1. 수요예측과 일정관리

수요예측

수요예측(Demand Forecasting)이란 과거의 판매 데이터, 시장 트렌드, 경제 지표 등을 바탕으로 미래 특정 기간 동안 발생할 제품이나 서비스의 수요량을 정량적 또는 정성적으로 추정하는 과정이다.

공장 및 공급망 관리의 출발점
생산 계획 수립, 재고 관리, 설비 투자, 인력 배치 등 경영 전략 수립의 기본 기준 제공
공급망 불확실성 감소
과대 재고로 인한 보관 비용 발생 및 재고 부족으로 인한 기회손실 비용 최소화

수요예측은 생산운영의 출발점이며 예측 정확도는 재고, 납기, 생산성 및 수익성에 직접적인 영향을 미친다.

flowchart LR
    A[수요예측] --> B[생산계획] --> C[자재계획] --> D[생산일정] --> E[납기관리]

수요예측의 핵심 목적

수요예측의 핵심 목적은 효율적 재고 관리, 생산 및 설비 계획 최적화, 재무 계획 수립이 있다.

효율적 재고 관리
적정 안전재고 수준 유지 및 채찍효과(Bullwhip Effect) 완화
생산 및 설비 계획 최적화
생산 라인 가동률 제고, 인력 채용 및 원자재 구매 계획 수립
재무 계획 수립
예상 매출액 추정을 통한 예산 편성 및 운전자본 관리

수요의 구성요소

수요의 구성요소는 시계열 데이터에 내재된 변동 패턴을 나타내며, 각 변동의 세부 원인 및 특성은 다음과 같다.

https://www.researchgate.net/figure/Time-Series-components-1-A-time-series-is-a-sequence-of-observations-measured-at_fig1_344658764

수평변동(Horizontal)
특정 평균 수준을 중심으로 우상향이나 우하향 없이 무작위로 오르내리는 기본 패턴
추세변동(Trend)
기술 발전, 인구 변화, 시장 확대 등에 의해 장기간 지속적으로 증가하거나 감소하는 경향
계절변동(Seasonality)
기후, 명절, 휴가철 등 달력상의 주기에 따라 1년 이내의 일정 간격으로 반복되는 변동
순환변동(Cycle)
거시 경제의 경기 변동(호황 및 불황)에 따라 2년 이상의 장기적 주기로 나타나는 상승 및 하강 파동
불규칙변동(Random Noise)
천재지변, 감염병, 돌발적 이슈 등 원인을 파악하기 어렵거나 예측 불가능한 우발적 변동

수요패턴별 적합 예측기법

각 수요패턴에 적용되는 대표적인 정량적 예측기법의 특징 및 수식적 개념은 다음과 같다.

수평변동 적합 기법
- 단순이동평균법(SMA): 과거 일정 기간의 수요 데이터를 단순 평균하여 미래 예측
- 가중이동평균법(WMA): 최근 데이터에 더 높은 가중치를 부여하여 반영
- 단순지수평활법(SES): 최근 가중치를 지수적으로 감소시키며 지수평활계수(\(\alpha\))를 적용해 예측
추세변동 적합 기법
- Holt의 선형 지수평활법: 단순지수평활법에 추세 성분변수(\(\beta\))를 추가하여 기울기를 반영
- 선형 회귀분석(Linear Regression): 시간(X)과 수요량(Y) 간의 선형 상관관계를 분석하여 예측
계절변동 적합 기법
- Holt-Winters 모형: Holt 모형에 계절성 지수(\(\gamma\))를 추가하여 추세와 계절성을 동시에 반영
- 계절지수법(Seasonal Index): 전체 평균 대비 각 계절별 비율을 계산하여 보정
복합패턴 적합 기법
- ARIMA 모형: 자기회귀(AR), 누적이동평균(I), 이동평균(MA)을 결합하여 추세, 계절성, 복잡한 시계열 구조를 종합 모델링

수요 구성요소별 세부 특성과 이에 적합한 예측기법의 비교 정리이다.

구분	변동 주기 및 원인	적합 예측기법	주요 특징
수평변동 (Horizontal)	없음 / 무작위 변동	단순이동평균, 단순지수평활	데이터의 평활화 중심
추세변동 (Trend)	장기적 / 인구, 기술, 시장 변화	Holt 모형, 선형 회귀분석	기울기 및 방향성 반영
계절변동 (Seasonality)	1년 이내 반복 / 기후, 절기	Holt-Winters, 계절지수법	주기성 패턴 보정
순환변동 (Cycle)	2년 이상 장기 / 경기 순환	ARIMA, 경제 지표 회귀분석	거시경제 변수 결합
불규칙변동 (Random)	예측 불가 / 돌발 상황	안전재고 수립, 정성적 기법	정량적 예측 불가, 리스크 관리

수요 예측 시 항상 다음 사항을 유의한다.

예측은 항상 오차를 수반한다.
예측기간이 길수록 정확도가 낮아진다.
여러 기법을 병행하여 검증한다.
정량적 자료와 정성적 정보를 함께 활용한다.

수요예측 기법

수요예측 기법은 크게 과거 데이터 수치 기반의 정량적 기법과 전문가의 직관 및 판단 기반의 정성적 기법으로 구분된다.

정량적 기법 (Quantitative Methods)

수치화된 과거 시계열 데이터나 관련 변수 간의 상관관계를 통계적으로 분석하는 방법이다.

시계열 분석(Time Series Analysis): 이동평균법, 지수평활법, 추세분석 등 과거 데이터의 패턴 추적
인과형 예측(Causal Analysis): 회귀분석(Regression Analysis) 등 수요에 영향을 미치는 외부 변수와의 관계 분석

정성적 기법 (Qualitative Methods)

신제품 출시나 데이터가 부족한 상황에서 전문가 및 현장 관계자의 경험과 판단을 활용하는 방법이다.

델파이 기법(Delphi Method): 전문가 집단의 무기명 설문을 반복하여 의견을 수렴하는 방법
판매원 합산법(Sales Force Composite): 현장 영업 담당자들의 예측치를 수집 및 종합하는 방법
시장조사법(Market Research): 소비자 대상 설문조사 및 표적 집단 면접(FGI)을 통해 수요 측정

구분	정량적 기법 (Quantitative)	정성적 기법 (Qualitative)
데이터 의존성	과거의 축적된 수치 데이터 필수	데이터가 없거나 부족한 경우 적용 가능
주요 예측 대상	기존 제품, 단기 및 중기 수요예측	신제품, 장기 기술 예측, 시장 환경 변화
객관성	수식 및 통계 모델 기반으로 객관성 높음	분석자의 주관 및 직관이 개입될 가능성 높음
대표적 기법	이동평균법, 지수평활법, 회귀분석	델파이 기법, 판매원 합산법, 시장조사법

정성적 예측기법

정성적 예측 기법(Qualitative Forecasting Methods)이란 과거의 수치 데이터가 없거나 부족한 상황에서 전문가의 경험, 직관, 통찰력, 시장 조사 등을 바탕으로 미래의 수요를 예측하는 방법이다.

