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.
