수학적 최적화: 회복탄력적 공급망의 열쇠

물류적 혼돈은 공급망 세계에서 새로운 현상이 아니지만, 코로나19가 초래한 혼란의 규모는 이해관계자들이 전에 본 적 없는 것입니다: 액센추어(Accenture)에 따르면 포춘 1000대 기업의 94%가 팬데믹으로 인한 혼란을 겪었습니다.

다행히 오늘날 기업들은 수학적 최적화 같은 인공지능 기술들을 활용해 공급망 혼란과 싸우고 극복할 수 있습니다.

수학적 최적화는 1980년대부터 공급망 계획과 운영을 위한 필수 기술로 확립되었습니다. 비즈니스 세계 전반의 기업들은 다양한 기성품 및 맞춤형 계획 애플리케이션을 활용해 왔으며, 더 큰 효율성과 수익성을 추구할 뿐만 아니라 혼란을 관리하고 완화하기 위해서도 이를 사용했습니다. 이러한 기술들은 수년간 공급망 민첩성과 회복탄력성을 키우는 데 중추적 도구였습니다.

수학적 최적화는 계획자와 기타 주요 이해관계자들에게 두 가지 유형의 의사결정을 촉진합니다.

• 반응적(Reactive). 실시간으로 혼란을 감지하고, 근본 원인을 식별하고 자원을 동적으로 재할당함으로써 신속하고 효과적으로 대응해 복구 시간을 단축합니다.
• 선제적(Proactive). 공급망 위험을 분석하고 잠재적 혼란을 예측합니다.

수학적 최적화가 어떻게 최적의 반응적, 선제적 의사결정을 주도하고 공급망 혼란을 해결하는지 살펴보겠습니다.

3부 구성 모델

모든 수학적 최적화 애플리케이션은 본질적으로 두 요소로 구성됩니다: 솔버(알고리즘 기반 문제 해결 엔진)와 모델(실제 운영 환경의 모든 복잡성과 과제를 담은 표현 또는 디지털 트윈).

모델은 공급망의 특정 요소(공급업체, 생산, 물류, 창고 운영 등)를 캡슐화할 수도 있고, 엔드투엔드 네트워크 전체를 포괄할 수도 있습니다.

각 모델은 세 부분으로 구성됩니다.

• 의사결정 변수. 공급망 전반의 다양한 지점에서 내려지는 결정들
• 제약 조건. 준수해야 할 비즈니스 규칙들
• 비즈니스 목표. 비용 및 재고 수준 최소화, 자원 활용·정시 배송 성과·고객 만족도 최대화 등 수많은(종종 상충하는) 비즈니스 목표들

혼란이 발생하면, 수학적 최적화 애플리케이션은 실제 공급망이 어떻게 행동하는지 이해하고 구현한 모델 위에 구축되어 있으므로, 사용자들이 다음을 달성할 수 있게 합니다.

• 가시성. 용량 병목, 공급과 수요의 갑작스러운 변동 등 혼란의 근원을 즉각 식별
• 유연성. 현재 공급망 전반의 운영 조건을 반영해 모델을 조정하고, 새 제약 조건, 의사결정 변수, 비즈니스 목표조차 추가
• 민첩성. 계획과 일정을 동적으로 자동 재최적화하고, 혼란을 가능한 한 신속하고 효과적으로 해결할 최선의 행동 방침 결정

수학적 최적화 애플리케이션으로 기업들은 엔드투엔드 네트워크에 대한 실시간 가시성과 통제를 유지할 수 있어, 혼란이 닥쳤을 때 근본 원인을 쉽게 파악하고 신속하게 필요한 조치를 취해 이를 해결하고 비즈니스 연속성을 보존할 수 있습니다.

'연속 지능(Continuous Intelligence)'

머신러닝은 아마도 AI의 가장 잘 알려진 측면으로, 과거 데이터에 의존합니다. 반면 수학적 최적화는 최신 가용 데이터를 활용해 실시간 처방 분석을 제공합니다. 가트너(Gartner)가 이를 공급망 네트워크 전반의 '연속 지능'이라고 부릅니다.

코로나19 팬데믹 때처럼 심각한 공급망 혼란이 닥치면, 기업들은 과거 데이터에 의존해 전례 없는 재정적, 운영적 과제를 탐색할 수 없습니다.

최신 가용 데이터를 활용하고 운영 네트워크 전반의 현재 조건을 포착하는 모델을 사용하기 때문에, 수학적 최적화 애플리케이션은 현재 공급망 문제에 대한 최적의 솔루션을 자동으로 생성하고, 연속 지능과 최적의 의사결정을 가능하게 합니다.

리스크 탐색

공급망 혼란 처리의 중요한 부분은 리스크를 평가하고 미래를 위해 계획하고 준비하는 것입니다. 수학적 최적화의 시나리오 분석 능력으로 기업들은 다음을 할 수 있습니다.

• 탐색(Explore) 다양한 공급, 수요, 재고, 용량, 거시경제, 지정학적 및 기타 가상 시나리오를 탐색하고 비즈니스에 미칠 잠재적 효과 평가
• 발견(Uncover) 숨겨진 리스크를 발굴하고, 자연재해나 생산 또는 운송 붕괴 같은 혼란 발생 시 리스크 노출도와 복구 시간 측정
• 해방(Unlock) 자원 재할당이나 공급망 재구성을 통해 리스크를 완화하고 공급망 회복탄력성을 개선할 기회 발굴

수학적 최적화의 시나리오 분석 기능은 자본 투자, 공급업체 선정, 용량 및 재고 계획, 생산 및 창고 시설 입지 등 여러 영역에서 선제적, 전략적 결정을 가능하게 함으로써 기업들이 미래 혼란의 영향으로부터 공급망을 보호할 수 있게 합니다.

코로나19 팬데믹 동안 우리는 전례 없는 공급망 혼란의 물결을 경험했으며, 이는 글로벌 경제에 중요하고 지속적인 혼돈을 야기하고 공급망 전문가들에게 거대한 과제를 안겼습니다. 수학적 최적화는 공급망 효율성과 수익성을 높이면서 그런 혼란과 싸우는 강력한 무기로 입증되었습니다. 이 AI 기술은 공급망 리더들이 끊임없이 변화하는 비즈니스 환경을 탐색하는 데 필수적인 도구로 계속 남을 것입니다.

에드 로스버그는 구로비(Gurobi)의 공동 창립자이자 최고경영자입니다.