수치 데이터의 한계 극복
과거 판매 실적이 없는 신제품 출시, 신규 시장 진입, 기술적 급변기 등의 상황에서 유용하게 활용
주관적 판단의 구조화
전문가 및 관련자의 주관적 의견을 체계적으로 수렴하여 예측 결과의 신뢰성 확보

대표적인 정성적 예측 기법

정성적 예측 기법은 의견 수렴 대상 및 방식에 따라 크게 5가지로 구분된다.

델파이 기법 (Delphi Method)
전문가 집단에게 무기명 설문지를 반복 발송하고 통계적 결과를 피드백하여 익명성을 보장한 상태에서 최종 합의를 도출하는 기법
경영진 의견 배합법 (Executive Judgment / Panel of Experts)
임원 및 경영진, 주요 부서 전문가들이 한자리에 모여 토론을 통해 의견을 교환하고 종합적인 예측치를 도출하는 기법
판매원 합산법 (Sales Force Composite)
고객과 직접 접촉하는 현장 영업 담당자들의 지역별 예상 판매량을 수집하고 이를 단계적으로 집계하여 예측하는 기법
시장조사법 (Market Research)
가망 고객을 대상으로 설문조사, 표적 집단 면접(FGI), 시제품 테스트 등을 수행하여 소비자의 구매 의도 데이터를 수집·분석하는 기법
역사적 비유법 (Historical Analogy)
유사한 기존 제품의 과거 수명 주기(PLC) 및 수요 패턴 데이터를 바탕으로 신제품의 초기 수요를 비유적으로 예측하는 기법

구분	주요 특징 및 장점	단점 및 한계	주요 적용 대상
델파이 기법	익명성 보장, 특정인의 의견 독점 방지	절차의 복잡성, 최종 합의까지 시간 소요	장기 기술 예측, 신산업 수급 예측
경영진 의견 배합법	신속한 의사결정 가능, 광범위한 경험 활용	권력 관계에 의한 의견 편향 발생 가능	단기 사업 계획 수립, 비상 상황 대응
판매원 합산법	현장 감각 반영, 지역별 세부 데이터 확보	영업 담당자의 주관적 평가 절하/부풀리기	기존 제품의 지역별/단기 판매 예측
시장조사법	실제 소비자 반응 측정으로 신뢰도 우수	조사 비용 및 시간 과다 소요	신제품 출시 전 구매 의도 파악
역사적 비유법	신제품의 초기 패턴을 신속하게 유추	과거 사례와의 차이점으로 인한 오차 발생	유사 신제품 출시, 서비스 확장

정성적 예측 기법의 핵심 목적

정성적 예측 기법의 핵심 목적은 데이터 부재 대응, 장기 미래 예측, 정량적 기법의 보완이 있다.

데이터 부재 대응
과거 시계열 데이터가 존재하지 않는 신규 사업 분야의 수치 추정
장기 미래 예측
기술 변화 및 거시적 환경 트렌드를 반영한 중장기 수요 방향성 제시
정량적 기법의 보완
수치 모델이 반영하지 못하는 정성적 변수(규제 변화, 경쟁사 동향 등) 반영

델파이법

델파이 기법(Delphi Method)이란 특정 분야 전문가 집단의 의견을 무기명으로 수렴하고, 이를 통계적으로 분석하여 피드백하는 과정을 반복함으로써 신뢰성 높은 집단적 합의를 도출하는 정성적 예측 기법이다.

익명성을 통한 집단 지성 활용
타인의 시선이나 권력 관계에 영향받지 않고 전문가 개개인의 독립적인 직관과 통찰력을 반영
반복적 피드백을 통한 합의 형성
단발성 설문으로 끝나지 않고 이전 라운드의 결과를 공유하여 전문가들이 스스로의 판단을 수정·보완할 기회 제공

델파이 기법의 4가지 핵심 특징

델파이 기법은 익명성, 반복성, 통계적 피드백, 전문가 집단 활용을 특징으로 한다.

무기명성 (Anonymity)
설문 참여자의 신원을 공개하지 않아 권위주의나 집단 사고(Groupthink) 편향 방지
반복과 통계적 피드백 (Iteration & Statistical Feedback)
여러 라운드에 걸쳐 설문을 진행하며 평균, 중앙값, 사분위수 등 통계적 요약 수치 제시
전문가 집단 구성 (Panel of Experts)
해당 주제에 대한 높은 전문성과 경험을 보유한 패널 선정
수렴적 합의 도출 (Consensus) 라운드가 거듭될수록 전문가 간 의견 차이가 줄어들며 최종 예측 결과 도출

델파이 기법 추진 단계

델파이 기법은 전문가 패널 선정부터 최종 합의 도출까지 체계적인 절차를 거쳐 진행된다.

문제 정의 및 전문가 패널 선정
예측 목표를 명확히 하고 관련 분야 전문가 패널(보통 10~30명) 구성
1차 설문 실시 (개방형)
구조화되지 않은 개방형 질문을 통해 전문가들의 자유로운 의견 수집
2차 설문 실시 (폐쇄형 및 통계 공유)
1차 결과를 분류 및 구조화하여 제시하고 전문가 각자에게 자신의 의견 위치 확인 요청
3차 이상 설문 및 의견 수렴
전문가들이 타인의 의견과 통계 수치를 참고하여 기존 판단을 수정하거나 유지하는 이유 작성
최종 결과 분석 및 보고서 작성
의견의 수렴도가 일정 수준에 도달하면 결과를 통계적으로 요약하여 최종 도출

델파이 기법의 장단점 비교

델파이 기법이 가지는 주요 장점과 한계점은 다음과 같다.

