1.서 론

공동물류는 동종 혹은 이종의 기업들이 물류 시설을 공동으로 설치하고 이용하거나 관리하여 기업이 개별 적으로 물류시설을 설치하거나 운영할 때 보다 적은 비 용으로 물류활동을 수행하고자 하는 물류합리화의 방법 이다[5].

정보기술의 발전은 사회 전반에 걸쳐 많은 변화를 가 져오고 있다. 특히 인터넷을 통한 전자상거래의 출현은 생활 및 경제 등 우리의 삶의 많은 부분을 바꾸어 놓고 있다. 국내 B2C 전자상거래 시장은 2001년 이후 연평균 22% 이상의 성장을 보여 2013년 24조 원 규모의 시장을 형성하고 있다[10]. 전자 상거래인 인터넷 쇼핑의 경우 구 매자가 직접 물건을 구매하여 가져가는 것이 아니므로, 판매자에서 구매자에게 배송이 이루어지게 된다. 현재 인터넷 쇼핑의 배송의 대부분은 택배를 통하여 이루어지 고 있다. 그 결과 전자 상거래의 확대로 인하여 국내 택 배 시장 역시 2003년 1조 규모에서 2012년에는 3조 5천 억 원 규모로 성장하였다[7].

인터넷 쇼핑 업체의 경우 소규모의 제조 시설을 통하 여 물건을 생산하거나 수입한 물건을 보관 하였다가 주문 발생 시 배송하는 형태를 띠고 있다. 대부분의 중소 업체 들의 경우 보관 시설의 취약, 재고 관리의 어려움, 고객 대응 취약 등의 어려움이 존재한다. 전자상거래는 제품의 판매 및 구입을 장소 및 시간에 구애를 받지 않고 할 수 있다는 장점을 갖고 있는 반면 낮은 진입 장벽으로 인하 여 경쟁이 심하다. 특히 인터넷 쇼핑에서는 가격 및 배송 의 신속 정확성이 중요한 경쟁력이며 주문에 대한 빠른 배송은 핵심 경쟁력이 되고 있다. 택배 업체는 인터넷 쇼 핑 업체들의 신속한 배송 요구의 충족을 위하여 익일 배 송이 가능하도록 운송망을 구축, 운영하고 있다. 인터넷 쇼핑업체의 경우는 가능한 늦은 시간 접수분에 대해서도 배송이 이루어지길 희망하며 택배업체들의 경우는 익일 배송을 위해 가능한 접수 시간을 가능한 빠르게 하는 것 이 바람직하게 되어 서로 상충된 이해관계에 놓인다.

이와 같이 인터넷 쇼핑 업체들이 갖는 보관 시설의 취 약, 고객 요구에 신속한 대응의 어려움 및 택배 업체들의 익일 배송을 위한 작업 시간의 확보 어려움 등의 해소를 위하여 전문 물류 업체에 의한 공동물류가 좋은 대안이 될 수 있다. 공동물류의 중요한 부분은 화주와 배송업체 를 이어주는 중개기술이라 할 수 있다.

본 논문에서는 기존 연구에 대한 고찰과 특성을 설명 하고 새로운 중개서비스인 데이터마이닝 기반의 혼합추 천시스템 모델을 구현한다. 과거의 이력 데이터를 바탕으 로 화주나 물류 업자의 특성을 크게 납기 민감, 비용 민 감, 안전성 민감 등으로 분류하고 클러스터링을 통해 업 체의 특징별로 군집화한다. 납기나 비용 등 여러 조건을 통과한 업체들을 대상으로 하여 이런 기법의 결과들을 바 탕으로 서로 성향을 검증하여 업체들을 서로 추천한다.

2.관련문헌 연구

기존의 많은 물류 중개서비스 기술들은 DEA 및 AHP 등의 의사결정론에서 다뤄왔다. 이와 관련된 연구는 다 음과 같다.

정근채[3]는 AHP를 사용한 알고리즘을 적용하여 화주 와 차주의 화물/공차의 선택을 위해 가격, 신용도, 운송 기간 등을 고려한 다기준 의사결정 기반의 물류중개 프 로세스를 정의하고 매칭하였다.

