단 하나의 지표로 가치를 창출하는 방법!

데이터에서 의사 결정으로 이동

목표는 정보를 추출하고 이를 인사이트로 전환하여 기계의 가치를 극대화하는 것입니다.

Robert Michaelides
CEO, Proemion

소개

이 글에서는 실제 고객과 매우 유사한 익명화된 데이터를 살펴봅니다. 특히, 우리가 예로 사용하는 하나의 단일 지표를 살펴봅니다. 수집된 운영 시간 데이터를 분석하여 OEM이 각 부서에 대한 결론을 도출하고 비즈니스 또는 고객 만족도에 수익성 있는 영향을 미칠 수 있는 방법을 보여드립니다.

이 백서의 의도는 모든 기업이 운영에 대한 인사이트를 얻기 위해 단일 지표에 의존해야 한다는 것을 암시하는 것이 아니라, 하나의 지표가 어떻게 다양한 인사이트를 제공할 수 있는지를 보여주기 위한 것입니다. 이는 개별 지표의 잠재력이 최적으로 활용되지 않기 때문에 중요합니다. 실제로 Seagate의 2020년 데이터 설문조사에 따르면 모든 엔터프라이즈 데이터의 68%가 활용되지 않고 있으며, 이는 그만큼의 기회를 놓치고 있다는 것을 의미합니다. 물론 가치를 확인하기 위해 복잡한 메트릭 집합으로 시작할 필요는 없습니다. 작은 인사이트부터 시작하여 시간이 지남에 따라 데이터 추적 및 분석을 점진적으로 발전시킬 수 있습니다.

씨게이트의 설문조사에 따르면 수집된 데이터와 기업이 실제로 사용하는 데이터 사이에 불일치가 존재하며, 이는 데이터 수집도 중요하지만 올바른 데이터를 올바른 맥락에서 사용하고 관련성을 이해하는 것이 비즈니스 가치를 창출하는 것임을 보여줍니다. 가능한 한 많은 데이터를 수집하는 대신, 더 큰 비즈니스 전략에 활용할 수 있는 특정 데이터를 수집하는 것이 목표가 되어야 합니다.

Figure 1: Enterprise data utilization

요일별 및 운영 시간별 기계 활동 플로팅

가동 시간 지표는 간단하지만 OEM, 딜러, 기계 소유자에게는 매우 중요한 의미를 갖습니다. 이 예는 전 세계에서 수천 대의 장비로 운영되는 건설 산업에서 작동하는 장비를 나타냅니다. 이러한 기계는 모델별로 정리할 수 있습니다.

이 월 평균 가동 시간이 중요하며, 이는 원시 가동 시간에서 집계된 것입니다. 가장 의미 있는 결론을 도출하려면 장기간에 걸쳐 데이터를 수집하고 살펴봐야 합니다. 관찰 기간이 길수록 인사이트를 제공하는 데 더 신뢰할 수 있습니다.

Figure 2: Machine operating hours by active days

그림 2에서 X축은 각 머신의 활성 일수를 나타내고 Y축은 하루 평균 머신 가동 시간을 나타냅니다. 각 점은 하나의 머신을 나타냅니다. 왼쪽 하단의 점은 하루 1시간 동안만 활성화된 머신을 나타내며, 오른쪽 상단의 머신은 30일 동안 매일 활성화되어 하루 평균 22시간 동안 활성화되었습니다.

주목해야 할 또 다른 중요한 점은 데이터 포인트가 겹칠 수 있다는 것입니다. 시간 경과에 따른 데이터를 분석하면 주어진 플롯에 있는 머신 수를 더 잘 나타낼 수 있습니다. 그림 2에서는 집계된 데이터를 색상으로 구분된 여러 클러스터를 생성하여 시각적으로 의미 있는 형식으로 정리했습니다. 클러스터링은 비슷한 동작을 하는 개체를 함께 구성하는 데 도움이 되기 때문에 중요합니다. 여기에서는 녹색 클러스터, 주황색 클러스터, 보라색 클러스터 등 세 개의 뚜렷한 기계 클러스터를 볼 수 있습니다.

그림 2는 또한 하루에 8~10시간 이상 작업하는 기계를 분홍색 선으로 표시합니다. 선 위에 있는 기계는 교대 근무의 일부로 작동하고 있으며 훨씬 더 많은 사용량에 노출된 것으로 가정합니다. 기계의 작업 시간을 추가로 분석하기 위해 빨간색, 녹색, 파란색으로 세 가지 범주를 추가로 표시했습니다.

Figure 3: Heat map of machine operating hours by active days

머신 유형별 비교: 단일 메트릭을 사용하여 어떤 질문에 답할 수 있나요?

예를 들어, OEM과 딜러는 영업 사원 또는 서비스 관리자와 같이 비즈니스에서 자신의 역할에 따른 목표와 관점에 따라 단일 지표에서 다양한 인사이트를 얻을 수 있습니다. 기계 사용과 관련된 지표의 경우, 이와 같은 질문에 대한 답을 통해 효율성, 수익성, 고객 만족도 측면에서 비즈니스의 이점을 파악할 수 있습니다.

Figure 4: Comparison by machine type - Model Type 1

Figure 5: Comparison by machine type - Model Type 2

기계의 활용도가 지나치게 높거나 낮습니까?

