새벽 2시 주문한 물건이 오전 7시에 문 앞에 있는 이유

새벽 2시. 침대에서 휴대폰으로 휴지를 주문합니다. 결제 버튼을 누르고 잠듭니다. 오전 7시. 현관문을 열면 박스가 놓여 있습니다.

5시간 안에 이 박스는 어디서 출발해서, 어떤 트럭에 실리고, 어떤 경로로 와서, 정확히 우리집 문 앞에 놓였을까요?

이 글은 매일 우리가 받는 박스 뒤에서 작동하는 알고리즘과 시스템 이야기입니다. 빠른 배송은 빠른 배차의 결과가 아닙니다. 수십 년간 발전한 수학 문제, 머신러닝 예측, 창고 자동화의 합작품입니다.

1. 빠른 배송의 진짜 비밀 — 빠르게 가는 게 아니다

새벽 배송이 가능한 가장 큰 이유는 의외로 단순합니다.

주문하기 전에 이미 우리 동네 근처 창고에 있었기 때문입니다.

이게 빠른 배송의 첫 번째 비밀입니다. 우리는 ‘주문 → 창고에서 트럭 출발 → 빠르게 도착’이라고 상상합니다. 실제로는 다릅니다. 머신러닝이 ‘이 동네에서 다음 주에 휴지가 얼마나 팔릴지’를 예측해 며칠 전에 미리 가까운 창고로 옮겨놓습니다.

쿠팡 로켓배송, 컸리 새벽배송, 아마존 Prime이 빠른 진짜 이유는 운송 속도가 아니라 재고 위치입니다. 주문이 들어왔을 때 박스는 이미 같은 도시 안에 있습니다. 트럭이 30km만 달리면 됩니다.

그러면 두 번째 질문이 생깁니다. 그 30km 안에서도 수백 개의 배송지가 있는데, 트럭은 어떤 순서로 도는 것이 가장 효율적일까요? 여기서 80년 된 수학 문제가 등장합니다.

2. TSP — 외판원 문제, 80년 된 수학 문제가 매일 풀린다

TSP는 Traveling Salesman Problem(외판원 문제)의 줄임말입니다. 1832년 한 영업사원 매뉴얼에 처음 등장했고, 수학적으로 본격 연구된 것은 1930년대입니다.

문제는 단순합니다.

여러 도시를 한 번씩만 방문하고 출발지로 돌아오는 가장 짧은 경로는?

택배기사 한 명이 하루에 80~150개 배송지를 도는 일과 똑같은 문제입니다.

문제가 단순한데 해결이 어려운 이유는 경우의 수 폭발 때문입니다.

• 배송지 5개 — 가능한 경로 12가지
• 배송지 10개 — 약 18만 가지
• 배송지 15개 — 약 435억 가지
• 배송지 20개 — 약 6경 가지

배송지 20개만 돼도 모든 경로를 컴퓨터가 다 계산하려면 수년이 걸립니다. 80개라면 우주가 끝날 때까지도 못 끝냅니다.

그래서 실제 물류 회사는 ‘완벽한 답’이 아니라 ‘충분히 좋은 답’을 빠르게 찾는 근사 알고리즘을 사용합니다.

Nearest Neighbor (최근접 이웃)

가장 가까운 다음 지점부터 가는 단순한 방식. 빠르지만 최적과 25% 정도 차이.

유전 알고리즘

여러 후보 경로를 생성하고 ‘교배’시켜 더 나은 경로를 찾음. 생물 진화 원리를 본뜬 방식.

시뮬레이티드 어닐링

일부러 안 좋은 경로도 시도해 지역 최적해에 갇히지 않음. 금속 냉각 물리학에서 영감.

이런 알고리즘이 결합되어 80개 배송지의 ‘충분히 좋은’ 경로를 수 초 안에 찾아냅니다.

3. VRP — 200대 트럭이 1만 개 박스를 나누는 법

TSP가 한 명의 문제라면, VRP(Vehicle Routing Problem)는 회사 전체의 문제입니다.

