성공을 위한 3가지 필수 요소
시장조사기관인 IDC는 올해, 제조 분야에서 디지털 트랜스포메이션에 가장 많은 투자가 이뤄질 것으로 전망합니다. 구체적으로 디스크리트 제조 2,250억 달러, 프로세스 제조 1,250억 달러, 총 3500달러의 투자를 예상합니다.
디지털 트랜스포메이션을 성공적으로 수행하기 위해서는 3가지 요소가 필요합니다. ▶첫째, 사람. 모든 혁신의 주체는 사람입니다. 사람의 능력, 조직구조, 문화가 상당히 중요합니다. ‘능력’을 높이기 위해서는 최고의 직원과 공동 작업 도구, 전 영역의 통합/공유, 빠른 속도와 민첩성이 필수입니다. ‘조직 구조’에도 변화가 필요합니다. 부서별 사일로를 해체하고, 전담 또는 다기능팀을 구성하여 자율성과 숙련도를 높이고, 적합한 조직을 구성해야 합니다. 이를 통해 통찰력 중심의 의사결정과 혁신 문화를 조성하여 지속적으로 개선하는 ‘문화’를 만들어야 합니다.
▶둘째, 비즈니스. 전략과 고객 경험, 내부 프로세스, 비즈니스 모델이 필수입니다. 디지털 트랜스포메이션의 중심에는 고객이 있습니다. 따라서 디지털 기술 기반의 ‘고객 경험’을 개선해야 합니다. ‘내부 프로세스’도 중요합니다. 민첩성과 운영 효율성을 높이고, AI와 고급 분석 기술을 활용하여 내부 프로세스를 개선하고, 자동화 및 셀프 서비스를 도입해야 합니다. 이를 기반으로 디지털 트랜스포메이션의 구성 요소인 ‘비즈니스 모델’을 구성하고, 제품과 수익 흐름을 전체적으로 파악해야 합니다.
▶셋째, 기술. 기술은 디지털 트랜스포메이션의 원동력입니다. 고급 분석과 AI, 클라우드 기반 컴퓨팅, 그리고 모든 연결을 자동화해야 합니다. SAS는 고급 분석과 AI, IoT, 인더스트리4.0, 클라우드 컴퓨팅, 실시간 의사결정을 기반으로 커넥티드 팩토리, 마켓 인사이트, 통합 생산 및 관리 데이터, 분석을 위한 내/외부 다양한 데이터 소스 등을 통해 최적화된 전략을 수립하고, 생산성을 향상하며 리스크를 최소화할 수 있도록 지원합니다.
사례로 보는 주요 트렌드
가장 큰 트렌드는 ‘디지털 트랜스포메이션의 가속화’입니다. 한 글로벌 기업은 전사적인 디지털 트랜스포메이션에 속도를 높이기 위해 SAS 기술을 기반 요소로 도입했습니다. 그리고 이 기술을 사람과 비즈니스 프로세스에 활용하기 위해 제조 스태프, 데이터 엔지니어, 데이터 사이언티스트, 그리고 10명 이상의 데이터 사이언티스트를 중심으로 새로운 디지털 트랜스포메이션 조직을 구성했습니다, 이들은 디지털 트랜스포메이션을 촉진하고, 데이터 분석을 사용하여 현장의 생산 기술을 개선하고, 데이터 사이언티스트(DS)와 데이터 엔지니어(DE)를 양산하고 교육합니다.
기본적으로 데이터 사이언티스트는 전사적인 데이터 분석을 주도하고, 최신 기술 습득 및 적용, 데이터 엔지니어에 대한 지원과 교육을 담당합니다. 데이터 엔지니어는 데이터 사이언티스트의 지원을 기반으로 온사이트 분석 지원, 모델 적용 및 관리, 제조 스태프에 대한 피드백 등을 합니다. 제조 스태프는 데이터 사이언티스트와 데이터 엔지니어의 지원을 바탕으로 제품 생산에 활용하고, 현장을 개선합니다.
이처럼 R&D, 엔지니어링, 프로덕션 모든 분야에서 데이터 관리 체계를 수립하고, 여러 부서에서 생산되는 모든 프로세스와 데이터가 상호작용하게 함으로써 디지털 트랜스포메이션을 가속화했습니다.
‘디지털 트윈(Digital Twin)’ 또한 주목할 트렌드입니다. 한 중공업 회사에서는 다양한 알림(alert)과 센서를 통해 생성되는 설비 문제, 특별한 슬래시 홀드를 넘어가는 시점 예측, 이상 상태 감지 등을 위해 SAS의 분석 기술을 도입했습니다.
