1

제 6 호 2016. 2

제조 산업 빅데이터도입 방안

Ⅰ. 제조 산업 빅데이터 현황 1

Ⅱ. 제조 산업 빅데이터 활용 가능 사업 7

Ⅲ. 제조 산업 향후 적용 방향 16

IV. 결론 및 시사점 21

CONTENTS

* 기획·집필: 서울대학교 산업공학과

조성준 교수, 신훈식 연구원

NIA K-ICT빅데이터센터 김성현 박사

* 문 의: 053-230-1407, kimcon@nia.or.kr

3

<요약>

￮ 빅데이터는 소셜미디어, 사물인터넷, 그리고 기업 및 공공기관 내부에

존재하는 숫자, 문서, 이미지 및 동영상 데이터로서 대규모거나 생성

속도가 빠르다는 특징이 있음

￮ 3V (volume, velocity, variety) 로 표현되는 특징이 있음. 그러나

최근 컴퓨터 하드웨어/소프트웨어 기술로 이러한 데이터를 생성,

저장, 검색, 분석하는 것이 가능해짐

￮ 빅데이터의 진정한 활용은 이를 분석하여 관심 있는 대상에 대한

인사이트와 포사이트를 도출하고 이를 통해 비즈니스적인 또는

공공의 이익을 가져오는 더 나은 의사결정을 할 수 있게 함

￮ 특히 제조 분야는 타 분야에 비해 다양한 종류의 풍족한 데이터를

확보하고 있으며, 최고 경영층부터 실무자까지 모두 객관적 의사

결정이라는 철학을 거부감 없이 받아들이는 특성이 있어 가장 적용

하기 좋고 쉬운 분야임

￮ 본 보고서에서는 제조 가치사슬(value chain) 상의, 제품기획 및

설계, 제조공정, 영업 마케팅, 사후판매 서비스 별로 현재 국내외

첨단 제조 기업에서 진행되고 있거나 적용 가능한 분야를 소개

- 제품기획 및 설계 단계에서는 신제품/기능 기획, 소비자 요구

파악, 제조 공정에서는 불량품 감지와 품질 관리 및 예측에 적용

- 영업 마케팅 단계에서는 마켓 모니터링, 생산기간 예측, AS 서비스

단계에서는 제품 고장 진단 및 사용자 패턴 분석에 빅데이터 적용 가능

4

<제조업가치 사슬에 따른 빅데이터 적용분야>

￮ 제조 분야 최고의 경쟁력을 가지고 우리와 경쟁하는 독일, 일본,

중국, 그리고 다시 경쟁력을 확보하려고 하는 미국은 빅데이터

도입에 적극적

- 세계 최고 제조 강국인 독일은 Industry 4.0 이라는 캐치프레이즈

아래 스마트 공장을 구축하며 빅데이터를 적극적으로 활용

- 제조 강국이자 로봇 강국인 일본도 산업 재흥 플랜을 통해 미래형

제조업에 적극 투자하고 각종 규제 혁파를 선언함

- 세계의 제조 공장으로 불리는 중국도 최근 중국제조 2025를 선언

하고 향후 스마트제조업을 국가 중점 사업으로 추진함

￮ 제조업 빅데이터는 가치 사슬에서 빅데이터를 활용해 인사이트를

도출하고 의사결정에 활용하는 운영혁신(operation innovation),

제품과 서비스의 결합 및 서비스의 상품화를 포괄하는 서비타이제이션

(servitization), 그리고 사물인터넷(IoT)에서 발생하는 데이터를 활용한

자동화를 목표로 수행이 가능

1

Ⅰ 제조 산업 빅데이터 현황

빅데이터의 발전현황 및 제조업에서의 도입전망을 살펴보고 데이터 종류에

따라 제조업에서의 적용될 수 있는 빅데이터 기법을 탐색적으로 제시

￮ 산업 기술의 진보와 통신의 발달로 하루에도 약 250만 테라바이트에

해당하는 데이터가 텍스트, 이미지, 숫자 등 다양한 형태로 발생 및 저장됨

￮ 데이터 수집, 저장하는 하드웨어와 분석에 필요한 소프트웨어 기술이

발달하면서 데이터의 양과 질의 향상 및 새로운 형태의 데이터 등장

으로 인해 빅데이터의 활용이 가능해지고 중요해짐

￮ 글로벌 빅데이터 시장은 매년 39~60%정도 꾸준히 성장하고 있고

국내에서도 꾸준히 증가하는 방향임

￮ 가트너에서 조사한 바에 따르면 모든 분야의 대부분의 회사가 2년

안에 빅데이터를 위한 투자 혹은 계획을 하고 있음

<산업별 빅데이터 투자 현황 및 계획>

*출처 : 가트너 2014

2

