KR20180115144A - 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법 - Google Patents

인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법 Download PDF

Info

Publication number
KR20180115144A
KR20180115144A KR1020170047458A KR20170047458A KR20180115144A KR 20180115144 A KR20180115144 A KR 20180115144A KR 1020170047458 A KR1020170047458 A KR 1020170047458A KR 20170047458 A KR20170047458 A KR 20170047458A KR 20180115144 A KR20180115144 A KR 20180115144A
Authority
KR
South Korea
Prior art keywords
kpi
artificial intelligence
data
past
key performance
Prior art date
Application number
KR1020170047458A
Other languages
English (en)
Inventor
정석길
Original Assignee
(주) 아크라인소프트
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주) 아크라인소프트 filed Critical (주) 아크라인소프트
Priority to KR1020170047458A priority Critical patent/KR20180115144A/ko
Publication of KR20180115144A publication Critical patent/KR20180115144A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법에 관한 것으로, 기초데이터수집 시스템(POP, Point of production, 11), 통합 생산관리시스템(MES, 12), 전사적자원관리 시스템(ERP, 13), 공급망관리 시스템(SCM, 14) 등으로부터 과거이력 데이터를 전송받아 저장하는 과거 DB(30)와, 상기 과거 DB(30)의 데이터로부터 의미 있는 데이터를 추출하여 KPI를 정하는 제어부(20)와, 상기 정의된 KPI를 저장하는 KPI DB(50)와, 학습된 데이터를 기반으로 상기 KPI DB(50)에 저장된 KPI의 적합성과 달성여부를 예측하는 인공지능모듈부(40)와, 상기 인공지능모듈부(40)의 처리결과를 사용자가 확인할 수 있도록 표시부(71)에 표시함과 아울러 입력부(72)를 통해 입력된 사용자의 입력데이터를 인공지능모듈부(40)에 제공하여 KPI를 조정할 수 있도록 하는 API(Application Programing Interface) 모듈부(70)를 포함한다.

Description

인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법{Artificial intelligence-based key performance indicator simulation system and method}
본 발명은 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법에 관한 것으로, 더 상세하게는 빅데이터 및 딥러닝을 이용하여 핵심성과지표를 얻을 수 있는 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법에 관한 것이다.
일반적으로, 핵심성과지표(KPI)는 비즈니스 목표에 대한 성과를 추적하기 위한 중요한 지표이며, 비즈니스 목표를 기반으로 하며, 계량 및 측정할 수 있는 결과 위주의 상위 레벨 목표이다.
종래에는 핵심성과지표의 도출과 관하여 수많은 핵심성과지표들을 엑셀과 같은 단순 응용 프로그램을 통하여 정리하였다. 이러한 종래의 방식은 서비스 매출과 관련된 계획, 실적, 달성률을 응용 프로그램에 정리하고, 그래프 형태로 데이터를 가공해야 하기 때문에 시간이 많이 소요되는 문제점이 있었다.
또한 서비스 유형이나 제조 제품의 유형에 따라 적당한 핵심성과지표들에 차이가 있으나, 서비스 유형이나 제조 제품, 유통 구조에 무관하게 일률적인 핵심성과지표들이 선정되는 경우가 있어 실질적으로 해당 기업에는 불필요한 지표들에 의해 평가가 이루어질 수 있는 문제점이 있었다.
따라서 등록특허 10-16892-8호(IT 서비스 성과지표 선정 방법론 및 시스템, 2016년 12월 19일 등록), 공개특허 10-2017-0007005(중소기업형 핵심관리지표 대쉬보드 시스템, 2017년 1월 18일 공개) 등과 같이 특정한 서비스 및 기업형태에 적합한 핵심성과지표 선정과 관련된 기술들이 개발되었다.
이와 같이 종래의 핵심성과지표 선정관련 시스템 또는 방법들은 시스템 구축시 기업체의 개별적인 특성들을 고려하여 개발해야 하기 때문에 개발에 필요한 시간이 많이 소요되는 문제점이 있었다.
특히 위의 공개특허 10-2017-0007005호와 같이 기업 핵심성과지표(KPI) Pool을 사전에 정의하고, 해당 기업이 관리하고자 하는 KPI를 선택하고 조건을 입력하는 방식을 사용하는 경우, 해당 기업에 최적화된 KPI를 제공할 수 없으며, 경우에 따라서는 불필요한 KPI를 선택 및 관리하여, 관리 부담이 증가할 수 있는 문제점이 있었다.
