인사이트리포트

운영기준정보의 정의

우리는 기준정보란 용어를 일반적으로 사용하면서 그 정의에 대해서 이제는 많이들 이해를 하고 있다. 그런데, 과제 수행 시, 기준정보를 언급하다 보면 운영성 정보 등 그 정의나 범위를 모호하게 표현하는 경우가 많다. 그래서, 기준정보 종류별 정의에 대해 간단히 정리하면 다음과 같다.

이번 칼럼에서 언급하고자 하는 기준정보는 표 마지막에 있는 운영정보에 대한 것이다.

혁신의 기반이 되는 운영정보

운영정보의 정의에서 우리가 주의 깊게 인지해야 하는 부분이 있다.

첫 번째는 프로세스 실행 시 참조되는 기준 값이라는 의미이다.

수요공급계획 수립 시, 영업 부문에서의 판매계획 기준으로 생산계획을 수립할 때 생산 제약 등을 고려해야 실질적인 실행이 가능한 생산계획이 수립된다. 여러 생산 제약이 있겠지만 하루 생산 가능한 정보를 의미하는 대표적인 Capability(CAPA, 능력, 역량)를 예를 들어 설명하겠다. 이 생산 CAPA라는 정보의 정확도가 높으면 높을수록 생산계획의 정확도가 높아지게 되고, 영업 부문으로 회신 주는 RTF(Return to Forecast, 판매 가능량)의 정확도도 높아지게 되어 전반적인 계획에 따른 실행력의 정확도가 높아지게 된다. 그러므로, 생산 CAPA라는 정보는 프로세스의 실행 시 참조되는 기준 값으로의 운영정보이다.

두 번째는 프로세스의 실행 결과를 토대로 한다는 점이다.

CAPA라는 운영정보에 대해 기준을 정의한다고 할 때, 어떻게 산출기준을 수립하고 데이터를 수집하고, 산출 관리할 것인가가 관건이 된다. 생산계획 반영을 위한 계획 CAPA를 정의한다고 할 때 계획 CAPA를 어떻게 정의하고 산출 관리할 것인가? 터무니없이 높은 목표치 개념으로 계획 CAPA를 정의할 경우 실행 불가능한 CAPA 정보를 기준으로 생산계획을 수립하게 될 것이고 이는 생산계획 대비 생산실행 저하로 이어져 결국엔 RTF 정확도 감소, 납기 약속 차질에 의한 기업 경쟁력 감소로 이어질 것이다. 반대로 계획 CAPA를 실적 CAPA로만 정의할 경우 생산계획에 따른 생산실행이 거의 대부분 100%를 달성하게 되어 생산성 향상을 위한 노력들이 줄어들게 될 수도 있게 된다. 따라서, CAPA라는 기준을 어떻게 정의하고, 전사적으로 어떻게 Consensus를 이룰 것인가가 중요해진다. 여기서 중요한 점은 기준을 정의할 때 해당 프로세스의 실행 결과를 토대로 해야 한다는 점이다.

하기 내용은 프로세스 실행 결과를 토대로 한 CAPA 정의 기준이다.

세 번째는 최적값으로 보정되는 데이터라는 점이다.

기준을 정의함에 있어 최적값이다라는 논리적인 기준 없이는 전사적으로 기준에 대한 Consensus를 이루기 힘들다. 생산계획 반영을 위한 계획 CAPA에 대한 기준은 이러이러하며 최적 데이터를 산출하는 기준이다라는 논리적인 근거가 있어야 한다는 것이다. 이렇듯 운영정보는 최적화를 위한 관점이며, 마스터 기준정보와 같이 표준화를 위한 관점과는 차이가 있다. 운영정보는 표준화 관점보다는 최적값 산출을 위해 프로세스 실행 결과, 즉 실적값을 토대로 최적화 로직을 적용하여 최적값을 산출해 내는 것이다. 최적값을 산출하기 위한 논리적인 기준을 수립하다 보면 프로세스 혁신 관점과도 일맥 상통하게 되고 운영정보 최적화가 곧 프로세스 혁신, 경영혁신이 되는 것이다.

우리는 운영기준정보를 어떻게 정의하고 최적화할 것인가?

1. 운영정보 산출 기준 수립

CAPA라는 운영정보에 대해 산출기준을 수립하고, 데이터를 수 및 산출 관리하는 방안에 대해 간단히 예를 들어보고자 한다. 먼저 어떻게 산출할지, 산출로직(기준)을 정의해야 한다. CAPA를 실적 기준으로 할지, 목표치 개념으로 할지 정의할 수 있으며, 여기서는 생산계획 수립을 위한 계획 CAPA 개념으로 정의해 보겠다.

계획 CAPA = 표준 생산수량 Ⅹ 계획용 설비 가동률 Ⅹ 수율(양품률)

□ 표준 생산수량

생산 부문에서 사용하는 지표 중 Standard Time이라는 것이 있다.