노재우 외[8]는 사용자가 인터넷 혹은 무선 이동 장치 를 이용하여 화물정보를 선택하는 행동을 모니터링 하여 서비스 사용자가 History DB에 저장하고 저장된 데이터 중 에이전트에서 선별된 속성(feature 또는 attribute)들을 바탕으로 귀납적 기계학습을 수행하여 화물 운송 정보 사용자 프로파일을 구축한다. 이런 방식으로 반복적으로 구축된 프로파일을 기반으로 Feature-driven 기계 학습시 스템의 규칙을 생성해 내어 에이전트의 정확도를 증진시 킨다는 개념의 중개 에이전트 시스템을 개발하였다. 윤 경현 외[12]는 화주와 운송업체의 요구사항을 만족하면 서도 빠른 시간 내에 거래 상대를 찾기 위하여 휴리스틱 방법을 이용하여 중개 한다.

추천시스템 관련 연구는 Collaborative Filtering 기법과 Content Based Filtering 기법의 알고리즘에 관한 연구가 있다.

Kim et al.[6]은 사용자의 탐색 및 행동 패턴으로부터 각 사용자의 선호도를 추정한 다음에 그것으로부터 협업 적 필터링을 적용하는 연구를 수행하였다. 즉, Implicit rating 데이터에 대해 낮은 성능을 발휘하는 문제를 해결 하였다.

Karypis[4]는 아이템기반 추천 알고리즘을 제안하였다. 이 알고리즘은 아이템들 사이의 유사성을 계산하고 아이 템의 바구니 및 추천 아이템의 유사성을 계산하여 추천 을 하는 방식이다.

다른 추천시스템 알고리즘으로는 학습알고리즘 기반의 추천시스템과 NP 기반의 추천시스템이 있다. Guttman 외 2인[2]는 분류기법을 사용하여 고객의 구매 행동 패턴을 분 석한 후 추천을 하는 방법을 제안하였다. Breese 외 2인[1] 는 베이지안 네트워크와 베이지안 클러스터링을 사용한 추 천시스템을 위해 모델 기반 통계적 알고리즘을 제안하였다. 양재경과 유우연[11]은 필터(Filter)방법과 래퍼(Wrapper) 방법으로 속성을 선택하여 B2B e-비즈니스 시스템에서 효 과적으로 사용될 수 있는 추천시스템을 제안하였다.

문헌 연구조사를 종합하면 물류중개 서비스의 프로세 스 분야는 문제 해결 방법은 다양하더라도 화주와 차주 를 한 순간에 하나의 업체만을 매칭해주고 만족하지 않 으면 차 순위 업체를 매칭하는 방법을 사용하고 있어서 양측이 만족스런 결과를 얻기 힘들다는 부분에 문제가 있다. 본 연구에서는 앞의 매칭과는 다른 방식을 추구하 는 Datamining 기반의 추천시스템을 다루고 있다. 또한 추천시스템 부분을 보더라도 주로 협업 필터링 또는 내 용 기반 필터링 기법이 많이 쓰이고 있는데 클러스터링 과 분류(Classification Rules) 기반의 새로운 추천시스템 은 기존의 연구와는 차별성을 가짐을 보여주고 있다.

3.공동물류 환경의 혼합 추천시스템 모델

물류중개 기술의 대부분은 하나의 화주와 하나의 물류 업자를 연결 시켜주는데 그치고 있다. 하지만 단 하나만 의 업자를 선정함으로써 서로가 그 대안에 만족하지 않 을 경우 그 다음 대안을 제시하는데 어려움을 근본적으 로 가지고 있다고 할 수 있다. 이런 단점을 데이터 마이닝 을 활용한 클러스터링 분석방법과 분류기법(Classification) 을 혼용하여 극복하고자 한다. 데이터 마이닝이란 컴퓨 터 기반 정보시스템의 대용량 데이터의 저장소에서 데이 터를 읽어 들이고, 정보를 생산 하여 지식을 얻어내는 기 법이다. 분류기법인 C5와 의사결정나무(Decision Tree) 형태로 분류 결과를 알 수 있다. 클러스터링은 비슷한 유 형의 인스턴스들을 군집화하여 군집들 간의 유사성이나 거리를 이용하여 비슷한 특성을 지닌 몇 개 군집으로 집 단화하여 어떤 개체나 대상들이 가지고 있는 다양한 특 성에 기초하여 동질성을 지닌 군집으로 집단화 하는 방 법이다[9]. 이런 특징을 이용해 분류기법을 통해 화주나 물 류업자의 특성을 납기 민감, 비용 민감, 안전성 민감 등으 로 가정하여 분류하고 클러스터링을 통해 업체의 특징 별로 군집화한다.

