2024-02-02 | 인사이트 리포트

통계적 공정 관리(SPC) 핵심 도구 7가지와 실제 활용 사례

1종 오류(과검)를 모니터링하는 대시보드 예시 이미지. 왼쪽 파이 차트는 검사기가 NG라고 판정한 전체 수량 대비 LISA가 1종 오류일 확률이 높다고 판단한 수량(빨간색)의 비율을 보여준다. 오른쪽 막대 그래프를 통해 각 검사 종류 별로 상세 수량을 확인할 수 있다. Image Credit : AHHA Labs

1. 체크 시트(CHECK SHEET)

체크 시트는 데이터가 생성된 장소에서 실시간으로 데이터를 수집하고 정리하는 데 사용하는 양식입니다. 수집하는 데이터는 정량적일 수도 있고 정성적(수치가 아닌 데이터)일 수도 있습니다. 체크 시트로 수집한 데이터를 이용해 히스토그램, 막대 차트, 파레토 차트 등을 생성할 수 있습니다.

체크 시트는 사건, 문제, 결함, 결함의 위치, 결함의 원인, 이와 유사한 문제의 빈도나 패턴에 대한 데이터를 수집하는 경우 이용합니다. 동일한 사람이 동일한 장소에서 반복적으로 데이터를 관찰하고 수집하는 경우에 사용하기가 용이하며, 사건이나 문제를 문서화하고자 할 때에도 체크 시트가 적절합니다. 생산 과정에서 분석을 위한 데이터를 먼저 수집하고자 할 때 사용할 수 있습니다.

Image Credit : Check Sheet Wikipedia

📌 손쉬운 데이터 수집 방법 안내 

 

2. 관리 차트(Control Chart, Shewhart Chart)

관리 차트는 시간 경과에 따른 프로세스 데이터를 그래픽으로 표현한 것을 뜻합니다. 항상 평균을 나타내는 중앙선(Central Line), 관리 상한을 나타내는 상한선(Upper Control Limit), 관리 하한(Lower Control Limit)을 나타내는 하한선이 있습니다. 이 선은 과거 데이터를 통해 결정됩니다.

관리 차트를 사용하면 프로세스가 현재 안정적인지 아니면 관리 불능 상태인지 한눈에 파악하기 좋습니다. 현재 데이터를 상한선이나 하한선과 비교함으로써 공정 변동이 일관적으로 발생하고 있는지, 아니면 예측할 수 없는 지경으로 발생하고 있는지 판단할 수 있죠. 이를 통해 품질 개선 프로젝트를 수행할 때 특수 원인을 예방하는 것을 목표로 해야 할지, 아니면 생산 프로세스를 근본적으로 변경하는 것을 목표로 해야 할지를 정할 수 있습니다.

Image Credit : Shewhart individuals control chart Wikipedia

 

3. 히스토그램(Histogram)

데이터를 구간별로 그룹화한 뒤, 각 구간 내 데이터의 발생 빈도를 표시합니다. 즉, 히스토그램은 데이터 분포를 시각화 하여 패턴과 잠재적인 문제를 식별할 수 있게 해줍니다. 막대 차트와 비슷해 보이지만, 히스토그램은 연속형 데이터에 사용되는 반면 막대 차트는 범주형 데이터에 사용된다는 중요한 차이점이 있습니다. 그래서 히스토그램은 막대 차트와 달리 막대 사이에 빈 칸이 존재하지 않습니다.

히스토그램은 주로 데이터의 형태가 숫자일 때, 프로세스의 결과가 정규분포를 따르는지 여부를 결정할 때, 데이터 분포의 모양을 확인하려는 경우에 사용합니다. 또, 프로세스가 고객의 요구 사항을 충족할 수 있는지를 분석하거나 기간별 프로세스에 변동이 있는지 확인할 때, 여러 프로세스의 결과가 다른지 확인할 때 사용합니다. 데이터 분포를 다른 사람에게도 빠르고 직관적으로 전달하고자 할 때에도 용이합니다.

Image Credit : Histogram Wikipedia

 

4. 분산형 다이어그램(Scatter Diagram)

두 변수 간의 관계를 찾는 그래프입니다. XY 그래프, 산점도라고도 합니다. 쌍을 이루는 데이터 포인트를 그래프에 표시하여 변수 간의 상관관계 추세 또는 패턴을 분석할 수 있습니다. 이를 통해 현재 프로세스에 대한 다양한 인사이트를 얻을 수 있습니다.

분산형 다이어그램은 수치 데이터를 서로 연동(페어링)시켰거나, 각 독립변수에 대해 종속변수가 여러 값을 가지는 경우에 사용해야 합니다.

상관 관계가 있어 보이는 두 가지 효과가 모두 동일한 원인으로 인해 발생하는지 확인하고자 할 때, 이를 통해 문제의 잠재적인 근본 원인을 식별하고자 할 때 사용하면 이점을 얻을 수 있습니다.

다음 항목에서 소개할 피시본 다이어그램을 사용해서 원인과 결과 후보를 파악한 뒤, 특정 원인과 특정 결과가 실제로 서로 관련이 있는지 객관적으로 판단하고자 할 때 분산형 다이어그램을 사용해야 합니다.

Image Credit : Scatter plot Wikipedia

 

5. 피시본 다이어그램(Fishbone Diagram, Cause-and-Effect Diagram, Ishikawa diagram)

피시본 다이어그램은 다양한 잠재적 원인(예: 사람, 프로세스, 장비, 재료 등)을 식별하고 이러한 원인과 조사 중인 문제 사이의 관계를 시각적으로 표현하는 차트입니다. 아이디어를 즉시 유용한 카테고리로 분류함으로써 브레인스토밍 세션을 구성하는 데에 사용할 수 있습니다. 결함 또는 해결해야 할 문제를 물고기 머리로 표시하며, 가능한 원인은 물고기 뼈로 확장하게 됩니다. 근본 원인에 대한 하위 카테고리 필요한 만큼의 수준으로 분기할 수 있습니다.

Image Credit : Ishikawa diagram Wikipedia

 

 

6. 파레토 차트(Pareto Chart)

각 요인의 빈도나 영향을 내림차순으로 표시합니다. 결함, 오류, 문제에 기여하는 가장 중요한 요인을 한눈에 식별할 수 있습니다. 이를 통해 개선 노력의 우선순위를 정하고 집중할 수 있습니다. 가장 중요한 문제부터 해결하는 거죠.

기본적으로 막대 그래프를 이용하며, 왼쪽이 가장 긴 막대, 오른쪽이 가장 짧은 막대로 배열됩니다. 막대의 길이는 빈도 또는 시간/비용 등을 나타냅니다.

프로세스에서 문제나 불량품이 발생하는 빈도, 원인 데이터를 분석할 때, 문제의 원인이 많아 가장 중요한 것에 집중하고 싶을 때, 구체적인 구성요소를 살펴봄으로써 광범위한 원인을 분석하고자 할 때 사용할 수 있는 차트입니다.

1종 오류(과검)를 모니터링하는 대시보드 예시 이미지. 왼쪽 파이 차트는 검사기가 NG라고 판정한 전체 수량 대비 LISA가 1종 오류일 확률이 높다고 판단한 수량(빨간색)의 비율을 보여준다. 오른쪽 막대 그래프를 통해 각 검사 종류 별로 상세 수량을 확인할 수 있다. Image Credit : AHHA Labs

1종 오류(과검)를 모니터링하는 대시보드 예시 이미지. 파레토도를 통해 각 검사 종류 별로 상세 수량을 내림차순으로 확인할 수 있습니다. Image Credit : AHHA Labs

📌 위 대시보드의 상세한 내용이 궁금하다면 아래 아티클을 더 읽어 보세요.

‘1종 오류’ 찾아내는 딥러닝 모델로 ‘과검’일 확률을 계산한 사례

 

 

7. 계층화(Stratification)

데이터, 사람, 개체를 별개의 그룹이나 계층으로 분류하는 행위입니다. 다른 데이터 분석 도구와 결합하여 사용하는 기술입니다.

예를 들어, 다양한 소스나 카테고리의 데이터를 하나로 묶어 놓으면 해당 데이터의 의미를 파악하기 어려운데요. 계층화를 통해 데이터를 범주화하고 분리하면 패턴을 드러나게 할 수 있습니다.

계층화는 주로 데이터를 수집하기 전에 사용합니다. 장비, 부서, 재료, 공급업체, 제품, 교대근무, 요일, 하루 중 시간, 인구집단 등 여러 소스나 조건에서 데이터를 가져온 경우, 혹은 데이터 분석 과정에서 다양한 소스나 조건을 분리해야 하는 경우에 사용합니다.

 

 

실제 적용: I-MR 차트 사례

관리 차트의 세부 항복 중 하나로 I-MR 차트가 있습니다. 이 차트는 기본적으로 개별(Individual, I) 차트와 이동 범위(Moving Range, MR) 차트라는 두 개의 차트가 통합된 형태입니다. 이를 통해 프로세스 동작에 대한 완전한 그림을 볼 수 있습니다.

(1) I-Chart:

개별 데이터 포인트를 표시하고 일정한 시간 간격으로 데이터 포인트가 수집될 때 프로세스의 평균과 이동을 모니터링합니다. 제어 한계를 설정하여 예상 변동성을 벗어나는 포인트를 식별할 수 있죠. 보통 일반적이고 할당 가능한 공통 원인이 있는 경우 이를 식별하는 데 도움이 됩니다. 즉, 시간 경과에 따른 프로세스의 안정성에 대한 인사이트를 제공합니다.

(2) MR 차트:

개별 차트가 공정의 평균을 모니터링하는 반면, MR 차트는 일정한 시간 간격으로 데이터 포인트가 수집될 때 공정의 변동 정도를 모니터링합니다. 각 측정값과 이전 측정값 간의 절대 차이를 추적하는 것이죠. 이를 통해 프로세스의 갑작스러운 변화를 손쉽게 감지할 수 있습니다.

(3) I-MR 차트:

프로세스 평균의 변화와 변동성 증가를 모두 파악할 수 있는 강력한 도구로, 프로세스 제어를 위한 적시 개입을 가능하게 합니다. 두 차트의 두 가지 서로 다른 접근 방식 덕분에 I-MR 차트는 데이터의 양이 적거나 데이터 포인트가 시간에 따라 분산되어 있는 프로세스를 모니터링하는 데 이점이 있습니다. 특히 서비스 산업, 또는 측정값을 일괄적으로 생성하지 않고 한 번에 하나씩 생성하는 프로세스에 유용합니다.

 

Reference

   

당신이 더 관심 있을 이야기

2024 통계적 공정 관리(Statistical Process Control) 트렌드

통계적 공정 관리(SPC) 구현 7단계와 실제 적용 사례