아티클 | 기업소개 | 이노핏파트너스

"데이터를 지배하는 자가 세상을 지배한다." 어느 한 일간지의 머릿기사입니다. 무엇을 의미하는 것일까요? 이 기사는 "이제는 데이터 경제가 주목받는 시대가 되었다"라고 강조하면서 이제 데이터는 경제활동의 부산물이 아니라 화폐처럼 경제활동의 중요한 축이 되었다고 말하고 있습니다.@media only screen and (max-width:640px) {.stb-container {}.stb-left-cell,.stb-right-cell {max-width: 100% !important;width: 100% !important;box-sizing: border-box;}.stb-image-box td {text-align: center;}.stb-image-box td img {width: 100%;}.stb-block {width: 100%!important;}table.stb-cell {width: 100%!important;}.stb-cell td,.stb-left-cell td,.stb-right-cell td {width: 100%!important;}img.stb-justify {width: 100%!important;}}.stb-left-cell p,.stb-right-cell p {margin: 0!important;}.stb-container table.munged {width: 100% !important; table-layout: auto !important; } .stb-container td.munged {width: 100% !important; white-space: normal !important;} 디지털 혁신 큐레이션#데이터리더십 #디지털혁신 #디지털전환창조와 디지털 혁신에서 이기는 법“데이터를 지배하는 자가 세상을 지배한다.” 어느 한 일간지의 머릿기사입니다. 무엇을 의미하는 것일까요? 이 기사는 “이제는 데이터 경제가 주목받는 시대가 되었다”라고 강조하면서 이제 데이터는 경제활동의 부산물이 아니라 화폐처럼 경제활동의 중요한 축이 되었다고 말하고 있습니다. 그만큼 데이터가 중요하다는 것을 강조하고 있는 것입니다.그렇다면 데이터 경제는 무엇을 말하는 것일까요? 단어의 의미 그대로 각종 데이터를 활용해 새로운 경제적 가치를 창출하는 것을 말합니다. 예전에는 방대한 데이터를 수집해 분석하는 것이 어려웠습니다. 관련 도구와 분석 능력을 갖춘 일부 특정 집단이나 기업의 전유물이었던 것입니다. 하지만 요즘은 인터넷 가상공간인 클라우드에 데이터를 모으고, 누구나 사용할 수 있는 AI를 통해 손쉽게 분석이 가능하게 된 것입니다. 데이터 자체가 상품이 되었습니다.그런데 누구나 데이터가 있으면 부를 거머쥘 수 있을까요? 당연히 절대 그런일은 없을 것입니다. 데이터를 모으고 분석하는 것이 중요한게 아니라 그 과정에서 전혀 상관없어 보이는 것들과 연결시키고 창의적인 아이디어를 만들어 내는 것이 핵심이기 때문입니다.오늘의 주제 : 데이터 리더십1️⃣ 창의성을 원한다면 분석하고 또 분석하라!2️⃣ 조직 내 데이터를 제대로 활용하기 위한 리더의 역할3️⃣ 혼돈 세상 속 조직 디지털 혁신을 이끌기 위해 리더십에 CLS를 융합시켜라!기고교수 소개오상진 교수現 이노핏파트너스 파트너 교수#데이터분석 #빅데이터분석 #정보체계창의성을 원한다면 분석하고 또 분석하라!자 그렇다면 빅데이터 분석이란 무엇을 말하는 것일까요? 바로 대량의 데이터로부터 숨겨진 패턴과 알려지지 않은 정보를 찾아내기 위한 과정이라고 보면 됩니다. 이는 창의성을 “존재하지 않는 관계를 보는 능력”이라고 정의했던 통계학자 토머스 디시의 말과 맥을 같이 합니다. 데이터 분석의 관점에서 보면 “존재하지 않는다”는 말은 이 세상에 없다는 것이 아니라 “우리가 아직 그 의미를 파악하지 못했다”라고 볼 수 있습니다. 또한 “관계”란 단어는 통계학적인 관점에서 보면 변수들 혹은 데이터들 간에 인관관계를 말합니다. 즉, 자료 속에 숨어 있는 규칙적 패턴이나 관련성을 말하는 것입니다.결국 데이터 분석 관점에서 창의성이란 “수많은 데이터 속에서 우리가 찾아내지 못한 변수들 간의 인과관계를 찾아내어 새로운 가치를 창출해 내는 과정”이라고 볼 수 있습니다. 룰브레이커라 불리는 세계 최고의 창의적인 기업의 공통점도 데이터 분석을 통해 창의성을 극대화 시켰습니다.정보 모으기의 제왕들, ‘구글과 아마존, 그리고 테슬라’1998년 창업한 구글은 “다양한 구글 서비스들과 함께 전 세계의 모든 정보를 체계화하여 모든 사용자가 유익하게 사용할 수 있도록 한다”라는 사명으로 지금의 구글을 만들었습니다. 그들은 ‘좋은 논문은 많이 인용되는 논문’이라는 학계에서 인정한 패턴을 웹페이지에도 그대로 적용해, 특정 사이트가 다른 사이트로 연결되는 백링크를 알아내고 이것을 기본으로 웹페이지 랭킹을 매기는 ‘페이지랭크’를 구현했습니다. 