￮ 빅데이터 분석은 현재 교통, 의료, 언론, 유통, 관광 등 여러 분야에서

활용되고 있고 효과를 인정받고 있음

※ 2013년 미래창조과학부 빅데이터 시범사업 『서울시 심야 노선 버스 정책지원』

￮ 특히 제조 분야는 우리나라 국가 경제에 있어 큰 비중을 차지하고 있고,

다양한 공정으로부터 많은 양의 데이터가 발생하기 때문에 데이터

분석은 기존부터 활용되고 있음. 최근에는 실시간 분석 및 재계획 등의

새로운 기회가 나오고 있음

<미래의 공장에서의 빅데이터 활용 분야>

￮ 최근 제조 산업에서의 빅데이터 소스는 기존의 분석 대상이었던 조업

데이터뿐만 아니라, 소비자가 생성하는 눈 데이터, ERP, MES, FDC,

센서 로그, 검사 리포트 등 다양한 공정 데이터, 유통에서 확보할 수

있는 POS 데이터, 그리고 AS 서비스에서 확보할 수 있는 필드 클레임

데이터 등 매우 다양함

3

<공급사슬에서의 데이터 Source>

￮ 제조 산업에서의 빅데이터 종류는 숫자, 문서, 이미지가 있고, 이는

또 각각 기계가 생성시키는 데이터와 사람이 생성시키는 데이터로

구분할 수 있음. 이렇게 분류하는 이유는 데이터의 종류와 생성 방식에

따라 분석하는 기법이나 전처리 과정이 다르기 때문임

￮ 특히 텍스트 데이터 및 영상 데이터는 비정형 데이터로서 기존의 분석

대상인 숫자 데이터로 변환하기 위한 전처리 작업의 비중이 매우 높고

이를 위해 고도의 자연어처리 기술 및 영상 처리 기술이 요구됨

<데이터 형태와 출처>

데이터 형태

숫자 텍스트 영상

데이터 출처

기 계

- 공정 센서 로그

- 물류 이동 로그-네트워크 로그 - 공정 검사 이미지

인 간

- 품질 검사

- 고객 구매

- 설계 검증- 공정 검사 보고서- 필드 클레임 데이터- 소셜 미디어 데이터

-

4

￮ 이러한 기술은 현재 이미 확보된 것도 있고, 연구개발이 활발히 진행

되고 있음. 이를 통해 아래와 같은 제조 산업의 가치 사슬에서의

다양한 빅데이터 활용 방안이 가능

<제조업가치 사슬에 따른 빅데이터 적용분야>

￮ 특히, 공정 외에서 발생하는 데이터, 즉, 고객들의 소셜미디어 데이터,

유통 데이터, AS 서비스의 필드클레임 데이터와 같은 비정형 및 정형

데이터를 확보할 수 있음. 이를 통해 공정 데이터 위주의 분석에서

한 차원 다른 새로운 형태의 분석이 가능하여 새로운 비즈니스 가치를

창출 할 수 있음

￮ 예를 들어, 고객 필드 클레임 데이터 분석과 공정 내 검사결과를 매시업

하여 검사 기준을 획기적으로 바꾸어 소비자 인지 품질을 제고한다든지,

소비자들의 소셜 미디어 데이터를 분석하여 소비자 니즈를 파악 후,

새로운 상품 기획이나, 제품 기능 등을 계획하는데 활용 가능

￮ 국내 주요 제조 대기업에서 빅데이터 분석에 대한 투자 계획 수립

5

<국내 제조 기업들의 빅데이터 분석 도입 계획>

삼성전자 현대자동차 포스코

도입(예정)영역

-사용자 로그 분석

-웹 보안로그 분석

-생산설비 로그 분석

-소셜데이터 분석

-콜센터 데이터 분석

-ERP 성능 개선

-생산로그 분석

-운전 습관 및 주행중

결함 분석

-소비자의 취향 및 선

호도 분석

- 텍스트 마이닝을 통한

니켈 가격 예측

- 철강 제품 제조시 품질

결함 분석

기대효과

-제품 오류 발생 방지

-지역별 이슈 파악

-보안 위협 감지

-공정과정 오류 발굴

-품질 향상

-매출 상승-품질 개선

도입현황

-전담부서 신설

-PoC 진행 완료

-오라클의‘엑사데이터’를

빅데이터 표준 시스템

으로 선정

- 빅데이터 플랫폼 TPT

및 전담부서 신설

- 연구소에 빅데이터 전문

인력 영입

- 빅데이터 표준플랫폼 선

정 및 솔루션 구매관련

PoC 진행 중 중단

-PoC 추진 계획 발표

향후전망-신규 서비스 개발 및

비즈니스 모델을 발굴

할 계획

- 자동차 데이터(VCRM)

저장, 처리와 마케팅 등

개별 이슈와 사업별로

도입 지속적으로 검토

-PoC 추진 계획 예정

<출처> 데일리그리드, ZDNet Korea, 전자신문, 디지털 타임스, 이투데이 자료 취합

￮ 한편, 상대적으로 기술력과 인적 자원이 부족한 중소기업의 경우에,

빅데이터 활용시 생산성 증가율이 제조업에서 다른 산업에 비해 가장

높게 나타난다는 보고가 있음(Cebr, 2012)

6

￮ 빅데이터는 보통 Volume, Velocity, Variety, 즉 3V로 정의되는데 이는

빅데이터를 어떻게 저장하고 관리하고 분석할 것인지에 대한 IT 적인

관점임. 그런데 제조 산업에서 빅데이터 분석을 도입하는데 있어서 가장

중요한 점은 어떠한 비즈니스 가치를 창출할 것인가에 있음. 따라서,

IT 적인 관점에서 볼 것이 아니라, 비즈니스적인 관점에서 보아야 함

￮ 빅데이터 분석의 목적은‘데이터로부터 새로운 인사이트와 포사이트

(Insights and Foresights) 을 찾아서 이를 토대로 보다 나은 의사결정

(better decision making) 을 하는 것’임. 그리고 빅데이터는 이를 하는

데 있어 사용되는 필수적인‘재료 (raw material)’로 보아야 함

7

II 제조 산업 빅데이터 활용 가능 사업

제조업에서 적용될 수 있는 빅데이터를 제품 개발, 제조 공정, 영업 및

마케팅, AS 서비스로 구분하여 설명하고 실제 사례를 제시

□ 제품 개발

￮ 신제품 개발

- 목적: 기존 제품의 단점 보안 및 신제품 설계에 이용

- 데이터: 제품(스마트폰)에 부착된 센서와 임베디드 소프트웨어 등을 통해 수집된 데이터

- 분석방법: 교사학습 및 비교사 학습, 고객의 습관과 행동을 면밀히 조사

- 기대효과: 사용자 로그 분석을 통하여 콘텐츠 이용 패턴과 선호도, 위치

정보 등을 파악하여 신규 사업 모델 개발을 도움

※ 다양한 사용자 정보를 오픈 API로 만들어 외부 개발자들에게 공개

￮ 신기능 개발 – 트위터 분석을 통한 새로운 스마트 TV 기능 개발

- 목적: 새로운 스마트 TV 기능 개발

- 데이터: 트위터 소셜 미디어 데이터

- 분석방법: 텍스트 마이닝

- 기대효과: 소셜 미디어를 활용하여 사용자들의 요구 사항을 고려한 새로운

스마트 TV 기능 개발

￮ 가전기기 별 컨텍스트 탐색을 통한 스마트 홈 시나리오 설계

- 목적: UX(user experience, 사용자경험) 및 가전 기기 사용 패턴을 이용한

세탁기, 에어컨, 냉장고 등 스마트 가전기기 시나리오 설계

- 데이터: 제품 센서 로그 데이터, 소셜 미디어 데이터

8

- 분석방법: 텍스트마이닝, 비교사 학습, 교사학습

- 기대효과: UX 및 가전 기기 사용 패턴, 온라인 소셜 데이터를 이용한

세탁기, 에어컨, 냉장고 등 스마트 가전기기 시나리오 설계로 사용자 중심

디자인(user-centered design)을 구현

￮ 자동차 부품 설계 검증 텍스트 분석

- 목적: 자동차 부품 설계 프로세스의 효율성 향상

- 데이터: 설계 검증 데이터

- 분석방법: 비정형 데이터에 대한 텍스트 마이닝 기법을 적용, 텍스트 속에

내재된 유의미한 정보를 추출함으로써 문제 분석

- 기대효과: 기존 조회 시스템 대비 주요 문제에 대한 파악에 소요되는

인력 및 시간을 감소하여 설계 과정의 효율성을 개선. 설계 관련 과거

문제점 및 주요 정보를 요약 제공하여 신차 설계 시 시행착오 감소 및

완성도 향상

□ 제조 공정

￮ 불량품 생산 감지 및 부품 이상 탐지

- 목적: 불량률 감소 및 이상 부품 탐지

- 데이터: 수만 개의 부품에 대한 상태 데이터, 센서 로그 데이터

- 분석방법: 비교사 학습, 교사학습

- 기대효과: 센서와 스캐너에 의해 감지된 부품 데이터를 분석하여 불량품

생산과 부품 이상을 탐지 기존에 인간이 할 수 없었던 품질관리수준을 달성

※ 지멘스에서는 1,000개 이상의 센서와 스캐너를 통해 수만 개의 부품을 하루에도 5000만건이 넘는 데이터를 분석, 불량률 0.0012%을 달성. 독일 정부는 지멘스를 모델로 인더스트리 4.0을 추진

9

￮ FDC 센서 값을 활용한 수율 예측 및 관리 [8]

- 목적: 생산 공정에서의 품질 관리 및 수율 예측

- 데이터: 웨이퍼 생산 공정에서 측정되는 센서 데이터

- 분석방법: 웨이퍼의 최종 수율과 그 웨이퍼가 생산 될 때 측정된 센서 값

간에 정량적인 관계를 찾아내어 최종 수율을 예측 분석

※ 반도체 수율관리 공정에 빅데이터를 적용하여 하둡 기반 기술을 통해 전수 데이터를 실시간 수율 분석

- 기대효과: 생산 시 저수율이 예상되는 웨이퍼를 관리를 통해 수율 향상

￮ 검사 데이터 및 필드클레임 데이터 결합을 통한 품질 예측 [10,12]

- 목적: 엔진의 품질을 조기에 예측

- 데이터: 중장비 엔진 검사 데이터, 고객 AS 서비스 필드 클레임 데이터

- 분석방법: 텍스트 마이닝, 비교사 학습, 교사학습

- 기대효과: 스마트 폰 출시 전에 수행하는 수 천 가지 기능 검사 데이터와

고객이 구매 후 사용 중에 발생한 고장 이력 데이터를 연결하여, 제조

불량을 사전에 예측할 수 있는 검사 항목과 그 검사 결과를 파악

￮ 검사 텍스트 로그 분석 [11]

(배경) 해양 구조물과 같은 대규모 제품을 만드는 과정에는 여러 명의 작업자들과 다양한 부품이 이용되며, 제조 과정에서 발생하는 다양한 종류의 불량들이 어떻게 처리되는지 관리가 되어야 제품의 품질이 보장됨. 작업자들은 제조 중인 해양 구조물에 불량이 없는지 점검하며, 불량을 발견할 경우 조치를 취한 뒤 수기로 로그를 남겨둠. 이러한 텍스트데이터 분석을 통한 제조 과정 효율화 수행

- 목적: 텍스트 로그 데이터 분석 및 시각화

- 데이터: 검사(inspection) 텍스트 로그 데이터

- 분석방법: 텍스트 마이닝

- 기대효과: 텍스트마이닝을 통하여 불량 추이 분석, 연관 불량 분석, 적합한

해결책 등을 파악할 수 있는 로그 데이터 시각화하여 제조 과정에 도움이

되는 유의미한 지식들을 추출하여 활용

10

￮ 운송 로그를 이용한 사후공정블록(after-assembly block) 제조 공정 개선 [15]

(배경) 조선 산업에서 업종 전문가나 산업 관리자는 공정 중 어떤 작업이 병목현상을 일으키는지 얼마나 오래 걸리는지에 대한 궁금증이 있으며, 특정 공정은 운송에 대한 간접비용이 들어가는 특징이 있음. 조선 프로세스 마이닝을 통해 정확한 공정현황을 파악하면 운송비용 절감 등 프로세스 효율화가 가능

- 목적: 프로세스마이닝을 통한 빈출 작업 순서(task flow) 추출

- 데이터: 과거 운송 이력 데이터

- 분석방법: 프로세스 마이닝, 비교사학습, 교사학습

- 기대효과: 과거 운송 로그 데이터를 가지고 프로세스 마이닝을 통해 가장

빈출하는 작업 순서를 추출, 사후공정블록 제조 공정에서 운송비용을 절감

□ 영업 마케팅

￮ 소셜 미디어 분석을 통한 고객 피드백 파악

- 목적: 텍스트 로그 데이터 분석 및 시각화

- 데이터: 소셜 미디어 데이터

- 분석방법: 텍스트 마이닝

- 기대효과: 소셜 미디어 분석 솔루션 또는 실시간 정보 수집을 통해 온라인

모니터링을 수행하며, 고객의 목소리를 수렴하여 의사 결정에 활용

￮ 선박 생산기간 예측

- 목적: 선박 생산 기간 예측

- 데이터: 선박 Spec 데이터 및 과거 제조된 선박 데이터

- 분석방법: 비교사 학습, 교사학습

- 기대효과: 과거 제조된 선박 데이터 분석을 통해 새로운 선박 명세(spec)

