Post

6.물류의 최적경로를 컨설팅하는 테크닉 10

Posted Updated
By Lee Jae Hui
13 min read
6.물류의 최적경로를 컨설팅하는 테크닉 10

🔖고객의 소리

💬제품의 부품을 보관하는 창고에서 생산 공장까지 운송 비용을 낮출 수 있을지 검토하고 싶다.

🔖전제 조건

  • 창고 -> 생산 공장으로 부품 전달
  • 운송 비용: 과거 데이터에서 정량적으로 계산되어 있음
  • 집계 기간: 20190101 ~ 20191231

alt text

051.물류 데이터를 불러오자

데이터 불러오기

생산 공장 데이터(tbl_factory), 창고 데이터(tbl_warehouse), 창고와 공장 간의 운송 비용(rel_cost), 운송실적(tbl_transaction)

1
2
3
4

import pandas as pd

factories = pd.read_csv("tbl_factory.csv", index_col = 0)
factories

alt text

1
2
3
4

warehouses = pd.read_csv("tbl_warehouse.csv", index_col = 0)
# index_col을 0으로 설정하면 unnamed:0 을 없앨 수 있다.
cost = pd.read_csv("rel_cost.csv", index_col = 0)
cost.head()

alt text

1
2

trans = pd.read_csv("tbl_transaction.csv", index_col = 0)
trans.head()

alt text

  • 공장 데이터와 창고 데이터
    • 비용 데이터나 운송 실적 데이터에도 있는 것으로 보아 키인 것을 알 수 있음.
  • 비용 데이터
    • 공장과 창고의 조합으로 관리되고 있음.
    • 해당 공장에서 창고로 이동하는데 드는 비용
  • 운송 실적 테이블
    • 운송 날짜, 출발 공장(ToFC), 도착 공장(FromWH), 운송 개수

운송 실적 데이터와 비용 데이터 결합 결과

1
2

join_data = pd.merge(trans, cost, left_on=["ToFC", "FromWH"], right_on=["FCID", "WHID"], how='left')
join_data.head()

alt text

공장 데이터 추가 결합 결과

1
2

join_data = pd.merge(join_data, factories, left_on="ToFC", right_on="FCID", how="left")
join_data.head()

alt text

창고 데이터를 추가 결합하고 칼럼을 정리한 결과

1
2
3

join_data = pd.merge(join_data, warehouses, left_on="FromWH", right_on="WHID", how="left")
join_data = join_data[["TransactionDate", "Quantity", "Cost", "ToFC", "FCName", "FCDemand", "FromWH", "WHName", "WHSupply", "WHRegion"]]
join_data.head()

alt text

북부지사의 데이터만 추출한 결과

1
2

north = join_data.loc[join_data["WHRegion"] == "북부"]
north.head()

alt text

남부지사의 데이터만 추출한 결과

1
2

south = join_data.loc[join_data["WHRegion"] == "남부"]
south.head()

alt text

052.현재 운송량과 비용을 확인해 보자

운송 실적 총비용 집계 결과

1
2
3
4

print("북부지사 총비용: " + str(north["Cost"].sum())+"만원")
# 북부지사 총비용: 2189.3만원
print("남부지사 총비용: " + str(south["Cost"].sum())+"만원")
# 남부지사 총비용: 2062.0만원

운송 실적 총 운송 부품 개수 집계 결과

1
2
3
4

print("북부지사의 총부품 운송개수: " + str(north["Quantity"].sum())+"개")
# 북부지사의 총부품 운송개수: 49146개
print("남부지사의 총부품 운송개수: " + str(south["Quantity"].sum())+"개")
# 남부지사의 총부품 운송개수: 50214개

운송 부품 1개당 운송 비용

1
2
3
4
5
6

tmp = (north["Cost"].sum() / north["Quantity"].sum())*10000
print("북부지사의 부품 1개당 운송 비용: " + str(int(tmp)) + "원")
# 북부지사의 부품 1개당 운송 비용: 445원
tmp = (south["Cost"].sum() / south["Quantity"].sum())*10000
print("남부지사의 부품 1개당 운송 비용: " + str(int(tmp)) + "원")
# 남부지사의 부품 1개당 운송 비용: 410원

비용 데이터로부터 지사별 평균 운송 비용 계산

1
2
3
4
5

cost_chk = pd.merge(cost, factories, on="FCID", how="left")
print("북부지사의 평균 운송 비용: " + str(cost_chk["Cost"].loc[cost_chk["FCRegion"] == "북부"].mean())+"원")
# 북부지사의 평균 운송 비용: 1.075원
print("남부지사의 평균 운송 비용: " + str(cost_chk["Cost"].loc[cost_chk["FCRegion"] == "남부"].mean())+"원")
# 남부지사의 평균 운송 비용: 1.05원

💡각 지사의 평균 운송 비용은 거의 같으므로 북부지사보다 남부지사 쪽이 “효율 높게” 부품을 운송하고 있다는 것을 알 수 있음!

