AI로 고객 경험 향상··· ‘펩시와 집라인’의 도전기

G&J 펩시(G&J Pepsi) : 매장의 제품 니즈를 예측
G&J 펩시 콜라 보틀러는 2020년 1월, 마이크로소프트 애저 클라우드 플랫폼의 AI와 머신러닝 요소들을 활용하기 위해 마이크로소프트와 제휴하면서 AI와 머신러닝 여정을 시작했다.

G&J 펩시의 디지털 기술 및 비즈니스 트랜스포메이션 담당 VP인 브라이언 발저는 “마이크로소프트 데이터 사이언스 팀의 안내로 환경과 필요한 스킬 세트를 파악하기 시작했다. 또 예측 기반 결과를 제공하는 애저 머신러닝의 다양한 데이터 구성요소들을 탐색하기 시작했다”라고 말했다.

1년 전, G&J 펩시의 경영진은 주문을 예측하고, 매장 재고를 최적화하는 방법을 디지털 기술 부서에 문의했다. 발저는 “고객들에게 방대한 제품과 브랜드, SKU를 제공하는 데 사람의 노동력이 정말 많이 필요했다”라고 설명했다.

이 회사는 250개 이상의 SKU를 다루고 있고, 통상 대부분 제품이 거의 모든 매장에 재고로 비축되어 있다. 경영진은 프로세스를 가속화하고, 결과를 개선하는 자동화된 주문 메커니즘을 갖추기 원했다.

발저에 따르면, 회사의 주문 담당자는 업무 처리를 위해 각 매장과 소비자의 구매 행동, 세일즈 활동, 프로모션, 경쟁자의 전술, 기상 변화 등을 파악해야 한다. 그는 “이 모든 것을 수동으로 처리하며, 이는 자신의 경험을 바탕으로 한다. 시간이 많이 걸리는 작업이며 또 사람에 따라 차이가 크다”라고 말했다.

특히 개인이 이런 지식을 획득하는 데 오랜 시간이 걸릴 수 있다. 그는 “이 사람들이 회사를 그만두면 어떻게 될까? 이런 지식들이 그 사람과 함께 사라지고, 다음 사람은 스스로 훈련 및 학습을 해야 한다”라고 덧붙였다.

재주문은 통상 수동으로 처리된다. 먼저 직원들이 선반과 창고의 빈 공간을 계산한다. 발저는 “각 매장에서 몇 년간 경험을 쌓으면서 획득한 지식으로 이런 일을 하는 경우가 많다. 우리는 이런 데이터를 수집, 플랫폼 내부에 이미 구축한 애저 머신러닝 모델에 집어넣기 시작했다. 우리는 더 많은 데이터를 집어넣어, 이런 모델을 조정하는 시간을 투자했다”라고 설명했다.

다양한 데이터를 머신러닝 모델에 공급하며, 모델은 예측된 주문을 생성한다. G&J 펩시는 현재 크로거(Kroger) 매장들을 담당하는 일선 직원들에게 자동화된 주문 플랫폼을 배치하고 있는 중이다. 또 앞으로 몇달 이내에 월마트 매장 담당자들에게 이를 배치할 계획을 갖고 있다. 아울러 편의점과 식료품점 부문의 재고 최적화 판단에도 동일한 기술을 활용할 방법을 찾고 있다.

발저는 “음료 회사가 직면하는 특히 큰 도전과제는 소매 매장의 냉장 공간에 배치할 제품을 결정하는 것” 이라고 말했다. 이를 위해서는 각 매장에 필요한 특정 제품의 수량, 매장 내 냉장 공간에서의 정확한 위치. 이런 제품에서 예상되는 이익 등을 명확히 파악해야 한다.

발저는 “아주 복잡한 ‘공식’이 될 수 있으며, 시장에 따라 바뀔 수 있다”고 말했다. 예를 들어, 생수나 차 관련 제품은 시골 지역 시장보다 도시에서 더 빨리 팔리며, 에너지 음료는 정반대의 원칙이 적용된다. 적절한 제품 ‘세트’를 개발하고 저장 공간을 최적화하는 것이 G&J 펩시의 성공에 아주 중요하다.