데이터가 주어졌을 때 생산 기간을 예측하여 주문자에게 제작 정보 제공

11

□ AS 서비스

￮ 부품 상태 진단 및 교체 시기 예측

(배경) 제조 산업에서 데이터를 이용해 설비 유지를 했던 대상은 기계로 이를 작업자의 기술과 매뉴얼에 의해 업무를 수행하여 왔지만, 현재는 기계에 부착된 센서 데이터를 기반으로 유지운영서비스 수행이 가능. 비행기 제조 회사인 보잉은 제품의 판매 이후에 비행기가 실제로 작동 할 때 생기는 엔진 및 기타 부품의 상태 데이터를 수집하고 진단

- 목적: 부품 상태 진단 및 교체 시기 예측

- 데이터: 센서 운용 데이터

- 분석방법: 비교사 학습, 교사학습

- 기대효과: 센서 운용 데이터를 통해 특정 부품의 교체시기 및 오작동을 판단하고

부품의 교체시기 및 상태 진단을 해주는 새로운 형태의 AS 서비스를 제공

￮ 에너지 사용 패턴 분석 [13]

- 목적: 에너지 사용 패턴 분석을 통한 효율적 에너지 절약 방법 탐색

- 데이터: 시스템 에어컨디셔너 서버에 수집된 실내기 사용 데이터

- 분석방법: 비교사 학습, 교사 학습

- 기대효과: 에너지 사용량 분석, 타 건물과의 비교 분석을 통해 에너지

절감 방안 도출

< 빅데이터 분석 단계 >

① 수집 (collect)

⇨

② 분석 (analysis)

⇨

③ 서비스 (service)

건물 내 모든 실내기

사용에 대한 데이터가

분 단위로 중앙서버에 수집

(시스템 에어컨디셔너)

수집되는 데이터에 대해

월 별로 각 실내기의 사용

패턴, 그리고 에너지 사용량

데이터를 요약분석,

패턴파악

에너지를 더 절약할 수

있는 방법을 제시해주는

서비스를 제공

12

￮ 자동차 주행 패턴 분석

- 목적: 자동차 주행 패턴에 따른 배터리의 상태 변화를 분석 및 예상 교체 시기 예측

- 데이터: 주행 중 발생되는 자동차 및 운전자 데이터

- 분석방법: 비교사 학습, 교사 학습

- 기대효과: 자동차 배터리의 수명은 불규칙적이고 연속적이지 않은 부품의

교체시기를 예측하여 갑작스러운 고장을 미연에 방지. 배터리 수명에

영향을 주는 주행 패턴에 대해 파악

￮ 에너지 고장 진단 시스템 개발

- 목적: 통계 분석 기반 건물 에너지 고장진단 시스템 개발

- 데이터: 건물 에너지 설비 데이터

- 분석방법: 기계학습*통계 분석 기반 이상치 탐지

- 기대효과: 기존 단변수 기반 이상치 탐지에서는 찾아낼 수 없는 건물 내

설비에 대한 고장 상태를 검출하여 건물 내 설비에 대한 정밀한 정보

없이도 고장진단이 가능. 고장진단 시스템을 통해서 고장진단 결과를

이해할 수 있으며 이를 통해 선제조치 수행

13

☞ 제조업 빅데이터 사례 ☜

(적용 사례 1) 제조 검사 리포트 분석

- 분석 단계<문서 데이터 전처리 과정>

- 분석 결과

<조립 검사 리포트 문서 분석 결과> <Tree map of terms for“install the

jack blot on spectacle blind joint”>

<Sub-graph for defects regarding“weld,”i.e.“which points are welded improperly?”>

