안녕하세요 365일 빠른 물류 품고입니다!

지난 콘텐츠에서 품고가 2026년에도 연속 택배비 동결을 이어가겠다는 소식을 전해드렸는데요. 이번 콘텐츠에서는 택배비 동결을 결정할 수 있었던 자세한 이유를 인터뷰를 통해 알려드리려 해요.

택배비를 묶어둘 수 있었던 답은 물류 현장에 있었습니다. 오늘 소개해 드릴 분은 품고에어 팀의 전문권님입니다. 문권님은 입사 초기, 직접 트럭 운전대를 잡고 현장을 누비던 운영 전문가였어요. 누구보다 현장을 잘 아는 문권님은 매일 널뛰는 물동량 때문에 비어 나가는 ‘공차’와 갑작스럽게 비싸게 빌려야 하는 ‘긴급 용차’를 보며 결심했죠. “이 낭비되는 비용만 잡아도 우리 고객사의 택배사를 지켜줄 수 있겠다”라고요!

독학으로 시작한 AI 기술을 현장에 직접 이식해, 물류 낭비를 0에 가깝게 만들고 계신 문권님의 생생한 이야기를 지금 들려드릴게요!

1. 문권님 반가습니다! 간단한 자기소개와 함께 현재 품고에서 어떤 일을 하고 계시는지 알려주세요.

안녕하세요, 품고에어 집화 업무와 새벽배송 야간 관제를 맡고 있습니다. 실시간으로 배송 현황을 모니터링하고, 돌발 상황에 대응하며 안정적인 배송이 이루어질 수 있도록 관리하고 있습니다.

2. 입사 초기에는 직접 트럭 운전대를 잡고 현장을 누비셨다고 들었어요. 운영 전문가였던 문권님이 어떻게 AI 기술까지 직접 다루게 되셨는지 그 계기가 궁금해요.

2022년 12월, 개인 학업을 위해 ChatGPT를 사용하면서 AI의 활용 범위가 생각보다 훨씬 크다는 것을 느꼈습니다. 현장에서는 매일 반복되는 비효율적인 데이터 입력 작업(모니터링을 위해서는 필수적인 작업이지만)과 예측 불가능한 돌발 상황들이 끊이지 않았어요. 그때 '이 문제를 AI로 해결할 수 있지 않을까?'라는 생각이 들었고, 업무 시간 외에 독학으로 공부하며 하나씩 현장에 적용해보기 시작했습니다.

3. 현장을 운영하시면서 목격한 현장의 가장 큰 문제는 무엇이었나요? 그리고 그 문제가 어떻게 브랜드의 택배비 인상으로 이어지는지도 궁금합니다.

집화센터를 처음 운영할 때 월 40만 건 수준으로 시작해서, 지금은 월 100만 건 이상을 처리하고 있습니다. 한 달 평균으로 보면 예상 물량 대비 ±5% 오차율로 안정적인 것처럼 보이지만, 가장 큰 문제는 일일 변동성이었습니다. 하루 단위로 보면 ±10% 이상 널뛰기하는 경우가 많았거든요.

예를 들어, 10대의 차량을 예상하고 준비했는데 실제로는 8대만 필요하면 2대의 공차가 발생하고, 반대로 12대가 필요하면 긴급 용차를 쓸 수밖에 없습니다. 공차는 비용 낭비고, 긴급 용차는 정규 운임보다 30~40% 높은 비용이 듭니다. 이런 비효율이 누적되면 결국 운영 비용이 증가하고, 그 부담이 택배비 인상으로 이어질 수밖에 없는 구조였습니다.

4. 주문이 넘치는데 차가 없거나, 반대로 차는 있는데 주문이 없는 상황이 정말 난감했을 것 같아요. 이 문제를 해결하기 위해 가장 먼저 파헤쳐 본 데이터는 무엇이었나요?

가장 먼저 들여다본 건 외부 요인 데이터였습니다. 예상 물량 대비 오차가 발생하는 원인을 분석해보니, 대부분 고객사의 행사 물량이었거든요. 예상 물량 기준으로 ±20~50% 변동하는 경우가 많았고, 더 큰 문제는 사전 공지 없이 진행되는 프로모션이었습니다.

5. 현장 직원이 직접 AI 모델을 만든다고 했을 때, 회사나 데이터팀의 반응은 어땠나요? 어떤 실질적인 도움을 받으셨는지도 궁금해요.

가장 큰 도움은 데이터팀의 전폭적인 지원이었습니다. 10분 단위로 실시간 데이터를 받을 수 있게 시스템을 구축해주셨어요. 주문부터 마감까지의 세부 속성 값들 ,도착 보장, 휴일 배송, 당일 배송 여부, 박스 크기(CBM) 값 등 을 모두 확인할 수 있었습니다. 이런 세밀한 데이터 없이는 AI 모델 학습 자체가 불가능했을 텐데, 데이터팀에서 현장의 필요를 정확히 이해하고 빠르게 대응해주셔서 프로젝트를 시작할 수 있었습니다.

6. 기술팀이 아닌 물류 현장에서 직접 기술을 구현하셨는데요. '물류 현장'에서 직접 기술을 입혔을 때만 나타나는 특별한 시너지가 있었을까요?

가장 큰 시너지는 '속도'였습니다. 현장에 있다 보니 문제가 생기면 즉시 파악하고, 바로 대응할 수 있었어요. 예를 들어, 업무 자동화를 통해 매일 2~3시간씩 소요되던 수작업을 줄였고, 실시간으로 데이터를 확인하며 빠른 의사결정을 내릴 수 있었습니다. 이를 통해 배차 리스크를 최소화하고, 긴급 상황에도 유연하게 대처할 수 있게 되었습니다.

7. 문권님이 설계한 물동량 예측 프로세스, 이해하기 쉽게 한마디로 설명해주신다면요?

쉽게 말하면, 실시간으로 들어오는 주문을 보면서 "오늘 마감까지 총 몇 건이 들어올 것인가"를 미리 예측하는 겁니다. 10분 단위로 실시간 주문 데이터를 받아서, AI 모델이 과거 패턴을 바탕으로 마감 시간까지의 예상 물량을 계속 업데이트해줍니다. 이를 통해 추가 배차가 필요한지, 감차해야 하는지 몇 시간 전부터 미리 판단하고 대응할 수 있게 됩니다.

8. 이 예측 시스템을 움직이는 핵심 AI 기술들은 구체적으로 어떤 것들인가요?

크게 세 가지 AI 기술을 활용했습니다. 선형 회귀는 일종의 '평균 계산기'입니다. "평일 오후엔 평균 100건, 주말엔 80건"처럼 과거 데이터로 기본 패턴을 파악합니다.

시계열 외삽법은 '현재 속도로 달리면 어디까지 갈까'를 계산하는 겁니다. 지금까지의 주문 증가 속도를 보고 마감까지 총 몇 건이 들어올지 예측합니다. 통계적 이상치 탐지는 '이상 신호 감지기'입니다. 평소와 다르게 주문이 급증하거나 급감하면 즉시 알려줘서 긴급 대응할 수 있게 합니다. 10분마다 업데이트되는 빠른 예측이 필요했기 때문에 우선 이 세 가지 검증된 기술로 시스템을 구축했습니다.

동시에 더 정교한 예측을 위해 LSTM과 딥러닝 모델도 개발 중입니다. LSTM은 '장기 기억 AI'라고 할 수 있는데, 단순히 최근 패턴만이 아니라 몇 주, 몇 달 전 패턴까지 기억해서 "작년 이맘때도 비슷한 상황이었지"를 학습합니다. 딥러닝은 여러 변수들(날씨, 요일, 프로모션, 경제 상황 등)의 복잡한 관계를 동시에 분석하는 고급 AI입니다.

다만 이런 모델들은 제대로 학습하려면 방대한 양의 데이터가 필요합니다. 현재 데이터를 계속 축적하며 검증하는 단계에 있고, 충분한 데이터가 확보되면 예측 정확도를 더욱 높일 수 있을 것으로 기대하고 있습니다.

9. 위 AI기술이 택배비를 얼마나 아껴줄 수 있었는지 알 수 있을까요?

정확한 수치로 말씀드리기는 어렵습니다. 택배비에는 AI로 통제할 수 없는 다양한 변수들이 있거든요. 유가가 오르면 운송비가 올라가고, 잡화 물량 비율이나 박스 크기에 따라서도 비용이 달라집니다. 그럼에도 불구하고, 물량 예측 정확도가 높아지면 분명히 비용 절감 여지가 생깁니다.

정확한 금액을 말씀드리기는 어렵지만, 예측 정확도 1%가 올라갈 때마다 불필요한 비용이 줄어드는 건 분명합니다. 그리고 이런 효율성 개선이 쌓이면 결국 택배비 동결이나 안정화로 이어질 수 있다고 생각합니다.

10. 폭설 같은 기상 악화나 갑작스러운 프로모션은 AI도 맞히기 어려울 것 같은데요. 이런 돌발 변수와 현장의 간극은 어떻게 메우고 계시나요?

갑작스러운 변수를 최소화하기 위해 외부 데이터를 실시간으로 연동했습니다. 기상청 날씨 데이터로 폭설이나 악천후를 미리 파악하고, 한국은행 Open API를 통해 소비 관련 지표, 산업 활동 지표, 계절성 지표, 거시경제 지표 등을 활용해 시장 흐름을 반영합니다. 이런 데이터들을 10분 단위로 업데이트되는 실시간 주문 데이터와 결합해서, 예상치 못한 변수가 생겨도 빠르게 대응할 수 있도록 시스템을 구축했고, 현재 검증 단계에 있습니다.

11. 프로젝트를 진행하며 포기하고 싶었던 순간은 없었나요? 문권님을 끝까지 움직이게 한 원동력이 무엇인지 궁금합니다.

데이터팀에서 전폭적으로 지원해주셔서 기술적인 어려움은 크지 않았습니다. 오히려 "어떻게 하면 집화를 안정적으로 운영할 수 있을까"를 고민하고 방법을 찾아가는 과정 자체가 원동력이었던 것 같습니다.

해결 방식은 우선순위를 나눠서 접근했습니다. 단기적으로 바로 적용할 수 있는 것은 즉시 실행하고, 중장기적으로 해결해야 하는 과제는 일정에 맞춰 단계적으로 진행했습니다

12. 예측 정확도를 85%까지 끌어올리기까지 어느 정도의 시간이 걸렸나요?

사실 각 센터의 예상 물량 예측 자체는 집화 업무를 시작할 때부터 이미 85% 이상의 정확도를 보였습니다. 월 평균으로 보면 예상 물량 대비 ±5% 오차율이었으니까요. 문제는 '평균'이 아니라 '일일 변동성'이었습니다. 한 달 전체로 보면 안정적이지만, 하루 단위로는 ±10~30% 이상 널뛰기하는 상황이었거든요. 그래서 저희가 해결하고자 한 건 단순히 정확도를 높이는 게 아니라, 일일 변동성을 줄이는 것이었습니다.

13. 이제 높은 수치인 정확도 95%를 바라보고 계신데요. 이를 위해 현재 가장 공들이고 있는 부분은 무엇인가요?

네, 현재 목표는 95% 정확도입니다. 이를 위해 가장 집중하고 있는 건 외부 데이터의 고도화입니다. 고객사별 프로모션 정보와 과거 프로모션 수량 데이터, 날씨 정보, 경기 지표, 환율 정보 등 외부 공공 데이터를 수집해서 딥러닝 모델에 학습시키고 있습니다. 이런 다양한 변수들을 AI가 학습하면, 일일 변동성을 더 정확하게 예측할 수 있을 거라 기대하고 있습니다.

14. 문권님이 최종적으로 도달하고 싶은 목표는 정확도 100%인가요, 아니면 어떤 상황에도 흔들리지 않는 물류 안정성인가요?

현재 95% 정확도를 목표로 하고 있는 이유는, 집화 센터 기준으로 마지막 차량 적재율이 70% 정도일 때가 가장 이상적이기 때문입니다. 만약 100%에 맞춰 빡빡하게 운영하면, B2B 긴급 출고나 마감 시간 직전 대형 박스 주문 같은 돌발 변수가 생겼을 때 차량을 못 태우는 위험이 발생합니다.

결국 예측 정확도를 높이는 것도 중요하지만, 어떤 변수에도 흔들리지 않는 물류 안정성을 확보하는 게 궁극적인 목표입니다.

15. 만약 예측이 완벽해진다면, 품고는 앞으로도 택배비 동결을 이어갈 수 있을까요? 나아가 우리 고객사와 이커머스 업계에 어떤 가치를 전할 수 있을지 궁금합니다.

솔직히 말씀드리면, 택배비 동결을 100% 보장할 수는 없습니다. 유가나 인건비 같은 통제 불가능한 변수들이 있으니까요. 하지만 예측이 정확해질수록 불필요한 낭비를 줄이고, 비용 안정화에 분명히 기여할 수 있습니다.

제가 더 의미 있다고 생각하는 건, 고객사에게 더 나은 서비스를 제공할 수 있는 기반을 만든다는 점입니다. 처음 집화를 시작했을 때는 N-도착 서비스 하나만 제공했어요. 지금은 N-도착뿐만 아니라 당일 배송, 휴일 배송, 새벽 배송까지 서비스를 확장할 수 있게 되었습니다.

안정적으로 물량을 예측하고 관리할 수 있는 시스템이 뒷받침되었기 때문입니다. 고객사 입장에서는 더 다양한 배송 옵션을 제공할 수 있게 되었고, 이커머스 업계 전체적으로는 고객 만족도와 서비스 경쟁력이 높아진다고 생각합니다. 아주 작은 보탬일지 모르지만, 이런 안정성이 결국 업계 전체에 가치를 제공한다고 믿습니다.

정확도 100%보다 더 중요한 가치, ‘물류 안정성’입니다

문권님의 답변 내용에서도 알 수 있듯, 품고의 목표는 단순히 숫자를 100%에 맞추는 것이 아닙니다.

어떤 돌발 변수에도 흔들리지 않는 물류 안정성을 만들어, 브랜드가 오직 성장에만 전념하도록 돕는 것이 품고의 진짜 가치입니다. 4년 연속 택배비 동결이라는 결실을 맺은 품고는 이제 국내를 넘어 일본 물류의 한계마저 기술로 뛰어넘으려 합니다!

국내외 안정적인 물류를 넘어, 일본 전역의 배송 속도를 획기적으로 줄여나가는 품고의 도전과 성과가 궁금하시다면, 다음 콘텐츠에서 관동 지역의 리드타임을 최대 1.5일 줄인 방법을 확인해보세요. 한국에서 일본까지 3일 도착 보장을 향해 앞으로 나아가는 품고의 행보를 지켜봐 주세요!

카테고리 다른 글 보기