구분	주요 장점	주요 단점 및 한계
의사결정 품질	집단 사고 예방 및 익명성을 통한 소신 발언 가능	최종 결과가 무난한 타협안(평균치)으로 수렴될 가능성
적용 범위	데이터가 없는 장기 미래 예측 및 신기술 평가에 용이	설문 설계자의 주관이나 요약 과정에서의 편향 개입 위험
시간 및 비용	직접 모이지 않고 서면/온라인 진행으로 시공간 제약 적음	여러 라운드 진행에 따른 장시간 소요 및 패널 중도 이탈

정량적 예측기법

정량적 예측 기법(Quantitative Forecasting Methods)이란 수치화된 과거 시계열 데이터나 관련 변수 간의 통계적 상관관계를 바탕으로 수학적·통계적 모델을 구축하여 미래 수요를 예측하는 방법이다.

데이터 기반의 객관적 추정
분석자의 주관이나 편향을 최소화하고 수학적 공식에 기반하여 신뢰성 높은 결과 산출
패턴 및 연관성 분석
과거 데이터에 존재하는 추세, 계절성, 주기적 패턴을 파악하거나 외부 변수와의 인과관계를 모델링하여 반영

주요 정량적 예측 기법 분류

정량적 예측 기법은 과거 시계열 데이터만 활용하는 시계열 분석과 외부 변수와의 관계를 분석하는 인과형 예측으로 구분된다.

시계열 분석 기법 (Time Series Analysis)
시간의 흐름에 따른 과거 수요 데이터의 패턴(수평, 추세, 계절성 등)을 추출하여 미래 예측
- 단순이동평균법(SMA): 일정 기간의 과거 데이터 평균치를 예측치로 활용
- 지수평활법(Exponential Smoothing): 최근 데이터에 가중치를 부여하여 지수적으로 감소시키는 방식
- 추세반영 지수평활법(Holt's Model): 단순지수평활법에 추세 성분을 추가하여 반영
- 계절성 반영 지수평활법(Holt-Winters Model): 추세와 계절성 성분을 동시에 고려하여 모델링
- ARIMA 모형: 자기회귀(AR) 및 이동평균(MA)을 결합하여 복잡한 시계열 구조 정밀 예측
인과형 예측 기법 (Causal / Associate Forecasting)
수요에 직접적인 영향을 미치는 외부 독립변수(가격, 광고비, 경기지표 등)와의 상관관계를 분석하여 예측
- 선형 회귀분석(Linear Regression): 독립변수(X)와 종속변수(수요, Y) 간의 선형 관계 추정
- 다중 회귀분석(Multiple Regression): 둘 이상의 독립변수를 포함하여 복합적 영향력 분석

정량적 예측 기법의 핵심 목적

정량적 예측 기법의 핵심 목적은 객관성 확보, 반복적 예측 체계 구축, 오차 관리가 있다.

객관성 확보
수치 데이터와 통계 모델 기반의 일관성 있는 예측 수치 도출
반복적 예측 체계 구축
자동화된 알고리즘을 통한 주기적이고 대규모 품목(SKU) 단위 예측 수행
오차 관리
MAD, MSE, MAPE 등의 지표를 활용하여 예측 오차를 정량적으로 측정하고 모델 개선

대표적인 정량적 예측 기법 비교

시계열 분석 기법과 인과형 예측 기법의 주요 특징 및 적합 환경 비교는 다음과 같다.

구분	시계열 분석 기법	인과형 예측 기법
데이터 요건	과거 기간별 단일 수요 데이터 (Time Series)	수요 및 영향 요인 변수 데이터 (X, Y)
핵심 가정	과거의 패턴과 트렌드가 미래에도 지속됨	변수 간의 상관관계가 미래에도 유지됨
주요 용도	단기 및 중기 수요예측, 재고 관리	중·장기 수요예측, 신규 마케팅 효과 분석
대표 기법	이동평균법, 지수평활법, ARIMA	선형 회귀분석, 다중 회귀분석
장단점	데이터 수집 용이, 신속성 우수 / 구조적 변화 반영 한계	예측 인과관계 파악 가능 / 외부 변수 데이터 수집 난이도 높음

시계열 분석법

이동평균법 (Moving Average)

최근 일정 기간 \(n\)개의 평균을 이용하여 예측하는 방법이다.

\[ F_{t+1}=\frac{D_t+D_{t-1}+\cdots+D_{t-n+1}}{n} \]

특징

계산이 간단
단기 예측에 적합
급격한 변화(추세 전환) 반영이 느림

가중이동평균법 (Weighted Moving Average)

최근 데이터에 더 높은 가중치를 부여하는 방법이다.

\[ F_{t+1}=w_1D_t+w_2D_{t-1}+\cdots+w_nD_{t-n+1} \]

여기서

\(F_{t+1}\): 다음 기간 예측값
\(D_t\): \(t\)기간 실제 수요
\(w_i\): 각 기간 가중치
\(n\): 적용기

특징

최근 데이터 중요도 반영
이동평균보다 민감도 향상
가중치 설정이 주관적일 수 있음

지수평활법 (Exponential Smoothing)

과거 데이터를 지수적으로 감소하는 가중치로 반영한 방법이다.

\[ \hat{Y}_{t+1} = \alpha Y_t + (1 - \alpha)\hat{Y}_t \]

(0 < \(\alpha\) < 1)

특징

계산이 매우 간단
단기 예측에 적합
실무 활용도 높음

ARIMA 모형

자기회귀 + 이동평균 + 차분을 결합한 모형이다.

\[ ARIMA(p,d,q) \]

AR(p): 자기회귀 \(Y_t = c + \sum_{i=1}^{p} \phi_i Y_{t-i} + \epsilon_t\)
MA(q): 이동평균 \(Y_t = \mu + \epsilon_t + \sum_{i=1}^{q} \theta_i \epsilon_{t-i}\)
d: 차분(order of differencing)

특징

비정상 시계열 처리 가능
구조가 가장 일반적이고 강력한 통계 모형
모수 설정이 중요 (p, d, q)

인과모형(Causal Model)

인과모형(Causal Model)이란 단순히 변수들 간의 상관관계(Correlation)를 관찰하는 것을 넘어, '어떤 변수(원인)가 다른 변수(결과)를 직접적으로 변화시키는가'의 원인과 결과(Causality) 관계를 통계적·수학적으로 구조화한 모델이다.

상관관계 vs 인과관계

상관관계와 인과관계는 두 변수 사이 연관성을 다루지만, 상관관계는 함께 변하는 경향, 인과관계는 한쪽이 원이 되는 다른 쪽을 변화시키는 관계를 뜻한다.

