Blog

이번 파트는 REINDEERS 전체 기술 구조의 “최종 정리”이다. 단일 기능이 아니라 무역(Trading) + 3PL WMS + DVRP 배송 + AI 자동화 + 글로벌 동기화 + 비용 엔진 + 멀티리전 인프라 가 하나의 시스템으로 결합된 형태를 기술적으로 설명한다. 이 설계는 2025년 5월부터 시작해 단일 아키텍처로 다시 작성된 결과물이며, 최종 오픈 일정인 2026년 3월 1일 을 목표로 현재도 확장·검증 중이다. 57. 전체 아키텍처의 상위 개념 REINDEERS는 “EC + SCM + 물류센터 + 운송 + 무역”을 하나로 합친 시스템이다. 기존 시장에서는 이 기능을 보통 4~6개의 시스템으로 분리해 운영하지만, REINDEERS는 모두 단일 엔티티로 통합 설계했다. 57.1 상위 구조 [Trading Layer] ├─ 견적(E-Quotation) ├─ 발주(PO) ├─ 인증(TISI/FDA/COO) ├─ 수입/수출 스케줄 └─ 비용/정산 [WMS Layer] ├─ ASN (입고) ├─ OSN (출고) ├─ 재고관리 ├─ FEFO/lot/유통기한 ├─ 실사/반품/폐기 └─ Workforce Scheduling [DVRP Layer] ├─ DO 생성 ├─ Route Optimization ├─ Driver Assignment ├─ ETA Prediction └─ Re-dispatch Engine [AI MCP Layer] ├─ Orchestrator (Action Schema) ├─ Translator-Agent ├─ Logistics-Agent ├─ Trading-Agent ├─ RAG Contracts Manager └─ Cost Predictor [Infra ...

REINDEERS 플랫폼은 단순히 WMS와 DVRP를 연결하는 시스템이 아니다. 산업형 3PL · Trading · Fulfillment 환경에서는 "비용 구조의 정확성"이 서비스 품질만큼이나 중요한 요소다. 특히 동남아 지역의 산업 물류 특성상 고객사는 단순 배송비가 아니라 보관료 · 패키지 사용료 · 수입·통관 비용 · 외주 차량 비용 · 반품/폐기 비용 까지 모두 포함된 총 비용 관리를 요구한다. REINDEERS가 운영하는 4개국(한국, 태국, 말레이시아, 중국) 법인 각각에서 비용 계산 방식이 다르고, 4,300개 이상의 파트너사 중 고객사별 계약 조건이 모두 상이하다. 이런 환경에서 엑셀 기반의 수동 정산은 누락과 오류의 원인이 된다. 이에 REINDEERS는 데이터를 기반으로 자동 계산되고 예측되는 AI Cost Optimization Engine 을 구축했다. 46. 비용 엔진이 필요한 근본 이유 산업 물류에서 비용은 단순 계산이 아니다. 보관료는 CBM 기준일 수도 있고, SKU 기준일 수도 있다. 출고비는 피킹 난이도·로케이션·Zone 혼잡도에 따라 달라진다. 배송료는 CBM·중량·거리·시간·차종에 따라 달라진다. 외주 차량 비용은 업체별로 상이하며, 고정 단가가 아니다. 반품/폐기 비용은 유통기한·로트별 재고 흐름과 연동된다. 실제 사례를 들면, 태국의 한 고객사는 CBM 기준 보관료를 적용하면서 동시에 팔레트 단위 최소 과금을 요구했다. 다른 고객사는 Cold Zone 보관 시 일반 Zone 대비 2.5배 단가를 적용하되, 월 보관량이 일정 기준을 넘으면 할인율을 적용하는 조건이었다. 이런 복잡성을 단순 규칙으로 처리하면 고객사마다 다른 정책을 적용할 수 없고, 실수·과금 누락·중복 청구가 빈번해진다. 따라서 비용 계산...

