인사이트

인사이트

새로운 관점으로 깊이 있는 통찰을 제시합니다.

애널리틱스/AI

시스템 다이내믹스 기반 비즈니스 혁신 Case Study: 시장 변동요인을 고려한 물류운임 예측

2019.07.04이승근
다운로드

Abstract

물류운임을 정확히 예측하는 것은 화주사와 물류사(3PL사, 항공 및 해운사) 간 합리적인 운임계약뿐만 아니라 각 사의 운송계약 전략 수립에도 영향을 미치는 매우 중요한 주제이다. 하지만 항공과 해상 물류운임은 화물 수요, 유가, 운송용량 변동 및 항공사나 해운사와 같은 물류실행사의 가격방어 전략 등으로 인해 예측하기 어려운 영역이다.

본 프로젝트는 시스템 다이내믹스(System Dynamics) 기법을 활용하여 운임결정에 연관된 주요 인자들의 시간 흐름에 따른 영향도를 고려한 물류운임 예측모델을 개발하였다. 특히 활용 가능한 수준의 예측정확도를 확보하였고, 운임변동 원인을 설명할 수 있도록 모델을 정교화하였다. 나아가 물류운임 예측에 기반한 화주사와 물류사 간 운임계약 프로세스를 정비하여 단순한 참조치를 제공하는 것이 아닌, 실질적 혁신을 이끌어 내고자 하였다. 본 프로젝트를 통해 글로벌 3PL 회사인 고객사는 화주사와 물류사 간 운임계약 협상 시 과학적인 근거를 토대로 합리적인 합의기준을 제시할 수 있게 되었다.

 

 

1. 프로젝트 배경

프로젝트 수행 전, 3PL사와 화주사는 물류운임 계약협상에 난항을 겪고 있었다. 물류운임 협상에 요구되는 합리적 합의기준이 없었기 때문에 3PL사는 화물수요량 증가와 같이 물류운임 인상에 유리한 시황을 근거로 운임 상향조정을 요구하고, 화주사는 유가 하락과 같은 이유를 들어 계약운임 할인을 고집하는 등 매년 2회 실시하는 물류운임 계약과정에서 협상과 입찰을 수 차례씩 반복하고 있었다.

이 문제의 해결방법은 공신력 있는 물류정보 서비스 회사를 통해 물류운임 예측정보를 확보하거나, 정확도 높은 운임 예측모델을 직접 개발하는 것이다. 조사 결과, 물류운임 등락에 대한 전문가 의견이나 대략의 장기 예측치는 전문 정보제공 회사를 통해 일부 확보할 수 있었지만, 단기 계약협상에 필요한 상세한 물류운임 예측정보는 제공받을 수 없었다. 이에 회귀모델을 직접 개발하여 활용하고자 하였으나 이 또한 협상의 근거가 될 만큼의 예측정확도나 설명력을 갖추지 못하는 수준인 것으로 나타났다. 이에 3PL사는 화주사와 물류운임 협상 시 합리적 근거로 활용할 물류운임 예측모델을 직접 개발하기로 결정하였다.

 

 

2. 시스템 다이내믹스 기법 선정 배경

시스템 다이내믹스란 예측 대상에 영향을 미치는 인자 간의 상호 연관성을 고려한 복잡계 예측기법이다. 국내에서는 자동차 수요, 석유제품 가격, 조류독감 전파경로, 공무원연금 운용 등 다이내믹스가 큰 비즈니스 영역을 예측할 때 적용된 사례가 있다.

시스템 다이내믹스 기법이 물류운임 예측에 적합한 이유는 다음과 같다.

물류운임 결정과정은 기본적으로 수요-공급 원칙을 따른다. 공급이 많아져서 운임이 하락하면 물류실행사는 공급용량을 의도적으로 감소시켜 운임 하락을 방어할 수 있다. 반면 수요가 증가할 경우 이에 대응하기 위해 공급을 늘림으로써 운임 상승이 둔화되는 등 물류운임은 인자 간 상호 연관관계에 따라 끊임없이 변화한다. 기존에 시도되었던 회귀분석 모델은 영향인자의 독립성을 필요로 한다는 전제에 따라 인자 선택이 제한적이며, 더욱이 시간 흐름에 따라 인자의 영향력은 변화하지만 회귀모델의 인자 설명력은 이를 표현하기 어렵다. 따라서 시간 흐름이 인자 사이에 미치는 영향력을 고려한 예측이 가능하고, 운임변동에 대한 인자 간 영향력 변화를 설명할 수 있는 시스템 다이내믹스 모델이 가장 적합하다고 판단하였다.

