A Closed-Loop Data-Driven Framework for Value Stream Mapping and Future-State Design

기술 요약: 가치 흐름 지도(VSM) 및 미래 상태 설계를 위한 폐쇄 루프 데이터 기반 프레임워크

문제 정의
가치 흐름 지도(Value Stream Mapping, VSM)는 낭비를 식별하고 프로세스 개선을 유도하는 린 제조(Lean Manufacturing)의 핵심 요소이다. 그러나 전통적인 VSM은 수동 데이터 수집, 정적 표현, 전문가의 해석에 크게 의존한다. 이러한 한계로 인해 실제 실행의 변동성, 재작업 루프, 동적 병목 현상 및 시간 의존적 자원 상호작용을 제대로 포착하지 못하는 경우가 많다. VSM의 디지털화가 연구 방향으로 부상했음에도 불구하고, 기존 접근 방식은 개념적이거나 특정 사례에 국한되어 있거나, 프로세스 마이닝 출력값과 엔드 투 엔드(end-to-end) 가치 흐름 분석에 필요한 데이터 간의 통합이 부분적으로만 이루어져 있는 경우가 많다. 특히, 데이터 기반의 현재 상태 분석과 증거 기반의 미래 상태 설계 사이에는 방법론적 격차가 존재하며, 구체적으로는 운영 이벤트 데이터를 정량적 진단으로 전환하고, 후보 중재안을 평가하며, 이를 미래 상태 가치 흐름 설계(Future-State VSD)로 변환하는 재현 가능한 폐쇄 루프 방법론이 부족하다.

방법론
본 논문은 운영 이벤트 로그를 정량적으로 평가된 미래 상태 VSD로 변환하기 위해 4개의 분석 계층을 통합하는 폐쇄 루프형 데이터 기반 의사결정 지원 프레임워크를 제안한다. 워크플로우는 다음 단계로 진행된다:

1. 현재 상태 재구성 (프로세스 마이닝): 운영 이벤트 로그를 프로세스 마이닝(Process Mining, PM)으로 처리하여 실제 프로세스 동작을 재구성한다. 이는 수동 관찰을 자동화된 운영 지표(예: 사이클 타임, 대기 시간, 불량률) 추출로 대체하여 정량적인 현재 상태 가치 흐름 지도($VSM_c$)를 생성한다.
2. 구조적 및 예측적 진단:
   • 복잡 네트워크 분석 (Complex Network Analysis, CNA): 프로세스를 세 가지 상호 보완적인 그래프인 활동(Activity), 자원(Resource), 가치 흐름(Value-Flow) 네트워크로 모델링한다. 구조적 메트릭(차수, 매개 중심성, 근접도, 고유벡터 중심성, 밀도)을 계산하여 운영 지표만으로는 드러나지 않을 수 있는 구조적 의존성과 임계 노드를 식서한다.
   • 설명 가능한 머신러닝 (Explainable Machine Learning, XAI): PM의 운영 지표와 CNA의 구조적 특징을 지도 학습 모델(Random Forest, XGBoost)에 통합하여 바람직하지 않은 결과(지연, 병목, 재작업)를 예측한다. SHAP(SHapley Additive exPlanations)을 사용하여 예측을 분해함으로써, 프로세스 임계치를 유발하는 요인에 대한 해석 가능한 증거를 제공한다.
3. 중재 평가 (디지털 트윈): 진단된 증거는 후보 개선 시나리오($\Omega_t$)를 정의하는 가이드가 된다. 보정된 디지털 트윈(Digital Twin, DT) 시뮬레이션은 통제된 조건 하에서 이러한 시나리오를 평가하여, 물리적 구현 전 시스템 수준의 결과(리드 타임, 처리량, 재공품, 불량률, 재작업률)를 추정한다.
4. 미래 상태 설계: 가장 유리한 구성의 시뮬레이션 결과를 가치 흐름 표현에 다시 매핑하여 정량적인 미래 상태 가치 흐름 설계($VSM_f$)를 구축한다.

본 프레임십은 제어된 합성 제조 이벤트 로그와 세 가지 이질적인 실제 이벤트 로그(BPI 2017, BPI 2019, Data Quality Issues 로그)를 사용하여 평가되었다. 분석 역량을 점진적으로 추가하는 여섯 가지 구성($G_0$에서 $G_5$까지: Manual VSM $\to$ PM-VSM $\to$ +XAI $\to$ +DT $\to$ +CNA)에 걸쳐 누적적 절제 연구(Ablation Study)가 수행되었으며, 이를 통해 증분적 및 누적적 성능 향상을 측정하였다.