이 ‘페이지랭크’는 유용한 정보를 빠르게 습득할 수 있게 함으로써 전 세계 검색엔진 시장을 장악했던 것입니다.아마존은 1994년 온라인으로 책을 팔기 시작하면서 고객들의 데이터를 모으기 시작했습니다. 그리고 1997년 제품라인을 확대하면서 온라인 전자상거래 시장을 장악했으며, 현재 전세계 최고의 기술력을 자랑하는 IT 기업으로 성장했습니다. 아마존이 단순히 온라인 책방에서 클라우드 컴퓨팅, 전자상거래, 미디어, 하드웨어, 오프라인 유통 사업으로 확장할 수 있었던 것은 바로 온라인 전자상거래를 통해 확보한 고객들의 데이터에 있었습니다.어마어마한 빅데이터를 분석하고 서로 다른 영역을 연결시켜가며 비즈니스 영역을 확장한 것이 지금의 아마존을 만든 것입니다. 2003년 창업한 테슬라 역시 데이터로 성공한 기업입니다. 우리는 단순히 전기자동차를 생산하는 기업으로 알고 있지만 내면을 살펴보면 수많은 데이터를 수집하고 이를 분석해 다양한 사업들을 전개해 나가고 있습니다.>>기사 자세히 보기#리더역할 #리더십전략 #조직문화조직 내 데이터를 제대로 활용하기 위한 리더의 역할최근 기업에서 업무에 데이터를 사용하고, 해석하고, 생성하는 일이 많아졌습니다. 디지털 네이티브의 등장으로 ICT 기술을 활용하는 것이 더욱 용이해진 것입니다. 하지만 많은 기업에서 데이터를 관리하고 활용하는데 어려움을 겪습니다. 왜일까요?데이터에 대한 책임소재가 불분명 하기 때문입니다. 데이터 관리에 시간과 열정을 쏟는데도 데이터를 제대로 활용하지 못하기에 품질은 낮아지고, 직원들은 데이터를 신뢰하지 않게 되는 것입니다. 조직 내 제대로 된 데이터를 생산하고 활용하기 위해서는 무엇을 해야 할까요? 데이터 품질 솔루션의 토마스 레드먼(Thomas Redman)은 데이터 리더십을 발휘하기 위한 5가지 가이드라인을 제시하고 있습니다.조직구성원 모두를 참여시켜라!첫 번째는 조직구성원 모두를 참여시키라는 것입니다. 이유는 명확합니다. 데이터를 다루는 업무의 대부분은 현장에 근무하는 일반직원들이 하기 때문입니다. 그런데 대부분의 기업들은 데이터 관련 부서를 지정해 놓고, 이들에게 데이터의 수집부터 품질관리까지 전권을 위임하고 있는 것입니다. 고객 접점의 현장 직원들은 데이터를 생성하고 해석합니다. 고객을 만족시키기 위해 데이터를 사용하고, 전략을 수립합니다.하지만 항상 데이터를 수집하고 활용하기 위한 기획단계에서 배제되기 일쑤입니다. 코끼리 전체를 보지 못한채 다리나 꼬리를 더듬으며 코끼리 형상을 상상하는 꼴입니다. 이를 위해 리더들은 데이터에 대한 조직구성원들의 역할과 책임을 명확히 명시해야 합니다. 그리고 그들의 역할과 책임을 효과적으로 수행할 수 있도록 교육하고, 지원하고, 협업을 아끼지 말아야 합니다.이를 위해 스타벅스는 현장의 직원들에 데이터를 사용하여 다양한 의사결정을 내릴 수 있도록 적극적 지원을 하고 있습니다. 매장 레이아웃 및 제품 제공에 대한 데이터 뿐만 아니라 고객 트래픽 패턴과 선호도를 분석하여 현장 작업자가 각 위치에 대한 최적의 매정 레이아웃과 제품 구색을 결정하는데 도움을 주고 있습니다. 또한 현장 관리자가 판매, 재고수준 및 고객행동에 대해 실시간으로 데이터에 접근할 수 있도록 모바일 데이터 도구에 투자하고 있습니다. 이를 통해 효율적인 재고관리와 인력배치, 제품제공을 통한 고객만족을 만들어 가고 있는 것입니다. >>기사 자세히 보기(출처:CIO) 협업의 인프라를 구축하고 적극적으로 활용하라두 번째는 협업의 인프라를 구축하고 적극적으로 활용하라는 것입니다. 데이터는 다양한 부서에서 사용될 때 가치가 높아지기 때문입니다. 왜일까요? 기업은 밸류체인(Value Chain)으로 구성되기 때문입니다. 가치사슬 이라고 불리는 밸류체인은 기업이 제품 또는 서비스를 생산하기 위해 원재료, 노동력, 자본 등의 자원을 결합하는 과정에서 발생하는 부가가치 생태계를 뜻합니다. 기업이 경쟁우위를 찾고, 이를 강화하기 위한 기본적인 분석도구이기도 합니다.그 중에서 직접적인 가치 창출 영역인 구매, 제조, 물류, 판매, 서비스 등을 본원적 활동이라고 하고, 이를 지원하는 활동이 재무관리, 인적자원관리, 연구개발, 조달 등입니다. 이때 다양한 영역에서 발생하는 데이터는 아주 중요합니다. 밸류체인의 타고 산소를 공급하는 적혈구와 같은 존재이기 때문입니다. 그런데 조직 내 부서 이기주의나 사일로 현상이 데이터의 흐름을 막습니다. 또한 데이터만 잘 흘러서는 시너지를 만들어 낼 수 없습니다. 타 부서에서 사용할 수 있도록 지속적인 품질관리가 필요합니다. 이를 위해 체계적으로 데이터의 흐름을 조정할 수 있는 인프라를 구축해야 합니다.