사회가 급변하면서 인구의 증가와 도시화, 공공 인프라 및 인구의 노후화, 의료 비용 증가, 공공의 안전 문제 등 사회적 도전 과제들이 끊임없이 제기되고 있으며, 이런 공통 사회적 문제 해결과 이를 통한 비즈니스 혁신을 이루고자 하는 새로운 접근 방식인 소셜 이노베이션이 전세계적으로 확산되고 있습니다. 특히, 다양한 산업에서 급속하게 진행중인 디지털화가 새로운 기회이자 동시에 위협이 될 수 있는 상황에서 비즈니스를 혁신하고 경쟁력을 강화하기 위해 빅데이터 활용에 대한 중요성이 그 어느 때보다도 중요한 시기가 되었음을 함께 공유하고. Smart Industry를 실현하기 위해 빅데이터와IoT를 통해 산업 기술과 융합된 사례를 공유하고, 이러한 기술을 앞으로 어떻게 활용할 것인지 방향을 제시하고자 합니다.

1. Big Data & IoT Driven “Smart Industry”
2016.11
효성인포메이션시스템㈜

2. CONTENTS
• Big Data & IoT World
• Smart Industry
• Strategy

3. 2
ⅠBig Data & IoT World
 Digital World
 IoT World
 Big Data & IoT World

4. 3
Digital World
Cloud Big DataSocial Mobile
Internet of Things Growth of Big Data Analytics

5. 4
IoT World
Physical Digital IoT World
Internet of Things can transform
businesses, industries and cities for better outcomes,
more productivity, sustainability, quality of life, …

6. 5
Big Data & IoT World
Big Data & IoT
Tomorrow
위성 이미지
생체 정보 M2M 로그
센서
비디오
오디오
MACHINE DATA
100X
Big Data
Today
이메일
웹로그문서
SOCIAL
HUMAN DATA
10X
업무 시스템
STRUCTURED DATA
1X
Rapid Changes Affect Data, Technology and Solution Providers

7. 6
Big Data & IoT World
(1982년생 ~ 2004년생)

8. 7
Big Data & IoT World

9. 8
ⅠSmart Industry
 Industry 4.0
 Smart Factory
 Industry Big Data
 Use Cases

10. 9
Industry 4.0
디지털시스템과물리적생산체계(기기, 작업자)를
실시간 연계하여, 전체 생산 과정 최적화 가능
제조업과ICT를융합하여Operation을
획기적으로개선하는이니셔티브
독일에서‘Industry4.0’으로시작되어,
전세계적으로확산
금융위기이후제조업의중요성에주목하고
제조업 르네상스추진
Industry 4.0
(‘12)
Making in
America(‘14)
自主創新
(‘10)
산업재흥플랜
(‘13)
제조업혁신3.0
:‘20년까지1만개공장스마트화
IT·SW,IoT등을활용하여생산전과정을
지능화·최적화한“낭비Zero”공장
Source : 산업통산자원부

11. 10
Smart Factory
Source : Roland B
erger
Smart Factory Ecosystem
SmartFactory 주요원칙
1. 공급과생산라인에디지털기기를활용
2. 조립라인전반에생성된데이터를
분석 활용,작업자에가치제공
3. 즉각적인통신을이용,자원효율화
빅데이터분석을통해
1. 모든디지털데이터를적시에수집/분석
2. 스마트한의사결정과기술발전
3. 비즈니스혁신과글로벌경쟁력확보

12. 11
Need Of Big Data & IoT
1일기준사라지는
수많은데이터
여전히사용되지않고
있는수많은데이터
설비의대형화와수적증가에
따른데이터증가
분석및검증을위해데이터
보유기간의증가
급변하는시장및고객요구사항에대한
신속한대응
Process
Maintenance
Sensor &
Equipment
Data
Streaming
Data
Event
Data
Analysis
Enterprise App (MES, ERP..)
Biz
Operation
DATA

