스마트공장 수준 진단 데이터 분석을 통한 업종별 평가영역별 제언

2.1 스마트공장 진단평가모델

스마트공장 진단평가모델은 스마트공장의 수준 및 구성요소에 대해 민관합동스마트공장추진단과 한국생산성본부가 진행한 KS 규격화로 2016년 6월에 제정 고시되었다(Lee, 2018). 스마트공장 진단평가모델 개발의 목적은 (1) 제조업 스마트화 수준을 객관적으로 진단 및 평가하여 맞춤형 스마트공장 구축 방안 제시 및 인증을 위한 스마트 수준진단 도구 제공, (2) 규격화된 종합평가체계(시스템 구축 여부, 생산성 등)를 대기업 등 민간인증과 연계한 스마트공장 관련 표준모델 제시, (3) 스마트공장의 유효성을 객관적으로 입증함으로써 스마트공장 확산기반을 조성하는 데 있다(Woo et al., 2018).

스마트공장 진단모델은 Goal & KPI(Key Performance Indicator) 달성을 위해 <Table 1>과 같이 4대 분야 10개 평가영역(모듈) 46개 세부 평가항목으로 설계되었다. 또한, 스마트공장 종합 진단보고서는 진단모델에 기반을 두고 10개 평가영역에 대한 종합리포트 및 모듈별 진단결과, 개선 이슈를 도출하는 등 기업 제조역량에 대한 종합적이고 입체적인 진단결과를 제공한다.

Table 1.

Smart Factory Evaluation Areas and Detailed Evaluation Items by Evaluation Area

<Table 2>는 제조시스템의 스마트 성숙도 수준을 평가하기 위한 척도이다. 성숙도 수준은 총 5수준으로 구성되었으며, 5점 만점을 기준으로 한다.

Table 2.

Smart Factory Maturity Level and Characteristics

2.2 다중선형회귀분석 모델링

회귀분석은 반응(종속)변수에 대한 설명(독립)변수의 영향력을 예측하는 방법으로 반응변수 변화의 원인을 설명변수로 해석할 수 있다. 반응변수와 설명변수의 관계를 선형적이라 가정한 경우를 선형회귀분석이라 하며 이 모델은 표본데이터에 의한 과적합을 줄일 수 있다(Ryu et al., 2016). 실제 데이터는 변수 하나만으로 회귀분석을 할 수 있는 경우가 매우 드물기 때문에 다음과 같이 다수(p)의 설명변수를 활용한 다중선형회귀분석이 주로 사용된다.

다중회귀분석 모델의 일반적인 형태는 위 수식과 같으며 잔차 ϵ는 기댓값 0과 일정한 분산 σ²의 정규분포를 따른다고 가정한다. 선형회귀분석의 회귀계수를 추정하기 위해 최소제곱법을 사용하며 다음과 같은 오차제곱합이 최소가 되는 회귀계수를 추정한다.

다중회귀분석에서 어떤 설명변수를 회귀식에 포함할 것인가는 중요한 문제 중 하나로서 설명변수를 많이 포함할수록 반응변수의 예측값의 분산과 자료수집 비용이 증가한다. 적절한 설명변수를 선택하는 방법은 대표적으로 3가지가 존재한다.

2.3 LDA 토픽 모델링

잠재 디리클레 할당(Latent Dirichlet Allocation, LDA)은 Blei, Ng, Jordan이 제시한 알고리즘으로 말뭉치의 생성 확률론적 모델이다. LDA는 문서에 대하여 어떤 주제들이 존재하는지를 확률로 표현한 모델로서, 각 주제는 단어 수의 분포를 기반으로 하는 특징을 갖는다(Blei et al., 2003).

<Figure 1>과 같이 Dirichlet parameter α,β를 이용하여 d번째 문서의 초기 토픽 할당 분포인 θ_d와 전체 말뭉치(corpus)의 초기 토픽 할당 분포인 ϕ_k를 설정한다. d번째 문서의 n번째 단어에 할당된 토픽 z_d,n을 깁스샘플링(Gibbs Sampling) 방법을 통해 모든 단어에 대한 토픽 할당 정보가 수렴할 때까지 업데이트하여 ϕ_k와 θ_d의 사후 확률분포를 구한다(Noh, 2020).

Figure 1.

