제조업이라면 업무의 현황을 살펴볼 대시보드가 다양할 것입니다. 생산 대시보드, 품질 대시보드, 설비 대시보드까지 데이터는 충분합니다. 그런데 현장은 여전히 엑셀을 열고, 메신저로 사진을 보내고, 교대 인수인계 노트를 씁니다. 대시보드가 화려해도 실제 판단은 다른 곳에서 이루어지는 것이죠.
문제는 화면 디자인이 아닙니다. 대시보드가 숫자만 보여줄 뿐, 그 숫자가 왜 나왔는지, 무엇을 해야 하는지는 알려주지 않기 때문입니다. 이 글은 왜 같은 KPI가 부서마다 다르게 나오는지, 왜 대시보드가 실제 의사결정에 쓰이지 못하는지, 그리고 이를 어떻게 바꿀 수 있는지를 살펴봅니다.
같은 KPI인데 왜 부서마다 다른 숫자가 나오는가?
우선, 같은 데이터를 보더라도 부서마다 관심사가 다르기 때문입니다. 생산팀은 가동시간을 넓게 잡으려 하고, 설비팀은 고장으로 인한 정지시간을 정확히 분리하려 합니다. 각자 자신의 의사결정에 유리한 기준을 선택하는 것은 자연스러운 일입니다.
용어 자체가 표준화되지 않은 것도 문제입니다. "불량률" 하나만 봐도 투입 수량 대비인지, 생산 수량 대비인지, 검사 수량 대비인지에 따라 완전히 다른 숫자가 나옵니다. 어느 쪽도 틀린 것은 아니지만, 서로 다른 지표를 같은 이름으로 부르고 있는 셈입니다.
OEE도 대표적인 사례입니다. 계획정지와 비계획정지의 기준이 라인마다 다르면, 같은 설비 상태에서도 전혀 다른 OEE가 나옵니다. 식사 시간이나 금형 교체 시간을 계획정지로 볼지, 생산시간에 포함할지만 달라져도 결과가 크게 바뀝니다.
데이터가 부족한 것이 핵심이 아닌 것이죠. 중요한 것은 같은 사건을 서로 다른 방식으로 해석하고 기록하고 있다는 점입니다.
대시보드가 있어도 의사결정에 못 쓰이는 이유?
사실 대시보드의 의미는 ‘결정’을 하기 위함입니다. 모든 상황을 살펴보고 바로 판단을 내리고자 하는 것이죠. 하지만 현장에서는 대시보드가 의사결정에 쓰이기 어려운 상황입니다. 그 이유를 살펴보겠습니다.
첫 번째, 대시보드는 대체로 결과만 보여줍니다. "OEE가 목표보다 낮다", "불량률이 전월보다 높다"는 사실은 알려주지만, 어느 라인에서 시작됐는지, 언제부터인지, 주요 원인이 무엇인지는 알려주지 않습니다. 사용자는 이 정보를 얻기 위해 결국 별도의 엑셀 분석이나 회의를 거쳐야 합니다.
두 번째, 사용자마다 필요한 질문이 다른 것도 문제입니다. 작업자는 "지금 왜 멈췄는가"를 궁금해하고, 공장장은 "납기와 원가에 가장 큰 위험이 무엇인가"를 궁금해합니다. 그런데 하나의 화면에 모든 KPI를 욱여넣으면 누구에게도 충분히 맞지 않는 화면이 됩니다.
세 번째, 갱신 시점이 불명확한 것도 신뢰를 떨어뜨립니다. "실시간 대시보드"라고 해도 실제로는 시스템 간 배치 연동이 하루 한 번만 이루어지는 경우가 많습니다. 사용자는 지금 보는 숫자가 현재값인지 확정값인지 구분할 수 없습니다. 이런 경험이 쌓이면 대시보드 대신 구두 보고나 엑셀로 돌아가게 됩니다.
네 번째, 상위 지표에서 원인까지 자연스럽게 연결되지 않는 것도 큰 걸림돌입니다. OEE가 낮다는 것에서 어느 라인, 어느 시간대, 어떤 정지 원인인지까지 이어져야 하는데, 실제로는 화면과 시스템이 분리되어 있어 사용자가 여러 화면을 수작업으로 오가야 합니다. 결국 대시보드는 원인 분석 도구가 아니라 결과를 나열하는 화면에 머무릅니다.
