통계 도로와 비즈니스 의사결정 대로 교차로에 오신 여러분을 환영합니다. 공동 발표자 후안 리베라에게 간략하게 인사드립니다. 후안과 저는 팀을 이루어 이 발표를 진행했지만, 후안은 제가 발표를 진행하도록 허락해 주셨습니다. 애리조나주 투손에 위치한 피즈덱 연구소(Pyzdek Institute)에 대해 간략하게 소개해 드리겠습니다.
전 세계 여러 곳에 직원들을 배치하여 엔지니어링 통계, 린 식스 시그마 등 다양한 고객과 다양한 산업 분야에 대한 교육을 제공합니다. 사실 이 부분이 매우 중요한데, 오늘 저희가 다양한 산업 분야의 고객들과 함께 쌓아온 경험을 공유하고, 이를 통해 고객들이 조금이나마 배우는 데 도움이 되기를 바랍니다. 마지막으로, 저희는 JMP 파트너가 되었습니다. JMP 파트너가 되어 매우 기쁩니다. 앞으로 더 발전해 나가겠습니다.
좀 더 쉽게 설명하자면, 이 프레젠테이션은 사실 2020년 투싼의 JMP Discovery에서 진행했던 "린 스트리트와 통계 도로 교차로에서(At the Corner of Lean Street and Statistics Road)"라는 제목의 프레젠테이션의 후속작입니다. 이 프레젠테이션은 그 후속작입니다. 혹시 보고 싶으신 분은 jmp.com에서 녹화 영상을 보실 수 있습니다. 그리고 그로부터 몇 년 후인 2022년에 후안과 저는 ASQ 린 식스 시그마 컨퍼런스에서 "설계 실험을 위한 오류 방지(Error-proofing for Design Experiments)"라는 제목의 프레젠테이션을 진행했습니다. 다시 한번 말씀드리지만, 고객으로부터 배우고 다른 사람들이 실수에서 배우도록 돕고자 하는 것입니다.
발표 목표요? 네, 맞아요. 저희는 이 문제를 꽤 오랫동안 연구해 왔습니다. 다년간의 연구죠. 저희가 하려는 것은 바로 이 질문에 답하는 것입니다. 왜 통계적 방법이 제대로 작동하지 않고 결국 나쁜 평판을 얻게 되는 걸까요? 저희도 그 사실을 직접 경험하고 있습니다.
제가 정규직으로 일할 때, 제가 공장 현장에서 뭔가 잘못해서 사장님이 화를 내곤 합니다. 어떻게 하면 그런 실수에서 교훈을 얻고 예방책을 마련할 수 있을까요? 오늘 우리가 이루고자 하는 것은 바로 그것입니다.
아주 간단한 형식입니다. 다섯 가지 주요 결과를 여러분과 공유하고자 합니다. 각 결과에는 사례 연구가 포함되어 있습니다. 저희가 다룰 내용은 고객이 어떤 행동을 했는지, 그 행동으로 인해 고객이 어떤 결과를 겪었는지, 그리고 저희가 어떻게 문제를 해결하고 재발을 방지할 수 있었는지에 대한 내용입니다.
자, 첫 번째 발견입니다. 요약하세요. 중요한 건 통계가 아니라 비즈니스 자체입니다. 우리가 목격한 공통적인 주제입니다. 문제의 근본 원인은 큰 그림을 보지 못하는 데 있다고 요약할 수 있습니다.
사례 연구입니다. 첫 번째 사례 연구입니다. 이 회사는 전력 케이블에 방수용으로 사용되는 테이프를 만듭니다. 맨 위 사진에 보이는 테이프가 정말 멋지죠. 물이 있으면 모든 것이 부풀어 오르는데, 이 테이프는 물을 이용해서 물을 차단합니다. 정말 멋진 제품입니다. 부직포, 바인더 등과 혼합된 초흡수성 폴리머를 사용합니다.
목표는 해수 성능에 맞춰 제품을 최적화하는 것이었습니다. 담수에서는 이 테이프가 매우 잘 부풀어 오르지만, 해수에서는 그렇지 않습니다. 그들은 지하수, 특히 염분이 있는 지하수가 있는 지역에 전력 케이블을 매설하려는 누군가에게 기술적 과제를 안겨주었습니다.
그들은 통제 가능한 요소들을 가지고 있었습니다. 부직포 기판의 무게를 조절할 수 있었고, 초흡수제 입자 크기도 어느 정도 조절할 수 있었습니다. 초흡수제는 다양한 크기로 제공됩니다. 모든 것을 접착하는 데 사용되는 접착제와 접착제의 양, 그리고 물이 스며들도록 부식 방지제를 첨가해야 했습니다. 부식 방지제는 침식을 방지합니다.
상당히 단순하고 직관적인 디자인이지만, 케이블에 물이 들어가면 큰일이 날 정도로 중요한 제품입니다. 이 스케치에 따르면, 그들의 대응책은 특정 염도의 소금물이 케이블로 유입되는 것을 최소화하는 것이었습니다. 이빨을 빼고 방수 테이프를 노출시킨 후, 높은 물탱크를 사용하여 압력을 가하고 물이 케이블 속으로 얼마나 깊이 들어가는지 확인합니다. 물론, 그들은 물이 너무 깊이 들어가는 것을 원하지 않습니다.
그들이 한 일은 설계 실험을 진행하는 것이었습니다. 좋습니다. 예측 프로파일러를 살펴보면 기판 무게, 입자 크기, 결합량, 억제제 양, 그리고 결합 유형, 즉 모든 것을 붙이는 데 사용한 접착제의 종류를 알 수 있습니다.
그들은 실험을 진행하여 최대 바람직성을 달성했고, 물 침투가 덜하다는 이유로 Bonding Agent 2를 선택했습니다. 테이프 디자인을 수정하고 다음 프로젝트로 넘어갔습니다. 일상적인 사례 연구이고, 많은 사람들이 이와 비슷한 작업을 합니다.
