선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이러한 과정을 통해 물량의 흐름을 에니메이션 형태로 가시화하여 직관적으로 확인 할 수 있다. 또한 앞서 분석된 이상 공정 분석 결과도 함께 가시화하여 이상 공정의 발생과 병목 공정의 발생을 동시에 확인할 수 있도록 하였다. 아래 Fig.
- 앞서 언급한 프로세스 마이닝 기반의 제작 공정 관리 기법은 실제 의장품의 적기 납입을 담당하고 있는 조달관리 업무에 직접적인 도움을 줄 수 있는 분석 방법들이다. 마지막으로 이번 절에서는 해양 플랜트 건조에서의 조달관리의 역할에 대해 정리하고자 한다. 해양 플랜트 건조에서는 기본 설계 단계에서의 잦은 사양 변경이 발생하고, 이로 인한 잦은 생산 설계 변경이 필연적으로 발생하여 제작 품의 변경이 수시로 발생한다.
- 본 연구에서는 배관재의 제작 공정 관제를 통해, 배관재의 이상 공정 발생 현황을 감시하고, 적기에 납입하기 위한 시스템을 구축하였다. 배관재의 제작 과정은 협력사에서 입력해주는 실적 정보로 분석할 수 있으나, 자동화된 분석 프로세스의 부재로 인해 제작 공정의 관제가 어렵기 때문이다.
- 다음은 설계 및 제작 과정에서 공정 담당자들이 기재한 대표적인 문제 사항들을 요인으로 하여 분석을 진행하였다. 설계 및 제작 과정에서는 설계 개정 등으로 인한 설계 보류, 설계 출도의 지연 문제 등 다양한 유형의 문제들이 발생하고 있으며, 이러한 문제 요인에 따라 정상 공정과 이상 공정을 분류하여 요인별 영향도를 검출하고자 하였다. 그러나 표2에서 나타낸 바와 같이, 각 요인별 영향도는 검출이 불가하였다.
- 이번 연구를 통해 해양플랜트의 배관재 공급 과정에서 발생 하는 로그 데이터의 분석 및 공정 관리 기법에 대해 기술하였다. 로그 데이터 분석을 위해 프로세스 마이닝 기반의 데이터 분석 체계를 구축하였고, 프로세스 가시화, 병목공정 분석, 협력사별 성과 분석 등 다양한 분석을 진행하였다.
제안 방법
- Table 2에서 분석한 결과를 바탕으로 공정상에서 발생할 수 있는 각각의 대표 문제점에 대해 이상 프로세스가 발생한 공정 별로 분류하였다. 분석 결과를 살펴보면, 제작 공정에 대해 여러 가지 문제점들이 많이 발생하고 있고, 상대적으로 후 공정인 도장 공정이나 후처리 공정에서는 이상 프로세스가 적게 발견되고 있다.
- 위와 같은 기준에 의거하여 프로세스의 표준 순서를 지키지 않고 공정이 진행되었던 경우이거나, 혹은 공정은 진행되었으나 실적이 순서에 맞지 않게 입력된 경우에 대해서는 모두 이상 완료 혹은 이상 미완료로 분류하였다. 각각 분류된 프로세스 패턴별로 정상 공정과 이상 공정의 인스턴스가 차지하는 비율을 살펴보았다. 그 결과 27%의 인스턴스가 비정상 진행 혹은 비정상 종료된 케이스로 분류가 되었다.
- 7과 같이 구성하였다. 각각의 세부 차트를 통해 각 제작 협력사별로 프로젝트 수행 기간에 따른 공정 부하의 추이를 나타내도록 하였다. 공정을 진행한 일정 단위로 협력사별 제작을 완료한 물량을 가시화하여 협력사의 부하를 간접적으로 추정할 수 있도록 하였다.
- 스풀의 제작에 해당하는 공정 중 연속된 2개 이상의 공정 실적이 없는 경우는 전처리 과정에서 제외 하였다. 각각의 중간 공정 데이터 한 개씩 없는 경우는 앞 뒤 두 공정 사이의 실적을 평균하여 사용하였다.
