[논문 리뷰] Enhancing Supply Chain Resilience: A Machine Learning Approach for Predicting Product Availability Dates Under Disruption

Mustafa Can Camur, Sandipp Krishnan Ravi외 1명|arXiv (Cornell University)|2023. 04. 28.

Supply Chain Resilience and Risk ManagementBusiness, Management and Accounting인용 수 3

한 줄 요약

이 논문은 GE Gas Power의 인bound 물류에서 제품 가용성 일자를 예측하기 위해 트리 기반 앙상블 모델—랜덤 포레스트와 기울기 부스팅 머신—을 사용하는 기계학습 접근법을 제안하며, 전통적인 회귀 방법에 비해 예측 정확도를 크게 향상시켰다. 이 모델들은 비선형 공급업체 행동과 특성 간 상호작용을 포착하여 다른 모델들을 능가했으며, 특성 중요도 분석을 통해 '최종 약속 일자'와 '공급업체 코드'가 핵심 예측 변수임을 확인했다.

ABSTRACT

The COVID 19 pandemic and ongoing political and regional conflicts have a highly detrimental impact on the global supply chain, causing significant delays in logistics operations and international shipments. One of the most pressing concerns is the uncertainty surrounding the availability dates of products, which is critical information for companies to generate effective logistics and shipment plans. Therefore, accurately predicting availability dates plays a pivotal role in executing successful logistics operations, ultimately minimizing total transportation and inventory costs. We investigate the prediction of product availability dates for General Electric (GE) Gas Power's inbound shipments for gas and steam turbine service and manufacturing operations, utilizing both numerical and categorical features. We evaluate several regression models, including Simple Regression, Lasso Regression, Ridge Regression, Elastic Net, Random Forest (RF), Gradient Boosting Machine (GBM), and Neural Network models. Based on real world data, our experiments demonstrate that the tree based algorithms (i.e., RF and GBM) provide the best generalization error and outperforms all other regression models tested. We anticipate that our prediction models will assist companies in managing supply chain disruptions and reducing supply chain risks on a broader scale.

연구 동기 및 목표

• GE Gas Power의 인bound 공급망에서 예측할 수 없는 제품 가용성 일자 문제를 해결함으로써 물류 및 재고 계획에 악영향을 미치는 문제를 해결한다.
• 공급업체의 가용성 일자를 최대 수개월 전에 예측할 수 있는 기계학습 시스템을 개발하여, 더 나은 운송 일정 편성과 비용 관리가 가능하도록 한다.
• 선형 모델과 트리 기반 앙성 모델을 포함한 다양한 회귀 모델을 평가하고 비교하여 비선형 공급망 역학을 예측하는 데 가장 정확한 접근법을 규명한다.
• 예측 결과를 연간 물류 계획을 위한 최적화 모델에 통합하여 운송 및 재고 비용을 최소화할 수 있도록 지원한다.

제안 방법

• 이 연구는 단순 회귀, 라소, 릿지, 엘라스틱 넷, 랜덤 포레스트(RF), 기울기 부스팅 머신(GBM), 신경망을 포함한 다양한 회귀 모델을 사용하며, GE Gas Power의 실제 인bound 물류 데이터를 기반으로 훈련한다.
• 특성으로는 수치형 변수(예: 제품 가격, 수량)와 범주형 변수(예: 공급업체 코드, 계약 납품 일자)를 포함하며, 특히 약 50%의 누락값을 가진 '계약 납품 일자' 변수에 대해 신중한 처리를 실시한다.
• 모델 성능 평가는 일반화 능력을 평가하기 위해 테스트 데이터 기반으로 R², RMSE, 평균 절대 오차(MAE)와 같은 표준 회귀 지표를 사용하여 평가한다.
• 트리 기반 모델에서 특성 중요도는 지니 불순도 기준을 사용하여 계산되며, 각 특성이 예측 정확도에 기여하는 정도를 정량화한다.
• 모델들은 역사적 제품 주문 데이터를 기반으로 훈련 및 검증되며, 공급업체 행동과 가용성 일자 간의 비선형 관계를 포착하는 데 중점을 둔다.
• 최종 예측 시스템은 연간 물류 및 운송 최적화를 위한 기존의 정수선형계획모델(MILP)에 통합될 수 있도록 설계되었다.

실험 결과

연구 질문

• RQ1 비정상적인 공급망 환경에서 제품 가용성 일자를 예측하는 데 가장 정확한 기계학습 회귀 모델은 무엇인가?
• RQ2 랜덤 포레스트와 기울기 부스팅 머신과 같은 트리 기반 앙성 모델은 전통적인 선형 모델에 비해 공급망 데이터의 비선형 패턴을 얼마나 잘 포착하는가?
• RQ3 제일 영향력 있는 특성들은 무엇이며, 이들이 모델 성능에 어떤 영향을 미치는가?
• RQ4 '계약 납품 일자'와 같은 핵심 특성에서의 누락 데이터는 모델 정확도와 신뢰성에 어떤 정도의 영향을 미치는가?
• RQ5 예측된 가용성 일자를 최적화 모델에 통합하면 총 물류 및 재고 비용을 줄일 수 있는가?

주요 결과

• 트리 기반 모델, 특히 랜덤 포레스트와 기울기 부스팅 머신이 제품 가용성 일자를 예측하는 데 가장 낮은 일반화 오차를 기록하며, 다른 모든 회귀 모델을 능가했다.
• 최고 성능을 보인 모델(GMB)의 테스트 데이터 기반 R² 스코어는 선형 모델보다 유의미하게 높았으며, RMSE 및 MAE 값은 강력한 예측 정확도를 나타내었다.
• 특성 중요도 분석을 통해 '최종 약속 일자', '최종 필요 일자', '공급업체 코드'가 가장 영향력 있는 예측 변수로 확인되었으며, '제품 수량'과 '제품 가격'도 직관적이지 않은데도 의미 있는 기여를 하였다.
• '계약 납품 일자' 특성은 누락률이 약 50%로 매우 높아 중요도가 0.1% 미만에 그쳐, 낮은 예측 관련성보다는 데이터 품질 문제로 인한 것으로 판단되었다.
• 라소와 릿지와 같은 정규화 모델은 데이터의 비선형 관계를 포착하지 못해 성능이 열악했으며, 이는 본 연구의 맥락에서 비선형 모델의 필요성을 강조한다.
• 연구에서 규명된 주요 제한점은 비선형 공급업체 행동—예를 들어 개별 약속 일자와 관계없이 일괄적으로 운송하는 행동—으로 인해 더 이상의 정확도 향상이 어려운 점으로, 향후 연구에서는 고급 시계열 또는 딥 러닝 모델이 필요할 것으로 제안된다.