Mckinsey Quarterly

쏟아지는 데이터, 통찰력 있는 고급 분석이 개선을 부른다

173호 (2015년 3월 Issue 2)

 

 

 

 

Article at a Glance – 운영

기존 관행을 평가하고 개선하기 위해 비즈니스 데이터에 통계를 비롯한 수학 도구를 적용하는 방식을 뜻하는 고급 분석 기법을 활용하는 제조업체는 프로세스 결함을 줄여 시간과 돈을 절약할 수 있다.


 

편집자주

이 글은 <맥킨지쿼털리>에 실린 ‘How Big Data Can Improve Manufacturing’을 전문 번역한 것입니다.

 

지난 20여 년 동안 제조업체들은 린(lean) 프로그램과 식스시그마(Six Sigma) 프로그램을 실행해 생산 프로세스 내의 변동성과 불필요한 요소를 줄이고 품질개선, 수율(투입 재료 대비 생산량) 증대를 달성할 수 있었다. 하지만 제약, 화학, 광업 등 급격한 변동성을 기정사실로 받아들여야 하는 환경도 있다. 심지어 린 기법을 적용한 후에 급격한 변동성을 피할 수 없는 경우도 있다. 이런 산업에서 수율에 영향을 미치는 생산 활동의 숫자와 복잡성을 고려하면 제조업체들이 프로세스 결함을 진단하고 바로잡기 위해 좀 더 세밀한 접근방법을 활용할 필요가 있음을 알 수 있다. 고급 분석 기법(advanced analytics)이 바로 이런 접근방법을 제시해준다.

 

고급 분석 기법이란 기존 관행을 평가하고 개선하기 위해 비즈니스 데이터에 통계를 비롯한 수학 도구를 적용하는 방식을 뜻한다. (그림 1) 제조 부문의 운영 관리자가 고급 분석 기법을 활용하면 과거의 프로세스 데이터를 심층적으로 파고들고, 여러 프로세스 단계와 투입물 간의 패턴 및 관계를 찾아내고, 수율에 가장 커다란 영향을 미치는 것으로 밝혀진 요인들을 최적화할 수 있다. 다양한 지역과 산업에서 활동하는 수많은 글로벌 제조업체들이 이제는 실시간으로 다량의 현장 데이터를 확보하고 복잡한 통계 평가를 실행할 수 있게 됐다. 이런 기업들은 예전에는 분리돼 있었던 데이터 세트를 확보해 종합한 다음, 이를 분석해 중요한 통찰력을 찾아낸다.

 

 

 

 

 

 

 

백신, 호르몬, 혈액 성분 등을 일컫는 바이오 의약품 생산의 경우를 생각해 보자. 바이오 의약품을 생산하려면 유전자 공학에 의해 생성된 생세포(live cell)가 필요하다. 또한 생산팀은 생산되는 물질과 다른 재료들의 순도를 보장하기 위해 생산 흐름 내에서 200개가 넘는 변수를 관찰해야 하는 경우가 많다. 동일한 프로세스를 활용해 두 차례에 걸쳐 특정 물질을 생산했을 때 산출량의 변동성이 50∼100%에 달할 수도 있다. 이처럼 설명하기 어려운 엄청난 변동성 때문에 생산 역량과 품질에 대한 문제가 제기되고 규제 기관의 감시가 강화될 수도 있다.

 

5대 바이오 제약업체에 속하는 어느 제약회사는 고급 분석 기법을 활용해 추가로 자본을 지출하지 않고도 백신 생산 수율을 대폭 늘리는 데 성공했다. 이 제약회사는 전체 프로세스를 서로 밀접하게 연계된 여러 개의 생산 활동 클러스터로 나눴다. 그런 다음, 각 클러스터와 관련해 프로세스 단계와 사용된 물질에 관한 방대한 양의 데이터를 수집해 중앙 데이터베이스에 모아뒀다.