3.1.알고리즘

납기나 비용 등 여러 조건을 통과한 업체들을 대상으 로 하여 이런 두 기법의 결과들을 바탕으로 서로 성향을 검증하여 이들 업체들을 서로 추천한다. 이 때 한 업체만 추천하는 것이 아니고 클러스터링 군집 내의 다른 업체 들도 군집의 중앙점과의 거리를 비교하여 다 수 추천한 다. 그 기본은 다음과 같다.

혼합 추천시스템 알고리즘은 다음과 같이 나타낼 수 있다. <Figure 1>.

※Hybrid 추천시스템 알고리즘(화주 입장)

Step 1. 화주의 과거 데이터 이력을 바탕으로 분류 기법, 클러스터링 학습

Step 2. 화주 정보 입력

Step 3. 화주 정보에 대한 분류 결과 대입 → 화주의 차주 선택이유도출

Step 4. 화주 데이터셋의 차주정보를 바탕으로 클러스터 링 학습 결과 모델에 적용한 그룹핑 결과 도출

Step 5. 화주의 차주 선택 이유에 대한 차주 그룹의 최중 앙점에 가장 가까운 업체부터 순위 및 상대적인 비율을 제공하며 복수 추천

※Hybrid 추천시스템 알고리즘(차주 입장)

Step 1. 차주의 과거 데이터 이력을 바탕으로 분류 기법, 클러스터링 학습

Step 2. 차주 정보 입력

Step 3. 차주 정보에 대한 분류 결과 대입 → 차주의 화주 선택이유도출

Step 4. 차주 데이터셋의 화주정보를 바탕으로 클러스터 링 학습 결과 모델에 적용한 그룹핑 결과 도출

Step 5. 차주의 화주 선택 이유에 대한 화주 그룹의 최중 앙점에 가장 가까운 업체부터 순위 및 상대적인 비율을 제공하며 복수 추천

※매칭 알고리즘

Step 1. 추천된 차주 및 화주를 추천비율과 함께 순위로 정렬

Step 2. 화주 입장에서 차주를 순위 순서로 협상

Step 3. 화주가 OK이면 차주의 계약의사 타진 차주가 OK이면 계약

차주가 NOT OK이면 차순위 차주에게 계약의사가 OK일 때까지 반복

끝까지 계약이 성사 안되면 화주 및 차주 계약 조건 다시 조정 후 Step 1로 이동

이 추천시스템의 알고리즘의 추천 성과는 매칭 결과 에 따라 도출될 수 있는데 (화주 추천 순위)/(차주 추천 순위)로 계산할 수 있겠다.

3.2.실험결과

위 알고리즘을 바탕으로 모의실험을 해보았다. 혼합 추천시스템 알고리즘의 중요 부분 중의 하나인 분류기법 과 클러스터링 방법의 경우 많은 알고리즘 들이 존재하 고 있다. 어떤 알고리즘을 사용 하느냐에 따라 추천 결과 는 달라질 수 있기에 이를 주의 깊게 선택하는 것은 중 요한 문제라 하겠다. 우선 분류기법의 대표적인 기법인 의사결정나무(Decision Tree)를 바탕으로 하는 C5, 통계 기법을 활용한 Naïve Bayes, 인스턴스 기반 분류기법인 IBk(k = 3)를 비교하였다. 이를 위해서는 납기, 비용, 안 성 등 클래스 속성을 포함하는 데이터셋을 구성할 필요 가 있다. 따라서 그 데이터셋을 화주를 기준으로 화주가 차주를 상대로 거래 한 실적을 가상데이터로 구성하였 다. 그 데이터셋의 구성은 다음과 같다. <Figure 2>.

위 데이터셋은 속성이 10개이며 인스턴스는 500개로 구성되었다. 이 데이터셋을 구성함에 앞서서 몇 가지 가 정을 고려해 작성하였다. <Table 1>.