053.네트워크를 가시화해 보자

❗최적화 프로그램이 도출한 계획이 올바른지, 그 계획을 선택할지 여부는 의사결정권자의 이해 여부에 달려 있음! -> 가시화 중요! 조건 만족하는지 확인 중요!

네트워크 가시화 결과

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

import networkx as nx
import matplotlib.pyplot as plt

# 그래프 객체 생성
G = nx.Graph()

# 노드 설정
G.add_node("nodeA")
G.add_node("nodeB")
G.add_node("nodeC")

# 엣지 설정
G.add_edge("nodeA", "nodeB")
G.add_edge("nodeA", "nodeC")
G.add_edge("nodeB", "nodeC")

# 좌표 설정
pos = {}
pos["nodeA"] = (0,0)
pos["nodeB"] = (1,1)
pos["nodeC"] = (0,1)

# 그리기
nx.draw(G, pos)

# 표시
plt.show()

alt text

054.네트워크에 노드를 추가해 보자

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

import networkx as nx
import matplotlib.pyplot as plt

# 그래프 객체 생성
G = nx.Graph()

# 노드 설정
G.add_node("nodeA")
G.add_node("nodeB")
G.add_node("nodeC")
G.add_node("nodeD")

# 엣지 설정
G.add_edge("nodeA", "nodeB")
G.add_edge("nodeA", "nodeC")
G.add_edge("nodeB", "nodeC")
G.add_edge("nodeA", "nodeD")

# 좌표 설정
pos = {}
pos["nodeA"] = (0,0)
pos["nodeB"] = (1,1)
pos["nodeC"] = (0,1)
pos["nodeD"] = (1,0)

# 그리기
nx.draw(G, pos, with_labels=True)

# 표시
plt.show()

alt text

055.경로에 가중치를 부여하자

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import networkx as nx

# 데이터 불러오기
df_w = pd.read_csv('network_weight.csv')
df_p = pd.read_csv('network_pos.csv')

# 엣지 가중치 리스트화
size = 10
edge_weights = []
for i in range(len(df_w)):
    for j in range(len(df_w.columns)):
        edge_weights.append(df_w.iloc[i][j]*size)

# 그래프 객체 생성
G = nx.Graph()

# 노드 설정
for i in range(len(df_w.columns)):
    G.add_node(df_w.columns[i])
    
# 엣지 설정
for i in range(len(df_w.columns)):
    for j in range(len(df_w.columns)):
        G.add_edge(df_w.columns[i], df_w.columns[j])
        
# 좌표 설정
pos = {}
for i in range(len(df_w.columns)):
    node = df_w.columns[i]
    pos[node] = (df_p[node][0], df_p[node][1])

# 그리기
nx.draw(G, pos, with_labels = True, font_size=16, node_size=1000, node_color='k',font_color='w', width=edge_weights)

# 표시
plt.show()

alt text

056.운송 경로 정보를 불러오자

최소의 비용으로 부품을 배송하려면, 어느 창고에서 어느 공장으로 어느 정도 양을 운송해야 하는지를 검토해야함.

데이터 정보

alt text

경로 정보 불러오기

1
2
3
4
5

import pandas as pd
# 데이터 불러오기
df_tr = pd.read_csv('trans_route.csv',index_col="공장")
# "공장"열을 index로!
df_tr.head()

alt text

057.운송 경로 정보로 네트워크를 가시화해 보자

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47

import pandas as pd
import matplotlib.pyplot as plt
import networkx as nx

# 데이터 불러오기
df_tr = pd.read_csv('trans_route.csv', index_col="공장")
df_pos = pd.read_csv('trans_route_pos.csv')
  # 왼쪽: 창고 / 오른쪽: 공장 -> 파악 쉬움

# 객체 생성
G = nx.Graph()

# 노드 설정
for i in range(len(df_pos.columns)):
    G.add_node(df_pos.columns[i])

# 엣지 설정 및 가중치 리스트화(동시에! 이렇게 해야 엣지의 수와 가중치의 수가 달라지지 않음)
num_pre = 0
edge_weights = []
size = 0.1
for i in range(len(df_pos.columns)):
    for j in range(len(df_pos.columns)):
        if not (i==j):
            # 엣지 추가
            G.add_edge(df_pos.columns[i], df_pos.columns[j])
            # 엣지 가중치 추가
            if num_pre<len(G.edges):
                num_pre = len(G.edges)
                weight = 0
                if (df_pos.columns[i] in df_tr.columns) and (df_pos.columns[j] in df_tr.index):
                    if df_tr[df_pos.columns[i]][df_pos.columns[j]]:
                        weight = df_tf[df_pos.columns[i]][df_pos.columns[j]]*size
                elif(df_pos.columns[j] in df_tr.columns) and (df_pos.columns[i] in df_tr.index):
                    if df_tr[df_pos.columns[j]][df_pos.columns[i]]:
                        weight = df_tr[df_pos.columns[j]][df_pos.columns[i]]*size
                        edge_weights.append(weight)
# 좌표 설정
pos = {}
for i in range(len(df_pos.columns)):
    node = df_pos.columns[i]
    pos[node] = (df_pos[node][0], df_pos[node][1])