14

☞ 제조업 빅데이터 사례 ☜

￮ (적용 사례 2) 에너지 사용 패턴 분석

<실외기 – 실내기 개념도> <에너지 사용 패턴 분석 프레임워크>

※ 에너지 사용량을 총 사용 시간, 에너지

효율성 및 사용 시간대로 분리 분석

- 분석 결과

<실내기 #40617 사용 원천 데이터> <실내기 #40651 사용 원천 데이터>

<초등학교 실내기 사용 패턴 지도>

15

☞ 제조업 빅데이터 사례 ☜

<실내기 사용패턴 시각화>

※ 상이한 사용패턴 확인 가능

￮ (적용 사례 3) 운송 로그를 이용한 after-assembly block 제조 공정 개선

<조선 블록 조립 공정 >

<운행 로그 데이터로부터 물류 프로세스 재구축 프로세스 >

<운행 로그 데이터로부터 재구성된 실제“전형적”조립 프로세스>

16

III 제조 산업 향후 적용 방향

해외 제조 강국들에서의 빅데이터 활용에 대해 알아보고 제조혁신(operation

innovation)과 제품과 서비스의 결합 및 서비스의 상품화를 포괄하는

Servitization을 소개. 추가적으로 사물인터넷과 빅데이터의 관계를 살펴봄

□ 해외 경쟁국에서의 빅데이터

￮ 세계 최고 제조 강국인 독일은 Industry 4.0 이라는 캐치프레이즈 아래

스마트 공장을 구축하는데 2억 유로를 투자하겠다고 선언함. 지멘스와

같은 최일류 기업은 이제 제조에 서비스를 추가하여 부가가치를 획기

적으로 올리고자 함

￮ 독일 : Industry 4.0

- 산업계 중심 Industry 4.0 Platform 발족

- 스마트공장 개발, 구축에 2억 유로 투자

￮ 독일 못지 않은 제조 강국이자 로봇 강국인 일본도 산업 재흥 플랜을

통해 미래형 제조업에 적극 투자하고 각종 규제 혁파를 선언함

￮ 일본 : 산업 재흥 플랜

- 산업경쟁력강화법 제정

- 기억실증특례 등 파격적 신산업 규제 혁파

￮ 세계의 제조 공장으로 불리는 중국도 최근 전국인민대회에서 중국제조

2025를 선언하고 향후 스마트제조업을 국가 중점 사업으로 추진함

17

￮ 중국 : 중국제조 2025

- 핵심 기초 부품, 첨단 기초공법, 기초 자재와 산업 기술 기반 강화

- Industry 2.0, 3.0, 4.0 동시에 추진

- 지속적인 중국 특색의 신형 공업화 추진, 스마트 manufacturing

￮ 세계 최고의 기술대국인 미국도 사물인터넷 (Internet of Things)를

통한 스마트 월드를 추진하고 있음. 여기에는 제조를 넘어 무인 자동차,

로봇 기술에 지속적으로 투자함

￮ 미국 : 사물인터넷

- 통용되는 청사진 발전 중점

- 각 업체의 설비 간 데이터 공유하여 인터넷을 통해 제어

□ 제조혁신(operational innovation)

￮ 기존 제조업의 핵심은 제품 기획 및 설계, 제조 공정, 영업 마케팅,

AS 서비스 단계의 가치 사슬로 볼 수 있음

￮ 운용 혁신이란 이러한 기존의 가치 사슬에서의 각 활동을 하는데 있어,

빅데이터를 활용한 인사이트 및 포사이트(foresight) 도출을 하고, 이를

의사결정에 활용함으로써 새로운 비즈니스 가치를 창출하는 것임.

￮ 이를 통하여 소비자가 원하는 제품 및 기능 제공, 제조 공정에서의

효율성 제고, 재작업 및 장비 고장 시간의 최소화, 품질의 사전 예측

및 품질 제고, 마켓 모니터링 및 생산기간 예측, 그리고 고객 인지

품질의 제고 및 검사 기준 혁신 등이 있음

￮ 이 분야들은 기존에 이미 기업들이 관심을 가지고 있고 일부 업무로서

수행하는 분야이므로, 새로운 데이터 확보 및 분석 기법의 적용을

통해 혁신을 이룰 수 있는 분야임

18

￮ 다만 기존의 데이터나 분석방법과 새로운 빅데이터 데이터나 분석방

법의 차이에 대한 무지에 의해 필요 없다거나 새로운 가치가 나올 수

없다고 오해할 수 있음. 이는 현업 담당자 및 리더들에 대한 교육을

통해 해소하여 새로운 기회를 십분 활용할 수 있도록 해야 함. 이

과정에서 처음부터 큰 규모의 투자를 하지 않고, 먼저 작은 규모의

개념 증명 프로젝트 (proof of concept project)를 수행하여 가능성을

타진하고 점진적으로 규모를 키워나가는 것이 바람직함

□ 서비타이제이션(servitization)

￮ 제조사는 전통적으로 제품의 판매 이 후에 해당 제품의 보증 기간

내에서만 유지 보수 및 부품 교체를 해줌. 그 이후에는 고객이 별도의

비용을 부담해야만 가능함. 이 경우에도, 부품의 원활한 조달이 어려울

수 있으며, 특히 첨단 제품의 경우, 짧은 기간 내에 단종이 되므로

부품을 구하지 못하는 경우도 많음

￮ 이러한 고객의 어려움을 오히려 역이용하여, 유지보수 및 지속적인 부품

교체 및 청소 자체를 서비스 형태로 판매하는 것을 servitization 이라고

함. (The delivery of a service component as an added value, when providing products. (소스: wikitory)). 제품의 지속적인 서비스라는 새로운