하지만 몇 달 후, 그들은 갑자기 세 번의 번개를 맞았습니다. 우선, 초흡수재의 입자 크기가 이리저리 떠돌았는데, 그들은 그것을 알아차리지 못했습니다. 기질 부직포의 무게 차이로 인해 몇 가지 문제가 발생한 특별한 이유가 있었습니다.
설상가상으로, 안전 관리자는 특정 성분, 즉 특정 폼폰이 유럽 시장에서 더 이상 허용되지 않는다는 통보를 받았습니다. 안전 관리자는 제품 설계를 염수 성능에 최적화하기 위해 방금 선택한 Bonding Agent 2의 사용을 즉시 중단하라는 지시를 내렸습니다. 와우!
결과가 있었죠. 패닉 스위치였죠. 접합제 2에서 접합제 1로 바꿔야 했어요. 입고 재료 시험이 시작됐고, 사람들은 서로 비난했어요. 와장창 터졌어요. 요점은, 통계적 방법과 실험 설계가 평판에 타격을 입혔다는 거예요. 아, 그 DOE가 효과가 없었네요. 왜 그럴까요?
참고로, 다른 사례 연구를 공유하자면, 최적화된 선호도를 사용하면서 예상치 못한 결과들이 있다는 것을 알게 되었습니다. DOE를 실행하고 선호도를 최적화했지만, 에너지 비용이 크게 증가하거나 작업 공간이 작업자에게 위험할 정도로 뜨거워지고, 기계 고장으로 인한 유지보수 비용이 증가하는 기업들을 보았습니다. 때로는 기계 소음뿐만 아니라 제품을 판매하는 고객까지 깜짝 놀라게 하는 경우도 있었습니다.
저희가 생각해 낸 첫 번째 예방책은, 이 고객을 돕고 저희 경험을 통해 알고 있는 정보를 활용하고자 했던 것입니다. 첫 번째 예방책으로, 극대화된 바람직성(Maximized Desirability)을 매우 신중하게 사용할 것을 권장합니다. 이 방법으로 문제를 겪는 사람들을 많이 봤습니다.
실제로, 많은 양의 응답이 있거나 재무적 응답, 기술적 응답, 상업적 응답 등 여러 가지 복잡한 상충 관계가 있는 경우에만 이 기능을 사용하는 것이 좋습니다. 따라서 사용 시 약간의 주의를 기울이시기 바랍니다.
두 번째 예방책은 실험 계획이 개별적인 활동이라는 점을 인정하는 것입니다. 실험 계획은 프로세스를 개선하고, 프로세스를 이해하고, 프로세스를 최적화하기 위해 고안된 가장 훌륭한 방법 중 하나이지만, 개별적인 활동입니다.
공급업체에서 제공하는 입자 크기 등의 SPC 관리도를 사용했더라면 많은 어려움을 겪지 않았을 것입니다. DOE와 SPC는 정말 훌륭한 팀워크를 이루며, 가능하다면 함께 협력해야 한다고 생각합니다.
세 번째 예방책은 워크플로 정책을 고려하는 것입니다. 이 회사는 엔지니어들이 모든 일을 제대로 하고 실험도 하고 그런 모든 것을 하도록 했습니다. 하지만 몇 가지 실수가 있었습니다. 공급망 담당자들과도 이야기를 나눠야 했습니다. 저희가 추천하는 것은 몇 가지 정책, 즉 회사 정책을 수립하는 것입니다. 실험을 진행하게 될 겁니다. 방법은 다음과 같습니다. 저희가 생각해 낸 아이디어인데, 단계별로 나눠 보겠습니다.
각 단계마다 서로 다른 사람들을 참여시키고 싶을 테니까요. 예를 들어, 한 회사는 "이 세 단계를 활용하겠습니다. 먼저 작업하고, 몇 가지 작업을 하고, 수집한 데이터를 평가한 다음, 몇 가지 사업적 결정을 내릴 것입니다."라고 말했습니다. 결국 오류 방지 단계를 포함한 몇 가지 시각적 표준을 만들었습니다.
처음에는 소규모 인원으로 시작했습니다. 실험을 설계하고 데이터를 수집하는 등의 일을 하는 사람들이 모였죠. 그 시점에 대규모 인원을 투입하는 건 바람직하지 않습니다. 공급망 관리도 그 시점에 포함되는 걸 원치 않습니다.
그런 다음 두 번째 단계로 넘어갑니다. 여기서 공급망 담당자, 안전 담당자, 운영자, 감독자 등 추가적인 인력을 투입하여 데이터를 평가하기 시작합니다. 이 시점부터는 과도한 협업이 필요합니다. 수집한 데이터를 이렇게 평가합니다. 몇 가지 단계를 거칩니다. 데이터가 좋으면 한 가지 조치를 취하고, 좋지 않으면 다른 조치를 취하는데, 이 모든 것은 정책을 수립하기 위한 것입니다.
마지막 단계에서는 해수면 수위 등을 포함한 모든 이해관계자를 참여시켜 최종 결정을 내려야 합니다. 만약 처음부터 그렇게 했다면, 그 모든 어려움을 피할 수 있었을 것입니다.
네 번째 예방책으로, 일부 기업들은 "모두에게 DOE를 가르치겠습니다."라고 말합니다. 아마 최선의 방법은 아닐 겁니다. 각 DOE는 독립적인 과목이지만, 통계적 사고의 일부로 가르치는 것이 좋습니다. 사람들이 단순히 실험 설계를 하는 것이 아니라 모든 것을 분석하고 분석하도록 하려면 어떻게 해야 할까요?