상관관계 "아이스크림 판매량이 늘면 익사 사고도 늘어난다" (제3의 변수 '여름 기온'에 의한 가짜 상관)
인과관계 "기온이 올라가면 아이스크림 판매량이 늘어난다" (직접적 원인과 결과)

수요예측 및 경영에서의 역할

수요에 영향을 미치는 외부 독립변수(가격, 마케팅 비용, 경기 지표, 날씨 등)와 종속변수(수요량) 간의 관계를 파악하여, 특정 정책이나 외생 변수 변화에 따른 수요 변화를 정밀하게 예측하고 통제하기 위해 활용된다.

인과모형의 주요 종류 및 분석 기법

다음은 인과모형 주요 종류 및 분석 기법이다.

회귀분석 (Regression Analysis)
가장 대표적이고 널리 사용되는 인과모형 분석 기법이다.
단순 선형 회귀분석 (Simple Linear Regression)
하나의 독립변수(\(X\))가 종속변수(\(Y\))에 미치는 영향을 분석

\[Y = \beta_0 + \beta_1 X + \epsilon\]
다중 선형 회귀분석 (Multiple Linear Regression)
둘 이상의 독립변수(\(X_1, X_2, \dots, X_k\))가 종속변수(\(Y\))에 미치는 영향을 동시 분석

\[Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k + \epsilon\]
구조방정식 모형 (Structural Equation Modeling, SEM)
여러 관측변수와 잠재변수(Latent Variable) 간의 복잡한 인과 네트워크 및 직접/간접 효과를 동시에 분석하는 기법이다.
구조적 시계열 / 가인과성 모형 (Granger Causality & VAR)
시간의 흐름이 포함된 시계열 데이터에서 한 변수의 과거 값이 다른 변수의 미래 값을 예측하는 데 도움이 되는지 검정하는 모형이다 (예: 벡터자기회귀(VAR) 모형).
도구변수법 (Instrumental Variables, IV) & 이중차분법 (DID) 내생성(Endogeneity) 문제나 관측되지 않은 혼란변수(Confounder)의 영향을 제거하여 순수한 인과 효과를 추정하는 계량경제학적 기법이다.

인과모형 구축 단계를 도식화하면 다음과 같다.

flowchart LR
    A[변수 선정 및 가설 수립] --> B[데이터 수집 및 내생성 검정] --> C[모형 추정 및 적합도 평가] --> D[예측 및 정책 시뮬레이션]

변수 선정, 원인(독립변수)과 결과(종속변수), 그리고 통제해야 할 혼란변수(Confounder)를 식별
가설 수립, 인과 경로(Causal Path)에 대한 도메인 지식 기반 가설 정의
모형 추정, 회귀분석, SEM 등을 활용하여 회귀계수(파라미터) 산출
검증 및 평가, 결정계수(\(R^2\)), \(p\)-value, 잔차 분석 등을 통해 모형의 설명력과 타당성 검증
활용, "가격(\(X\))을 10% 인상하면 수요(\(Y\))가 몇 % 감소할 것인가?"와 같은 시나리오 분석(What-If Analysis) 수행

시계열 모형과 인과모형 차이

구분	시계열 모형 (Time Series Model)	인과모형 (Causal Model)
기본 전제	"미래는 과거의 패턴(추세/계절성)을 반복한다."	"수요는 원인 변수들의 영향으로 결정된다."
필요 데이터	과거의 단일 수요 데이터 (시간축 데이터)	수요 데이터 + 관련 외부 원인 변수 데이터
장점	수집 및 분석이 단순하며 단기 예측에 유용	외부 환경 변화(가격 인상, 프로모션 등)의 영향 예측 가능
단점	급격한 시장 환경 변화나 신규 정책 반영 불가	원인 변수의 미래 값을 먼저 알아야 하거나 예측해야 함
대표 기법	이동평균법, 지수평활법, ARIMA	선형/다중 회귀분석, 구조방정식, Econometric Models

인과모형 적용 시 유의사항이다.

내생성(Endogeneity) 문제
독립변수와 오차항 간에 상관관계가 존재할 경우, 회귀계수 추정치가 편향(Bias)될 수 있음
다중공선성(Multicollinearity)
독립변수들끼리 강한 상관관계를 가질 때, 개별 변수의 영향력을 정확히 분리하기 어려움
원인 변수의 선행 예측 필요
미래 수요(\(Y\))를 예측하려면 미래 시점의 독립변수(\(X\)) 값을 미리 알고 있거나 별도로 예측해야 함

수요불확실성 대응

수요 불확실성(Demand Uncertainty)이란 시장의 변동성, 경쟁 상황, 소비자 취향 변화, 외부 충격 등으로 인해 미래의 정확한 제품/서비스 수요를 예측하기 어려워지는 상태를 의미한다.

발생 원인
신제품 출시, 제품 수명 주기(PLC) 단축, 채찍효과(Bullwhip Effect), 거시경제 변동, 공급망 병목 현상 등
핵심 목표
과대 재고로 인한 보관·폐기 비용과 재고 부족으로 인한 기회손실 및 고객 이탈 리스크의 균형 최적화

대응 전략

다음은 수요불확실성에 대응하는 4가지 관점이다.

정보 및 예측 관점 (Information & Forecasting)

정확한 데이터를 공유하고 모형을 고도화하여 불확실성 자체를 감소시킨다.
- 실시간 데이터 공유 (POS 데이터 연동)
  최종 소비자의 시점 판매 데이터(POS)를 공급망 전체가 공유하여 소문/왜곡에 의한 수요 증폭 방지.
- 공급망 협업 프레임워크 (CPFR / VMI)
  - CPFR: 유통사와 제조사가 계획, 예측, 보충을 공동으로 수행.
  - VMI: 공급업체가 고객사의 재고를 직접 모니터링하여 발주 및 재고를 관리.
- 예측 알고리즘 고도화
  정성적 기법(델파이, 시장조사)과 정량적 기법(시계열, 인과모형, 머신러닝)을 결합하고 외부 변수(기상, 프로모션)를 반영한 다중 변수 예측 수행.
재고 및 버퍼 관점 (Inventory & Buffer Strategy)

불확실성이 존재하는 상황에서 안전장치를 마련하여 결품 리스크를 흡수한다.
- 안전재고(Safety Stock) 최적화
  수요의 표준편차(\(\sigma_D\))와 리드타임의 표준편차(\(\sigma_{LT}\)), 목표 서비스 수준(Service Level)을 반영한 최적 안전재고 수식 산출.
- 재고 집약 (Risk Pooling / Inventory Centralization)
  여러 지역 창고에 분산된 재고를 중앙 창고로 통합 관리하여, 각 지역의 독립적인 수요 변동이 서로 상쇄되는 효과 활용 (통계적 표준편차 감소).
생산 및 운용 관점 (Operational Flexibility)

수요 변화에 신속하게 유연하게 반응할 수 있는 생산 구조를 구축한다.
- 지연 전략 (Postponement / Delayed Differentiation)
  제품의 최종 표준화/모듈화 단계를 최대한 뒤로 미루어 공통 부품 상태로 보유하다가, 확정 주문이 들어온 후 최종 제품을 완성하는 전략 (예: 색상 미지정 의류 보유 후 주문에 따라 염색).
- 유연 생산 시스템 (FMS / Quick Response)
  공정 교체 시간(Setup Time)을 단축하고 소롯(Small Batch) 생산 체계를 갖추어 급작스러운 수요 변화에 즉각 대응.
- 리드타임 단축 (Lead Time Reduction)
  생산 및 물류 리드타임을 줄임으로써, 예측해야 하는 시간적 지평(Forecasting Horizon)을 단축시켜 예측 오차 자체를 축소.
가격 및 수요 관리 관점 (Demand Management)

가격 및 프로모션 정책을 활용하여 고객의 수요 자체를 평탄화한다.
- 상시 저가격 정책 (EDLP, Everyday Low Price)
  단기적 할인 프로모션으로 인한 사재기(Forward Buying) 및 수요 요동을 방지하고 일정한 수요 흐름 유도.
- 수익 관리 및 동적 가격 책정 (Revenue Management / Dynamic Pricing)
  수요 급증기에는 가격을 올리고 초과 공급 시기에는 할인하여 수요 피크를 평탄화(Smoothing) 처리.

수요 불확실성 대응 전략 비교 요약

구분	대응 전략	핵심 작동 원리	주요 장점	한계 및 고려사항
정보	POS 공유 & CPFR	공급망 내 투명성 확보	채찍효과 제거 및 오차 감소	파트너 간 신뢰 및 시스템 통합 필요
재고	리스크 푸어링 (Risk Pooling)	수요의 통계적 상쇄 효과	전체 안전재고 수준 감소	중앙 물류센터 배송 리드타임 증가 가능
생산	지연 전략 (Postponement)	표준화 부품 선생산 후 후가공	제품 다변화 및 결품 방지	제품 설계의 모듈화 전제 필수
가격	EDLP / 동적 가격 책정	가격 조절을 통한 수요 조율	생산 및 물류 부하 평탄화	브랜드 이미지 및 고객 반발 고려 필요

채찍효과(Bullwhip Effect)

채찍효과(Bullwhip Effect)란 공급망(Supply Chain) 하류(소비자 측)에서 발생하는 미세한 수요 변동이 상류(소매상 → 도매상 → 제조업체 → 원자재 공급업체)로 전달될수록 파동이 amplification(증폭)되어 왜곡되는 현상을 의미한다.

공급망 불균형의 대표적 현상
채찍을 잡고 있는 손잡이(소비자)를 살짝만 흔들어도 채찍의 끝(제조업체/원자재 공급업체)으로 갈수록 휘둘림의 폭이 극심해지는 현상에서 유래
공급망 비효율성 초과
실제 소비자 수요는 안정적인 수준임에도 불구하고 상류 기업들은 과도한 재고를 축적하거나, 반대로 심각한 재고 부족 상태를 겪게 만듦

채찍효과 발생의 4가지 주요 원인

하버드 대학교의 리(Lau Lee) 교수는 채찍효과를 유발하는 핵심 원인(Four Drivers)을 다음과 같이 제시하였다.

수요예측의 다중 수정 (Demand Forecast Updating)
공급망의 각 단계가 최종 소비자의 실제 판매 데이터를 공유받지 못하고, 직전 단계 기업의 주문량만을 바탕으로 독립적인 수요예측을 수행하면서 오차가 누적 증폭됨
일괄 주문 방식 (Order Batching)
주문 및 수송 비용을 절감하기 위해 발주를 매일 나누어 하지 않고 주기적으로 대량(LTL/TL 단위) 주문함에 따라 변동성이 왜곡됨
가격 변동 및 할인 프로모션 (Price Fluctuation)
제조사나 유통사의 일시적인 단가 할인, 프로모션 등으로 인해 구매자가 미래 수요까지 고려하여 한 번에 사두는 사재기(Forward Buying) 현상이 발생함
할당 및 배정 게임 (Rationing and Shortage Gaming)
공급 부족 소문이 돌면 소매상들이 필요한 물량보다 의도적으로 더 많은 물량을 주문(Phantom Orders)하고, 공급 정상화 시 주문을 전면 취소함

채찍효과의 부정적 영향

채찍효과가 공급망 내에 지속되면 수직적 공급 구조 전체의 비용 상승과 경쟁력 저하를 초래한다.

안전재고 과다 축적 불확실성에 대비하기 위해 상류 기업일수록 불필요하게 높은 수준의 안전재고를 보유하여 재고 보유 비용 증가
생산 및 물류 비효율 주문량의 극심한 기복으로 인해 설비 가동률 저하, 잔업 발생, 물류 수송 용량 과부하 발생
고객 서비스 수준 저하 잘못된 수요 예측으로 인해 특정 시점의 대규모 결품(Stockout) 발생 및 납기 지연
운전자본 악화 과도한 원자재/재공품 재고로 인해 기업의 현금 흐름 고갈

채찍효과 완화 및 극복 방안

채찍효과를 극복하기 위해서는 공급망 구성원 간의 정보 공유와 프로세스 통합이 필수적이다.

실시간 정보 공유 (POS 데이터 연동)
소매점의 계산대(POS) 판매 데이터를 공급망 전체가 실시간 공유하여 실제 소비자 수요를 파악
VMI (Vendor Managed Inventory, 판매자 주도 재고 관리)
제조업체나 공급업체가 유통업체의 재고 수준을 직접 모니터링하고 적정 수준을 유지하도록 발주 관리
EDLP (Everyday Low Price, 상시 저가격 정책)
일시적 할인 프로모션을 지양하고 항상 일정한 가격을 유지하여 구매자의 사재기(Forward Buying) 패턴 방지
소규모 빈번 주문 및 수송 효율화
주문 단위(Batch Size)를 줄이고, 혼적 수송(Consolidation) 기법 등을 활용하여 일괄 주문 변동성 완화
공급망 협업 프레임워크 구축 (CPFR)
협력적 계획·예측·상품보충(CPFR: Collaborative Planning, Forecasting, and Replenishment) 프로세스 도입

채찍효과 영향도 비교

공급망 단계별 채찍효과의 영향력과 발생 양상은 다음과 같다.

공급망 단계	주요 동작 및 정보 반응	수요 변동폭 및 영향
최종 소비자 (Consumer)	소폭의 실제 제품 구매량 변동	실제 수요 (변동성 가장 낮음)
소매상 (Retailer)	소비 패턴 변화를 감지하고 안전재고 가산	소폭의 변동성 확대
도매상 (Wholesaler)	소매상의 주문량 + 일괄 주문(Batch) 반영	중등도의 변동성 증폭
제조업체 (Manufacturer)	도매상 주문량 기반 생산계획 및 부품 발주	큰 폭의 생산 파동 및 재고 급증
원자재 공급업체 (Supplier)	제조업체 발주량 대응을 위한 과도한 원자재 수급	변동성 극대화 (채찍 끝단 영향)

공급망 협업 프레임워크

공급망 협업 프레임워크(Supply Chain Collaboration Framework)란 공급망(Supply Chain) 내의 참여자(원자재 공급업체, 제조업체, 유통업체, 판매점 등)가 독립적인 운영 방식에서 벗어나 정보, 계획, 자원, 리스크를 상호 공유하며 협력 체계를 구축하는 종합적 경영 프레임워크이다.

채찍효과(Bullwhip Effect) 완화
소비자 단의 실제 수요 정보를 공유하여 상류 기업의 과도한 재고 축적 및 수요 왜곡 방지
공급망 전체의 경쟁력 향상
개별 기업의 최적화를 넘어 공급망 전체의 리드타임 단축, 물류비 절감, 고객 서비스 수준 극대화 달성

핵심 협업 프레임워크 종류

CPFR(Collaborative Planning, Forecasting, and Replenishment)

유통업체와 제조업체가 판매 계획 수립, 수요예측, 재고 보충 프로세스를 공동으로 진행하는 대표적인 협업 프레임워크이다.
- 계획(Planning)
  공동의 비즈니스 계획 수립 및 협업 협약 체결
- 예측(Forecasting)
  판매 예측 및 주문 예측을 공동 수행하고 불일치 발생 시 협의를 통해 조정
- 보충(Replenishment)
  확정된 예측치를 바탕으로 실제 주문 생성 및 제품 보충 실행
VMI(Vendor Managed Inventory)

제조업체나 공급업체가 유통업체(고객사)의 재고 수준 및 판매 데이터를 실시간 모니터링하여 적정 재고를 직접 관리하고 보충하는 방식이다.
- 재고 소유권 및 관리권 이양
  유통업체의 발주 업무 부담 단축 및 공급업체의 생산/물류 계획 유연성 확보
- 안전재고 단축
  실시간 재고 가시성(Visibility)을 바탕으로 불필요한 버퍼 재고 최소화
ECR(Efficient Consumer Response)

고객 가치 증대를 위해 유통업체와 제조업체가 가치사슬 전체를 재설계하여 유통 비용을 절감하고 소비자 요구에 신속하게 대응하는 전략이다.
- 핵심 영역
  매장 점유율 최적화(Efficient Store Assortment), 신속한 보충(Efficient Replenishment), 효과적인 프로모션(Efficient Promotion), 신제품 도입(Efficient Product Introductions)

4가지 주요 구성요소

정보 공유(Information Sharing)
POS(Point of Sale) 데이터, 재고 수준, 생산 계획, 프로모션 일정 등 핵심 데이터의 실시간 공유
의사결정 동기화(Decision Synchronization)
수요예측, 주배송 일정, 신제품 출시 계획 등 주요 실행 의사결정을 공동 수행
성과 및 리스크 공유(Incentive Alignment)
협업을 통해 발생한 비용 절감액과 이익을 공정하게 배분하고 리스크 분담
정보기술 인프라(IT Infrastructure)
EDI, Cloud 기반 SCM 플랫폼, API 연동 등 상호 운용 가능한 IT 시스템 구축

주요 협업 프레임워크 비교

구분	CPFR	VMI	ECR
주요 주체	유통업체 + 제조업체 공동	공급업체(제조사) 중심	유통/제조업체 + 소비자 중심
핵심 영역	판매계획, 수요예측, 재고보충	재고 관리 및 발주 자동화	유통 전반 및 매장 효율화
주요 장점	예측 오차 극대화 감소 및 협력 강화	유통사 재고관리 부담 감소	소비자 만족도 향상 및 유통비 절감
필수 요소	파트너 간 깊은 신뢰 및 프로세스 통합	실시간 재고 데이터 연동	프로세스 표준화 및 데이터 연동

일정관리(Scheduling)

일정관리(Scheduling)란 수주된 주문이나 생산 계획에 맞추어 '어떤 작업(Job)을, 어떤 설비/작업자(Resource)에, 언제(Time) 배정하여 실행할 것인가'를 결정하는 단기 실행 의사결정 과정이다.

https://www.researchgate.net/figure/Levels-of-planning-MRP-II-Source-Own-study-based-on-Januszewski-2008-s-164_fig4_272678458

생산 계획(Production Planning)과의 차이
생산 계획이 월별/주별 대략적인 생산 수량과 자원 요구량을 다루는 중기적 관점이라면, 일정관리는 일별/시별/분별 수준에서 개별 설비와 작업자의 작업 순서를 지정하는 단기·상세 실행 관점이다
핵심 목표
납기 준수(On-time Delivery), 공정 대기시간(Lead Time) 단축, 설비 가동률(Utilization) 극대화, 재공품(WIP, Work-in-Process) 재고 최소화

주요 단계 및 체계

공장 내 일정관리는 하향식(Top-Down) 흐름으로 세분화하여 진행된다.

flowchart LR
    A["대일정<br>(Master Schedule)"] --> B["중일정<br>(Line Balancing/Cell)"] --> C["소일정<br>(Shop Floor Scheduling)"]

대일정 계획 (Master Production Schedule, MPS)
제품 단위의 주별/월별 완료 목표일과 수량을 확정하는 최고위 일정 계획
중일정 계획 (Line Scheduling / MRP)
대일정을 바탕으로 공정별·부품별 생산 필요 수량과 시점을 산출하고 라인별 부하를 배정
소일정 계획 (Shop Floor / Daily Scheduling)
작업장(Work Center) 단위에서 개별 기계와 작업자에게 작업 우선순위를 부여하고 투입/출하를 관리하는 실질적 일정관리

핵심 기능 및 기법

할당

할당(Loading)은 특정 작업장에 어떤 작업들을 배치할지 결정하는 단계이다.

무한 할당 (Infinite Loading)
설비 및 인력의 용량 한계(Capacity Limit)를 고려하지 않고 납기 기준으로 작업을 일단 배정하는 방식 (문제점 진단용)
유한 할당 (Finite Loading)
각 설비의 실제 가동 가능 시간과 용량 한계를 넘어설 수 없도록 제약을 반영하여 현실적인 일정을 수립하는 방식

우선순위 규칙

우선순위 정렬 및 우선순위 규칙 (Sequencing & Priority Rules)은 한 기계에 여러 작업이 대기 중일 때 어떤 작업부터 처리할지 순서를 정하는 규칙이다. 자세한 내용은 [3. 공정관리 > 3. 작업계획 수립 > 우선순위규칙]를 참고한다.

FCFS (First-Come, First-Served), 먼저 도착한 작업을 먼저 처리 (공평성 확보, 납기 고려 불가)
EDD (Earliest Due Date), 납기일이 가장 임박한 작업을 우선 처리 (납기 지연 최소화에 유수)
SPT (Shortest Processing Time), 가공 시간이 가장 짧은 작업을 우선 처리 (평균 공정 대기시간 및 재공품 재고 최소화)
LPT (Longest Processing Time), 가공 시간이 가장 긴 작업을 우선 처리 (병목 공정 준비에 활용)
CR (Critical Ratio, 임계비율), \(\text{CR} = \frac{\text{남은 납기시간}}{\text{남은 작업시간}}\)
- \(\text{CR} < 1.0\): 납기 지연 위험 있음 (우선순위 높음)
- \(\text{CR} = 1.0\): 일정대로 진행 중
- \(\text{CR} > 1.0\): 여유 있음

구분	SPT (최단가공시간)	EDD (최단납기일)	CR (임계비율)
주요 목표	평균 흐름시간 단축 및 재공품 최소화	최대 납기 지연 시간 최소화	dynamic한 실시간 납기 위험 관리
장점	공장 내 작업 체증 및 대기시간 대폭 감소	고객 납기 준수율 향상	현장 상태 변화(차질 등)에 유연하게 대응
단점	가공시간이 긴 작업의 무한 대기(기아 상태) 발생 가능	작업 가공시간을 고려하지 않아 전체 대기시간 증가 가능	지속적인 데이터 업데이트 필요

우선순위 규칙

설비 1대에 처리해야 할 5개의 작업(A, B, C, D, E)이 대기 중인 상황을 가정하여 각 규칙별 순서와 성과 지표를 비교한다.

현재 시점(\(t = 0\))에 도착한 5개 작업의 가공시간과 납기일 데이터이다.

작업 (Job)	가공시간 (Processing Time, \(P_i\))	납기일 (Due Date, \(D_i\))
A	6일	8일
B	2일	6일
C	8일	18일
D	3일	15일
E	9일	23일

FCFS 도착 순서: A \(\rightarrow\) B \(\rightarrow\) C \(\rightarrow\) D \(\rightarrow\) E

규칙별 작업 순서 결정은 다음과 같다.

FCFS (First-Come, First-Served), 도착한 순서대로 작업한다.

작업 순서: A \(\rightarrow\) B \(\rightarrow\) C \(\rightarrow\) D \(\rightarrow\) E

EDD (Earliest Due Date), 납기일(\(D_i\))이 가장 빠른 순서대로 작업한다.

납기일 비교: B(6) < A(8) < D(15) < C(18) < E(23)
작업 순서: B \(\rightarrow\) A \(\rightarrow\) D \(\rightarrow\) C \(\rightarrow\) E

SPT (Shortest Processing Time), 가공시간(\(P_i\))이 가장 짧은 순서대로 작업한다.

가공시간 비교: B(2) < D(3) < A(6) < C(8) < E(9)
작업 순서: B \(\rightarrow\) D \(\rightarrow\) A \(\rightarrow\) C \(\rightarrow\) E

LPT (Longest Processing Time), 가공시간(\(P_i\))이 가장 긴 순서대로 작업한다.

가공시간 비교: E(9) > C(8) > A(6) > D(3) > B(2)
작업 순서: E \(\rightarrow\) C \(\rightarrow\) A \(\rightarrow\) D \(\rightarrow\) B

CR (Critical Ratio, 임계비율)

\(t = 0\) 시점에서 \(\text{CR} = \frac{\text{남은 납기시간}}{\text{남은 작업시간}} = \frac{D_i - 0}{P_i}\) 를 계산하여 값이 가장 작은 작업부터 우선 배정한다.

A: \(8 / 6 \approx 1.33\)
B: \(6 / 2 = 3.00\)
C: \(18 / 8 = 2.25\)
D: \(15 / 3 = 5.00\)
E: \(23 / 9 \approx 2.56\)

비율 비교: A(1.33) < C(2.25) < E(2.56) < B(3.00) < D(5.00)

작업 순서: A \(\rightarrow\) C \(\rightarrow\) E \(\rightarrow\) B \(\rightarrow\) D

규칙별 성과 지표 세부 계산하면 다음과 같다.

FCFS (A \(\rightarrow\) B \(\rightarrow\) C \(\rightarrow\) D \(\rightarrow\) E)

작업	가공시간 (\(P\))	완료시간 (\(C\))	납기일 (\(D\))	지연시간 (\(\max(0, C-D)\))
A	6	6	8	0
B	2	8	6	2
C	8	16	18	0
D	3	19	15	4
E	9	28	23	5
합계	28	77	-	11

평균 완료시간(흐름시간): \(77 / 5 = \mathbf{15.4\text{일}}\)
총 지연시간 (합계): \(\mathbf{11\text{일}}\) (지연 작업수: 3개)

EDD (B \(\rightarrow\) A \(\rightarrow\) D \(\rightarrow\) C \(\rightarrow\) E)

작업	가공시간 (\(P\))	완료시간 (\(C\))	납기일 (\(D\))	지연시간 (\(\max(0, C-D)\))
B	2	2	6	0
A	6	8	8	0
D	3	11	15	0
C	8	19	18	1
E	9	28	23	5
합계	28	68	-	6

평균 완료시간(흐름시간): \(68 / 5 = \mathbf{13.6\text{일}}\)
총 지연시간 (합계): \(\mathbf{6\text{일}}\) (최대 지연시간 5일로 최소화)

SPT (B \(\rightarrow\) D \(\rightarrow\) A \(\rightarrow\) C \(\rightarrow\) E)

작업	가공시간 (\(P\))	완료시간 (\(C\))	납기일 (\(D\))	지연시간 (\(\max(0, C-D)\))
B	2	2	6	0
D	3	5	15	0
A	6	11	8	3
C	8	19	18	1
E	9	28	23	5
합계	28	65	-	9

평균 완료시간(흐름시간): \(65 / 5 = \mathbf{13.0\text{일}}\) (최소화 달성)
총 지연시간 (합계): \(\mathbf{9\text{일}}\)

LPT (E \(\rightarrow\) C \(\rightarrow\) A \(\rightarrow\) D \(\rightarrow\) B)

작업	가공시간 (\(P\))	완료시간 (\(C\))	납기일 (\(D\))	지연시간 (\(\max(0, C-D)\))
E	9	9	23	0
C	8	17	18	0
A	6	23	8	15
D	3	26	15	11
B	2	28	6	22
합계	28	103	-	48

평균 완료시간(흐름시간): \(103 / 5 = \mathbf{20.6\text{일}}\)
총 지연시간 (합계): \(\mathbf{48\text{일}}\)

CR (A \(\rightarrow\) C \(\rightarrow\) E \(\rightarrow\) B \(\rightarrow\) D)

작업	가공시간 (\(P\))	완료시간 (\(C\))	납기일 (\(D\))	지연시간 (\(\max(0, C-D)\))
A	6	6	8	0
C	8	14	18	0
E	9	23	23	0
B	2	25	6	19
D	3	28	15	13
합계	28	96	-	32

평균 완료시간(흐름시간): \(96 / 5 = \mathbf{19.2\text{일}}\)
총 지연시간 (합계): \(\mathbf{32\text{일}}\)

각 우선순위 규칙별 성과 지표 비교 요약이다.

우선순위 규칙	작업 순서	평균 완료시간 (일)	총 지연시간 (일)	지연 작업 수
SPT (최단가공시간)	B → D → A → C → E	13.0 (최우수)	9	3개
EDD (최단납기일)	B → A → D → C → E	13.6	6 (최우수)	2개
FCFS (선착순)	A → B → C → D → E	15.4	11	3개
CR (임계비율)	A → C → E → B → D	19.2	32	2개
LPT (최장가공시간)	E → C → A → D → B	20.6	48	3개

SPT는 평균 완료시간을 줄이고 재공품 재고를 줄이는 데 가장 유리합니다.
EDD는 납기 지연 수량 및 최대 지연시간을 줄이는 데 가장 유리합니다.

작업지시 및 진행 관리

작업지시 및 진행 관리 (Dispatching & Control)는 작업 요청 시점부터 진행하는 방법과 목표 납기일부터 역산하는 방법이 있다.

전방 일정계획 (Forward Scheduling)
작업 요청이 들어온 시점부터 가장 빠르게 작업을 시작하여 완료일을 도출 (설비 가동률은 높으나 재공품 재고 증가 가능)
후방 일정계획 (Backward Scheduling)
목표 납기일부터 거꾸로 계산하여 작업의 최후 시작 시점을 도출 (JIT 생산 방식에 적합, 재고 최소화)

일정관리 도구 및 발전 방향

간트 차트 (Gantt Chart)
시간축 대비 설비별 작업 진행 상황을 시각적으로 파악하는 가장 기본적인 전통적 도구
APS (Advanced Planning and Scheduling)
자원 제약(설비, 금형, 치공구, 작업자 등)을 동시에 고려하여 complex한 공장의 실시간 수율 및 일정을 최적화하는 컴퓨터 알고리즘 시스템
MES (Manufacturing Execution System) 연동
현장의 키오스크, IoT 센서, PLC 데이터를 통해 실시간 작업 착수/완료 실적을 수집하고, 비상 상황(설비 고장, 자재 차질) 발생 시 즉시 재일정계획(Rescheduling)을 수행

APS

APS(Advanced Planning and Scheduling)는 생산 현장의 한정된 자원 제약과 다양한 변수를 동시에 고려하여 최적의 생산 계획 및 상세 일정을 실시간으로 수립하는 컴퓨터 알고리즘 시스템이다.

개념 정의
자원 제약(설비, 금형, 치공구, 작업자 등)을 동시에 고려하여 복잡한 공장의 실시간 수율 및 일정을 최적화하는 시스템
도입 배경
기존 시스템의 무한 용량 전제 한계를 극복하고 실시간 현장 변화에 유연하게 대응하기 위해 등장

APS의 주요 기능

APS는 자원의 한계를 반영한 유한 용량 계획 수립과 실시간 재일정계획을 핵심 기능으로 제공한다.

유한 용량 계획 수립(Finite Capacity Scheduling)
설비, 인력, 금형 등 실제 가동 가능한 자원의 용량 한계를 넘지 않도록 작업을 현실적으로 배정
동적 재일정계획(Dynamic Rescheduling)
설비 고장, 자재 지연, 긴급 주문 등 현장 변수 발생 시 실시간으로 전체 일정을 재최적화
다중 제약 조건 동시 반영
단순 설비 가동시간 외에도 교체 시간(Setup Time), 작업자 숙련도, 치공구 수량 등 복잡한 제약 요소를 동시 연산

기존 MRP/ERP 시스템과의 차이점

기존 시스템이 무한 용량을 전제로 단방향 계산을 수행하는 반면 APS는 실시간 유한 용량을 기반으로 최적화를 수행한다.

구분	기존 MRP/ERP 시스템	APS(Advanced Planning and Scheduling)
용량 산정 방식	무한 용량 전제(Infinite Capacity)	유한 용량 전제(Finite Capacity)
제약 조건 고려	순차적 고려(자재 \(\rightarrow\) 설비 \(\rightarrow\) 인력)	복수 자원 제약 동시 고려
연산 방식 및 속도	배치(Batch) 중심의 느린 연산	메모리 기반(In-Memory)의 실시간 연산
주요 목적	기준 정보 관리 및 자재 수급 계획	실시간 최적 일정 수립 및 병목 해소

APS 도입에 따른 기대 효과

APS 도입을 통해 공장 운영의 가시성을 확보하고 물류 및 생산 효율성을 극대화할 수 있다.

납기 준수율 향상
정확한 완료 시점 예측을 통한 고객 납기 약속 이행률 제고
재공품(WIP) 및 재고 단축
불필요한 공정 대기시간을 줄여 공장 내 재고 최소화
자원 활용도 극대화
병목 공정(Bottleneck) 식별 및 사전 대응을 통한 전체 설비 종합 효율 향상