Structure of LDA

LDA 토픽모델링을 위한 토픽 수 K는 사용자가 지정하는 하이퍼파라미터로, 여러 번의 실험을 통해 도출해야 하는 값이며, 특정 확률모델이 실제로 관측되는 값을 얼마나 잘 예측하는지를 뜻하는 perplexity 값으로 도출한다. 이 값이 작을수록 토픽모델이 문서를 잘 반영한다고 할 수 있다(Eum et al., 2019).

3.1 데이터 분류

업종 구분을 위해 수준 진단된 49개 기업의 업종을 한국표준산업분류체계 10차 개정안을 참고하여 각각 중분류, 소분류. 세분류까지 할당하였다. 중분류를 기준으로 12개 업종, 소분류를 기준으로 19개 업종으로 구분되었다. 업종의 대분류가 제조업 하나로 통일되어 있고 중분류별 기업의 수가 많지 않음을 감안하여, 분석의 구체화를 위해 <Table 3>과 같이 임의로 금속, 기계, 섬유화학, 전자, 선박, 자동차의 6개 업종으로 구분하였다.

Table 3.

Distribution of Companies by Industry

3.2 업종별 평가지표 점수 시각화

전반적인 데이터 수준 분포를 확인하기 위해 업종 중분류별 평가영역 평균 수준 점수를 활용하여 <Figure 2>와 같이 히트맵으로 표현하였으며, 고무 및 플라스틱 제품 제조업(C22), 1차 금속 제조업(C24), 전자 부품, 컴퓨터, 영상, 음향 및 통신장비 제조업(C26)이 전반적으로 우수한 점수를 받은 업종으로 나타났다. 또한, 업종과 상관없이 경영 관점의 ‘1. 리더십&전략, 10. 성과’ 영역보다 관리 및 운영 관점 평가영역의 점수가 낮았으며 특히 ‘6. 설비관리’ 영역의 평균 수준이 1.18로 가장 낮게 나타났다.

Figure 2.

Heat Map of Diagnosis Scores by Industry and Evaluation Area

구체적으로 드러나는 특징을 도출하기 위해 ‘업종별로 평가영역 수준에 차이가 있다’라는 가정하에 임의로 구분한 6개 업종별 데이터와 전체 데이터의 평가영역별 평균 수준 차이를 <Figure 3>과 같이 막대그래프로 나타내었다. 선박업종은 전 영역에서 편차가 양수로 평가영역별 평균점수가 가장 우수하였고, 반대로 기계업종의 평가영역별 평균점수가 가장 낮게 나타났다. 섬유화학업종 또한 다 영역에서 미비한 수준으로 나타났다.

Figure 3.

Mean Deviation of Evaluation Area Score by Industry

<Figure 4>는 스마트수준이 가장 낮은 기계업종의 전체평균과 평가지표별 평균 차이를 나타낸 것으로, 기계업종의 전체 평균 수준(1.5)과 비교하여 평가지표별 편차를 확인한 결과, 1. 리더십&전략, 8. 정보시스템, 10. 성과 영역을 제외한 항목에서 평균 수준보다 낮음을 확인하였다. 특히 <Figure 3>과 비교하여 타 업종보다 5. 품질관리와 6. 설비관리 영역에서의 수준이 낮음을 확인하였다.

Figure 4.

Difference between Industry Average and Evaluation Index Average

3.3 기업 규모의 영향성 파악

3.2절에서 나타난 특징들이 기업규모의 영향을 받아 나타났을 가능성을 파악하기 위해 <Figure 5>와 같이 업종별 기업규모의 비율을 도출하였다. 기업의 규모는 중소기업벤처부에서 발행한 중소기업 범위해설집 내 업종별 규모기준을 참조하였으며, 매출액을 기준으로 대, 중, 소로 분류하였다. 평균 종합점수가 낮은 기계, 섬유화학 중 기계업종에서는 규모가 중, 소인 기업 수가 많음을 확인하였다.

Figure 5.