본 발명이 해결하고자 하는 기술적 과제는, 과거의 데이터들로부터 해당 기업에 적당한 KPI를 자동으로 정의할 수 있도록 함으로써, 기업 특이성에 무관하게 단일한 시스템을 적용할 수 있는 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법을 제공함에 있다.
아울러 본 발명이 해결하고자 하는 다른 기술적 과제는, 선정된 KPI의 최적의사결정 예측 결과를 자동으로 제공하여, KPI 선정의 적합성과 달성 가능성 여부의 판단을 제공함과 아울러 도입 초기에 목표치의 조정이 가능한 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법을 제공함에 있다.
상기와 같은 과제를 해결하기 위한 본 발명 인공지능 기반의 핵심성과지표 시뮬레이션 시스템은, 기초데이터수집 시스템(POP, Point of production, 11), 통합 생산관리시스템(MES, 12), 전사적자원관리 시스템(ERP, 13), 공급망관리 시스템(SCM, 14) 등으로부터 과거이력 데이터를 전송받아 저장하는 과거 DB(30)와, 상기 과거 DB(30)의 데이터로부터 의미 있는 데이터를 추출하여 KPI를 정하는 제어부(20)와, 상기 정의된 KPI를 저장하는 KPI DB(50)와, 학습된 데이터를 기반으로 상기 KPI DB(50)에 저장된 KPI의 적합성과 달성여부를 예측하는 인공지능모듈부(40)와, 상기 인공지능모듈부(40)의 처리결과를 사용자가 확인할 수 있도록 표시부(71)에 표시함과 아울러 입력부(72)를 통해 입력된 사용자의 입력데이터를 인공지능모듈부(40)에 제공하여 KPI를 조정할 수 있도록 하는 API(Application Programing Interface) 모듈부(70)를 포함한다.
본 발명의 일실시예에 따르면, 상기 제어부(20)는 선정된 KPI 요소들 각각의 값을 상기 과거 DB의 데이터를 이용한 산식으로 산출하여, KPI 요소들의 현재상태(AS-IS)를 산출할 수 있다.
본 발명의 일실시예에 따르면, 상기 인공지능모듈부(40)는, 선택된 KPI를 활용하면서 사용자에게 영업계획, 수주계획, 생산계획에 따른 비용, 인력, 설비, 자재의 흐름을 제공하며, 최적의 지표를 문답식으로 제공하고, 사용자의 답에 따라 예측을 수행할 수 있다.
본 발명의 일실시예에 따르면, 상기 인공지능모듈부(40)는, 상기 입력부(72)를 통해 입력된 사용자의 입력에 따라 목표와 산식 중 적어도 하나를 조정할 수 있다.
또한 본 발명의 다른 측면에 따른 인공지능 기반의 핵심성과지표 시뮬레이션 방법은, a) 과거 데이터로부터 기업에 적당한 KPI들을 선정하는 단계와, b) 선정된 KPI들 각각에 대하여 주어진 산식에 상기 과거 데이터를 적용하여 현재상태의 값을 구하는 단계와, c) 사용자에게 KPI 지표에 대한 문항을 제공하고, 그 문항에 대한 답을 반영하여 최적의사결정 예측결과를 제공하는 단계를 포함할 수 있다.
본 발명의 일실시예에 따르면, 상기 c) 단계를 수행한 후에, 사용자가 수정한 목표치와 산식 중 적어도 하나를 반영할 수 있다.
본 발명의 일실시예에 따르면, 상기 a) 단계는, 알려진 KPI 인자들 중, 상기 과거 데이터와 직접 관련성이 있는 KPI들을 선정할 수 있다.
본 발명의 일실시예에 따르면, 상기 c) 단계는, 응답결과와 함께 과거 데이터의 학습결과에 따라 목표를 산출하고, 그 목표치를 이용하여 최적의사결정 예측 결과를 산출할 수 있다.
본 발명의 일실시예에 따르면, 상기 c) 단계는, 선정된 KPI 인자들에 대한 시나리오를 생성하고, 시나리오를 수행하며, 시나리오의 수행 중 필요데이터로 과거 데이터의 학습결과와 상기 응답결과를 사용하여 최적의사결정 예측 결과를 산출할 수 있다.
