지난주, (사)한국인더스트리4.0협회와 함께 스마트공장 비전공 대학생 취업준비생을 대상으로 진행한
**"스마트공장 비전공자 교육"**이
3일 과정을 마무리했습니다. 1일차 스마트공장의 이해,
2일차 MES/POP 시스템의 구조와 데이터 흐름에 이어,
마지막 3일차는 **"MES/POP 데이터
활용 및 분석"**이라는 이름으로, 실제 제조 현장
데이터를 직접 다루고 분석하는 실습 중심 과정으로 설계했습니다.
3일간의 흐름은 명확한 논리를 따릅니다. 1~2일차에서 스마트공장과 MES/POP의 개념·구조를 익혔다면, 3일차는 그 개념을 실제 데이터 위에서 검증하는
단계입니다. "스마트공장의 완성은 데이터를 모으는 것이 아니라, 데이터로 문제를 해결하는 것" — 이 한 문장이 오늘 교육 전체를 관통하는 메시지였습니다.
통계도, 프로그래밍도 몰라도 됩니다
이 과정의 특징은 비전공 대학생도 부담 없이 따라올 수 있도록 설계했다는 점입니다. 별도의 통계·프로그래밍 사전 지식 없이, 통계 분석 도구 JMP를 활용해 이론(개념 설명) + 사례 분석(Case
Study) + 실습(Hands-on)이 결합된 문제해결형(Problem-based) 학습으로 진행했습니다. 실제 제조 현장에서
수집된 PCB 품질 데이터와 화장품 점도 데이터를 교육용으로 가공하여,
학습자가 데이터 기반 문제해결의 전체 흐름을 처음부터 끝까지 직접 체험하도록 구성한 것이 핵심입니다.
교육을 마친 학습자는 다음 네 가지를 할 수 있게 됩니다.
- MES/POP 데이터의 종류와 구조를 설명할 수 있다
- 품질·공정·영업 데이터의 주요 분석 사례를 이해하고 자신의 문제에
적용할 수 있다
- JMP로 파레토 분석, 가설검정, 이상치 탐지, 예측 모델링 등 기초 통계분석을 수행할 수
있다
- 분석 결과를
근거로 불량 원인을 도출하고 개선 방안을 제안할 수 있다
이는 취업 시장에서 스마트제조 분야가 요구하는 **"데이터
리터러시"**를 미리 갖추는 것과 직결되며, 실제로
이번 과정을 기획하면서 가장 신경 쓴 지점이기도 합니다.
MES 데이터, 왜
중요한가 — 5대 활용 포인트와 9대 데이터 유형
교육은 먼저 MES/POP 데이터가 현장에서 어떻게 활용되는지 다섯
가지 관점으로 정리하는 것으로 시작합니다.
- 설비
종합 효율(OEE) 분석 — 가동률·성능효율·양품률을 종합해 설비 운영 효율을 평가
- 생산
실적 및 진척도 모니터링 — 계획 대비 실제 생산량을 실시간 집계해 납기 지연을 방지
- 공정
조건-품질 상관관계 분석 — 온도·압력·속도 등 작업 조건과 품질 데이터를 매칭해 최적 생산
조건(레시피)을 확립
- 정밀한
이력 추적(Traceability) — Lot·바코드
기준으로 공정 경로를 기록해 불량 발생 시 신속히 역추적
- 작업
흐름 및 대기 시간 분석 — 설비 대기, Setup
Time 등을 분석해 현장 낭비 요소를 제거
그리고 이 다섯 가지 분석의 '재료'가
되는 것이 바로 MES 데이터입니다. 저는 이번 교육에서 MES 데이터를 **Material(자재), Product(제품), Equipment(설비), Process(공정), Material BOM, Work Order(작업지시), Lot(작업 Lot), WIP History(실적), Route Path(공정순서)**의 9개 유형으로 체계화해 설명했습니다. 중요한 것은 이 데이터들이 서로
독립적이지 않다는 점입니다. Lot 번호나 작업지시 번호를 매개로 서로 연결되어 하나의 '생산 이력'을 형성하며, 바로
이 연결 구조를 이해해야 서로 다른 데이터를 결합(Join)해 분석할 수 있습니다.
실습 사례 1 — PCB 품질 데이터: 36개 공정변수 속에서 원인을 찾다
본격적인 실습은 A사의 PCB 제품(SM-001 모델)에 대해 1개월간
자동 비전검사로 수집한 품질 데이터로 시작했습니다. 36개 공정 변수,
1,460개 Lot, 69개 불량항목이라는 실제 현장 규모의 데이터를 놓고, 학습자들은 다음과 같은 질문에 데이터로 답하는 과정을 단계별로 밟았습니다.
먼저 **파레토 분석(Pareto
Plot)**으로 핵심 불량 항목을 선별하고, **카이제곱 검정(Contingency Table)**을 통해 부서별·고객별로 불량
발생율에 유의한 차이가 있는지를 통계적으로 검증했습니다. 이후
Explore Outliers와 P-Chart로 이상치를 걸러내고, CIM 시스템에서 내려받은 현상(Development) 공정의 36개 Parameter 데이터를 품질검사 데이터와 **Lot 번호 기준으로 Join(통합)**했습니다.