원자재 성능을 살펴보고, 공정 중심 연구를 검토하고, 계측기가 제대로 작동하는지 확인하세요. 공정에 귀인 가능한 원인 변동이 있는지 확인하고, 이러한 모든 기술, 신뢰성 분석 등을 교육하세요. 이것이 저희가 권장하는 네 번째 예방 조치입니다.
사례 연구 1의 섹션 요약은 다음과 같습니다. 응답 데이터를 수집한 후, 통계의 세계에서 비즈니스의 세계로 여러분을 안내하는 것이 저희의 권장 사항입니다. 스팍 씨가 JMP 그래프 빌더를 처음 봤을 때의 사진이 있습니다. 마치 저와 비슷하네요. 와, 정말 최고예요! 농담은 그만하고, 앞서 설명한 것과 같은 문제를 피하기 위해 이렇게 하는 것을 권장합니다.
두 번째 발견은 다음과 같습니다. 요약하자면, 사양을 충족하는 것이 최종 목표는 아닙니다. 많은 고객이 사양을 좇다가 문제에 직면하는 것을 봅니다. 그들은 사양에만 집중하기 때문입니다. 제 생각에 근본 원인은 다구치를 이해하지 못하는 것입니다. 이 부분에 대해서는 나중에 자세히 설명하겠습니다.
이 인용구를 여기서 꺼내고 싶은 이유는, 이 인용구가 매우, 매우 큰 의미를 지닌다고 생각하기 때문입니다. 경영진부터 생산 현장에 이르기까지 모든 사람은 도널드 휠러의 저서 『통계적 공정 관리의 이해』에 나오는 품질 역설에 대해 생각해 보아야 합니다. 그래서 우리는 이 역설에 도달하게 됩니다. 경영진이 사양 준수를 목표로 삼는 한, 그 목표를 달성할 수 없습니다. 경영진의 행동이 사양 충족이 만족스럽다는 신호를 보내면, 제품은 반드시 기대에 미치지 못할 것입니다.
훌륭한 말씀입니다. 저희의 관찰과 고객으로부터 얻은 교훈은 도널드 휠러가 말했듯이 이러한 품질의 역설을 뒷받침합니다. 사례 연구를 하나 들어보겠습니다. 저는 폴리카보네이트 부품을 가공하는 CNC 공정을 담당했습니다. 회사는 상당히 복잡한 부품에 대한 대량 주문을 받았는데, 일반적인 기계공 수준의 대응을 보였습니다. 부품의 형상, 두께, 각도, 표면 마감 등이 정확해야 했습니다.
그들이 한 일은 주문을 받고 "공정에 대한 통제력이 생겼습니다. 사양도 정해졌고요."라고 말한 것입니다. 그들은 오래된 공정 능력 분석 결과를 찾아냈습니다. 여러분, 보세요. CPK가 1.357이었던 옛날에 말이죠. 30개 샘플을 기준으로 한 값입니다. 그들은 공정의 안정성과 예측 가능성을 확인하기 위해 SPC 사전 연구를 했어야 했다는 사실을 거의 알지 못했습니다.
그들은 CPK의 신뢰 구간을 살펴보지 않았습니다. 이는 항상 놀라운 일입니다. 그 후, 그들은 시간 경과에 따른 프로세스의 진행 상황을 살펴보지 않았습니다. 다시 말해, 이산적인 프로젝트가 발생합니다. 공정 능력 분석은 이산적이고, 그들은 그 후에 진행했습니다.
그들은 자신들이 발견한 데이터를 바탕으로 모든 것이 괜찮다고 결론지었습니다. 네, 보세요, 우리는 사양을 충족할 역량을 갖추고 있습니다. CPK가 1.3보다 높으면 성공을 어느 정도 보장할 수 있다는 것을 확인했습니다. 당연한 이야기죠. 사람들이 항상 그 이야기를 하니까요.
그들은 주문을 받고, 부품을 만들고, 제품을 조립하고, 출고하여 다음 주문을 처리할 수 있었습니다. 이해할 만합니다. 하지만 여기에는 몇 가지 근본적인 진실이 있습니다. 우선, 기존 PCA 연구를 위해 수집한 부품은 편의를 위해 수집되었을 뿐, 전체 프로세스를 제대로 반영하지 못했습니다.
플라스틱 가공 분야에서는 금속 가공 분야만큼 냉마모에 대해 크게 걱정할 필요가 없습니다. 시간이 지남에 따라 변하는 요소들이 있기 때문입니다. 또한 CPK 지수의 하한 신뢰 구간이 0.89라는 사실도 깨닫지 못했습니다. 다시 말하지만, 공정 능력은 이산적입니다. 시간 척도가 없습니다.
1년 전에 배운 내용은 주문을 받았을 당시 프로세스가 어떻게 진행되었는지에 대해 실질적인 정보를 제공하지 못했습니다. 프로세스가 통계적 관리 상태에 있지 않다는 사실도 거의 알지 못했습니다. 이것이 PCA의 전제 조건 중 하나입니다. 프로세스가 관리 상태에 있다면 이러한 지수는 사실상 큰 의미가 없습니다.
또 다른 문제는 그들이 사용했던 사양이 임의적이었다는 것입니다. 허용 오차 범위 내에서 설정되었고, 그 사양은 고객을 만족시킬 수 있는 능력을 제대로 반영하지 못했습니다. 이는 저희의 고객 경험에 비추어 볼 때 매우 흔한 현상입니다.
몇 주 후, 고객들은 일부 부품을 조립할 수 없게 되었습니다. 기계의 플라스틱 부품이었는데, 조립 부품의 일부였기에 제대로 조립할 수 없었습니다. 분쟁은 치수 등의 문제로 시작되었습니다. 부품을 생산하는 공급업체는 측정 무결성이나 공정 관리에 대한 아무런 증거도 없었습니다. 그들은 "고객님, 저희 CPK 지수는 1.357입니다."라고 말했습니다. 고객, 즉 구매자는 "또 뭐가 있겠습니까? 그건 아무 의미도 없습니다. 또 뭐가 있겠습니까?"라고 물었습니다. 그들은 곤경에 처했습니다. 결과는? 높은 가격 또는 불량품이었습니다.