협업인프라의 대표적 사례는 플랫폼 생태계를 구축하는 것입니다. GE는 프레딕스라는 산업용 사물인터넷을 통해 데이터를 수집하고 예지정비를 통해 설비장애를 사전에 예방하는데 활용하며, 전 세계 400여개의 생산시설을 지원하고 있습니다.지멘스는 제조업을 위한 클라우드 플랫폼 마인드스피어(Mindsphere)를 구축하여 생산부터 배송까지 원스탑으로 운영될 수 있도록 지원하고 있으며, CPS(Cyber Physical System)를 활용해 기초 인프라 영역인 데이터 수집과 처리, 시뮬레이션 분야의 플랫폼을 확장하고 있습니다. 국내기업으론 포스코가 데이터수집과 분석 플랫폼인 포스프레임을 자체 개발하여 생산공정을 개선하고 표준화된 데이터를 현업 담당자가 쉽게 분석할 수 있도록 다양한 머신러닝과 딥러닝 분석도구를 탑재하고, 지속적 교육을 진행하고 있습니다. >>기사 자세히 보기GE가 그린 스마트 공장 이미지. 물류 운반 상황을 기계가 자동으로 파악, 보고한다. (출처: 조선일보)데이터 관리의 책임은 현장에 위임하고 IT 부서는 이를 지원할 수 있는 기술에 집중하라세 번째 데이터 관리의 책임은 현장에 위임하고 IT 부서는 이를 지원할 수 있는 기술에 집중하라는 것입니다. IT 부서는 데이터를 생성하지 않습니다. 그러다 보니 데이터의 출처와 의미는 더더욱 모릅니다. 이들은 데이터가 잘 활용되고 흘러갈 수 있도록 인프라를 구축하는데 힘을 쏟아야 합니다. 코칭과 조정이 필요하다면 전문 데이터팀을 활용하라코칭과 조정이 필요하다면 전문 데이터팀을 활용하는 것이 더욱 효율적입니다. 이것이 리더가 데이터 리더십을 발휘해야 하는 네 번째입니다. 우리 팀의 데이터 문제는 다양한 주제에 대해 전문지식을 보유한 데이터팀과 협업해야 합니다. 데이터팀은 데이터 분석가, 현장전문가, HR 전문가, 재무 담당자, 제조 및 연구개발 담당자 등 기업의 밸류체인에 속해있는 다양한 영역의 전문가로 구성해야 합니다. 기업에서 생성되는 다양한 분야의 데이터에 대한 일상적인 작업을 수행하고 책임져야 하기 때문입니다. 이 팀의 절반은 일반 직원들이 데이터를 잘 활용할 수 있도록 교육을 지원하고, 인프라 구축을 주도해야 합니다. 또한 데이터 표준화를 통해 데이터의 공용어를 만들어야 합니다. 데이터의 모델링 개발을 통해 효율적인 데이터 활용을 선도하는 것도 이들의 몫입니다.가장 대표적인 사례가 맥도널드입니다. 맥도널드는 전세계 4만여 개의 매장관리자가 레스토랑 운영 관련 데이터를 쉽게 수집하고 관리할 수 있도록 데이터 허브라는 글로벌 플랫폼을 구축했습니다. 이를 통해 현장재고, 판매수치 등 운영관련 데이터를 모두 입력할 수 있도록 했으며 이를 분석해서 빠르고 정확한 의사결정을 할 수 있도록 방식을 바꾼 것입니다.(출처: Mattewtennant)동시에 IT 부서는 데이터 허브와 관련 기술 인프라를 구축하고 유지할 수 있도록 지원에 포커스를 맞추고 있습니다. 맞춤형 분석도구를 개발하고, 클라우드 기반의 저장 솔루션을 제공하며 보안 정책을 체계화 하고 있는 것입니다. 맥도널드는 데이터 관리 책임을 현장에 위임하고 IT부서는 기술 인프라에 집중함으로써 전세계 레스토랑 운영의 최적화와 고객 만족을 높이는 동시에 안전하고 신뢰할 수 있는 데이터 관리 인프라를 유지할 수 있게 되었습니다.>>기사 자세히 보기임원 차원에서 적극적으로 지원하라마지막은 C 레벨의 임원 참여로 적극적인 지원을 아끼지 말라는 것입니다. 기업이라는 거대한 생명체를 움직이는 원동력은 자본과 인력이기 때문입니다. 고위급 임원들의 지원이 없다면 혁신은 딜레마에 빠지게 됩니다. 조직은 태생적으로 편안하고 익숙한 환경을 좋아하기 때문입니다. 지금까지 데이터 과학은 기업의 성장에 많은 기여를 해왔습니다. 고객에 대한 통찰력을 제공했을 뿐만 아니라, 일하는 방식의 효율을 통해 비용을 절감하고, 다양한 비즈니스 모델을 만드는데 아이디어를 제공했습니다. 하지만 아직까지 우리는 디지털 네이티브 기업에 국한된 방식이라고 생각합니다. 익숙하지도 않고, 새로운 것을 시도하는게 두렵기 때문입니다.이를 극복하기 위해 리더들은 두 가지에 집중해야 합니다. 하나는 주변에 있는 다양한 데이터와 비즈니스 문제를 연결해 보라는 것입니다. 연결은 창의성을 창발시키는 촉매제가 되기 때문입니다. 또 하나는 문제 해결에 필요한 인적 역량을 구축하라는 것입니다. 새로운 인재를 선발하는 것도 좋고, 내부에 열정이 넘치는 인재를 양성하는 것도 좋습니다.철도 시스템에 GE의 디지털 솔루션을 적용한 개념도(출처: e4dsnews)GE는 데이터 분석과 기계 학습을 활용하여 제조 프로세스를 최적화하고 고객 성과를 개선하는 것을 목표로 하는 “산업 인터넷 플랫폼”이라는 디지털 혁신을 시작했는데, 바로 당시 GE의 수장이었던 제프 이멜트가 주도했습니다. 