해서는 기업의 전략과 경영을 이해할 수 있어야 하고, 기업의 프로세스를 분석하고 설계할 수 있어야 합니다. 또한 여러 가지 어려운 수학 이론과 알고리즘 또한 이해해야 합니다. 더욱이 시간을 투자하여 기업의 문화를 바꿔야 성과가 드러나는 분야이며, 외부 기업과 상호협력 프로세스를 하나씩 준비해야 하는 분야입니다. 즉, SCM 구축에 성공하기 위해서는 상당 수준의 투자를 꽤 오랫동안 지속해야만 했습니다. 이런 특성으로 인하여 대기업 외에는 투자가 쉽지 않았던 분야입니다. 설사 투자를 했더라도, 지속적 투자를 하지 못하여 결국에는 성공하지 못하고 더 이상 투자를 진행하지 못하는 기업을 상당히 많이 보아 왔습니다.

최근 클라우드 컴퓨팅 기반의 XaaS(Anything as a Service)라는 개념이 급속도로 현실화되고 있습니다. AWS, Azure와 같은 IaaS(Infra as a Service)/PaaS(Platform as a Service) 사업이 인프라 시장을 장악해 가고 있고, Salesforce.com, Workday 등 SaaS(Software as a Service) 기반의 Software 서비스도 안정적으로 정착하였습니다. 최근에는 기업이 수행하는 특정영역 프로세스 전체를 아웃소싱하는 BPaaS(Business Process as a Service)가 태동하고 있습니다. 아래에 XaaS의 장점을 4가지로 요약하여 기술해 봤습니다.

① 비용을 낮출 수 있습니다. (IaaS 장점)
② 필요할 때 유연하게 자원을 증설하고나 줄일 수 있습니다. (PaaS 장점)
③ 생태계가 재편되어, 기능이 표준화되고 데이터가 모입니다. (SaaS 장점)
④ 핵심분야가 아닌 곳에 인건비를 효율화하거나, 반대로 전문화된 인력과 서비스를 공유할 수 있습니다. (BPaaS 장점)

만약 SCM에 클라우드의 장점을 모두 접목하여 클라우드 기반의 SCM 아웃소싱인 SCMaaS(Supply Chain Management as a Service)를 구현해 낼 수 있다면 다양한 이점이 있을 것입니다. 우선 서비스를 받기 위한 비용이 기존보다 현저히 줄어들 것입니다. 또한 별도의 IT 자원과 전문인력 확보 없이도 SCM 체계를 구축할 수 있고, 필요한 시점에만 활용할 수 있을 것입니다. SCMaaS의 장점을 활용하면, 대기업 중심의 SCM 적용을 벗어나서 중소기업도 이전보다 낮은 비용으로 전문화된 SCM 서비스를 누릴 수 있을 것입니다.

대기업도 클라우드의 장점을 누리지 못하는 것은 아닐 것입니다. 대기업 또한 비용을 낮추고자 클라우드 서비스를 선호할 수 있습니다. 하지만, 여전히 SCM은 핵심 경쟁력이기에 디지털 기술과 컨설팅 정도만 지원받는 SaaS형 서비스를 선호할 것이고, 전체 프로세스까지 외주화하는 SCMaaS를 선택할 확률은 낮아 보입니다. 실제로 최근에 클라우드 기반의 SCM 시장은 급속도로 성장하고 있습니다. [그림 5]에 SCM 영역의 SaaS 시장 규모의 시계열(Time Series) 추이를 표시하였습니다. CAGR(Compounded Annual Growth Rate, 연평균성장률) 18.3%의 성장률을 보이고 있고, 같은 속도로 성장해 갈 것으로 예측하고 있습니다. 곧, 국내 시장도 클라우드 기반의 SCM 서비스로 재편될 것입니다.