다시 한번 말씀드리지만, 이 프레젠테이션의 요점은 항상 통계적 방법이 타격을 입는다는 것입니다. 일이 잘못되고, 결정이 내려지고, 통계적 방법은 타당합니다. CPK 지수 계산은 상당히 간단합니다. 그 모든 타당성에는 이의가 없지만, 타격을 입는 것은 바로 방법입니다. 생산, 관리, 영업 등 모든 분야의 사람들의 평판은 통계의 또 다른 실패입니다.
어떻게 해야 할까요? 문제가 생겼습니다. 첫 번째 예방책은 타구치 손실 함수를 이해하는 것입니다. 피즈덱 연구소에 따르면, 타구치 손실 함수는 누구나 숙달해야 할 가장 중요한 개념 중 하나입니다. 아주 간단하게 말해서, 중간 지점, 즉 정확히 목표 지점에 도달하면 손실을 최소화할 수 있다는 것입니다.
목표에서 벗어나고, 분포의 중심에서 벗어나는 순간, 누군가는 돈을 잃기 시작합니다. 이 사람들이 무슨 짓을 했어야 했는지를 보여주는 좋은 예죠.
JMP에서 다구치 손실 함수를 시각화할 수 있습니다. 저희는 기업들에 이런 방식을 추천합니다. 자사 제품 중 하나를 예로 들어 보겠습니다. 이 경우, 차원과 목표가 있고, 적절한 재정적 손실이 발생할 때까지 조정해야 하는 상수가 있습니다. 산술 연산을 수행하고 그래프 빌더를 사용하여 그래프처럼 보이는 표를 만들 수 있습니다. 이는 본질적으로 사람들에게 "우리 부품이 18mm라면 모든 원금을 가져갈 수 있습니다"라고 알려주는 산점도입니다. 사람들이 이해할 수 있도록 간결하게 표현했습니다.
그런데 이걸 다구치 손실 함수라고 부르면 안 됩니다. 최고위층 사람들과 그런 얘기를 하고 싶지 않을 테니까요. 이건 개념일 뿐이고, 중요한 문제입니다. 그러면 "부품 가격이 17.93이면 사양에 맞는 겁니다."라고 말할 수 있겠죠. 사양 하한선은 17.9이지만, 다구치 손실 함수에 따르면 부품당 108달러의 손실을 보게 됩니다.
사람들은 그걸 이해하고, 보고 있습니다. 여기서 중요한 건 사람들이 스펙 충족에 대한 생각을 멈추게 하는 겁니다. "나는 스펙 안에 있고, 나는 스펙 밖에 있어."라고 생각하게 하고, 목표에서 얼마나 떨어져 있는지 생각하게 하는 겁니다.
정말 똑똑한 많은 사람들이 오랫동안 그렇게 말해 왔지만, 그 메시지가 모든 사람에게 전달되는 것은 아닙니다. 다시 한번 말씀드리지만, 이 문제를 장황하게 설명하지는 않겠습니다. 또 다른 예방책은 몇 가지 정책을 수립하는 것입니다. 프로세스 역량을 강화하려면 어떻게 해야 할까요? 네, 우선 프로세스가 제대로 관리되고 있는지 확인해야 합니다. 그렇지 않다면 문제를 찾아서 해결해야 합니다.
그러면 스스로에게 질문해 보세요. 이 명세들이 정말 의미가 있을까요? 어딘가에서 그린 그림, 즉 작은 탁자 위에 그려진 것들에 불과할까요? 이렇게 전체적인 사고 과정을 거치게 됩니다. 저희가 추천하는 방법은 프로세스 행동 카드를 많이 활용하는 것입니다.
다시 한번, 있는 그대로 말해보세요. 또 다른 예방책입니다. 이건 그림입니다. 누구나 본 적 있을 겁니다. 낮은 사양, 높은 사양, 그리고 목표가 있죠. 휠러는 이것을 '존재의 무관심 영역'이라고 부릅니다. 제 생각에 그는 아주 신중하게 표현한 것 같습니다. 저는 이것을 '거짓 완벽 영역'이라고 부릅니다. 사양에서 벗어나면 혼돈과 파멸의 낮은 영역과 혼돈과 파멸의 높은 영역이 생깁니다.
생각해 보면, 그게 바로 스펙 충족의 세계입니다. 두 가지 상태 중 하나에 빠져서 마음껏 춤을 추거나, 아니면 미친 듯이 문제를 해결하려고 애쓰는 거죠. 이런 사고방식, 이런 사고방식이 사람들을 곤경에 빠뜨린다는 걸 알게 됐습니다.
기업이 고려해야 할 또 다른 사항으로, JMP에는 Gage Performance Curve Generator 같은 추가 기능이 있습니다. 정말 좋은 기능입니다. 목표를 달성하려는 이유를 명확하게 보여주기 때문에 더욱 좋습니다. 실제로 상위 또는 하위 사양에 가까워지는 순간부터 측정 노이즈가 고객 만족도를 결정하는 요인이 되기 때문입니다.
예를 들어, 낮은 사양에 가까워지면 측정 노이즈가 발생합니다. 사양에 맞는 부품을 사양에 맞지 않는 부품으로, 또는 그 반대로 판단할 수도 있습니다. 이 JMP 추가 기능은 정말 훌륭하며, 고객 여러분께서 이 추가 기능을 사용하고, 배우고, 이를 통해 많은 것을 배우시기를 권장합니다.