- 배관재의 제작 과정은 협력사에서 입력해주는 실적 정보로 분석할 수 있으나, 자동화된 분석 프로세스의 부재로 인해 제작 공정의 관제가 어렵기 때문이다. 공정 관제 및 프로세스 관제 시스템을 구축하기 위해 프로세스 도출을 위한 데이터 수집 및 전처리, 프로세스 모델의 도출 및 프로세스 모델의 적합도 평가를 수행하였다. 도출 된 프로세스에 적합하지 않는 케이스를 식별하는 과정에서 비정상적으로 진행된 프로세스를 확인할 수 있다.
- 각각의 세부 차트를 통해 각 제작 협력사별로 프로젝트 수행 기간에 따른 공정 부하의 추이를 나타내도록 하였다. 공정을 진행한 일정 단위로 협력사별 제작을 완료한 물량을 가시화하여 협력사의 부하를 간접적으로 추정할 수 있도록 하였다. 협력사별 제작 물량 배분에서는 협력사의 부하를 균등하게 가져갈 수 있도록 해 주는 것이 중요하며, 이러한 부하 차트를 통해 부하를 관제하고 보완해 줄 수 있다.
- 비정상 프로세스는 공정의 누락 여부와는 관계없이, 공정의 순서가 잘못된 모든 케이스에 대해 분류하였다. 공정의 순서가 잘못된 경우에 대해서 완료 여부만 판단하여 프로세스를 구분하였다. 이러한 클러스터링 과정을 통해 총 4가지의 공정 분류로 나타내었고, 실적 입력이 정상적으로 수행되어, 정상 공정 프로세스로 수행되는 것으로 확인되는 케이스는 전체의 72.
- 데이터 수집은 기간계 시스템으로부터 로그 데이터를 수집하는 단계로, 공정 프로세스 분석 대상 및 기간을 설정하고 프로젝트 단위의 공정 데이터를 수집한다. 그리고 수집 된 데이터를 전처리하고 데이터 상의 오류를 검사한다. 이후 데이터 분석 단계에서는 프로세스 모델의 도출, 프로세스 패턴분석, 작업 지연 및 병목 분석과 마지막으로 작업 종류, 작업 부서, 작업장 별 부하 분석 등을 수행한다.
- 그리고 협력사별 업무 관계망 분석을 진행하였고 그 결과도 함께 가시화하였다. 제작, 도장, 적치, 설치로 이어지는 순차적인 업무 흐름에 있어서 다음 공정과의 업무적 연계가 어떻게 구성되어 있는지도 매우 중요한 부분이며, 실제 협력사간 거리에 따른 운송비용 등과 함께 검토하여 업무 관계망을 구성하는데 활용되고 있다.
- 대부분의 데이터가 시간 로그 데이터와 시간 로그 데이터를 식별할 수 있는 데이터로 구성되기 때문에 데이터의 형식이나 내용이 복잡하지는 않다. 다만, 다양한 예외 케이스 데이터들에 대해 전처리 과정에서 제외할 수 있는 알고리즘을 구성하였다. 이상공정 감지 및 병목 공정 분석이라는 목적을 달성하기 위해, 이상 프로세스로 오인할 수 있는 데이터를 사전에 제외하거나, 효율적인 병목 분석을 위해 데이터를 분류하는 작업을 진행하였다.
- 특별히 이상 케이스와 정상 케이스 사이의 차이점이 발견되지 않았고, 도면 개정 회수와의 비율도 두 케이스가 매우 유사하게 분포 되어, 상관관계가 없음을 확인할 수 있었다. 다음은 설계 및 제작 과정에서 공정 담당자들이 기재한 대표적인 문제 사항들을 요인으로 하여 분석을 진행하였다. 설계 및 제작 과정에서는 설계 개정 등으로 인한 설계 보류, 설계 출도의 지연 문제 등 다양한 유형의 문제들이 발생하고 있으며, 이러한 문제 요인에 따라 정상 공정과 이상 공정을 분류하여 요인별 영향도를 검출하고자 하였다.
- PC6 의 경우는 7번 NDE 공정 실적이 없는 경우인데, 해양 공사의 경우 NDE를 100% 수행하지 않기 때문에 실적이 없는 경우가 발생 할 수 있다. 따라서 정상 완료된 케이스로 분류하였다. PC7의 경우는 2번 공정인 원자재 불출 공정의 실적이 누락된 케이스로, 특정 협력사에서 원자재 불출 후 실적을 입력하지 않아 발생한 오류로 확인되었다.
