디지털 기술은 전 세계를 변화시키고 있고 그 중에도 산업조직의 운영방식을 획기적으로 개선시키고 있다. 과거에는, 기업의 상호연관된 가치사슬의 복잡성으로 인해 경영진은 많은 경우에 매출에 미치는 잠재적 영향을 정확히 이해하지 못한 채 타협을 할 수 밖에 없었다. 디지털 기술-특히 클라우드 기반 디지털 및 데이터 플랫폼에서 구동되는 예측 분석기술(analytics) 및 기타 인공지능(AI) 어플리케이션-은 산업 제조업체들이 복잡성을 극복하고, 가치 사슬을 재검토함으로써, 더 이상 이런 타협을 할 필요가 없게 해 줄 것이다.
전통적인 IT 어플리케이션들보다 훨씬 쉽게 실행되는 이 새로운 솔루션들은 모듈기반이기 때문에, 점증적(incremental)으로 구성될 수 있다. 대부분의 경우, 레거시 IT 시스템과는 분리되지만, 기존 운영데이터는 활용할 수 있다. 이런 능력은 조직이 수 개월 만에 기존 데이터를 통해 새로운 인사이트를 도출해내고 가치를 창출할 수 있음을 의미한다. 소규모 테스트를 실행해 성과를 내는 솔루션을 찾아내고 경험을 통해 학습한 후, 빠르게 확장시키는 애자일(agile)한 접근법을 사용할 수 있다.
물론, 이런 성과를 지속하기 위해, 기업들은 적절한 지원 구조를 마련해야 한다. 우리의 경험에 따르면, 적절한 알고리즘을 개발하고 새로운 기술도구를 활용하는 것은 필요한 전체 노력에서 겨우 30%를 차지한다. 나머지 70%는 적절한 조직 환경을 구성하고 비즈니스 프로세스를 변화시키는 것이다. 구체적으로, 우리는 새로운 역량, 데이터를 활용할 수 있는 조직 구조 및 프로세스 혁신, 가치창출에 초점을 두는 스프린트(sprint) 기반 실행이라는 세 가지 중요한 요소를 찾아냈다.
복잡한 가치사슬을 디지털을 통해 혁신함으로써, 산업 기업들은 EBITDA 를 2- 4% 포인트 개선하고 재고를 최대 10일만큼 줄일 수 있다. 뿐만 아니라, 이런 이니셔티브들을 통해 기업은 고객들과 훨씬 더 직접적으로 연결될 수 있어, 서비스 수준이 대폭 향상된다.
복잡성은 가치저하와 상실로 이어진다
화학, 철강제조, 탄광 등 산업 기업들은 가치사슬이 고도로 복잡하며, 심지어 그 복잡성이 더욱 심화되고 있다. 이런 기업들은 다양하고 변덕스러운 고객들, 복잡한 혹은 복잡하고 상호연관된 상품 포트폴리오, 대규모 글로벌 생산현장을 상대해야 한다. 게다가, 이들 중 많은 기업들이 경쟁심화와 규제요건 강화 등 외부 압력에 직면해 있는 상황이다.
복잡성은 운영상의 저하로 이어진다. 기업의 데이터는 사일로(silo)화되고 접근이 어려우며, 리더들은 그들의 결정이 매출과 고객경험에 영향을 미치는 방식을 제대로 이해하지 못해 어려움을 겪게 된다. 관리자들은 생산공장을 전사적인 표준에 입각해서라기보다는 현지수준에 맞춰 최적화한다. 기업들은 높은 수준의 시장 상품 및 서비스에 필요한 더 높은 서비스 수준을 달성할 수 없기 때문에 이 수요를 활용할 수 없다. 생산공장은 부정확한 예측을 기반으로 하고 있으며, 기업들은 계획에서 벗어난 부분에 대해 마지막 순간에 신속하게 대응할 수도 없고 리스크를 줄일 수도 없다. 또한, 시스템을 보는 전체적인 관점이 불완전해 전체적으로 병목현상이 발생한다. 최종적으로 심각한 가치상실이 야기된다.
