제조 분석이란 무엇인가요?

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.

제조 분석이란 무엇인가요?

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

  • 제조업체는 장비에 부착된 센서의 데이터를 분석하여 장비 고장 가능성이 있는 시점을 파악함으로써 공장에서의 생산 중단 사태를 방지합니다.
  • 보다 서비스 지향적인 비즈니스 모델로의 전환을 고려 중인 제조업체는 데이터 분석을 통해 생산 과정에서의 비효율적 요소가 직접적으로 영향을 미치는 수익원을 파악합니다.
  • 제조업체는 데이터 분석을 통해 공급망을 지속적으로 모니터링하여 공급업체로부터 운송 중인 원자재 및 부품, 여러 공장에 배치된 자재 등의 이동에 대한 포괄적인 가시성을 확보할 수 있습니다.
  • 제조업체는 데이터 분석을 사용하여 품질 문제가 발생한 특정 기계 또는 생산 라인을 식별함으로써 제품의 리콜 횟수 및 범위를 줄일 수 있습니다. 리콜이 이루어지더라도 데이터 분석을 통해 전체 배송 물량이 아닌, 문제가 발생한 특정 제품 배치만을 리콜할 수 있습니다.
  • 제조업체는 데이터 분석을 통해 중요한 핵심 성과 지표를 추적하여 자사의 완전주문률 관련 목표를 달성할 수 있습니다.

제조 분석 알아보기

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.

제조 분석의 작동 방식

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 분석의 이점

제조 분석은 다양한 이점을 제공합니다. 다음은 개중 가장 중요한 것들에 대한 간략한 설명입니다.

  • 예기치 못한 다운타임 방지: 제조업체는 데이터 분석을 사용하여 장비가 곧 고장날 가능성이 있음을 나타내는 센서 데이터를 해석할 수 있습니다. 예를 들어, 기계에 장착된 센서가 기어 샤프트의 볼 베어링이 비정상적인 주파수로 진동하는 것을 감지하면 곧 고장이 발생할 가능성이 있음을 파악할 수 있습니다. 제조업체는 해당 데이터를 참고하여 예방적 유지보수를 수행함으로써 기계 및 생산 라인을 일정대로 가동할 수 있습니다.
  • 생산성 향상: 컨설팅 업체인 McKinsey에 따르면, 제조업체는 데이터 분석을 사용하여 장비 및 직원의 생산성을 향상시키고, 수익 마진을 최대 10% 높일 수 있습니다. McKinsey는 특정 제품 라인에 대한 타사 공급업체 의존도를 줄이고, 일부 중요한 생산 자산의 처리량을 늘려 생산 능력을 확장할 기회를 파악함으로써 연간 수백만 유로의 비용을 절감할 수 있었던 한 글로벌 화학 회사의 사례를 예로 들었습니다. 또한 이 회사는 다른 제품 카테고리의 최대 생산용량을 확대하여 매출을 증가시키기도 했습니다. 이 제조업체는 이상의 모든 과정에서 500개 이상의 변수, 3,000개 이상의 제약 조건, 수백 개의 생산 단계를 분석할 수 있는 분석 모델을 사용했습니다.
  • 신규 비즈니스 모델 지원: 많은 제조업체들이 서비스 제공 및 완제품 판매를 전제로 하는 새로운 비즈니스 모델을 실험하고 있습니다. 일각에서는 이를 '서비스형 제품'이라고도 부릅니다. 예를 들어 비행기 엔진 제조업체는 엔진이 이상없이 비행한 시간에 비례하여 항공사에 요금을 부과하고, 의료 장비 제조업체는 장비 사용량에 따라 병원에 요금을 부과합니다. 결과적으로 사용자에게는 지속적인 서비스 비용이 발생하지만 그만큼 제품의 가동 시간을 보장받을 수 있습니다. 이같은 서비스를 제공하고자 하는 제조업체는 시스템에서 수집한 데이터를 분석하여 예방적 유지보수가 필요한 시점을 파악할 수 있는 능력을 갖추어야 합니다. 제조업체는 서비스형 제품을 판매함으로써 차별화된 반복 수익원을 구축할 수 있을 뿐만 아니라, 수집 및 분석한 데이터를 바탕으로 새로운 제품을 개선하고, 장기적인 고객 관계를 구축할 수 있습니다.
  • 비용 최적화: 제조업체는 데이터 분석을 활용하여 인건비, 자재, 간접비, 비정상적인 비용(예: 원자재에 대한 안전 재고를 너무 많이 주문하여 운반 비용이 초과되는 경우)을 비롯한 전체 비용을 보다 잘 이해할 수 있습니다. 이는 제조업체의 마진율 향상으로 이어집니다.
  • 주요 성과 지표(KPI) 파악: 경영진은 데이터 분석을 통해 공장 및 공급망 전반으로부터 자사의 비즈니스의 핵심 영역에 악영향을 미칠 수 있는 잠재적 문제를 파악할 수 있습니다. 하나의 KPI만으로 공장 또는 제조업체의 성과를 모두 분석하는 것은 불가능합니다. 또한 정시 납품과 같은 일부 KPI는 공장 한 곳의 성과뿐 아니라 전체 공급망의 성과를 알 수 있는 지표입니다. 선도적인 제조업체는 데이터 분석을 활용하여 관리자들이 각 KPI의 구조적 한계, 여러 KPI간의 관계성 등을 이해할 수 있도록 지원합니다.