예를 들어 d_duration은 50km/날짜를 정하였다. 거리가 50km 이내인 경우는 1일이고 100km 이내인 경우는 2일 로 정하였다. 비용 같은 경우 통상 계약건수에 따른 계약 금액이 다르지만 도서 산간지방을 제외한 보통의 계약금 액은 2,500원을 기준으로 한다. 그렇지만 무게나 거리에 금액이 차등 산출되기 때문에 금액은 상이하게 달라질 수 있다는 가정을 고려하다. 화물종류는 실제 거래에서 는 다양한 화물을 취급하지만 본 실험에서는 알고리즘의 용이성을 위해 5가지의 화물만 고려하여 진행하였다. 학 습 알고리즘을 적용하기 전에 전처리 과정으로서 학습 모델을 단순하게 만들고 해석의 용이성을 높이기 위해 데이터셋에서 화주명과 차주명은 제거하였다.

데이터셋을 기반으로 모의 데이터를 수집한 후 Weka 를 사용해 분석하였다.

속성선택(Feature selection) 알고리즘 중 상관관계 기반 의 CfsSubsetEval과 분류방법 알고리즘 C5를 이용한 ClassifierSubsetEval 적용하여 최종으로 안정성, 납기기한, 운 임단가, 취급화물 종류, 선택이유(Class 변수)만이 선택되 었다. <Table 2>.

<Table 3>은 세 가지 분류기법의 정확도를 비교한 결 과이다. 결과를 보면 의사결정나무 기반의 C5의 정확성 은 90.4%, 통계적 기반의 Naive Bayes는 87.4%, 인스턴 스 기반의 IB3은 83.0%가 나왔다. 이 결과에 따라서 데 이터셋에 가장 적합한 분류기법은 의사결정나무를 바탕 으로 하는 C5가 우수한 정확성을 보여 이 알고리즘을 사 용하는 것이 가장 적절한 것으로 보여진다. <Figure 3, 4, 5>.

의사결정 나무 학습 모델에 의해 ‘비용’이 가장 중요 한 속성으로 나오고 분류에 의하여 속성이 정해졌다.

예를 들어 화주가 자신의 정보를 입력할 때 운송 단가 1,800원/Unit과 납기기한을 4일 이라 입력했다면 이 업체 는 의사결정나무분석 결과에 따라 비용에 민감한 업체라 할 수 있다. 따라서 클러스터링 결과의 비용에 민감한 그 룹인 차주인 ‘F’를 추천한다. 차 순위는 ‘G’이다. 차주입 장에서 입력 정보가 운임 단가가 1,800원에 납기기한이 4일 이하도 괜찮다고 입력하였다면 비용 민감(화주입장 의 클러스터에서 해석, 차주입장에서 해석하면 비용 둔 감형이라 할 수 있다.)형으로 1순위로 ‘X’가 차 순위로 ‘Z’를 추천한다. 물론 이 때 다른 업체들도 순위와 함께 1순위 업체와 어느 정도 차이가 있는지 비율과 함께 추 천될 수 있다. <Table 4>.

4.Hybrid Recommendation System 기반 중개서비스 시스템 구현

혼합추천시스템은 화주와 차주간의 특성 (비용 민감, 안전성 민감, 납기기한 민감)에 따라 정보를 요청하고 정 보를 제공받는 구성으로 되어있다.<Figure 6>.

4.1.Modeling

화주와 차주는 추천시스템을 기준으로 서로 특성에 따 른 화주와 차주를 요청을 한다. <Figure 7>.

혼합추천시스템의 외부 엔터티는 총 4개로 특성분석, 특성분류, 분류에 따른 순위정렬, 순위에 따른 협상으로 존재한다.

4.2.유저인터페이스

프로그램 실행 후 화주 또는 차주로 로그인을 한 후 메인화면의 매칭신청을 클릭한다. 클릭 후 화물종류 등 내용을 작성을 한다. 클래스 검증 버튼을 클릭 후 자신의 클래스가 분류가 되고, 선택하기 버튼을 클릭하면 자신 의 특성에 맞게 업체가 추천이 된다. 업체는 클러스터의 중심점에서 가장 가까운 업체가 1순위로 추천이 되고 차 순위 업체는 비율로 순위가 정해진다. 매칭을 신청한 업 체는 자신의 신청 내용을 볼 수가 있다. 또, 신청한 내용 이 선택한 업체가 수락하였는지 거부 하였는지를 알 수 도 있다. 신청을 받은 업체는 신청한 업체의 조건을 보고 제안을 수락하거나 거부를 할 수 가 있다. 거부를 할 경 우에는 타 업체가 역경매를 할 수 도 있다.