주요 기여

1. 폐쇄 루프 방법론: 본 논문은 운영 이벤트 데이터로부터 증거 기반의 프로세스 재설계로 이어지는 추적 가능한 분석 경로를 구축하여, 현재 상태 재구성, 진단적 해석, 중재 평가, 미래 상태 설계를 단일 워크플로우 내에서 연결한다.
2. 그래프 강화 설명 가능 진단: 운영 지표와 네트워크 유도 구조적 특징을 결합한 진단 메커니즘을 도입한다. 이 통합을 통해 구조적으로 중요한 프로세스 요소를 식별할 수 있으며, 기존 VSM 지표가 놓칠 수 있는 성능 저하의 원인(예: 재작업, 병목)에 대한 해석 가능한 통찰력을 제공한다.
3. 시뮬레이션 기반 설계 전환: 진단 결과로부터 후보 중재안을 도출하고 이를 디지털 트윈 시뮬레이션을 통해 평가하는 정량적 메커니즘을 제공한다. 이는 프로세스가 '어디서' 저조하게 작동하는지를 식별하는 것과, 이를 '어떻게' 재설계할 것인지(및 예상되는 시스템 수준의 결과)를 결정하는 것 사이의 간극을 메운다.

결과

• 운영 성능: 누적 시뮬레이션 기반 평가에서, 전체 프레임워크($G_5$)는 베이스라인($G_0$) 대비 유의미한 개선을 보여주었다. 구체적으로 리드 타임은 32.40%, 재공품(WIP)은 45.09%, 불량률은 27.63%, 재작업률은 45.52% 감소하였으며, 처리량은 71.73% 증가하였다. 통계 분석(ANOVA 및 Kruskal-Wallis)을 통해 이러한 개선이 유의미하며 확률적 시뮬레이션 변동성을 초과함을 확인하였다.
• 예측 능력: 네트워크 유도 구조적 특징의 포함은 특정 작업에 대한 머신러닝 모델의 예측 성능을 향상시켰다. 특히 재작업 예측의 경우, Random Forest의 F1-score가 BPI2017 데이터셋에서 0.2243에서 1.0000으로, BPI2019에서 0.4658에서 0.7451로 증가하였다. Data Quality Issues 데이터셋의 병목 예측에서도 유사한 이득이 관찰되었다.
• 구조적 통찰: 복잡 네트워크 분석(CNA)은 VSM에서 높은 시간 소모 영역과 일치하는 구조적 영향력이 큰 활동(예: 기능 테스트, 조립)을 식별하였으며, 이는 구조적 분석의 상호 보완적 가치를 확인시켜 주었다.

의의 및 주장
저자들은 본 연구가 정적 시각화를 넘어 재현 가능한 데이터 기반 의사결정 시스템으로 나아감으로써 린 제조의 중요한 방법론적 격차를 해결한다고 주장한다. 프레임워크의 의의는 단순히 기술들(PM, ML, DT, CNA)의 통합에 있는 것이 아니라, 이들을 증거 기반의 미래 상태 가치 흐름 설계를 지원하는 일관된 폐쇄 루프 워크플로우로 조직화하는 데 있다.

본 논문은 관찰된 개선 사항이 개별 구성 요소의 고립된 인과 효과가 아니라 누적된 프레임워크 차원의 이득임을 강조한다. 운영 증거를 프로세스 재설계와 체계적으로 연결함으로써, 본 프레임워크는 전통적인 VSM의 주관성을 줄이고 배포 전 개선 대안을 평가하기 위한 정량적 근거를 제공한다. 저자들은 이를 인더스트리 4.0 및 5.0 패러다임 하의 디지털 기반 생산 시스템을 향한 단계로 규정하며, 제조 및 비즈니스 프로세스 영역 전반에 적용 가능한 일반적인 방법론을 제시한다. 다만, 저자들은 재현성을 위해 시뮬레이션 기반 검증이 합성 환경에서 수행되었음을 언급하며, 향후 실제 개선 사항이 적용된 산업 사례 연구를 통한 검증이 필요하다고 겸허히 밝히고 있다.