납품 리스크 관리를 위한 머신러닝 기반 재고 데이터 분석 프레임워크 = A Framework for Machine Learning-based Delivery Risk Management using Inventory Data Analysis

국문 초록 (Abstract)

현대 제조업의 공급망 관리(SCM)에서 '납품 리스크 분석'은 재고 및 납기 현황에 대한 핵심 통찰을 전달하는 중요한 역할을 수행한다. 그러나 기존의 분석 내용 작성 방식은 분석가의 수작업에 전적으로 의존하여 비효율적일 뿐만 아니라, 분석가의 주관에 따라 정보의 일관성이 결여되는 구조적 한계를 지닌다. 이에 본 연구에서는 실제 제조 기업의 공급망 데이터를 활용하여, 완제품(Finished Goods)이 가지는 리스크에 대한 통찰 메시지를 자동으로 생성하는 머신러닝 기반 프레임워크를 제안한다.
제안된 프레임워크는 재고 데이터 분석에 머신러닝 모델을 적용하여 운영 효율성과 예측 정확도를 동시에 확보하도록 설계되었다. 제안 방법론은 크게 두 단계로 구성된다. 첫째, Sentence Transformer와 K-평균 군집화를 활용하여 과거 전문가의 통찰 메시지를 분석하고, 이를 통해 핵심 위험 범주를 도출함으로써 비정형 데이터를 정형 레이블(Label)로 변환한다. 둘째, 추출된 레이블과 공급망 운영 지표를 연계하여 다중 레이블 분류(Multi-label Classification) 모델을 구축한다. 이때 XGBoost, SVM, 신경망 등 다양한 알고리즘의 성능을 비교 평가하고, 각 위험 범주별로 최적의 모델을 적용하는 하이브리드 모델링 전략을 채택하였다. 최종적으로 예측된 위험 범주에 매핑된 검증된 템플릿을 통해, 환각(Hallucination) 현상 없이 사실에 기반한(Fact-based) 자연어 메시지를 생성한다.
실제 산업 데이터를 이용한 실험 결과, 제안 시스템은 전문가의 판단을 평균 F1-Score 0.90 이상의 높은 수준으로 재현하였으며, 재고 데이터 분석 및 결과 전달을 위한 자료 생성 소요 시간을 획기적으로 단축시켰다. 본 연구는 데이터 보안 및 인프라 제약으로 최신 LLM을 적용이 제한적인 산업 현장과 환각 현상이 치명적인 리스크 관리 영역에서 신뢰할 수 있는 실용적인 대안을 제시하고, 실제 기업에 적용 가능한 프레임워크를 구현했다는 점에서 학술적, 실무적 의의를 갖는다.

다국어 초록 (Multilingual Abstract)

In modern manufacturing Supply Chain Management (SCM), 'delivery risk
analysis' plays a pivotal role in delivering key insights regarding inventory and delivery status. However, conventional analysis drafting processes rely entirely on manual work by analysts, leading to structural limitations such as inefficiency and a lack of consistency due to subjective judgment. To address these issues, this study proposes a machine learning-based framework that utilizes real-world corporate supply chain data to automatically generate insight messages specifically for risks associated with finished goods.
The proposed framework is designed to secure both operational efficiency and prediction accuracy by applying machine learning models to inventory data analysis. The methodology consists of two main phases. First, expert insight messages from historical records are analyzed using Sentence Transformers and K-Means clustering to derive core risk categories, thereby transforming unstructured data into structured labels. Second, a multi-label classification model is built by linking the extracted labels with supply chain operational metrics. A hybrid modeling strategy is adopted, where the performance of various algorithms—including XGBoost, SVM, and Neural Networks—is compared to select the optimal model for each risk category. Finally, fact-based natural language messages are generated using verified templates mapped to the predicted categories, ensuring the elimination of hallucination phenomena.
Experimental results using actual industrial data demonstrate that the system reproduces expert judgments with a high level of accuracy (Mean F1-Score > 0.90) and drastically reduces the time required for data analysis and report generation.
This study holds academic and practical significance by presenting a trustworthy and pragmatic alternative for industrial environments where modern Large
Language Models (LLMs) are limited due to data security and infrastructure constraints, and for risk management domains where hallucinations are critical.
Furthermore, it successfully implements a scalable framework applicable to real-world corporate contexts.

목차 (Table of Contents)

• I. 서론 1
• 1-1. 연구의 배경 1
• 1-2. 연구의 목적 5
• 1-3. 논문의 구성 6
• II. 관련 연구 8
• 2-1. 제조 및 물류 분야 의사결정 지원 시스템의 발전 8
• 2-2. 공급망 위험 관리를 위한 머신러닝 적용 연구 12
• 2-3. 산업 운영 분야의 의미론적 텍스트 분석 16
• 2-4. 사실 기반의 확장 가능한 운영 보고를 위한 데이터-텍스트 생성 20
• 2-5. 머신러닝 분류 알고리즘 24
• III. 연구 방법론 27
• 3-1. 시스템 아키텍처 및 데이터 흐름 27
• 3-2. 의미론적 군집화를 통한 과거 위험 내러티브의 범주화 32
• 3-3. 납기 위험 예측을 위한 특성 공학 36
• 3-4. 위험 범주 분류를 위한 예측 모델링 39
• 3-5. 템플릿 기반 자연어 생성을 통한 통찰 요약 42
• IV. 분석 및 실험 결과 해석 44
• 4-1. 데이터셋 기술 및 전처리 파이프라인 44
• 4-2. 메시지 군집화 모듈의 구현 및 검증 44
• 4-3. 분류 모델의 비교 성능 분석 48
• 4-4. 최적 모델에 대한 심층 분석 50
• V. 결론 및 향후 연구 52
• 참고 문헌 55