[논문]데이터마이닝을 활용한 SCM 부문에서의 비즈니스 프로세스 분석

이상영; 이윤석

문제 정의

의사결정 나무를 통해 ''목표변수인 제품과 안전재고량에 대한 고객만족도 간의 영향관계'를 파악하고자 한다. 실제 제품과 안전재고량의 수준에 따라 고객만족도는 어떻게 나타나는지를 알아보았다.
수행시간 데이터이다. 의사결정 나무를 통해 "목표변수인 프로세스 인스턴스의 수행시간에 대한 구성 업무 수행 시간의 영향 관계'를 파악하고자 한다.
데이터베이스에서 워크플로우 분석을 위해 의미 있는데이터를 갖고 있는데이터 테이블에서 관련 요소를 추출한다. 또한 WfMC에 정의된 공통의 감사 정보에서도 과거 수행 도중 특이한 수행 정보가 있었는지 검색하여 추출한다.
구성된 SCM 환경에 도입한다. 또한 데이터마이닝 기법을 적용하여 SCM상의 프로세스를 효과적으로 통합 실행하고 비즈니스 프로세스를 분석하여 제시하고자 한다.
본 논문에서 제안하는 시스템은 BPM에 비즈니스 프로세스를 수행한 로그를 프로세스 혁신을 위해 프로세스의 분석 및 평가가 가능하도록 설계한다. 또한 시스템 구현시 B PM 서버 및 워크플로우 엔진으로 공개 BPM 서버 인 uEn gine을 사용한다.
본 논문에서는 BPM의 장점을 이용하여 SCM의 이기종, 다 조직 간의 업무 자동화에 효율성을 가지도록 분석하였다. 데이터마이닝을 활용하여 현재 수행되고 있는 비즈니스 프로세스의 객관적 분석을 통하여 더욱 개선된 비즈니스 프로세스를 작성할 수 있으며, 조직 및 기업의 자원 활용도를 높임으로써 기업 또는 조직의 내부적인 질적 향상과 고객 관계관리를 위한 정보를 이용하여 외부적인 발전을 할 수 있는 초석을 마련할 수 있다.
본 논문에서는 SCM 프로세스를 BPM을 사용하여 실행하는 모델을 제시한다. 이를 위하여 전형적인 SCM 프로세스〔12〕 를 대상으로 개발된 접근법을 적용하기로 한다.
실제 제품과 안전재고량의 수준에 따라 고객만족도는 어떻게 나타나는지를 알아보았다.
의사결정 나무를 통해 구성 업무의 수행 시간에 대한 구성 업무 수행 시간의 영향 관계“를 파악하고자 한다. 실제 어떤 구성 업무의 개선을 통해 프로세스 개선이 가능한지를 확인할 수 있다.