# 그리기
nx.draw(G, pos, with_labels=True, font_size=16, node_size=1000, node_color='k', font_color='w', width=edge_weights)

# 표시
plt.show()

alt text

058.운송 비용 함수를 작성하자

최적화 문제 푸는 패턴

  1. 최소화(또는 최대화)하고 싶은 것을 함수(목적 함수)로 정의
  2. 최소화(또는 최대화)를 함에 있어 지켜야 할 조건(제약 조건)을 정의
  3. 생각할 수 있는 여러 가지 조합 중에서 제약 조건을 만족시키면서 목적함수를 최소화(또는 최대화)하는 조합을 선택

운송 비용 계산

  • 가설: “운송 비용을 낮출 효율적인 운송 경로가 존재한다”
  • 목적함수: 운송 비용을 계산할 함수
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

import pandas as pd

# 데이터 불러오기
df_tr = pd.read_csv('trans_route.csv', index_col = "공장")
df_tc = pd.read_csv('trans_cost.csv', index_col = "공장")

# 운송 비용 함수
def trans_cost(df_tr, df_tc):
    cost = 0
    for i in range(len(df_tc.index)):
        for j in range(len(df_tr.columns)):
            cost += df_tr.iloc[i][j]*df_tc.iloc[i][j]
    return cost

print("총 운송 비용: "+ str(trans_cost(df_tr, df_tc)))
# 총 운송 비용: 1493

059.제약 조건을 만들어보자

  • 각 창고: 공급 가능한 부품 수에 제한있음
  • 각 공장: 채워야 할 최소한의 제품 제조량이 있음

제약 조건 작성

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

import pandas as pd

# 데이터 불러오기
df_tr = pd.read_csv('trans_route.csv', index_col="공장")
df_demand = pd.read_csv('demand.csv')
df_supply = pd.read_csv('supply.csv')

# 수요측 제약 조건
for i in range(len(df_demand.columns)):
    temp_sum = sum(df_tr[df_demand.columns[i]])
    print(str(df_demand.columns[i]) + "으로 운송량: "+str(temp_sum)+"(수요량:" + str(df_demand.iloc[0][i])+")")
    if temp_sum >= df_demand.iloc[0][i]:
        print("수요량을 만족시키고 있음")
    else:
        print("수요량을 만족시키지 못하고 있음. 운송경로 재계산 필요")
    
# 공급측 제약 조건
for i in range(len(df_supply.columns)):
    temp_sum = sum(df_tr.loc[df_supply.columns[i]])
    print(str(df_supply.columns[i])+" 부터의 운송량: "+str(temp_sum)+" (공급한 계:"+str(df_supply.iloc[0][i])+")")
    
    if temp_sum <= df_supply.iloc[0][i]:
        print("공급한계 범위내")
    else:
        print("공급한계 초과. 운송경로 재계산 필요")

alt text

060.운송 경로를 변경해서 운송 비용 함수의 변화를 확인하자

시험삼아 W1에서 F4로의 운송⬇️ 그만큼을 W2에서 F4로의 운송으로 보충! -> trans_route_new.csv

비용 개선 계산

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

import pandas as pd
import numpy as np

# 데이터 불러오기
df_tr_new = pd.read_csv('trans_route_new.csv', index_col = '공장')
print(df_tr_new)

# 총 운송 비용 재계산
print("총 운송 비용(변경 후) :"+str(trans_cost(df_tr_new, df_tc)))

# 제약 조건 계산 함수
# 수요측

def condition_demand(df_tr, df_demand):
    flag = np.zeros(len(df_demand.columns))
    for i in range(len(df_demand.columns)):
        temp_sum = sum(df_tr[df_demand.columns[i]])
        if (temp_sum>=df_demand.iloc[0][i]):
            flag[i]=1
    return flag

# 공급측

def condition_supply(df_tr, df_supply):
    flag = np.zeros(len(df_supply.columns))
    for i in range(len(df_supply.columns)):
        temp_sum = sum(df_tr.loc[df_supply.columns[i]])
        # 행 참조
        if (temp_sum<=df_supply.iloc[0][i]):
            flag[i]=1
            # 그래프화 조건 만족하면 1, 아니면 0
    return flag    

print("수요조건 계산결과: "+str(condition_demand(df_tr_new, df_demand)))
print("공급조건 계산결과: "+str(condition_supply(df_tr_new, df_supply)))

alt text

데비&추천시스템, 파이썬 데이터분석 실무 테크닉 100
Khuda ML data
This post is licensed under CC BY 4.0 by the author.

Trending Tags

data Khuda ML