디지털 가치 사슬
새로운 디지털 기술은 다섯 가지 방법을 이용해 기업들은 이런 전통적인 타협에서 벗어나 가치사슬 실적을 대폭 개선하도록 할 수 있다.
- 가치 사슬 전체의 인사이트와 데이터를 통합해 시스템 전체적인 단일 관점을 형성
- 방대한 양의 데이터를 가장 세밀한 수준에서 관리해 기업 리더들이 복잡성을 극복하고 근본원인을 파악하는 것을 도움
- 기업들이 문제점을 예측할 수 있도록 예측 분석기술과 시뮬레이션을 통해 계획의 정확도를 향상
- 관리자들이 기술적인 대책보다 의사결정에 집중할 수 있도록 결정의 전체적인 영향을 이해
- 데이터의 접근성을 향상시켜 사업 부서에 가장 유용한 때에 실시간으로 인사이트를 도출
예를 들어, 머신러닝에 기반한 예측 알고리즘은 과거의 수요 및 그 수요에 영향을 끼친 외부 요소를 분석하는 데 사용되어, 기업들이 더 나은 계획을 수립하고 시장 수요에 맞게 적응할 수 있도록 해 준다. (‘예측 분석기술을 이용한 수요 예측 개선‘ 참조.) 이미 가용한 기업 데이터와 더불어, 이러한 도구들은 가치 사슬 전반에 걸쳐 물자의 흐름을 추적할 수 있게 해 주고, 이를 통해 경영진들은 실시간 정보를 기반으로 결정을 내릴 수 있고, 효율적으로 서비스 수준, 재고 및 수익성의 균형을 잡을 수 있다. 이 도구들은 공급사슬의 실적과 가치사슬 전체에 미치는 의사결정의 영향을 시뮬레이션 함으로써, 수익성 및 생산의 병목 현상 등 리스크의 영향을 파악할 수 있고 이를 방지할 수 있는 방안을 제시할 수 있다.
예측 분석기술을 이용한 수요 예측 개선
수요예측은 예측 분석기술이 활용되는 가장 흔한 어플리케이션이다. AI 기법은 두 가지 방식으로 수요예측을 더욱 정확하고 풍부하게 만들 수 있다. 첫째, 이 기초 알고리즘은 계절적인 요소 및 트렌드 등의 요소를 통해 학습한다. 둘째, AI 기법은 고객시장에 영향을 미치는 외부요소들과의 상관관계를 만들 수 있다. AI가 생성한 모델은 과거의 데이터를 통해 학습하고 정확성을 보장하기 위해 검증(back-test)를 거친다. 이 알고리즘은 시간이 지나면서 실제 세계의 결과에 따라 수정되면서, 계속적으로 정확도를 개선한다. 이 모델은 8주에서 12주면 개발가능하며 궁극적으로는 일상업무 프로세스와 의사결정과정에 통합된다.
예측분석기술을 도입한 기업들은 전체적인 수요예측의 정확도를 최대 20% 포인트 개선시킨 결과 재고수준을 감소하고, 고마진 상품의 매출을 증대시키고, 전체 고객서비스를 향상시켰다. 보기 1과 2는 전통적인 수요예측 방법과 예측분석기술을 통한 접근법의 차이를 보여준다.
가치창출을 위한 애자일한 접근법
아마도 이 새로운 기술의 가장 중요한 요소는 이 기술들이 대규모 IT 실행에 사용되는 전통적인 방법이 아니라, 목표로 하는 모듈 상황을 이용하는 애자일한 방식으로 활용될 수 있다는 점일 것이다. 기업들은 기존 IT 시스템과 함께 데이터와 분석기술 레이어를 실행해 서로 다른 레거시 시스템에 산재되어 있는 데이터를 통합하고 논리적으로 구성할 수 있다. (‘디지털 및 데이터 플랫폼의 힘‘ 참조.) 이러한 디지털 도구들은 상대적으로 신속하고 저렴하게 설치되고 점증적으로 확장될 수 있기 때문에, 기업들은 이 도구를 단일 사업 부문, 자산, 혹은 지역시장에 집중하는 소규모 파일럿 테스트를 통해 적용하는 것에서부터 시작해 그 개념을 증명한 후 수 개월 내로 가치를 창출할 수 있다. 이런 접근법은 기술을 비즈니스보다 먼저 생각하기보다는 그 반대로 비즈니스 니즈를 기술보다 우선시하는 개념이다.
기업들은 가치 사슬의 문제점과 가치의 격차를 확실히 이해하는 것에서 시작해 수요예측, 재고 관리, 품질관리, 주문이행 등 구체적인 사용사례에 대한 솔루션을 구상해야 한다.
목표로 정한 솔루션들은 확실히 가치 창출에 중점을 두고, 모듈 방식으로 배치되어, 디지털로 통합된 컨트롤 타워(control tower)를 통해 함께 연결된다. 이 컨트롤 타워를 통해 엔드투엔드(end-to-end) 투명성이 보장되고 전체 가치사슬의 모든 솔루션이 통합된 계획하에 실행될 수 있다.
뿐만 아니라, 기업들은 처음부터 이상적인 솔루션을 설계하려고 노력하기 보다는, 신속하게 배치하고, 사용하기 시작해, 시간이 흐름에 따라 수정을 가할 수 있는 기본 프로토타입, MVP(최소기능제품)을 개발하는 것에서 시작해야 한다. 그래야만 현재의 급변하는 기술 환경 속에서 신속하게 가치를 실현할 수 있는 기회가 생길 수 있을 것이다.
디지털 및 데이터 플랫폼의 힘
많은 기업에서, 가장 큰 문제는 데이터의 부족이 아니라, 이미 존재하는 데이터를 효과적으로 관리하고 이를 통해 인사이트를 도출해 내는 능력의 부족이다. 예를 들어, 우리가 함께 일했던 한 회사는 여러 개의 데이터 웨어하우스(warehouse) 및 기타 저장 시스템에 9 페타바이트(peta byte) 이상의 데이터를 보유하고 있었으나 보고 및 분석 목적으로 사용하는 데이터는 전체의 0.5%에 불과했다. 클라우드 기반의 디지털 및 데이터 플랫폼을 기반으로 하면 기업들은 단기간에 확장가능한 분석기술 솔루션을 도출해 가치를 창출할 수 있다. 이런 플랫폼들은 기업이 이미 보유하고 있는 많은 양의 원시(raw)데이터에 빠른 접근을 가능하게 해, 데이터 과학자들이 이 데이터를 정형 및 비정형 데이터 출처와 결합시킬 수 있게 해 주는데, 이 모든 작업은 전통적인 데이터 웨어하우스 솔루션의 비용과는 비교도 안 되는 작은 비용으로 이루어진다.
대부분의 경우에, 디지털과 데이터 플랫폼은 세 가지 요소로 구성된다.
- 데이터 레이어. 이 데이터 레이크(lake)에서는 정형 및 비정형 원시 데이터를 가치사슬을 따라 데이처 출처-웨어하우스, 공장, 인바운드/아웃바운드 트럭 등-에서 직접 모으고 중앙 저장고에 보관한다.
- 분석기술 레이어. 이 알고리즘 세트는 강력한 데이터 분석을 할 수 있고, AI와 기타 다른 유형의 분석기술 기법을 활용한다.
- 시각화 레이어. 이 프로세스를 통해, 정제된 정보 및 인사이트가 직원과 관리자에게 사용자 친화적인 형식으로, 보통 클라우드 기반 반응형 모바일 소프트웨어를 통해, 전달된다.
디지털 및 데이터 플랫폼은 새로운 기술뿐만 아니라, IT가 일반적으로 움직이는 방식에 변화를 요구한다. 사용 사례들은 훨씬 유동적인 스프린트를 통해, 현업 부서 및 지원 부서와의 더 많은 상호작용과 지속적인 반복을 통해 점층적으로 활용되고 있다. 그 결과는 획기적일 수 있다. 예를 들어, 우리 고객사 중 하나는 새로운 데이터 및 디지털 플랫폼을 개발해 4달 만에, 전통적인 데이터 웨어하우스 비용의 극히 일부에 해당하는 비용으로-수백만 달러가 아니라 수만 달러의 비용으로-첫 번째 분석기술 세트를 지원할 수 있었다. 또 다른 고객사는 수 개월 만에 완전히 새로운 데이터 플랫폼을 개발하고 동시에 새로운 SAP 기반 ERP 시스템의 다개년 도입을 시작했다.
세 가지 중요한 요소
현재 산업기업들에게 가용한 디지털 기술은 단기적으로 상당한 기회로 연결된다. 하지만, 그 혜택을 지속가능하게 하기 위해서, 기업들은 기술과 알고리즘뿐만 아니라 적절한 조직 환경을 조성하고 비즈니스 프로세스를 변화시키는 것에도 집중해야 하는데, 이는 실제로 전체 노력에 70%에 해당한다. 경험을 토대로, 우리는 디지털 기술에 기초를 형성하는 세 가지 핵심적인 요소들을 파악했다.
새로운 역량 개발. 새로운 기술을 활용하고자 하는 기업들은 간단히 외부 협력업체에 의존할 수도 있다. 하지만, 지속적인 경쟁우위를 달성하고자 한다면, 새로운 내부 역량을 강화시켜야 한다. 일부 기업들은 초기 개념증명 단계에서 어마어마한 가치가 있음을 확인했지만 조직 전체적으로 그 가치를 실현하는 데에는 실패했다. 왜일까? 적절한 역량을 갖추지 못했기 때문이다. 다음의 세 가지 핵심 역할이 디지털 세계에서 성공하기 위해 필수적이다.
- 상품 담당자. 해당 사용 사례의 ‘CEO‘는 개별 현업 부서의 니즈를 충족하기 위한 디지털 도구를 찾아낼 수 있다. 또한, 이 도구의 개발을 위해 일하는 팀들을 관리감독한다.
- 데이터 과학자 및 데이터 엔지니어. 이들은 분석기술 프로젝트를 실행하고, 필요한 데이터를 수집하고 준비하며 분석기술 모델을 구성하고 실제 알고리즘을 유지보수하는 전문가들이다.
- 스크럼 마스터(scrum master) 및 애자일 코치. 스크럼 마스터와 애자일 코치는 구체적인 전문지식을 갖추고, 프로젝트의 초반 및 프로젝트 실행 전체에 걸쳐 적합한 구조를 만들며 절절한 속도를 유지할 수 있도록 해 줌으로써, 팀들이 보다 애자일한 방식으로 일할 수 있도록 한다.
이 역할들 중 일부는 회사의 기존 직원이나 관리자들을 교육시켜서 담당할 수도 있지만 성공하기 위해서는 새로운 인재의 영입도 반드시 필요하다.
적절한 조직 구조 수립. 성공적인 디지털 활용을 위해서는 강력한 리더십 및 지침-특히 디지털 여정의 초기에는-과 데이터 분석기술 등 새로운 디지털 팀이 필요하다. 이 팀들은 회사의 조직구조와, 운영지역, 지역 시장 점유율, 산업 프로세스 유형 등에 따라 그 포지션은 다를 수 있다. 예를 들어, 리더십이 지역에 분산되고, 다양한 유형의 상품, 설비 및 프로세스가 있는 대부분의 기업들은 그에 상응해 비즈니스 모델, 목표, 보고 체계가 각기 다양하게 나타날 것이다. 보통 이런 기업들은 각각의 사업 부문들이 자체 분석기술 팀을 갖는 분산모델을 활용하는 경우가 많다.