또한 GE의 고위 경영진을 조직 전체에서 디지털 기술 및 데이터 분석의 채택을 추진하는 데 적극적으로 참여시켰는데, IT팀과 긴밀히 협력하여 효율성과 생산성을 개선하기 위해 데이터 분석을 적용할 수 있는 영역을 식별하고 직원들이 새로운 기술을 수용할 수 있도록 지원 및 리소스를 제공한 것입니다.대표적인 사례는 GE의 디지털 트윈기술 프레딕스(Predix) 입니다. 이를 통해 제조 프로세스를 개선하고 비용을 절감하며, 고객들의 만족을 극대화 시켰고, 이 모든 과정에 CEO와 고위임원들의 적극적 참여가 조직 전체를 움직이는 촉매제 역할을 했던 것입니다.>>기사 자세히 보기▼GE’s Predix Platform Now Open For All#조직리더십 #CLS #조직개발혼돈한 세상 속,조직 디지털 혁신을 이끌기 위해 리더십에 CLS를 융합시켜라!다양한 지식과 통찰력까지 겸비한 만능엔터테이너“전통적인 리더십 개발 접근 방식이 더 이상 조직이나 개인의 니즈를 충족하지 못한다”하버드 비즈니스 리뷰의 한 아티클의 제목입니다. 무엇을 말하고 싶은 것일까요? 리더십은 사회 전반에서 다양한 의미로 사용되고 있습니다. 특히 기업에서의 리더십은 경영전략과 조직행동론에서 시작되었는데, 한마디로 조직의 성과를 만들어 내는 리더의 역할이라고 볼 수 있습니다. 다양한 학자들의 정의에서 공통점은 “조직의 목표 달성”이라는 키워드입니다. 이를 위해 개인 및 집단을 고취하는 활동 혹은 영향력을 말합니다. 전통적으로 경영학자들은 그 시대 성공한 기업인들이나 정치인들을 분석해 그들의 공통점을 찾고, 그들에게 배울점을 나열하는 방식으로 리더십을 연구해 왔습니다. 그래서인지 시대에 따라 리더십의 키워드는 바뀌었고, 기업의 환경에 따라 다양한 역할들이 등장했습니다.그렇다면 오늘날 기업의 환경은 어떠할까요? 한마디로 불안정하고 불확실하고 복잡하고 모호합니다. 여기서 조직의 목표달성을 하려면 과거의 리더십 역량으로는 불가능하다는 것입니다. 지금의 환경에 적합한 다른 종류의 리더십 스킬과 조직 역량이 필요하다는 것입니다. 오랫동안 리더십 영역은 직관적인 소프트 스킬로 여겨져 왔습니다. 하지만 경영이나 관리업무는 데이터를 중심으로 운영되어 왔습니다. 리더와 관리자의 경계가 모호해 진 것처럼 이제는 리더십의 개념이 바뀌어야 합니다. 많은 리더가 데이터에 기반한 의사결정을 하고 있고, AI시대 핵심인 메타버스, 클라우드, 빅데이터, 플랫폼에 의해 일하는 방식이 바뀌었기 때문입니다.데이터 중심의 AI시대는 사람들의 행동양식을 변화시키고 있습니다. 새롭게 조직으로 진입하는 디지털네이티브에 의해 가속화된 이 현상은 산업과 사회, 문화, 정치에도 영향을 미치고 있습니다. 이들은 “정보에 기반한 직관”이라는 하이브리드 방식을 채택하고 있고, 사람, 관계에 대한 정보를 분석하기 위해 데이터를 처리하고 데이터 분석 도구를 사용하는 컴퓨팅 사회과학이 기업의 핵심이 된 것입니다. 그렇다면 우리 기업들은 무엇을 해야 할까요?우선 조직의 핵심인 리더들의 리더십을 재정의해야 합니다. 이를 위해서 시뮬레이션과 네트워크분석, AI, 기타 데이터 기반 접근법을 사용해 리더십을 근본적으로 개선하도록 설계된 CLS(컴퓨팅 리더십 과학, Computational Leadership Science)를 도입해야 합니다. 하버드대 국가준비 리더십 이니셔티브 연구원인 브라이언 스피삭(Brian Spisak)은 CLS를 “최첨단 과학과 잘 정리된 리더십 연구, 실무에서 얻은 귀중한 지식이 교차하는 지점에서 차세대 혁신을 이끌 기술”이라고 정의했습니다. 그는 기업은 CLS를 통해 급변하는 경영환경을 더 잘 예측할 수 있고 문제를 해결할 수 있을 것이라 했습니다.대표적인 사례가 IBM의 리더십센터입니다. 이들은 효과적인 리더십에 대한 주요 심리 측정 및 행동지표와 컴퓨팅 사고력을 결합하였습니다. 글로벌 리더십 평가를 위해 평가프로세스를 대대적으로 혁신하고 디지털화된 플랫폼을 개발하였습니다. 여기에 리더십 후보자의 스킬, 행동, 성격에 부합하는 교육을 제공하기 위한 자동화 서비스를 오픈한 것입니다. IBM은 CLS 개념을 접목한 플랫폼을 통해 리더십 성과를 예측하고, 필요한 교육을 제공하고 있으며 이는 기본 대면 평가보다 더 효율적이고 비용도 절감한 것으로 알려졌습니다. 이 플랫폼은 단순 리더십을 위한 평가뿐만 아니라 재무관련 리더를위해 JP모건과 협업을 통한 투자의사 결정에도 활용할 계획입니다. >>기사 자세히 보기기존의 리더십은 리더의 경험과 직관에 의존해왔습니다. 이 행위가 리더의 편향과 독선을 만들어 낸 것입니다. 모든 의사결정이 자신의 경험에 의한 것일 수밖에 없었기 때문입니다. 하지만 CLS를 사용하면 이러한 편향적 사고를 제거할 수 있습니다. 데이터에 기반한 합리적 의사결정을 할 수 있기 때문입니다. 따라서 CLS는 일상적인 리더십의 일부가 되어야 합니다. 