A Data-Driven Decision-Support Framework for Predictive Quality Management in FMCG Manufacturing

기술 요약: FMCG 제조 분야의 예측 품질 관리를 위한 데이터 기반 의사결정 지원 프레임워크

문제 정의
식음료(FMCG) 부문, 특히 고용량 비스킷 제조 분야에서는 복잡한 공정 간 상호작용, 높은 처리량, 운영상의 교란으로 인해 일관된 제품 품질을 유지하는 데 어려움을 겪고 있다. 결함 감소를 위해 식스 시그마(Six Sigma)의 DMAIC(정의-측정-분석-개선-관리) 방법론이 널리 채택되고 있으나, 전통적인 적용 방식은 주로 사후적이고 반응적인 데 그친다. 이는 과거 데이터 분석과 생산 후 평가에 의존하므로, 관리자가 역동적인 생산 환경에서 발생하는 품질 문제를 실시간으로 예측하는 능력을 제한한다. 결과적으로, 전방향적 의사결정을 지원하기 위해 전체 DMAIC 사이클 전반에 걸쳐 예측 분석을 통합하는 데 있어 공백이 존재한다.

방법론
본 연구는 식스 시그마 DMAIC를 머신러닝(ML), 시계열 예측, 고장 유형 및 영향 분석(FMEA), 통계적 공정 제어(SPC)와 통합하는 데이터 기반 의사결정 지원 프레임워크를 제안하고 검증한다. 연구는 인도네시아의 고용량 비스킷 제조업체인 PT XYZ의 "Line 6"에서 반복되는 품질 손실에 초점을 맞춘 산업 사례 연구로 수행되었다.

방법론은 다섯 가지 분석 단계로 구성된다:

1. 정의 및 측정(Define & Measure): SIPOC 매핑을 통해 핵심 품질 특성(CTQ) 파라미터(예: 제품 구조, 포장 무결성)를 식별하였다. 백만 기회당 결함 수(DPMO)와 시그마 수준을 사용하여 기초 공정 능력을 정량화하였다. 파레토 분석을 사용하여 주요 결함 범주를 식별하였다.
2. 예측 모델링(회귀 분석): 공정 변수(예: 오븐 온도, 컨베이어 속도, 습도)의 함수로서 결함 발생을 모델링하기 위해 다중 선형 회귀, 릿지 회귀(Ridge Regression), 서포트 벡터 회귀(SVR) 세 가지 회귀 모델을 평가하였다. 데이터 전처리 과정에서는 결측치를 처리하고 데이터 누수(leakage)를 방지하기 위해 시간적 식별자를 제외하였다. 하이퍼파라미터 튜닝은 GridSearchCV를 통해 수행되었으며, 성능은 평균 제곱 오차(MSE)와 $R^2$를 통해 평가되었다.
3. 시계열 예측: 단기 결함 추세를 투영하기 위해 일일 생산 데이터를 리샘플링하고 보간하였다. ARIMA, Prophet, 지수 평활법(Exponential Smoothing)의 세 가지 예측 모델을 테스트하였다. 모델 선정은 평균 제곱근 오차(RMSE), 평균 절대 오차(MAE), 평균 절대 백분율 오차(MAPE)를 기준으로 하였다.
4. 분석 및 개선(위험 우선순위 결정): 피시본 다이어그램과 ML 기반 특성 중요도를 사용하여 근본 원인을 진단하였다. 이러한 결과는 위험 우선순위 지수(RPN)를 계산하기 위한 FMEA로 변환되어 우선순위가 지정된 조치로 구체화되었다.
5. 관리(Control): 본 프레임워크는 X̄–R 관리도를 ML 기반 예측 출력과 통합하여, 결함이 기존 관리 한계를 초과하기 전에 조기 감지가 가능하도록 하였다.

주요 결과

• 결함 분포: 2024년 생산 데이터(372개 관측치, 약 2,640만 kg 생산량) 분석 결과, 포장 결함(53.6%)과 공정 관련 결함(37.89%)이 전체 품질 손실의 91% 이상을 차지하는 것으로 나타났다.
• 회귀 성능: 회귀 모델 중 서포트 벡터 회귀(SVR)가 선형 모델보다 우수한 예측 성능을 보였다. 이는 주요 공정 변수와 결함 발생 사이의 관계가 본질적으로 비선형적임을 시사한다.
• 예측 성능: 시계열 예측에서 Prophet 모델이 가장 낮은 오차율(RMSE: 3.12; MAPE: 2.45)을 기록하며, 역동적인 생산 환경 내의 추세 변화와 불규칙한 변동을 포착하는 데 있어 ARIMA 및 지수 평활법보다 뛰어난 성능을 보였다.
• 위험 우선순위 결정: FMEA 분석 결과, 컨베이어 정렬 불량(RPN 280)과 포장 밀봉 실패(RPN 270)가 가장 높은 위험 유형으로 식별되어 자원 배분의 구조적 근거를 제공하였다.

의의 및 기여
본 논문은 경영 과학 및 Quality 4.0 문헌에 대해 세 가지 주요 기여를 주장한다:

1. 방법론적 확장: 분석 모델(회귀, 예측)을 DMAIC 구조 내에 직접 내재화함으로써, 식스 시그마를 반응적인 개선 방법론에서 예측적 의사결정 지원 시스템으로 확장하였다.
2. 예측 분석의 운영화: ML과 예측 기법이 단순한 결함 분류를 넘어, 통합된 프레임워크로서 고용량 제조 현장의 관리적 의사결정을 지원하기 위해 어떻게 실무적으로 운영될 수 있는지 입증하였다.
3. 확장 가능한 프레임워크: 예측, 예측(forecasting), 그리고 위험 기반 우선순위 결정(FMEA)을 지속적 모니터링(SPC)과 결합하는 확장 가능한 접근 방식을 실증적 근거와 함께 제시하였다.

한계 및 향ating 범위
저자들은 본 연구가 1년간의 단일 시설의 역사적 집계 데이터에 기반하고 있어 일반화에 한계가 있을 수 있음을 겸허히 인정하였다. 현재 모델은 자율적인 폐쇄 루프 제어를 위한 실시간 센서 통합 기능이 부족하다. 향후 연구로는 본 프레임워크를 여러 사이트로 확장하고, 지속적인 모델 업데이트를 위해 실시간 IoT 데이터를 통합하며, 장기적인 경제적 효과를 평가할 것을 제안한다. 본 연구는 모든 품질 문제를 해결했다고 주장하는 것이 아니라, 결함 위험을 조기에 식별하고 보다 적시에 개입할 수 있는 구조화된 메커즘을 제공하는 데 목적이 있다.