2017.06.28

마이크론은 어떻게 수요 예측 정확도를 15% 높였나

Clint Boulton | CIO
오늘날 기업 대부분은 마치 석유처럼 솟아나는 데이터의 바다에 빠져 허우적대고 있다. 그러나 미국 아이다호 주 보이시에 있는 반도체 기업 마이크론 테크놀로지(Micron Technology)는 예외다.

이 기업은 전문가가 일명 '미래의 공장(the factory of the future)'이라고 부르는 초기 모델을 만드는 데 성공했다. 제품에 대한 데이터뿐만 아니라 생산 설비에 대한 데이터를 분석하는 소프트웨어를 이용해 거의 모든 공정을 자동화한 것이다.

Trevor Schulze, CIO, Micron마이크론이 이를 실현한 비결은 중앙 집중화된 데이터 관리 전략과 머신러닝 소프트웨어를 결합한 것이다. 그 결과 비효율적인 공정으로 인한 낭비는 줄이고 누적 수율을 개선했으며 신제품 출시 속도를 높였다. 마이크론 CIO 트레버 슐즈는 “생산 현장의 설비와 공급망 등 다양한 곳에서 엄청난 데이터가 나온다. 이를 분석해 예측과 의사결정에 반영하면 경쟁 우위를 확보할 수 있다고 생각했다"고 말했다.

최근 나온 맥킨지 글로벌 연구소(McKinsey Global Institute) 보고서를 보면, 매출과 수익을 증대시킬 수 있는 가치 있는 데이터가 늘어나고 있는 반면 이를 제대로 활용하는 기업 비율은 여전히 형편없다는 상황이다. 이 조사는 기업 임원 500인을 대상으로 했는데, 데이터 및 분석 계획 관련 목표 달성과 관련한 질문에 85%가 “일부 효과적”이라며 소극적으로 평가했다. 이런 상황에서 마이크론은 어떻게 성과를 낸 것일까?

올바른 '데이터 문화' 만들기
슐즈가 마이크론에 합류한 것은 지난 2015년이다. 당시 사내에는 다양한 빅데이터 분석 프로젝트가 있었지만 정비되지 않은 많은 양의 데이터를 처리할 제대로 된 체계가 없었다. 상황이 이렇다 보니 제조업체의 핵심 경쟁력인 '자본 자산 활용도'를 높이기 위해 데이터 과학과 머신러닝을 활용하는 것도 요원했다.

더구나 당시 마이크론은 데이터를 활용할 수 있는 반복 가능한 절차가 없어서 엔지니어가 매번 똑같은 문제를 계속해서 씨름하고 있었다. 전 세계에 흩어진 스토리지에서 수작업으로 데이터를 추출해 비교해야 했다. 기술 전문가들의 표현을 그대로 인용하면 '확장성이 없는' 상태였다.

이에 따라 슐즈는 전사 분석 및 데이터 IT 그룹을 신설했다. 업무 그룹과 협력해 생산부터 공급망, 인력 관리까지 전 분야에 대한 데이터를 정리하고 모으는 역할을 맡겼다. 그는 "이 팀의 가장 중요한 역할은 회사가 추구하는 데이터 문화를 만드는 일이다. 이처럼 중앙 집중화된 팀은 주요 문제를 매우 효율적으로 해결했다. 데이터 과학자를 배치한 후 데이터 취득 및 준비 시간이 절반이 되는 등 단기간에 상당한 성과를 냈다"고 말했다.


분석팀의 무기는 좋은 툴이다. 악기 없는 록 밴드가 음악을 만들 수 없는 것과 마찬가지다. 마이크론의 IT팀은 데이터 분석을 위해 글로벌 데이터 웨어하우스를 구축했다. 독자 개발한 머신러닝 알고리즘 외에도 아파치 하둡(Apache Hadoop), 스파크(Spark), NiFi 같은 오픈소스 분석 소프트웨어를 활용했다.

머신러닝의 장점은 그 데이터 분석 방식을 분석하면 더 쉽게 이해할 수 있다. 과거에는 엔지니어가 대시보드의 많은 데이터를 조사해 한 번에 2개 정도 변수를 비교하곤 했다. 반면 마이크론은 독자 개발한 알고리즘을 이용해 전사적 데이터의 모든 신호를 꼼꼼하게 살핀다. 이를 통해 문제의 근본 원인 해결책을 찾을 중요한 단서를 찾고 재고 최적화가 가능한 영역에 식별하는 것은 물론 새 제품 설계에 들 시간을 계산할 수 있다.

마이크론의 전사 데이터 과학 담당 이사 팀 롱은 “한 번에 변수 2개를 비교하는 것으로는 이런 문제를 해결할 수 없다. 우리는 머신러닝을 활용해 이 한계를 넘었고 데이터 내에 존재하는 수십만 가지의 관계를 동시에 살펴볼 수 있게 됐다"고 말했다. 예를 들어 조립 설비의 문제를 감지하고 엔지니어에게 공구를 살펴보라는 지시할 수 있게 됐다. 예전에는 웨이퍼가 전체 제조 공정 중 점검 단계에 이른 후에야 찾을 수 있던 문제였다.