사례 연구 2의 내용을 요약하자면, 변동성 감소가 목표입니다. 그러나 공정 능력 분석과 공정 능력 지수는 사양 충족에 집중하고 있으며, 이로 인해 고객들이 어려움을 겪는 것을 볼 수 있습니다.
5개 중 2개입니다. 3번째 발견. 이미 알고 있는 것을 아직 모르고 있을 수도 있습니다. 요약하자면, 3번째 발견. 우리가 여기서 발견한 것은 데이터를 충분히 수익화하지 못했다는 것입니다. 이것이 바로 이러한 문제의 근본 원인으로 밝혀졌습니다.
또 다른 플라스틱 가공 회사의 사례 연구를 소개합니다. 전 세계에 지사를 두고 있으며, 압출, 사출 성형, 회전 성형, 블로우 성형 등 모든 플라스틱 제품과 수백 대의 기계를 갖춘, 정말 큰 회사입니다. 통계적 방법론의 문제점은 일반적으로 그들이 하는 일의 양이 너무 많다는 것입니다.
각 공장마다 서로 다른 공정에서 독립적인 통계 연구를 진행했습니다. 데이터 저장 체계가 제대로 갖춰져 있지 않았습니다. 로컬 네트워크 하드 드라이브, PC 하드 드라이브, USB 메모리, 클라우드 드라이브 등 온갖 곳에 데이터 파일을 저장해 두었습니다. 데이터는 곳곳에 흩어져 있었습니다.
그들은 "좋아요, 이 문제를 깨달았습니다."라고 말했습니다. 그들은 문제가 있다는 것을 깨달았습니다. "이 모든 데이터를 확보했는데, 어떻게 정리해야 할까요?" 그들은 몇 가지 수동적인 방법을 시도했습니다. 데이터를 특정 위치에 시뮬레이션해 보려고 했습니다.
공급업체 데이터, 프로세스 전송 여부에 대한 현재 상태 데이터, 측정 시스템 분석 데이터 등 아주 긴 목록이 있었습니다. 그들은 엄청나게 많은 데이터를 가지고 있었습니다. 하지만 그 밑바탕에는 수동적인 접근으로는 도저히 처리할 수 없는 엄청난 양의 데이터가 있었습니다. "모두 여기로 파일을 보내세요. 이 네트워크 드라이브나 클라우드 드라이브 같은 곳에 파일을 보관합시다."
그들은 모든 데이터에서 가치를 극대화하지 못했습니다. 데이터 수집에 막대한 비용을 투자했죠. 데이터 가치를 극대화하지도 못했습니다. 데이터 거버넌스도 없었습니다. 한 사람이 요인을 다른 이름으로 부르고 다른 사람이 다른 이름으로 부르면서 무언가를 검증하려고 한다면, 그 요인 이름의 차이로 인해 문제가 발생할 수 있습니다. 공통된 용어도 없고요.
몇 년 후, 모든 데이터를 수동으로 관리하고 최선을 다했지만, 그 결과가 나타났습니다. 사람들은 노력을 중복하고, 서로 다른 공장에서 유사한 제품을 생산하고, 중복 연구를 진행하는 등 여러 가지 문제가 발생했습니다. 감사에도 문제가 있었습니다. 회사가 항공 산업을 위해 일했기 때문에 외부 감사를 받기도 했습니다. 외부 감사 과정에서 데이터를 찾는 데 어려움을 겪었고, 많은 어려움을 겪었습니다.
다시 한번 말씀드리지만, 컴퓨터 세계에서는 Temp 1과 Temp_1이 같지 않기 때문에 검색이 어렵습니다. 여러 가지를 이해하는 데 어려움을 겪고 있습니다. 압출기에서 이 특정 온도를 연구해 본 적이 있나요? 아니면 사출 성형 라인에서 이 특정 요소를 연구해 본 적이 있나요? 사람들은 서로 다른 용어와 다른 요소 이름을 사용하고 있습니다.
결과입니다. 우선, 이런 식으로 하면 사람들이 떠나면서 지식을 잃는 경향이 있습니다. 이 사람은 하드 드라이브나 네트워크 드라이브 같은 곳에 데이터를 저장해 놓았는데, 사람들이 그 데이터를 잃어버릴 수도 있습니다. 그들이 수행한 모든 뉴스 연구는 과거에 수행했던 모든 작업의 이점을 활용하지 않고 진행되었습니다. 이 모든 유용한 프로세스 통찰력은 마치 비에 몇 년 동안 잠든 것처럼 시간이 지나면서 사라집니다.
한편, 최고경영진(C-suite)과 다른 최고경영진은 이 모든 작업을 수행하는 데 드는 통계 연구 비용이 누적됨에 따라 확실히 입증되었지만, 모든 투자에 대한 수익을 얻지 못했습니다. 기대에 부응하지 못했습니다. 통계적 방법은 다시 한번 평판에 큰 타격을 입었습니다.
어떻게 해야 할까요? 첫째, 예방 조치입니다. 사고방식을 바꾸세요. 데이터를 만들고, 데이터에서 얻은 결과와 데이터를 기반으로 구축하는 모델을 기계나 은행 예금처럼 자산처럼 만들어 보세요.
사고방식을 바꾸세요. 데이터가 여기저기 흩어져 있다면 아무런 도움이 되지 않습니다. 데이터 거버넌스, 저장, 데이터 분석, 과거 기록에 대한 기업 정책을 수립하여, 앞서 언급했듯이 이러한 모든 공장들이 전 세계, 시간대, 대륙 등에 분산되어 있도록 해야 합니다.
기업 정책을 수립하면 데이터에서 최대 가치를 얻을 수 있습니다. ABC 위젯은 571일 동안 데이터 손실 사고 없이 운영되었습니다. 바로 이런 접근 방식을 취해야 합니다. 한편, 바이오테크 산업의 일부 산업에서는 KASA라는 데이터 거버넌스(DA) 제도가 있는데, 데이터 거버넌스와 감사를 철저히 분석하는 데 중점을 둡니다. 감사관들이 와서 뭔가를 요구하면, "와, 바로 손에 넣을 수 있잖아."라고 하죠.
기타 예방 조치. JMP 데이터 파일을 만들려면 주석을 달아주세요. 새 테이블 변수를 사용하여 프로젝트의 목표는 무엇인지, 그리고 모든 주요 세부 사항은 무엇인지 작성하세요. 열 메모를 사용하여 "5년 후에 이 작업에 참여하지 않은 사람에게도 목적, 방법, 세부 사항, 그리고 결과가 명확하게 전달될 수 있을까요?"라는 질문에 답하세요.
대부분의 JMP 파일에 대한 답은 '아니요'입니다. 누군가 5년 후에 다시 보더라도, 실제로 무슨 일이 있었는지, 어떤 장비를 사용했는지, 어떤 측정 시스템을 사용했는지, 누가 참여했는지 등을 전혀 알 수 없을 것입니다.
가치를 더한다고 생각하는 또 다른 예방책이 있습니다. JMP 쿼리 빌더도 사용해 보세요. 이 모든 것을 활용하고, 데이터를 최대한 많이, 가능한 한 효율적으로 통합하세요. 그리고 지식 관계 관리(KRM) 시스템 사용을 고려해 보세요. 이런 시스템이 몇 가지 있는데, 그중 하나가 CoBaseKRM입니다. 여러분 중 일부는 이 시스템을 사용해 보셨을 수도 있겠습니다.
JMP에 최적화되어 있고, Excel 데이터를 처리하며, 데이터 거버넌스를 필수적으로 요구합니다. 검색이 가능하고 확장성이 뛰어납니다. 데이터에서 모든 핵심 가치를 추출하는 데 진지하게 임하고 싶다면, 이 대규모 단일 관리 시스템이 좋은 시작점이 될 것입니다. 여러 지점이 있는 경우, 업계에서 흔히 발생하는 감사 업무에 큰 도움이 될 것입니다.
이 섹션을 요약해 보세요. 지식, 데이터, 분석, 통계 모델, 인과관계 지식. 이는 회사 자산이지만, 그렇게 취급되지 않습니다. 이 모든 지식을 잃으면 수익을 잃고, 경쟁력이 강화되는 대신 약화됩니다. 어떤 산업에서는 지식 관리가 매우 중요합니다.
다섯 가지 중 세 번째입니다. 네 번째 발견입니다. SPC는 더 이상 최종 제품만을 위한 것이 아닙니다. 다시 한번 말씀드리지만, 다른 사례에서 얻은 교훈에도 이러한 문제가 있을 수 있습니다. 이 경우, 발견된 문제의 근본 원인인 요인을 제대로 이해하지 못하는 것입니다.
또 다른 사례 연구입니다. 금속 코팅 공정에 대한 내용입니다. 자세히 말씀드릴 수는 없지만, 여러 요인이 복합적으로 작용했습니다. 고객은 21가지 공정 요인을 파악했습니다. 몇 가지 답변이 있었는데, 금속을 이용해서 뭔가를 하고 있었습니다.
그들이 했던 일은, 다시 말하지만, 꽤 흔한 관행인데, 금속 코팅에 중요한 반응, 즉 반응에 대한 통계적 공정 관리도를 활용했습니다. 그들은 실제로 요인들의 행동을 살펴보지 않았습니다. 그들은 사실상 공정을 거꾸로 분석했습니다.
IMR 차트에서 대응 신호를 발견하면, 그들은 다시 돌아가서 그 과정에서 약해지기 시작합니다. 그게... 무슨 말일까요? 저희 생각에는, 앞뒤가 안 맞는 상황입니다. 근본적인 진실은 그들이 본질적으로 제도적으로 프로세스를 방해해 왔다는 것입니다. 그들은 온갖 통제 지점을 가지고 있습니다. 그들은 그 통제 지점을 보지 않고, 결과만 보고 있습니다.
근본적인 진실도 있습니다. 그 외에도 온갖 다른 요소들이 있죠. 방해 요소, 원자재의 영향 등. 작업 현장에는 다양한 사람들이 각자 다른 일을 하고 있었고, 사실상 체계적인 혼돈 상태였습니다. 데밍이 깔때기 실험에서 보여준 내용이 마음에 듭니다.
얼마 후, 그들은 지속적으로 높은 불량률, 높은 비용, 배송 지연, 고객들의 분노, 그리고 항상 싸워야 하는 프로세스에 지쳐가는 운영자들로 인해 어려움을 겪었습니다. 원인과 결과는 여전히 미스터리로 남았습니다.
이런 일이 발생한 이유는 그들이 요인을 고려하지 않았기 때문입니다. 그들은 단지 응답만 보고 있었습니다. 사람들은 "저기요, 그 회선에 SPC가 있는데 왜 이렇게 문제가 많은 거죠?"라고 묻기 시작했습니다. SPC는 평판에 큰 타격을 입었습니다. 문제는 그들이 요인을 고려하지 않았다는 것입니다. 요인을 제대로 이해하지 못한 것입니다.
첫 번째 예방책은 다음과 같습니다. 도널드 휠러의 저서 『당신이 알아야 할 스무 가지』 3장을 보면, 통제 가능한 원인, 통제 불가능한 원인, 숨겨진 원인 등 정말 훌륭한 내용들이 아주 훌륭하게 설명되어 있습니다. 결론은, 이런 문제로 정말 고통받고 있다면, 통제를 시작하고, 손에 잡힐 수 있는 모든 것을 시도하라는 것입니다.