제안 방법

각 구성 업무별 납기일은 기업의 실제 업무 시간을 통계적 삼각분포(TRIA)로 측정하여 데이터 마이닝을 통한 구성업무, 프로세스 인스턴스별 분석 시 납 기 준수 여부의 척도로 사용하였다.
실제 데이터는 모델을 통해 작업자가 60회 실행시킨 결과를 이용하였다. 구성 업무와 프로세스의 각 수행시간은 납기를 지켰는가의 여부에 따라 C (기한 내 정상 완료)와 S(초과)로 나타내었고, 모니터링 및 분석 기능 중 의사결정 나무 기법을 사용하여 분석을 수행하였다.
그리고 납기일, 우선순위 등의 초기화 속성 등을 정의 하였다. 각 구성 업무별 납기일은 기업의 실제 업무 시간을 통계적 삼각분포(TRIA)로 측정하여 데이터 마이닝을 통한 구성업무, 프로세스 인스턴스별 분석 시 납 기 준수 여부의 척도로 사용하였다.
그리고 프로세스 모니터링을 통해 프로세스 인스턴스의 진행 상황을 확인할 수 있으며, 실행 로그를 분석이 가능한 형태의 데이터로 축적하도록 한다.
따라서, 본 논문에서는 비즈니스 프로세스 자동화 및 관리 도구로 최근 각광을 받고 있는 BPM을 각 업무 단위가 웹서비스로 구성된 SCM 환경에 도입한다. 또한 데이터마이닝 기법을 적용하여 SCM상의 프로세스를 효과적으로 통합 실행하고 비즈니스 프로세스를 분석하여 제시하고자 한다.
즉 기업 내외부에서 발생하는 모든 비즈니스 프로세스를 발견(discover), 설계(design), 배치(deploy), 실행(ex ecute), 운영(operate), 상호작용(interaction), 분석 (anal yze)하고 최적화(optimize)하는 BPM 수행 환경을 제공하도록 설계한다. 또한 데이터 마이닝 알고리즘과의 통합을 위해 기존의 BPM에 로그를 추적하고 축적할 수 있도록 시스템을 확장한다. 제안한 시스템을 이용하여 2단계 모형의 SC M을 모델링하였으며, 향후 지속적인 프로세스 실행을 통해 축적된 로그 데이터를 분석 및 평가에 활용하도록 하겠다.
주문 리스크 정책은 최적의 재주문 시점을 결정하며, 특히 유통시스템에서 일반적으로 나타나는 분배형 시스템에서, 기존의 계층 재고 정책에 비하여 높은 성과를 보임이 입증되었다. 본 논문에서 대상으로 하고 있는 한 개의 도매상과 여러 개의 소매상으로 구성된 2계층 분배형 시스템에서, 주문 리스크 정책에 따른 재주문 시점을 결정하는 모형은 주문 리스크의 정규 근사방법을 사용하였다.
제품의 종류는 A, B, C이며, 안전재고로는 10, 30, 50 수준으로 변경해봤다. 분석을 위해서 SCM의 모든 프로세스를 대상으로 소매점에서의 고객만족도를 만족(G), 불만족(F)로 코드화 시킨 것으로 하였다.
데이터는 실제 프로세스 실행을 통해 마이닝 DB에 누적된 데이터이며, 여러 구성 업무로 구성되어 있다. 분석을 위해서 SCM의 비즈니스 모델 중 배송(transport) 프로세스를 대상으로 특정 구성업무 간의 수행시간을 코드화시킨 것으로 하였다.
단위는 초로 되어 있으며 의사결정 나무의 입력 변수로는 각 구성업무 의정상 완료 여부를 목표변수로는 물품 인수 확인의 정상 시간 내 완료 여부를 사용하였다. 분석을 위해서 SCM의 비즈니스 모델 중 판매 프로세스를 대상으로 특정 구성 업무 간의 수행 시간을 코드화시킨 것으로 하였다. 검증하고자 하는 규칙은 의사결정 나무를 통해 "어떤 구성 업무의 수행 시간이 다른 구성업무의 수행시간에 영향을 미치는가?”를 얻고자 한다.
세 번째 단계인 워크플로우 전처리와 가공은 데이터 마이닝 적용을 위해 두 번째 단계에서 얻어진 데이터를 가공하여 새로운 데이터로 종합하고, 나누는 등 가공을 거치고 데이터 마이닝 기법 적용을 위해 각 기법에 맞는 전처리를 한다.
모델을 제시한다. 이를 위하여 전형적인 SCM 프로세스〔12〕 를 대상으로 개발된 접근법을 적용하기로 한다. 적용 예제에서는 SCM 프로세스는 공장, 도매상, 소매상, 운송회사의 서로 다른 참여 주체들이 포함되어 있다.
제안한 시스템은 웹서비스를 기반으로 비즈니스 프로세스와 애플리케이션 간의 빈틈없는 통합을 지원하는 시스템이다. 즉 기업 내외부에서 발생하는 모든 비즈니스 프로세스를 발견(discover), 설계(design), 배치(deploy), 실행(ex ecute), 운영(operate), 상호작용(interaction), 분석 (anal yze)하고 최적화(optimize)하는 BPM 수행 환경을 제공하도록 설계한다.
또한 데이터 마이닝 알고리즘과의 통합을 위해 기존의 BPM에 로그를 추적하고 축적할 수 있도록 시스템을 확장한다. 제안한 시스템을 이용하여 2단계 모형의 SC M을 모델링하였으며, 향후 지속적인 프로세스 실행을 통해 축적된 로그 데이터를 분석 및 평가에 활용하도록 하겠다.
의사결정 나무의 입력 변수로는 제품 종류, 안전재고를 사용하고, 목표 변수로는 소매점에서의 고객만족도를 입력하도록 한다. 제품의 종류는 A, B, C이며, 안전재고로는 10, 30, 50 수준으로 변경해봤다. 분석을 위해서 SCM의 모든 프로세스를 대상으로 소매점에서의 고객만족도를 만족(G), 불만족(F)로 코드화 시킨 것으로 하였다.
즉 기업 내외부에서 발생하는 모든 비즈니스 프로세스를 발견(discover), 설계(design), 배치(deploy), 실행(ex ecute), 운영(operate), 상호작용(interaction), 분석 (anal yze)하고 최적화(optimize)하는 BPM 수행 환경을 제공하도록 설계한다. 또한 데이터 마이닝 알고리즘과의 통합을 위해 기존의 BPM에 로그를 추적하고 축적할 수 있도록 시스템을 확장한다.