[그림 5] 글로벌 SaaS형 SCM의 성장속도^[8]

초개인화(Hyper-Personalization) – IoT

제조회사나 유통회사는 '시장'을 이해하기 위해서 많은 노력을 하고 있습니다. 미주, 남미, 동남아 시장과 같이 국가나 지역을 구분하여 시장을 분석하거나, 대형마트, 소형마트, 대리점, 온라인 등 유통방식에 따라 시장을 분석합니다. 디지털 기술이 발전함에 따라 최종소비자 한 사람 한 사람의 행동 분석이 가능하게 되었고, 이런 방식의 중요성을 깨닫고 있습니다. 온라인 유통의 대표기업인 Amazon은 클릭스트림 데이터를 활용하여 개인의 행동을 분석하고, 분석한 결과를 바탕으로 추천 서비스를 제공합니다. 추천 시스템에 의하여 아마존을 방문한 소비자의 구매 전환율은 13%로, 국내 온라인 쇼핑몰 평균 6.2%에 비해 두 배가량 웃돌고 있습니다.^[9] 개인의 행동을 분석할 수 있다는 것은 이렇게 큰 위력을 가지고 있습니다.

만약 온라인 유통업체가 고객의 행동을 분석할 수 있듯이, 제조회사에서 추가적인 채널(Channel)로 고객의 행동을 더 분석할 수 있다면, 새로운 일을 할 수 있게 됩니다. IoT(Internet of Things)는 이런 측면에서 강한 영향력을 행사할 수 있습니다. (개인정보보호에 문제가 없는 한도에서) IoT는 고객이 제품의 어떤 기능을 주로 사용하는지, 고객 제품에 이상은 없는지, 시간대별 고객의 행동패턴은 어떤지 등 고객 행동에 대한 방대한 데이터를 수집할 수 있습니다. 이에 맞춰 완전히 개인화된 마케팅 활동을 할 수 있고, 이를 바탕으로 더 정확한 수요예측도 가능하며, AS를 위한 자재재고도 사전에 준비할 수도 있습니다. 또한 제품 개선을 위한 방향도 설정할 수 있습니다. 또한, 고객에게 더욱더 새로워진 경험을 제공할 수 있게 될 것입니다.

유통정보 투명성 – Blockchain

모든 기업에게 유통재고 정보는 매우 중요합니다. 소비자가 구매하고자 할 때 결품이 발생하면 판매기회를 잃게 될 것입니다. 반대로 유통재고가 너무 많으면 기존제품을 처분하느라 신제품으로 전환하는데 어려움을 겪고, 유통시간이 길어짐에 따라 제품의 가치가 떨어집니다. Blockchain 기술은 생산에서 소비에 이르기까지 공급망을 통과하는 과정에 대해, 무결성, 신뢰성, 보안성 있게 기록할 수 있습니다. 이 기록들은 조작이 불가능하다고 알려져 있습니다. 또한 데이터에 접속 가능한 모든 이해관계자들에 의해 투명하게 검증도 가능합니다. 이 뜻은 유통경로가 투명해진다는 뜻입니다. 유통경로가 투명해지면, 거래의 효율성을 향상시킬 수 있고, 사전에 유통재고의 과부족을 관리할 수 있을 것입니다. 식품과 같이 원산지나 유통정보가 중요한 제품의 경우, 소비자에게 더 개선된 경험을 제공할 수도 있을 것입니다. 기업들은 유통재고가 많더라도, 매장별로 따져보면 순간적으로 결품이 발생하는 현상이 생깁니다. 이로 인한 판매실기의 양을 계산하는 것조차 어려운 실정이기에, 이를 해결하고 싶은 기업이 많습니다. 유통경로를 정확히 알고 유통재고의 양을 실시간으로 파악할 수 있게 되면, 재고의 배치를 훨씬 효율적으로 수행할 수 있게 될 것입니다. 다만, 한가지 극복해야 하는 부분이 있습니다. Blockchain에 데이터가 입력되도록 하는 것입니다. 유통과정에 자연스럽게 입력이 되도록 하는 Use-case를 찾거나, 사람이 입력해야만 하는 동인이 생겨야 하는 부분이라 여전히 난제입니다. 유통과정의 각 Case별로 풀어가야 하는 문제로 판단하고 있습니다.