Number of Companies by Industry Type and Company Size

구체적인 규모의 영향성 파악을 위해 기업규모와 종합점수의 상관관계를 매출액과 종합점수 관계, 근로자 수와 종합점수의 관계 두 경우로 관계를 파악하였다. 아웃라이어는 각각 5개(매출액 3천억 원 이상, 근로자 수 600명 이상 기업)를 제외하고 상관분석을 실시하였다. 매출액과 종합점수, 근로자 수와 종합점수 두 경우의 상관계수가 각각 0.65, 0.62로 기업규모와 스마트 수준이 대체로 비례하는 것으로 나타났다. 각각 44개 진단기업의 분포는 <Figure 6 (a)>, <Figure 6 (b)>과 같다.

Figure 6.

Correlation with Smart Score

3.4 업종별 분석 종합 및 제언

업종별, 규모별, 평가영역별을 엑셀을 활용하여 간단히 분석해본 결과 분석에 활용된 6가지 업종 중 기계업종의 수준이 가장 낮음을 확인할 수 있었으며, 대부분의 평가지표영역 중 1. 리더십&전략 및 10. 성과 영역을 제외한 8가지 영역의 평균 수준이 1.5 내외인 것으로 나타났다. 업종별로 분류된 기업규모를 파악해보았을 때, 중소기업의 수가 다른 업종에 비해 많았던 기계업종의 수준이 낮았으며, 상관분석을 통해 스마트 수준이 규모에 영향을 많이 받음을 확인하였다. 따라서 스마트공장 지원사업을 시행하는 기업은 위와 같은 분석결과를 참고하여 업종뿐만 아니라 규모에 따른 지원사업, 특히 중소기업 맞춤형 지원사업과 같은 특화사업에 중점을 둘 필요가 있다.

또한, 임의로 구분한 업종 내에서도 동일업종이지만 회사의 특성(뿌리기업 혹은 가공기업)에 따라서 프로세스의 차이가 존재한다. 따라서 그에 맞춰 지원사업이 더 세부적으로 구성될 필요가 있다.

4.1 업종별 토픽 도출

스마트공장 수준 진단보고서에서는 수준 진단뿐 아니라 평가영역별로 개선기회가 제시되어 있다. 그러나 이 개선기회를 도출하는 과정에서 컨설팅을 추진한 기업 또는 2~3명의 컨설턴트로 구성된 진단팀마다 기준이 다른 개선 방향을 제시할 수 있다. 이에 스마트공장 수준 개선을 위해 컨설턴트들이 제시한 전반적인 개선방향을 파악하고자 하였다. 분석은 평가영역이 다른 1개의 보고서를 제외한 48개 보고서를 대상으로 하였고, 토픽모델링 분석을 통해 업종별 중점영역과 차이점을 살펴보았다.

<Table 4>는 업종별 보고서 수 및 제시된 개선기회의 수^*를 나타낸 것으로, 수준이 낮았던 기계업종과 섬유화학업종의 개선기회 수가 타 업종에 비해 많은 것을 알 수 있다.

Table 4.

Number of Reports by Industry and Number of Opportunities for Improvement

R 프로그램을 이용하여 LDA 토픽모델링 분석을 실시하였으며, 사용된 패키지는 KoNLP, tm, topicmodels, lda, slam, doparallel, parallel, ggplot2, LDAvis, stringr, servr, MASS이다.

적절한 토픽의 수를 결정하기 위해 <Figure 7>과 같이 모든 데이터가 최소 한번은 test set으로 쓰이도록 하는 5-fold Cross Validation을 활용하여 perplexity 값을 도출하였다. <Figure 7>에서 x축은 토픽의 수, y축은 perplexity 값을 의미한다. 토픽 수 K는 perplexity의 값이 가장 작은 12로 지정하였으며, 토픽별로 10개의 단어를 뽑아 토픽을 구성하도록 설정하였다.

Figure 7.

Perplexity for Determining the Number of Topics

<Table 5>와 같은 결과가 도출되었으며, 업종별로 어느 토픽에 중점을 두고 있는지 파악하기 위해, 해당하는 토픽 내 단어의 출현빈도를 업종별로 <Table 6>과 같이 나타내었다.

Table 5.

Topics Derived from Main Terms

Table 6.

Number of Documents by Industry

금속업종에서는 토픽 V7에 해당하는 단어가 가장 많이 출현하였으며, 기계업종에서는 V11, 선박업종에서는 V6, 섬유화학업종에서는 V11, 자동차업종에서는 V12, 전자업종에서는 V11에 해당하는 단어가 가장 많이 나왔다. 예를 들어, 토픽 V1에 해당하는 단어가 1개라도 있는 금속업종의 개선기회의 수는 35개이다.