예를 들어 보겠습니다. 이 배열을 만들어 보세요. JMP는 이 작업에 매우 유용합니다. 관리도를 원하는 높이만큼 쌓을 수 있습니다. 이 경우, 요인 X1, 요인 X2에 대해 23개의 IMR 차트를 쌓았습니다. 13개의 공정 요인, 4개의 방해 요인, 주변 온도 등에 대해서도 마찬가지입니다. 사람들이 공정에 영향을 미칠 것이라고 생각하는 몇 가지 재료 특성과 몇 가지 반응도 있습니다.
이 전체 시스템은 사실… 프로세스 상태를 살펴보고 앞으로 어떤 일이 일어날지 예측할 수 있도록 설계되었습니다. 소급 적용을 위한 것이 아니라, 시간 단위, 매일 단위로 확인하고 싶은 내용입니다.
이 차트들을 보세요. 이렇게 하면 어떤 변화가 나타나는데, 반응을 살펴보면 이 반응이 여기에 있을 때 방해 요인이나 재료 속성의 변화를 볼 수 있다는 것을 알 수 있습니다. 아주 강력한 기법이죠. 관리도 전체를 한번 살펴보세요. 이 모든 것을 이해하고 관리 한계를 제대로 설정하려면 약간의 연습이 필요하지만, 충분히 가능한 일이며 매우 강력한 기법입니다.
또 다른 중요한 점은, 다시 한번 말씀드리지만, 정책을 수립하고 SPC에 공감하는 것은 결국 여러 요인에 달려 있습니다. 온도 제어와 압력 제어를 살펴보는 것이 좋습니다. 앞서 지하 전력 케이블 사례 연구에 대해 이야기했었습니다.
제 공정에 유입되는 초고흡수성 폴리머(SAP)의 동작은 어떤가요? 본질적으로 제 공정의 일부이기 때문입니다. 단순히 반응만 보는 전통적인 방식 대신 업스트림을 살펴보세요. 워크플로를 만들고, 실수에서 교훈을 얻고, 오류를 방지하고, 정책을 문서화하세요.
이 섹션을 요약하자면, 프로세스는 복잡합니다. 곳곳에 변동 요인이 존재합니다. 프로세스에 끼어들어 습관을 만들려는 요소들도 있습니다. 통계적 공정 관리(SPC)를 사용하여 요인들을 살펴보고 다시 모든 것을 살펴보면, 요인과 반응 사이의 긍정적인 행동 효과를 이해하기 시작할 것입니다. 또한, 이는 실험을 실행하려는 경우 몇 가지 지침을 제공합니다.
JMP 웹사이트에서 가져온 L-맵입니다. 정말 멋진 자료죠. "요인과 반응을 파악하라"는 말이 일찍부터 나오더군요. 반응을 파악하기 쉽습니다. 기하학적 제어든 테이프의 물 팽윤이든, 원하는 게 뭔지 알 수 있죠. DOE(실험실 설계) 세계에서 가장 어려운 질문, 답하기 어려운 질문은 "어떤 요인을 포함해야 할까?"입니다.
사람들은 항상 그 질문을 합니다. 여러 요인들을 꼼꼼히 살펴보고 그것들이 어떻게 작용하는지, 그리고 프로세스에 어떤 영향을 미칠 수 있는지 파악하기 시작했다면, 적어도 요인을 현명하게 선택할 수 있는 통찰력과 어느 정도의 지침은 얻게 될 것입니다.
마지막으로, 발견 #5. 게이지 R&R 연구가 잘 되었다고 해서 계측기가 정상이라는 것을 의미하지는 않습니다. EMP 연구가 잘 되었다고 해서 계측기가 정상이라는 것을 의미하지는 않습니다. 이는 꽤 흔한 문제입니다. 근본 원인은 사람들이 측정 시스템 분석이 실제로 무엇인지 제대로 이해하지 못하는 경향이 있기 때문입니다. AIAG에서 발행한 두꺼운 책이 있는데, 게이지 R&R만 다루는 것이 아닙니다.
알루미늄 합금 주조 공정에 대한 사례 연구입니다. 원재료의 균질화, 튜브 또는 실린더 압출, 어닐링 공정을 진행하며, 그 과정에서 경도에 대한 관심이 높습니다. 록웰 경도 측정법을 연구할 예정입니다. 이 경도 시험은 다단계 공정이기 때문에 공정 중 및 최종 시험에 중요한 결정을 내리는 데 활용될 것입니다.
고객이 불만을 제기하자 그들은 게이지 R&R(경도 측정 및 재시험) 연구를 진행했습니다. 다양한 로크웰 경도 기준을 가진 알루미늄 조각들을 구했는데, 이 표준들을 구입할 수 있습니다. 게이지 R&R 연구를 진행했습니다. 훌륭하네요. 흥미롭네요.
그들은 정말 환상적인 결과를 얻었습니다. 와우. 분산 성분을 보세요. 모든 변동은 부품에서 비롯된 것 같고 게이지 자체에서는 거의 발생하지 않는 것 같습니다. 그들은 장비가 완벽에 가깝다고 결론지었습니다.
그들은 몰랐지만, 우선 장비는 시간이 지남에 따라 안정적이었고, 자신들이 인지하지 못했던 편향 문제가 있었습니다. 이 데이터 중 일부를 살펴보면, 최종 결과만 보는 대신 변동성 차트의 데이터를 살펴보면, 장비가 B85와 B100 부품에서 훨씬 더 어려움을 겪고 있음을 알 수 있습니다. 작업자별로, 부품별로 살펴보면 같은 결과가 나타납니다.
아시다시피, 게이지 R&R의 결과는 부품 선택에 크게 좌우됩니다. 부품 간의 차이가 매우 크다면 신호가 강하고 측정 시스템의 노이즈는 상대적으로 낮을 것입니다.