 

 

3. 물류비 예측모델 개발

1) 운임변동 시나리오 정의

가장 먼저 해야 할 일은 물류운임에 영향을 주는 후보 인자를 선정하는 일이다. 이를 위해 항공, 해상의 권역(북미, 남미, 유럽, 중동, 아시아)별 물류 담당자와 협의하여 수요, 공급, 유가, 전략 요소를 반영한 물류운임 변동 시나리오를 작성하였다.

그림 1 - 운임변동 시나리오 및 컨셉 다이어그램_ 운임변동 시나리오-수요증가→운임증가(물동량 추세(항공FTK, 해상물동량), 계절성, 경제전망(구매지수,생산지수)), 공급증가→운임하락(Capacity 추세(항공 AFTK, 해당컨테이너 Capa)), 계절성, 수요증감추이(수요증감에 따른 공급할당), 유가증가→운임증가(유가 증감추세, 지연효과(Timelag:일정시간 후 영향)), 전략적 운임조정(수요 비 공급 증감에 따른 공급조정(항공 Load Factor, 해상소석률/Idle Fleet),실행사 손익관리 위한 운임조정). Concept Diagram : 경제(PMF 생산지수), 수요(컨테이너 물동량), 공급(컨테이너 Capacity), 전략1(Load Factor), 전략2(Idle Fleet), 유가(항공유가)가 운임(TAC CSS)

시나리오에서 보는 것처럼 화물수요가 늘어나면 물류실행사는 공급을 늘려 매출 확대를 꾀하고, 수요와 공급 차가 크면 공급량(항공 Load Factor, 해상 소석률)을 조정하여 운임하락을 방어하는 등 각 인자는 상호 연관관계를 갖게 되며 분석모델은 이러한 비즈니스 현실을 반영하고 있어야 한다.

 

2) 시스템 다이내믹스 모델링

시스템 다이내믹스를 활용한 모델링은 인자와 예측대상 간의 상호관계를 구조화하고 최선의 예측값을 생성하도록 몬테칼로 시뮬레이션을 통해 인자별 모수를 찾아가는 ‘학습형 모델’이라고 할 수 있다.

그림 2 - 시스템 다이내믹스 분석모델링 개념_1. 인자별 실적을 활용한 모델링 : 모델링 개념: 운임n = P1n수요n x p2n공급n x p3n전략n x p4n유가n 2. 예측 인자별예측 → 운임예측

경험을 통하여 볼 때, 인자 간의 연관성이 높은 경우에는 인자 간의 관계를 곱셈으로 모델링하고, 인자 간의 연관성이 낮고 독립적인 경우에는 인자 간 관계를 덧셈으로 모델링 하는 것이 가장 적합한 결과를 도출한다. 우리는 인자 간의 연관성이 높은 물류운임 결정과정의 특성에 따라 곱셈관계의 모델을 적용하였으며([그림 2]의 ①) 모델링은 벤심(Vensim)이라는 시스템 다이내믹스 모델링 전용 에디터를 사용하였다.

물류운임을 예측하기 위해서는 앞서 정의한 영향인자의 미래값도 산출해야 한다.([그림 2]의 ②) 즉, 수요, 공급, 전략, 유가의 미래값을 예측하는 모델도 운임변동 시나리오와 유사한 시나리오를 정의하여 영향인자의 미래값을 예측해야 하는 것이다.(본 아티클에서 인자 예측 모델링 과정은 생략한다.)

모델링을 통해 12개 구간의 항공운임과 7개 구간의 해상운임을 예측하기 위한 총 19개 모델을 개발하였다. 또한 구간별 수요, 공급, 전략 변수를 예측할 수 있는 모델도 함께 개발하였다.

