Postal flow
posted on 21 Aug 2020 under category paper_review
Authors: OscarMartínez-Alvaro AngelaNuñez-González
Transportation Research Procedia Volume 18, 2016, Pages 256-263
우편 사업에대한 동향을 보기위해 야금야금 Postal로 논문을 검색 후 살펴보려고 한다.
전국 우체국은 많은 양의 편지와 소포를 관리하는데 이러한 흐름(Flow)과 관련된 데이터는 우편 상품이 점점 더 다양해짐에 따라서 빠르게 늘어나고 있다. 스페인 국립 우정국의 모든 정보 흐름을 연구하였을 때 모든 정보 흐름이 4개의 카테고리 범주 내에 분류 될 수 있다고 주장한다.
최근 빅데이터는 4차 산업혁명의 초기부터 지금까지 함께하고 있으며, 현재 많은 성공적인 글로벌 기업들은 빅데이터와 관련이 되어 있다. Google, Amazon, Facebook 등의 회사를 보면 방대한 양의 데이터를 저장, 처리 및 서비스를 할 수 있는 역량을 가진 회사가 국제 시장에서 분명한 이점을 갖는 것을 확인 할 수 있습니다. 그러나 이러한 추세는 글로벌 대기업 에게만 해당하지는 않는다.
우편사업자는 매년 대량의 화물을 관리하고 정보를 수집하고 있습니다. 특히 IoT의 발달로 물류 과정 중 컴퓨터 및 시스템과 통신하는 센서가 증가함에 따라 관련 데이터도 크게 증가하고 있다. 지금까지 주요한 연구는 물류 효율성 부분으로 물류 운영의 최적화 부분이다. 하나의 예로 호주 우체국은(Hassall et al.) 운송 활동 및 제품 정보 네트워크를 기록한 운송 정보 시스템을 개발하여 운송 효율을 증가시키는 작업을 수행한 결과 10년 동안 운송차량의 14%를 절감 할 수 있었다.
하지만 우편 부분은 예상한것보다 더 급격하게 변화하고 있습니다. 가장 먼저 예상한 바와 같이 물리적인 편지를 e-mail이 대체하여 우편 사업에 큰 위협이 되고 있는 반면에 1인가구의 증가와 인터넷 쇼핑의 증가로 인해 소포 부분은 빠르게 성장하고 있습니다. 이러한 변화속에서 우편 사업자는 매우 중요한 전환기에 직면하고 있다.
미국의 경우 IoPT(Internet of Postal Things) 구축 프로젝트를 통하여 이러한 변화에 대응을 하고 있고 대부분의 나라도 IoPT와 유사한 프로젝트에 착수 하였습니다. 최근 미국 우정국 (U.S. Postal Service)은 다양한 프로젝트에서 다양한 목적으로 빅데이터를 활용하기 시작하였다. 예를들언 2014년 DHL은 날씨, 독감, 및 Google 트렌드와 같은 데이터의 상관관계를 통하여서 앞으로 발생할 소포의 양을 예측하고 직원 및 차량을 대응하는 의사결정 시스템을 개발하였다.
또한 우편 물류에서 발생하는 데이터를 사용하여 다른 정부 조직에 도움을 줄 수 있습니다. 미국 우정국의 경우 내부목적으로 2000년 국내 도로 교통 주소 모델링을 시작하였으며 이러한 접근 방법은 주소가 불안정하거나 근사치인 개발 도상국에서 특히 유리할 것으로 생각될 수 있다. 우체국 운영자는 IoPT의 연구를 통해 교통(속도 및 지연), 오염(오염 물질 농도), 도로 조건(포장 조건) 데이터는 물론 도로 유지보수 우선순위를 조정하거나 오염원을 식별하는 정부가 관심을 갖을 만한 데이터를 얻을 수 있는 역량을 가질 수 있다.
새로운 DB의 추가나 프로세스의 설계를 생각하지 않고 기존의 정보를 갖고 우편사업자 내부 및 외부 모두 관심을 갖을 만한 우편 정보의 사용에 대해 논문에서 논하고 있다.
스페인 우편 사업자는 아래의 패턴을 갖고 있는데 대부분 국가의 우편 패턴도 이와 유사할 것으로 예상된다.
- 수금 및 입국: 우편 네트워크의 집중국에서 우편물을 수집하거나 받는 작업
- 분류: 수신 된 모든 우편물을 목적 집중국에 따라 분류하는 작업
- 운송: 수취인으로 분류된 집중국에서 우편물을 발송하는 작업
우편물은 실제로는 조금 더 복잡하게 구성되어 있다. 허브의 구조 및 지리적 위치에 따라서 여러 단계로 분류될 수 있다. 가장 일반적인 경우에 우편물이 우편 시스템에 들어간 후에 우편물 객체는 가장 가까운 우편물 허브에 전송되며 수신인이 있는 지역을 관할하는 허브로 이동하여 최종 목적지까지 배달되게 된다. 국내의 경우 ETRI와 서울대 산업공학과에 의해 허브 사이의 물류에 대한 최적화 작업이 이루어졌다.
Flow 데이터를 더 잘 이용가능하게 하는 것을 이해하기 위해서는 우편 오브젝트의 경로를 따르는 것이 유용하다. 우편 오브젝트의 첫번째 스텝은 발송자가 우체국에서 물건을 보내기 시작할 때 발생한다. 모든 수신 된 총 우편물의 개수는 DB에 등록 되고 오직 수신지와 발신지가 기록되게 된다.
모든 물건은 수신된 곳에서 가장 가까운 허브로 옮겨지게 되고 분류 센터는 물류 유입량의 합을 제공하지만 분류를 제공하지는 않는다.
전통적으로 우편물류는 4개의 그룹으로 나눌 수 있고 이는 아래의 테이블과 같다.
| Group | Products |
|---|---|
| A | Ordinary mail, brochures, magazines, books, and other special produc |
| B | Express mail, both national and international |
| C | Registered mail, both national and international |
| D | Parcels, company bags, international express, fax, money remittances, telegrams, and other value-added produc |
A그룹의 경우 수/발신인 주소 관점에서 정확한 정보를 제공하고 있다. 그룹 B의 경우 정보의 품질이 더 낮습니다. 정보보다도 운영 요구사항을 우선으로 한다. 그룹 C의 경우 A와 유사하거나 조금 더 양질의 정보를 제공한다. 그룹 D는 가장 많은 정보를 제공한다. 송수신지 외에도 선적할 때마다 트레킹이 추적된다.
최근 우편 물류의 양이 증가하면서, 이용가능한 발/수신 데이터또한 증가하고 있다. 우편 물류 데이터는 핸드폰 GPS나 구글 검색, 트위터와는 또 다른 종류의 데이터이고 명확한 목적성과 Flow를 갖고 있다. 이러한 점은 미래에 여러 잠재력을 포함하고 있다고 말 할 수 있다. 개인정보 프라이버시 등의 문제를 신중히 고려한다면, 우편 데이터는 여러가지 목적에 맞게 긍정적으로 사용될 수 있다.