- 로그 데이터 분석을 위해 프로세스 마이닝 기반의 데이터 분석 체계를 구축하였고, 프로세스 가시화, 병목공정 분석, 협력사별 성과 분석 등 다양한 분석을 진행하였다. 또한 공정 과정에서 발생하는 로그 데이터를 분석하여 이상 공정의 발생을 사전에 감지할 수 있도록 하여, 제작 과정에서 발생하는 납기 지연을 사전에 조치할 수 있도록 하였다. 마지막으로, 제작 및 도장 협력사별로 공정을 수행한 이력을 분석하여, 협력사별 부하 분석 및 물량 배분을 위한 기초 데이터로 활용하도록 하였다.
- 스풀의 제작 및 도장 공정에서 발생하는 실적 로그 데이터를 분석하여 제작 프로세스의 패턴, 공정상의 문제점 발생 패턴을 분석하였다. 또한 공정 실적이 입력된 패턴을 분석하여 실적 입력의 이상 발생 상황을 감지할 수 있는 분석 방법을 개발하였다. 이를 위해 공정 현황을 아래 Fig.
- 제작, 도장 작업만 진행하는 협력사와 두 개의 공정을 동시에 진행하는 협력사를 분류하여, 제작 후 도장 공정 사이의 이동 시간 차이를 데이터 분석에 고려할 수 있도록 하였다. 또한 제작 및 도장 협력사간의 업무 친밀도 분석을 위해서 사전 분류를 진행하였다.
- 이번 연구를 통해 해양플랜트의 배관재 공급 과정에서 발생 하는 로그 데이터의 분석 및 공정 관리 기법에 대해 기술하였다. 로그 데이터 분석을 위해 프로세스 마이닝 기반의 데이터 분석 체계를 구축하였고, 프로세스 가시화, 병목공정 분석, 협력사별 성과 분석 등 다양한 분석을 진행하였다. 또한 공정 과정에서 발생하는 로그 데이터를 분석하여 이상 공정의 발생을 사전에 감지할 수 있도록 하여, 제작 과정에서 발생하는 납기 지연을 사전에 조치할 수 있도록 하였다.
- 로그 데이터 분석을 통해 스풀의 제작 과정에서 발생하는 각종 성과 분석을 진행하고 그 결과를 가시화 할 수 있도록 하였다. 앞서 그림5에서 도시하였던 방법과 같이 전체 물량의 흐름을 에니메이션으로 가시화 할 수도 있지만, 아래 Fig.
- 또한 공정 과정에서 발생하는 로그 데이터를 분석하여 이상 공정의 발생을 사전에 감지할 수 있도록 하여, 제작 과정에서 발생하는 납기 지연을 사전에 조치할 수 있도록 하였다. 마지막으로, 제작 및 도장 협력사별로 공정을 수행한 이력을 분석하여, 협력사별 부하 분석 및 물량 배분을 위한 기초 데이터로 활용하도록 하였다.
- 본 논문에서는 해양 플랜트의 배관 제작 공정 관제를 위해 제작 과정의 로그 데이터를 이용하여 프로세스 마이닝 기법을 적용하였다. 배관재 제작 로그 데이터의 수집 및 가공, 분석을 위한 프레임워크를 구축하고, 프로세스 마이닝을 통한 배관재 제작 공정에 대한 분석 연구를 수행하였다. 이를 통해 이상 프로세스의 패턴을 분석하여 공정 모니터링 시스템에 적용하였고, 식별된 병목 공정 결과를 이용하여 배관재 공급 관리에 응용하였다.
- 본 논문에서는 해양 플랜트의 배관 제작 공정 관제를 위해 제작 과정의 로그 데이터를 이용하여 프로세스 마이닝 기법을 적용하였다. 배관재 제작 로그 데이터의 수집 및 가공, 분석을 위한 프레임워크를 구축하고, 프로세스 마이닝을 통한 배관재 제작 공정에 대한 분석 연구를 수행하였다.
- 분류된 프로세스 케이스에 대해 앞서 정의한 정상, 비정상 공정을 분류하였고, Tale 1과 같이 총 15개의 프로세스 패턴으로 분류하였다. 분류된 케이스를 살펴보면, PC1과 PC2, PC6, PC7을 정상 종료케이스로 분류하였다.
