한국 제조업의 데이터 수집률은 60.8%에 달합니다. 절반이 넘는 현장이 이미 데이터를 쌓고 있다는 뜻입니다. 그런데 제조 AI 도입률은 0.1% 수준에 머물고 있습니다. 데이터는 있는데, 정작 분석이 운영에 쓰이는 경우는 드뭅니다.
왜 그럴까요. 데이터가 부족해서가 아닙니다.
분석이 현장 문제와 연결되지 않기 때문입니다. 이 글은 제조 데이터 분석이 반복적으로 제자리를 맴도는 이유와, 무엇이 달라져야 현장에서 실제로 작동하는지를 다룹니다.
데이터는 있는데 왜 쓸 수 없는가
제조 현장의 데이터는 크게 세 곳에 나뉘어 존재합니다. 생산 계획과 재고, 자재 정보는 ERP에 있습니다. 작업 지시와 공정 이력, 불량 코드는 MES에 기록됩니다. 설비의 온도, 진동, 전류 같은 실시간 신호는 센서와 PLC 로그에 쌓입니다.
문제는 이 세 가지가 서로 연결되지 않는다는 점입니다. 불량 원인을 찾으려면 MES의 공정 이력, 품질 시스템의 검사 결과, 설비 로그를 따로따로 열어봐야 합니다. 같은 공장 안에서도 부서마다 숫자가 다르게 보이는 일이 생깁니다. 생산팀이 보는 재공 수량과 ERP 재고가 맞지 않는 상황이 대표적입니다.
데이터가 없는 게 아닙니다. 연결이 안 된 채로 각자의 자리에 쌓여 있는 것입니다.
제자리를 만드는 다섯 가지 이유
연결이 안 된 사일로
ERP, MES, 설비 데이터는 생성되는 목적도, 저장 구조도 다릅니다. ERP는 일 단위 계획 데이터를, MES는 시간 단위 실적 로그를, 설비는 초 단위 시계열 신호를 다룹니다. 이 세 가지를 하나의 흐름으로 묶으려면 별도의 연결 작업이 필요한데, 대부분의 현장에서는 그 작업이 빠져 있습니다.
결과적으로 분석은 전사 관점이 아니라 부분 최적화로 끝납니다. 한 공정의 불량률을 낮춰도, 그 원인이 앞 공정의 자재 변경이었다면 데이터가 연결되지 않는 한 알 방법이 없습니다.
믿기 어려운 데이터 품질
제조 현장의 데이터는 생각보다 지저분합니다. 센서 오작동, 통신 오류, 결측값, 장비 교체 전후의 분포 변화가 일상적으로 생깁니다. 이런 상태에서 분석 모델을 돌리면 이상치가 고장 신호로 오해되거나, 누락값 때문에 공정 패턴이 왜곡됩니다.
현장에서 "데이터가 많다"는 것보다 "쓸 수 있는 형태인가"가 훨씬 중요한 이유입니다. 전처리가 약하면 분석 결과 자체를 신뢰하기 어렵고, 신뢰하기 어려운 결과는 현장에서 외면받습니다.
포맷이 제각각인 레거시 환경
노후 설비나 아날로그 공정이 많은 현장에서는 수집 포인트 자체가 부족합니다. 있더라도 부서별로 센서 단위, 시간 기준, 설비 코드, 불량 코드 체계가 다릅니다. 같은 사건이 시스템마다 다른 방식으로 기록되는 것입니다.
이 환경에서는 분석 엔지니어가 데이터를 해석하는 데 시간의 대부분을 씁니다. 프로젝트가 "모델 개발"이 아니라 "데이터 맞추기"로 끝나는 경우가 많습니다.
숫자만 봐서는 알 수 없는 현장 맥락
제조 데이터는 숫자만으로 의미를 해석하기 어렵습니다. 공정 순서, 설비 특성, 원자재 변경, 교대조 패턴 같은 현장 맥락이 함께 있어야 합니다. 데이터 분석가가 공정을 모르거나, 현장 엔지니어가 분석 구조를 이해하지 못하면 상관관계를 인과관계로 착각하기 쉽습니다.
"모델은 맞는데 현장에서는 안 맞는" 상황이 자주 생기는 이유입니다. 이때는 알고리즘보다 공정을 아는 사람의 판단이 더 중요합니다.
분석 업무가 밀리는 현장 구조
ITWorld가 인용한 조사에서는 제조업체의 98%가 데이터 문제로 협업과 생산성 개선에 어려움을 겪고 있다고 밝혔습니다. 현장에서 데이터를 다룰 수 있는 인력은 늘 부족하고, 생산·품질·설비 업무가 먼저입니다. 분석 업무는 우선순위에서 밀립니다.
공장은 멈추면 비용이 크기 때문에 실험적인 시도를 하기도 어렵습니다. 파일럿은 성공하더라도 양산 적용에서 멈추는 일이 반복되는 이유가 여기에 있습니다.
분석이 현장에서 작동하려면
공통된 패턴이 있습니다. 잘 되는 현장은 시스템을 바꾸는 것에서 시작하지 않았습니다. 현장 질문에서 시작했습니다.
"납기 지연이 왜 생겼는가", "이번 주 불량률이 왜 올랐는가". 이 질문에 답하기 위해 기존 ERP·MES 데이터를 연결하고, 원인을 추적하는 방식으로 접근했습니다. 분석의 목적이 대시보드를 만드는 것이 아니라 운영 문제를 해결하는 것이었습니다.
실제 효과도 이런 방식에서 나왔습니다. 시흥 지역 제조 기업의 디지털 전환 사례에서는 불량률이 16.4% 감소하고, 설비 가동률이 14.5% 향상되었습니다. 공통점은 데이터 시스템을 전면 교체하지 않았다는 것입니다. 기존에 쌓인 데이터를 연결해 원인 파악에 집중했습니다.
분석이 현장에서 외면받는 가장 큰 이유는 "결과가 운영 판단으로 이어지지 않아서"입니다. 데이터가 연결되고, 현장 맥락이 반영되고, 담당자가 바로 조치를 취할 수 있을 때 분석은 비로소 제자리를 벗어납니다.
기존 시스템 그대로, 원인과 조치를 보여주는 방법
다비스(DARVIS)는 ERP·MES 시스템을 교체하지 않고 기존 데이터 위에 얹는 방식으로 작동합니다. 20년 된 레거시 시스템도 그대로 둔 채, 흩어진 데이터를 연결해 납기 지연이나 불량 증가의 원인을 찾고 조치 방향까지 제시합니다.
도입까지 걸리는 시간은 4주입니다. 시스템 전환 없이 현장 문제 해결부터 시작할 수 있습니다. 제조 데이터 분석이 제자리를 벗어나지 못하고 있다면, 접근 방식을 바꾸는 것이 먼저입니다.