설비자산 성능, 재고 현황, 인력 활용, 공급망 등 생산 전체에 대한 정보를 실시간으로 시각화 하려면 공장 데이터를 정확하게 수집하는 것으로부터 시작된다. 

지금 제조 기업들이 사물인터넷, 인공지능, 그리고 머신러닝 기술을 빠르게 도입하여 공장의 데이터 역량을 최고 수준으로 끌어올리기 위해 노력하고 있다. 

자동화된 실시간 공장 데이터 수집 매커니즘을 구축하여 생산, 실적, 이익 등의 창출 과정을 최적화할 수 있고 낭비되는 경영자원을 최소화 할 수 있다. 

고도의 정확하고 표준화된 데이터 흐름을 통해 생산 현장의 장비, 인력, 재고, 공급망, 제품 품질에 대한 통찰력을 얻어 정확한 의사 결정을 내릴 수 있다. 

● 구형 컴퓨터 시스템의 사용과 사이로화된 데이터 소스 : 현실적으로 구형 시스템, 장비를 비롯한 설비자산들은 서로 정보 공유를 하기 어렵게 설계되어 있다. 분산된 시스템은 조직 내 부서 간에 문서화 업무와 소통을 하는데 큰 갭이 발생하게 된다. 다수의 분산된 시스템에서 쏟아내는 난잡한 데이터들을 통합 하기에는 상당한 어려움이 따른다. 

● 제한된 예산과 노동력의 고연령화 : 노동시장의 변화 속에서 제조기업들은 제한된 예산과 노동력의 노령화로 어려움이 배가되고 있다. 이는 스마트 제조기업이 필요로 하는 데이터 수요 충족을 어렵게 하고 있다.

● 비체계적인 데이터 저장 : 조달부터 생산, 재고 그리고 전반적인 제조 운영에 이르기까지 데이터 기록에 직접 쓴 문서나 스프레드시트에 굉장히 의존하고 있다. 이러한 데이터 저장 방법은 방대한 데이터 양의 급증에 대처할 수 없다. 

데이터 수집과 모니터링 없이는 기계의 비가동 시간을 관리할 수 없으며 유지 보수 스케줄, 스크랩, 성능, 생산이력 추적에 대한 가시성을 확보할 수 없다. 이것이 바로 디지털화가 필요한 이유이고 정확한 실시간 생산 데이터의 확보가 공장 관리자, 매니저, 그리고 엔지니어들에게 필수적인 이유다. 

디지털 전환은 공장의 생산 현장 데이터를 수집 활용하여 경쟁력을 확보하려는 것이 목적 중 하나이다. 또한 데이터가 시스템별 또는 부서별로 나뉘어져 있는 사일로 현상을 해결하고 MES를 더 효율적으로 운영할 수 있도록 도움을 준다.

1. 높은 가시성 : 실 시간으로 설비 자산의 활용 현황, 인력 활용, 제품 품질, 재고 상황, 그리고 장비의 효율성 등 제조 운영 상태를 신속하게 시각화하여 통찰력을 확보할 수 있다. 또한 예상치 못한 기계의 가동 중단 상황, 생산 프로세스의 장애물 같은 문제를 해결하여 공장의 효율성과 생산성을 향상시킨다. 

2. 정확한 정보원 일원화 : 팀마다 서로 다른 데이터 기록이나 형식을 보유하고 있는 경우가 많다. 일원화된 공장 현장 데이터를 수집하면 여러 팀들 사이에 추측, 가정, 의사소통의 차이에서 발생하는 문제를 줄일 수 있다. 정확한 정보를 찾기 위해 들이는 시간과 노력을 줄여준다. 생산 데이터의 신뢰성, 정확성, 접근 용이성 향상으로 직원들은 협력이 증대되고 중요한 의사결정을 하는데 있어 신속성과 정확성이 높아져 시장 변화에 더 빠르게 대응할 수 있다. 이외에도 다양한 생산 프로세스 전반에 걸쳐 최적의 품질을 유지하며 고객의 니즈에 맞추어 변화 또한 가능해진다. 