    가장 널리 사용되는 KPI는 다음과 같습니다.
    • 완전주문률(Perfect order rate): 앞서 설명한 대로 완전주문률은 제조업체가 정확한 개수의 상품을 배송하고, 올바르게 포장하고, 실제 배송 수량과 일치하는 문서를 첨부하고, 정해진 가격에 따라 송장을 발행하는 등 완제품의 문제없는 배송 여부를 측정하기 위한 여러 KPI를 종합한 KPI입니다.
    • 수율(Yield): 총 생산량 대비 표준 사양에 따라 생산된 유닛의 개수를 백분율로 계산하여 상품 생산의 효율성을 측정합니다.
    • 설비 종합 효율(Overall equipment effectiveness, OEE): 제품의 품질, 장비의 가용성 및 성능을 고려하여 공장의 생산성이 유지되는 시간의 비율을 측정합니다. 제조업체는 언제든 OEE를 분석하여 잠재적인 장비 고장을 예측하고, 고장을 방지하기 위한 유지보수를 계획할 수 있습니다.
    • 정시 납품(On-time delivery): 고객과 약속한 특정 기간 내에 납품된 유닛의 비율을 측정합니다. 본 분석법은 주문 이행의 잠재적 지연 요인을 파악하고, 해당 요인을 야기하는 정확한 원인(공급업체 배송 문제, 주문 관리 병목 현상 등)을 파악하는 데 도움을 줍니다.
    • 처리량(Throughput): 특정 기간 동안 생산된 총 상품 수를 기준으로 특정 공장 또는 제조업체의 효율성을 계산합니다. 제조업체는 이러한 유형의 데이터를 지속적으로 모니터링하여 비효율적으로 운영되고 있을 가능성이 있는 장비를 파악하고, 리소스 백로그를 관리하고, 목표 달성을 위해 생산 계획을 조정할 수 있습니다.
    • 사이클 타임(Cycle time): 제조업체 설비의 수요 충족 능력을 계산하는 방법으로서, 고객이 주문한 순간부터 고객이 상품을 수령할 때까지 공장에서 생산하는 상품의 수량을 기반으로 측정합니다.
    • 생산량(Production volume): 특정 기간 동안 생산된 총 유닛 수를 측정합니다.
    • 생산 가동률(Capacity utilization): 수요에 대응할 수 있는 제조업체의 생산 능력을 측정하는 KPI입니다. 주어진 기간 동안 사용된 총 생산 능력을 총 가용 생산 능력으로 나눈 뒤 100을 곱하여 백분율로 계산합니다.
    • 폐기율(Scrap rate): 작업 종료 후 반드시 폐기해야 하는 자재의 양을 측정합니다. 비율이 낮을수록 좋습니다.
  • 공급업체 성과 추적: 제조업체는 데이터 분석을 통해 부품 또는 원자재를 지속적으로, 적시에 납품하는 공급업체를 파악할 수 있습니다. 또한 공급업체의 제품 품질, 경쟁사 대비 가격, 노동 및 환경 표준의 준수 여부를 모니터링하는 데에도 데이터 분석을 사용합니다.
  • 공급망 가시성 확보: 제조업체는 데이터 분석을 통해 원자재 또는 부품의 재고 수준에 대한 보고서를 작성합니다. 데이터 분석 도구를 사용하면 어떤 부품이 아직 운송 중인지, 여러 공장 중 어디에서 재고를 이동시켜 다른 공장의 부족분을 보충할 수 있는지 등의 정보를 시각화할 수 있습니다. 이는 수백 건의 주문을 수천 개의 공급업체를 통해 동시에 처리해야 하는 대형 제조업체에게 특히 중요한 기능입니다.