 

3) 예측 결과

19개 예측모델 가운데 상해-북유럽 간 해상운임 지수인 북유럽 SCFI(Shanghai Containerized Freight Index, 상해 컨테이너 운임 지수) 예측결과를 설명하도록 한다.

모델링 과정은 ‘학습’과 ‘테스트’로 나뉜다. 본 프로젝트에서는 총 55개월 간의 과거데이터를 다루었는데 그 중 45개월 치는 학습을 위하여 사용하고 나머지 10개월 치는 정의된 모델이 얼마나 잘 예측되는지를 테스트하는 용도로 활용했다. 모델의 예측력을 설명하기 위해서는 ‘모델 정확도’와 ‘예측 정확도’를 모두 살펴보아야 한다. 모델 정확도란 정의된 모델이 학습기간 동안의 실운임을 얼마나 잘 설명하는지를 의미하고, 예측 정확도란 정의된 모델이 예측하려고 하는 구간의 물류운임을 얼마나 정확하게 맞추는지를 나타내는 것이다. (정확도 = (예측치-실적치)/실적치)

모델 정확도를 높이기 위하여 모델을 지나치게 학습시키면 오히려 미래구간의 예측력이 저하되는 과적합(Overfitting) 문제가 발생하므로 주의 깊은 학습조건 결정이 요구된다.

그림 3 - 상해 - 북유럽 해상 컨테이너 운임 예측결과_2014년 1월부터 2017년 9월까지 45개월 간의 데이터를 학습시켜 예측모델을 정의한 결과, 학습기간 모델 정확도는 85.1%나타남. 이 모델을 테스트구간에 적용하여 2017년 10월~2018년 7월까지 10개월 간 예측을 수행한 결과, 90.4%의 예측정확도를 얻었으며 월간 운임 등락을 따르는 양질의 예측결과를 확인할 수 있는 그림.

2014년 1월부터 2017년 9월까지 45개월 간의 데이터를 학습시켜 예측모델을 정의한 결과, 학습기간 모델 정확도는 85.1%로 나타났다.(과적합 시킬 경우 96%까지 정확도를 높일 수 있음.) 이 모델을 테스트구간에 적용하여 2017년 10월~2018년 7월까지 10개월 간 예측을 수행한 결과, 90.4%의 예측정확도를 얻었으며 월간 운임 등락을 따르는 양질의 예측결과를 확인할 수 있었다. 참고로 적정 예측정확도 수준에 대한 명확한 기준은 없지만, 업계 전문가들은 전략요소에 따른 운임 변동이 심한 해상 컨테이너 운임지수를 80% 이상의 정확도로 예측하는 것이 매우 어려운 일로 보고 있음을 밝힌다.

 

4) 인자 영향도 분석

예측정보가 합의 기반으로 활용되기 위해서는 관계자들이 인자의 영향력을 이해하고 동의하는 것이 중요하다.

[그림 4]에서 북유럽 SCFI의 변동을 인자 간의 영향력 관점에서 해석해 보면 유가의 등락이 전반적인 운임 변동에 가장 큰 영향을 미치고 있으나, 공급과잉 시장이라는 특성 상 해운사들은 선박 운항을 중지하고 항구에 정박해두는 계선을 통해 가용화물량을 조정하거나 선박 내 화물적재 공간을 변경하는 등의 전략을 운용해 운임하락 방어에 힘쓰고 있는 것으로 해석할 수 있다. (영향력 그래프에서 운임 증감 영향력은 0에서 멀어질수록 커지며, +는 증가, -는 감소시키는 경향을 의미)

그림 4 - 기간별 인자 영향도 분석_ 운임 예측 구간에 SCFI 운임하락 시가, SCFI 운임 상승시기, SCFI 악하락시기로 구분하여 검색량과 예층량이 일치하는 그래프를 표시 하며, 주요인자(수요, 전략, 공급, 유가, 개선량)에 대한 영향력을 나타내는 그래프

 

 

4. 활용 시나리오

많은 분석 전문가들은 기대와 달리 분석결과가 실질적 비즈니스 성과로 연결되지 못하는 경우를 경험해 왔다. 낮은 예측정확도와 같은 저조한 분석성능, 분석결과에 대한 설명력 부족(딥러닝의 모델의 경우, 훌륭한 분석성능에 비해 결과에 대한 설명력 한계로 인하여 제한적으로 활용됨) 등이 원인일 수 있지만 이를 비즈니스 현장에 어떻게 적용할지에 대한 시나리오 정의가 미흡하기 때문인 경우도 많다.