이번 파트에서는 REINDEERS 플랫폼의 DVRP 코어 엔진 , 즉 DO 생성 → 배차 → 경로 최적화 → ETA 보정 → 재배차(Re-dispatch) 까지 이어지는 전체 기술 구조를 정리한다. 여기서 다루는 내용은 이론적인 DVRP 설명이 아니라, 실제로 운영 가능한 수준으로 구현한 제약 기반 최적화 + AI 보정 + MQ/캐시 구조 에 대한 기록이다. 37. DO 시스템의 기본 구조 재정리 REINDEERS는 모든 운송 지시를 DO(Delivery Order) 로 통일했다. Pickup DO — 고객사 → 창고 (입고용) Delivery DO — 창고 → 고객사 (출고용) Direct DO — 고객사 → 목적지 (직배송, 창고 미경유) ASN/OSN은 어디까지나 입·출고 계획(Notice) 이고, 실제 트럭이 움직이는 단위는 DO이다. DVRP 엔진이 다루는 모든 대상은 결국 “DO 집합”이다. ASN / OSN (계획) ↓ (DO 생성기) DO 집합 (Pickup / Delivery / Direct) ↓ (DVRP 엔진) 트럭·기사·경로·ETA 38. DVRP 엔진의 목표와 제약 조건 REINDEERS DVRP 엔진은 전형적인 VRP를 그대로 구현하지 않는다. 실제 현장의 제약을 우선해서 알고리즘을 구성했다. 38.1 최적화 목표 총 운행 거리 최소화 지각(ETA 초과) 최소화 트럭 당 적재율(CBM/중량) 최대화 AI 배차 실패율 최소화 38.2 강제 제약 조건 트럭 최대 CBM·중량 초과 금지 근로 시간·휴게 시간 준수 냉장/위험물/특수 화물 전용 트럭 사용 각 DO의 배송 가능 시간 윈도우(time window) ...

REINDEERS는 2026년 1월을 기점으로, 기존의 나라별 통합 B2B 무역 플랫폼을 국제 무역의 실제 실행 구조를 모두 흡수하는 서비스 플랫폼 으로 확장한다. 이번 확장의 핵심은 두 가지다. AI를 "자동화 도구"가 아닌 의사결정 보조자 로 배치하는 구조 DVRP 기반 3PL과 무역 플랫폼을 하나의 거래 흐름 으로 결합하는 구조 이 글은 REINDEERS가 왜 이 두 가지를 동시에 선택했는지, 그리고 이것이 국제 무역 플랫폼 설계에서 어떤 기술적 의미를 갖는지를 설명한다. 2015년 IMARKET Thailand 설립 이후 10년간 동남아 B2B 무역을 직접 운영하면서 축적한 경험이, 이 구조적 결정의 배경이다. 1. 국제 무역의 본질적인 문제 국제 무역은 오랫동안 다음과 같은 방식으로 운영되어 왔다. 견적: 이메일, 메신저, 엑셀 계약: PDF, 스캔 파일 생산-납품 일정: 사람의 기억과 전화 물류: 포워딩 경험 의존 정산: 사후 확인 문제는 이 모든 과정이 하나의 연속된 의사결정 흐름 임에도 불구하고, 각 단계가 서로 단절되어 있다는 점이다. $130B 이상 규모의 동남아 B2B 시장에서 이 단절은 단순한 불편이 아니라 직접적인 비용 손실로 이어진다. 견적 단계에서 합의된 조건이 물류 단계에서 다르게 해석되거나, 생산 일정 변경이 포워딩 예약에 반영되지 않아 선복을 놓치는 일이 빈번하다. REINDEERS는 이 단절의 원인을 기술적으로 다음과 같이 정의했다. 결정 기준이 데이터로 남지 않는다 이전 판단이 다음 단계로 전달되지 않는다 사람이 모든 비교-검증-정리를 직접 수행한다 이 구조에서는 AI를 단순 자동화 도구로 넣어도 근본적인 개선이 일어나지 않는다. 자동화는 이미 정리된 데이터 위에서만 작동하기 때문이다. 데이터가 단절된 상태에서 자동화를 적용하면, 잘못된 입력 위에서 더 빠르게 잘못된 결과를 만들어내는 것에 불과하다....