N대의 차량으로 M개의 배송지를 어떻게 나눠서 처리할 것인가?

쿠팡 풀필먼트 센터 한 곳에서 200대 트럭이 1만 개의 박스를 분담하는 상황을 떠올려보세요. 결정해야 할 것이 많습니다.

• 어떤 박스를 어떤 트럭에 실을 것인가
• 각 트럭이 어떤 동네를 담당할 것인가
• 동네 안에서는 어떤 순서로 돌 것인가
• 점심시간·주유는 언제 어디서 할 것인가

여기에 더해 현실적 제약이 추가됩니다.

• 용량 제약 — 트럭마다 적재 한계
• 시간 윈도우 — 새벽배송은 7시 전, B2B 납품은 오전 9~11시 같은 시간 약속
• 근무 시간 — 운전자 1일 최대 운전 시간
• 우선순위 — VIP 고객, 신선식품, 의약품 같은 급한 배송
• 도로 제약 — 큰 트럭이 못 들어가는 골목, 화물차 통행 제한 도로

이 모든 변수를 동시에 만족하는 최적해를 찾는 것이 VRP입니다. 수학적으로는 TSP보다 훨씬 어렵습니다. 실제 회사들은 다음 방식으로 해결합니다.

1. 클러스터링 — 배송지를 지역별로 묶어 트럭에 할당
2. 각 트럭별 TSP 풀이 — 묶인 배송지 안에서 최적 순서 찾기
3. 재할당 — 한 트럭이 너무 바쁜다면 옆 트럭으로 이동
4. 실시간 재계산 — 교통 상황·신규 주문 들어올 때마다 다시 풀이

배달의민족·쿠팡이츠가 라이더 1명에게 동시 2~3건의 주문을 묶어 배차하는 것도 VRP의 실시간 버전입니다. 음식 조리 시간까지 변수로 들어갑니다.

4. 수요 예측 — 주문 전에 이미 옮겨놓는다

다시 1번 섹션의 비밀로 돌아갑니다. 빠른 배송의 핵심은 수요 예측입니다. 수요 예측은 다음 질문에 답합니다.

다음 주 화요일, 강남구 역삼동에서 휴지 12롤짜리는 몇 개 팔릴까?

이 답을 정확히 알면, 그만큼을 화요일 전에 강남 캐프로 옮겨놓을 수 있습니다. 주문이 들어왔을 때 트럭은 30km만 달리면 됩니다.

머신러닝 모델은 다음 변수를 학습합니다.

시계열 패턴

요일·시간·계절별 판매 패턴, 월말 월초의 차이, 명절·휴일 영향.

외부 변수

날씨(비 오면 배달 음식 ↑), TV·SNS 화제 상품, 경쟁사 프로모션, 거시 경제 지표.

상품 간 관계

‘기저귀를 산 사람은 분유도 산다’, ‘삼겹살이 팔리면 상추 수요 ↑’.

고객 행동

정기 구매 패턴(휴지·세제는 주기적), 같은 동네 다른 고객의 구매 이력.

이 예측이 정확할수록 재고 비용은 줄고 배송 속도는 빨라집니다. 반대로 예측이 틀리면 창고에 재고가 쌓이거나 품절이 발생합니다.

아마존은 2014년 ‘예측 배송’(Anticipatory Shipping)이라는 특허까지 출원했습니다. 주문 전에 이미 트럭에 실어 보내는 시스템입니다. 주문이 들어오면 가장 가까이 지나가는 트럭이 바로 배달합니다.

5. 창고 자동화 — 사람보다 빠른 로봇과 알고리즘

박스가 가까운 창고에 있다고 해도, 그 창고 안에서 박스를 찾고 포장하고 트럭에 싫는 시간이 있습니다. 이 시간을 줄이는 것이 창고 자동화입니다.

AS/RS (자동 창고 시스템)

천장까지 닿는 선반 + 자동 크레인. 사람이 찾으러 가는 게 아니라 박스가 사람에게 옴.