이 회사가 개발한 콜드 스페이스 얼로케이터(Cold Space Allocator)라는 머신러닝 도구는 모든 변수들을 고려, 각 시장에서 고객 별로 제품을 최적화 선택한다. 발저는 “유사한 지역에서 높은 성과를 내고 있고, 더 느리게 팔리는 제품을 대체할 수 있는 제품들을 추천하는 기능도 갖고 있다. 제품 최적화는 소비자 수요를 적절히 충족할 경우 아주 큰 시장 경쟁력이 될 수 있다”라고 말했다.

G&J 펩시는 자동화 주문 플랫폼을 구현한 후에 주문 효율성이 크게 향상되었다. 주문 작성 시간도 매장 당 60분 이상에서 10분으로 줄었다.

그러나 새 기술을 배치하기 시작하면서 문제가 없었던 것은 아니다. 발저는 “중요한 도전과제 중 하나는 프로세스에 초점을 맞추는 것이었다. 나쁜 프로세스에 좋은 기술을 적용하면 매번 실패하게 될 것이다. 기술을 구현하기 앞서 프로세스 문제를 해결하는 것이 아주 중요하다. 우리는 일선 직원들과 협력, 이들이 프로세스를 관리하는 방식을 이해했고, 동의를 얻었고, 프로세스 문제를 해결했다”라고 설명했다.

예를 들어, 예측 주문 프로세스가 작동하도록 만들기 위해 일선 직원들이 고객에게 동일한 방식으로 서비스를 제공할 수 있도록 보장해야 했다. 발저는 “똑같은 방식으로 매장을 돌아다니고, 창고의 재고를 먼저 파악하고, 프로모션과 세일즈 활동을 이해할 필요가 있다는 의미이다. 또 구매 행동이 예측 주문을 제공하는 역량에 어떻게 영향을 미치는지, 이를 조정해야 할 때와 조정하지 말아야 할 때를 파악해야 한다”라고 설명했다.

G&J 펩시는 사용자들이 자동 주문 플랫폼이 자신에게 유용한 이유, 이를 더 효율적으로 만드는 방법, 고객들에 대한 서비스 제공 역량을 강화하는 방법을 이해하고 수용하도록 만들 필요가 있었다. 사실 직원들은 자동화 주문 시스템에 대해 걱정하곤 했다. 

발저는 “회사가 일자리를 없애지 않을 것이라는 점에 대해 확신할 필요가 있었다. 우리는 직원들이 더 편하게 일을 하도록 만들고, 더 많은 고객들을 상대하도록 시간을 벌어주고, 판매에 집중할 수 있도록 매장 매니저와 더 많은 시간을 보내도록 돕고 있다. 각 매장과의 관계 구축에 더 많은 시간을 투자할 수 있게 되면, 관계 및 브랜드가 강화되면서 성과가 개선될 것이다”라고 강조했다.

집라인(Zipline) : 필요한 장소에 의료 용품들을 전달
집라인은 모든 지구인들이 혈액과 백신, 개인 보호 용구 같은 의료 용품들을 즉시 구할 수 있도록 구현한다는 사명을 가진 드론 배달 서비스 기업이다. 이 회사의 드론은 여러 국가에서 500만 마일 이상을 비행했으며, 11만 5,000건의 상업 목적의 배달을 완료했다. 여기에는 전세계에서 가장 외딴 지역의 병원과 진료소에 의료 용품들을 전달한 배달이 포함되어 있다.

이 회사는 미국에서 무인 항공 시스템을 설계, 조립, 운영하고 있다. 드론의 FAA 인증 및 항공기 미국 운항 인증을 취득하는 업무도 수행하고 있다. 이 회사에서 데이터 팀을 책임지고 있는 매트 페이는 “창사 시점부터 AI와 머신러닝을 활용했다고 말할 수 있다. 이런 도구가 없다면 서로 협력해 운용되는 자율 비행 항공기 편대를 설계할 수 없다”라고 말했다.

집라인이 매일 수백 시간의 비행 시간을 기록하기 전 초기 단계에는 지능형 동작 개발에 데이터 기반 방법을 많이 사용하지 않았다. 이런 알고리즘을 작동하게 만들 데이터 세트가 부족했기 때문이다. 그는 “그러다 르완다에서 매일 의료 용품을 공중 운송하면서 새로운 도구에 필요한 충분한 데이터를 수집했다”라고 설명했다.