Tim Long, director of enterprise data science, Micron머신러닝의 위력
마이크론은 이 시스템을 활용하기 시작한 이후 엔지니어가 2,700회 이상 '승리'했다. 여기서 승리란 데이터 과학 기술이나 솔루션 없이는 달성할 수 없는 주요 제조 측정 기준의 직접적 개선을 입증한 것을 의미한다. 마이크론의 전사 분석 및 데이터 담당 IT 이사 데이빗 리치는 “신호를 찾았다고 해도 이를 제시간에 파악해서 조치를 취할 수 있느냐가 더 중요하다"고 말했다.

아무리 좋은 툴이라고 해도 품질을 높이는 데 활용할 수 없다면 별 의미가 없다. 마이크론은 '데이터 볼트(Data Vault)'를 통해 자사 글로벌 데이터 웨어하우스에 변경사항을 신속하고 반복적으로 적용한다. 데이터 볼트란 데이터 웨어하우스에 애자일 개발(agile development) 공정을 적용하는 체계로, 전통적인 데이터 웨어하우스 방식보다 더 효율적이다.

기존 방식에서는 엔지니어가 직접 시스템에 데이터를 입력하고 빅데이터를 설계해야 했기 때문에 결과를 내놓는 데 18개월이 걸렸다. 그러나 시장과 기술이 빠르게 변화하면서 결과가 나올 때쯤엔 그 정보가 무용지물이 되곤 했다. 따라서 마이크론은 데이터 웨어하우스 방식을 활용해 변경사항을 그때그때 저장하고 사후에도 추가하는 시스템을 구축했다. 리치는 "핵심은 반복 작업이 더 빨라지도록 해 제조 현장에 있는 데이터 분석팀의 업무 속도를 높이는 것이다"고 말했다.

머신러닝을 이용한 수요 예측은 매우 성공적이었다. 마이크론은 고객의 필요에 맞게 반도체 제품 수천 개를 생산할 수 있었다. 머신러닝을 통해 예측 정확성이 15% 향상됐는데, 매우 까다로운 작업임을 고려하면 인상적인 수치다. 롱은 “머신러닝의 장점은 수백 개의 다른 시계열 예측을 생성한 후 그중 어떤 것을 어떻게 조합해야 가장 믿을 수 있는 예측이 되는지 다양하게 검토할 수 있다는 것이다"고 말했다. ciokr@idg.co.kr
 



2017.06.28

마이크론은 어떻게 수요 예측 정확도를 15% 높였나

Clint Boulton | CIO
오늘날 기업 대부분은 마치 석유처럼 솟아나는 데이터의 바다에 빠져 허우적대고 있다. 그러나 미국 아이다호 주 보이시에 있는 반도체 기업 마이크론 테크놀로지(Micron Technology)는 예외다.

이 기업은 전문가가 일명 '미래의 공장(the factory of the future)'이라고 부르는 초기 모델을 만드는 데 성공했다. 제품에 대한 데이터뿐만 아니라 생산 설비에 대한 데이터를 분석하는 소프트웨어를 이용해 거의 모든 공정을 자동화한 것이다.

Trevor Schulze, CIO, Micron마이크론이 이를 실현한 비결은 중앙 집중화된 데이터 관리 전략과 머신러닝 소프트웨어를 결합한 것이다. 그 결과 비효율적인 공정으로 인한 낭비는 줄이고 누적 수율을 개선했으며 신제품 출시 속도를 높였다. 마이크론 CIO 트레버 슐즈는 “생산 현장의 설비와 공급망 등 다양한 곳에서 엄청난 데이터가 나온다. 이를 분석해 예측과 의사결정에 반영하면 경쟁 우위를 확보할 수 있다고 생각했다"고 말했다.

최근 나온 맥킨지 글로벌 연구소(McKinsey Global Institute) 보고서를 보면, 매출과 수익을 증대시킬 수 있는 가치 있는 데이터가 늘어나고 있는 반면 이를 제대로 활용하는 기업 비율은 여전히 형편없다는 상황이다. 이 조사는 기업 임원 500인을 대상으로 했는데, 데이터 및 분석 계획 관련 목표 달성과 관련한 질문에 85%가 “일부 효과적”이라며 소극적으로 평가했다. 이런 상황에서 마이크론은 어떻게 성과를 낸 것일까?

올바른 '데이터 문화' 만들기
슐즈가 마이크론에 합류한 것은 지난 2015년이다. 당시 사내에는 다양한 빅데이터 분석 프로젝트가 있었지만 정비되지 않은 많은 양의 데이터를 처리할 제대로 된 체계가 없었다. 상황이 이렇다 보니 제조업체의 핵심 경쟁력인 '자본 자산 활용도'를 높이기 위해 데이터 과학과 머신러닝을 활용하는 것도 요원했다.