- PC2, PC6, PC7의 경우에는 공정 중간 중간에 실적 입력이 누락이 되었지만, 프로세스 순서가 정상적이므로 정상 공정으로 판단하도록 하였다. 비정상 프로세스는 공정의 누락 여부와는 관계없이, 공정의 순서가 잘못된 모든 케이스에 대해 분류하였다. 공정의 순서가 잘못된 경우에 대해서 완료 여부만 판단하여 프로세스를 구분하였다.
- 설치 일정의 특성에 따라 제작 스풀에 대해 긴급, 준긴급 혹은 정상으로 분류를 하는데, 이를 사전에 분류하여 별도로 프로세스 분석을 진행하였다. 긴급도에 따라 각 공정에 부여된 리드 타임이 다르며, 제작의 긴급도도 달라진다.
- 위와 같은 분류 기준에 따라, 로그 데이터의 분석을 통해 프로세스의 패턴을 군집화 하였다. 수집된 로그 데이터를 제작 및 도장 협력사에서 입력한 실적 데이터를 기반으로 프로세스를 분석하고 분류하였다. 프로세스 패턴은 크게 15개로 분류가 되었으며, 각각의 공정이 진행된 실적이 어떤 시간 순서로 배열되었는지에 따라 분류하였다.
- 스풀의 제작 및 도장 공정에서 발생하는 실적 로그 데이터를 분석하여 제작 프로세스의 패턴, 공정상의 문제점 발생 패턴을 분석하였다. 또한 공정 실적이 입력된 패턴을 분석하여 실적 입력의 이상 발생 상황을 감지할 수 있는 분석 방법을 개발하였다.
- 이상 발생 케이스에 대해서는 추가적인 조사를 진행하였다. 우선, 정상 진행 케이스를 대조군으로 하여, 개정 발생 여부와 이상 프로세스 발생 여부 간의 상관관계를 조사하였다. 조사 결과를 아래 그림에 나타내었다.
- 위와 같은 분류 기준에 따라, 로그 데이터의 분석을 통해 프로세스의 패턴을 군집화 하였다. 수집된 로그 데이터를 제작 및 도장 협력사에서 입력한 실적 데이터를 기반으로 프로세스를 분석하고 분류하였다.
- 위와 같이 데이터의 전 처리 과정을 통해 제외할 데이터를 찾아낸 뒤, 효율적은 데이터 분석을 위해 데이터를 사전 분류하는 작업을 진행하였다. 데이터 분류는 아래와 같이 다양한 분석 목적에 맞는 데이터를 쉽게 활용할 수 있도록 사전에 분류하는 과정이다.
- 수집한 데이터 항목은 각각의 스풀을 인지할 수 있는 호선, 블록, 스풀ID와 각 공정별 완료 실적 로그 데이터이다. 이 데이터를 바탕으로 각 분석 목적에 맞도록 데이터를 가공 처리하였으며, 이를 총 8개의 테이블로 정리하였다. 테이블 간의 논리구성은 아래의 Fig.
- 분석 결과의 가시화 단계에서는 각종 분석 결과들을 차트 등을 통해 웹상에서 가시화하고, 전체 공정 관리 시스템에 결과 데이터를 반영한다. 이러한 전체적인 분석 단계를 바탕으로 시스템을 구축하였다.
- 긴급도에 따라 각 공정에 부여된 리드 타임이 다르며, 제작의 긴급도도 달라진다. 이러한 특성이 전체 공정 분석에 외란으로 작용할 수 있어서, 사전 분류 후 분석 작업을 진행하였다. 수집한 데이터 항목은 각각의 스풀을 인지할 수 있는 호선, 블록, 스풀ID와 각 공정별 완료 실적 로그 데이터이다.
- 순서를 지키고 있는 것, 즉 좌하단 삼각형에 속하는 경우는 정상 순서로 수행되는 케이스라 볼 수 있지만, 우 상단 삼각형에 속하는 경우는 공정 순서가 역전되어 비정상적으로 수행되는 케이스라 볼 수 있다. 이렇게 1차적으로 이상 공정 발생 여부를 확인하여 대상을 설정하고, 2차 프로세스 패턴 분석을 통해 이상 공정 발생을 확정하는 체제로 구성하였다.
- 도출 된 프로세스에 적합하지 않는 케이스를 식별하는 과정에서 비정상적으로 진행된 프로세스를 확인할 수 있다. 이를 기반으로 프로세스 마이닝 기법을 적용한 배관재 제작 관제 시스템을 구축하고, 적합도 검사를 하면서 발생하는 이벤트의 흐름을 추적하는 과정에서 병목 공정을 분석하고 가시화할 수 있도록 하였다.
