Michael Hickins | Content Strategist | 2023년 11월 3일
오늘날 알루미늄 및 철강 생산업체, 전자 부품, 항공기 엔진, 화학 제품 제조업체를 비롯한 다양한 제조업체들이 데이터 분석을 적극적으로 사용하고 있습니다. 데이터 분석은 제조업체의 원활한 공장 운영, 공급업체 성과 추적, 완전주문률 향상, 공급망 병목 현상 파악, 직원 생산성 개선, 제품 리콜 감소, 나아가 궁극적으로는 비용 절감 및 수익 향상에 기여하고 있습니다.
제조업체는 데이터 분석을 사용하여 예기치 못한 다운타임을 줄이고, 핵심 성과 지표를 추적하고, 공장 효율성 및 고객 만족도를 개선할 수 있습니다. 또한 데이터 분석은 4차 산업혁명(Industry 4.0), 또는 스마트 제조로 불리는 보다 광범위한 변화의 한 축이기도 합니다. 4차 산업혁명과 관련하여 데이터 분석은 기존 IT 시스템 및 산업 장비에서 수집한 데이터를 집계하고, 분석 애플리케이션을 실행하여 보다 정확한 정보에 기반한 의사 결정을 수행하는 등의 작업에 활용되고 있습니다. 또한 데이터 분석은 제조업체가 생산 오류의 근본 원인을 파악하고 주문 이행을 방해할 수 있는 제조 및 공급망 프로세스 전반의 병목 현상을 예측하는 데에도 도움을 줍니다.
핵심 요점
대부분의 제조업체는 센서를 사용하여 공장 및 장비와 관련된 데이터(운영 데이터)를 수집하고, 제조, 재무, 공급망, 인사 프로세스 관리용 애플리케이션을 실행하는 IT 시스템으로부터도 데이터를 수집합니다. 제조 분석은 비즈니스 리더가 통합된 데이터를 기반으로 의사 결정을 수행하는 데 기여합니다.
예를 들어, 경영진은 핵심 성과 지표(KPI)를 추적하여 지속적으로 납품 일정을 지키는 공급업체를 파악하고, 공급망 병목 현상을 파악하고, 제품의 리콜 범위를 제한하는 등의 작업에 분석 시스템을 활용할 수 있습니다. 또한 분석 시스템은 ERP 시스템의 재고 및 작업 주문 데이터와 공장 현장의 기계로부터 생성된 데이터를 해석하여 생산량 부족, 또는 기계 가동 중단으로 인해 주요 배송 기간을 놓칠 가능성 등을 관리자에게 경고해 줍니다. 이같이 다양한 제조 데이터 분석은 제조업체의 완전주문률(perfect order rate)을 개선하는 데 도움을 줍니다. 완전주문률이란 손실이나 손상 없이 정확한 수의 상품을 올바른 포장에 담아 규정된 가격과 배송된 상품 수를 정확하게 반영한 송장과 함께 배송할 수 있는 기업의 능력을 측정하는 KPI입니다.
대부분의 제조업체에서는 주요 장비에 연결된 센서가 상상할 수 있는 모든 유형의 매개변수(예: 모터가 작동 중인 온도, 볼 베어링에서 방출되는 진동 수준 등)에 대한 데이터를 지속적으로 전송하여 데이터 웨어하우스에 저장합니다. 저장된 데이터를 분석하여 장비 고장으로 생산 라인이 중단되지 않도록 반드시 해결해야 하는 잠재적 문제 요인들을 파악할 수 있습니다.
보다 정교한 데이터 활용 방식을 채택한 공장들의 경우, 운영 데이터 및 관련 정보기술을 결합하여 특정 장비와 관련된 문제로 작업 주문 또는 생산이 위협받을 가능성이 있는 경우 생산 부서 및 경영진이 관련 경고를 미리 받아볼 수 있는 시스템이 구축되어 있습니다. 재고 현황 또한 이같은 데이터 분석의 대상이 될 수 있습니다. 관리자는 애플리케이션을 사용하여 여러 창고 또는 공급업체로부터 운송 중인 재고의 위치를 시각화하고, 데이터 분석을 수행하여 재고 부족을 신속하게 해결하지 않을 경우 공장의 가동이 중단될 수도 있는 잠재적 재고 부족 사태에 대처하기 위한 보다 나은 의사 결정을 더욱 신속히 수행할 수 있습니다.
제조 분석은 다양한 이점을 제공합니다. 다음은 개중 가장 중요한 것들에 대한 간략한 설명입니다.
성공적인 데이터 분석 프로젝트는 아래의 모범 사례에 요약된 바와 같은 몇 가지 중요한 특징을 공유합니다.
