IntraLogis Web v9.25.1

🎯 셀프-레이아웃이란?정적 슬로팅 → 동적 자가 재설계

기존 창고 레이아웃은 정적 슬로팅(Static Slotting) 룰을 1년에 1~2회 수기로 갱신하는 방식이었다. 시즌 변화나 SKU 회전율 급변에 즉시 대응하지 못해 골든존이 콜드 SKU로 점거되거나, 반대로 핫 SKU가 데드존에 묻혀 피킹 동선이 비효율화되는 문제가 반복되었다.

RT-W19 AI 셀프-레이아웃은 warehouse_state 90일치 스냅샷을 기반으로zone × aisle × bay 단위 활용도 + 인접성 + ABC 회전등급을 통합 분석하여슬로팅 자가 재설계안 N개 후보를 매월 생성한다. 디지털 트윈 시뮬에서 KPI 개선이 검증된 후보만 채택되며, 목표는 보관 용량 +15~20% · 피킹 거리 -10% · 아일 혼잡 점수 감소이다.

🧭 셀프-레이아웃 5단계 파이프라인데이터 → 집계 → 클러스터링 → 후보 → 시뮬

STEP 1

데이터 수집

warehouse_state 90일치 스냅샷 적재. occupancy_rate · pick_events · motion log를 zone/aisle/bay 단위로 보존.

STEP 2

활용도 집계

zone × aisle × bay 그룹별 AVG(occupancy_rate) +COUNT(pick_events)로 사용률 / 회전율 매트릭스 산출.

STEP 3

AI 클러스터링

k-means(k=4) / DBSCAN(eps=0.18)로 핫존 / 웜존 / 콜드존 / 데드존 4계층 분류. 인접성·도크 거리도 반영.

STEP 4

재배치 제안

골든존 ↔ 데드존 SKU 교체안 N개 후보 생성. Score(bay) 함수로 우선순위 랭킹, 인시 비용·이동 거리·통로 폭 제약 동시 충족.

STEP 5

시뮬 검증 + 적용

디지털 트윈에 후보 적용 → 보관 용량 / 피킹 거리 / 혼잡도 KPI 추정. promote 기준 충족 시 채택, 아니면 보류 후 재후보화.

🐍 공간 활용도 분석 (Python)

def analyze_space_utilization(warehouse_id, period_days=90):
    # 90일치 zone/aisle/bay 활용도 + 피킹 빈도 집계
    usage = db.query("""
        SELECT zone, aisle, bay,
               AVG(occupancy_rate) AS avg_usage,   -- 평균 점유율
               COUNT(pick_events)  AS pick_count   -- 피킹 빈도
        FROM warehouse_state
        WHERE warehouse_id = %s
          AND date >= NOW() - INTERVAL %s DAY
        GROUP BY zone, aisle, bay
""", (warehouse_id, period_days))
    return usage   # 공간별 활용도 히트맵

def cluster_zones(usage_df):
    # k-means(k=4) + DBSCAN 결합으로 핫/웜/콜드/데드 분류
    features = usage_df[["avg_usage", "pick_count", "dist_to_dock"]]
    km = KMeans(n_clusters=4, random_state=42)
    usage_df["zone_class"] = km.fit_predict(features)
    return usage_df

📐 재배치 우선순위 스코어Bartholdi & Hackman 기반 가중합

Score(bay) = α · avg_usage + β · log(1 + pick_count) − γ · distance_to_dock

Δ공간 = 보관용량(after) − 보관용량(before) → 목표 +15~20%

# α=0.4 (사용률) · β=0.4 (회전율) · γ=0.2 (도크 거리 패널티)

α 0.4avg_usage 평균 점유율. 점유율이 높은 베이는 이미 사용 중이므로 SKU 교체 후보 가중치 ↑

β 0.4log(1+pick_count) 피킹 빈도. 회전율이 높은 SKU는 골든존 배치가 우선

γ 0.2distance_to_dock 도크 거리 패널티. 멀수록 점수 감소, 데드존 분류 가속

Δ컴팩션 + 슬롯 다운사이징으로 보관 용량 +15~20% 추가 확보 목표

🌡️ 활용도 히트맵 미리보기aisle × bay · 5×8 샘플 그리드

0~25% 데드존25~50% 콜드존50~75% 웜존75%+ 핫존(골든)

참고문헌
[1] 박소연 외, "AI 셀프-레이아웃 재설계 적용", IntraLogis 내부 리포트 (2025.10)
[2] Bartholdi, J.J. III & Hackman, S.T., "Warehouse & Distribution Science", v0.97 (2019)
[3] Heskett, J.L., "Cube-Per-Order Index", Logistics & Trans. Review (1963)
[4] Frazelle, E.H., "World-Class Warehousing and Material Handling", 2nd ed. (2016)
[5] MWPVL International, "Warehouse Layout Optimization Best Practices" (2024)
[6] 한국통합물류협회, "창고 레이아웃 가이드" (2024)

RT-W19: AI 셀프-레이아웃 재설계

🗺️ AI 셀프-레이아웃 (Self-Layout) 재설계