손쉽고 정확한 수요예측 – Deep Learning, Data Analytics

SCM에서 가장 중요한 활동 중 하나가 수요예측입니다. 수요예측을 정확히 해낼 수 있으면 더 정확한 목표를 (일반적으로 정확한 경영계획을) 수립할 수 있고, 시장의 반응을 사전에 감지할 수 있으며, 목표와 시장 반응과의 차이를 바탕으로 마케팅 계획을 수립할 수 있습니다. 이는 기업이 효율적으로 매출을 향상시킬 수 있도록 하며, 공급망을 관리하는데 매우 중요한 역할을 합니다. 그 동안 기업의 SCM 담당자는 수요예측의 정확성을 향상시키고, 시장을 더 정확히 이해하기 위하여 과학적인 방법을 활용하고자 하였습니다. 주로 통계적 방법을 사용했습니다. 시계열 분석을 통해 과거의 패턴을 통해 미래를 예측하고자 하였고, 수요와 이에 영향을 주는 여러 가지 요소들의 - 마케팅 활동, 경쟁사 동향 등 - 관계를 회귀분석을 통해 분석하였습니다. 이 때 주로 사용하는 회귀분석(Regression Analysis)은 선형 회귀분석이었습니다.

과거에 수요예측을 운영하는 독특한 방식 중 하나가, 영업사원–영업팀장–본사로 이루어지는 여러 이해관계자의 합의(Consensus)를 활용하였다는 것입니다. 예를 들어, 영업사원은 멀지 않은 미래의 수요를 감지하고, 영업팀장은 영업사원이 예측한 수요에 합의함과 동시에, 본인이 담당하는 영역의 마케팅 측면을 고려하여 좀더 장기간의 수요를 예측하였으며, 본사에서는 전체 영업영역의 수요를 수집하고 합의하되 중장기 수요예측에 집중하였습니다. 이 때 합의가 안된 부분의 수요예측 분에 대해서는 예측한 당사자가 책임질 수 있도록 정보를 분리하였습니다.

위와 같은 합의 프로세스를 활용한 수요예측 프로세스는 합리적인 방식이고, 효율적인 방식이었습니다. 하지만 이렇게 운영하면서 두 가지 단점이 드러나기 시작하였습니다. 첫째, 수요예측에 너무 많은 인적 자원이 소요됩니다. 큰 기업의 경우 1,000명이 넘는 사람들이 수요예측 과정에 참여하게 됩니다. 둘째, 수요가 시장상황을 반영하기 보다는 Top-down으로 내려주는 목표(경영계획)에 맞추는 경향성을 띄게 됩니다. 관리자의 압박에 따라 과학적인 방식의 예측보다는 의지치를 많이 반영하기 때문입니다. 일반적으로 회사의 목표는 시장의 상황보다 높기 때문에 목표를 달성할 확률이 낮은 편입니다. 즉 시장의 상황보다 많은 양의 제품을 생산하게 되어 불필요한 재고가 발생하는 등, 자원을 낭비하는 결과를 초래합니다. 또한 영업, 생산, 구매 부서가 서로 신뢰하지 못하는 회사문화가 만들어지기도 합니다.

최근 급격히 주목 받고 있는 Data Analytics나 Deep Learning 같은 분야는 수요예측 영역에 새로운 방식을 제시합니다. 회귀분석 시 비선형성을 손쉽게 처리할 수 있기 때문에 더 정확한 수요 예측값을 제시할 수 있는 가능성을 가지고 있습니다. 또한 자동화된 수요예측 운영의 가능성도 동시에 높여주고 있습니다. 물론 아직은 단점도 있습니다. Deep Learning은 더 정확하게 예측할 수 있는 가능성이 있지만, 해석하기 어렵다는 부분도 있습니다. 이로 인하여 최근에는 원인 분석이 가능한 Deep Learning 방식이 연구되고 있기도 합니다.

Data Analytics나 Deep Learning을 활용하여, 몇 명의 전문가 중심으로 수요예측을 정확히 해낼 수 있다면, 분명히 장점이 많습니다. 첫째, 수요예측에 필요한 인적 자원을 줄일 수 있습니다. 실제로 Amazon같은 기업은 전문가 집단이 수요예측을 진행하되 몇 가지 시나리오를 제시하고, 영업의 책임자는 이중에 한가지를 선택하는 방식으로 운영하고 있습니다. 둘째, 목표와 실제수요를 정확히 분리해낼 수 있습니다. 목표와 실제수요의 간극을, 과학적이고 정량화된 마케팅 활동을 통해 메울 수도 있습니다. 이는 실제 수요를 생산, 구매 담당자 및 협력사에 전달할 수 있다는 뜻이 되고, 불필요한 자원낭비를 줄일 수 있다는 뜻도 됩니다.

Data Analytics와 Deep Learning이 사람보다 더 정확한 수요예측을 해낼 수 있을지 회의적인 시각으로 바라보는 사람들도 있습니다. 다만 여기서 더 중요한 점은 자동화된 기법으로 사람과 유사한 수준으로 수요예측을 해낼 수 있다면, 불필요한 자원의 낭비나, 정보의 왜곡을 방지할 수 있다는데 큰 의미가 있습니다.

동시 계획(Concurrent Planning) – Machine Learning, Reinforcement Learning

과거에 공급계획은 주로 각 기업의 완제품만을 대상으로 수립하였습니다. 이 계획을 바탕으로 영업에 공급 가능한 물량을 피드백 해줘서 판매계획을 완성하였고, 완제품 하위의 부품 생산계획이나 구매계획은 별도의 절차로 수립하고 실행했습니다. 이러다 보니 각 단계별로 계획을 수립하는데 상당한 시간이 필요하게 되었고, 결국 각 계획간에는 시차가 발생하게 되었습니다. 예를 들어, 이번 주 완제품 계획을 수립하려면, 지난주 부품 공급계획을 활용하여 상황을 점검하기도 하였습니다. 이는 부서간 혹은 기업간 정보의 시차를 발생시키고, 결국 공급망의 Bull-whip 효과를 심화시키는 결과를 야기합니다.

만약 완제품 계획과 부품 계획을 통합하여 동시에 계획을 수립할 수 있다면, 혹은 협력사의 상황까지 고려하여 동시에 계획할 수 있다면, Bull-whip 효과를 상당수준 줄일 수 있습니다. 이것이 동시 계획의 개념입니다. 이를 구현하기 위하여 이상적으로는 전체 공급망을 한번에 모델링에 포함하여 계획을 수립할 수 있습니다. 실제로 이런 시도를 하는 기업도 있습니다. 다른 방법으로 전체 공급망을 한번에 모델링 하지 못한다면, 각 단계별로 계획을 수립하더라도, 한번의 계획주기(Plan-cycle)에 더 넓은 범위의 공급망을 포함시키는 방식으로 프로세스를 설계할 수도 있습니다. 이렇게 계획을 수립하기 위해서는 빠르고 완전히 자동화된 계획시스템이 필요해집니다.

[그림 6] 동시 계획(Concurrent Planning)의 개념도

생산계획을 수립하는 것은 매우 어려운 일입니다. 주어진 수요에 맞춰 주어진 자원을 최적화 해서 사용해야 하기 때문입니다. 그 동안 최적화 하기 위해 다양한 알고리즘들을 적용했었고, 이를 소프트웨어로 상품화 하였습니다. 시장에서 주로 사용하는 알고리즘은 두 가지, LP(Linear Programming)와 Rule 기반 알고리즘입니다. 두 알고리즘의 특징은 극명합니다. LP는 최적값을 산출해 낼 수 있지만, 답을 산출하는 시간이 오래 걸립니다. 특정 기업에서는 알고리즘이 결과값을 찾아내기까지 7~8시간씩 소요되기도 하였습니다. 반대로 Rule기반 알고리즘은 빠르고 효율적이지만, 최적값을 산출해내지 못합니다. Rule을 정교하게 설계해야 적용과 운영이 가능한 이유입니다.

최근 새로운 알고리즘들을 공급계획 수립에 적용하기 시작했습니다. 이 알고리즘들의 특징은 최적값에 근접한 값을 산출해냄에도 불구하고, 연산속도가 빠르다는 장점이 있습니다. 그 중 하나는 Machine Learning기법을 활용한 알고리즘입니다. 대표적으로 Meta-heuristics라는 방식이 실제 사례에 적용되고 있습니다. Heuristics방식이란 최적값을 어림짐작 해내는 방법으로, 대부분 최적에 가까운 값을 산출해내지만 LP보다 연산속도가 현저히 빠릅니다. 또한 현존하는 문제의 최적값을 현실적으로 정확히 구해낼 수 있는 방법이 없을 때도 활용할 수 있습니다. 또 다른 방법으로 공급계획 수립 시, 강화학습(Reinforcement Learning)을 활용해 볼 가능성이 있습니다. 강화학습은 에이전트(Agent)를 주어진 환경(Environment)에서 최대의 보상(Reward)을 받을 수 있도록 학습시키는 방법입니다. 이 알고리즘 역시 최적에 가까운 값을 산출해낼 수 있습니다. Meta-heuristics와의 차이점은, Meta-heuristics는 매번 공급계획을 수립할 때 마다 새롭게 학습해야 하지만, 강화학습은 이전에 학습했던 것을 기억하고 있다는 것이 차이점입니다. 이로 인하여 더 정확하고, 빠르게 최적화할 수 있는 가능성이 있습니다. 이러한 가능성을 확인하기 위해, 최근에 강화학습을 공급계획 수립에 활용하고자 하는 노력들이 시도되고 있습니다.^[10] 전통적인 알고리즘보다 빠르게 최적값을 도출해 낼 수 있는 알고리즘들은 동시계획에 적용해 볼만한 알고리즘입니다.

정보기반 통찰(Data Insight) – Data Analytics

SCM에서 핵심적인 부분 중 하나가 Data를 활용하여 의사결정 하는 과정입니다. 과거에는 여러 각도로 데이터를 관찰하고, 사람이 데이터로부터 통찰을 얻어, 이를 기반으로 공급망과 관련한 의사를 결정하고 실행하였습니다. 그러나 최근에는 Data Analytics를 활용하여 사람의 의사결정을 돕기도 하고, 때로는 사람보다 더 뛰어난 성능으로 Data로부터 의미를 추출해내기 시작했습니다. 사실 상당히 오랫동안 이런 시도가 있었으나, 최근에 시작되었다기 보다는, 대중화 되기 시작했다는 것이 더 정확한 표현일 것입니다.

몇 가지 예를 보면, 공급자를 평가하고 선택하기 위해 Classification 방법을 활용하기도 하고^[11], 다양한 Anomaly Detection 알고리즘을 활용하여, 매장, 유통, 공급^[12] 이상상황을 감지하기도 하며, 소셜미디어의 텍스트 분석을 통해 의사결정의 데이터로 활용하기도 합니다.^[13] 이런 과정에서 우리가 생각해내지 못한 통찰이 더해지곤 합니다. 더 기대되는 것은, 기업의 구성원들이 중요성과 위력을 느끼기 시작하였다는 점입니다. 기업은 데이터 사이언티스트를 활발히 고용하기 시작했고, 학교에서는 이들을 육성하기 시작했습니다. 앞으로 얼마나 많은 유즈케이스(Use case)를 발견하여 사용할지 상상하기 어렵습니다.

4. 맺음말

지금까지 디지털 핵심기술이 어떤 모습으로 SCM을 바꿔줄 지 6가지 키워드를 바탕으로 살펴보았습니다. 분명 새로운 디지털 기술들은, 기업이 경쟁우위를 유지하기 위한 핵심 투자분야가 될 것이며, 이는 SCM분야에서 중요성이 두드러질 것입니다. 어떤 분들은 우리회사는 이미 SCM 프로세스와 시스템이 있는데, 디지털 핵심기술을 기반으로 새롭게 SCM 체계를 재정비할 필요성이 있는지 의문을 가지실지도 모르겠습니다. 혹은 재정비에는 동의하지만, 어떻게 이해관계자들을 설득해야 할지 어려워하는 분도 계실 것입니다. 이럴 때 생각해 볼 수 있는 (본문에도 일부 언급된) 몇 가지 질문을 남기며 글을 마치고자 합니다. 아래의 질문을 바탕으로 우리 회사에 SCM이 제대로 되고 있는지, 이해관계자를 설득할 때 필요한 사항이 무엇인지, 다시한번 생각해 보는데 도움이 되시길 바랍니다.