- 배관재 제작 로그 데이터의 수집 및 가공, 분석을 위한 프레임워크를 구축하고, 프로세스 마이닝을 통한 배관재 제작 공정에 대한 분석 연구를 수행하였다. 이를 통해 이상 프로세스의 패턴을 분석하여 공정 모니터링 시스템에 적용하였고, 식별된 병목 공정 결과를 이용하여 배관재 공급 관리에 응용하였다.
- 이러한 현상이 발생하는 대표적인 원인으로 설계 개정으로 인한 실적의 재 발생 과정에서 입력이 잘못된 경우이거나, 혹은 단순한 실적 입력의 오류로 판단할 수 있다. 이상 발생 케이스에 대해서는 추가적인 조사를 진행하였다. 우선, 정상 진행 케이스를 대조군으로 하여, 개정 발생 여부와 이상 프로세스 발생 여부 간의 상관관계를 조사하였다.
- 다만, 다양한 예외 케이스 데이터들에 대해 전처리 과정에서 제외할 수 있는 알고리즘을 구성하였다. 이상공정 감지 및 병목 공정 분석이라는 목적을 달성하기 위해, 이상 프로세스로 오인할 수 있는 데이터를 사전에 제외하거나, 효율적인 병목 분석을 위해 데이터를 분류하는 작업을 진행하였다. 데이터 전처리를 위해 다음과 같은 데이터 분류 및 예외 케이스 정의를 진행하였다.
- 그리고 수집 된 데이터를 전처리하고 데이터 상의 오류를 검사한다. 이후 데이터 분석 단계에서는 프로세스 모델의 도출, 프로세스 패턴분석, 작업 지연 및 병목 분석과 마지막으로 작업 종류, 작업 부서, 작업장 별 부하 분석 등을 수행한다. 분석 결과의 가시화 단계에서는 각종 분석 결과들을 차트 등을 통해 웹상에서 가시화하고, 전체 공정 관리 시스템에 결과 데이터를 반영한다.
- 제작 협력사 및 도장 협력사별로 데이터를 분류하고 시간의 흐름에 따라 제작 물량의 흐름을 가시화하여 병목 공정을 분석하였다. 설계에서 출도된 물량을 최종 탑재하는 모듈 단위로 구분하고, 해당 모듈에서 시작하여, 각 스풀별로 제작 공정을 담당하는 협력사와 도장 공정을 담당하는 협력사를 거쳐 적치장에 적치 후 최종 설치를 담당하는 작업장에 전달되는 과정을 가시화한 것이다.
- 공정 관제를 위해 제작 협력사와 도장 협력사별 데이터를 사전 분류하였다. 제작, 도장 작업만 진행하는 협력사와 두 개의 공정을 동시에 진행하는 협력사를 분류하여, 제작 후 도장 공정 사이의 이동 시간 차이를 데이터 분석에 고려할 수 있도록 하였다. 또한 제작 및 도장 협력사간의 업무 친밀도 분석을 위해서 사전 분류를 진행하였다.
- 이를 통해 특이한 프로세스 패턴을 발견하고 문제가 발생하지 않도록 사전 조치가 가능하다. 특이 프로세스 패턴에 대한 분석을 통해 스풀 제작 및 도장 공정에서 발생하는 이상 프로세스를 감지하도록 하여, 스풀 제작이 지연되거나 중단되는 케이스들을 조기에 감지할 수 있도록 하였다. 또한 동일한 프로세스가 다르게 수행되는 프로세스 간의 차이점을 분석할 수 있고, 표준 프로세스의 패턴을 분석할 수 있다.
- 프로세스 케이스에 대한 클러스터링 결과는 아래 3표와 같다. 프로세스 패턴 분석을 통해 분류된 15개의 패턴을 4개의 프로세스 구분에 따라 클러스터링 하였다. 정상 수행이 완료된 케이스를 PC1, PC2, PC6, PC7로 분류하였다.
대상 데이터
- 공정 로그 데이터 기반의 공정관제 시스템의 전체적인 구성은 데이터 수집, 데이터의 정제 및 분석 그리고 분석 결과의 가시화로 구분할 수 있다. 데이터 수집은 기간계 시스템으로부터 로그 데이터를 수집하는 단계로, 공정 프로세스 분석 대상 및 기간을 설정하고 프로젝트 단위의 공정 데이터를 수집한다. 그리고 수집 된 데이터를 전처리하고 데이터 상의 오류를 검사한다.
