제조 데이터 활용으로 현장 혁신
2024-02-22
제조 데이터 활용으로 현장 혁신
제조 데이터 활용은 비즈니스 사이클을 가속화하기 위한 중요한 수단이다.
또한 디지털 전환 시대에 실적 향상이나 업무 효율화와 직간접적으로 관련이 있어 데이터 활용은 제조 경쟁력 향상에 필수적인 요소이다.
그러나 한마디로 제조 데이터 활용이라 하지만 구체적인 방법이 머리에 떠오르지 않는다.
아래에 제조 데이터 활용으로 제조 현장에 어떠한 이점과 데이터 활용의 구체적인 방법과 추진 단계를 소개한다.
제조 데이터 활용
제조업에서의 데이터 활용이란 현장에서 생성되는 대량의 데이터를 수집하고 분석하여
생산성 향상이나 품질 개선 등 제조 운영 전반에 반영하는 활동이다.
구체적인 예로 가동 중인 장치에서 얻을 수 있는 정보나 제조 공정에서의 각종 데이터를
분석해 현장의 문제점을 발견하거나 업무 개선을 위한 새로운 시각과 통찰력을 얻게 된다.
제조 데이터 활용의 궁극적인 목적은 IoT(Internet of Things)나 인공지능(AI) 기술을 이용한 제조공장의 스마트화이다.
누구나 데이터를 쉽게 활용할 수 있는 디지털 환경을 구축하여 최소한의 인원으로 효과를 극대화하는 것이다.
또한 많은 데이터를 수집함으로써 데이터 기반 경영이 가능하다. 데이터 기반 경영은 데이터에 기초하여 의사결정을 하는 접근법을 말한다.
물론 데이터의 수집·분석·활용에는 전문 지식이 필요하다.
제조 데이터 활용 과제
제조 데이터 활용 시스템 구축에 있어서 아래와 같은 현안 과제가 예상된다.
· 데이터 분석 지식과 기술을 가진 인적 자원 부족
· 사내 부서 간에 데이터 연결 곤란
· 생산 장치가 노후화되어 데이터 취득이 어려움
· 경영층과 현장의 인식 차이
제조 현장에서 가동되는 장치는 자주 교체할 수 있는 것이 아니다.
오래되거나 낡은 생산설비는 Web이나 PC와의 연결이 어려워 좀처럼 현장 데이터를 취득하기 어려운 것이 현실이다.
설비 자체를 교체하기 어려운 경우 기존 설비에 디지털 신호 측정기를 부착하거나 OCR(광학 문자 인식)을 활용하면 데이터를 수집할 수 있다.
제조 데이터 활용 이점
· 업무 효율화를 통한 생산성 향상
· 품질 개선을 통한 고객 만족도 향상
· 빠른 의사결정으로 업무 흐름 정체 해소
· 제조 프로세스 최적화로 효율적인 설비 가동
· 생산계획 고정밀화로 재고 적정화 도모
· 노하우 공유로 속인화 해소(인적 요인으로 인한 부정적 영향)
업무 효율화를 통한 생산성 향상 도모
제조 현장 데이터 활용의 장점은 업무 효율화를 통한 생산성 향상이다.
데이터를 수집할 수 없는 경우 작업자의 경험이나 느낌을 기준으로 작업이나 업무시 판단을 내려야 한다.
그때마다 겉으로는 나타나지 않지만 생각하거나 판단하는 일에 시간이 지체되기 때문에 생산을 저해하는 요소로 작용한다.
그러나 데이터를 활용하면 명확한 판단 기준이 준비되어 순식간에 정확한 의사결정을 할 수 있다.
공장 전체의 제조 라인을 데이터화할 수 있다면 생산성 향상에 크게 도움이 될 것이다.
품질 개선으로 고객 만족도 향상
제조 중에 발생한 데이터를 활용하여 데이터 출현 추이나 패턴을 분석하여 불량 원인을 찾을 수 있다.
품질 향상은 고객 만족도 향상과 직결된다. 고객의 입장에서 제품 품질이 보장되면 안심하고 그 제품을 사용할 수 있어,
결과적으로 반복 구매 및 자사 브랜드에 대한 신뢰성이 높아진다.
의사결정이 빨라져 업무 흐름 정체 해소
제조 현장에서의 데이터 기반 의사결정 문화는 스피드 경영으로 이어진다.
