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 비용까지 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 Engine을 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 역시 데이터 기반의 엔진으로 구현해야 한다.
47. 비용 엔진의 핵심 아키텍처
47.1 구조 개요
Cost Engine Core
├─ Storage Fee Module (보관료)
├─ Handling Fee Module (입출고 작업비)
├─ Delivery Fee Module (배송료)
├─ External Carrier Fee (외주 트럭)
├─ Return / Disposal Fee (반품/폐기)
├─ SLA Penalty Engine (지연/파손 규정)
└─ AI Fee Predictor (예측/보정)
모든 비용은 단가 x 데이터의 곱이 아니라, 고객사별 계약 정책 x 업무 발생 이력 x AI 보정값으로 계산된다. 각 모듈은 독립적으로 동작하지만, 최종 정산서를 생성할 때는 모든 모듈의 결과가 하나의 트랜잭션으로 합산된다. 모듈 간 의존성은 이벤트 기반으로 처리되어, 예를 들어 배송 DO가 완료되면 Delivery Fee Module이 자동으로 트리거되고, 반품이 발생하면 Return Fee Module과 Re-storage Fee가 연쇄적으로 계산된다.
48. 보관료(Storage Fee) 계산 엔진
REINDEERS의 보관료는 CBM 기준이 가장 일반적이지만, 고객사별로 정책이 다르므로 유연하게 구성했다.
48.1 보관료 계산식 (기본)
storage_fee =
sum(재고 CBM * 보관일수 * 고객사 단가)
"보관일수"의 기산점이 고객사마다 다르다는 점이 구현 난이도를 높인다. 어떤 고객사는 입고 확정일(GRN 발행일) 기준이고, 어떤 고객사는 입고 예정일(ASN 등록일) 기준이다. 또한 보관료 청구 주기도 일별, 주별, 월별로 나뉜다. 이런 차이를 하드코딩하지 않고 고객사별 정책 테이블에서 동적으로 읽어오도록 설계했다.
48.2 고급 옵션
- 로트 단위 보관료 계산
- Zone 별 차등 보관료 (Cold / Hazard / Regular)
- 피킹 빈도 기반 가중 보관료(FIFO+AI 보정)
- 패키지 단위 비용(Pallet / Box)
48.3 AI 기반 보정
AI는 다음 데이터를 분석해 "예상 보관료"를 예측:
- SKU별 평균 보관 기간
- 회전율 변화 패턴
- 출고 주기
- 유통기한 임박 SKU 증가율
지금 고객사가 어떤 SKU를 얼마나 오래 맡길지 예측해 미래 보관료 시뮬레이션까지 가능하다. 예측 모델은 25,000건 이상의 실거래 데이터에서 추출한 SKU별 체류 기간 패턴을 학습 데이터로 사용한다.
49. 입출고 처리비(Handling Fee) 계산
출고 처리비는 단순히 "피킹 1건 = X원"이 아니다. 실제 물류센터에서는 난이도에 따라 시간이 크게 달라진다.
49.1 난이도 기반 모델
handling_fee =
base_fee
+ distance_weight * 평균 피킹 거리
+ zone_weight * Zone 혼잡도
+ load_weight * SKU의 CBM/중량
+ expiry_weight * FEFO 처리 난이도
각 가중치(weight)는 고정값이 아니라 AI가 실제 작업 로그에서 학습한 값이다. Zone 혼잡도는 해당 시간대의 동시 작업자 수와 피킹 대기열 길이로 계산된다. 예를 들어 오전 10시에 Zone-A에서 3명이 동시에 피킹 중이면 혼잡도가 높아지고, 그만큼 작업 시간이 늘어나므로 처리비도 올라간다.
49.2 AI가 수행하는 일
- SKU별 피킹 난이도 자동 측정
- Zone별 평균 작업 시간 측정
- 동선 혼잡도 계산
- 고객사별 비용 패턴 분석
이 출력값을 통해 SKU 작업 난이도별로 자동 비용 분류가 가능하다. 난이도 등급은 A(단순 선반 피킹), B(지게차 필요), C(특수 장비 필요), D(위험물 취급)의 4단계로 구분되며, 등급별로 기본 단가가 다르게 적용된다.
50. 배송료(Delivery Fee) 계산 엔진
기본 구조는 다음과 같다.
delivery_fee =
base_distance_fee
+ cbm_fee
+ weight_fee
+ special_truck_fee
+ time_window_priority_fee
+ ai_adjustment
50.1 주요 특징
- 우천/정체 시간대에 따른 AI 보정 -- 과거 운행 데이터에서 시간대별·날씨별 지연 패턴을 학습하여 실시간 보정값을 산출
- 차종별 할증 (냉장/위험물) -- 냉장 차량은 일반 대비 1.8배, 위험물 차량은 2.2배의 기본 단가가 적용
- Direct DO 우선순위 프리미엄 -- 긴급 직배송 요청 시 시간대와 거리에 따라 15~40%의 프리미엄이 자동 산정
- DVRP 엔진의 최종 경로 기반 거리/시간 계산 -- 직선 거리가 아닌 실제 주행 경로 기준으로 비용을 계산
51. External Carrier Fee(외주 트럭 비용) 구조
외주 차량 비용은 물류센터에서 직접 관리하기 어렵다. 특정 업체는 km당 비용, 특정 업체는 건당 비용, 특정 업체는 시간당 비용을 요구한다.
REINDEERS는 아래처럼 통합 모델을 만든다.
51.1 통합 비용 함수
external_fee =
distance_unit_cost * 실제 거리
+ time_unit_cost * 운행 시간
+ base_fee
+ special_fee(위험물/냉장)
외주 차량 비용은 DO가 완료될 때 자동 계산되어 정산 대기 항목으로 전송된다. 각 외주 업체의 과금 방식(km당, 건당, 시간당)은 업체 등록 시 설정되며, 통합 비용 함수가 업체별 설정을 읽어 자동으로 적절한 계산식을 적용한다. 30개 이상의 포워더사가 등록되어 있는 현재 구조에서 이 자동화는 정산 담당자의 업무량을 크게 줄여준다.
52. Return / Disposal Fee(반품 / 폐기) 계산
반품·폐기는 단순 작업이 아니라 출고와 거의 유사한 비용이 발생한다.
52.1 반품비
return_fee =
pickup_fee
+ inspection_fee
+ repacking_fee
+ re-storage_fee
52.2 폐기비
disposal_fee =
labor_fee
+ waste_processing_fee
+ documentation_fee
이 모든 비용은 AI가 자동 분류한 SKU 특성(부패도·로트·규격)에 따라 달라진다. 특히 산업 자재의 경우 폐기 시 환경 규제 문서 발행 비용이 상당하다. 태국과 말레이시아에서는 화학 물질 함유 제품의 폐기 시 별도 인증 비용이 발생하며, 이 비용도 자동 산정 대상에 포함된다.
53. AI 기반 비용 시뮬레이션
비용 엔진의 핵심 기능 중 하나는 "미래 비용을 예측하는 기능"이다.
예측 모델 입력값:
- SKU별 평균 보관 기간
- 고객사 출고 패턴
- 유통기한 압박도(Expiry Pressure)
- 입고량 변화 패턴
- DVRP 비용 패턴
이를 기반으로 AI는 미래 비용을 예측한다. 예측 기간은 기본 30일이며, 분기 단위 시뮬레이션도 가능하다. 시뮬레이션 결과의 정확도는 현재 실제 비용 대비 오차율 8% 이내를 유지하고 있으며, 데이터가 축적될수록 정확도는 개선된다.
53.1 예시 출력
A 고객사 - 12월 예상 비용
보관료: +14~17%
배송료: -3~4%
반품/폐기: +38% (유통기한 도래 SKU 증가)
총 비용: +9~11%
이 기능은 고객사와의 협상·계약·견적 발행에 있어 매우 중요한 역할을 한다. 특히 신규 고객사 온보딩 시, 유사 규모·유사 업종의 기존 고객사 데이터를 기반으로 예상 월 비용을 시뮬레이션하여 견적서에 반영할 수 있다.
54. RAG 기반 "비용 정책 판단 엔진"
비용 정책은 고객사 문서별로 모두 다르다. REINDEERS는 비용 정책 PDF·계약서·메일 내용을 RAG로 벡터화해 보관하고, AI가 판단 기반으로 사용하는 모델을 구축했다.
54.1 RAG 프로세스
1. 고객사 계약서 업로드
2. Embedding & 벡터화 저장
3. 비용 계산 시 AI가 정책을 주석처럼 참고
4. 고객사별 비용 규칙 자동 적용
이로 인해 "고객사별 계산 방식 누락"이 사라진다. 계약서에 명시된 할인 조건, 최소 과금 기준, 예외 조항 등이 벡터 검색을 통해 비용 계산 시점에 자동으로 참조된다. 계약 조건이 변경되면 새 문서를 업로드하는 것만으로 AI가 변경된 정책을 즉시 반영한다.
55. 비용 엔진 전체 흐름
DO / ASN / OSN 발생
|
작업 이력 기록 (입고/출고/배송)
|
비용 엔진이 자동 계산
|
AI 모델이 보정값 반영
|
고객사별 정산서 생성
|
관리자 검증 -> 고객사 발행
|
대금 정산 (결제 시스템 연동)
이 과정은 대부분 자동이며, 관리자는 검증·승인만 한다. 정산서는 PDF와 엑셀 두 가지 형태로 자동 생성되며, 고객사 포털에서 바로 다운로드할 수 있다. 이의 제기가 발생하면 해당 비용 항목의 계산 근거(어떤 정책이 적용되었는지, 어떤 작업 이력이 반영되었는지)를 자동으로 추적할 수 있다.
56. 비용 엔진이 만든 변화
- 고객사별 상이한 비용 구조를 자동으로 적용
- 실제 작업 이력 기반으로 비용 정확도 99% 수준 확보
- DVRP 엔진과 연동되어 배송 비용 자동 계산
- 휴먼에러·누락·중복 없는 정산 구조
- 향후 비용 폭증·감소 예측이 가능한 데이터 기반 모델 확보
REINDEERS 비용 엔진은 "물리적 운송"을 넘어서 산업형 무역·3PL의 전체 경제 모델을 데이터화한 시스템이다. $130B 이상 규모의 동남아 B2B 시장에서 물류 비용의 투명성은 파트너사의 신뢰와 직결된다. 비용이 어떻게 계산되었는지 근거를 제시할 수 있고, 미래 비용을 예측할 수 있다는 것은 단순한 편의 기능이 아니라 플랫폼의 경쟁력 그 자체다.
시리즈 가이드
이 시리즈는 REINDEERS CORE ENGINE / TECH DEEP DIVE 전체 흐름 중 하나입니다.
- (이전) REINDEERS CORE ENGINE DEEP DIVE — PART 6
- (다음) REINDEERS CORE ENGINE DEEP DIVE — PART 8
- (전체 목록) Part 1(2025-11-22), Part 2, 3, 4, 5, 6, 7, 8