Standard Time : 최적 작업 조건에서 최적의 작업방법으로 숙련된 작업자가 정상적
작업 속도로 작업을 수행하는데 필요한 시간

Standard Time도 실적 데이터를 집계하다 보면 편차가 발생하고 그 실적 데이터들이 정규분포를 그릴 경우 ±1σ 내의 값을 표준 Standard Time으로 정의할 수 있고 따라서 표준 생산수량 = 24시간 ÷ 표준 S/T가 된다.

□ 계획용 설비 가동률

하루 단위 설비가 제품을 생산하는데 소요되는 시간에 대한 가동률을 구할 수 있다.

설비에 대한 가동률은 시간 가동률과 성능 가동률로 구분 정의할 수 있다.

• 일별 시간가동률 = 설비 실제 가동시간(A) ÷ 24시간
• 일별 성능가동률 = 실제 제품을 생산하는데 소요된 시간(B) ÷ 설비 실제 가동시간(A)

여기서 설비 실제 가동시간(A)에 대해 일별 실적 데이터를 집계하다 보면 가동 중단 요인 별로 가동 중지 시간을 집계할 수 있다. 가동 중단 요인 별로 실제 제어 가능한 부분이 있고, 제어가 불가한 부분이 있는데, 프로세스 운영을 잘 관리할 경우 발생하지 않을 가동 중단 요인을 제어 가능 요인으로 분류하고 가동 중지 시간에서 제외, 계획용 일별 시간 가동률을 정의할 수 있다.

따라서, 계획용 설비 가동율은 다음과 같이 정의할 수 있다.

계획용 설비 가동률 = 계획 시간 가동율(제어가능 정지시간 제외) Ⅹ 실적 성능 가동률

□ 수율(양품률)

양품의 제품이 생산되는 합격률 실적 반영

2. 데이터 추출, 집계 방법 정의

Standard Time 데이터나 계획용 설비 가동률 산출을 위한 Input Data를 어떤 시스템

에서 어떻게 집계할 수 있는지 확인해야 한다. 또한 산출주기와 산출구간을 정의해야 한다. 산출주기는 일1회, 주1회 등으로 산출하고 산출 구간은 산출일 기준 전일부터 이전 30일 구간 등으로 정할 수 있다.

3. 이상치 및 제거, 보정 기준 수립

운영정보의 실적 데이터에서 이상치(Outlier)의 기준을 정의하고 제거하는 기준을 수립해야 한다. 이상치의 제거 기준이 곧 최적화 로직의 하나가 된다. 이상치는 운영정보 별로 Rule 기준으로 제거할 수도 있고, 통계적 기법에 의해 이상치를 기준으로 제거할 수도 있다. 설비 가동률은 설비별로 30일 기간 중 계속해서 가동되는 메인 설비가 있고 간헐적으로 가동하는 비생산성 관리 설비가 있으며 이러한 차이는 설비별로 가동률에 큰 편차를 발생시킨다. 두 타입별 설비의 가동률을 단순 산술 평균으로 계산하게 되면 전체적으로 설비 가동률의 왜곡을 가져온다. 이에 간헐적으로 가동하는 비생산성 관리 설비의 경우 실제 실적 가동률이 아닌 설비그룹 단위의 가동률을 반영할 수도 있다.  반면에 리드 타임처럼 공정 투입(In)에서 공정 배출(Out)까지 걸리는 시간으로 로직은 단순하지만 데이터로 정의해야 하는데 그 실적 데이터가 편차가 너무 커서 최적화하기가 쉽지 않다. 이러한 경우는 통계적 기법으로 최적화를 할 수도 있다. 실적 데이터의 편차가 너무나 크고 정규분포화가 안될 경우, Boxplot 등 통계적 기법을 통해 IQR을 활용하여 상/하한 값을 벗어나는 경우를 이상치(Outlier)로 정의하고, 이상치를 제거한 값을 취하는 방법 등이 있다.

4. 표준값 신규 기준

신제품이나 신규 설비 등이 발생했을 때의 데이터 산출 기준도 고려해야 한다. 신제품에 대해서는 실적 데이터가 없으므로 유사 제품에 대한 데이터를 반영한다거나 신규 설비 또한 실적 데이터가 없으므로 설비그룹 데이터를 반영한다거나 하는 기준을 수립해야 한다.

5. 내용 정리

지금까지 언급한 내용을 정리하면 다음과 같다.

마치며

지금까지 운영기준정보가 무엇인지, 운영기준정보가 왜 혁신을 위한 방안이 될 수 있는지, 어떻게 최적화할 수 있는지 간단히 살펴 보았다.

프로세스, 경영 혁신을 위해 기준정보 관점에서 운영기준정보에 대해 소개해 드렸으며, 운영기준정보를 최적화하는 것이 곧 프로세스, 경영 혁신을 위한 기반이 됨을 의심치 않는다. 프로세스 운영체계와 Rule이 잘 최적화되어 있어도 운영체계와 Rule이 참조하는 운영기준정보가 정확하지 않으면 계획과 실행은 잘 조화를 이루지 않게 된다. 이에 성공적인 프로세스 혁신 관점에서 운영기준정보의 최적화도 반드시 함께 진행되어야 함을 제언하며 이 글을 마친다.