추천, 개인화 그리고 물류 예측 - 어떻게 시작하고 무엇을 준비해야 하는가? - 김민성 솔루션즈 아키텍트, AWS / 경희정 부장, CJ대한통운 :: AWS Summit Seoul 2019

© 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved.
A
CJ
, , ,

발표자료 바로 공개
발표자료는 발표 종료 후 해당
사이트에서 바로 보실 수
있습니다

AMAZON의 AI/ML 여정
검색 &
개인화
풀필먼트 &
로지스틱스
기존
제품들
새로운
이니셔티브
저희는 지난 20년 넘게 AI/ML을 통한 혁신을 시도해 왔습니다.

C OED D GD D R
2
2
2 2
2 2 5 5 2
C O E D
A G
E G I C H
E I E E A H
5 D H F G K H
G D D
F G K H
G D D
G D D
E H I D
& F E N C D I
G C LEGAH DI G H D G HIG I G
C O E D
2 A E D I E D
C
C O E D
E N
C O E D
G D H G
C O E D
G D H I
C O E D
E C F G D
C O E D
M
C O E D
2 A E D I E D
E
U R W TS VP
C O E D H G D G H H

이미지와 비디오를 위한 Deep-Learning기반의 컴퓨터 비전 서비스
객체 및 장면
인지
감정
인지
인물
식별
이미지내
텍스트 인지
Unsafe 이미지
식별
유명인
인지

F RHG CG GCGA U
5 (
5 (
5 3 5
2 5 5 ( 5
F R H G
A D H M G M L E A H C L F K
2 H L H H D K
D L I E
G K M I N C K
G C G A
M I N C K
G C G A
5 C G H F G L
G C G A
3 I L C F C R L C H G
2 H
C G C G A
H K L C G A
) I E H F G L
F OH DK GL K G KL M LM
F R H G
5 D H A G C L C H G
F A
F R H G
H E E
F R H G
G K C
F R H G
G K E L
F R H G
( H F I G
F R H G
P
F R H G
5 D H A G C L C H G
C H
T U WV S
F R H G
H K L
H KLCGA
F R H G
P L L
F R H G
K H G E C R
5 HFF G LCHGK
F R H G
(
) 2
F R H G
( ( &
K G A K K F R H G
E K L C
G G
F R H G
G G L C

Amazon ForecastAmazon Personalize

ni z SgM R r
i F i m
s le
AP i U k n a o
e
r
m
K
E a o
YeT

웹서버
Browser
추천
질의
추천
결과
추천 요청
추천
결과
실시간 이벤트 데이터
웹서버
Browser
순서
재정렬
요청
재정렬
결과
검색
개인화
검색결과
검색 요청
검색 결과
추천 메시지원본 메시지 메시지 발송
실시간 추천 개인화 검색
캠페인/이벤트 추천

User
주황색
동그라미
세모
아이템 프로필
사용자 프로필
추천
사용자와 제품의
연관관계 파악
제품간의
유사성 파악
제품간의
의존 관계 파악

User ID 나이 성별
User ID Item ID Timestamp 장바구니 구매
Item ID 카테고리 브랜드

고객 홍순이

Browser
Click, Search, AddToCart,
RemoveFromCart, Checkout,
Like, Comment, Rating, Play,
Pause, Resume
자바 스크립트 예시

의 경우, 전체 페이지뷰의
30%는 추천을 통해 발생 소비자에게 필요한 상품을
적시에 제공하고,
공급자에게 기회 보장,
새로운 가치에 기회를 제공

미래에 대한
가시성,
비용 절감,
고객 가치에
투자 기회 확보

Amazon Forecast
아마존의 경험 기반의 미래 예측
K E Y F E AT U R E S
복수의 시계열
데이터를 통합
모델링
자동화된
머신 러닝
시각화 및 외부
애플리케이션 연계
모델 정확도 평가
주기적 모델
재학습
스케쥴링
기존 알고리즘
재사용 가능
암호화

어떤 데이터를 준비해야 하나요?

단지 추세로 모든 것을 설명할 수 없습니다.

단지 추세로 모든 것을 설명할 수 없습니다.
가격

그룹 수준의 패턴 인지를 위한 메타 데이터 활용

Item ID Timestamp Demand
Item ID Timestamp Price Stockout Promotion
Item ID 카테고리 브랜드

1. CJ대한통운 소개
계약물류 포워딩택배 항만하역프로젝트
물류 컨설팅
국제운송 하역 통관 운송
보관분류고객 배송
CJ대한통운은 물류 전분야에 대한 전문성을 보유하고 다양한 서비스를 제공하고 있으며, 최첨단
물류 기술과 축적된 노하우로 고객에게 최적화된 One-Stop 솔루션을 제공함

