프로젝트 개요
REINDEERS는 2025년 12월 글로벌 플랫폼을 공식 오픈했다. 초기 안정화 단계를 거친 후, 새로운 DVRP + WMS 통합 물류 플랫폼의 본격 개발이 시작되었으며 개발 기간은 2026년 1월부터 2월까지 약 2개월로 계획되었다.
본 프로젝트는 WMS(창고관리시스템)과 DVRP(동적 차량 경로 계획 시스템)을 하나의 AI 중심 환경으로 통합한다. 3PL 물류 기업이 입출고, 보관, 배차, 운송 전 과정을 실시간 AI 의사결정으로 관리할 수 있도록 설계되었다. 모든 기능은 멀티테넌트 SaaS 구조에서 동작하며, 각 물류사는 독립된 테넌트로 운영된다. 이 구조는 REINDEERS의 기존 B2B 거래 플랫폼에서 생성된 Delivery Order를 실제 물류 실행으로 연결하는 엔진 역할을 한다.
REINDEERS 플랫폼에는 현재 4,300개 이상의 파트너사가 등록되어 있으며, 이 중 바이어 2,500개 이상, 공급사 1,800개 이상, 포워더 30개 이상이 참여하고 있다. 실거래 데이터는 25,000건 이상 축적되어 있고, 이 데이터는 AI 배차 및 경로 최적화의 학습 데이터로 활용된다. 동남아시아 B2B 시장 규모는 $130B 이상으로 추정되며, REINDEERS는 한국, 태국, 말레이시아, 중국 4개국에 법인을 두고 운영 중이다.
개발 범위
본 프로젝트는 REINDEERS 플랫폼의 SaaS 기반 3PL 물류 시스템으로, AI 기반 DVRP와 WMS 기능을 중심으로 다음의 네 가지 애플리케이션으로 개발된다.
- 시스템 관리자 포털 — SaaS 전체를 관리하는 글로벌 관리자용 웹 애플리케이션. 회사(물류사) 생성, 요금제 관리, 시스템 상태 모니터링, 통계 리포트를 포함한다. 전체 테넌트의 AI 엔진 상태, 배차 성공률, 시스템 리소스 현황을 대시보드로 확인할 수 있다.
- SaaS 사용 회사용 웹 시스템 — 물류/창고 회사가 직접 사용하는 웹 애플리케이션. 직원, 트럭, 창고, 고객사, 배차, 입출고, 정산 등 핵심 운영 기능을 제공한다. AI 배차 결과를 승인하거나 수정할 수 있으며, 배차 정책(비용 우선/시간 우선/균형)을 설정할 수 있다.
- SaaS 사용 회사의 고객사용 웹 포털 — 물류사와 계약한 3PL 고객 전용 웹 애플리케이션. 입출고 요청, 재고 조회, 유통기한 알림, 비용 및 정산 관리 기능을 포함한다. 고객사는 자사 재고의 실시간 위치와 상태를 직접 조회할 수 있고, 출고 요청 시 AI가 추천하는 피킹 우선순위를 확인할 수 있다.
- 모바일 네이티브 앱 (직원용) — 물류사 소속 직원(운전기사/창고 담당자)이 사용하는 앱. 실시간 출퇴근, 업무 스케줄, 입출고 처리, GPS 기반 배송, 서명 수집 등을 지원한다. 오프라인 퍼스트로 설계되어 네트워크가 불안정한 창고나 공단 지역에서도 작업이 가능하며, 온라인 복귀 시 자동으로 서버와 동기화된다.
모든 시스템은 통합된 API를 통해 상호 연결되며, 데이터 일관성을 유지하는 단일 SaaS 플랫폼 환경에서 운영된다. API는 RESTful 구조를 기반으로 하되, 실시간 데이터 스트리밍이 필요한 영역(트럭 위치, 배차 상태)은 WebSocket과 Firestore 실시간 리스너를 병행 사용한다.
DVRP란 무엇인가?
DVRP (Dynamic Vehicle Routing & Planning, 동적 차량 경로 계획)은 배송 차량의 배차 및 운행 경로를 실시간으로 최적화하는 시스템이다. 기존의 고정 경로 방식과 달리, DVRP는 트럭의 GPS 위치 정보, 교통 트래픽 상황, 운전자의 근무 시간, 배송 시간 제약 등을 실시간으로 반영하여 최적의 배차 및 경로를 AI가 자동으로 재계산한다. 이를 통해 총 운행 시간, 비용, 공차 이동 거리를 최소화할 수 있다.