13. 12
Expectation of Big Data & IoT
1인당 생산성
생산 능력
납기 준수율
생산 설비 운영 효율
설비 가동률
개선 역량
고객 만족
생산 불량률
제조 원가
의사 결정 시간
불용 재고
장애 발생 건수
현장 사고 발생 건수
이상 대응 시간
•
•
•
•
•
•

14. 13
Use Cases
 Hitachi
- 재고 14% 감소
- 비용 30% 절감
using sensors,
cameras and
analytics
제조
 Nissan
- 고품질 서비스
using automotive
parts and customer
data analytics
 Caterpillar Marine
- 연료 효율 증가
- 고장 감소
- 선박 항해 비용
15만불 절감
using predictive
maintenance
 Austraila
Agriculture
- 기후, 지리정보 제공
- 토양 분석 등
Udinh IOT based
sensors, cameras
and external data
자동차 농업해운
 Halliburton
Landmark
- 석유 펌프 안전성
- 고장 감소
- 비용 60% 절감
using IoT data from
multiple sources
석유 가스

15. 14
Use Cases
• 예측 진단 시스템 결과를 수시로 확인해서 문제 발생
후 처리 했던 일들을 사전에 대응
• 매일 수집, 분석되는 데이터를 활용해서 평상시와는
다른 상태를 확인함으로써 정기 보수 작업 없이 대응
현장의 기계, 설비
설비 보수 등을 위한
기술자 파견
이상
탐지
정상 데이터
진단 데이터
자동 분류
분석
전 센서로부터
가동 데이터
자동 수집
정기적
확인
보고
전문가들의 판단
현지 대응 준비
·FE준비 ·부품확보
탐지
문제 발생 전에 대응
FE: Field Engineer
가동 데이터 자
동 수집

16. 15
Use Cases
micro/macro 데이터를
통합하여 분석 모델 개발
(measurement data &
process data)
Before After
Process Deviation 5% 1%
Rework 8% 3%
Result
Issue:
종종 발생되는 목표 Wafer의 두께
변화로 인하여 재 작업이 이루어 진다
Requirement:
매 Lot의 각 Wafer의 ‘Polish 시간＇의
최적화가 필요하며 이를 통한 Wafer의
두께일탈이 최소화 되어야 한다.
UCL
LCL
Collection Interval : 1 Sec.
Inaccurate
data
pattern
Event
Detected
Gap
Delays in Monitoring
UCL
LCL
Collection Interval : 10 ms.
Detected
Real-Time Monitoring
Event

17. 16
Use Cases
• 원료주문부터제품운송까지문제생기면스스로멈추고
점검(불량품제조막고, 생산공정효율성극대화)
생산 공정
모니터링 및
효율화
• 공장內일산화탄소농도도파악…위험요소감지되면경보발령
Ex)실내공기내일산화탄소허용농도:50ppm넘어서는위험감지되면경보발령
• 스마트밴드로심박수·체온· 혈중산소포화도등의정보를실시간파악하여 통합관제센터에전송
Ex)심박수가성인기준치인분당70회를넘으면즉시작업중단하고응급처치
IoT로
직원 건강
관리까지
세계 최초로 사물인터넷(IoT) 빅데이터 등을 이용해 철감 제품을 만들고 있음,
내년까지 공장에 스마트 시스템을 완비하고, 여의도 면적 5.5배에 달하는 제철소 전역으로 이 시스템을 확대 적용할 예정
제철 원료가 공장에 들어온 단계부터 각종 제품이
만들어져 운송되는 시점까지의 모든 작업 관리
• 원재료 정보관리
-철광석,석탄등원재료정보와주문정보(생산일시,생산량)를
관리하여효율적재료및재고관리수행
• 재료유입:컨베이어벨트의진동상태점검및관리
• 제선: 용광로온도파악및원격통제
• 제강:탄소함량조절통한주철·강철·연철제조
• 압연:롤모터수회전수감지통한불량품제조방지
• 출하준비:제품제조일,출하일시등관리통한 출하
상황고도화
1
2
소스 : 조선비즈 5월 10일자 기사 발췌 정리