본 발명 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법은, 과거 DB에 근거하여 해당 기업의 KPI를 자동으로 선정함으로써, 사용자가 KPI를 직접 선택하는 불편을 방지함과 아울러 불필요한 KPI선정 또는 필요한 KPI가 누락되는 경우를 방지할 수 있는 효과가 있다.
또한 하나의 프로그램을 사업 분야가 다른 기업들에 공통으로 적용함이 가능하여, 소프트웨어의 개발 비용과 기간을 줄일 수 있는 효과가 있다.
아울러 본 발명은 인공지능을 이용하여 선정된 KPI에 대한 최적의사결정 예측 결과를 구하여 데이터의 불량을 예측할 수 있도록 하여, 사용자가 KPI 데이터의 조정이 가능하도록 함으로써, 보다 구체적인 목표와 목표에 도달하기 위한 방법을 제시할 수 있는 효과가 있다.
도 1은 본 발명의 바람직한 실시예에 따른 인공지능 기반의 핵심성과지표 시뮬레이션 시스템의 구성도이다.
도 2는 본 발명의 바람직한 실시예에 따른 인공지능 기반의 핵심성과지표 시뮬레이션 방법의 순서도이다.
도 3은 선정된 KPI 요소들에 대한 현재상태를 나타낸 예시도이다.
도 4 내지 도 9는 각각 선정된 KPI 요소들의 현재상태 값을 산출하는 산식을 보인 표이다.
도 10은 인공지능모듈부(40)에서 혁신 목표를 구하는 예를 설명하기 위한 그래프이다.
도 11은 상기 인공지능모듈부(40)를 통해 예측된 일부 KPI 요소의 예측치를 나타낸 도면이다.
도 12는 사용자가 예측된 일부 KPI 요소에 대한 목표치를 변경한 예를 나타낸다.
이하, 본 발명 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법에 대하여 첨부한 도면을 참조하여 상세히 설명한다.
본 발명의 실시 예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해 제공되는 것이며, 아래에 설명되는 실시 예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 아래의 실시 예들로 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 발명을 더욱 충실하고 완전하게 하며 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다.
본 명세서에서 사용된 용어는 특정 실시 예를 설명하기 위하여 사용되며, 본 발명을 제한하기 위한 것이 아니다. 본 명세서에서 사용된 바와 같이 단수 형태는 문맥상 다른 경우를 분명히 지적하는 것이 아니라면, 복수의 형태를 포함할 수 있다. 또한, 본 명세서에서 사용되는 경우 "포함한다(comprise)" 및/또는"포함하는(comprising)"은 언급한 형상들, 숫자, 단계, 동작, 부재, 요소 및/또는 이들 그룹의 존재를 특정하는 것이며, 하나 이상의 다른 형상, 숫자, 동작, 부재, 요소 및/또는 그룹들의 존재 또는 부가를 배제하는 것이 아니다. 본 명세서에서 사용된 바와 같이, 용어 "및/또는"은 해당 열거된 항목 중 어느 하나 및 하나 이상의 모든 조합을 포함한다.　
본 명세서에서 제1, 제2 등의 용어가 다양한 부재, 영역 및/또는 부위들을 설명하기 위하여 사용되지만, 이들 부재, 부품, 영역, 층들 및/또는 부위들은 이들 용어에 의해 한정되지 않음은 자명하다. 이들 용어는 특정 순서나 상하, 또는 우열을 의미하지 않으며, 하나의 부재, 영역 또는 부위를 다른 부재, 영역 또는 부위와 구별하기 위하여만 사용된다. 따라서, 이하 상술할 제1 부재, 영역 또는 부위는 본 발명의 가르침으로부터 벗어나지 않고서도 제2 부재, 영역 또는 부위를 지칭할 수 있다.
이하, 본 발명의 실시 예들은 본 발명의 실시 예들을 개략적으로 도시하는 도면들을 참조하여 설명한다. 도면들에 있어서, 예를 들면, 제조 기술 및/또는 공차에 따라, 도시된 형상의 변형들이 예상될 수 있다. 따라서, 본 발명의 실시 예는 본 명세서에 도시된 영역의 특정 형상에 제한된 것으로 해석되어서는 아니 되며, 예를 들면 제조상 초래되는 형상의 변화를 포함하여야 한다.
도 1은 본 발명의 바람직한 실시예에 따른 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 구성도이다.