- 이러한 특성이 전체 공정 분석에 외란으로 작용할 수 있어서, 사전 분류 후 분석 작업을 진행하였다. 수집한 데이터 항목은 각각의 스풀을 인지할 수 있는 호선, 블록, 스풀ID와 각 공정별 완료 실적 로그 데이터이다. 이 데이터를 바탕으로 각 분석 목적에 맞도록 데이터를 가공 처리하였으며, 이를 총 8개의 테이블로 정리하였다.
이론/모형
- , 2013). 본 연구에서는 이벤트 간 프로세스의 흐름과 빈도 분석에 초점을 맞추어 병목 공정 및 이상 프로세스를 분석하는데 목적이 있으므로, 휴리스틱 마이닝 기법을 활용하였다.
성능/효과
- 공정의 순서가 잘못된 경우에 대해서 완료 여부만 판단하여 프로세스를 구분하였다. 이러한 클러스터링 과정을 통해 총 4가지의 공정 분류로 나타내었고, 실적 입력이 정상적으로 수행되어, 정상 공정 프로세스로 수행되는 것으로 확인되는 케이스는 전체의 72.8%로 비정상 실적 입력이 27.2%에 달하는 것을 확인할 수 있다. 이렇게 비정상 실적 입력이 27%에 달하여, 입력된 실적을 근거로 진행하는 여러 가지 후 공정의 공정관리에 변동성이 매우 높아질 수 있음을 판단할 수 있다.
- 그러나 표2에서 나타낸 바와 같이, 각 요인별 영향도는 검출이 불가하였다. 이를 통해, 이상 발생 프로세스에 대해서는 특별히 영향을 주는 문제요인의 인자는 없는 것으로 확인되었고, 오히려 이러한 문제요인 인자와는 관계없이 랜덤하게 발생할 수 있는 실적 입력의 부정확함이 이상 프로세스의 발생을 유발함을 고찰할 수 있었다.
- 실시간으로 발생하는 시스템의 로그 데이터를 수집하고 분석하는 체계는 향후 조선해양 산업의 데이터 분석의 한 가지 방향을 제시하고 있다고 할 수 있으며, 다양한 분야에의 확대 적용을 통해 새로운 가치를 많이 창출해야 한다. 이번 연구를 통해 프로세스 마이닝 기법을 이용한 다양한 분석 내용이 공급 관리를 위한 정보로써의 가치가 있음을 확인 하였다.
- 조사 결과를 아래 그림에 나타내었다. 특별히 이상 케이스와 정상 케이스 사이의 차이점이 발견되지 않았고, 도면 개정 회수와의 비율도 두 케이스가 매우 유사하게 분포 되어, 상관관계가 없음을 확인할 수 있었다. 다음은 설계 및 제작 과정에서 공정 담당자들이 기재한 대표적인 문제 사항들을 요인으로 하여 분석을 진행하였다.
후속연구
- 공정의 현황을 실시간으로 잘 파악하고, 의사 결정을 할 수 있는 데이터들을 실시간으로 가시화하는 체계가 구축이 되어야 유연한 공급 체계를 구축할 수 있다. 실시간으로 발생하는 시스템의 로그 데이터를 수집하고 분석하는 체계는 향후 조선해양 산업의 데이터 분석의 한 가지 방향을 제시하고 있다고 할 수 있으며, 다양한 분야에의 확대 적용을 통해 새로운 가치를 많이 창출해야 한다. 이번 연구를 통해 프로세스 마이닝 기법을 이용한 다양한 분석 내용이 공급 관리를 위한 정보로써의 가치가 있음을 확인 하였다.
- 6과 같이 Sanky chart를 통해 흐름을 한번에 표현할 수도 있다. 호선 단위로 물량이 어떤 협력사를 통해 어느 정도의 비율로 이동하였는지를 한번에 직관적으로 확인 할 수 있으며, 향후 협력사의 물량배분에 기초적인 데이터로 활용 할 수 있다. 해당 차트를 통해 실제적으로 병목 현상을 관찰 할 수 없지만 향후 병목이 예상되는 공정 혹은 협력사를 확인할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.