반대로, 프로세스가 고도로 표준화돼 있고, 리더십은 중앙에 집중되었으며, 다양한 설비 및 사업 부문들이 비슷한 문제가 있는 기업의 경우에는 솔루션 개발에 단일 분석기술 팀을 이용할 가능성이 높다.
또 어떤 기업들은 하이브리드(hybrid) 모델이나 디지털 ‘엑스큐베이터(excubator)‘-디지털 및 분석기술 전문성을 강화시켜 개별 사업 부문이나 프로젝트 단위로 배치될 수 있는 유동적인 부서-가 있는 모델을 적용할 수도 있다.
새로운 프로세스 개발. 디지털을 활용하기 위해, 기업들은 프로세스를 조절하고 의사결정 방식을 수정해야 한다. 나아가, 실적을 근본적으로 개선하고자 하는 기업은 기업문화를 바꾸는 힘겨운 과정을 거쳐야 할 것이다.
부서들은 더 이상 사일로 방식으로 일할 수 없다. 협업과 투명성은 디지털을 통해 비즈니스의 잠재력을 최대한 실현하기 위해 필수적이기 때문이다. 팀들은 가치사슬 내의 역할 중 작은 한 부분에만 집중하기 보다, 데이터 중심 인사이트가 변화로 이어져 운영 및 재무 실적 개선을 이뤄내는 보다 포괄적인 솔루션의 일부가 되어야 한다. 즉, 새로운 인사이트를 통해 기업들은 계획수립 프로세스를 단순화시키고, 의사결정과정을 간소화하며, 팀들이 정말로 중요한 것-특히 고객-만 집중하도록 할 수 있다.
데이터 지배구조는 데이터가 적절한 품질을 유지하고 해당 비즈니스 리더들에게 가용하도록 보장하는 데 있어 중요하다. 데이터 소유권은 보통 사업 부서 내에 있고, 데이터 책임자(officer)와 스튜어드(steward)가 지정되어 모든 데이터가 적절히 관리되도록 해야 한다.
핵심 성공요인
산업 가치 사슬의 디지털화 전반에 있어, 다음 사항들을 반드시 적용해야 한다.
- 기술보다는 비즈니스를 중심으로 추진하라. 비즈니스 리더들은 그들이 직면한 문제점을 가장 정확히 이해하고 있기 때문에, 디지털 솔루션 설계에 직접적으로 관여해야 한다.
- 처음부터 최고위층의 지지로 시작하라. 고위경영진들이 노력을 주도할 필요가 있다.
- 신속한 가치창출을 계획하라. 긍정적인 재무실적은 추진노력에 힘을 실어주고 회의론을 잠재운다.
- 조직을 디지털 세계에 몰입시켜라. 새로운 업무방식을 강조하고 오래된 아날로그 프로세스로는 절대 돌아갈 수 없음을 분명히 하라.
- 애자일한 의사결정을 가능하게 하라. 데이터를 이용해 변화를 추진하라.
과거에는, 산업 기업들이 운영능력 향상에만 집중할 수 있었다. 하지만, 이는 더 이상 가능하지도, 적절하지도 않다. 기업들이 데이터를 어떻게 다루느냐-그리고 어떻게 이용하느냐-에 따라 그들의 성패가 좌우될 것이다. 많은 산업 제조업체들이 이제 겨우 디지털을 통한 가치사슬 혁신의 첫발을 내딛었다. 이는 앞으로 갈 길이 멀다는 의미인 동시에, 선발주자들이 더 유리할 수 있다는 의미이기도 하다. 디지털 기회를 깨닫고 이를 활용하기 위해 신중히 움직이는 기업들은 지속가능한 우위를 확보할 수 있을 것이다. 이 기회를 놓치는 기업들은 뒤쳐질 위험에 처할 것이다.