형태의 가치 창출 가능함. 자동차를 구매하는 고객은 교통수단이라는

서비스를 원하는 것이고, 에어컨을 구매하는 고객은 찬바람이라는 서비스를

원하는 것임. 따라서 기계만이 아닌 이에 관련된 각종 유지보수, 부품

교체, 청소, 모델 변경 등의 일체의 서비스를 묶어서 판매할 수 있음

19

￮ 이를 통해 1 회성인 제품 판매가 아닌 수명이 무한한 서비스는 미래

시점의 수입(revenue)을 지속적으로 창출할 수 있음. 미국의 General

Electric 및 독일의 지멘스 (Siemens) 와 같은 선진 기업은 이미 이러한

방향으로 제품/서비스 개발 방향을 선정하고 상품화를 시도

￮ 서비스화의 핵심 절차는 제품으로부터 센서를 통해 빅데이터를 확보

하고 이를 실시간 분석하여 인사이트와 포사이트를 도출하는 것으로

국내 제조 기업 또한 새로운 기회를 십분 활용할 수 있어야함

□ 사물인터넷 [14]

￮ 초고속 이동통신, 고감도 센서, 빅데이터 처리 등 3대 핵심기술의 발

전과 센서/인터넷의 가격 저하로 사물인터넷(IoT, Internet of Things)

시대가 가시화되기 시작

￮ 국내에서도 클라우드, 빅데이터, 모바일과 함께 초연결네트워크 산업의

플랫폼으로 발전시킬 원동력으로서의 ICBM(IoT, Cloud, Big data, Mobile)

기술로 통칭되고 있음

￮ IoT 기술은 가트너가 선정하는 주요 10대 전략기술에도 2012년부터

꾸준히 3~4위로 거론되고 있으며, 아래 가트너 하이프 사이클에서

보이는 바와 같이 기존의 사물지능통신(M2M, Machine to Machine)

서비스 기술과 함께 성장하고 있고, 근래에는 IoT의 경우 시장의 주

류로 자리 잡는 성숙기에 접어들기까지는 10년 이상의 시간이 소요

될 것으로 예측하고 있음

20

<Hype Cycle for Emerging Technology>

*출처 : 가트너

￮ IoT산업의 성장성에 기대되는 기능 (산업연구원, 2014)

- 최적화 기능 : 수급 조정의 최적화 등

- 업종을 초월한 또 다른 사회 인프라의 복합화 : 에너지와 교통 등 다른

분야의 통합적인 운용 관리

- 사회 인프라의 운용관리 기능 : 대규모 사회인프라의 운용관리, 고객 대응·

과금 등 비즈니스 기능의 계층화, 글로벌 서비스의 운용관리 등

- 사회인프라 제공의 노하우나 구조의 패키지화 : 관리 시스템의 패키지화,

지식 인트라넷의 구축, 원격 러닝 등

￮ Lopez Research(2014)에서는 제조 분야에서 IoT의 잠재적 사업기회를

다음과 같이 꼽고 있음

- 공장의 가시성 (Factory visibility) : GE의 모바일 SCADA 앱으로 태블릿에

PC에서 가능했던 성능데이터 및 상태를 보여줌

- 자동화 (Automation) : Harley-Davidson의 팬 속도, 온습도 등의 기기작동

기록 관리를 통한 자동화

- 에너지 관리 (Energy management)

- 사전대책을 갖출 수 있는 예방보수 (Proactive maintenance)

- 연계된 공급사슬 (Connected Supply Chain)