 

그런 다음 다양한 프로세스 매개 변수(업스트림과 다운스트림) 간의 상호 의존도와 각 변수가 수율에 미치는 영향을 측정하기 위해 다양한 형태의 통계 분석 기법을 데이터에 적용했다. 그러자 9개의 매개 변수가 중요한 영향을 미치는 것으로 분석됐고 그중에서도 특히 세포에 접종 처치를 하는 데 걸리는 시간, 그리고 크로마토그래피(chromatography) 단계 중 하나와 관련된 전도율 척도가 가장 큰 영향을 미치는 것으로 나타났다. 이 제약회사는 9개의 매개변수가 어떤 과정을 통해 수율에 영향을 미치는지 파악해 이에 맞게 프로세스를 수정했다. 그 결과 백신 수율을 50% 이상 늘릴 수 있었다. 이 회사가 생산하는 수백 개의 물질 중 단 하나를 생산하는 데 투입되는 비용을 연간 500∼1000만 달러가량 절감한 셈이다.

 

 

기대치 않은 통찰력

 

고급 분석 기법을 활용하면 동종 업계 최강으로 여겨지는 제조기업들조차 수율 증가를 위한 새로운 기회를 찾아낼 수 있을지도 모른다. 제지, 세제, 금속가공 등 여러 산업에 사용되는 실용 화학 물질과 특수 화학 물질을 생산하는 유럽의 어느 제조업체가 이런 경험을 했다. 이 제조업체는 1960년대부터 성공적으로 프로세스를 개선해 왔으며 계속해서 업계 기준치보다 높은 수준의 수율 자랑해 왔다. 사실 이 회사의 직원들은 개선의 여지가 많다는 주장에 회의적인 반응을 보였다. 어느 엔지니어는이곳은 모두가 벤치마킹 대상으로 활용하는 공장이라고 지적했다.

 

하지만 다양한 생산 투입물이 수율에 미치는 상대적인 영향을 측정하고 비교하기 위해 신경망 기법(인간의 뇌가 정보를 처리하는 방식을 토대로 하는 고급 분석 기법의 일종)을 적용하자 예상치 못한 통찰을 얻을 수 있었다. 이 화학업체는 다양한 요인 가운데 냉각제 압력, 온도, , 이산화탄소 유동 등을 집중 관찰했다. 분석을 통해 그동안 눈에 띄지 않았으나 실제로는 민감도가 높은 요인이 다수 드러났다. 예컨대, 이산화탄소 유동의 변동성이 달라지자 수율이 대폭 줄어들었다. 이 화학업체는 분석 결과를 토대로 매개 변수를 조정해 원자재 낭비를 20% 줄이고 에너지 비용을 약 15% 절감할 수 있었다. 낭비되는 원자재가 줄어들고 에너지 비용이 감소하자 전반적인 수율이 증가했다. 현재 이 화학업체는 자사의 기초 시스템을 보완하고 생산 활동을 자동으로 조정하기 위해 고급 프로세스 제어 기법을 도입하고 있다.

 

한편 어느 귀금속 광산은 완벽하지 않았던 생산 데이터를 철저하게 평가해 산출량과 수익성을 개선하는 데 성공했다. 이 광산은 채굴되는 광석의 등급이 점점 나빠지는 힘든 시기를 겪고 있었다. 생산 수준을 유지하기 위해서 활용할 수 있는 방법은 많지 않았다. 그중 하나가 채굴 프로세스와 정제 프로세스의 진행 속도를 높이거나 최적화하는 것이었다. 광석에서 귀금속을 채취하는 과정은 믿기 힘들 정도로 복잡하다. 대개 10∼15개의 변수와 15개가 넘는 기계가 귀금속 채취에 영향을 미쳤다. 광산에서 광물을 추출한 뒤 제대로 처리를 하려면 시안화, 산화, 분쇄, 침출 등 다양한 과정을 거쳐야 한다.

 

광산에서 일하는 운영팀이 활용하는 생산 데이터와 프로세스 데이터는 매우 분열돼 있었다. 따라서 분석팀은 가장 먼저 모순된 자료를 조정하고 정보 격차를 설명하는 데 도움이 되는 수학적 접근방법을 활용해 데이터를 정리해야만 했다. 그런 다음 시약, 유동률, 밀도 등 다양한 프로세스 매개 변수에 대한 데이터를 분석했다. 이와 같은 데이터를 분석하자 침출 프로세스의 핵심 매개 변수인 용존 산소량 농도의 변동성이 수율에 가장 커다란 영향을 미친다는 사실이 드러났다. 특히, 분석팀은 산소 농도에 변동이 있다는 사실을 발견했다. 산소 농도에 변동이 있다는 것은 곧 프로세스 제어에 어려움이 있다는 뜻이었다. 뿐만 아니라 분석을 통해 산소 농도가 가장 높을 때 광산의 수율이 가장 높아진다는 사실이 드러났다.