현장에서 발생하는 각종 데이터를 수집·분석해 실시간으로 신속한 판단을 할 수 있고 문제 발생 시에도
즉각 대응할 수 있어 업무 흐름에 정체되는 현상을 해소할 수 있다.
예를 들어 특정 부품에 자주 불량이 발생하는 경우 데이터 분석으로 부품 자체의 품질 문제나 조립 공정의 문제 등 조기에 개선점을 찾을 수 있다.
또, 데이터 기반 객관적 판단은 사람의 주관적 판단과 달리 의사결정에 일관성이 보증된다.
신속한 의사결정은 효율과 생산성 향상으로 이어져 비즈니스 경쟁력을 높이는 핵심적 요소이다.
제조 프로세스 최적화로 낭비 없는 설비 가동
제조 데이터 활용으로 낭비 없는 최적의 제조 프로세스로 개선할 수 있다.
제조 라인의 각 공정이나 장치의 가동 상황을 실시간으로 파악, 분석함으로써 불필요한 작동이나
정체 시간을 삭감해 효율화를 도모할 수 있기 때문이다.
생산계획 정밀화로 재고의 최적화
제조 데이터 활용으로 정도 높은 생산계획을 세우고 최적화된 재고를 운영할 수 있다. 과거의 제조 데이터나 수요 데이터를 분석하면 정도 높은 생산계획을 세울 수 있다.
예를 들어 수요예측을 세울 때 계절성이나 일과성 트렌드 등 다양한 요소를 고려해야 한다.
과거 경험이나 느낌에 근거한 감으로 계획을 세우는 것이 아니라 데이터를 활용함으로써 신뢰성 높은 생산계획 입안이 가능하다.
특히 인공지능이나 예측 분석 툴을 활용하면 보다 고정밀도의 생산계획으로 생산량과 수요의 균형을 이루어 생산 과잉과 생산 부족을 방지할 수 있다.
노하우 공유로 인적 영향 해소
제조 현장에서는 어느 특정인만이 대응할 수 있는 기술이나 노하우가 있다.
그 사람이 없으면 업무가 진행되지 않는 일이 종종 발생한다.
데이터를 활용하면 노하우를 체계적으로 파악할 수 있고 공유함으로써 인적 요소에 따른 부정적 요소를 해소할 수 있다.
예를 들어 각 공정의 요소작업이나 생산기기의 조작 이력을 데이터화하여 분석할 수 있으면 누구라도 재현할 수 있는 작업 순서나 개선책을 만들어 낼 수 있다.
또한 데이터 활용은 신인 교육이나 스킬 업 교육에도 효과적이다.
데이터로 성공이나 실패 패턴을 가시화해 놓으면 순조롭게 교육 훈련할 수 있고 전체 업무도 효율적으로 촉진된다.
제조 데이터 활용하기 쉬운 업무
· 불량률 저감
· 설비 보전
· 수요 예측
불량률 저감
데이터 활용 업무 중 하나로 불량률 저감이 있다.
제품에 불량이 발생하면 생산라인의 데이터를 조사하여 불량의 발생 원인을 찾아낸다. 발생 원인을 특정하고 대책을 세우는 지속적인 개선으로 불량률을 줄인다.
예를 들어 특정 요일에 불량률이 높은 경우 그 요일의 공통점을 밝혀내는 것이 데이터 활용의 첫걸음이다.
만일 작업자가 그 요일에 고정되어 있다면 담당 작업자의 작업방식에 문제가 있을지도 모른다.
그 작업자를 관찰하고 질문하고 청취하는 것만으로 문제해결의 실마리를 잡아낼 수 있다.
설비 보전
설비 보전업무도 데이터 활용으로 혜택이 많은 업무 중 하나이다.
설비 보전은 장치의 고장이나 성능 저하를 조기에 발견하여 수리함으로써 장기적으로 생산성을 유지하기 위한 예측 예방적 접근법이다.
구체적으로 IoT를 연결해 제조 설비에서 얻을 수 있는 각종 데이터를 실시간으로 수집한다.
수집한 데이터를 분석하여 이상값 발생이나 패턴을 조기에 파악함으로써 예방 보전을 하고 설비의 다운타임을 최소화할 수 있다.
이처럼 데이터를 설비 보전에 활용함으로써 제조라인 전체의 생산 효율 개선을 기대할 수 있다.
수요 예측
수요 예측은 과거의 매출 데이터나 시장동향, 계절 변동 같은 데이터를 분석해 미래의 상품 수요를 예측하는 업무다.