21

IV 결론 및 시사점

￮ 빅데이터는 Volume, Velocity, Variety 라는 IT적인 특징이 있는데,

이 보다 더 중요한 것은“인사이트 및 포사이트 도출을 통한 더 나은

의사결정을 위한 재료”라는 비즈니스 적인 특징에 더 집중해야 함

￮ 특히 제조업에서는 제품 기획 및 설계, 제조 공정, 영업 마케팅, AS

서비스 모든 측면에서 엄청난 기회가 있음

￮ 이는 기존의 의사결정 영역이던 운영 분야의 혁신인 operation innovation 이

한 축이고, 새로운 영역으로 다가오는 제품의 서비스화 servitization 이

또 하나의 축임

￮ 새로운 데이터 및 새로운 분석방법을 통한 운영의 혁신, 제품의 1회성

판매가 아닌 서비스의 평생 판매인 서비스화는 제조업의 새로운 혁명으로

독일에서는 Industry 4.0, 국내에서는 제조 3.0 으로 일컬어짐

￮ 이 활동의 핵심은 빅데이터 확보 및 분석으로 이를 위해서는 제조업의

리더 및 현업 담당자 대상의 가치 소개 및 분석방법론 교육이 우선

되어야 함

￮ 이를 통해 대한민국의 제조업 경쟁력을 독일과 일본에 더욱 근접

시키고, 맹추격하는 중국과의 거리를 유지할 수 있음

22

참 고 문 헌

[1] 4 Ways CRM Can Help Create Better Marketing Campaigns. (2015, March 2).

Retrieved December 31, 2015, from http://www.superoffice.com/blog/create

-better -marketing-campaigns-with-crm

[2] [한국경제의 아킬레스건 노동생산성 높이자] 지멘스, 하루 5000만건‘빅데이터’로

工場 지능화...‘불량률 0’도전. (2015, January 3). Retrieved December 31, 2015,

from http://biz.chosun.com/site/data/html_dir/2015/01/03/2015010300226.html

[3] 빅데이터 시대, 빅데이터 성공 전략. (2012, November 1). Retrieved December

31, 2015, from http://www.dator.co.kr/bmonthly/369960

[4] 이훈혜. (2013). 제조업 경쟁력 강화를 위한 빅데이터 활용 방안. Issue Paper 2013-340.

[5] 장영재. (2012). 제조 분야에서의 빅데이터 기술 활용. 한국통신학회지 (정보와통신),

29(11), 30-35.

[6] 고객 목소리, 들으려면 제대로 갖춰서 듣자 - 더피알. (2012, August 21). Retrieved

December 31, 2015, from http://www.the-pr.co.kr/news/articleView.html?idxn o=6318

[7] Big data on 제조 글로벌 제조사 품질 개선 사례, 김동환, KT NexR Big day day 2013

[8] "Data based segmentation and summarization for sensor data in semiconductor

manufacturing”, Eunjeong L. Park, Jooseoung Park, Jiwon Yang, Sungzoon Cho,

Young-Hak Lee, Hae-Sang Park, Expert Systems with Applications, Volume 41,

Issue 6, May 2014, Pages 2619-2629.

[9] "Random Forest 기법을 사용한 저수율 반도체 웨이퍼 검출 및 혐의 설비 탐색”,

고태훈, 김동일, 박은정, 조성준, 2010 12월, 2010 한국 BI데이터마이닝학회

추계 학술대회.

[10] "Fast novelty detection algorithm and its use in early fault detection for

manufacturing process”, 고태훈, 김현중, 강필성, 조성준, 대한산업공학회

2015 춘계공동학술대회.

23

[11] "Knowledge discovery in inspection reports of marine structures”, Seung-kyung

Lee, Bongseok Kim, Minhoe Hur, Jooseoung Park, Seokho Kang, and Sungzoon

Cho, Dongha Lee, Daehyung Lee, Expert Systems with Applications, Volume

41, Issue 4, Part 1, March 2014, Pages 1153-1167.

[12] AS 서비스 데이터를 활용한 제품 불량 원인 도출, 강석호, 김은지, 심재웅,

조성준, 한국BI데이터마이닝학회 2015 추계학술대회.

[13] "Energy-saving decision making framework for HVAC with usage logs”,

Jooseoung Park, Sungzoon Cho*, Seung-kyung Lee, Seokho Kang, Young Soo

Kim, Ji Young Kim, Dong Seuk Choi (2015+), Energy and Buildings, in press.

[14] 주요 제조업 사물인터넷 활용방안 연구, 경기대학교 산학협력단, 2014

[15] "Mining transportation logs for understanding the after-assembly block

manufacturing process in the shipbuilding industry”, Seung-kyung Lee,

Bongseok Kim, Minhoe Hur, Sungzoon Cho, Sungkyu Park, Daehyung Lee,

Expert Systems with Applications, Volume 40 Issue 1, January, 2013, Pages

83-95.

제조산업 빅데이터 적용방안

2016년 2월 인쇄2016년 2월 발행

발행인 : 서 병 조발행처 : 한국정보화진흥원 K-ICT빅데이터센터집 필 : 조 성 준, 신 훈 식, 김 성 현대구광역시 동구 첨단로 53 TEL: 053-230-1114인 쇄 : (사)한국장애인유권자연맹인쇄사업부

<비매품>