데이터 분석 프로젝트의 개발 과정에 최고 경영진을 비롯한 비즈니스 이해관계자들을 참여시키는 것이 좋습니다. 데이터 분석 프로젝트를 통해 가능한 한 빨리 의미 있는 결과를 도출하여(KPI 섹션 참조) 그저 수많은 IT 프로젝트 중 하나라는 평가를 피해야 합니다. 예를 들어, IT와 운영 데이터를 결합하면 서로 연관성이 있는 다수의 메트릭을 분석하는 데 도움이 된다는 사실을 어필할 수 있습니다. 정시 배송이 고객 만족도에 미치는 영향, 기계의 다운타임이 완전 주문률에 미치는 영향 등이 그것입니다.
데이터 분석의 가치를 입증하기 위해서는 처음부터 전사적 규모의 프로젝트를 만들기보다는 병목 현상이 있거나 생산 라인에 있어 특히 중요한 소수의 기계에서 수집한 데이터로부터 시작하는 것이 좋습니다. 이같은 접근 방식은 거창하게 시작하는 방식보다 비용이 적게 들고, 즉각적인 결과를 보여줄 가능성이 높고, 종종 더 광범위한 분석 프로젝트에 대한 더 큰 수요를 창출합니다.
여러 부서의 다양한 시스템에서 사용되는 다양한 데이터 유형을 포괄적으로 분석합니다. 분석 대상에는 인수한 기업에서 사용하던 애플리케이션, 시간이 지남에 따라 점진적으로 추가된 미지급금, 급여 및 기타 백오피스 애플리케이션, 심지어 10년 전 개발자가 개인적인 의뢰를 받고 만들었으며 여전히 누군가의 책상 아래 서버에서 실행되고 있는 일회성 애플리케이션 등이 모두 포함되어야 합니다.
공장의 장비 또는 기타 운영 데이터와 제조 공정 관리용 애플리케이션에서 수집한 데이터를 분석 대상에 함께 포함시킴으로써 가장 정확한 분석 결과를 얻을 수 있습니다. 예를 들어, ERP 애플리케이션의 작업 지시 데이터를 생산 라인의 사이클 타임에 대한 운영 데이터와 함께 분석하면 특정 주문이 적시에 처리되었는지 여부를 파악할 수 있습니다. 이는 고객 만족도 및 수익에 직접적인 영향을 미치는 부분입니다.
여러 데이터 웨어하우스의 데이터를 하나의 클라우드 기반 데이터 웨어하우스 또는 데이터 레이크로 통합하는 것이 좋습니다. 각 기업마다 독자적인 데이터 관리 시스템을 사용하는 경우가 많으므로 기업간 인수합병 후에는 단일 데이터 저장소 구축에 특히 관심을 기울여야 합니다.
적절한 유형의 데이터를 수집하고 분석할 수 있도록 분석 프로젝트의 범위를 정확히 설정해야 합니다. 프로젝트의 목표 중 하나가 다운타임을 줄이는 것이라면, 작동 상태를 유지해야 하는 장비에 대한 센서 데이터가 수집되고 있는지 확인합니다. 처리량을 개선하는 것이 목표라면, 특정 기간 동안의 생산량을 측정할 수 있도록 생산량을 기록하고 시계열 데이터를 수집하기 위한 체계가 갖추어져 있는지를 확인해야 합니다.
데이터 분석에 노코드 ML 솔루션을 활용하면 재고 백로그 동향 파악, 기계 가동 중단 시간 예측, 리소스 활용률 저하 분석, 생산량 부족의 영향을 주요 비즈니스 평가 지표(매출, 마진 등)와 연관시키기 등의 분석 작업을 통해 제조업체의 모든 구성원들이 과거의 데이터로부터 숨겨진 패턴을 발견할 수 있게 됩니다.
중요한 영역 중에서 데이터가 수집되지 않고 있는 부분을 파악한 뒤 센서 또는 다른 기능을 추가하여 데이터를 수집합니다. 추가로 수집하는 데이터에 따라 분석 프로젝트의 범위 및 복잡성을 함께 확장합니다. 예를 들어, 제조업체는 생산된 유닛의 수량 및 장비가 최대 용량으로 작동하는 시간의 비율을 먼저 측정하고, 이후 총 생산 유닛 대비 승인된 유닛의 백분율과 같은 품질 측정 기준을 추가할 수 있습니다.
제조업체는 통합 재고뿐만 아니라 주문 처리, 고객 경험, 판매, 생산 및 타사 소스에서 통합된 데이터로부터 확보한 데이터 분석 기반 인사이트를 참고하여 신속한 의사 결정을 수행하고, 필요한 경우 생산 계획을 조정할 수 있습니다.
제조업체는 데이터 분석을 통해 현장 운영 및 공급망의 전반적 효율성을 개선하고, 전체 장비 효율성, 장비 가동 시간, 생산 처리량 등의 KPI에 대한 더 나은 인사이트를 확보할 수 있습니다. 다음은 실제 제조업체들의 데이터 분석 사용 사례입니다.
대부분의 제조업체는 이미 데이터 분석을 사용하고 있지만, 개중 종합적인 데이터 분석 전략을 수립 및 적용 중인 업체는 아직 많지 않습니다. 데이터 분석 전략에는 데이터를 일관적으로 집계 및 정리하고, 해당 데이터에 대한 분석 쿼리를 실행하고, 데이터를 통해 드러난 경고 또는 기타 정보에 대한 대응을 체계화하는 것 등이 포함됩니다. 다음은 제조업체의 데이터 분석 구현과 관련된 10가지 모범 사례입니다.
대부분의 제조업체는 이미 정보 기술 시스템을 도입했고 사용 중인 장비에 텔레매틱스 또는 기타 계측 장비를 일정 수준 탑재하고 있지만, IT 및 데이터 분석 도구의 사용도는 업체별로 고르지 않은 경향이 있습니다. 데이터가 여러 저장소에 단절된 채 분산 저장되어 액세스 및 분석이 어렵기 때문입니다.
클라우드 기반 IT 시스템으로 모든 시스템을 표준화한 제조업체는 정형 데이터 및 비정형 데이터를 포함한 모든 데이터를 단일 저장소로 통합한 뒤 동일한 방식의 데이터 분석을 적용하여 정확하고 신뢰도 높은 인사이트를 확보하고 의사 결정을 개선할 수 있습니다.
마지막으로, 데이터 분석 시스템에 로코드 및 노코드 ML 모델을 도입하면 비즈니스 사용자가 요청 티켓을 작성하거나 IT 부서의 도움을 받을 필요 없이 데이터 기반 보고서를 직접 작성할 수 있게 됩니다. 결과적으로 제조업체의 데이터 활용 빈도가 증가되고 데이터 활용에 따른 모든 이점 또한 더 많이 누릴 수 있게 됩니다.
Oracle Fusion Cloud ERP에 포함된 Oracle Cloud Supply Chain & Manufacturing은 제조업체가 수요, 공급, 시장 조건의 변화에 신속하게 대응할 수 있도록 지원합니다. 해당 애플리케이션 제품군을 도입한 제조업체는 재고 패턴을 지속적으로 모니터링하여 작업 주문 백로그의 위험을 완화하고, 공급업체의 성과가 자사의 생산 목표에 어떠한 영향을 미칠 것인지 여부를 판단하는 것을 비롯한 다양한 변화 대응 작업을 수행할 수 있습니다.
Oracle Fusion Supply Chain & Manufacturing Analytics는 제조업체의 생산성 향상에 기여하는 사전 구축된 인사이트를 제공하고, 이상 현상을 신속하게 감지하여 생산 현장의 효율성 향상에 기여하고, 계획-생산 프로세스의 최적화를 위한 공급망 및 제조 데이터에 대한 통합 뷰를 제공합니다.
데이터 분석은 제조업체에게 어떤 도움을 주나요?
제조업체는 예기치 않은 다운타임 감소, 공급업체 성과 추적 및 개선, 작업 지시 우선순위 지정, 직원 생산성 향상, 제품 결함 감소 등의 다양한 목적으로 데이터 분석을 사용합니다.
센서로 감지할 수 있는 물리적 이벤트로는 어떤 것들이 있나요?
센서를 사용하면 화염, 가스 누출, 오일 레벨 등을 감지할 수 있고, 온도, 압력, 방사선과 같은 물리적 특성을 감지할 수도 있습니다. 또한 물체의 움직임, 물체간의 근접도 등을 감지할 수도 있습니다.
제조업체는 분석용 데이터를 어디서 가져오나요?
제조업체는 공장 현장의 기계, 백오피스 IT 애플리케이션, 공급업체, 그에 더하여 시장, 인구 통계, 날씨, 규정, 특허, '환경, 사회, 거버넌스' 관행 또는 기타 다양한 범주의 정보를 제공하는 제3자 데이터 제공업체 등의 다양한 소스로부터 가져온 데이터들을 통합 분석합니다.
무료 e-book을 통해 공급망 의사결정의 품질 및 속도를 향상시키고, 미래의 공급망 관련 도전 과제들에 대비할 수 있는 방법들을 확인해 보세요.