대상 데이터

같다. 데이터는 실제 프로세스 실행을 통해 마이닝 DB에 누적된 데이터이며, 공장에서 생산하는 제품의 종류와, 안전재고, 소매점에서의 고객만족도로 구성되어 있다. 의사결정 나무의 입력 변수로는 제품 종류, 안전재고를 사용하고, 목표 변수로는 소매점에서의 고객만족도를 입력하도록 한다.
같다. 데이터는 실제 프로세스 실행을 통해 마이닝 DB에 누적된 데이터이며, 공장에서 생산하는 제품의 종류와, 여러 PI로 구성되어 있다.
같다. 데이터는 실제 프로세스 실행을 통해 마이닝 DB에 누적된 데이터이며, 여러 구성 업무로 구성되어 있다. 단위는 초로 되어 있으며 의사결정 나무의 입력 변수로는 각 구성업무 의정상 완료 여부를 목표변수로는 물품 인수 확인의 정상 시간 내 완료 여부를 사용하였다.
수행시간 데이터이다. 실제 데이터는 모델을 통해 작업자가 60회 실행시킨 결과를 이용하였다. 구성 업무와 프로세스의 각 수행시간은 납기를 지켰는가의 여부에 따라 C (기한 내 정상 완료)와 S(초과)로 나타내었고, 모니터링 및 분석 기능 중 의사결정 나무 기법을 사용하여 분석을 수행하였다.
입력 데이터로는 실제 SCM 모델을 실행시켜 생성된 구성업무별 수행시간 데이터이다. 실제 데이터는 모델을 통해 작업자가 60회 실행시킨 결과를 이용하였다.
입력 데이터로는 실제 SCM 모델의 실행시켜 생성된 구성업무별 수행시간 데이터이다. 의사결정 나무를 통해 "목표변수인 프로세스 인스턴스의 수행시간에 대한 구성 업무 수행 시간의 영향 관계'를 파악하고자 한다.

이론/모형

이런 분석에 있어 특기할 사항은 모든 분석의 결과물들이 하나의 연관관계 규칙 으로서 정리될 수 있다는 점이다. 본 논문에서는 분석 방법으로서 데이터 마이닝 방법 중의사결정나무 방법을 사용한다. 의사결정 나무 기법은 데이터의 분류, 군집화, 예측 등에 쓰이며 결과 변수에 영향을 미치는 여러 변수들의 조합을 고려할 수 있으며 적용 결과로서 분석된 결과뿐만 아니라 신경망 이용 방법과는 달리 분석 결과를 나오게 한 규칙을 얻어낼 수 있고 또한 쉽게 해석할 수 있다.
이러한 SCM 모델에서 수행하는 재주문의사 결정은 주문 리스크 정책을 활용하였다. 주문 리스크 정책은 최적의 재주문 시점을 결정하며, 특히 유통시스템에서 일반적으로 나타나는 분배형 시스템에서, 기존의 계층 재고 정책에 비하여 높은 성과를 보임이 입증되었다.