4.2 업종별 개선기회 종합 및 제언

컨설턴트가 제시한 개선기회는 해당 기업이 나아가야 할 개선점임과 동시에 컨설턴트들의 평가 기준이 반영된 것으로 볼 수 있다. 비록 서로 다른 기업 및 컨설턴트의 개선기회라 할지라도, 기업의 스마트 수준 종합점수에 큰 차이가 없다는 가정 하에 비슷한 개선기회가 제시될 수 있다. 따라서 진단보고서에 기술된 개선사항 내용을 바탕으로 LDA 토픽모델링을 실시하여 나온 결과 또한 48개 기업에 대한 전반적인 평가라 볼 수 있다.

업종별로 어느 토픽에 중점을 두고 있는지 파악한 결과, 종합점수가 낮았던 기계, 섬유화학, 전자업종이 데이터 자동수집 및 등록시스템 구축과 관련한 토픽(V11)이 중요함을 알 수 있었다. 더불어 한 제품에 필요한 비용이 가장 큰 선박업종이 예지보전 모니터링 및 교육(V6)에 중점을 둔다는 점, 제품 제작에 부품이 다량 필요한 자동차업종은 ATO(Assemble to order) 생산이 주를 이뤄 납기준수와 같은 목표달성을 위한 생산업무 기능 강화(V12)에 중점을 둔다는 점, 온ㆍ습도 및 자재 함량에 민감한 금속업종은 실시간 데이터 연계(V7)에 중점을 둘 필요가 있다는 점을 제시하고 있다고 추정할 수 있다. 스마트공장 지원사업을 시행하는 기업들은 이러한 결과를 참고하여 업종별 지원 내용에 중점을 둘 필요가 있다.

그러나, 종합진단 보고서의 개수가 적고, 영역별 개선기회의 양이 적은 것이 한계라 볼 수 있다. 종합진단 보고서가 축적된다면, 보다 의미 있는 결과가 도출될 것이다.

5.1 기업별 우선추진분야 제시

스마트공장 영역별 전략을 제시하여 기업들이 진단모델을 효과적으로 활용하도록, R프로그램을 이용하였으며, psych, car 패키지를 활용하여 단변량 다중회귀분석 모델 기반 변수중요도를 탐색하였다. 단변량 다중회귀분석 모델은 두 개 이상의 독립변수(X)와 종속변수(Y)간 영향 관계를 설명하고, 도출된 회귀모델 식을 이용하여 종속변수 값을 예측하는 데 활용된다. 따라서 다중회귀분석을 통해 스마트 종합점수(Y)에 중점적으로 영향을 미치는 평가영역점수(X)를 도출한 후, 기업들이 우선으로 고려할 발전 영역을 제시하고자 한다.

(1) 분석 절차

<Table 7>과 같이 독립변수 X는 10개 부문 평가영역 점수, 종속변수 Y는 100점 기준 기업의 종합점수로 지정하였으며 종속변수는 연속형 범주이다. 49개 기업 중 스마트 종합점수가 누락된 기업 및 평가영역 점수에 N/A 값이 있는 9개 기업의 데이터를 제외한 총 40개 기업을 대상으로 분석을 진행하였다. 유의변수 선정에는 설명변수가 아무것도 없는 모델부터 유의한 변수부터 하나씩 추가해 나가는 전진선택법을 활용하였다. ANOVA로 전체 설명변수가 포함된 모델과의 설명력 차이를 비교하고 독립변수들 간에 상관관계를 확인하여 다중공선성이 존재하지 않는 최종 회귀모델을 구축하였다.

Table 7.

Variable Definition

(2) 분석 결과

전진선택법을 이용한 회귀모델 구축 및 분석 결과, 종합점수에 주로 영향을 미치는 유의한 평가영역은 10개의 평가영역 중 3. 생산계획, 6. 설비관리, 9. 설비자동화, 10. 성과 영역으로, p-value가 0.05보다 작은 것으로 확인되었다. 또한, 회귀모델의 R² 값이 0.84로 84%의 설명력을 지니고 있으며 전체 변수가 포함된 모델과 비교해 보았을 때 설명력의 차이가 존재한다. 최종 회귀모델은 독립변수 간에 강한 상관관계가 나타나서 유의한 변수도 유의하지 않다고 결론을 도출할 확률이 생기기 때문에 다중공선성이 존재하지 않아야 한다. 유의한 변수들의 분산팽창요인(VIF, Variance Inflation Factors)값이 10을 넘으면 다중공선성에 문제가 있는 것으로 판단하지만, 본 회귀모델은 <Table 8>과 같이 VIF 값이 10보다 작으므로 다중공선성이 존재하지 않는 것을 알 수 있다.