다양한 데이터와 AI분석 알고리즘으로 무장한 CLS는 조직 내 인간관계 관리부터 전략적 의사결정까지 리더십에 막대한 영향을 미치기 때문입니다.특히 리더십에서 디지털 전환을 받아들이는 것이 핵심입니다. 용감한 리더는 두려움을 깨고 새로운 기술이나 낯선 곳으로의 여행을 즐기는 사람이기 때문입니다. 이를 위해 리더 자신의 근본적 변화와 데이터에 기반한 의사결정 조직문화는 만들어야 합니다.✅ 함께 보면 좋을 기사데이터 리더가 되기 위해 필요한 8가지 특징 (Information-age, 2023.01.10)데이터 리더가 전략적 성과를 도출하는 데 어려움을 겪는 이유 (CIO, 2023.03.27)기고교수 / 이노핏파트너스 오상진 대표글 정리 / 이노핏파트너스 마케팅팀디지털 트랜스포메이션 시대에 FIT한 지식 혜택 (베네핏레터는 격주 금요일에 찾아갑니다)beneFIT Letter(베네핏 레터)는 이노핏파트너스의 노하우를 담아 디지털 트랜스포메이션 시대의 '산업별' 핵심 지식, 트렌드를 큐레이션한 뉴스레터입니다. 이 내용을 이메일로 편하게 받아보고 싶으시다면, 구독해주세요!>> 구독하러 가기

많은 기업들이 앞다퉈 디지털 전환과 스마트팩토리 등의 성과를 내기 위해 데이터 전문가 채용이나 교육, 컨설팅 등을 실행했고 현재도 그렇습니다. 그럼에도 생산성과 효율성에 대한 이야기는 늘 나오고 있는데요. 필자가 여러 기업들의 디지털 전환·스마트팩토리 컨설팅을 진행하며 직접 느꼈던 문제점을 바탕으로 '데이터 수집'에서 필요한 몇 가지 중요한 사안들을 언급해보고자 합니다. @media only screen and (max-width:640px) {.stb-container {}.stb-left-cell,.stb-right-cell {max-width: 100% !important;width: 100% !important;box-sizing: border-box;}.stb-image-box td {text-align: center;}.stb-image-box td img {width: 100%;}.stb-block {width: 100%!important;}table.stb-cell {width: 100%!important;}.stb-cell td,.stb-left-cell td,.stb-right-cell td {width: 100%!important;}img.stb-justify {width: 100%!important;}}.stb-left-cell p,.stb-right-cell p {margin: 0!important;}.stb-container table.munged {width: 100% !important; table-layout: auto !important; } .stb-container td.munged {width: 100% !important; white-space: normal !important;} 디지털 전환을 위한체계적인 '데이터' 확보의 중요성 (제조업 중심으로)2022 카타르 월드컵으로 뜨거운 열기가 가득합니다. 월드컵을 생각하면 무엇보다 2002년 한·일 월드컵을 빼놓을 수 없을 것입니다. 특히 2002년 월드컵 이후 한국의 이미지를 대표하는 국가 대표 영문 브랜드 ‘다이나믹 코리아 Dynamic Korea’를 기억하십니까? 한국전쟁 이후 한국의 경제적, 사회적 급격한 발전과 변화는 세계인들의 뇌리에 강하게 심어졌고 2002년 월드컵은 이러한 세계인들의 인식을 더욱 강화시킨 계기가 되었습니다.그리고 다시 그것을 검증이라도 하듯이 한국은 코로나 대응에 참신한 아이디어와 ICT(Information and Communications Technology) 접목을 통해 세계에서 코로나에 가장 잘 대처한 국가로 세계인들의 머리 속에 각인되었습니다. 또한 영화, 드라마, 음악, 체육, 음식 등 문화 컨텐츠 분야에서도 K-바람을 일으키면서 다이나믹 코리아를 이미지를 심어가고 있습니다.필자는 21세기 세계에서 국가간의 경쟁은 ICT로 대표되는 기술전쟁과 문화전쟁이라고 생각합니다. 현재 그리고 다가올 시대에 국가의 성장과 발전에 기술과 문화가 담당하고 있는 부분이 매우 크다는 의미입니다. 한국은 이 두 분야에서 세계인들에게 다이나믹 코리아를 제대로 보여주고 있는 것입니다.사실 한국은 선진국들에 비해 ICT를 활용한 디지털 전환의 시작이 늦은 편이였습니다. 실제로 2015년도 조사 결과에서 한국인들은 ‘4차 산업혁명’, ‘디지털 전환’, ‘스마트팩토리’란 단어를 한번이라도 들어보거나 알고 있는 사람은 채 3%가 되지 않는다는 결과가 있었지만, 그 시기 독일인들은 ‘Industry 4.0(독일의 4차 산업혁명을 정의한 내용)’을 잘 이해하고 있다는 사람이 전체 국민의 97%에 달하고 있었습니다. 