창고(WMS)와 운송(DVRP) 운영에서 가장 변수가 많은 영역은 사람이다. 출퇴근 패턴, 지각·결근, 갑작스러운 물량 폭주, 고객사의 긴급 출고 요청, 운전기사의 장거리 운행 등 사람 기반 요소는 단순 규칙으로 제어하기 어렵다. REINDEERS는 이 문제를 해결하기 위해 AI 기반 Dynamic Workforce Scheduling Engine 을 구축했다. 이 엔진은 작업량 예측부터 인력 배분, 실시간 스케줄 조정까지 물류 현장에서 발생하는 모든 변수를 계산하여 작업자를 최적의 위치에 배치한다. 4개국에 걸쳐 운영되는 REINDEERS 물류 네트워크에서 인력 비용은 전체 운영비의 30~40%를 차지한다. 이 비용을 최적화하려면 "필요한 곳에 필요한 만큼만" 인력을 배치하는 정밀한 계산이 필요하고, 그 계산은 사람의 감으로는 한계가 있다. 28. Dynamic Workforce Scheduling: 기본 개념 Workforce 엔진은 다음 두 가지 핵심 목표를 가진다. 물류 작업량의 예측(Predictive Workload Calculation) 작업자 자동 배치(Automated Workforce Assignment) 즉, "내일 필요한 인력이 몇 명인지?"를 미리 계산하고, "누가 어떤 업무를 맡아야 하는지?"를 시스템이 자동으로 결정한다. 기존에는 창고 관리자가 전날 저녁이나 당일 아침에 경험적으로 인력을 배분했는데, 이 방식은 월말 출고 피크나 갑작스러운 대량 입고 같은 변수에 대응하기 어렵다. 29. Workload Estimation Engine (작업량 예측 엔진) 작업량 예측은 단순 통계가 아니라 실제 DO/ASN/OSN/재고 이동/반품/폐기/실사 데이터 전체를 이용한 예측 모델 이다. ...

REINDEERS는 2026년 3월 을 목표로 DVRP(Dynamic Vehicle Routing Platform) 베타 서비스를 공식 오픈 한다. 이 플랫폼은 단순한 운송 배차 시스템이 아니라, AI가 실시간으로 판단·결정·지시·최적화 하는 차세대 물류 OS로 설계되었다. 이번 글은 기술팀의 시각에서, DVRP가 어떤 구조로 설계되었고 AI가 어떻게 업무를 실제로 "대신 수행"하도록 만든 기술적 기반을 설명한다. REINDEERS는 2015년 IMARKET Thailand 설립 이후 10년간 동남아 B2B 산업 물류를 운영하면서 축적한 현장 데이터와 운영 노하우를 DVRP의 설계 근거로 사용했다. 핵심 알고리즘·AI 아키텍처·동기화 구조·RAG 전략을 상세히 공개한다. 1. 서비스 개요 — AI 기반 물류 엔진의 출현 REINDEERS DVRP는 다음의 핵심 기능들을 통합한 하나의 AI 플랫폼이다. 트럭·기사·창고 간 배차 자동화 Direct DO(직배송)의 다구간 경로 계산 입고 ASN·출고 ASN·DO 생성 전체 자동화 GPS 기반 실시간 위치 추적 및 ETA 예측 FIFO·CBM·거리·로트 기반 재고 할당 엔진 LLM 기반 AI 오케스트레이션(업무 지시 자동화) RAG 기반 현실 데이터 참조형 AI 의사결정 대규모 트럭 운영(1000대 규모)을 위한 MQ · 비동기 구조 이 모든 기능은 REINDEERS CORE ENGINE 이라는 단일 구조에서 작동한다. Web, Mobile Web, Native App이 동일 엔진을 공유하도록 만들어져 있으며 AI가 어느 디바이스에서든 같은 판단을 내릴 수 있는 구조이다. 4,300개 이상의 파트너사(바이어 2,500+, 공급사 1,800+, 포워더 30+)가 이 단일 엔진 위에서 각자의 역할에 맞는 인터페이스를 사용한다. 2. 프론트 구조 — Web · Mobile Web · Native App 통합 2-1. We...

이번 Part 4에서는 REINDEERS WMS의 핵심인 AI 재배치 엔진(AI Relocation Engine) 과 Dynamic Warehouse Optimization(동적 창고 최적화) 의 기술 구조를 다룬다. 이 기능은 실제 운영 현장에서 "비용을 줄이고 처리 속도를 높이며, 재고를 항상 최적 위치에 유지"하게 하는 기술적 핵심이다. 3PL 창고 운영에서 가장 큰 비효율은 재고가 입고 시점의 위치에 고정되어 있다는 점이다. 입고 당시에는 적절했던 위치도 출고 패턴이 바뀌면 비효율적인 동선을 만든다. 한 달 전 회전율이 낮아서 후방 Zone에 배치한 SKU가 갑자기 출고량이 3배로 늘면, 피킹 작업자는 매번 창고 끝까지 걸어가야 한다. 이런 문제를 사람이 매일 점검하는 것은 사실상 불가능하다. REINDEERS WMS는 이 판단을 AI에게 위임한다. 20. AI 재배치 엔진(AI Relocation Engine) AI 재배치 엔진은 매일 또는 특정 이벤트 발생 시, 창고 전체 재고의 최적의 위치를 재계산해 재배치를 제안 하는 역할을 한다. 이 엔진은 단독으로 작동하지 않고, 재고 데이터, 출고 이력, Zone별 트래픽 로그, 고객사 계약 조건 등 여러 데이터 소스를 결합하여 판단한다. 20.1 재배치가 필요한 이유 재고 회전율 변화 — 시즌 전환기에 특정 SKU의 출고량이 급변 출고 트래픽 증가 또는 감소 — 프로모션 기간 전후의 볼륨 차이 신규 고객사 입고 증가 — 기존 Zone 배치로는 공간 부족 유통기한 임박 SKU 증가 — FEFO 정책에 따라 접근성 높은 위치로 이동 필요 Zone 과부하(피킹 동선 비효율) — 특정 구역에 작업자가 집중되어 병목 발생 이러한 변화는 사람보다 AI가 더 빠르게 감지하고 계산할...

