컬리의 Virtual 물류 센터

컬리 물류센터의 피킹 공정을 가상 환경에 재현한 디지털 트윈/시뮬레이션을 구축해, 현장에서 직접 실험하기 어려운 개선안을 사전에 평가하는 사례다. DEVS 형식론으로 시스템을 정의하고 AnyLogic으로 구현·검증한 뒤 동선·재고배치 개선안을 실험한다.

핵심 포인트

과거 데이터 분석은 미래 변화를, 현장 실험은 운영 병행·관찰자 편향 문제를 안고 있어, 조건 변경의 미래 영향을 시뮬레이션으로 객관적으로 평가하는 방법을 택했다.
작업자 간 상호작용이 없다는 점을 활용해 DEVS 형식론(State/Transition)으로 Wait→Check→Move→Pick→Load 흐름을 명세하고 AnyLogic(Java 기반)으로 구현했다.
시뮬레이션 결과와 실제 작업 시간 분포가 Kolmogorov-Smirnov 검정에서 차이 없음(p=.99)으로 확인돼 모델 타당성을 검증했다.
동선 형태(U자 vs Z자)와 고빈도 SKU 재배치 실험으로 SKU 수·작업자 수에 따른 거리·시간·병목 트레이드오프를 정량적으로 도출했다.

상세 정리

문제의식: 통로 병목·긴 동선 같은 현장 난관에 대한 개선 아이디어가 실무에서 효과가 있을지 판단하기 어려웠다.
시스템 정의: 각 작업자를 독립적으로 보고 DEVS로 명세했다 — 명령 대기(Wait), 우선순위 확인(Check), 이동(Move), 적재(Pick), 컨베이어 로딩(Load) 상태와 전이를 정리.
모델 구조: Main 레이어가 피킹잡을 생성하고 작업자 수만큼의 Process 레이어가 병렬로 작업을 수행하며, locationKey/sku/batch/picker 등을 Agent·ResourcePool·StorageSystem으로 구성했다.
행동 규칙: 작업자는 장애물을 고려한 최단 경로로 이동하고 목적지가 점유 중이면 대기하며, 이동 속도·작업 시간은 확률 분포로, 피킹 시간은 상품 개수·부피·무게를 반영해 계산한다.
검증: 특정 일자 피킹 데이터를 입력해 얻은 피킹잡당 작업 시간 분포가 실제와 통계적으로 동일함을 KS 검정으로 확인했다.
활용1(동선): U자는 세로 이동 2회, Z자는 세로 1회에 지번 수만큼 가로 이동이라, SKU가 적으면 Z자가, 많으면 U자가 거리 면에서 유리한 경향을 실험으로 확인했다.
활용2(재고 리로케이션): 고빈도 SKU를 시작 지점 근처에 모으면 작업자 6명 기준 작업 시간이 평균 5% 감소했으나, 인원이 늘수록 입구 근처 병목이 심해져 시간이 가파르게 증가했다.
결론: 고빈도·저빈도 SKU를 적절히 분산 배치하는 것이 중요하다는 의사결정 근거를 제공했다.
향후: 강화 학습 등을 적용해 생산 계획을 최적화하고, 나아가 물류센터 전체 공정을 조망하는 디지털 트윈으로 고도화할 예정이다.