매출의 요인이 되는 데이터를 분석하여 정확한 수요 예측으로 과잉재고나 재고소진을 사전에 방지함으로써 효율적인 생산을 실현한다.
최근에는 인공지능을 활용한 수요 예측이 관심을 끌고 있다.
제조 현장 데이터 활용 추진 단계
· 현상을 파악하고 과제를 정의
· 필요한 데이터 수집
· 수집한 데이터 분석
· 분석한 데이터를 기반으로 개선책 제시
현상 파악과 과제 정의
제조 데이터를 활용하기 위해서는 현재의 제조 프로세스나 업무 흐름을 상세하게 파악해야 한다.
정확하게 관찰하면 문제점과 개선점이 명확해진다.
구체적으로 파악해야 할 내용은 아래와 같다.
- 제조라인의 동선
- 각 공정에서의 생산량과 시간
- 불량품 발생률과 그 원인
- 생산 설비의 가동률
- 인원 배치와 작업 효율
이러한 정보를 토대로 제조 현장의 과제를 구체적으로 정의한다.
- 생산설비의 다운타임이 길다.
- 공정의 불량률이 높다.
- 필요한 부품이 부족해 생산에 대기나 정체 현상이 발생한다.
필요한 데이터 수집
해결하고 싶은 문제나 개선하고 싶은 점이 밝혀지면 문제해결에 필요한 데이터를 수집한다.
갑자기 많은 데이터를 취득하기는 어려워 필요한 종류나 범위를 정하는 것이 중요하다.
예를 들어 생산 라인 효율화를 목표로 한다면 제품의 생산량, 생산 시간 등에 관한 데이터를 자세히 파악해야 한다.
불량률 삭감이 목표라면 불량품의 발생 빈도나 원인, 제품의 상세한 사양 등 데이터가 중요하다.
데이터 수집 방법은 자동화 시스템으로 실시간 데이터를 수집하는 방법과 정기적으로 수동 집계하는 방법 등이 있다.
직원들의 업무 부담 경감과 품질 향상을 고려해 RPA나 AI를 활용하는 것이 좋다.
또한, 가능한 한 정확하고 실시간으로 수집하는 것이 중요하다.
수집한 데이터 분석
충분한 데이터를 수집한 후 데이터의 질을 확인한다. 데이터에 누락이나 오류가 없는지
또는 의미 없는 데이터가 포함되어 있는지 확인하는 것이 중요하다. 만약 누락이나 의미 없는 데이터가 포함되어 있으면 분석 결과에 나쁜 영향을 줄 수 있다.
데이터 분석 방법
- 교차 집계 : 서로 다른 카테고리 간의 관계를 표 형식으로 정리하는 분석 방법
- 로지스틱 회귀 분석 : 두 값의 결과를 예측하기 위한 통계 기법
- 클러스터 분석 : 비슷한 특징을 가진 데이터를 그룹으로 나누는 기법
- 인자분석 : 상관성이 높은 변수 군을 소수의 인자로 표현하는 기법
- 시계열 분석 : 시간 경과에 따른 취득 데이터 분석
명확한 데이터를 사용하여 목적에 따라 적절한 분석 방법을 선택하는 것이 과제 해결의 포인트이다.
분석한 데이터를 기반으로 개선책 제시
분석한 데이터를 바탕으로 구체적인 개선책을 생각해 본다.
제품의 품질 향상이나 생산 효율의 개선 등 구체적인 개선 목표에 대한 액션플랜이다.
개선 목표 및 방법을 제시한다.
- 제품 불량의 원인이 되는 공정을 특정하여 개선 목표와 방법을 제시
- 설비의 보전 유지보수 주기 검토 및 부품 교환 최적화
- 수요 예측의 정밀도 향상 예측 모델 개선이나 데이터 재검토
제조 데이터 활용으로 비즈니스 사이클 가속화
제조 데이터 활용은 비즈니스 사이클을 가속화할 수 있는 중요한 전략이다.
필요한 데이터를 수집하고 분석함으로써 업무 효율 향상과 생산 비용 절감, 제품 품질 향상으로 이어진다.
데이터 분석은 AI나 RPA 등을 활용해 자동화하면 더욱 효과적이다.
또한 비즈니스 경쟁력을 유지하고 강화하기 위한 전략을 세우고 데이터 활용과 이에 필요한 디지털 기술 활용을 검토해 보자.