기존 물류 업체들이 사용하는 TMS(Transportation Management System)와의 차이점은 명확하다. TMS는 주로 사전에 경로를 확정하고 그대로 실행하지만, DVRP는 운행 도중에도 새로운 주문이 들어오거나 도로 상황이 변하면 실시간으로 경로를 재계산한다. 이 "동적" 특성이 핵심이다. REINDEERS의 DVRP는 3가지 유형의 배송 오더를 처리한다. Pickup DO(공급사에서 창고로 화물을 수거하는 경우), Delivery DO(창고에서 고객사로 배송하는 경우), Direct DO(창고를 경유하지 않고 공급사에서 고객사로 직접 배송하는 경우)다. 각 유형별로 경로 계산 로직과 제약 조건이 다르며, AI는 이 세 가지를 동시에 고려하여 전체 차량 운용 효율을 최적화한다.
AI 중심 설계 철학
본 플랫폼의 핵심은 AI가 선제적으로 의사결정을 수행하는 구조이다. AI는 창고 관리부터 차량 배차까지 물류의 전 단계를 자동화하며, 실제 운영 데이터를 기반으로 지속적으로 학습하여 정확도를 높여간다. 다만 AI는 "결정자"가 아니라 "제안자"로 설계되었다. 모든 AI 제안에는 관리자 승인 단계가 존재하며, 관리자의 수정 내역은 AI 학습 데이터로 피드백된다. AI는 다음의 5가지 주요 영역에 적용된다.
- 차량 배차 및 실시간 경로 최적화 — 비용/시간/적재율을 동시에 고려하는 멀티 목표 최적화
- 창고 적치 및 재배치 추천 — SKU 회전율, CBM, 유통기한을 반영한 동적 Slotting
- 피킹(출고) 경로 최적화 — Dijkstra/A* 알고리즘 기반 최단 동선 계산
- 작업자 및 장비 부하 균형화 — 작업자별 업무량 편차 최소화
- 운영자 피드백을 통한 지속 학습 — 승인/수정/거부 데이터의 학습 반영
DVRP 영역의 AI 도입
DVRP 모듈은 1,000~2,000대의 트럭을 동시에 관리할 수 있도록 설계되었으며, GPS와 교통 데이터를 실시간으로 수집해 AI가 자동으로 배차를 결정한다. 단순 거리 계산이 아니라, 실제 운행 조건과 트래픽 상황을 고려한 동적 최적화가 수행된다.
주요 AI 기능
- AI 자동 배차 — 주문 생성 후 2~4초 내 최적의 차량을 선택 (비용/거리/적재율을 고려)
- GPS 실시간 추적 — 트럭의 현재 위치, 예상 도착 시간, 공차 상태를 실시간으로 파악
- 교통 트래픽 반영 — 실시간 교통 정체 및 도로 상황을 분석해 경로를 자동 재조정
- 실시간 재배차 — 차량 고장, 지연, 도로 폐쇄 시 즉시 대체 차량 자동 배정
- 다중 목적 최적화 — 비용, 시간, 균형 모드 등 정책별 자동 조정
- AI 피드백 학습 — 관리자 평가("적절/부적절")를 AI 학습 데이터로 반영
배차 로직은 통계적 운행 패턴 학습과 실시간 제약 조건을 결합한 Hybrid AI 방식으로 설계되었다. 과거 운행 데이터에서 추출한 패턴(시간대별 교통량, 지역별 평균 소요 시간)과 실시간 제약(차량 잔여 적재량, 운전자 근무 시간 잔여)을 함께 평가한다. AI는 데이터를 지속적으로 학습하며 최적화의 정확도를 높여 나간다.
WMS 영역의 AI 도입
WMS(창고관리시스템)는 창고 내 공간 효율과 작업 동선 효율을 동시에 개선하기 위해 AI를 활용한다. 입출고, 재고 이동, 피킹 데이터가 모두 학습되어, AI가 최적화된 창고 운영 패턴을 도출한다.