그런데 2016년에 일어난 큰 이벤트(알파고-이세돌 대국)를 기점으로 우리나라는 전혀 다른 국가로 변모하기 시작했습니다. 인공지능, 머신러닝, 딥 러닝, 4차 산업혁명, 디지털전환, 스마트팩토리 등등에 급격히 관심을 갖게된 것입니다.그렇게 많은 기업들이 앞다퉈 디지털 전환과 스마트팩토리 등의 성과를 내기 위해 데이터 전문가 채용이나 교육, 컨설팅 등을 실행했고 현재도 그렇습니다. 그럼에도 생산성과 효율성에 대한 이야기는 늘 나오고 있는데요. 필자가 여러 기업들의 디지털 전환·스마트팩토리 컨설팅을 진행하며 직접 느꼈던 문제점을 바탕으로 '데이터 수집'에서 필요한 몇 가지 중요한 사안들을 언급해보고자 합니다.특집호 기고교수 소개변종대 / 이노핏파트너스 전문교수現 Grouper (Smart Lean SCM Solution) 대표現 한국표준협회 전문위원前 LS 엠트론 기술경영팀 부장#제조업 #디지털전환 #스마트팩토리기업에 분석할 데이터가 없다?데이터의 체계적인 수집이 중요“데이터가 없는 기업은 없다”라는 말이 있습니다. 물론 맞는 말입니다. 하지만 제조기업에서 빅데이터 분석에, AI 기술 적용에 필요한 의미 있는 데이터를 보유하고 있는가를 따져보면 전혀 다른 이야기가 됩니다. 예를 들어 불량 개선, 고장 예방을 위한 빅데이터 분석이나 AI를 적용을 위한 필요한 데이터가 있는 지를 들여다 본다면 거의 대부분의 기업들은 “분석할 데이터가 거의 없다.”라고 말할 수 있습니다. 이는 제조업만의 문제가 아니고 대부분의 영역에서도 마찬가지 상황입니다. 빅데이터 분석, AI 적용을 위해서는 어떤 데이터들이 필요하고 어떤 형태로 어떻게 저장해 두어야 하는 지를 알고 데이터를 모았어야 하는데, 그렇지 못했기 때문입니다.이세돌과 알파고의 이벤트에서 많은 사람들이 인공지능 알고리즘에 주목했지만 사실 간과하고 놓친 것이 이 알고리즘이 제대로 작동하는 데는 많은 양질의 데이터가 있었다는 사실입니다. 알파고를 최고의 바둑기사로 가르치는데 필요한 데이터, 알파고 입장에서는 딥러닝 알고리즘으로 학습할 수 있는 많은 데이터, 많은 바둑고수들의 대국을 기록한 바둑기보가 있었기에 가능했던 것입니다.지금이라도 기업들은 향후 빅데이터 분석과 AI 적용에 필요한 데이터는 무슨 데이터를, 어떤 주기로, 얼마만큼의 데이터를 수집해야 하고 또 어떤 형태로 보관해야 하는 지를 알고 데이터를 처음부터 체계적으로 수집해야 합니다. 이것부터 서둘러야 합니다. 제조 디지털 전환, 스마트팩토리 본격 추진에 앞서 기초단계에서 최우선적으로 빠트리지 말고 해야 할 일입니다. 관련 기사빅데이터가 없는 AI는 무용지물(Why AI Would Be Nothing Without Big Data)* 출처 : Forbes, 2017>> 자세히 보기실패 데이터의 중요성'분석할 데이터가 없다.'라는 주제와 관련하여 ‘실패 데이터’의 부재·부족도 언급하고 싶습니다. 데이터 분석을 해 본 사람이라면 데이터들을 입력(Input)변수인 X인자와 출력(Output)변수인 Y인자 Data의 보유와 구분이 얼마나 중요한지를 잘 알고 있을 것입니다.생산공정의 입력데이터는 주로 인수검사결과 공정검사결과 공정조건과 같은 것들 해당하고 출력변수로는 주로 완제품 검사결과와 같은 것들이 해당합니다. 그리고 이 데이터들 중에서도 특히 '실패 데이터'들이 중요한데 이 실패 데이터를 보유하고 있지 않거나 턱없이 부족한 경우가 많습니다.'실패 데이터'라고 하면 공정 중에 발생산 부적합·불량에 대한 기록이나 고객으로부터의 클레임 이력 설비의 고장이력 등이 이에 해당합니다. 아무런 문제가 없는 상태의 데이터 수 십만 개, 수 천만 개 보다 실패한 상태의 데이터 수 백 개, 수 천 개가 훨씬 값진 데이터 라는 것을 꼭 기억하셔야 합니다. 그러니 미래를 위해서는 비록 내가 아니더라도 후배들을 위해서라도 실패 데이터를 절대 버려서는 안 됩니다.#데이터베이스 #데이터레이크 #데이터활용데이터는 있는데, 활용할 수 없다?데이터를 보유하고 있다는 것은 데이터베이스에 보관하고 있는 데이터라는 의미여야 한다데이터가 있다 하더라도 데이터가 활용할 수 없는 상태로 보유하고 있다, 즉 데이터가 사일로 형태로 흩어져 저장되어 있는 것입니다. 이는 주로 어느 정도 규모가 있는 중견기업이나 대기업의 경우에 해당하는 경우도 많습니다. Data가 생산설비, 검사설비에 보관되어 있거나 생산설비, 검사설비에 연결된 PC에 저장되어 있는 것입니다. 이것은 데이터 전문가들이 활용할 수 없기 때문에 데이터가 없는 것이나 마찬가지입니다. 무슨 데이터가 저장되어 있는지, 데이터가 어느 위치에 얼마 만큼 있는지를 모르니 데이터 활용 전문가들은 이들을 일일이 다 확인하고 한곳에 모으는 작업을 해야 합니다. 이런 작업들을 해 줄 별도의 인원을 기업에서 보유하고 있지 않으니 말입니다. 