2. TES전략실 소개
TES1)는 글로벌 물류의 혁신리더를 지향하는 CJ대한통운의 핵심역량으로서 최첨단 기술과 최적의
프로세스, 최고의 IT 서비스를 결합하여 미래를 선도할 물류 솔루션을 기획함
1) TES : Technology, Engineering, System & Solution
[ 최적의 운영모델 설계 ]
• 거점과 수/배송 최적화 서비스
• 물류센터 최적화 서비스
• 빅데이터 기반 부가가치 서비스
E
Engineering
[ 미래 물류기술 선도 ]
• 자동화 / 무인화 / 지능화 방향성 수립
• 스마트 물류센터 자동화 기술 개발
• Last Mile 배송 특화 서비스
• IoT 기반 기술 융합
[ End to End 서비스 ]
• CL + Parcel + Delivery + FF 까지의 End to End
통합 Visibility 서비스
• 산업별 특화 솔루션 서비스
• E-Commerce 등 플랫폼 특화 서비스
[ 방법론 기반 최적의 솔루션 ]
• 컨설팅 방법론 M-SCORE 2.0 보유
• 지속가능 미래 물류 전략 컨설팅
• 운영 효율화를 위한 물류 운영 컨설팅
• 생산성 확보를 위한 현장 개선(PI) 컨설팅
T
Technology
S
System&
Solution
C
Consulting

2. TES전략실 소개
TES1)는 글로벌 물류의 혁신리더를 지향하는 CJ대한통운의 핵심역량으로서 최첨단 기술과 최적의
프로세스, 최고의 IT 서비스를 결합하여 미래를 선도할 물류 솔루션을 기획함
- 거점의 수, 위치, 배송권역 등 최적 거점 네트워크 운영 최적화 시뮬레이션
- 수/배송에 대한 화물 특성 별 최적 운송모드·자원·루트 최적화 시뮬레이션
[ 최적의 운영모델 설계 ]
- 최적화된 물류 설비조합과 시뮬레이션 검증을 통한 운영 Gap 최소화
- 시뮬레이션을 통한 물류센터의 운영 전략 및 비용 최적화
- 데이터 분석을 통한 운영 혁신 및 서비스 차별화 과제 지원
- 미래 물동량 및 자원 예측을 통한 운영 최적화
- 사업 value chain 확대 지원을 통해 신사업 지원 및 발굴
거점과 수/배송
최적화 서비스
물류센터
최적화 서비스
빅데이터 기반
부가가치 서비스
E
Engineering
1) TES : Technology, Engineering, System & Solution

4. 택배 물동량 예측의 중요성
택배 당일 집화 물량을 기반으로 간선차량과 허브 운영인력이 배치됨에 따라 서브터미널에서
집화하는 고객사 총 물량을 예측하는 것은 운영 최적화의 출발임
서브터미널 집화 물동량
허브/서브터미널 인력비간선차량비
화주창고
서브터미널
(집화)
서브터미널
(배송)
수하인(집)
기사
(배송)
기사
(집화)
간선차량 간선차량허브터미널
(분류)

6. AWS Forecast PoC 수행 배경
•AWS는 고객사 실 데이터를 활용하여 시계열 예측
알고리즘인 Deep AR+과 Forecast 서비스를 사전에
검증하고자 함
•자사는 사전 정제된 데이터를 보유하고 있으며, AWS의
서비스를 활용하여 정확도 개선 및 다양한 실험을
시도하고자 함
• 19개 정도 (한국 특수기 정보와 택배 운영 정보)
- 휴무 여부, 연말효과 여부, 공휴일 여부, 부분근무 여부,
휴일 여부, 여름휴가기간 여부, 어린이날특수기 여부,
간절기 여부 등
• 데이터 양 : 303개 서브터미널, 3년 7개월 정보
- Train Set : 15년 1월 ~ 17년 12월 (3년)
- Test Set : 18년 1월 ~ 18년 7월 (7개월)
아마존에서 활용하고 있는 AWS 수요예측 기법을 적용하여 자사의 서브터미널 별 물동량 예측
정확도를 향상 시킬 수 있는지 검증하고자 PoC를 수행함
PoC 배경 제공 정보
※ DeepAR : Probabilistic Forecasting with Autoregressive Recurrent Networks(Amazon, 2017)

7. AWS Forecast PoC 결과
1차/2차 (DeepAR+)
기간
사용 변수
정확도
• 학습 기간 : 15년 1월 1일 ~ 17년 12월 31일
• 테스트 기간 : 18년 1월 1일 ~ 18년 7월 31일 (7달)
• 집화일자, 물동량, 서브터미널, 휴일
• 학습 기간 : 15년 6월 1일 ~ 18년 5월 31일
• 테스트 기간 : 18년 6월 1일 ~ 18년 7월 31일 (2달)
주체 • AWS 본사 • CJ대한통운
• Custom Domain
• Target Time Series Dataset : 집화일자, 물동량, 서브터미널
• 휴일 변수 미사용 (한국 캘린더 정보 미 반영)
3차 (Forecast 서비스)
SageMaker에서 우선 DeepAR 알고리즘 정확도를 테스트한 후, 향후 출시 예정인 Forecast
서비스에 대해서 테스트를 수행함
• DeepAR 모형 : 83.7 %
• DeepAR + 모형 : 84.3 %
• AutoML 모형 : 77.6%
• 향후 한국 캘린더 정보 추가시 모형 적용하여 비교 예정
수행 환경 • SageMaker • Forecast 서비스 Beta (정식 버전 향후 출시 예정)