AI 적치 최적화
- 필수 제약: 온도, 위험물, 전용 구역, 하중/용적 제한 등
- 우선순위 학습: 출고 빈도, 상품 크기, 유통기한, 고객사 특성 등 자동 가중치 조정
- 실시간 추천: 입고 시 상위 3~5개의 적치 위치를 즉시 제시
- 예외 기록: 수동 조정은 AI 재학습 데이터로 반영
AI 재배치 추천
매일 새벽, AI는 창고 전체 데이터를 분석해 재배치 시 효율이 높아질 상품을 자동 식별한다. 유통기한 임박 상품, 출고량 증가 품목, 구역 포화도를 종합 분석하여 담당자에게 재배치를 제안하고 승인 후 자동 작업으로 전환된다. 재배치 점수가 임계값을 초과한 SKU만 작업 대상으로 선정되며, 하루 평균 재배치 건수는 창고 규모에 따라 10~50건 수준이다.
AI 피킹 경로 최적화
출고 시 AI는 유통기한 기준(FEFO)과 최단 이동 거리를 함께 고려한 피킹 경로를 계산한다. 다수의 작업자 간 동선 중복을 최소화하는 협업형 피킹 알고리즘이 적용된다. 각 작업자에게는 개인별 최적 경로가 모바일 앱에 표시되며, 작업 진행에 따라 경로가 실시간으로 갱신된다.
AI 수명주기 (AI Lifecycle)
- 데이터 수집 — GPS, 주문, 재고, 센서, 작업 로그 등 실시간 데이터 수집
- 피드백 반영 — 운영자의 승인/수정 데이터를 AI 학습 피처로 변환
- 정기 재학습 — 매일 또는 주 단위로 모델 파라미터를 보정
- 효과 검증 — AI 제안과 실제 실행 결과를 비교해 정확도 측정
- 성과 리포트 — 시간/비용/거리 절감 효과를 자동 계산 및 보고
이러한 반복 과정을 통해 시스템은 점점 더 정교해지고, 사람이 개입하지 않아도 스스로 최적화되는 자율형 물류 생태계로 발전한다. DVRP 베타는 2026년 3월에 시작되었으며, 실 운영 데이터가 축적됨에 따라 AI 정확도는 지속적으로 향상될 것으로 예상된다.
통합 AI 아키텍처
DVRP와 WMS는 각각 독립된 AI 엔진을 사용하지만, 공통된 학습 데이터 레이어를 공유한다. 배차, 적치, 피킹의 결과는 모두 AI 의사결정 네트워크(AI Decision Network)에서 연결되어 물류 전반의 통합 지능으로 작동한다. 예를 들어, WMS에서 특정 고객사의 출고량이 급증하는 패턴을 감지하면, DVRP 쪽에서도 해당 고객사 관련 배송 수요가 증가할 것으로 예측하여 사전에 차량을 확보하는 식이다. 이러한 크로스 도메인 의사결정은 두 시스템이 데이터 레이어를 공유하기 때문에 가능하다.
- Inventory Intelligence — 재고 회전율, 공간 효율 분석, SKU별 적정 재고 수준 산출
- Fleet Intelligence — 차량 운행 패턴, 정비 주기, 가동률 분석, Digital Twin 기반 시뮬레이션
- Operational Intelligence — 작업자 효율성과 부하 분석, 시간대별 인력 배치 최적화
- AI Decision Hub — 세 영역의 지능을 통합 관리, 크로스 도메인 의사결정 지원
인간과 AI의 협업 철학
AI는 선제적 제안자이며, 인간은 검증자이자 교정자이다. 반복적 판단을 줄이고, 운영자는 전략적 판단에 집중할 수 있다. 결과적으로 트럭과 창고가 하나의 지능형 네트워크처럼 작동하게 된다. 이 철학은 REINDEERS 전체 플랫폼에 일관되게 적용되는 원칙이다. 견적 단계에서 AI는 조건 검증과 누락 감지를, 배차 단계에서는 후보 생성과 리스크 시각화를, 창고 운영에서는 적치와 재배치 추천을 수행한다. 모든 단계에서 최종 결정은 사람에게 있다. REINDEERS는 2015년 태국에서 IMARKET Thailand로 시작하여, 10년간 축적한 동남아 B2B 무역 경험을 바탕으로 이 물류 플랫폼을 설계했다. $130B 이상 규모의 동남아시아 B2B 시장에서 거래와 물류를 하나의 플랫폼으로 연결하는 것이 목표다.