3. 인공지능과 머신러닝 기술의 손쉬운 적용 : 데이터 수집은 데이터 기반 제조기업이 되기 위한 첫번째 관문이다. 활용할 수 있는 데이터가 복잡하고 방대해 짐에 따라 머신러닝, 인공지능 알고리즘, 그리고 사물인터넷 기반 장치들을 아래의 목적으로 사용할 수 있다:

● 생산의 디지털화

● 실적 모니터링

● 적정 재고 수준 유지

● 정확한 수요 예측

4. 납기 스케줄링 간소화 : 생산 프로세스의 여러 단계에서 원자재 재고, 생산 능력, 납기 예측 등에 대한 정확한 데이터 수집으로 계획, 생산, 그리고 판매 프로세스 업무를 간소화 할 수 있다. 현재  어떤 배치의 생산 상황을 파악하여 리드 타임 내에 소비자 주문량을 충족할 수 있는지를 파악할 수 있다. 공장 매니저들은 과거의 상세한 기록을 기반으로 생산 이력을 추적하고 납기에 맞춰 고객과의 약속을 지킬 수 있다. 

5. 비용 절감 최적화 : 임금, 수송, 그리고 원자재 비용의 급 상승으로 비용을 절감하기 위해 다양한 방법으로 해결책을 찾으려 노력하고 있다. 데이터 수집은 전반적인 비용을 줄이는 동시에 생산 프로세스를 평가하고 개선하여 결과물을 늘리며 과잉 생산으로 인한 폐기품을  줄이는 데 큰 도움이 된다. 기계 상태에 대한 실시간 알림을 기반으로 사후적이고 수동적인 유지보수 관리에서 예측 가능한 유지 보수 관리로 전환하여 예상할 수 없을 정도로 발생되었던 비용을 줄일 수 있다. 자동화 데이터 수집 솔루션을 도입한 제조기업들은 시장과 고객의 수요가 어떻게 변화하고 있는지 이해하고 있으며 그에 따라 적절하게 대응하며 혁신하고 있다.

생산 : 고객이 요구하는 특정 일자에 맞춰 생산하는 납기와 생산량에 대한 명확한 계획을 세울 수 있다. 과잉 재고 혹은 원자재 및 부품 공급 부족을 막고 전반적인 프로세스를 예측을 하기 위해 필요한 원자재 양과 재고에 대한 정확한 추정치를 제공한다. 

공급망 : 공급망이 점점 더 복잡해지면서 데이터는 다양한 형태의 스프레드시트, ERP 시스템, 공급 포털에 나뉘어 저장된다. 이러한 데이터의 복잡한 흐름을 간소화함으로써 납기, 공급 능력, 품질 등에 대한 실시간 모니터링으로 공급망을 최적화할 수 있다.

수요 예측 : 실제 판매와 예측한 수요의 사이의 갭을 줄인다.  주, 월, 년 단위 판매 추정치와 특정 제품군의 정확한 수요 예측으로 그 격차를 줄인다. 제품 혹은 제품 로케이션 기반 예측으로 제품의 손실을 또한 방지한다. 

유지 보수 : 구시대의 시스템은 기계의 상태나 이에 영향을 미치는 온도, 진동, 열, 압력과 같은 요소들에 대한 데이터의 가시화를 전혀 제공하지 못했다. 결과적으로 예상치 못한 기계의 고장이 종종 발생하곤 했다. 데이터 수집을 통해서 효율적으로 기계에 대한 유지 보수 관리가 필요한 시점을 파악하므로 고장이나 이로 인한 손실을 막을 수 있다. 

세일즈 및 고객 만족 : 데이터 수집으로 고객과 소비자들이 원하는 것을 이해할 수 있어 생산량 증가와 브랜드 평판 관리에 역점을 둘 수 있다. 고객이 요구하는 납기와 품질에 맞추어 상품을 제공함으로써 제품이 리콜되는 상황을 줄일 수 있다.  

점점 맞춤형 제품을 확대하고 더 높은 시장 점유율을 확보하고자 하는 기업들은 자사의 공장에 알맞은 방식으로 필요한 데이터를 수집하는 것부터 시작해야 할  것이다.