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 제안하는 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 수 있다. 특히 SKU가 수천 개를 넘어가면 사람의 직관만으로는 최적 배치를 판단하기 어렵다. 재배치 엔진은 지난 7일간의 출고 이력과 향후 14일간의 예측 출고량을 모두 참조한다.
20.2 AI 재배치 판단 로직
1. SKU별 회전율 계산 (최근 7일 / 30일 / 90일 가중 평균)
2. 현재 Zone/Bin 점유율 분석
3. 피킹 동선 시뮬레이션 (과거 24시간 기준)
4. FEFO / LOTT(로트) / CBM 제약 적용
5. Zone별 트래픽 분산 계산
6. "재배치 필요 점수" 계산
7. 임계값 초과 시 재배치 작업 자동 생성
각 단계는 순차적으로 실행되며, 4번 단계에서 제약 조건을 위반하는 이동은 자동으로 필터링된다. 예를 들어, 냉장 보관이 필요한 SKU를 상온 Zone으로 이동하는 제안은 생성되지 않는다. 위험물 Zone에서 일반 Zone으로의 이동도 마찬가지다.
20.3 재배치 점수 공식
모든 점수는 실시간 데이터 기반이며, 각 가중치는 창고 운영 정책에 따라 조정 가능하다.
relocation_score =
(turnover_weight * turnover_change_pct) +
(distance_weight * avg_picking_distance) +
(expiry_weight * expiry_risk_factor) +
(traffic_weight * zone_traffic_congestion)
- turnover_change_pct: SKU 회전율 변화율. 최근 7일 대비 이전 30일 평균과의 차이
- avg_picking_distance: 현재 위치에서 출고 스테이션까지의 평균 이동 거리(미터 단위)
- expiry_risk_factor: 유통기한까지 남은 일수의 역수. 임박할수록 값이 커짐
- zone_traffic_congestion: 해당 Zone에서 동시 작업자 수 대비 통로 용량의 비율
점수가 임계값 이상이면 재배치 작업이 자동 생성된다. 임계값은 물류사별로 다르게 설정할 수 있으며, 기본값은 0.7이다. 0.5~0.7 구간은 "권장 재배치"로 분류되어 관리자에게 알림만 전달되고, 0.7 이상은 작업이 자동 생성되어 WMS 직원 앱에 푸시된다.
21. Dynamic Slotting (동적 로케이션 최적화)
Slotting은 "상품을 어디에 둘지 결정하는 기술"이다. 물류센터에서는 이 기능 하나로 피킹 효율이 크게 달라진다. 고정 로케이션 방식에서는 한 번 배치하면 수개월간 같은 위치에 머무르지만, Dynamic Slotting은 출고 패턴 변화에 따라 위치를 지속적으로 재계산한다.
21.1 AI Slotting Algorithm
1) 배송 빈도 높은 SKU → 입구 근처 Zone (피킹 거리 최소화)
2) 중량 높은 SKU → 낮은 Rack/Bin (안전 + 작업 효율)
3) 냉장/위험물 → 전용 Zone (법적 제약 준수)
4) 회전율 높은 SKU → 중앙 Zone (동선 분산)
5) 회전율 낮은 SKU → 후방 Zone (공간 효율)
6) 고객사 전용 SKU → 고객사 Zone (3PL 계약 조건)
7) 묶음 출고 SKU → 인접 로케이션 (세트 피킹 최적화)
AI는 모든 조건(제약 + 최적화)을 동시에 적용하여 위치를 추천한다. 입고 시 상위 3개의 추천 위치가 모바일 앱에 표시되며, 작업자는 그 중 하나를 선택하거나, 수동으로 다른 위치를 지정할 수 있다. 수동 지정의 경우 그 이유와 결과가 AI 학습 데이터로 반영된다.
Slotting 알고리즘은 단순 규칙 기반이 아니라, 조건 간 충돌이 발생할 때 가중치 합산을 통해 최적의 절충점을 찾는다. 예를 들어 회전율이 높으면서 동시에 중량이 무거운 SKU는 낮은 층이면서도 입구에 가까운 위치가 선택된다.
22. Dynamic Picking Route Optimization
WMS에서 가장 중요한 것 중 하나는 "피킹 동선 최적화"이다. REINDEERS는 실제 창고의 Zone/Rack/Bin 레이아웃을 바탕으로 그래프 기반 최단 경로 탐색 알고리즘을 사용한다. 일반적인 WMS가 고정된 피킹 순서를 사용하는 것과 달리, REINDEERS는 실시간 혼잡도와 작업자 위치를 반영하여 경로를 동적으로 계산한다.