도 1을 참조하면 기초데이터수집 시스템(POP, Point of production, 11), 통합 생산관리시스템(MES, 12), 전사적자원관리 시스템(ERP, 13), 공급망관리 시스템(SCM, 14) 등으로부터 과거이력 데이터를 전송받아 저장하는 과거 DB(30)와, 상기 과거 DB(30)의 데이터로부터 의미 있는 데이터를 추출하여 KPI를 정하는 제어부(20)와, 상기 정의된 KPI를 저장하는 KPI DB(50)와, 학습된 데이터를 기반으로 상기 KPI DB(50)에 저장된 KPI의 적합성과 달성여부를 예측하는 인공지능모듈부(40)와, 상기 인공지능모듈부(40)의 처리결과를 사용자가 확인할 수 있도록 표시부(71)에 표시함과 아울러 입력부(72)를 통해 입력된 사용자의 입력데이터를 인공지능모듈부(40)에 제공하여 KPI를 조정할 수 있도록 하는 API(Application Programing Interface) 모듈부(70)를 포함한다.
이하, 상기와 같이 구성되는 본 발명의 바람직한 실시예에 따른 인공지능 기반의 핵심성과지표 시뮬레이션 시스템의 구성과 작용에 대하여 보다 구체적으로 설명한다.
먼저, 본 발명의 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법을 도입하기 위해서, 기초적인 자료로 적어도 이전 연도, 분기 등의 과거기간 동안의 데이터를 보유하고 있어야 한다.
이때 과거기간 데이터는 POP 시스템(11), MES 시스템(12), ERP 시스템(13), SCM 시스템(14) 등 본 발명을 도입할 기업의 특징을 나타낼 수 있는 데이터이며, 보유 기간이 길수록 더 적합한 KPI를 도출할 수 있다.
예를 들어 구체적인 생산 물건이 없는 서비스 업종의 경우 POP 시스템(11)의 데이터와 MES 시스템(12)의 과거 데이터는 없거나 상대적으로 매우 적은 것일 수 있다.
또한 POP 시스템(11), MES 시스템(12), SCM 시스템(14)의 데이터를 이용하여 생산품목의 추정이 가능하며, 생산수량과 실제 판매수량, 불량률, 제조원가, 영업이익, 생산직원, 영업직원의 수 등 기업의 전반적인 규모와 구조를 파악할 수 있는 근거가 된다.
제어부(20)에서는 상기 과거 DB(30)에 저장된 과거 데이터를 분석하여 해당 기업에 적합한 KPI를 정의할 수 있다. 본 발명에서는 약 125개의 알려진 KPI 지수들을 KPI DB(50)에 저장해 두고, 과거 DB(30)에 저장된 과거 데이터의 분석 결과에 따라 해당 기업에 적당한 KPI 지수를 선택하도록 한다.
이때 선택된 KPI 지수는 KPI 인자별 시나리오와 평가항목을 포함할 수 있다.
예를 들어 물품의 생산과 관련된 과거 DB(30)에 저장된 과거 데이터에 생산계획 리드타임, 생산 리드타임, 생산계획 수립 주기, 설비 가동률 등에 관한 데이터가 없으면, 구체적인 생산품이 없는 서비스 기업으로 판단하여, 생산 관련 KPI의 지정을 생략하는 방법을 사용할 수 있다.
이러한 본 발명의 특징은 KPI 시뮬레이션과 관련하여 해당 기업에 적당한 소프트웨어를 먼저 구축, 개발하는 방식이 아니라 기업에서 제공하는 과거 데이터를 이용하여 해당 기업이 목표로하는 데이터를 제공하는 신개념의 라이브러리를 제공한다는 점에 있다.
즉, 사용자가 KPI 지수를 선택하고 그에 따른 소프트웨어를 구축하는 방식이 아닌 과거 데이터를 이용하여 적당한 KPI 지수를 선택한다.
도 2는 본 발명 인공지능 기반의 핵심성과지표 시뮬레이션 방법의 순서도이다.
앞서 설명한 바와 같이 S10단계와 같이 기업에서 운영하는 각종 관리 시스템의 과거 데이터를 저장하고, S20단계에서는 저장된 과거 데이터를 분석하여 최적의 KPI 지수를 선정한다.
선정되는 KPI는 고객관리, 영업관리, 자재/구매관리, 생산관리, 품질관리 등 기업의 활동 전반에서 목표와 목표 달성을 평가할 수 있는 인자들을 포함하며, 사용자 스스로 KPI 인자를 선택하는 종래의 방식에 비하여 인자 선정의 신뢰성을 향상시킬 수 있다.