당시 이 회사의 목표는 2가지였다. 그는 “첫째, 우리는 엔지니어들이 각자 자신의 머신에서 비행에 대해 다운로드해 분석하는 로컬 워크플로우를 클라우드 기반 방식으로 마이그레이션하기 원했다. 우리의 전체 비행 기록이 위치한 장소이다”고 말했다.

집라인은 또 강력한 배치 기능과 협업 워크스페이스를 갖춘 분석 환경을 구축하기 원했다. 소프트웨어 팀은 파이썬(Python)에 능숙했다. 이에 이 회사는 주피터 노트북(Jupyter Notebook)을 배포했다. 이는 아파치 스파크(Apache Spark) 분석 엔진 클러스터에서 실행되고, 라이브 코드와 등식, 비주얼리제이션 내러티브 텍스트가 포함된 문서를 생성해 공유할 수 있는 오픈소스 웹 애플리케이션이다.

핵심 구성요소는 데이터브릭스(Databricks)의 데이터 사이언스 및 머신러닝 플랫폼이다. 이 확장 가능한 클라우드 기반 컴퓨터 환경은 비행 로그부터 유지보수, 각 물류 센터의 재고, 부품 상태, 출발지 추적 등 집라인의 모든 운영 요소에서 데이터 스트림을 수집한다.

페이는 “데이터브릭스는 공유 협업 환경이다. 따라서 우리는 배치 프로세싱을 위한 유틸리티를 구축하고, 비행에 유용한 데이터 시각화 라이브러리를 유지하고, 새 팀원들을 위한 간단한 튜토리올과 트레이닝 커리큘럼을 만드는 등 플랫폼에 투자할 수 있다”라고 말했다.

그는 이어 “ 많은 이들이 데이터 민주화 이니셔티브를 생각할 때 분석에 대한 액세스를 제공하는 대시보드 플랫폼을 생각한다. 이는 강력한 데이터 팀 무기고의 중요한 무기들이지만, 우리는 데이터 사이언스를 ‘민주화’ 해 기업의 모든 사람들에게 집라인 데이터를 결합하고, 탐구하고, 시각화하고, 활용하는 역량을 부여하고자 했다”라고 말했다.

이런 광범위한 역량은 집라인이 더 나은 서비스를 제공하도록 도움을 줬다. 페이는 “의료 분야의 조직 등 각종 고객사들이 이제 필수 의류용품을 제때 전달하기 위해 우리를 이용한다. 이를 위해서는 신뢰할 수 있는 항공기 이상이 필요하다. 주문 이행과 관련된 프로세스의 모든 단계에서 충분한 운영 역량을 갖춰야 한다”라고 말했다.

여러 이유에서 긴급 배송이 지연될 수 있다. 각 제품을 포장할 직원 부족, 항공기 배터리가 충전되지 않은 문제 등을 예로 들 수 있다. 페이는 “집라인 유통 센터라는 더 큰 시스템의 트레이드오프와 병목을 파악하기 위해, 우리 팀은 이벤트 기반 시뮬레이션 도구를 구현, 의료 용품 전달과 관련된 모든 단계를 모델링한다”라고 설명했다.

이런 시뮬레이션을 집라인의 운영에 기반을 둔 실제 데이터에 맞추지 않을 경우, 이런 도구들은 부정확해질 것이다. 페이는 “이런 과정이 끝나야, 값진 가설에 바탕을 둔 질문을 묻고 대답할 수 있다. 3개 배송 시설 개설이 이 유통 센터의 ‘온-타임’ 비율에 어떤 영향을 줄까? 충전 속도를 10% 향상시킨다면, 배터리와 충전기를 얼마나 절약할 수 있을까? 항공기 배치에 가장 좋은 알고리즘은 무엇일까? 이런 질문을 의미한다”라고 말했다.

집라인은 도구의 인사이트가 기업의 모든 팀에 영향을 준다는 것을 알게 됐다. 페이는 “이런 이유에서, 또 지속적인 모델 조정과 업데이트가 쉬워지기 때문에 우리는 이를 데이터브릭스에 호스팅하기로 결정을 내렸다. 이는 니즈가 다른 회사의 애널리스트들이 동일한 시뮬레이션 결과를 확인하고, 관련된 부분을 조사할 수 있도록 도와준다”라고 설명했다.

집라인의 고객과 환자들에게 이 기술은 중요한 의료 용품을 확실히 전달하는 것 이상의 의미를 갖는다.

dl-ciokorea@foundryco.com