AGV / AMR (이동 로봇)

아마존이 2012년 Kiva Systems를 인수한 이후 시작된 흐름의 결정판입니다. 아마존은 2026년 기준 풀필먼트 네트워크 전체에 100만 대 이상의 로봇을 배치해 운영 중입니다. 선반 자체를 들고 작업자에게 이동하는 방식이 표준이 됐습니다.

피킹 알고리즘

작업자의 동선을 최소화하는 박스 위치 배치. 자주 같이 팔리는 상품은 가까이 둘. 시간대별로 다른 동선.

패킹 최적화

한 박스에 어떤 상품을 어떻게 넣을지. 박스 크기·배송비·파손 위험을 동시에 고려. 게임 ‘테트리스’의 3D 버전.

쿠팡 메가 캐프 한 곳에서 하루 수십만 개의 박스가 처리됩니다. 사람이 다 한다면 불가능한 규모입니다.

6. 라스트 마일 — 마지막 1km가 가장 비싸다

물류에서 마지막 1km가 가장 어려운 구간입니다. 이걸 라스트 마일(Last Mile)이라고 부릅니다.

왜 어려운가

• 큰 트럭은 못 들어가서 작은 차로 옮겨야 함
• 한 번에 한 집씩만 처리
• 부재 시 재방문 (비용 2배)
• 엘리베이터 대기, 주차 공간 문제
• 도시 도로의 실시간 변수 (공사·사고·교통)

라스트 마일이 전체 배송 비용의 53%를 차지합니다. 2018년 41%에서 2024년 53%로 가파르게 증가했습니다. 트럭이 시속 80km로 200km 달리는 것보다, 시속 20km로 마지막 5km 도는 게 더 비쌉니다.

해결 방식

1. 동시 배송지 묶음 — 같은 아파트 동에 여러 박스가 있으면 한 번에 들고 올라감
2. 부재 처리 자동화 — 무인 보관함, 경비실 위탁, 픽업 포인트
3. 동적 경로 재계산 — 교통 상황에 따라 1분 단위로 경로 재계산
4. AI 라우팅 최적화 — DHL의 Greenplan 동적 라우팅은 배송 비용 20% 절감, Tesco AI 라우팅은 연간 1,120만 마일을 줄이고 주문당 연료 소비 8% 감소
5. 새로운 배송 수단 — 드론·로봇·자율주행 차량. 월마트는 미국 5개 주에서 드론 배송 운영 중이며 2021년 이후 15만 건 이상 성공

배달의민족·쿠팡이츠 같은 음식 배달은 라스트 마일의 극단적 버전입니다. 박스 하나가 한 명에게 가는 데 30분 이내. 모든 변수가 실시간입니다.

7. 산업 현장에서 작동하는 한국 로지스틱스

한국에서 위 모든 기술이 어떻게 결합되어 있는지 살펴봅니다.

쿠팡 로켓배송

전국 80개 이상의 풀필먼트센터 및 배송허브 + 인천·덕평·대구·동탄·고양 5곳의 메가 풀필먼트센터로 국내 최대 물류 인프라를 구축한 구조입니다. 쿠팡풀필먼트서비스(CFS)가 풀필먼트센터에서 입고·출고·대분류를 담당하고, 쿠팡로지스틱스서비스(CLS)가 서브허브·캐프에서 중분류·소분류·라스트 마일 배송을 담당하는 이원 체제로 운영됩니다. 머신러닝 수요 예측으로 사전 배치 → 주문 시 가장 가까운 캐프에서 출발 → 직접 고용한 쿠팡친구가 라스트 마일 처리.

마켓컬리 새벽배송

콜드체인 + 시간 윈도우의 극단. 오전 7시 전 도착이 약속이라 모든 단계를 시간 거꾸로 계산. 새벽 4시 라이더 출발 → 새벽 1시 캐프 도착 → 저녁 9시 메가 센터 출발. 이 시간선이 깨지면 전체가 깨짐.