선정된 상기 KPI는 KPI DB(50)에 저장된다. 즉, KPI DB(50)는 125개의 알려진 지수들과 함께 해당 기업에 최적화된 KPI를 구분하여 저장한다. KPI DB(50)는 물리적으로 하나 또는 둘 이상일 수 있으며, 물리적으로 하나의 DB에 소프트웨어 상으로 구분되는 별도의 저장공간을 가질 수 있다.
상기 선정된 KPI 요소들에 대하여 현재상태(AS-IS)를 구할 수 있다. 즉, 불량률, 생산성, 영업이익 등의 항목에 대하여 과거 데이터를 활용하여 구체화할 수 있다.
도 3은 선정된 KPI 요소들에 대한 현재상태를 나타낸 예시도이다.
도 3을 참조하면 상기 선정된 KPI 요소들을 고객관리, 영업관리, 자재/구매관리, 생산관리, 품질관리 등의 업무 모듈 각각에 대한 구체적인 항목들에 대하여 현재상태를 표시할 수 있다.
이때 각 항목들의 값을 얻기 위해서 일정한 산식을 사용할 수 있다.
도 4는 생산관리 모듈의 각 세부항목들과 그 세부항목들의 값의 산식을 보인 표이다.
도 4에 도시한 바와 같이 생산로스는 (수주량-생산량)X기회손실율X일정비율의 산식으로 구해질 수 있으며, 이때 수주량, 생산량 등은 과거 DB(30)에 저장된 데이터를 이용한다.
이와 유사하게 도 5 내지 도 9 각각에는, 생산기술, 품질관리, 마케팅, 알앤디, 영업 관련 세부항목의 값의 산식을 기재하였다.
이처럼 주어진 산식에 따라 앞서 선정된 KPI 요소들에 대한 현재상태를 구할 수 있다.
그 다음, S30단계에서는 상기 인공지능모듈부(40)를 이용하여 상기 KPI DB(50)에 저장된 KPI의 예측 결과를 산출한다.
이때 인공지능모듈부(40)에서 이용하는 기초적인 데이터들은 미리 입력된 것으로 하며, 기본적인 산식도 미리 입력되어 있는 것으로 한다. 상기 인공지능모듈부(40)는 저장된 데이터를 통해 바람직한 의사결정을 하게 된다.
특히 인공지능모듈부(40)는 OR이론에 따라 상기 선택된 KPI를 활용하면서 사용자에게 영업계획, 수주계획, 생산계획에 따른 비용, 인력, 설비, 자재의 흐름을 제공하며, 최적의 지표를 문답식으로 제공하고, 사용자의 답에 따라 예측을 수행할 수 있다.
구체적으로 예상 매출액, 1인당 생산량의 증가 가능 정도, 제품의 원가, 자재투입비용의 적합성, 투입인건비의 적합성에 대한 질문을 상기 표시부(71)를 통해 사용자에게 표시하고, 입력부(72)를 통해 입력되는 사용자의 응답을 고려하여 각 KPI들에 대한 최적의사결정 예측 결과를 표시한다.
상기 인공지능모듈부(40)는 상기 응답결과와 함께 딥러닝을 사용하여 과거 데이터를 학습하는 것으로 할 수 있으며, KPI DB(50)에 저장된 데이터들과 사용자가 응답한 답변 결과를 이용하여 목표를 산출하고, 그 목표치를 이용하여 최적의사결정 예측 결과를 산출한다. 이때의 산출식은 앞서 도 4 내지 도 9의 산식을 이용한다.
예측 결과는 생산계획 리드타임, 생산 리드타임, 생산계획 수립주기, 생산계획 준수율, 생산성(수율), 완제품 불량률, 설비종합 효율, 재공재고 일수, 설비 가동률, 매출 원가율 등을 포함할 수 있다.
상기 최적의사결정 예측 결과를 제공하기 위해서, 상기 인공지능모듈부(40)는 각 KPI 인자들에 대한 시나리오를 생성한다. 이때의 시나리오는 KPI 인자들의 시뮬레이션을 위한 것으로, 다양한 시나리오를 구축하여 경영 의사결정, 경영 환경의 변화, 실적 모니터링 등을 수행할 수 있다.