Pressure, Amperage 등 500여 개의 스트리밍 데이터를 데이터 센싱용으로 구성하고, Lab test와 수작업 데이터, Repairs history 정보를 기반으로 배치성 데이터를 통합 및 분석하여 디지털 트윈을 진행했습니다.
디지털 트랜스포메이션 기술 적용 방법
▶ 데이터 통합 및 자동화 인사이트
한 기업은 24만 9,000건의 장치 설비 관련 데이터와 19개의 변수를 가지고, 검사 및 불량 데이터를 기반으로 데이터를 탐색했습니다. 그리고 탐색 데이터에 대한 입력 변수의 변환 및 Summary를 통해 데이터를 105건으로 줄이고, 데이터의 중요도를 탐색하는 데이터 통합과 자동화 인사이트를 진행했습니다.
▶머신러닝 데이터 준비 및 예측 자동화
모든 제조 산업에서 가장 필요로 하는 기능은 머신러닝 기반의 데이터 준비와 예측 자동화입니다. 여기, Missing과 Outlier가 많은 데이터가 있습니다. 변수는 604개이며, 레코드 카드는 2만 5,000여 건으로 구성되어 있습니다. 데이터 사이언티스트는 이 데이터를 수십, 수백 건의 변환과 Summary를 진행합니다. 하지만 SAS 머신러닝 기반의 데이터 준비 솔루션인 Automated Feature Engineering(SAS의 데이터 트랜스포메이션 알고리즘)을 통해 자동으로 데이터 트랜스포메이션을 진행할 수 있습니다.
한편, 생성된 데이터는 필요한 목적 즉, 수율과 특정 문제를 분석하고 예측하는 모델링을 진행할 수 있습니다. ▶피처머신에서 변수 변환을 하거나 ▶대치(결측), 특징 추출, 변수 선택 ▶변수 선택, 피처 머신 ▶소스 데이터 직접 모델링 등 4가지 방법론을 이용하여 모델링을 진행합니다. 그 다음 챔피언 모델을 도출하여 모델에 등록하고, SAS MAS UI를 통해 예측 관련 시뮬레이션을 할 수 있습니다.
생성된 예측 모델링을 실시간 혹은, 시간 단위로 실행하고자 한다면 이벤트 스트리밍 프로세스에서 생성된 모델을 등록하고, 입력 변수를 설정하여 자동화와 실시간 스트리밍 즉, 예측과 원인 분석을 진행할 수 있습니다. 이 같은 데이터 전처리 및 변환은 데이터 사이언티스트가 반복적으로 수행하는 작업을 가장 쉽고 빠르게 진행합니다.
성공의 걸림돌과 극복 방안
앞서 강조했듯 성공적인 디지털 트랜스포메이션은 기술(데이터를 통찰력과 비즈니스 가치로 변환하는 AI, 분석 및 데이터 관리 기술)과 프로세스(지속가능한 비즈니스 가치를 창출하기 위해 디지털 혁신을 운영하는 분석 프로세스 및 비즈니스 프로세스), 사람(기술을 사용하고 디지털 프로세스를 실행하여 디지털 혁신을 주도하는 리더, 엔지니어 및 데이터 과학자)이 조화를 이룰 때 가능합니다.
이처럼 명확한 답이 있음에도 불구하고 성공에 다가가지 못하는 이유는 무엇일까요? 각 요소마다 장애물이 많기 때문입니다. ‘기술’의 경우 이기종 분석 환경과 기술 통합이 불가능한 환경, 높은 TCO, 그리고 고급 기술을 채택하지 않음으로써 문제가 발생합니다. ‘프로세스’는 디지털 트랜스포메이션 여정의 불분명한 정의, 분석의 통합 E2E 프로세스 및 거버넌스 부족, 비즈니스 프로세스로서 분석 운영 등에 한계가 있습니다. ‘사람’과 관련해서는 디지털 혁신 리더십 부족, 분석가 및 데이터 사이언티스트 부족, 부족한 디지털 네이티브 기술 및 사고 방식, 기업 내부 협업의 한계 등이 문제가 됩니다. 하지만 걱정하지 마십시오. 독보적인 분석 플랫폼과 전문 서비스, 교육 및 워크숍을 통해 SAS가 전사적으로 지원해드립니다.