1년이 지났지만, 결과는 계속되었고, 불만은 끊이지 않았으며, 반품도 잦았습니다. 이 모든 시정 조치 요청이 쏟아졌습니다. 저를 소름 돋게 하는 게 있다면, 바로 시정 조치 요청입니다. 저는 이걸 기회 균등이라는 명목으로 돈을 낭비하는 행위라고 부릅니다.
시정 조치 요청에 대한 제 생각은 이렇습니다. 모두가 빙빙 돌고, 사람들이 화를 내고, 그런 식으로 하다가 "아, 운영자 재교육 같은 걸 해야겠다"는 식으로 글을 올리는 거죠. 이런 식의 답변은 사실상 문제를 해결하지 못합니다. 최고 경영진이 화를 내고, 통계적 방법론은 평판에 큰 타격을 줄 수 있습니다.
무엇을 해야 할까요? 예방 조치입니다. 측정 시스템 분석을 생각해 보세요. 이는 워크플로우입니다. 게이지 R&R(게이지 반복 및 재연)이 아닙니다. 장비를 이해하려면 실제로 해야 할 일이 정말 많습니다. 일관성 점검부터 시작하는 것이 좋습니다.
같은 부위, 같은 사람을 계속해서 측정하세요. 차트에 신호가 보이면 즉시 중단하세요. 해결해야 할 문제가 있습니다. 편향과 선형성을 연구해야 합니다. 계측기가 교정되었는지 확인해야 합니다.
EMP, 게이지 R&R은 중요하지만, 이는 전체 과정의 일부일 뿐입니다. 앞서 언급했던 게이지 성능 곡선을 살펴볼 수 있습니다. 측정 시스템에 대해 궁금한 점이 있거나 최종 검사 결정에 영향을 미칠 것으로 생각되는 경우, 제조 사양이라는 것을 활용할 수 있습니다. 이는 측정 노이즈를 조정하거나 고려하거나 보상하기 위한 임시 해결책이며, 실제로 계측기는 장기간에 걸쳐 검토해야 합니다. 게이지 R&R은 이산적이지만, SVC 차트는 그렇지 않습니다.
섹션 요약: MSA에 대한 오해가 있습니다. 사람들은 MSA를 Gage R&R이라고 생각합니다. 제가 감사를 맡은 적이 있는데, 감사자가 "MSA를 보여주세요"라고 하면 사람들이 서둘러 돌아다니면서 Gage R&R 결과를 보여줍니다. 오해죠.
측정 시스템은 연속적일 수 있습니다. 측정 시스템 분석, 측정 시스템 연구는 불연속적이 아니라 연속적이어야 합니다. 일회성 사건이 아니므로, 그런 후에 결론을 내릴 수 있습니다. 몇 가지 기업 관행을 설정하고 이를 시각적으로 표현하는 등의 작업을 할 수 있습니다. 측정 시스템의 시간 척도적 행동 측면에서 생각해 볼 수 있습니다.
이것으로 마무리하겠습니다. 결론은 다섯 가지 사례 연구와 몇 가지 조언을 요약하는 것입니다. 우선, 다른 사람들의 시련과 고난에서 배우세요. 우리가 이렇게 하려는 이유는 바로 이런 고객들이 있고, 그들을 돕고, 그들에게서 배우려고 하기 때문입니다. 그들은 우리에게서 배우고, 모두가 함께 배웁니다. 좋습니다. 우리는 서로에게서 배웁니다. 통계적 방법은 때로는 진공 상태에서 진행되기 때문에 문제가 될 수 있다는 생각입니다. 통계적 사고방식을 바탕으로 합니다.
어느 시점에서는 비즈니스 영향, 비용, 원자재 가용성, 공급망, 안전, 창고 관리 등 모든 것을 고려해야 합니다. 이러한 지속적인 개선 노력에는 훨씬 더 큰 그림이 있습니다. 다시 한번 말씀드리지만, 개별적인 사고보다는 워크플로우 관점에서 생각해 보세요. MSA(경영 계획)를 실행하거나 DOE(연구 개발 계획)를 실행하지 맙시다. 이 워크플로우에 대해 생각해 봅시다. 우리의 삶을 개선하고 고객을 만족시키기 위해 다양한 통계적 방법을 어떻게 활용할 수 있을까요?
데이터와 데이터에서 도출하는 모델을 매우 중요한 기업 자산으로 여기세요. 요인에 집중하세요. 그리고 반응도 계속 살펴보세요. 제조 엔지니어로 일하던 시절, 저는 요인들을 살펴보았습니다. 수율에 대한 기준은 없습니다. 치수 제어에 대한 기준도 없습니다. 반응에 대한 기준도 없습니다. 중요한 것은 요인입니다. 따라서 요인들을 얼마나 잘 제어할 수 있는지, 그리고 그 요인들이 반응에 어떤 영향을 미치는지 이해해야 합니다.
변화, 감소, 그리고 포기에 집중하세요. 오해는 마세요. 사양 충족은 중요합니다. 분명히 말씀드리지만, 사양 충족은 중요하지만 그것이 최종 목표는 아닙니다. 그 이상을 추구하고 집중해야 합니다. 수십 년 전 다구치가 우리에게 말했듯이, "변화를 줄이고 목표를 달성하는 데 집중하세요."
이 모든 것을 실천한다면 프로세스 개선이 누적될 것이라고 믿습니다. 작업자는 만족하고, 공급업체는 더욱 만족할 것입니다. 여러분이 그들을 돕고, 공급업체도 여러분을 돕고, 여러분이 고객을 만족시키기 때문입니다. 시간이 지남에 따라 이러한 개선은 누적될 것입니다.
마지막으로, 감사의 말씀을 전하고 싶습니다. 후안과 저, 들어주셔서 감사합니다. 이 주제에 대해 논의하고 싶으시면 언제든지 연락주세요. 기꺼이 도와드리겠습니다.
