물류 트러블슈팅 시리즈 #1
평소 0.3% 안팎이던 오피킹률이 어느 날부터 0.6~0.7%로 뛰어오른다. 출고량은 그대로인데 반품·교환 클레임만 쌓여간다. 현장에서는 곧바로 “누가 실수했냐”는 질문이 나오지만, 그렇게 시작한 조사는 대개 답을 못 찾고 끝난다. 이번 편은 오피킹률 급증을 실제로 추적했던 과정을 단계별로 정리한 사례다.
상황 — 2주 만에 두 배
아래는 실제 추적 당시의 주간 오피킹률 추이다. 3주차부터 변화가 눈에 띄게 나타났다.
| 주차 | 총 피킹 건수 | 오피킹 건수 | 오피킹률 |
|---|---|---|---|
| 1주차 | 8,420 | 24 | 0.29% |
| 2주차 | 8,510 | 27 | 0.32% |
| 3주차 | 8,390 | 48 | 0.57% |
| 4주차 | 8,605 | 59 | 0.69% |
총 피킹 건수는 거의 변화가 없었다. 즉 물량이 늘어서 생긴 문제가 아니라는 뜻이다. 변화는 오직 오류 건수에서만 나타났고, 그 시점은 3주차였다.
흔히 빠지는 함정 — 사람 탓부터 시작하기
오피킹률이 튀면 가장 먼저 나오는 반응은 “최근에 뽑은 신입 때문 아니냐”다. 틀린 직관은 아니지만, 이 질문에서 조사를 시작하면 두 가지 문제가 생긴다.
첫째, 특정 인원을 지목하는 순간 다른 원인 후보를 보지 않게 된다. 둘째, 신입 직원의 오류율이 실제로 평균보다 높더라도 그것이 전체 오류율을 두 배로 만들 만큼 충분한지는 별개의 질문인데, 이 부분을 검증하지 않고 넘어간다.
원인 추적은 사람이 아니라 오류 자체의 패턴에서 시작해야 한다. 언제, 어떤 유형으로, 어떤 SKU에서, 누구에게 몰려 있는지를 데이터로 먼저 좁힌 다음, 마지막에 사람 요인을 확인하는 순서가 맞다.
진단 절차 — 5단계로 좁히기
세 가지 가설, 데이터로 검증한 결과
이 사례에서는 오류 59건 중 41건이 특정 7개 SKU에서 발생했다. 세 가지 가설을 하나씩 데이터로 대조했다.
| 가설 | 검증 방법 | 결과 |
|---|---|---|
| A. SKU 유사성 | 인접 로케이션 SKU 포장 형태·바코드 비교 | 7개 중 2개만 해당. 부분 원인이지만 전체 설명 못함 |
| B. 신규직원 미숙련 | 작업자별 오류 건수 분포 확인 | 신규직원 오류 비중은 41건 중 9건뿐 |
| C. 로케이션 변경 | 슬로팅 변경 이력과 오류 SKU 로케이션 대조 | 7개 SKU 전부 2주 전 골든존 재배치 대상 — 핵심 원인 확인 |
실제 원인은 단순했다. 골든존 재배치는 이루어졌지만, 피킹리스트의 로케이션 코드는 갱신됐지만 현장 선반의 라벨 교체가 하루 늦게 끝난 구간이 있었다. 그 하루 동안 작업한 피커들이 “표시는 새 위치, 현장은 옛 라벨”이라는 불일치 속에서 일했고, 이후에도 옛 위치에 대한 습관이 1~2주간 이어지며 오류가 누적됐다.
해결 — 즉시 조치한 것들
- 해당 7개 SKU 로케이션의 라벨·시스템 데이터 일치 여부를 전수 재확인
- 변경 대상 SKU만 별도로 뽑아 1주일간 듀얼체크(피킹 후 2차 확인) 임시 적용
- 모든 인원에게 변경된 로케이션 위치를 사진으로 공유하는 공지 발송
- 1주일 후 오피킹률 0.71% → 0.34%로 회복 확인 후 듀얼체크 해제
재발방지 — 변경관리 체크리스트
| 항목 | 확인 내용 |
|---|---|
| 시스템·현장 동시 전환 | 로케이션 변경은 시스템 반영과 현장 라벨 교체를 같은 날, 같은 시간대에 끝낸다 |
| 전환 후 1주 모니터링 | 변경 대상 SKU만 따로 뽑아 오피킹률을 1주일간 일 단위로 추적 |
| 습관 교정 기간 확보 | 변경 직후 1~2주는 듀얼체크 등 보조 검증 단계를 임시로 둔다 |
| 변경 공지 시각화 | 텍스트 공지보다 변경 전·후 위치를 사진이나 도면으로 비교해 전달 |
| 오류 유형별 로그 분리 | SKU 오류·수량 오류·위치 오류를 별도 코드로 기록해 다음 추적 시간을 단축 |
현장에서 자주 나오는 질문
Q. 오류 건수가 적어서 통계적으로 의미가 있는지 판단하기 어려운데요?
건수가 적을수록 우연한 변동과 실제 패턴을 구분하기 어렵다. 이때는 비율(%)보다 절대 건수와 SKU·로케이션 집중도를 먼저 보는 것이 안전하다. 41건 중 41건이 7개 SKU에 몰려 있다는 사실은 표본이 작아도 충분히 의미 있는 신호다.
Q. 신입 직원 탓이 아니라는 걸 어떻게 직원들에게 설명하나요?
데이터를 그대로 공유하면 된다. “신입 오류율이 높긴 하지만 전체 증가분의 22%에 불과했고, 나머지 78%는 숙련된 인원에게서도 발생했다”는 식으로 숫자를 보여주면 불필요한 갈등을 줄일 수 있다.
Q. 듀얼체크를 적용하면 작업 속도가 떨어지지 않나요?
떨어진다. 다만 전체 SKU가 아니라 원인으로 좁혀진 일부 SKU에만 한정하고 기간도 1~2주로 제한하면, 생산성 손실 대비 오류 비용(반품·재포장·클레임 대응)을 줄이는 효과가 더 크다.
핵심 정리
- 오피킹률 급증 조사는 사람이 아니라 오류 패턴(시점·유형·SKU·작업자)에서 시작한다
- 오류가 소수 SKU에 집중돼 있다면 SKU나 로케이션 쪽 원인일 가능성이 높다
- 변경 이력(입고, 슬로팅, 인력)을 시점과 겹쳐보면 원인 후보가 빠르게 좁혀진다
- 시스템 반영과 현장 라벨 교체 사이의 시차가 가장 흔한 숨은 원인이다
- 변경 직후 1~2주는 듀얼체크 등 임시 보조 검증을 두는 것이 가장 비용 효율적인 예방책이다
다음 글 → 성수기 물량 폭주, 인력은 그대로일 때 — 임시 대응과 구조적 해결의 차이