Stanley Black & Decker, Lean AI가 공급망 이면의 업무를 어떻게 변화시키고 있는지 공유하다

안녕하세요, Ben 님. 오늘 함께해 주셔서 감사합니다. Stanley Black & Decker와 Robinson Managed Solutions의 협력 관계에 대해 간략히 이야기 나눠 보겠습니다. 약 6년 전인 2020년 말, 2021년 초로 거슬러 올라가 보겠습니다. RMS와 파트너십을 맺기로 처음 결정했을 당시, 물류 조직의 운영 방식을 재검토하게 된 비즈니스 과제나 기회는 무엇이었나요?

네, Brian 님. 과거 Black & Decker는 각 사업장이 자체적으로 주도하는 분산형 네트워크를 운영했습니다. 이후 SBD는 네트워크 관리를 지원하는 컨트롤 타워를 갖추고 보다 중앙 집중화된 모델로 전환하기로 전략적 결정을 내렸습니다. 이러한 조치의 목표는 운송 경로 준수율을 빠르게 개선하고, 화물 통합 기회를 확대하며, 운송 용량을 개선하여 공급망에서 일부 비용과 낭비 요소를 줄이는 것이었습니다.

과거에는 불완전하거나 일관성이 없는 주문 데이터로 인해 담당자님과 SBD 팀에 어떤 어려움이 있었나요? Stanley Black & Decker는 4만 개가 넘는 고유 SKU를 보유하고 있기 때문에, 특히 다양한 제품 라인, 공급업체, 사업장 전반에서 마스터 데이터를 정확하고 최신 상태로 유지하는 것이 정말 엄청나게 어렵습니다.

기존에는 Navisphere에 접수되는 수동 주문 중 매달 약 2,000건에서 마스터 데이터가 누락되거나 불완전한 경우가 있었습니다. 이런 주문은 일반적으로 팀원이 시스템에 직접 들어가 주문 정보를 수정하기 전까지 다음 단계로 진행할 수 없었습니다. 이로 인해 주문 처리 시간이 훨씬 길어지는 경우가 많았습니다.

일부 주문 데이터의 불일치는 의도된 것이기도 했습니다. 중량 반올림이나 기타 특정 기준과 관련된 문제도 있었습니다. 그리고 다른 많은 문제들은 주문이 접수되기 전에 상위 단계에서 사전에 파악할 수 없었습니다.

이제 현재 상황에 대해 이야기해 보겠습니다. 팀원이 직접 처리해야 했던 주문 수정 작업을 Lean AI Planner가 어떻게 대신 수행하고 있나요?

저희에게 Lean AI Planner는 정말 큰 도움이 되었습니다. Lean AI Planner는 상황에 대한 학습 결과를 활용하고 비즈니스 규칙, 제품 속성, 과거 운송 패턴, 공급업체 요구 사항 등 다양한 정보를 적용해 누락된 항목을 파악한 다음 직접 수정합니다.

수정 작업을 감독하는 팀원들이 여전히 있지만, Lean AI Planner는 과거에 보류 상태에 놓였던 모든 주문을 즉시 실시간으로 자율적으로 수정할 수 있었습니다.

그 결과 주문당 처리 시간이 1분 미만으로 단축되었습니다. 기존에는 보류 상태로 전환되던 주문의 거의 90%가 Lean AI Planner를 통해 사전에 수정되고 있습니다. 기본적으로 이 프로세스 덕분에 적재 계획 담당자들의 부가가치가 없는 단순 반복 업무를 월 35시간 이상 절감할 수 있었습니다. 저희는 문제가 후속 단계의 차질과 지연으로 이어지기 전에 이를 해결할 수 있는 공급망을 구축해 나가고 있습니다. 그 과정에서 상당한 낭비 요소도 제거하고 있습니다.

전통적인 과거의 공급망 평가를 생각해 보면 몇 주 또는 몇 달이 걸릴 수 있고, 일부만 평가하거나 전체 네트워크를 평가하지 못할 수도 있습니다. Lean AI Engineer를 도입하기 전에는 Stanley Black & Decker에서 이러한 평가를 어떻게 진행했는지 설명해 주시겠습니까?

Lean AI Engineer를 도입하기 전에는 저희 계정에 전담으로 배치된 전문 엔지니어들이 있었습니다. 그들은 개선 및 최적화 영역을 찾기 위해 대규모 화물 물량을 검토하곤 했습니다. 이 과정은 필요에 따라 임시방편적으로 진행되었습니다. 따라서 개선 기회가 있다고 판단될 때마다 데이터를 가져와 분석했습니다. 하지만 상당한 노력이 필요했기 때문에 이는 주기적으로만 수행할 수밖에 없었습니다.

Lean AI Engineer를 통해 데이터를 수동으로 가져와 검토해야 하는 데서 비롯되는 문제를 해결합니다. 모든 사이트의 모든 데이터를 지속적으로 살펴볼 수 있기 때문입니다. 엔지니어들이 과거에 수동으로 살펴보던 것과 동일한 기회를 이제 실시간으로 살펴볼 수 있습니다. 이를 통해 엔지니어들은 산출물을 만드는 대신 산출물을 평가하는 데 집중할 수 있습니다.

즉, 몇 주, 어쩌면 몇 달 걸리던 일을 몇 분으로 단축하고, 그런 기회를 실제로 실현하며 비용 절감 성과를 달성하는 데 집중하는 것입니다. 예. 또한 시스템이 실시간으로 정보를 살펴볼 수 있고 저희는 이에 대응하기만 하면 되므로, 더 많은 정보와 기회를 살펴볼 수 있습니다.

Stanley 사업과 관련해서 Lean AI Engineer를 통해 발견한 인사이트나 기회의 사례를 하나 소개해 주실 수 있을까요? 지금까지 Lean AI는 SBD를 위한 몇 가지 새로운 기회를 발견했습니다. 또 다른 주요 성과 중 하나는 이전에 수작업으로 수행했던 분석 결과가 타당하다는 점을 확인해 주었다는 것입니다.

새로운 Lean AI Engineer의 사례 중 하나를 말씀드리겠습니다. 한 고객의 사례를 통해 특정 유형의 통합 기회를 파악했고, 이전에는 이를 수작업으로 분석했습니다. 하지만 Lean AI Engineer는 별도의 분석을 수행하거나 데이터를 따로 추출할 필요 없이, 해당 데이터를 활용해 모든 고객에게 적용할 수 있었습니다. 이 정보를 활용해서 실시간으로 비즈니스 의사 결정을 더욱 효과적으로 지원할 수 있었으며, 상당한 비용 절감과 낭비 요소를 제거하는 효과도 얻었습니다.

AI 도입을 검토하고 있지만 어디서부터 시작해야 할지 확신이 없는 다른 공급망 리더들에게 어떤 조언을 해주시겠습니까? 저희에게 가장 중요한 것은 RMS와 같은 최첨단 기술 파트너를 확보하는 것입니다. 제가 권하고 싶은 것은 RMS와 협력해서 비즈니스에서 실질적인 가치를 창출할 수 있는 구체적인 활용 사례를 찾는 것입니다.

그 문제를 해결하려면 우선 작은 것부터 시도하고, 반복적으로 개선하며, 신속하게 움직여야 합니다. 모든 것이 처음부터 완벽하지는 않을 것이라는 점도 염두에 두어야 합니다. 하지만 그렇게 하면 정량적으로 측정할 수 있는 성과를 얻을 수 있습니다. 초기 성과를 확보했다면, 그 구체적인 결과를 조직과 이해관계자들에게 공유할 수 있습니다. AI에 대해 말로만 설명하는 것이 아니라, AI가 비즈니스에 어떤 가치를 가져다주는지 실제로 보여줄 수 있는 것이죠.

벤, 함께해 주셔서 정말 감사합니다. 항상 이런 대화를 나눌 수 있어 감사하게 생각합니다. 함께 진행해 온 작업의 일부를 공유하게 되어 기쁘며, 앞으로 이어질 일들이 더욱 기대됩니다. 감사합니다.

Brian 님, 정말 감사드립니다.