경영과학 — 의사결정의 계량 모형

1. 경영과학이란

경영과학(Management Science / Operations Research)은 수학·통계·컴퓨터 모델링을 사용하여 복잡한 경영 문제의 최적 해결책을 찾는 학문입니다.

직관과 경험에 의존하는 의사결정의 한계를 보완합니다. 대규모 데이터와 복잡한 제약 조건이 있는 문제에서 위력을 발휘합니다.

경영과학의 적용 분야:

• 물류·재고 최적화 (어디에 창고를 두고, 재고를 얼마나 유지할 것인가)
• 프로젝트 일정 관리 (어떤 순서로 작업을 진행할 것인가)
• 인력 스케줄링 (어떤 직원을 언제 배치할 것인가)
• 금융 포트폴리오 최적화 (수익 극대화, 위험 최소화)

---

2. 의사결정 분석

(1) 불확실성 하의 의사결정

현실에서 많은 의사결정은 미래 상태를 모르는 상황에서 이루어집니다.

의사결정 유형:

유형	특징	기준
확실성 하의 결정	결과를 알고 있음	최적 선택 단순
위험 하의 결정	확률을 알고 있음	기대값(EMV) 기준
불확실성 하의 결정	확률도 모름	maximin / maximax

(2) 기대화폐가치(EMV)

$$\mathrm{EMV}=\sum_i p_i x_i$$

pᵢ는 각 결과의 확률, xᵢ는 해당 결과의 금액이며 확률의 합은 1입니다.

예시:

• 신제품 출시 여부 결정
• 시장이 호황(확률 0.6): 1억 원 이익
• 시장이 불황(확률 0.4): 3,000만 원 손실

EMV = 1억 × 0.6 + (–3,000만) × 0.4 = 6,000만 – 1,200만 = 4,800만 원

미출시의 결과가 0원이고 기대금액을 최대화하는 기준이라면 출시가 유리합니다. 다만 실제로 4,800만 원을 벌게 된다는 뜻은 아니며, 손실 감당 능력 등도 별도로 검토해야 합니다.

(3) 의사결정 나무 (Decision Tree)

연속적인 의사결정을 나무 구조로 시각화합니다.

의사결정 나무는 역방향 계산(rollback)으로 분석합니다. 끝에서부터 EMV를 계산해 올라오면서 각 분기점에서 최적 결정을 선택합니다.

---

3. 선형계획법 (Linear Programming)

(1) 개념

여러 제약 조건 하에서 목적 함수를 최대화(또는 최소화)하는 방법.

“자원이 제한되어 있을 때 어떻게 배분하면 최대 이익인가?”

(2) LP 기본 구조

$$\begin{aligned} \max\quad Z &= 5X+4Y \\ 6X+4Y & \leq24 \\ X+2Y & \leq6 \\ X,Y & \geq0 \end{aligned}$$

첫 줄은 이익 목적 함수, 다음 두 줄은 자원 A·B의 사용 한도, 마지막 줄은 생산량의 비음 조건입니다. X와 Y를 연속적으로 나눌 수 있다고 가정한 학습 모형입니다.

해법: 이 예처럼 비어 있지 않은 유계 다각형의 실현가능 영역에서는 꼭짓점의 목적 함수 값을 비교해 최적해를 찾을 수 있습니다. 일반적인 LP에는 실현가능 해가 없거나 목적 함수가 무한히 커지는 경우도 있습니다.

최적점에서는 6×3 + 4×1.5 = 24, 3 + 2×1.5 = 6으로 두 자원을 모두 사용합니다. 생산량이 정수여야 한다면 별도의 정수계획 문제로 다뤄야 합니다.

(3) 실무 적용

• 생산 계획: 제품 A, B를 생산할 때 기계·인력·재료 한도 내에서 이익 극대화
• 물류: 여러 창고에서 여러 수요지로 운송비 최소화 (수송 문제)
• 마케팅 예산 배분: 채널별 제약 내에서 노출 최대화

---

4. PERT / CPM — 프로젝트 일정 관리

(1) 개념

복잡한 프로젝트를 활동(activity)들의 네트워크로 나타내고, 전체 프로젝트 완료 시간을 계산합니다.

• CPM(Critical Path Method): 각 활동 소요 시간이 확정적일 때
• PERT(Program Evaluation and Review Technique): 소요 시간이 불확실할 때 (낙관·비관·최빈 추정치 사용)

(2) 주요 개념

주공정(Critical Path): 현재 네트워크와 활동시간에서 프로젝트 완료기간을 결정하는 최장 경로입니다. 주공정 활동의 여유가 0이고 다른 조건이 그대로라면 그 활동의 지연은 전체 완료를 늦추지만, 시간 추정이나 네트워크가 바뀌면 주공정도 달라질 수 있습니다.

여유시간(Slack/Float): 전체 일정에 영향 없이 활동을 늦출 수 있는 시간.

$$\mathrm{\text{Slack}}=LS-ES$$

LS는 최늦시작시간, ES는 최초시작시간입니다.

주공정 위의 활동은 Slack = 0.

(3) PERT 시간 추정

낙관 추정(a), 비관 추정(b), 최빈 추정(m)으로 기대 시간을 계산합니다.

$$t_e=\frac{a+4m+b}{6}$$ $$\sigma^2=\left(\frac{b-a}{6}\right)^2$$

이는 고전적 PERT의 베타분포 근사식입니다. 경로의 분산을 활동분산의 합으로 계산할 때는 활동시간의 독립성과 선택한 주공정이 유지된다는 근사를 둡니다. 따라서 계산된 완료확률은 모형 추정치이지 납기 보장이 아닙니다.

(4) 실무 활용

대규모 IT 프로젝트, 건설 프로젝트, 제조 라인 신설에서 자원 배분과 일정 최적화에 사용됩니다.

---

5. 재고 관리 모델

(1) EOQ(Economic Order Quantity) 재확인

(6강에서 소개) 연간 수요량 D, 1회 주문 비용 S, 단위당 보관 비용 H로 최적 주문량을 계산합니다.

$$Q^*=\sqrt{\frac{2DS}{H}}$$

주문량별 비용 비교와 기본 가정은 생산관리의 EOQ 예제에서 확인할 수 있습니다.

(2) 안전재고와 재주문점

안전재고: 수요·조달기간 변동에 대비한 여유 재고. 품절 위험을 낮추는 서비스 수준과 재고 비용 사이에 상충관계가 있습니다. 서비스 수준은 품절 확률 자체와 같은 뜻이 아니며, 사용하는 지표를 명확히 해야 합니다.

재주문점(Reorder Point):

$$ROP = \text{리드타임 동안의 평균 수요} + \text{안전재고}$$

재고 포지션(보유재고 + 발주잔량 − 미충족 주문)이 재주문점에 도달하면 주문을 발행하는 방식입니다.

---

6. 대기 이론 (Queuing Theory)

고객이 서비스를 기다리는 상황의 수학적 모델입니다.

핵심 지표:

• λ: 고객 도착률 (시간당 도착 수)
• μ: 서비스율 (시간당 처리 수)
• ρ = λ/μ: 서버 이용률

M/M/1 대기 모델은 포아송 도착, 서로 독립인 지수분포 서비스 시간, 단일 창구 등을 가정합니다. 아래 정상상태 식은 λ가 μ보다 작을 때 적용합니다.

$$W_q=\frac{\rho}{\mu(1-\rho)}$$ $$L=\frac{\rho}{1-\rho}$$

Wq는 서비스 시작 전 평균 대기 시간, L은 서비스 중인 고객을 포함한 평균 시스템 내 고객 수입니다. 도착률·서비스율을 시간당으로 넣으면 Wq의 단위는 시간입니다.

가상의 M/M/1 모형 계산이며 실제 병원·콜센터의 측정값이 아닙니다.

ρ가 1에 가까울수록 대기 시간이 폭발적으로 증가합니다.

실무 적용: 은행 창구 수 결정, 콜센터 상담사 배치, 병원 응급실 최적화.

---

7. 시뮬레이션

(1) 몬테카를로 시뮬레이션

불확실성이 있는 복잡한 시스템을 무작위 난수를 사용해 수천 번 모의 실험합니다.

원리: 확률 분포에서 난수를 뽑아 결과를 계산 → 이를 수만 번 반복 → 결과의 분포와 기대값을 추정.

응용:

• 신제품 출시의 NPV 분포 추정 (수요·비용이 확률적)
• 건설 프로젝트의 기간·비용 초과 위험 평가
• 금융 포트폴리오의 VaR(위험가치) 계산

(2) 이산 사건 시뮬레이션

제조 라인, 물류 네트워크, 서비스 프로세스 등 복잡한 운영 시스템을 컴퓨터로 모의 실행합니다. 병목 찾기, 용량 계획, 규칙 변경 효과 사전 평가에 사용됩니다.

---

8. 경영과학의 한계와 보완

경영과학 모델은 강력하지만 한계도 분명합니다.

한계:

1. 모델은 현실의 단순화: 모든 변수를 포함하지 못함
2. 가정에 민감: 수요 분포, 비용 구조 등 가정이 틀리면 결론도 틀림
3. 데이터 품질 의존: 쓰레기 입력 → 쓰레기 출력 (Garbage In, Garbage Out)
4. 인간·조직 요소 제외: 문화, 정치, 저항을 모델에 담기 어려움

보완 방법:

• 민감도 분석(sensitivity analysis): 핵심 가정이 바뀌면 결론이 어떻게 달라지는지 확인
• 시나리오 분석: 낙관·기준·비관 시나리오 각각 계산
• 모델 결과 + 경험적 판단의 결합

---

조사 결과의 판단: 1종·2종 오류와 검정력

가설검정은 모집단에 관한 주장을 표본으로 판단하는 절차입니다. 예를 들어 교육 프로그램 전후의 평균 생산성 차이를 검정할 때 귀무가설 H₀: 차이 0, 대립가설 H₁: 차이 0이 아님으로 둘 수 있습니다. 오류 번호는 먼저 어떤 가설을 H₀로 두었는지 확인한 뒤 해석합니다.

• 유의수준 α: H₀가 참일 때 잘못 기각할 확률을 통제하기 위해 미리 정한 기준입니다.
• β: 특정 대립가설이 참일 때 H₀를 기각하지 못할 확률입니다. 효과 크기·표본 크기·검정 방식에 따라 달라집니다.
• 검정력 1−β: 실제 효과를 탐지할 확률입니다. α+β=1이라는 뜻이 아닙니다.
• p값: H₀ 아래에서 관측된 검정통계량만큼 또는 그보다 극단적인 결과가 나올 확률입니다. H₀가 참일 확률이나 이번 판단이 틀릴 확률이 아닙니다.

같은 표본 크기·효과 크기·검정 방식에서 유의수준을 더 엄격하게 낮추면 일반적으로 β가 커지고 검정력이 낮아집니다. 표본 크기를 늘리면 같은 유의수준에서 검정력을 높일 수 있습니다. 통계적으로 유의한 차이가 경영상 큰 효과라는 뜻은 아니므로 효과 크기와 실행 비용도 확인합니다.

판별 문제. 유의수준 5%에서 p값이 0.08이다. ‘교육 효과가 없다는 것이 증명됐다’고 결론내려도 될까?

안 됩니다. H₀를 기각할 증거가 부족하다는 결론입니다. 표본이 작거나 효과가 작아 놓쳤을 수 있습니다. 반대로 p값이 0.03이면 이 기준에서 H₀를 기각하지만, H₀가 참일 확률이 3%라는 뜻은 아닙니다.

계산 문제. 특정 효과에 대한 β가 0.20이면 검정력은?

1−0.20=0.80(80%)입니다. 이 수치만으로 α를 계산할 수는 없습니다.

선발관리 교재의 ‘1종/2종 선발오류’ 번호는 별도 분류로 제시되기도 합니다. 선발관리의 오류에서는 적격자를 탈락시키는지, 부적격자를 뽑는지 실제 상황을 먼저 읽으세요. 통계 검정의 상세 설명은 가설검정 기초에서 이어집니다.

9. 학습 체크리스트

• EMV를 계산하여 기대값 기반 의사결정을 내릴 수 있다
• 선형계획법의 목적 함수와 제약 조건 구조를 설명할 수 있다
• PERT/CPM에서 주공정과 여유시간을 구할 수 있다
• 재주문점 계산 방법을 설명할 수 있다
• 몬테카를로 시뮬레이션의 원리를 설명할 수 있다

---

10. 핵심 개념 카드

EMV와 선형계획법 : EMV는 결과를 확률로 가중평균합니다. LP는 목적 함수와 자원 제약을 명시해 가능한 선택을 비교합니다.

일정과 재고 : 주공정은 프로젝트의 최장 경로입니다. EOQ는 주문량, ROP는 재주문 시점을 다룹니다.

대기 모형의 가정 : M/M/1의 정상상태 식에는 λ가 μ보다 작다는 조건이 필요합니다. 평균 대기 시간은 개별 고객의 대기 시간을 보장하지 않습니다.

---

11. 실전 퀴즈

Q. 시간당 평균 수요가 20개이고 조달기간이 3시간, 안전재고가 10개라면 재주문점은 얼마인가요?

20×3 + 10 = 70개입니다. 이는 주문량이 아니라 주문을 발행하는 재고 포지션의 기준입니다.

12. 참고 자료

• MIT OpenCourseWare: M/M/1 대기 모형
• MIT OpenCourseWare: 재고 관리와 주문점