화주나 차주가 과거이력을 바탕으로 특성이 분석이 되고 분류가 되어 분류에 따라 클러스터가 결정이 된다. 클러스터 내에서 중심점과 가까운 순으로 순위가 정해지 고 순위에 따른 협상을 진행하게 된다. 이때 차주는 협상 이 들어와도 거부를 할 수 가 있다. 신청한 차주가 거부 가 되면 다음 순위 업체를 신청하여 매칭을 신청해 나간 다. 차주가 거부하면 거래가 제안된 차주 외에 다른 차주 들이 역경매를 신청할 수도 있다.

혼합 추천시스템은 초기에 가상데이터를 만들어 실험 을 해보았다. 실물 데이터를 구성할 수 있으면 최적이지 만 이를 구하기는 불가능하다. 초기 가상데이터는 500개 의 인스턴스를 구성했다. 모든 화주와 차주는 모든 화물 을 취급하는 것으로 설정하였다. 제 3.2절의 실험결과를 바탕으로 이 데이터셋에 적합한 의사결정나무 알고리즘 C5를 사용하여 분류를 하였다. 분류 후 클러스터링 알고 리즘 Kmeans를 이용하여 클러스터화 시켰다. 클러스터 그룹은 클래스 변수가 3개이므로 클러스터 그룹은 3개의 그룹으로 나뉘어지게 되었다. 각 클러스터 그룹 내에서 중심점과의 거리 순으로 최우선 업체를 정하고, 다른 업 체들도 비율에 의하여 순위가 정해지게 된다.

이를 통하여 업체들의 순가 정해지고 데이터의 객관 성을 위하여 업체의 수에 맞게 16명을 섭외하여 모의 매 칭을 시행해보았다. 화주와 차주업체는 각각 16개 업체 가 있었고, 화주를 16명이 각 10건의 매칭을 신청을 하 면 차주에 입장에서 매칭을 수락하고 거부를 하는 모의 매칭을 하였다. 이렇게 하여 얻어진 데이터는 총 160개 의 인스턴스를 가지게 되었고 다시 한 번 이 데이터로 의사결정나무 학습을 하고 클러스터링을 다시 하게 되었 다. 2회차 모의 매칭에서도 16명을 섭외하였는데 1회차 모의 매칭과는 다르게 업체를 부여해주었다. 2회차 모의 매칭에서도 1회차 모의 매칭과 같은 방식으로 10건의 매 칭을 신청하였고 수락 하는 방식으로 진행 하였다. <Figure 8, 9, 10>.

4.3.구현결과

화주추천 순위를 차주추천 순위로 나누어 추천성과를 계산하였다. 1회차 모의 매칭을 통한 추천성과와 2회차 모의 매칭을 한 성과에서 비교를 하면은 비용과 안전성 에 민감한 화주와 차주가 성과율이 상승한 것을 볼 수가 있고 납기기한에 민감한 화주와 차주의 성과율은 하락한 것을 볼 수가 있다. 이는 화주가 매칭을 신청하여도 차주 가 화주의 매칭 신청을 보고 수락 또는 거부를 하는 경 우에는 다음 순위 업체와 매칭이 되는 경우가 있기 때문 에 하락한 것으로 보여진다. 하지만 평균적으로 추천 성 과율은 상승한 것을 볼 수가 있다.

5.결 론

본 연구의 혼합추천시스템은 데이터 마이닝을 기반으 로 하는 공동물류환경 조성에 효율적으로 나타났다. 서 론에서 언급하였듯이 공동물류 환경에서 중요한 부분인 화주와 배송업체를 연결하여 중개기술의 추천 성과율이 높게 나왔다는 것은 클러스터링과 분류기반의 새로운 추 천시스템이 기존의 연구와는 차별성을 가짐을 보여주고 있다고 할 수 있다.

복수의 업체 선택은 조건을 만족시키는 다양성을 보 여주는 방식으로 경쟁력을 강화시키는 장점을 가지면서 업체 선택 방법에 다변화를 주었다는 의미가 있다.

분류와 클러스터링화는 물류사업의 다각화의 일부분 으로 구성이 될 수 있다. 기존의 방법으로 진행하였던 물 류방식의 기법의 차별화와 물류 발전의 활성화를 위한 설계 및 운영 기술의 한 축이 될 수 있을 것이다.