다섯 번째, 새로운 대시보드가 기존 업무를 대체하지 못하는 것도 문제입니다. 현장은 이미 교대 인수인계, 엑셀 생산일보, 품질 이슈 리스트 같은 방식으로 돌아가고 있는데, 대시보드가 이 흐름을 대체하지 않고 그 위에 화면 하나만 추가되면 사용자는 입력과 확인을 두 번 해야 합니다.
후행지표의 한계와 선행지표의 필요성
이처럼 월간 집계는 이미 일어난 결과를 보여줄 뿐입니다. "무슨 일이 있었는가"에는 답하지만 "지금 무엇을 바꿔야 하는가"에는 충분히 답하지 못합니다. 월간 불량률이 3%로 나왔을 때는 이미 수천 개의 제품이 생산되고 출하까지 끝난 뒤일 수 있습니다.
평균값도 문제를 가립니다. 월간 불량률이 2%라고 해도, 모든 교대에서 고르게 2%가 나온 것인지, 특정 라인의 특정 시간대에서만 20%가 집중된 것인지는 평균만으로 알 수 없습니다. 두 상황은 완전히 다른 문제인데 같은 숫자로 표현됩니다.
그래서 후행지표를 없애는 대신, 결과가 악화되기 전에 움직이는 선행지표를 함께 봐야 합니다. 최초 통과율, 미세정지 빈도, 병목 공정의 대기 시간 같은 지표는 문제가 커지기 전에 신호를 보냅니다.
대시보드를 의사결정 도구로 바꾸는 방법
그렇다면 어떻게 해야 대시보드를 의사결정 도구로 활용할 수 있을까요?
가장 먼저 해야 할 일은 KPI마다 정의를 명확히 하는 것입니다. 이 지표가 무엇을 의미하는지, 분자와 분모는 무엇인지, 어느 시스템의 데이터를 공식값으로 쓰는지, 누가 데이터 품질을 책임지는지를 문서로 정리해야 합니다.
그리고 KPI 이상이 감지됐을 때, 원인 후보를 찾고, 담당자를 지정하고, 조치하고, 다시 측정하는 흐름이 하나로 연결되어야 합니다. 많은 조직에서 KPI 관리는 "이상을 감지했다"는 첫 단계에서 멈춥니다. 실질적인 운영 도구가 되려면 그다음 단계까지 이어져야 합니다.
다비스(DARVIS)를 도입한 정밀 부품 제조사 H사의 사례가 이 흐름을 잘 보여줍니다. 여러 시스템에 흩어진 데이터를 수작업으로 대조하던 방식에서, 데이터를 자동으로 연결해 원인 후보까지 함께 제시하는 방식으로 전환한 결과, 30일 걸리던 원인 파악이 3시간으로 줄었습니다. KPI가 단순히 "숫자가 나빠졌다"는 것을 보여주는 데 그치지 않고, 왜 나빠졌는지까지 함께 알려준 것입니다.
감지에서 멈추지 않고 조치까지 이어지게!
다비스(DARVIS)는 ERP, MES, 설비 데이터를 연결해 KPI 이상 뒤에 숨은 원인까지 함께 제시합니다. "불량률이 왜 올랐는지" 같은 질문에, 관련 데이터를 자동으로 모아 근거와 함께 답합니다. 감지에서 끝나지 않고 원인과 조치 방향까지 이어지는 구조입니다.
기존 시스템을 교체하거나 수정할 필요 없이 5주 안에 시작할 수 있습니다. 대시보드가 많아지는 것보다 중요한 것은, 그 화면이 실제 행동으로 이어지는가입니다. 숫자만 보여주는 화면에서, 원인과 조치까지 알려주는 도구로 바꾸는 것, 그것이 제조업 KPI 관리의 다음 단계입니다.
실용적인 AI 활용 인사이트 및 최신 트렌드를 알아보고 싶으시다면 디피니트 다비스(DARVIS) 블로그를 구독해 보세요. 제조 현장의 실제 문제 해결 사례와 AI 활용 노하우를 공유합니다.
더 많은 제조 AI 인사이트를 보고 싶으시다면 'AI 인사이트 더 보러가기'를 통해 둘러보시면 도움이 되실 겁니다. 감사합니다.