  • 작업 지시 우선순위 지정: 제조팀은 데이터 분석을 활용하여 제품별 제조 기한, 공급망 중단 발생 여부, 각각의 주문 이행에 필요한 재고 보유 여부 등을 감안하여 우선적으로 처리해야 할 프로젝트 및 생산 라인을 간단히 파악할 수 있습니다. 관리자는 데이터 분석을 통해 작업 주문, 판매 주문, 보유 재고를 비교할 수 있고, 생산 관리자는 각각의 생산 라인이 전체 제조 계획과 잘 부합하는지 여부를 확인할 수 있습니다. 예를 들어, 공장 관리자는 신속하게 처리해야 하는 중요한 고객이나 대량 주문 고객을 위해 더 늦게 받은 작업 지시를 더 먼저 수행하고, 처리하는 데 시간이 오래 걸리지 않는, 덜 안정적인 고객의 주문은 설령 더 일찍 받은 주문이라 해도 그 우선순위를 낮출 수도 있습니다.
  • 직원 생산성 향상: 앞서 언급한 바와 같이 데이터 분석은 예기치 않은 다운타임을 줄임으로써 생산 현장의 작업자들이 유휴 상태로 대기하는 일이 거의 없도록 만들어 줍니다. 뿐만 아니라 작업자들이 장비를 사용하지 않는 시간에 맞춰 장비의 유지보수 일정을 수립하는 데도 도움을 줍니다. 여러 시설에서 여러 작업 지시가 진행 중인 상황이라면 사람이 직접 계산하여 동일한 유지보수 일정을 수립하기란 매우 어렵습니다. 결과적으로 데이터 분석은 유지보수 직원이 기계 수리를 위해 불필요하게 대기하지 않아도 되도록 만들어 줍니다. 실제 제조 현장에서는 종종 발생하는 일입니다. 평균적으로 제조 현장의 유지보수 직원이 생산적인 업무에 할애하는 시간은 전체 업무 시간의 약 1/4에 불과하다는 연구 결과도 있습니다. 동일한 유형의 데이터 분석을 사용하여 자재 배송 기간이나 기타 외부 요인에 맞춰 교대 근무 시작 및 종료 시간 등의 다른 프로세스를 조정할 수도 있습니다.
  • 제품의 리콜 범위 제한: 데이터 분석을 활용하면 실시간 생산 데이터 및 품질 관리 보고서를 비롯한 각 장비별 세부 보고서를 분석하여 언제, 어느 생산 라인에서, 어느 장비에서 품질 문제가 발생했는지 여부를 정확히 파악할 수 있습니다. 이를 통해 제품의 리콜 범위를 제한하여 비용을 절감하고 고객 만족도를 향상시킬 수 있습니다.
  • 더 자세한 데이터 수집: 제조업체는 일반적으로 공장 단위의 데이터와 KPI를 사용하여 자사의 운영을 관리합니다. 나아가 필요한 경우 개별 생산 라인, 또는 기계 단위의 세부 정보를 분석하는 것도 가능하므로 제조업체는 처리량, 사이클 타임 및 기타 KPI를 정교하게 개선할 수 있습니다.
  • 직원 퇴사율 감소: 제조업체는 데이터 분석을 통해 안전 위험, 어려운 작업 조건, 지나치게 긴 근무 시간, 업무량이 적은 직원 등을 식별하고, 문제가 되는 요소를 시정하여 직원들의 사기, 안전, 근속 기간을 개선할 수 있습니다. 또한 데이터 분석을 통해 특정 직책에 필요한 기술 이외의 기술을 가진 직원을 식별하여 다른 비즈니스 영역으로 재배치함으로써 해당 직원의 경력 개발을 도울 수도 있습니다.
  • 일관적인 재무 데이터 생성: 스프레드시트나 기타 수동적이고 단절된 재무 데이터 관리 수단을 사용하는 기업은 일관성 없는 데이터를 보유하게 되는 경우가 많습니다. 이는 보고 오류의 결과일 수도 있고, 관리자가 주어진 상황을 최대한 좋게 보이도록 만들기 위해 노력한 결과일 수도 있습니다. 재무 애플리케이션과 공장 현장의 장비에서 추출한 데이터를 직접 분석하면 인적 오류나 조작 없이 정확한 보고서를 자동으로 작성할 수 있습니다.