아쉬운
점
좋은
점
8. PoC 수행시 느낀점
Fast
• 학습시간과 예측시간 단축 :
모형 개발 → 테스트 → Deploy 신속
적용 가능
Compact
• 서브터미널별 각각의 예측모형 생성이
아닌 하나의 모형으로 전체 서브터미널
예측
Easy
• 최적화 모형 자동 선택 : AutoML
- 모형에 대한 비전문가도 쉽게 사용
- 데이터 유형에 따라 쉽게 입력/사용 가능
(필수 변수 3개 ~ Max 15개)
Not expandable
• Related Time Series 사용 변수 제한
- 15개로 한정
- 연속형 변수 사용 어려움 : 필요시 SageMaker
또는 Python Notebook을 통해서 생성 가능
Unexplainable
• AutoML 선택시 사용된 알고리즘과 예측에 영향을
준 변수 식별에 어려움 존재 (추후 보완 예정)
• 예측 결과를 엑셀 데이터 형태로 생성 어려움: 별도
작업 필요 (추후 보완 예정)
Forecast 모형 : ARIMA, DeepAR, DeepAR+, MQ-RNN, Prophet, MLP 등 11개 모형

9. 향후 방향
•택배 물동량 예측 정확도 향상을 위해서 4개 모형으로 분리 수행
- 유사도로 고객사군 생성
- Item Metadata Dataset 정보 활용 (4개 군집화)
- Related Time Series Dataset
•포워딩 SCFI 및 10개 지역(미국동부, 미국서부 등) 운임 지수 예측 정확도 향상
- 현재 MLP, Ridge, RBF 알고리즘 사용
- DeepAR 이외 AutoML 적용
• 택배 고객사 물동량 예측
- 온라인 물동량 예측 가능한 고객사 후보 선정
- 고객사 서비스 차별화에 활용
구분 설정 값
Domain Custom
Target Time Series
Dataset
timestamp(기간:일자)
target_value(값:물동량)
item_id(예측할 대상:서브터미널)
Item Metadata
Dataset
item_id(예측할 대상:서브터미널)
Category(유형 정보 :군집번호)
Related Time Series
Dataset
이벤트 일자 여부 (어린이날 여부, 휴일 전일
여부, 휴일 익일 여부 등)
※ 한국 캘린더 기능 추가 이후

DeepFM
FFNN
HRNN
PersonalizeReranking
Popularity-baseline
SIMS
DeepAR
DeepAR+
MQRNN
ARIMA
ETS
MDN
NPTS
Prophet
SQF
기존의 방법 뿐 아니라 Deep Learning 기반의 알고리즘들
소비자를 그리고 스스로을 연구하고 개발해온 아마존의 20년 노하우

데이터
도메인
지식

Next Step
§ 관련 세션
ü아마존닷컴처럼 Amazon Forecast로 시계열 예측하기
ü개인화 추천 기능의 맞춤형 AI 서비스 혁명

여러분의 피드백을 기다립니다!
#AWSSummit 해시태그로
소셜미디어에 여러분의
행사소감을 올려주세요.
AWS Summit Seoul 2019
모바일 앱과 QR코드를 통해
강연평가 및 설문조사에
참여하시고 재미있는 기념품을
받아가세요.
내년 Summit을 만들 여러분의
소중한 의견 부탁 드립니다.

감사합니다!

추천, 개인화 그리고 물류 예측 - 어떻게 시작하고 무엇을 준비해야 하는가? - 김민성 솔루션즈 아키텍트, AWS / 경희정 부장, CJ대한통운 :: AWS Summit Seoul 2019

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to 추천, 개인화 그리고 물류 예측 - 어떻게 시작하고 무엇을 준비해야 하는가? - 김민성 솔루션즈 아키텍트, AWS / 경희정 부장, CJ대한통운 :: AWS Summit Seoul 2019

Similar to 추천, 개인화 그리고 물류 예측 - 어떻게 시작하고 무엇을 준비해야 하는가? - 김민성 솔루션즈 아키텍트, AWS / 경희정 부장, CJ대한통운 :: AWS Summit Seoul 2019 (20)

More from Amazon Web Services Korea

More from Amazon Web Services Korea (20)

추천, 개인화 그리고 물류 예측 - 어떻게 시작하고 무엇을 준비해야 하는가? - 김민성 솔루션즈 아키텍트, AWS / 경희정 부장, CJ대한통운 :: AWS Summit Seoul 2019