어쩌면 고급 인재들이 아까운 시간을 소모하고 있는 것이라고도 볼 수 있습니다.중소기업에서 생기는 문제는 데이터를 아예 가지고 있지 않거나 또는 데이터를 종이문서에 보관하거나 엑셀 파일 형태로 보관하고 있는 것입니다. 이 역시 데이터를 바로 사용할 수 없으니(데이터를 다 모아서 연결해야 하기 때문에), 이 작업이 선행되지 않은 한 데이터가 없는 것이나 마찬가지 입니다.이 중에서도 가장 최악의 상태는 Excel 파일로 데이터를 보관하고 있는 것입니다. 왜 이것이 가장 큰 문제라고 하냐면, 해당 문서를 작성한 담당자가 퇴사를 한다던가 다른 부서로 전근 배치를 받아서 1~2년이 지나고 나면 데이터를 어디에 어느 파일에 보관하고 있는 지 찾을 길이 없는 경우가 허다하게 발생하기 때문입니다. 차라리 이럴 바에는 종이문서에 적어서 보관하는 편이 나을 수도 있습니다. 그러면 문자인식 AI로 데이터를 다시 불러와서 저장하면 되니 말입니다. 필자의 관점에서 ‘데이터를 보유하고 있다’는 이야기는 ‘MES 서버와 같은 Data Base에 데이터를 보관하고 있다'는 것입니다. 그래서 최근에 ‘데이터 레이크’에 대한 이야기가 많이 회자되고 있는 것입니다.함께 보면 좋을 컨텐츠빅데이터로 가치를 만드는 호수‘데이터 레이크’ 이야기* 출처 : 삼성SDS, 2021>> 자세히 보기#데이터연결분석 #비즈니스데이터 #고객데이데이터는 보유하고 있지만, 연결된 데이터 파일이 아니다?준비되지 않은 데이터세번째로는 데이터를 가지고 있더라도 연결되어 있지 않고 Data 파일로 보관하고 있지 않거나 연결된 Data 파일을 불러올 수 있는 쿼리를 만들어 놓고 있지 않다는 것입니다.우리 속담에 ‘구슬이 서 말이라도 꿰어야 보배’라는 말이 있습니다. 데이터도 마찬가지 입니다. 분석 또는 최적화에 필요한 데이터들이 서로 연결되어 있어야 합니다. 디지털 전환의 가장 핵심은 데이터를 활용하는 것이고, 스마트팩토리 데이터 분석에서도 가장 중요한 개념이 '데이터 연결분석'입니다. 결국 디지털 전환, 스마트팩토리를 구축하는 하는 목적이 이 데이터 연결분석이라고 할 수 있습니다. 그런데 이 데이터 연결분석은 데이터들이 연결되어 있어야 가능합니다. 기업은 연결분석에 필요한 데이터들을 데이터 활용 전문가(빅데이터 전문가와 AI 전문가)들이 언제라도 불러와 사용할 수 있는 상태로 연결된 파일의 형태로 보관하거나 불러올 수 있는 쿼리를 준비해 두어야 빅데이터 분석과 AI 적용이 가능해집니다.아래의 그림은 교육 자료에 사용하는 내용으로, 스마트팩토리 교육 전체 과정에서 가장 중요하고 강조하는 페이지입니다. 통합DB Set 구성을 함에 있어 각 생산 공정별, 검사 공정별로 각각의 생산설비와 검사장비 및 ERP, MES 등에 기록·저장되고 있는 기초 Data를 활용하여 통합DB Set으로 연결하여 구성하도록 강조합니다.(출처 : 변종대 교수)사실 규모가 있는 회사에서는 필요한 모든 빅데이터 분석과 AI를 활용한 최적화 또는 사전관리 모델링·로직을 만들어 내는 데는 불과 며칠의 시간이면 충분합니다. 문제는 ‘우리 기업들이 이 Data들을 한곳에 연결된 형태로 보유하고 있지 않다’는 것입니다.데이터 연결이라 함은 우선적으로 기업 내부의 데이터를 연결하는 것이고, 그 다음은 이 데이터들을 협력사와 고객사의 데이터와 연결하는 것입니다. 공급사슬 내의 모든 Data를 연결해야 하는 것이죠. 이렇게 되면 전체 공급사슬 내에서 연결 분석을 통한 전체 최적화를 시도할 수 있습니다. 또한 공급사슬 내에서 모기업의 생산라인에서 문제가 발생했을 경우, 그 내용이 협력사로 실시간으로 전달되고 협력사에서는 그 정보를 받아서 바로 분석과 조치를 할 수 있는 체계가 만들어 질 수 있는 것입니다.협력사 Smart SCM Data 센터 내에 통합 Data Base 구성 (출처 : 변종대교수)그 다음은 기업 내의 데이터도 공장에서 가지고 있는 데이터(품질 데이터와 생산데이터 등)가 비즈니스 데이터, 고객 데이터와도 연계성을 가지고 연결하여 분석되어야 합니다. 이렇게 될 때 진정한 데이터 분석의 가치가 만들어지는 것입니다.함께 보면 좋을 컨텐츠Data와 AI - 비즈니스 결합 이슈 : AI와 디지털전환.. 왜 생각만큼 발전이 없을까?* 출처 : 동아일보, 2022>> 자세히 보기#이력데이터 #데이터코드 #코드세분화우리 데이터는 Input 데이터라고요?Data의 코드화마지막으로 '이력 Data의 코드화'에 대해 말씀드리겠습니다. 이력 Data는 품질 부적합·불량 이력, 설비 고장 이력, 금형 수리 이력, 가공 툴 점검이력 같은 것들입니다. 이들 데이터는 대부분 결과 데이터 (Output 데이터), Y인자에 해당합니다.