9가지 제조 분석 모범 사례

성공적인 데이터 분석 프로젝트는 아래의 모범 사례에 요약된 바와 같은 몇 가지 중요한 특징을 공유합니다.

1. 데이터 분석을 비즈니스 프로젝트로 만들기

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.

2. 작게 시작하기

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.

3. 데이터 인벤토리 구축

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.

4. 운영 데이터 포함하기

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.

5. 단일 데이터 저장소 구축

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.

6. 관리해야 할 대상 파악

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.

7. AI 및 머신러닝(ML) 도입

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.

8. 점진적 분석 기능 확장

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.

9. 제조 계획 조정

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.

제조 분석의 비즈니스 사용 사례

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.

  • HarbisonWalker International: 대규모 다국적 제조업체들은 데이터 분석을 사용하여 예측 정확도 및 정시 주문 배송율을 개선할 수 있습니다. 예를 들어, 내화 제품(고도의 열, 압력 또는 화학적 공격을 견딜 수 있는 제품)을 제조하는, 150년 이상의 업력을 보유한 기업인 HarbisonWalker International은 3개 대륙에 걸쳐 수십 개의 시설을 보유하고 있습니다. 지난 20년 간 인수한 여러 시설과 수많은 애플리케이션들로 인해 데이터 수집 및 분석에 어려움을 겪어 왔습니다. 그 해결책으로 HarbisonWalker International은 데이터 및 애플리케이션을 단일 클라우드 ERP 시스템에 통합하여 전사적 제조 및 재무 데이터를 분석할 수 있는 체계를 갖춤으로써 예측 정확도를 높이고, 작업자의 초과 근무를 줄이고, 재고 수준을 미세 조정하고, 정시 배송률을 90% 이상 향상시켰습니다.
  • Western Digital: 데이터 분석은 대기업의 데이터 기반 의사 결정을 가속화시켜 줍니다. 예를 들어, 데이터 스토리지 제조사인 Western Digital의 데이터 보고 워크플로는 각자 다른 데이터 및 워크플로 플랫폼을 사용해 온 Hitachi Global Storage Technologies 및 SanDisk의 인수를 비롯한 여러 요인으로 인해 속도가 저하되었습니다. 인수 후 세 기업이 그간 사용해 온 애플리케이션 수는 총합 2,000개 이상이었고, IT 부서가 데이터 웨어하우스를 새로 고치는 데는 8시간 이상이 소요되었습니다. 