 

이 같은 연구 결과를 토대로 침출 프로세스와 원석에서 광물을 채취하는 프로세스에 소폭 변화를 주자 3개월 만에 평균 수율이 3.7% 증가했다. 광석 품위(등급)가 약 20%가량 하락한 시기임을 감안하면 놀라운 성과다. 수율이 증가하자 광산은 추가로 자본을 투입하거나 중대한 변화 프로젝트를 시행하지 않고도 연간 1000∼2000만 달러의 이윤을 지속적으로 벌어들일 수 있게 됐다.

 

 

빅데이터 활용

 

고급 분석 기법을 활용해 산출량을 늘리고자 하는 제조업체들은 가장 먼저 얼마나 많은 데이터를 활용할 수 있는지 판단해야 한다. 대다수의 기업들은 방대한 양의 프로세스 데이터를 수집한다. 하지만 대개 운영 개선이 아니라 성과 추적을 위해 데이터를 활용한다. 이런 기업들은 이미 존재하는 프로세스 정보를 가장 효과적으로 활용하는 데 도움이 되는 시스템과 기술에 투자해야 한다. 예컨대 데이터를 좀 더 쉽게 분석할 수 있도록 다양한 소스를 통해 수집한 데이터를 한곳에 모으거나 데이터를 색인화하는 방법을 활용할 수 있다. 패턴을 찾아내고 정보를 토대로 실행 가능한 통찰을 찾아낼 수 있도록 훈련받은 데이터 분석가를 고용하는 방법 역시 도움이 된다. 분석가의 관점에서 보면 일부 기업, 특히 생산 주기가 몇 달, 혹은 몇 년에 달하는 기업들은 통계적으로 유의미한 데이터를 거의 갖고 있지 않다. 이런 기업에서 일하는 고위급 리더들은 장기적인 관점을 갖고 좀 더 많은 데이터를 수집할 수 있도록 시스템과 운영 프로세스에 투자해야 한다. 점진적으로 투자를 늘려가는 방법도 도움이 될 수 있다. 예컨대 광범위한 활동 사슬에 포함돼 있는 여러 프로세스 단계 중 특히 중요하거나 복잡한 부분에 대한 정보를 수집한 다음 해당 단계에 고급 분석 기법을 적용할 수 있다.

 

빅데이터 시대의 서막이 열린 지는 얼마 되지 않았다. 하지만 고급 분석 기법은 오랜 기간 동안 발전해 온 수학적인 연구와 과학적인 응용에 근거를 두고 있다. 고급 분석 기법은 생산성 개선을 위한 중요한 도구 역할을 할 수 있다. 프로세스 복잡성과 프로세스 변동성, 생산 역량을 제한하는 요소가 존재하는 제조 환경에서는 고급 분석 기법이 특히 커다란 도움이 될 수 있다. 성공적으로 양적 평가 실행 역량을 발전시키는 기업은 경쟁기업들보다 한층 앞서 나갈 수 있다.

 

감사의 말씀

이 글의 저자들은 이 글을 쓸 수 있도록 많은 도움을 주신 스튜어트 굿맨(Stewart Goodman), 장 밥티스트 펠르티에(Jean-Baptiste Pelletier), 폴 루텐(Paul Rutten), 알베르토 산타고스티노(Alberto Santagostino), 크리스토프 슈미츠(Christoph Schmitz), 켄 소머스(Ken Somers)에게 감사의 말씀을 전한다.

 

에릭 오시츠키·마르커스 해머·아게산 라자고폴

에릭 오시츠키(Eric Auschitzky)는 맥킨지 리옹 사무소 컨설턴트, 마르커스 해머(Markus Hammer)는 리스본 사무소 수석 전문가, 아게산 라자고폴(Agesan Rajagopaul)은 요하네스버그 사무소 부소장이다.

 

번역 |김현정translator.khj@gmail.com

동아비즈니스리뷰 351호 Diversity in Talent Management 2022년 08월 Issue 2 목차보기