22.1 그래프 모델링 방식
- Node: Zone / Rack / Bin (각 피킹 포인트)
- Edge: 이동 가능한 경로 (거리, 혼잡도, 방향 포함)
- Weight: 거리 + 트래픽 혼잡도 + 작업자 충돌 리스크
피킹 작업 시 아래와 같은 최단 경로 분석이 이루어진다.
최단 경로 = dijkstra(graph)
또는 zone 간 대규모 계산 시 A* (A-star)
Dijkstra 알고리즘은 단일 Zone 내 경로 계산에 사용되고, 여러 Zone을 걸치는 대규모 피킹 주문의 경우 A* 알고리즘으로 전환된다. A*의 휴리스틱 함수는 Zone 간 직선 거리를 기반으로 설정되어 있으며, 이를 통해 계산 시간을 Dijkstra 대비 40% 이상 단축할 수 있다. 다수의 작업자가 동시에 피킹할 때는 각 작업자의 현재 위치를 고려하여 동선 충돌을 최소화하는 협업형 피킹 경로가 생성된다.
23. 재고 흐름 기반 Dynamic Warehouse Optimization
창고 전체를 "고정 구조"가 아닌 동적으로 최적화되는 구조로 설계하였다. 기존 WMS는 창고 레이아웃이 한 번 설정되면 수개월 혹은 수년간 변하지 않는다. 하지만 실제 물류 운영에서는 고객사 구성, 시즌, 입출고 패턴이 끊임없이 변한다.
23.1 AI가 판단하는 주요 요소
- 출고 피크 시간대 — 시간별 출고량을 분석하여 작업자 배치에 반영
- 입고 트래픽 증가 패턴 — 특정 요일에 입고가 집중되는지 확인
- SKU별 회전율(Weekly / Monthly) — 단기/장기 추세를 함께 분석
- SKU 단위 크기(CBM) — 물리적 공간 점유율 계산
- 거래량 증가/감소 추세 — 향후 2주간 예측 출고량 포함
- 고객사별 출고 정책(FEFO, LIFO 등) — 정책에 따른 위치 제약
- Zone별 혼잡도 — 동시 작업자 수와 통로 폭의 비율
23.2 AI 최적화 대상
- SKU 위치(가장 큰 영향) — 전체 피킹 효율의 60% 이상을 좌우
- 작업자 동선(피킹 루트) — 일일 이동 거리를 20~30% 감소 목표
- Zone 가중치 — 트래픽이 높은 Zone의 SKU 밀도 조절
- Rack 재배치 — 물리적 Rack 위치 변경 제안 (분기 단위)
- 창고 내 부하 분산 — 작업자 간 업무량 균등 배분
모든 요소들이 AI 모델의 입력값으로 들어가며, AI는 Slotting → Routing → Rebalancing 순으로 재고를 최적 구조로 재배열한다. 이 세 단계는 독립적으로 실행될 수도 있고, 매일 새벽 배치 작업으로 한꺼번에 실행될 수도 있다.
24. AI 재배치 작업 생성 프로세스
AI는 매일 새벽 2~4시에 재배치 작업을 자동 생성한다. 이 시간대를 선택한 이유는 창고 운영이 중단된 시간에 분석을 수행하고, 오전 작업 시작 전에 재배치 리스트를 준비해 두기 위함이다. 배치 작업 자체는 평균 15~20분 내에 완료된다.
1. 재고 분석 (전체 SKU 위치 + 수량 스냅샷)
2. Zone 트래픽 계산 (전일 피킹 로그 기준)
3. SKU 회전율 업데이트 (7일/30일 가중 평균)
4. 만료 위험 분석 (FEFO 정책 적용)
5. 재배치 후보 선정 (점수 기준 상위 N개)
6. 우선순위 점수 계산 + 제약 조건 필터링
7. 재배치 작업 생성 (출발 Bin → 도착 Bin 매핑)
8. WMS 직원 앱에 Push 알림 전송
24.1 재배치 작업 예시
- SKU: A1234
- Reason: 회전율 증가 (지난주 대비 +27%)
- Current: Zone B / Rack 12 / Bin 03
- Move To: Zone A / Rack 02 / Bin 11
- Benefit: 피킹 평균 거리 26% 감소
- Priority: HIGH
- Constraint Check: 온도 OK / 하중 OK / 고객사 Zone OK
작업자는 단순히 "이동"만 수행하며 판단은 AI가 담당한다. 작업 완료 후 바코드 스캔으로 확인하면, 새 위치가 즉시 재고 시스템에 반영된다. 만약 작업자가 제안된 위치가 아닌 다른 위치에 배치한 경우, 그 편차 데이터는 AI의 다음 판단에 피드백으로 반영된다.