Table 8.

Detecting Multicollinearity Using Variance Inflation Factor

따라서 주요요인을 ‘3. 생산계획, 6. 설비관리, 9. 설비자동화, 10. 성과’로 도출할 수 있었다. 스마트제조혁신추진단에서 발표한 스마트 수준 자가진단지에서도 평가영역별로 가중치가 다른 것을 감안할 때, 높은 스마트 수준을 얻으려는 목표를 가진 스마트공장 미구축 기업이나 도입을 했음에도 불구하고 기초수준(1~2수준)인 기업들에 네 가지 평가영역(3. 생산계획, 6. 설비관리, 9. 설비자동화, 10. 성과)의 우선 관리체계를 구축한다면 향후 기업들의 빠른 스마트공장 수준 향상을 도모할 수 있을 것이다.

예를 들어, A기업의 목적이 스마트수준 향상이라면 4개 영역의 일부인 6. 설비관리 영역의 개선을 강조할 수 있으며, 강조 방식으로는 세부 평가항목의 설비가동관리를 평가할 수 있는 설비성능가동률을 핵심성과지표로 설정한 후 표준 사이클 타임을 집중적으로 관리하도록 지시할 수 있다.

$\[ \begin{array}{c}\mathrm{설}\mathrm{비}\mathrm{성}\mathrm{능}\mathrm{가}\mathrm{동}\mathrm{률}\hfill \\ =\frac{\mathrm{ }\mathrm{ }\mathrm{생}\mathrm{산}\mathrm{수}\mathrm{량}\times 1\mathrm{개}\mathrm{생}\mathrm{산}\mathrm{량}\mathrm{의}\mathrm{표}\mathrm{준}\mathrm{사}\mathrm{이}\mathrm{클}\mathrm{타}\mathrm{임}\mathrm{ }\mathrm{ }}{\mathrm{가}\mathrm{동}\mathrm{시}\mathrm{간}}\times 100\mathrm{\%}\hfill \end{array} \]$

5.2 융합개선분야 제시

관리영역이 연관됨으로써 융합개선의 기회가 있는 분야를 찾아 기업들에게 제시할 필요가 있다. 이를 위해 R 프로그램을 이용하여 변수 상관관계 분석을 시행하였다. <Table 9>와 같이 평가영역 중 물류운영(X7)과 정보시스템(X8), 제품설계(X2)와 정보시스템(X8), 제품설계(X2)와 물류운영(X7)이 각각 0.77, 0.76, 0.73으로 강한 상관관계가 나타났다. 각 기업의 두 점수를 시각화하여 나타내면 <Figure 8(a)>, <Figure 8(b)>, <Figure 8(c)>와 같다.

Table 9.

Correlation between 10 Evaluation Area Scores

Figure 8.

Strong Correlation between Evaluation Areas

5.3 개선영역 분석 종합 및 제언

스마트공장 시스템 도입의 가장 큰 우려사항은 투자비용에 대한 부담이며(Chang et al., 2019) , 중소기업들은 특히나 스마트공장 구축사업 진행 시 투자의 동반이 필수적이다. 본 분석은 주요 요인분석을 시행하여 스마트 수준에 가장 영향을 많이 미치는 평가영역을 도출하고 영역별 상관관계 분석을 시행해 융합적 개선이 가능한 영역을 도출하였다. 분석을 통해 도출된 영역을 바탕으로 우선적인 개선을 시행한다면, 적은 노력으로 스마트 수준을 빠르게 향상할 수 있다. 향후 이러한 분석결과를 참고하여 영역별 투자비의 차이를 두거나 집중 투자와 같은 전략을 가진 스마트공장 구축사업을 진행한다면 투자 대비 효과의 명확한 확보를 보장하는 사업이 기대된다.