대부분의 기업에서 X인자(Input 데이터)는 많이 보유하고 있지만, 결과 Data를 제대로 확보하고 있지 못한 경우가 많습니다. X인자(Input 데이터)의 경우에는 생산설비, 검사설비로부터 데이터를 자동으로 불러와서 저장하는 작업만 진행하면 데이터가 자동으로 모이기 때문에 데이터를 확보하기 쉽지만 Y인자(Output 데이터)인 이력 데이터는 사람이 일일이 직접 입력해야 하기 때문에 많은 데이터를 확보하기가 쉽지 않습니다. 더구나 이 데이터를 데이터 분석에 활용할 수 있는 형태로 보관하고 있어야 하는데 그렇지 못한 것이 더 큰 문제입니다.필자가 컨설팅한 회사의 사례를 예로 들어보겠습니다. 고객 클레임을 기록한 내용을 보았을 때, 문서번호, 접수일자, … 생산로트번호, 불량내역, 원인분석, 개선대책 등 필요한 내용이 대부분 잘 기록되어 있었습니다. 그런데 여기서 문제가 되는 것은 '불량내역', '원인분석', '개선대책' 부분이였습니다. 그 이유는 해당 내용들을 서술어로 기록을 해놓고 있었기 때문입니다. 예를 들어, 불량내용에 대한 기록을 '내용물로 인한 용기 외부 오염'으로 기록해 두고 있습니다. 이렇게 기록해 두면 나중에 이것들을 가지고 나중에 (빅)데이터 분석을 할 수 있을까요? 할 수가 없습니다. 해당 내용을 추후에 데이터 분석을 할 수 있는 상태로 기록해 두어야 합니다. 코드화 해서 기록해 두어야 하는 것입니다. 예를 들어 위의 내용은 그냥 '오염'으로 기록해 두는 것입니다. 컴퓨터 성능이 좋지 못했던 과거에는 각 항목에 대해서 실제로 오염은 Q0001, 스크레치는 Q0002와 같이 직접 코드를 부여하기도 했고 지금도 이렇게 기록하는 기업들도 있습니다. 하지만 컴퓨터 성능이 좋아진 지금은 굳이 기호나 숫자를 이용해서 코드화 하지 않고 문자 자체로 코드화하여 기록해도 됩니다. 그러면 누구나 다 쉽게 코드를 이해할 수 있으니 말입니다. 단, 이 때 유의해야 할 것은 코드화 할 때 '표준화'하는 것입니다.같은 내용인데 어떤 사람은 '스크레치'라 기록하고 어떤 사람은 '기스', '긁힘'이나 '긁힘 불량'으로 기록한다면 컴퓨터는 전부 다른 항목으로 인식하기 때문입니다. 이렇게 표준화한 다음에는 사람들이 잘 못 입력하는 것을 방지하는 체계를 MES 시스템 등에 만들어 두는 것이 좋습니다.예를 들어 표준화한 내용이 '긁힘'이라면 사람들이 '기스'나 '스크레치'라고 잘못 입력하더라도 기록은 '긁힘'으로 기록되도록 만들어 두는 것입니다. 이렇게 코드화 해서 기록한 다음 위에서 서술어로 기록한 내용은 '불량내역 상세내용', '원인분석 상세내용' 과 같이 별도로 기록해 둡니다. 이렇게 해두면 추후에 분석을 할 경우 1차 분석 후 상세 내용을 확인할 때 참고로 활용하면 되는 것입니다.코드 항목의 세분화이력 항목 코드화에서 또 하나 유의해야 할 것은 필요에 따라서는 코드 항목을 세분화 하는 것입니다. 실제 사례를 예를 들어 보겠습니다. 필자가 손 소독제를 만드는 제조기업에서 '코드화' 컨설팅 진행 시, 이 회사의 제품 불량항목 중에 '펌프불량'이라는 항목이 있었는데 이것과 관련하여 담당자와 이야기를 나눈 내용입니다.만약 위의 현상을 전부 다 '펌프불량'이라고 기록해 두면 어떻게 될까요? 나중에 분석하면 제대로 된 결과를 얻기가 어려울 것입니다. 표현은 같은 '펌프불량'이지만 실제로는 모두 다른 형태의 불량이기 때문입니다. 이런 것들은 '펌프불량1', '펌프불량2', '펌프불량3'으로 세가지 내용을 구분해서 기록하는 것이 좋습니다. 그리고 이번에도 MES 시스템에 해당항목을 기록할 때 실수 방지하는 체계를 만들어, 입력 하는 사람이 입력창에 '펌프불량'이라고 입력하면 옆에 동시에 팝업(POP-UP) 창이 떠서 '펌프불량 1, 2, 3'과 그것을 설명하는 메뉴가 떠서 그것들 중 하나는 선택하게 하는 것입니다.디지털 전환에서 가장 근간이 되는 것이 데이터이고, 의미 있고 깨끗한 데이터를 바로 활용할 수 있는 상태로 보유하는 것은 데이터 분석과 AI 활용에 있어서 가장 중요한 기초 작업입니다. 이 기초 작업을 튼튼히 하기 위해 Data 수집에서 몇 가지 중요한 사안들을 언급했습니다. 요약하자면 아래와 같습니다. 첫째, 데이터를 바로 활용할 수 있도록 모든 데이터를 연결하여 하나의 파일로 구성하여 두는 것둘째, 실패 데이터를 절대 버리지 말고 기록해 두는 것셋째, 이력 데이터를 분석이 가능하도록 코드화/ 표준화/ 세분화 하여 기록해 두는 것기고교수 / 이노핏파트너스 변종대 전문교수글 정리 / 이노핏파트너스 마케팅팀디지털 트랜스포메이션 시대에 FIT한 지식 혜택 (베네핏레터는 격주 금요일에 찾아갑니다)beneFIT Letter(베네핏 레터)는 이노핏파트너스의 노하우를 담아 디지털 트랜스포메이션 시대의 '산업별' 핵심 지식, 트렌드를 큐레이션한 뉴스레터입니다. 이 내용을 이메일로 편하게 받아보고 싶으시다면, 구독해주세요!>> 구독하러 가기