2030년 세계 4대 제조강국으로의 도약을 위한 정부의 ‘제조업 르네상스’는 스마트공장, 스마트 산단, 인공지능 공장이 그 핵심이다. 스마트팩토리는, 초연결사회, 빅데이터, 인공지능과 대체 어떤 연관성이 있을까? 어떻게 해야 성공 할 수 있을까? 이코노믹리뷰는 오퍼레이션 컨설팅회사인 가온파트너스와 함께 스마트 팩토리의 올바른 이해와 성공적 구축을 위한 명확한 방향제시를 위해 시리즈를 기획했다.

최근 고객사 IT 담당임원과 스마트팩토리 관련 대화를 나누다가 이런 하소연을 들었다. “MES(제조실행시스템)를 구축하고 사용할 수 있는 많은 생산 데이터를 만들어놨더니 현업에서는 그 데이터를 어디에 쓸 수 있겠냐는 반응이다”라고 하면서 현업의 수동적인 자세에 대해 아쉬워했다. 이런 현상은 스마트팩토리를 도입하고자 하는 기업에서 자주 볼 수 있다. 활용을 염두에 둔 데이터의 생성·관리가 아니기 때문에 벌어지는 일이다. 데이터 수집·관리·분석의 목적은 활용이다. 4차 산업혁명 시대 데이터의 활용은 어떻게 이해하고 적용해야 할까? 또 성과를 내는 기업은 데이터를 어떻게 이해하고 활용할까?

빅데이터 시대에 기업이 데이터를 활용하는 방향은 두 가지다. 하나는 오랜 시간 지속 누적된 방대한 용량의 데이터를 분석하여 의미를 찾는 일반적인 빅데이터 분석이다. 새로운 제품과 서비스를 만들 수 있는 고객가치에 대한 발견이 목적이다. 다른 하나는 빠르게 생성되는 정형화된 데이터의 실시간 분석과 가공 및 생산 현장으로의 재반영에 역점을 두는 스마트팩토리를 위한 데이터 처리다. 공장의 효율성을 향상시켜 제조 경쟁력을 확보하기 위함이다. 용도에 따라 데이터 수집·분석의 목적과 방법이 다를 수밖에 없다. 공장은 예측하기 어려운 시장과 달리 정형적이며 정직하다. 공장 자체에서 빅데이터 분석을 통해 지금까지 알지 못했던 새로운 가치가 찾아지는 것이 매우 한정적일 수밖에 없다. 공장 엔지니어가 모르는 문제의 원인을 빅데이터 분석이 찾아주는 것은 불가능에 가깝다. 그렇다면 공장에서 데이터를 활용하는 방법은 뭘까?

먼저 공장에서 데이터의 흐름을 보자. 설비나 원료의 원천데이터 및 센서를 통해 데이터가 수집되고, 전처리 작업을 마친 데이터는 유무선 통신을 통해 데이터베이스로 집계된다. 분석을 통해 나온 결과는 대시보드·HMI 등을 통한 가시화로 정보를 제공하거나, DCS(분산제어시스템)를 통해 이상을 바로잡는다. 이 모든 과정의 목적은 결국 생산성과 품질, 원가, 안전 등 성과를 높이기 위함이다. 데이터 관점에서 보면 더 이상 성과가 나오지 못하는 이유는 두 가지다. 첫 번째는 성과를 창출하는데 필요한 데이터를 얻지 못하는 것이고, 두 번째는 데이터 수집 주기가 길기 때문이다. 디지털 기술은 이 두 가지 제약을 극복할 수 있도록 해준다. 언제든 필요한 데이터를 실시간으로 수집·관리·분석할 수 있게 됨으로써 사후대응에서 사전대응으로 공장운영의 효율성을 극대화할 수 있다.

스마트팩토리가 창출할 수 있는 성과는 다양하다. 설비의 상태를 실시간으로 파악해 고장 전에 미리 대처함으로써 생산성을 높이고, 고질적인 불량의 원인이 되는 인자들에 대한 사전 검출을 통해 품질을 향상시키며, 원료의 상태를 미리 파악함으로써 최적의 배합비를 구성하여 원가를 절감할 수 있다. 성과를 내는 디지털 기술도 다양하지만 기반은 데이터다. 데이터가 중요해지면서 ‘데이터 사이언티스트(Data Scientist)’도 주목 받고 있다. 다뤄야 할 데이터의 양이 많아지고 복잡해지면서 데이터를 수집·관리·분석하는 전문인력이 필요하기 때문이다. 최신 분석 툴(Tool)을 가진 전문 데이터분석가들은 이렇게 요구한다. “무엇을 하고 싶으신가요? 어떤 데이터로 어떤 결과를 원하세요? 분석을 해드립니다.”

목적 없는 분석은 성과를 만들 수 없다. 특히 공장의 데이터는 더욱 그렇다. 그런 이유로 기업들은 도메인 지식을 가진 내부인력을 데이터 전문가로 육성하는 데 힘을 쏟고 있다. 엔지니어들의 데이터 분석역량을 갖추는 것이 필요하지만, 더 중요하고 급한 것이 있다. 성과를 만들 수 있는 스마트과제를 발굴하고, 과제를 해결하는 방안을 도출하며, 해결에 필요한 데이터를 파악하는 능력이다. 데이터의 종류와 주기, 분석의 방향과 예상되는 결과를 만들어내는 것이 훨씬 어렵고 중요하다. 데이터 활용의 목적은 성과다. 그러니 다시 한 번 자문해봐야 한다. 지금 필요한 것은 데이터 전문가인가 문제해결 엔지니어인가, 또는 그 모두인가.