데이터에 따르면 같은 유형의 기계가 다른 시간에 다른 방식으로 사용되고 있을 수 있습니다. 이는 어떤 기계는 과도하게 활용되는 반면 다른 기계는 활용도가 낮다는 것을 의미할 수 있습니다. 더 자주 사용되는 기계는 더 빨리 노후화되고 더 많은 유지보수 및 수리가 필요합니다. 이러한 예는 기계를 균형 있게 사용하기가 쉽지 않은 건설 업계에서 더 자주 발생합니다. 예를 들어, 기계는 현장마다 옮겨 다니거나 다음 단계의 작업이 준비될 때까지 잠시 따로 보관됩니다. 어떤 기계가 다른 기계보다 더 열심히 일하는지 파악할 수 있으면 더 나은 계획으로 작업량의 균형을 맞추거나 같은 시간에 더 많은 작업을 수행할 수 있는 다른 기계로 교체하여 개입할 수 있는 가능성이 생깁니다.

저가형 모델이 고가형 시장을 잠식하고 있나요?

그림 2는 일정 기간 동안의 기계 사용 현황을 보여줍니다. 때로는 모든 작업을 수행할 수 있는 저가형 기계가 지속적으로 사용되어 고급형 기계 시장을 잠식하는 경우도 있습니다. 저가형 기계의 남용은 이러한 상황을 나타내는 지표가 될 수 있으며, OEM이 다음 모델의 설계를 조정하는 데 필요한 인사이트를 제공할 수 있습니다. 마찬가지로 매일 사용되는 차량의 경우 OEM은 그에 맞게 설계할 수 있습니다. 예를 들어, 좌석은 최대한 인체공학적으로 설계되어야 하며 운전석에는 추가 장비를 위한 공간이 있어야 합니다. 차의 오른쪽 상단에 있는 모델은 24시간 교대 근무에 사용되기 때문에 외부 조명도 필요합니다. 반대로 일주일에 한 번만 이동하는 기계는 더 적은 기능이 필요합니다. 기계의 사용 빈도나 사용 방법을 알려주는 데이터를 통해 특정 애플리케이션에 맞게 최적화할 수 있으므로 모델 간에 서로 간섭하지 않습니다.

영업팀에서 상향 판매할 수 있는 새로운 기회를 파악할 수 있나요?

그림 4와 그림 5의 머신 데이터 분석은 매출에 긍정적인 영향을 미칠 수 있습니다. 영업 담당자가 특정 고객 그룹에 대한 데이터를 살펴본다고 상상해 보십시오. 특정 기계 모델이 OEM이 설계할 때 의도한 것보다 훨씬 더 자주 사용되거나 기계 소유자가 단순한 작업에 고급 기계를 사용하고 있다는 것을 알 수 있다면, 그는 고객에게 다른 구성의 모델, 즉 현재 수행 중인 작업에 더 적합한 모델을 구매하도록 설득할 수 있습니다. 데이터를 사용하여 개인화된 구매 추천을 가능하게 하는 것은 고객 충성도를 구축하는 매우 강력한 방법이며, 성공적인 추천을 위해서는 기계의 사용 방식을 이해하는 것이 핵심입니다.

서비스 계약이 잘못 정렬되는 것을 방지하려면 어떻게 해야 하나요?

사용량에 대한 데이터는 OEM과 딜러가 고객에게 제공하기로 결정한 애프터 서비스의 종류에 영향을 미칠 수 있습니다. 그림 2의 데이터를 보면 평균적으로 기계가 주 5일, 하루에 약 7시간씩 작동한다는 것을 알 수 있습니다. 하지만 이는 평균적인 기계일 뿐입니다. 다른 기계들은 어떨까요?

사용 용도에 관계없이 모든 기계에 동일한 서비스 패키지를 제공하는 것은 합리적이지 않습니다.

데이터는 서비스 요청의 우선순위와 서비스 계약 비용에도 도움이 될 수 있습니다. 예를 들어 그래프의 오른쪽 상단에 있는 열심히 일하는 장비는 더 자주 서비스를 받아야 합니다. 이러한 유형의 기계는 주 단위 또는 격주 단위로 서비스를 제공하는 것이 합리적일 수 있지만, 왼쪽 아래 모서리에 있는 기계는 훨씬 덜 자주 서비스를 받아야 합니다. 이러한 기계에 대한 서비스 계약은 기계에 따라 OEM 또는 딜러가 관련 작업에 대해 공정한 보상을 받거나 기계 소유자가 과다한 비용을 청구하지 않도록 적절하게 가격을 책정할 수 있습니다.

예비 부품 예측을 개선하려면 어떻게 해야 하나요?

예시와 같은 사용량 데이터는 OEM과 딜러가 교체가 필요한 부품과 다른 기계보다 먼저 유지보수가 필요한 기계를 예측하는 데 도움이 될 수 있습니다. 이는 다양한 자동차 제조업체가 실제 차량 사용 데이터를 기반으로 고객을 유지보수 센터로 유도하는 것과 다르지 않습니다. 어떤 기계에 유지보수 및 교체 부품이 필요한지 안정적으로 예측할 수 있으면 OEM과 딜러는 인력 배치와 부품 재고 보유에 대한 필요성을 예측하고 그에 따라 계획을 수립하여 효율성을 높일 수 있습니다.

요약

OEM과 딜러가 데이터를 사용하여 시장에서 고객과 기계가 실제로 어떻게 행동하는지 이해할 수 있다면, 장단기적으로 비즈니스에 영향을 미치는 의사 결정을 내릴 수 있는 강력한 도구를 갖게 됩니다. 예를 들어 추가 리소스, 새로운 모델 또는 유지보수 시설의 필요성에 대한 질문에 훨씬 쉽게 답할 수 있습니다.