◎ 시장상황을 분석하기 위한 정보가 충분히 수집되고 있는가?
◎ 우리는 수요예측을 과학적으로 하고 있는가?
◎ 수요예측을 하거나, 공급계획을 수립하는데 과도한 인력투입은 없는가?
◎ 실제 수요와 상관없이 목표만 공급담당자에게 전달하고 있지는 않는가?
◎ 임원진 평가 종료 후, 수요에 대한 전망치가 과도하게 줄어들지는 않는가?
◎ 수요-공급 관리 활동과 마케팅 활동이 연계되어 있는가?
◎ 목표값에 맞춰 마케팅 계획을 수립할 때, 과학적 방법으로 정량화 하는가?
◎ 예측된 수요대로, 생산계획과 구매계획을 수립하는가?
◎ 공급계획은 실행 가능한 계획인가?
◎ 수립한 계획대로 실행이 되는가?
◎ 계획대비 차질에 대한 정보를 언제든 확인할 수 있고, 즉시 계획을 대책을 수립할 수 있는가?
◎ 우리 회사의 동료들은 서로를 - 공유하는 정보를 - 신뢰하고 협력하는가?
◎ 고객과 협력사는 우리가 제공하는 정보를 신뢰하고 협력하는가?
◎ 우리의 공급능력에 대해 고객의 불만은 없는가?
◎ 여러 부문이 공통적으로 공유하는 기준정보 체계를 갖추고, 이를 바탕으로 소통하는가?
◎ 데이터로부터 Insight를 도출하고, 이를 바탕으로 의사결정하고 실행하는가?

# References
[1] Wikipedia, Keith Oliver, https://en.wikipedia.org/wiki/Keith_Oliver#cite_note-16, Accessed Mar. 20 (2020)
[2] Logistics Management, Global supply chain management software market grew 12.3 percent in 2011, says Gartner, https://www.logisticsmgmt.com/article/global_supply_chain_management_software_market_grew_12.3_percent_in_2011_sa, Accessed Aug. 21 (2020)
[3] Logistics Management, Top 20 Supply Chain Management Software Suppliers, https://www.logisticsmgmt.com/article/top_20_supply_chain_management_software_suppliers1, Accessed Aug. 21 (2020)
[4] Supply chain Management, Gartner announces rankings of the 2019 Supply Chain Top 25, https://www.scmr.com/article/gartner_announces_rankings_of_the_2019_supply_chain_top_25, Accessed Mar. 19 (2020)
[5] Statista, Supply chain management (SCM) software (including procurement) market revenue worldwide, from 2008 to 2018, https://www.statista.com/statistics/271214/global-supply-chain-management-software-market-revenue/, Accessed Mar. 20 (2020)
[6] Science Direct Web Page, https://www.sciencedirect.com, Accessed Aug. 21 (2019)
[7] 나무위키, 르네상스, https://namu.wiki/w/%EB%A5%B4%EB%84%A4%EC%83%81%EC%8A%A4, Accessed Mar. 24 (2020)
[8] Statista, Supply chain management (SCM) software as a service (SaaS) market size worldwide from 2016 to 2023, https://www.statista.com/statistics/471256/saas-for-scm-worldwide-market-size/, Accessed Mar. 20 (2020)
[9] 박정준, 나는 아마존에서 미래를 다녔다, 한빛비즈, P108 (2019)
[10] Bernd Waschneck, André Reichstaller, Lenz Belzner, Thomas Altenmüller, Thomas Bauernhansl, Alexander Knapp, Andreas Kyek, Optimization of global production scheduling with deep reinforcement learning, Procedia CIRP, 72, 1264-1269, 10.1016/j.procir.2018.03.212 (2018)
[11] Xuesong Guo, Zhiping Yuan, Bojing Tian, Supplier selection based on hierarchical potential support vector machine, 36, 3, 2, 6978-6985 (2009)
[12] Benjamin Lindemann, Fabian Fesenmayr, Nasser Jazdi, Michael Weyrich, Anomaly detection in discrete manufacturing using self-learning approaches. 12th CIRP Conference on Intelligent Computation in Manufacturing Engineering, 18-20 July (2018)
[13] Aditya Akundi, Bill Tseng, Jiamin Wu, Eric Smith, M Subbalakshmi, Francisco Aguirre, Text Mining to Understand the Influence of Social Media Applications on Smartphone Supply Chain, Procedia Computer Science, 140, 87-94(2019)



▶  해당 콘텐츠는 저작권법에 의하여 보호받는 저작물로 기고자에게 저작권이 있습니다.
▶  해당 콘텐츠는 사전 동의 없이 2차 가공 및 영리적인 이용을 금하고 있습니다.