이같은 환경 하에서는 비즈니스 사용자가 업무 중에 비즈니스 인텔리전스 및 데이터 분석 결과에 즉각적으로 액세스하는 것이 불가능했고, 데이터 분석 보고서는 24~48시간 전의 데이터에 기반하여 작성되었습니다. 따라서 Western Digital은 사전 구성된 보고 기능을 갖춘 새로운 클라우드 기반 시스템을 도입하여 데이터와 워크플로를 표준화함으로써 비즈니스 리더들이 20분 이내로 데이터 분석 결과에 액세스할 수 있는 체계를 구축했습니다. 또한 데이터 및 플랫폼을 통합하여 워크플로를 간소화하고, 모든 관리자 및 경영진이 동일한 데이터 세트 및 보고서를 공유할 수 있게 되었습니다.
  • Bitron: 제조업체는 데이터 분석을 사용하여 경영진이 데이터 검색에 소비하는 시간을 줄이고 직감이 아닌 실증적 근거에 바탕을 둔 의사 결정을 보다 간단히 수행하도록 지원할 수 있습니다. Bitron은 에너지, 자동차, HVAC 등 다양한 산업에 사용되는 다양한 기계 및 전자 부품을 제조하는 이탈리아 기업으로서, 클라우드 기술을 도입하여 데이터 사일로를 제거하였습니다. Bitron의 관리자들은 셀프 서비스 분석 도구를 통해 원하는 데이터 분석 보고서를 직접 작성할 수 있습니다. 다른 데이터 분석 도구 사용자는 다양한 소스로부터 데이터를 내보내고, 포인트 분석 도구를 사용하여 소스별 데이터를 개별적으로 분석해야 하므로 인사이트의 정확도가 떨어지는 경우가 많습니다. 반면 데이터 준비 및 보강 기능이 포함된 Oracle Analytics Cloud는 사용자가 더욱 간단히 데이터를 집계하고, 제조 프로세스 관리를 위한 KPI를 작성할 수 있도록 지원합니다.
  • Bonnell Aluminum: 제조업체는 데이터 분석을 통해 공급망 및 운영에 대한 가시성을 높이고 고객의 수요를 보다 수월하게 충족시킬 수 있습니다. 맞춤 제작 및 완제품 알루미늄 압출 제조업체인 Bonnell Aluminum은 상호 운용이 불가능한 데이터 웨어하우스에 저장된 5개 제조 공장의 데이터를 비롯한 HR, 재무, 공장 운영 시스템의 데이터를 사용하여 데이터 분석을 시도하였습니다. Bonnell의 공장 관리자들은 스프레드시트 형식으로 저장된 현장 데이터를 자체 개발한 ERP 보고 시스템으로 분석하였습니다. 이는 데이터의 일관성을 저하하였고, 정보에 기반하지 않은 의사 결정으로 이어졌습니다. 신뢰할 수 있는 데이터의 부족으로 인해 전 세계적 자재 부족 현황 또는 그를 야기하는 상관관계를 파악하고, 실적이 저조한 공급업체를 파악하고, 고객별 주문 간 우선순위를 정하는 것 등은 사실상 불가능했습니다. 80% 이상의 주문이 주어진 기간 내에, 주어진 사양에 따라 만들어진 제품을 납품해야 하는 맞춤형 주문으로 이루어진 Bonnell에게 있어 이는 비즈니스의 지속성을 심각하게 저해하는 요인이었습니다. 다행히도 새롭게 도입한 클라우드 기반 ERP 및 분석 플랫폼은 더 나은 구매 및 재고 결정을 내릴 수 있는 다양한 기능을 제공해 주었습니다. Bonnell은 클라우드 플랫폼을 통해 공급업체 데이터를 포함한 전사적 데이터를 상호 연결하였습니다. 이는 Bonnell이 가장 수요가 많은 제품들이 무엇인지 이해하고, 프로세스 병목 현상(예: 공급업체가 야기한 지연 및 관련 재고 문제)을 파악하고, 고객별 맞춤형 수요를 충족하기 위해 필요한 변경(예: 노동력 및 지출 재할당)을 수행할 수 있게 되었습니다.

제조업체가 데이터 분석을 구현하는 방법

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.

  1. 데이터 저장소의 현재 상태에 대한 인벤토리를 생성하고 관련 평가 지표를 비롯해 제조업체가 원하는 최종 상태를 문서화합니다(예방적 유지 보수, 품질 개선, 작업자 안전 등의 목표 달성 차원).
  2. 사용 중인 데이터 유형을 인벤토리화합니다. 제조, 재무, 공급망, 영업, 마케팅, HR 및 기타 애플리케이션뿐만 아니라, 기계, 장치, 운송 중인 자산 및 기타 소스에서 수집한 비정형 데이터, 데이터 웨어하우스 또는 데이터 레이크에 정리된 정형 데이터 등이 이에 포함됩니다.
  3. 데이터 마이그레이션 프로세스를 시작합니다. 그 첫 번째 단계는 비즈니스 연속성을 보장하기 위해 데이터를 단일 데이터 웨어하우스나 기타 저장소로 통합하고 백업하는 것입니다. 이같은 방식으로 데이터를 합리화하는 것은 분석 프로세스의 중요한 첫 단계일 뿐만 아니라, 스토리지 비용을 절감하는 데도 도움을 주므로 마이그레이션의 첫 단계부터 좋은 효과를 거둘 수 있습니다.
  4. 다양한 데이터 소스에서 중앙 저장소로 커넥터 또는 데이터 피드를 구축합니다.
  5. 데이터 정리 소프트웨어를 사용하여 여러 시스템으로부터 수집된 중복되거나, 모순되거나, 부정확한 데이터를 제거하여 중앙화된 데이터를 정리하고 신뢰도를 강화합니다.
  6. 앞서 언급한 대로 작게 시작합니다. 일단 병목 현상을 야기하는 요인으로 확인된 생산 장비 하나를 대상으로 예방적 유지 보수 및 다운타임 감소를 위한 데이터 분석 체계를 구축합니다. 또는 데이터 분석을 사용하여 추적하고 개선할 필요가 있는 KPI(사이클 타임, 처리량, 작업자 안전 등)들이 무엇인지 파악하는 방법도 있습니다.
  7. 보다 중요한 생산 라인 또는 공급망 프로세스로 데이터 분석 대상을 전환합니다.
  8. 비즈니스 사용자가 선호하는 주기별로 본인만의 보고서와 대시보드를 생성할 수 있는 도구를 지원함으로써 IT 부서에 대한 의존도를 낮춥니다.
  9. 표 형식이 아닌 시각적 보고서를 구성하여 데이터 이상 징후 또는 다른 플래그에 기반한 의사 결정을 보다 수월히 내릴 수 있도록 지원합니다.
  10. 가능한 경우 데이터 분석 소프트웨어 패키지에 포함된 사전 구축된 보고서를 사용하여 자사의 운영을 경쟁업체와 비교하여 벤치마킹하는 데 도움을 주는 업계 표준 KPI를 산출합니다.
제조업체가 데이터 분석을 구현하는 방법 이미지
제조 분석 프로그램을 설정하는 것은 작은 프로젝트부터 시작하여 그 적용 범위를 천천히 확장해 나가는 반복적인 프로세스입니다.

제조 분석의 미래

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 솔루션으로 미래지향적 제조 프로세스 구축하기

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.

제조 데이터 분석 FAQ

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.

공급망 커맨드 센터를 활용한 수익성 향상

무료 e-book을 통해 공급망 의사결정의 품질 및 속도를 향상시키고, 미래의 공급망 관련 도전 과제들에 대비할 수 있는 방법들을 확인해 보세요.