성능/효과

만족함을 보이고 있다.(사례 21개) 그리고 안전재고율이 10보다 크고 30보다 작거나 같을 때 A와 C 제품의 경우 고객이 불만족임을 보였다. 또한 안전재고량이 10 이하이고 제품이 B일 경우 불만족임을 보였다.
결과를 해석하면 Factory의 PI 수행시간 이 1345초보다 크면 전체 PI의 수행 시간이 Over Due의 사례가 28 사례로 가장 많음을 나타내며, 공장의 PI 수행 시간이 1345보다 작거나 같고 배송의 PI 수행 시간이 885초보다 크면 정상 시간 내 처리된 사례가 25개 사례가 발생했음을 알 수 있다.
결과를 해석하면 안전재고량이 30보다 크면 고객은 대체로 만족함을 보이고 있다.(사례 21개) 그리고 안전재고율이 10보다 크고 30보다 작거나 같을 때 A와 C 제품의 경우 고객이 불만족임을 보였다.
결과를 해석하면 운송시간이 1394보다 큰 값을 가지면 프로세스 수행시간의 초과가 발생함을 보이고 있다. 또한 운송 시간이 1394보다 작은 경우에 발송 요청 처리 시간이 1 84보다 작으면 프로세스 수행시간이 정상이며 시간이 184 보다 클 경우에는 프로세스의 수행시간이 초과함을 보였다.
이 규칙들은 분석 시 자동적으로 생성되어지며 각기의미를 지니고 있다. 결과를 해석하면 재고갱신이 'S 聖 경우 물품 인수확인 업무가 'S'인 경우가 8개 사례가 발생하였으며, 재고갱신이 'C'이고 재주문이 'C'일 경우 물품 인수확인 업무가 28개 사례가 발생하였다. 이는 재고 갱신과 재주문의 정상 시간 내 처리 여부가 물품인수 확인 구성업무에 많은 영향이 있음을 나타낸다.
(사례 21개) 그리고 안전재고율이 10보다 크고 30보다 작거나 같을 때 A와 C 제품의 경우 고객이 불만족임을 보였다. 또한 안전재고량이 10 이하이고 제품이 B일 경우 불만족임을 보였다.
또한 운송 시간이 1394보다 작은 경우에 발송 요청 처리 시간이 1 84보다 작으면 프로세스 수행시간이 정상이며 시간이 184 보다 클 경우에는 프로세스의 수행시간이 초과함을 보였다.
본 논문에서 BPM과 데이터 마이닝 기법을 결합한 비즈니스 프로세스 관리 시스템의 아키텍쳐는 그림 1과 같으며, 제안한 BPMS 시스템의 특징을 보여준다. 제안한 시스템은 SOA(Service Oriented Architecture)를 지원한다.
전체 시스템에 있어서 고객의 만족도를 높이는 방향으로 프로세스의 개선을 위해서 생산공정에서의 안전재고를 30 이상으로 유지하는 것이 최적임을 나타내며 이를 통해 제품별, 안전재고율을 조정해 나갈 수 있을 것이다.
리스크 정책을 활용하였다. 주문 리스크 정책은 최적의 재주문 시점을 결정하며, 특히 유통시스템에서 일반적으로 나타나는 분배형 시스템에서, 기존의 계층 재고 정책에 비하여 높은 성과를 보임이 입증되었다. 본 논문에서 대상으로 하고 있는 한 개의 도매상과 여러 개의 소매상으로 구성된 2계층 분배형 시스템에서, 주문 리스크 정책에 따른 재주문 시점을 결정하는 모형은 주문 리스크의 정규 근사방법을 사용하였다.
표 5는 제품과 PI 간의 분석 결과이며, 제품이 결과에 미치는 영향도는 적으며, 다른 입력 변수들의 영향이 큼을 보였다.

후속연구

제안한 시스템은 SOA(Service Oriented Architecture)를 지원한다. 향후 웹 서비스를 통해 비즈니스 프로세스를 모델링한 후 웹 서비스를 통해 외부 시스템과의 결합이 가능하다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 데이터마이닝을 활용한 SCM 부문에서의 비즈니스 프로세스 분석
Analysis of Business Process in the SCM Sector Using Data Mining 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 데이터마이닝을 활용한 SCM 부문에서의 비즈니스 프로세스 분석 Analysis of Business Process in the SCM Sector Using Data Mining 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

이윤석 (9)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 데이터마이닝을 활용한 SCM 부문에서의 비즈니스 프로세스 분석
Analysis of Business Process in the SCM Sector Using Data Mining 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper