
데이터 기반 물류: 차량 연료비 15% 절감
물류 대기업의 데이터 팀에 합류한 계약 전문가들이 예측 경로 엔진을 구축했습니다.
과제
T.L Logistics는 두 가지 위기를 동시에 겪고 있었습니다. 급등한 연료비, 그리고 탄소 배출이 많은 공급망에 불이익을 주는 새 EU 규제였습니다. 기존 경로 시스템은 정적이어서 미리 계산된 경로에 의존했고, 국경 정체나 날씨, 도로 사고 같은 실시간 변수를 반영하지 못했습니다. 배차 담당자들은 데이터가 아닌 감에 따라 결정을 내렸고, 그 결과 주행거리에서 15%의 비효율이 생기고 SLA 위반이 잦았습니다. 내부 IT 팀은 SAP에는 능숙했지만, 동적이고 데이터 기반인 솔루션을 만드는 데 필요한 데이터 사이언스와 지리공간 엔지니어링 역량이 없었습니다. 복잡한 경로 문제를 수학적으로 모델링할 수 있는 전문가가 당장 필요했습니다.
솔루션
GTEMAS는 T.L Logistics의 엔지니어링 부서에 시니어 Data Scientist 2명과 Geospatial Engineer 1명을 보강해 기존 Scrum 팀에 직접 합류시켰습니다. 'Optimization Engine'의 우선순위와 목표는 T.L의 엔지니어링 리드가 정했고, 배차 담당자를 완전 자동화하지 않고 의사결정 과정에 남겨 두기로 한 결정도 여기에 포함됩니다. 결과물의 검수도 T.L이 맡았고, 모델링 작업을 수행한 엔지니어는 GTEMAS가 관리했습니다. 예측 모델링: GTEMAS 엔지니어는 과거 GPS 로그(3년치)로 머신러닝 모델을 만들어 특정 국경 검문소의 정체 패턴을 예측했습니다. 이 모델은 실시간 날씨·교통 API를 입력으로 받아 경로 구간별로 점수를 매깁니다. 의사결정 지원 시스템: 블랙박스 자동화를 피하라는 T.L의 요구에 따라, 엔지니어들은 'Human-in-the-Loop' 대시보드를 만들었습니다. AI가 비용, 시간, 탄소 배출 기준으로 순위를 매긴 최적 경로 3개를 제안하고 최종 결정은 배차 담당자가 내립니다. 덕분에 배차 담당자의 인지 부담이 크게 줄었습니다.
아키텍처 전략
마이크로서비스 아키텍처를 사용하며, 최적화 서비스(Python/FastAPI)가 REST API로 핵심 TMS(운송 관리 시스템)와 통신합니다. 데이터는 실시간 분석을 위해 Google BigQuery에 적재됩니다.
성과 및 결과
이 프로젝트로 T.L Logistics는 전통적인 운송 회사에서 기술 기반 물류 서비스 회사로 바뀌었습니다. 탄소 감축 지표는 이제 B2B 입찰의 핵심 강점이 되어, 친환경을 중시하는 유통업체와의 계약 수주에 도움이 되고 있습니다.
연간 직접 절감(약 $2M)
도입 전 82%에서 상승
50개 지역 배차 센터 전체에서 사용