25. RAG 기반 창고 Policy Decision Engine
RAG는 단순 문서 검색이 아니라, "창고 정책 결정"에도 사용된다. 물류 창고에는 고객사별 계약 조건, 안전 규정, 보관 기준 등 수십 가지의 정책 문서가 존재한다. 이 정책들은 자주 변경되고, 작업자가 모든 내용을 기억하기는 불가능하다.
25.1 Policy Decision 예시
- "고객사 A는 FEFO가 맞는가?" — 계약서 기반 자동 확인
- "위험물 Zone에 SKU B를 둘 수 있는가?" — MSDS 문서 참조
- "4층 Rack에 20kg 박스를 배치해도 되는가?" — Rack 하중 제한 테이블 참조
- "이 SKU는 냉장 Zone 필수인가?" — 상품 마스터의 보관 조건 확인
RAG는 기존 정책 문서 + 물류 규정 + 고객사 계약 조건을 벡터화해 AI가 논리적으로 판단하도록 구성된다. 정책 문서가 업데이트되면 자동으로 재인덱싱되며, AI는 항상 최신 버전의 정책을 참조한다. 이 구조 덕분에 신규 입사자도 정책을 숙지하지 않은 상태에서 WMS 앱의 안내만 따라 작업할 수 있다.
26. AI 기반 실사 자동 스케줄링
REINDEERS는 실사(Inventory Audit) 역시 AI로 스케줄링한다. 전통적인 창고 실사는 전체 재고를 정기적으로 점검하는 방식이지만, 이는 시간과 인력 소모가 크다. AI 기반 실사는 위험도가 높은 SKU를 우선 선별하여 제한된 리소스로 최대한의 정확도를 확보하는 방향으로 설계되었다.
26.1 실사 스케줄링 규칙
- 유통기한 임박 SKU 우선 — 만료 30일 이내 SKU 자동 선별
- 최근 90일간 회전율이 비정상적인 SKU 우선 — 시스템 수량과 실물 불일치 가능성
- Zone 혼잡도가 높은 구역의 SKU 우선 — 피킹 오류 확률이 높은 위치
- 최근 피킹 오류 발생 SKU 우선 — 이미 불일치가 감지된 품목
26.2 실사 목록 자동 생성
- Zone A: 11개 SKU (우선순위: 보통)
- Zone C: 4개 SKU (우선순위: 보통)
- Zone F: 18개 SKU (우선순위: 높음 - 피킹 오류 3건 감지)
- 총 예상 소요 시간: 2시간 30분
WMS 직원 앱은 이 리스트를 그대로 받아 작업을 수행한다. 실사 결과에서 불일치가 발견되면 해당 데이터는 즉시 재고 시스템에 반영되고, AI는 불일치 패턴을 학습하여 다음 실사 스케줄링의 정확도를 높인다.
27. WMS 전체 최적화 엔진 요약
- AI Slotting Engine — 입고 시 SKU 위치 자동 결정, 상위 3개 후보 제시
- AI Rebalancing Engine — 매일 새벽 재배치 자동 제안, 임계값 기반 작업 생성
- Dynamic Picking Route Optimization — Dijkstra/A* 기반 최단 루트 계산
- Digital Twin 기반 시뮬레이션 — 창고 레이아웃 변경 전 가상 검증
- CDC 기반 이벤트 동기화 — 재고 변동 즉시 반영, 폴링 없는 실시간 구조
- RAG 기반 Policy Validation — 정책 문서 벡터 검색으로 제약 조건 자동 확인
이 모든 엔진은 "사람이 판단하는 영역"을 최소화하고, 실제 창고 운영의 80% 이상을 시스템이 자동으로 제안하거나 관리할 수 있도록 설계되어 있다. 멀티테넌트 SaaS 구조에서 각 물류사는 자사의 운영 데이터만으로 AI가 학습하며, 테넌트 간 데이터는 철저히 분리된다. REINDEERS DVRP 베타가 2026년 3월에 시작되었고, 이 WMS 최적화 엔진은 DVRP와 통합되어 입고부터 배송까지 하나의 AI 파이프라인으로 연결되는 구조를 목표로 하고 있다.
시리즈 가이드
이 시리즈는 REINDEERS CORE ENGINE / TECH DEEP DIVE 전체 흐름 중 하나입니다.
- (이전) REINDEERS TECH DEEP DIVE — Part 3
- (다음) REINDEERS CORE ENGINE DEEP DIVE — PART 5
- (전체 목록) Part 1(2025-11-22), Part 2, 3, 4, 5, 6, 7, 8