여기서부터가 이 실습의 핵심입니다. 불량 개수를 PPM 단위로 변환한 뒤, Response Screening과
Predictor Screening으로 수십 개 변수 중 유의한 인자만을 골라내고, **Fit Model(Stepwise)**로 예측 모델을 구축한 뒤 Profiler로
최적 조건을 시각적으로 탐색했습니다. "많은 변수 중 무엇이 중요한지는 감이 아니라, 통계적 스크리닝과 모델링을 통해 근거를 가지고 판단할 수 있다" —
이것이 사례 1이 학습자에게 남긴 핵심 교훈입니다.
실습 사례 2 — 화장품 점도 데이터: 서로 다른 산업, 같은 분석 원리
두 번째 사례는 업종을 완전히 바꿔, 화장품 제조 Tank의 점도 수정율 개선 문제를 다뤘습니다. 10개 공정 변수를
놓고, 먼저 1개 Lot 생산
시 시간에 따른 공정 조건 변화를 시각화하고, Lot별·변수별
통계량으로 프로파일을 정량화했습니다.
이어 Fit Y by X(로지스틱 적합) 분석으로 10개
공정 변수 중 점도 '수정' 판정에 유의한 영향을 미치는
인자가 **'종료온도'**임을 확인했습니다. 하지만 분석은 여기서 멈추지 않았습니다. 동일한 종료온도에서도 판정이
갈리는 사례를 Subset으로 별도 추출해 들여다본 결과,
**'HOMO 첨가가동시간'**이 13 미만일
때 수정이 발생한다는 2차 원인을 추가로 규명했고, 최종적으로
Fit Model을 통해 수정이 발생하지 않는 '종료온도-HOMO 첨가가동시간' 조건을 도출했습니다.
전자산업(PCB)과 화장품산업이라는 전혀 다른 두 업종이지만, **"현상 관찰 → 변수 탐색 → 통계적 검증 → 최적 조건 도출"**이라는
동일한 분석 원리가 그대로 적용된다는 것을 두 사례를 통해 확인시키는 것, 이것이 이번 3일차 교육에서 제가 가장 강조하고 싶었던 부분입니다.
배운 것을 자신의 언어로 — 팀 프로젝트 실습
이론과 사례 학습에 이어, 4~5인
1팀으로 구성된 학습자들이 제공된 데이터셋 중 하나를 선택해 직접 분석 보고서와 발표자료(PPT)를
작성하고 발표하는 시간을 가졌습니다. 평가는 분석의 논리성, 시각화의
완성도, 그리고 결론의 실무 적합성을 기준으로 진행했으며, 이
과정을 통해 학습자들은 배운 분석 프로세스가 품질뿐 아니라 설비관리, 물류, 영업 데이터 등 어떤 현장 문제에도 동일하게 적용될 수 있음을 스스로 체감할 수 있었습니다.
강사 소개 — 제조 AI 빅데이터
전문가가 설계한 교육
이번 3일차 과정은 제조 빅데이터·AX(AI
전환) 컨설팅 전문가인 배용섭이 직접 설계하고 진행했습니다. 저는 2011년부터 ㈜이노밸류파트너즈 대표로서 제조 현장의 데이터
기반 문제해결을 컨설팅해왔고, 2020년부터는 한국표준협회(KSA) 전문위원을
겸임하고 있습니다. 한양대학교에서 금속공학을, 아주대학교에서
생산관리 MBA를, 단국대학교에서 생산관리 전공 경영학 박사를
마쳤으며, Amkor Technology, Motorola Korea, Kulicke & Soffa
Korea 등 글로벌 제조기업과 한국능률협회(KMAC) 컨설팅 조직에서 실무 경력을 쌓았습니다.
2012년부터 SAS JMP 공인강사로
활동하며 2015년부터는 매월 JMP 빅데이터분석 자격증
과정을 진행하고 있고, 빅데이터 시대에 맞는 6시그마 방법론인 **SSBD(Six Sigma for Big Data)**를 비롯해
Dynamic 6시그마, SSVI, SSTC, 전략적 6시그마
등 독자적인 컨설팅 방법론을 개발해왔습니다. 『데이터 전처리와 통계기초』, 『빅데이터분석·코로노믹스』를 포함한 4권의 저서도 이러한 현장 경험의 결과물입니다.
오늘 소개한 파레토 분석, 카이제곱 검정, Response/Predictor Screening, Fit Model, Profiler 같은 분석 기법들은
모두 제가 실제 컨설팅 현장에서 수백 건의 불량 원인 분석과 공정 개선 프로젝트에 적용해 온 방법론이기도 합니다.
취업을 준비하는 비전공 대학생들이 "데이터로 문제를 해결하는" 이 사고방식을 3일 만에라도 체득한다면, 스마트제조 시대의 현장에서 분명 다른 출발선에 설 수 있을 것이라 믿습니다.
본 과정은 (사)한국인더스트리4.0협회와 함께 진행되었으며, 실습에 사용된 PCB 품질검사 데이터와 화장품 제조 Tank 공정 데이터는 교육
목적으로 가공된 데이터입니다.