더구나 당시 마이크론은 데이터를 활용할 수 있는 반복 가능한 절차가 없어서 엔지니어가 매번 똑같은 문제를 계속해서 씨름하고 있었다. 전 세계에 흩어진 스토리지에서 수작업으로 데이터를 추출해 비교해야 했다. 기술 전문가들의 표현을 그대로 인용하면 '확장성이 없는' 상태였다.

이에 따라 슐즈는 전사 분석 및 데이터 IT 그룹을 신설했다. 업무 그룹과 협력해 생산부터 공급망, 인력 관리까지 전 분야에 대한 데이터를 정리하고 모으는 역할을 맡겼다. 그는 "이 팀의 가장 중요한 역할은 회사가 추구하는 데이터 문화를 만드는 일이다. 이처럼 중앙 집중화된 팀은 주요 문제를 매우 효율적으로 해결했다. 데이터 과학자를 배치한 후 데이터 취득 및 준비 시간이 절반이 되는 등 단기간에 상당한 성과를 냈다"고 말했다.


분석팀의 무기는 좋은 툴이다. 악기 없는 록 밴드가 음악을 만들 수 없는 것과 마찬가지다. 마이크론의 IT팀은 데이터 분석을 위해 글로벌 데이터 웨어하우스를 구축했다. 독자 개발한 머신러닝 알고리즘 외에도 아파치 하둡(Apache Hadoop), 스파크(Spark), NiFi 같은 오픈소스 분석 소프트웨어를 활용했다.

머신러닝의 장점은 그 데이터 분석 방식을 분석하면 더 쉽게 이해할 수 있다. 과거에는 엔지니어가 대시보드의 많은 데이터를 조사해 한 번에 2개 정도 변수를 비교하곤 했다. 반면 마이크론은 독자 개발한 알고리즘을 이용해 전사적 데이터의 모든 신호를 꼼꼼하게 살핀다. 이를 통해 문제의 근본 원인 해결책을 찾을 중요한 단서를 찾고 재고 최적화가 가능한 영역에 식별하는 것은 물론 새 제품 설계에 들 시간을 계산할 수 있다.

마이크론의 전사 데이터 과학 담당 이사 팀 롱은 “한 번에 변수 2개를 비교하는 것으로는 이런 문제를 해결할 수 없다. 우리는 머신러닝을 활용해 이 한계를 넘었고 데이터 내에 존재하는 수십만 가지의 관계를 동시에 살펴볼 수 있게 됐다"고 말했다. 예를 들어 조립 설비의 문제를 감지하고 엔지니어에게 공구를 살펴보라는 지시할 수 있게 됐다. 예전에는 웨이퍼가 전체 제조 공정 중 점검 단계에 이른 후에야 찾을 수 있던 문제였다.

Tim Long, director of enterprise data science, Micron머신러닝의 위력
마이크론은 이 시스템을 활용하기 시작한 이후 엔지니어가 2,700회 이상 '승리'했다. 여기서 승리란 데이터 과학 기술이나 솔루션 없이는 달성할 수 없는 주요 제조 측정 기준의 직접적 개선을 입증한 것을 의미한다. 마이크론의 전사 분석 및 데이터 담당 IT 이사 데이빗 리치는 “신호를 찾았다고 해도 이를 제시간에 파악해서 조치를 취할 수 있느냐가 더 중요하다"고 말했다.

아무리 좋은 툴이라고 해도 품질을 높이는 데 활용할 수 없다면 별 의미가 없다. 마이크론은 '데이터 볼트(Data Vault)'를 통해 자사 글로벌 데이터 웨어하우스에 변경사항을 신속하고 반복적으로 적용한다. 데이터 볼트란 데이터 웨어하우스에 애자일 개발(agile development) 공정을 적용하는 체계로, 전통적인 데이터 웨어하우스 방식보다 더 효율적이다.

기존 방식에서는 엔지니어가 직접 시스템에 데이터를 입력하고 빅데이터를 설계해야 했기 때문에 결과를 내놓는 데 18개월이 걸렸다. 그러나 시장과 기술이 빠르게 변화하면서 결과가 나올 때쯤엔 그 정보가 무용지물이 되곤 했다. 따라서 마이크론은 데이터 웨어하우스 방식을 활용해 변경사항을 그때그때 저장하고 사후에도 추가하는 시스템을 구축했다. 리치는 "핵심은 반복 작업이 더 빨라지도록 해 제조 현장에 있는 데이터 분석팀의 업무 속도를 높이는 것이다"고 말했다.

머신러닝을 이용한 수요 예측은 매우 성공적이었다. 마이크론은 고객의 필요에 맞게 반도체 제품 수천 개를 생산할 수 있었다. 머신러닝을 통해 예측 정확성이 15% 향상됐는데, 매우 까다로운 작업임을 고려하면 인상적인 수치다. 롱은 “머신러닝의 장점은 수백 개의 다른 시계열 예측을 생성한 후 그중 어떤 것을 어떻게 조합해야 가장 믿을 수 있는 예측이 되는지 다양하게 검토할 수 있다는 것이다"고 말했다. ciokr@idg.co.kr
 

X