상기 시나리오의 수행 중 필요데이터로 과거 데이터의 학습결과와 상기 응답결과를 사용하여 최적의사결정 예측 결과를 산출할 수 있다.
도 10은 인공지능모듈부(40)에서 혁신 목표를 구하는 예를 설명하기 위한 그래프이다.
도 10을 참조하면 과거 DB(30)의 데이터를 이용하여 규모와 가격, 및 산업의 발달기를 확인할 수 있으며, 이에 따라 해당 산업이 도입기, 성장기, 성장후기 또는 성숙기인지 판단한다. 이는 상기 과거 DB(30)에 저장되 데이터의 기간을 고려하여 축적된 데이터의 최초 시기에 따라 현산업이 도입기, 성장기, 성장후기 또는 성숙기인지 판단할 수 있다. 이와 같은 산업의 발달기는 사용자가 직접 지정을 할 수 있다.
상기 인공지능모듈부(40)는 과거 DB(30)의 데이터를 확인하여 사업원가선을 판단하고, 산업평균 단가선과 비교한다. 산업의 발달기가 성숙기로 접어들수록 산업평균 단가선은 급격하게 낮아지는 경향이 있으며, 해당 기업의 경쟁력 향상을 위해서는 사업원가가 산업평균 단가선에 비해 더 낮은 가격을 형성해야 한다.
이러한 점을 고려하여 추정된 누적 생산량과 단위당 원가, 과거의 매출 규모 등을 고려하여 혁신 목표를 설정할 수 있다.
혁신 목표는 조업시간, 부하시간, 가동시간, 정비가동시간, 가치가동시간 등을 결정하는 요인이 되며, 인공지능모듈부(40)는 혁신 목표의 설정과 함께 그 혁신 목표에 따른 KPI의 목표를 설정하고, 그 목표를 달성하기 위한 구체적인 방법들을 제시한다.
이러한 KPI 목표와 구체적인 방법들은 과거 데이터를 이용한 것이며, 본 발명을 도입 후 운영하는 목표와는 차이가 있는 것이다.
도 11은 상기 인공지능모듈부(40)를 통해 예측된 일부 KPI 요소의 예측치를 나타낸다.
도 11을 참조하면, 상기 인공지능모듈부(40)에서 결정한 혁신 목표에 따라 고객 클레임 처리 리드타임은 현재 48시간에서 본 발명의 적용 후 12시간으로 단축되고, 견적 제공시간은 현재 100%에서 30% 수준으로 예측되며, 납품관리 시간은 1.5에서 즉시로, 자재투입시간은 5시간에서 1시간으로 예측되며, 이와 같은 예측결과는 API 모듈부(70)을 통해 표시부(71)에 표시된다.
사용자는 표시부(71)에 표시된 인공지능모듈부(40)의 예측 결과를 확인하고, 각 요인에 대한 조정을 할 수 있다.
도 2에서 S40단계에서는 S30단계에서 예측된 결과를 입력부(72)를 통해 입력되는 사용자 조정값에 따라 조정하게 된다. 이때 사용자 조정값은 각 KPI 인자의 산식을 조정하거나, 관리할 불량률을 조정하거나, 목표치를 변경할 수 있다.
도 12는 사용자가 예측된 일부 KPI 요소에 대한 목표치를 변경한 예를 나타낸다.
도 12를 참조하면 위의 도 4의 예측치에 대하여 새로운 목표치를 %단위로 정할 수 있다. 100%라는 의미는 예상치를 그대로 반영하는 것이며, 100%가 아닌 다른 비율은 예측치를 다시 단축하는 비율을 뜻한다.
이와 같이 사용자가 원하는 새로운 목표를 적용하면, 상기 인공지능모듈부(40)는 새로운 목표에 부합하는 KPI를 시뮬레이션 한다. KPI 시뮬레이션 결과는 적용 기업의 자금운용, 제품의 생산 등에서 미래를 예측한 결과를 나타낸다.
예를 들어 생산 제품의 불량률을 예측하여 표시하며, 불량률을 줄일 수 있는 방법을 제시한다.
이처럼 목표치 자체를 변경하거나, 각 KPI 요인에 대한 산식을 직접 변경하여 적용 기업에 요구되는 KPI 시뮬레이션을 수행할 수 있다.
본 발명은 상기 실시예에 한정되지 않고 본 발명의 기술적 요지를 벗어나지 아니하는 범위 내에서 다양하게 수정, 변형되어 실시될 수 있음은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 있어서 자명한 것이다.