우리는 물류운임 예측결과가 화주사와 물류사 간 운임계약에 활용될 수 있는 프로세스를 정의하여 양사 간 계약 프로세스를 혁신할 수 있도록 하였다.([그림 5] 참조)

먼저 예측대상인 구간별 물류운임(SCFI, CASS, TAC 등)은 변동이 큰 단기운임임을 고려할 때, 중기 및 대물량 운임계약에 단기 예측운임을 적용하기 위해 단기시장의 운임변동을 어느 수준으로 계약에 반영할 것인지 합의토록 하였다. 예를 들어 변동 반영률을 30%로 가정할 경우, 예측운임이 20% 증가하면 계약 인상률은 6%가 증가하는 식으로 협의할 수 있다. 또한 예측정확도가 100%가 되지 않는 한, 예측 대비 실적은 차이가 날 수 밖에 없으며 당기 계약의 차이에 대한 보정을 차기 계약에 반영할 수 있는 보정률에 대한 합의기준도 마련하였다.

그림 5 - 예측기반 계약운임 프로세스_ 구간별 시장운임예측(차기 계약기간)-시장운임 변동 반영률 합의(% 증가 합의)-통합계약 및 운영-구간별 시장운임 실적 점검(예측vs.실적%증감)-차기계약 보정률 합의(예측오차에 대한 차기 운임 보정률 산출)-다시 통합 계약 및 운영으로 이동

 

 

5. 프로젝트 공헌 및 추가 고려사항

시스템 다이내믹스를 활용한 물류운임 예측을 통하여 우리는 업무에 적용 가능한 수준의 유의미한 예측정확도를 확보하고 인자 간의 관계 변화에 따른 운임변동을 설명할 수 있는 방안을 제시하였다. 결과적으로 화주사와 물류사 간 계약운임 협상에 필요한 합리적 근거를 마련함으로써 단기에 양 사 간의 전략적 합의를 도출해 낼 수 있게 되었다. 이와 더불어 3PL사는 항공사나 해운사와 같은 물류실행사와의 운임계약 협상에서 유리한 전략을 수립할 수 있는 기반을 확보한 것으로 판단된다.(운임 상승이 예상되면 장기계약, 하락이 예상되면 단기계약이 유리)

다만, 운임예측 모델링에 필요한 모든 영향인자들의 예측모델도 따로 개발해야 한다는 점에서 시스템 다이내믹스 모델을 운영하는 데에는 예측대상 및 영향인자의 예측력을 유지, 개선하기 위한 많은 노력이 필요하다. 이에 대안기법에 대한 추가연구도 진행 중이다. 통계모형(회귀모형, ARIMA), 머신러닝(Random Forest), 딥러닝(Recurrent Neural Network), 시스템 다이내믹스(System Dynamics) 모델의 예측력을 비교, 검토한 결과, 예측정확도 및 설명력의 관점에서 아직은 시스템 다이내믹스가 가장 우수한 성과를 보장할 수 있는 것으로 판단된다. 다만 인자별 예측모델을 별도로 개발할 필요가 없는 딥러닝 모델의 경우(딥러닝의 예측정확도는 현재 86% 수준이며 개선 가능성 존재), 추가연구를 통해 예측정확도 및 인자영향도의 설명방안을 확보할 수 있다면 시스템 다이내믹스 기법 대비 운영 편리성 측면에서 더 나은 대안이 될 수 있을 것이다.

이승근 이사

에스코어㈜ 컨설팅사업부 Biz Science팀

약 20년 간의 Strategic & Operation 컨설팅 경험을 바탕으로 ‘분석기반 혁신’ 모델을 개발하는 Biz Science팀을 리딩하고 있습니다. 제조, 유통, CPG 등 넓은 산업군 및 Value Chain 전반에 걸친 다양한 경험을 바탕으로 Data Scientist(머신러닝, System Dynamics, 통계)와 함께 다수의 분석 프로젝트를 진행하고 있습니다.