18. 17
Use Cases

19. 18
ⅠBig Data & IoT Driven “ Smart Industry”
 Strategy
 Suggestions
 Implementation Strategy

20. 19
Ready
• 목표 및 방향
• 빅데이터 & IoT 구성 요소
• 빅데이터 & IoT 솔루션 활용 기술 등
기본 교육
• 비즈니스 & 공정 전문가
• 빅데이터 & IoT 솔루션 전문가
• 데이터 아키텍처, 분석 전문가
전문가 확보
• 요구사항 및 현황 분석
• 사내 추진 후보 과제 발굴
• 추진 일정 및 타당성 검토
과제 발굴
• 추진 계획 및 절차 수립
• 추진 범위 선정
• 데이터 용량 및 추진 비용 산정
계획 수립
• 빅데이터 & IoT 환경 설계
• 솔루션 도입 및 구축
• Best Prectice 공유
설계 및 구축
• 전문가 양성
• 빅데이터 & IoT 활성화 방안
• 정책 및 프로세스
확대 적용
기본 지식
추진 과제
발굴
추진 계획
수립
솔루션
설계 및 구축
적용 확대
수행
인력구성
인력 (People) 사업 (Biz) 기술 (Tech)

21. 20
Suggestions
“점진적추진”:BigBang식추진보다는선택과집중이필요(체계적인효과성검토)
“시작이반”:신속히추진전략을마련하여실행Roadmap을준비
“백문이불여일견”:Pilot을통해추진제약요소및필요한기술요소실제체험
“강력한Sponsorship확보”:관계부서의자발적인참여및협업유도
“소수정예” : 역량을갖춘인력을선발하여전문가를양성하고추진전담조직구성
“역량내재화”:외부전문업체를활용하여선도기술및경험을신속하게내재화
Master
Plan
Specialist
Quick
Action
1. 적합한 주제/목표
2. 데이터 식별 및
최적 솔루션 설계 구축
3. 분석 모델 적용
4. 데이터 과학자 양성

22. 21
Suggestions
업무에서의 고민 = 빅데이터 주제
해외 사례
- 생산라인 최적화
- 디스크 장애/불량 최소화
- 매출 예측, 출하량 계획
- 재고관리
- 환경 개선
- 물류 정보망
- 협력업체 신뢰도 분석
국내사례
- 품질 원인 분석
- 제품 시장 분석
- 원재료 예보시스템
- 공정 실시간 모니터링시스템
기타 활용 예시
- 설비 고장 예측
- 설비 에너지 효율화
- 센서 데이터와 제품 품질 연관성
- 수율(불량율) 분석
설비
데이터
연구
데이터
센서
데이터
로그
데이터
품질
데이터
문서
데이터
운영
데이터
설계
데이터
생산 목표 설비 가동
고장 및 장애
발생
공정 목표품질 수준불량 발생주제
설비 관리 품질 관리
•
•
•
•
•
•

23. 22
Implementation Strategy
방대하고, 다양한
데이터 확보
분석 결과를 통한
가치창출 및 활용
데이터를 식별하여
분석 및 시각화
원천 데이터
T
X
BD 수집/저장
및
BD 분석/시각화
Analytics Apps
수집 저장 분석 시각화
데이터 인프라
빅데이터 & IOT 분석 프레임워크
고객의 비즈니스를 지원하기 위한
전문이력과 솔루션을 통합 제공
소프트웨어
Hitachi 빅데이터 & IOT 솔루션
통합 어플라이언스
DI
BA
Smart Industry
Lumada - IoT Core Platform
Internet of Things

24. 23
Implementation Strategy
최적화된 비즈니스
인사이트 & 시각화
정형데이터비정형데이터
수집
통합
정제
적재
데이터모델링
임베디드 분석
예측 분석
그래프/차트
리포트
데시보드
#1: 통합 #2: 고급분석 #3: 시각화