11:POP 시스템 12:MES 시스템
13:ERP 시스템 14:SCM 시스템
20:제어부 30:과거 DB
40:인공지능모듈부 50:KPI DB
70:API 모듈부 71:표시부
72:입력부

Claims (9)

  1. 기초데이터수집 시스템(POP, Point of production, 11), 통합 생산관리시스템(MES, 12), 전사적자원관리 시스템(ERP, 13), 공급망관리 시스템(SCM, 14) 등으로부터 과거이력 데이터를 전송받아 저장하는 과거 DB(30);
    상기 과거 DB(30)의 데이터로부터 현재 기업에 적당한 KPI를 정하는 제어부(20);
    상기 정해진 KPI를 저장하는 KPI DB(50)와,
    학습된 데이터를 기반으로 상기 KPI DB(50)에 저장된 KPI의 적합성과 달성여부를 예측하는 인공지능모듈부(40); 및
    상기 인공지능모듈부(40)의 처리결과를 사용자가 확인할 수 있도록 표시부(71)에 표시함과 아울러 입력부(72)를 통해 입력된 사용자의 입력데이터를 인공지능모듈부(40)에 제공하여 KPI를 조정할 수 있도록 하는 API(Application Programing Interface) 모듈부(70)를 포함하는 인공지능 기반의 핵심성과지표 시뮬레이션 시스템.
  2. 제1항에 있어서,
    상기 제어부(20)는,
    선정된 KPI 요소들 각각의 값을 상기 과거 DB의 데이터를 이용한 산식으로 산출하여, KPI 요소들의 현재상태(AS-IS)를 산출하는 것을 특징으로 하는 인공지능 기반의 핵심성과지표 시뮬레이션 시스템.
  3. 제1항에 있어서,
    상기 인공지능모듈부(40)는,
    선택된 KPI를 활용하면서 사용자에게 영업계획, 수주계획, 생산계획에 따른 비용, 인력, 설비, 자재의 흐름을 제공하며, 최적의 지표를 문답식으로 제공하고, 사용자의 답에 따라 예측을 수행하는 것을 특징으로 하는 인공지능 기반의 핵심성과지표 시뮬레이션 시스템.
  4. 제1항에 있어서,
    상기 인공지능모듈부(40)는,
    상기 입력부(72)를 통해 입력된 사용자의 입력에 따라 목표와 산식 중 적어도 하나를 조정하는 것을 특징으로 하는 인공지능 기반의 핵심성과지표 시뮬레이션 시스템.
  5. a) 과거 데이터로부터 기업에 적당한 KPI들을 선정하는 단계;
    b) 선정된 KPI들 각각에 대하여 주어진 산식에 상기 과거 데이터를 적용하여 현재상태의 값을 구하는 단계; 및
    c) 사용자에게 KPI 지표에 대한 문항을 제공하고, 그 문항에 대한 답을 반영하여 최적의사결정 예측결과를 제공하는 단계를 포함하는 인공지능 기반의 핵심성과지표 시뮬레이션 방법.
  6. 제5항에 있어서,
    상기 c) 단계를 수행한 후에,
    사용자가 수정한 목표치와 산식 중 적어도 하나를 반영하는 인공지능 기반의 핵심성과지표 시뮬레이션 방법.
  7. 제5항에 있어서,
    상기 a) 단계는,
    알려진 KPI 인자들 중, 상기 과거 데이터와 직접 관련성이 있는 KPI들을 선정하는 것을 특징으로 하는 인공지능 기반의 핵심성과지표 시뮬레이션 방법.
  8. 제5항에 있어서,
    상기 c) 단계는,
    응답결과와 함께 과거 데이터의 학습결과에 따라 목표를 산출하고, 그 목표치를 이용하여 최적의사결정 예측 결과를 산출하는 것을 특징으로 하는 인공지능 기반의 핵심성과지표 시뮬레이션 방법.
  9. 제8항에 있어서,
    상기 c) 단계는,
    선정된 KPI 인자들에 대한 시나리오를 생성하고, 시나리오를 수행하며, 시나리오의 수행 중 필요데이터로 과거 데이터의 학습결과와 상기 응답결과를 사용하여 최적의사결정 예측 결과를 산출하는 것을 특징으로 하는 인공지능 기반의 핵심성과지표 시뮬레이션 방법.