배달의민족·쿠팡이츠

VRP의 실시간 버전. 음식 조리 시간·라이더 위치·주문 다발성을 동시에 계산해 1초마다 최적 배차. 라이더 1명이 동시 2~3건의 주문을 묶음 처리하는 ‘묶음 배달’이 핵심.

대한통운·한진택배

전국 단위 허브 앤 스포크 모델. 새벽 4시 메인 허브 분류 → 권역 허브 → 영업점 → 택배기사. 각 단계마다 TSP·VRP가 작동.

아마존

전 세계 175개 풀필먼트 센터, 100만 대 이상의 로봇, 예측 배송 특허. AI 기반 수요 예측의 가장 정교한 사례. Prime 회원 지역에서는 당일·익일 배송이 표준.

8. 빠른 배송의 한계와 다음 10년

현재의 한계

1) 환경 비용

빠른 배송은 트럭 운행 횟수를 늘립니다. 묶음 배송보다 단건 배송이 환경에 부담입니다. 전 세계 박스당 평균 탄소 배출량은 204g CO2이며, 네덜란드는 차량 전동화와 경로 최적화로 2024년 100g까지 감축(2018년 230g에서 56% 감소)했습니다.

2) 노동 강도

라스트 마일을 빠르게 하려면 라이더·기사가 빠르게 움직여야 합니다. 한국 택배기사·라이더의 노동 강도와 사고율은 사회 문제입니다.

3) 수익성

새벽배송은 대부분 적자 구조입니다. 시장 점유율 확보를 위해 손해를 감수하는 단계입니다. 2024-2025년 미국 배송 비용이 평균 12% 상승했으며, 76%의 소매업체가 라스트 마일 비용 증가를 호소하고 있습니다.

4) 도시 인프라 부담

배송 트럭의 골목 주차, 엘리베이터 점유, 무인 보관함 공간 부족.

다음 10년의 방향

• 자율주행 라스트 마일 — 실내 자율주행 로봇이 아파트 단지 안에서 배송. 미국·중국에서 일부 상용화 시작.
• 드론 배송 — 교외·도서 산간 지역부터 시작해 점진 확산. 산악 의약품 배송이 먼저 자리잡음.
• 마이크로 풀필먼트 — 도시 한복판의 작은 자동화 창고. 매장 위층이 창고가 되어 30분 안에 배송. 자동화 소포 배송 터미널 시장이 2025년 3억 1,880만 달러에서 2035년 8억 2,490만 달러로 연평균 10% 성장 전망.
• 통합 물류 플랫폼 — 쇼핑몰·식당·약국이 같은 라스트 마일 인프라를 공유. 배달 트럭 한 대가 한 동네의 모든 종류 배송을 처리.
• 환경 우선 배송 — ‘빠른 배송’ 대신 ‘친환경 배송’ 옵션 선택. 묶음 배송에 인센티브 제공.

마무리

새벽 2시에 주문한 박스가 오전 7시에 문 앞에 있는 일은 마법이 아니라 80년 된 수학 문제, 머신러닝 예측, 창고 로봇, 실시간 알고리즘이 결합된 결과입니다.

이 글에서 다룬 어느 하나의 기술도 단독으로 빠른 배송을 만들지 못합니다. TSP만 잘 풀어도, 수요 예측만 잘해도, 창고만 자동화해도 부족합니다. 모든 단계가 동시에 정교해질 때 새벽 배송이 가능해집니다.

물류는 단순한 운송업이 아니라 알고리즘과 데이터의 산업입니다. 우리가 매일 받는 박스 뒤에는 수십 개의 최적화 문제가 매 순간 풀리고 있습니다.

자체 서비스에 물류 시스템 도입을 검토하거나, 기존 시스템의 효율을 점검해야 한다면, 컴포넌트팀이 알고리즘 설계부터 데이터 파이프라인까지 함께 설계해드릴 수 있습니다.