이번 Part 3에서는 REINDEERS 플랫폼의 고급 엔진 아키텍처를 다룬다. 실제 운영에서 필요한 AI 예측 엔진, 트럭 디지털 트윈, 고급 캐시 계층, CDC 기반 실시간 데이터 스트림 등 플랫폼의 "지능화 및 자동화 기반 기술"을 상세하게 설명한다. Part 1에서 재고 할당과 직배송 경로 설계를, Part 2에서 배차 엔진과 이벤트 소싱을 다루었다. 여기까지가 "실행 레이어"였다면, Part 3은 실행을 뒷받침하는 "지능 레이어"에 해당한다. 데이터가 쌓이면서 시스템이 점점 더 정확한 판단을 내릴 수 있도록 하는 기술들이다. 14. AI 예측 엔진(Forecasting Engine) — 출고량/재고회전/배송량 예측 물류 데이터가 누적되기 시작하면 가장 먼저 도입되는 기능이 예측이다. REINDEERS의 예측 엔진은 다음 3가지를 핵심 목표로 둔다. 출고량 예측(Outbound Volume Forecast) — 향후 7일/14일/30일 단위 재고 회전율 예측(Inventory Turnover Forecast) — SKU별 적정 재고 수준 산출 배송량/트럭 수요 예측(Delivery Volume Forecast) — 일별 필요 차량 대수 추정 예측 엔진은 단순히 "내일 출고가 얼마나 될까"를 넘어서, 실질적인 운영 결정에 연결된다. 출고량 예측이 정확하면 작업자 배치를 사전에 조정할 수 있고, 트럭 수요 예측이 정확하면 외주 차량 사전 확보나 불필요한 대기 비용을 줄일 수 있다. REINDEERS의 25,000건 이상의 실거래 데이터는 이 예측 모델의 학습 데이터로 활용된다. 14.1 예측에 사용하는 주요 피쳐(Features) 출고/입고(OSN/ASN) 발행량 — 일별/주...

전 편에서는 재고 할당/직배송 경로 설계/AI Action Schema/RAG 구조 등 물류 시스템의 핵심 알고리즘을 설명했다. 이번 Part 2에서는 REINDEERS 플랫폼의 근본을 지탱하는 배차 엔진, ETA 계산, 이벤트 소싱, 모바일 오프라인 엔진, 멀티테넌시 보안 을 기술적 관점에서 심층적으로 다룬다. Part 1이 "무엇을 처리하는가"에 대한 설명이었다면, Part 2는 "어떻게 안정적으로 처리하는가"에 대한 설명이다. 7. AI 배차 엔진(Dispatch Engine) — 비용/시간/적재율을 동시에 계산하는 멀티 목표 알고리즘 배차 엔진은 "배송 DO 생성 후" 자동으로 작동한다. 단일 목적 최적화가 아니라, 아래 4개의 목적을 동시에 평가하는 Multi-Objective Optimization 구조를 갖는다. 일반적인 배차 시스템이 "가장 가까운 차량"만 선택하는 것과 달리, REINDEERS의 배차 엔진은 거리, 도착 시간, 적재 효율, 비용을 동시에 고려하여 전체 최적해를 찾는다. 7.1 평가 지표(Score Model) score = (w1 * distance_score) + (w2 * eta_score) + (w3 * cbm_score) + (w4 * cost_score) distance_score : 기존 경로에 삽입했을 때 증가하는 총 주행거리. 값이 클수록 패널티가 커진다. eta_score : 도착 예정시간(ETA) 지연 정도. 기존 DO들의 ETA에 미치는 영향도 포함. cbm_score : 적재 가능한지, 적재율이 적절한지. 트럭의 잔여 CBM과 화물 CBM을 비교. cost_score : 연료 + 인건비 + 트럭 가동 비용. 외주 차량 사용 시 추...