KR1020170047458A 2017-04-12 2017-04-12 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법 KR20180115144A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170047458A KR20180115144A (ko) 2017-04-12 2017-04-12 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170047458A KR20180115144A (ko) 2017-04-12 2017-04-12 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20180115144A true KR20180115144A (ko) 2018-10-22

Family

ID=64102557

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170047458A KR20180115144A (ko) 2017-04-12 2017-04-12 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20180115144A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109474943A (zh) * 2018-12-24 2019-03-15 中国联合网络通信集团有限公司 一种射频优化方法和装置
CN112330156A (zh) * 2020-11-06 2021-02-05 联通(浙江)产业互联网有限公司 Kpi管理方法、装置、设备以及存储介质
KR102370781B1 (ko) * 2021-04-13 2022-03-07 넷플러스 주식회사 기업 현황 파악 및 예측 경영정보 시스템 및 그 구동방법
KR102420770B1 (ko) * 2021-07-06 2022-07-14 이상주 인공지능 기반의 가상 상담 운영 관리 시스템 및 그 구동방법
US11816542B2 (en) 2019-09-18 2023-11-14 International Business Machines Corporation Finding root cause for low key performance indicators

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109474943A (zh) * 2018-12-24 2019-03-15 中国联合网络通信集团有限公司 一种射频优化方法和装置
CN109474943B (zh) * 2018-12-24 2021-10-15 中国联合网络通信集团有限公司 一种射频优化方法和装置
US11816542B2 (en) 2019-09-18 2023-11-14 International Business Machines Corporation Finding root cause for low key performance indicators
CN112330156A (zh) * 2020-11-06 2021-02-05 联通(浙江)产业互联网有限公司 Kpi管理方法、装置、设备以及存储介质
CN112330156B (zh) * 2020-11-06 2024-04-09 联通(浙江)产业互联网有限公司 Kpi管理方法、装置、设备以及存储介质
KR102370781B1 (ko) * 2021-04-13 2022-03-07 넷플러스 주식회사 기업 현황 파악 및 예측 경영정보 시스템 및 그 구동방법
KR102420770B1 (ko) * 2021-07-06 2022-07-14 이상주 인공지능 기반의 가상 상담 운영 관리 시스템 및 그 구동방법

Similar Documents

Publication Publication Date Title
Rezaei et al. IoT-based framework for performance measurement: A real-time supply chain decision alignment
Sürie et al. Supply chain analysis
KR20180115144A (ko) 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법
Gokhan et al. Development of a simultaneous design for supply chain process for the optimization of the product design and supply chain configuration problem
Marquez et al. Contemporary maintenance management: process, framework and supporting pillars
Deif Dynamic analysis of a lean cell under uncertainty
Tasdemir et al. Achieving cost efficiency through increased inventory leanness: Evidences from oriented strand board (OSB) industry
CN111915254A (zh) 一种适用于汽车售后配件的库存优化控制方法和系统
Saniuk et al. Make-to-order manufacturing-new approach to management of manufacturing processes
KR101230008B1 (ko) 경영의사 결정 지원시스템
Jokovic et al. Quality 4.0 in Digital Manufacturing–Example of Good Practice
Hedman et al. A state of the art system for managing time data in manual assembly
Davari et al. An integrated simulation-fuzzy model for preventive maintenance optimisation in multi-product production firms
KR101227881B1 (ko) 기업 제조 공정 수준별 맞춤형 제조 실행 시스템 모듈 연계 정보 생성 시스템 및 그 시스템의 정보 처리 방법
CN114330816A (zh) 一种工业原材料采购控制方法及系统
Pourhejazy Production management and supply chain integration
Caldas et al. A simulation approach for spare parts supply chain management
KR20180115146A (ko) 직관적 사용자 인터페이스 제공시스템 및 방법
Aliakbari Nouri et al. Providing a fuzzy expert system to assess the maturity level of companies in manufacturing excellence in the food industry of iran
CN116050987A (zh) 用于物料补货的预测方法、装置、存储介质及处理器
Zhang et al. Interpretive ranking process-based lean manufacturing barrier evaluation
Xu et al. An optimal best practice selection approach
Chompu-Inwai et al. Key indicators for maintenance performance measurement: The aircraft galley and associated equipment manufacturer case study
Kmiecik et al. Forecasting needs of the operational activity of a logistics operator
JP2007226718A (ja) サプライチェーンの最適化支援方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment