구매 프로세스 리드타임을 분석하는 3가지 접근법
김혜완 | 4월12일, 2022 | 11분읽기
(1) 프로세스 핵심 KPI를 활용한 프로세스 관리
막상 분석을 시작하려고 하니 데이터에서 쏟아져 나오는 각종 지표와 변수에 압도되었던 경험이 있으신가요? 어떻게 필요한 데이터에 집중하며 체계적으로 분석을 전개해 나갈 수 있을까요?
프로세스의 핵심성과지표(KPI)로 자주 활용되는 ‘리드타임’을 중심으로 프로세스 관리 아이디어를 담아보려고 합니다. 모바일 기기 제조 전문 기업에서 ‘구매 프로세스’의 개선을 맡고 있는 김퍼즐님의 노력을 따라 세 가지 상황에 적합한 관점을 정리해 보시죠.
질문하기
김퍼즐님은 제품 생산과 관련된 여러 프로세스 중에서 특히 자재를 구매하는 프로세스가 데이터 기반으로 관리되길 원합니다. 사전 인터뷰 결과, 현장에서는 공급업체 관리에 대한 니즈가 있었고 “구매 프로세스에서 어떤 공급업체를 중심으로 구매 건을 관리하면 좋을까?”를 질문으로 정리했습니다.
문장 쪼개기 및 데이터 찾기
먼저 현실 세계에서 도출한 질문을 구체적인 데이터 수준으로 쪼개어봅니다. 여기서 ‘공급업체’는 다양한 속성 변수 중 하나이고, 이처럼 분석을 원하는 속성의 정보가 담긴 데이터를 확보해야 합니다. 그 외 구매 프로세스가 진행되며 얻어지는 연관 속성에는 다음과 같은 항목이 있을 수 있습니다.
그렇다면 어떤 값을 근거로 문제가 되는 업체를 선정하고 관리해야 할까요? 여기서 정하고자 하는 ‘어떤 값’을 지표라고 합니다. 김퍼즐님은 구매 오더 하나가 시작하여 종료되기까지 소요되는 총 수행시간인 ‘리드타임’ 값을 지표로 사용하기로 합니다.
리드타임 계산을 위해서는 프로세스 정의가 선행되어야 합니다. 살펴보고자 하는 프로세스와 관련되는 작업을 정의하고, 시스템에 기록이 남는 데이터를 확보했습니다. 향후 프로세스 마이닝을 위해서, 하나의 오더가 발행될 때 부여되는 일련의 번호로 고유한 ‘케이스’를 식별합니다. 즉, 하나의 케이스마다 하나의 리드타임 값이 계산되어 나옵니다.
어떤 산업군, 어느 단계의 프로세스인지에 따라 효율적인 리드타임의 정의는 다릅니다. 여기서는 제품군의 수명주기가 짧아지는 시장 환경에서 수요 변동성이 점차 증가한다고 가정하고, 공급 리드타임을 짧게 하여 적은 재고로 빠른 대응을 하는 것을 목표로 두어 보겠습니다.
데이터 분석하기
리드타임은 그 자체로 계산된 값. 즉, 지표(index)입니다. 우리는 리드타임을 다양한 수치(평균, 표준편차 등)로 계산하여 사용할 수도 있고, 이 값들을 분포도를 그려 이해할 수도 있습니다. 더 나아가 이 값을 데이터셋을 필터링하는 조건의 기준으로 활용할 수도 있습니다.
다음 칼럼에서는 리드타임을 활용하여 분석 대상을 선정하는 방식을 아래와 같은 세 가지 관점으로 나누어 살펴보겠습니다.
(2) ‘리드타임이 가장 긴 업체’ 또는 ‘리드타임 분포가 안 좋은 업체’를 뽑으려면?
Q1. ‘리드타임이 가장 길게 지연되는 업체’를 뽑으려면?
김퍼즐님은 먼저 각 공급업체가 담당하는 모든 구매 오더의 리드타임을 평균 내어 확인해 보기로 합니다. 아래 평균값 순으로 줄을 세워보니 리드타임이 가장 긴 G업체를 살펴볼 필요가 있어 보입니다.
그러나 분석을 진행하던 김퍼즐님은 리드타임이 과도하게 긴 특수한 구매 오더에 의해 평균값이 영향을 받는다는 점에 유의하며 다시 대상을 선정하고 싶어졌습니다.
Q2. 리드타임 분포를 반영하여 ‘리드타임 지연 업체’를 뽑으려면?
첫 번째 방식은 각 업체가 담당하는 많은 구매 오더들의 리드타임 분포 특성을 살펴보기 어렵습니다. 이 점을 보완하기 위해서 업체별로 리드타임 분포를 반영해 타깃을 선정해 보기로 합니다.
분포를 살펴보는 다양한 방법에는 여러 가지가 있지만 김퍼즐님은 현장에서 유의하게 생각하는 3개월, 1개월에 특히 초점을 두어 보고자 합니다. 각 오더가 시작하여 끝나기까지의 리드타임이 하나의 분기에 상응하는 3개월을 넘거나, 마감 주기인 1개월을 넘는 경우를 별도로 관리하기 위함입니다.
먼저 각 오더 케이스가 어느 구간에 속하는지를 구별하여 표로 정리해 보았습니다. 이를테면 전체 오더 중 리드타임이 3개월을 넘기는 케이스는 201개입니다.
리드타임 1개월 미만의 오더 건들에 대해서는, 혹시 있을지 모를 추가 분석의 가능성을 염두에 두어 리드타임이 ‘2주 이내인지’ 혹은 ‘2주 이상 걸리지만 1개월은 넘지 않는 것인지’도 상세하게 구별해 두었습니다.
그다음 업체마다 각 구간에 속하는 오더의 비율을 100% 막대 차트로 시각화했습니다. E업체 내에서 리드타임이 3개월을 넘는 오더는 1.6%를 차지하고, 1개월 이상 ~ 3개월 미만은 7.4%로 리드타임 우수성이 비교적 좋지 않은 편입니다.
한편, 업체별 주문 건수에 차이가 크다는 점을 인지한 김퍼즐님은 이런 측면까지 고려하여 분석 대상을 선정할 수는 없을지 고민에 빠졌습니다.
다음 마지막 칼럼에서는 이런 점을 보완하는 세 번째 관점을 알아보겠습니다.
(3) ‘리드타임이 과도하게 지연되는 케이스’에 집중해 업체를 뽑으려면?
Q3. ‘리드타임이 과도하게 지연되는 케이스’에 집중해 업체를 뽑으려면?
앞선 두 관점은 업체마다 구매 주문 건수가 얼마나 많은지에 상관없이 리드타임 지표만으로 대상을 선정하는 방식이었습니다. 주문 건수의 규모까지 반영하여 업체를 선정하려면 어떻게 해야 할까요? 여기서는 전체 중 특정 리드타임 이상으로 지연되는 케이스만 남도록 일부를 선택한 데이터셋을 활용합니다.
Dotted Chart*를 활용하여 리드타임이 1개월이 넘어가는 케이스만을 드래그하여 필터링한 데이터셋을 생성하였습니다. 즉, 리드타임이 지연된 오더만을 모아둔 데이터로, 전체 데이터에서 차지하는 비중은 5%가량입니다. (*Dotted Chart : 모든 케이스를 리드타임 순으로 세로로 나열한 시각화 차트, 가로 한 줄이 하나의 케이스를 의미)
‘리드타임 지연 그룹’ 내에서만 보았을 때 어떤 업체가 주문을 많이 담당하는지 파이(Pie) 차트 퍼즐로 살펴보겠습니다.
E업체가 77%가량의 압도적인 비율을 차지하고 있습니다. 이 업체는 리드타임 분포가 가장 좋지 않았을 뿐만 아니라 주문 건수도 제일 많아서 이런 상황이 더욱 강하게 반영된 수치를 보입니다.
또 주목할 만한 업체는 A업체와 J업체입니다.
A업체는 10%의 비중으로 그다음으로 많은 비율을 차지합니다. 리드타임 분포 우수성(Q2)이 좋지 않은 네 개의 업체에 속하긴 하지만, 평균 리드타임(Q1)은 5순위로 전체 평균에 가까워 눈에 띄지 않던 곳입니다. 그러나 담당 주문 건수는 세 번째로 많은 업체군요. 이 모든 정황을 반영하여 이번 방식에서는 10%를 차지하여 2순위로 선정되었습니다.
반면, J업체는 주문 규모가 두 번째로 많음에도 이번에는 2%의 비중을 보이며 5순위입니다. 평균 리드타임(Q1)이 9순위이고, 리드타임 분포 우수성(Q2)이 좋아서 덜 가시화된 결과입니다. 이런 업체는 개선 대상으로 삼기보다는 유지 관리하는 편이 좋아 보입니다.
분석 대상을 효율적으로 선정할 때의 이점
“대략적인 문제에 대해 정확한 답을 내기보다, 올바른 문제에 대해 대략적인 답을 내는 것이 바람직하다.”
수학자 존 튜키(John Tukey)
분석 과정에서 우리는 수많은 비교 분석을 통해 비즈니스 인사이트를 얻게 됩니다. 비교 방식은 전체-부분 간의 비교이거나 과거-현재 간의 비교, 또는 다른 속성값 단위(예. A업체 – B업체)와의 비교가 될 수 있습니다.
그리고 이러한 비교 전에 ‘무엇’과 ‘무엇’을 비교할 것인가의 문제에 답을 내는 것이 먼저입니다. 만약 리드타임 같은 중요 지표를 활용해 적확한 분석 대상을 선정하는 원칙을 잘 세워 둔다면, 우리는 본 분석의 여정에 보다 쉽고 빠르게 진입할 수 있을 것입니다.
프로세스 마이닝과 리드타임
프로세스 관리에서 리드타임은 핵심적으로 다루어져야 하는 지표이고, 프로세스 마이닝은 리드타임을 효과적으로 분석 및 관리할 수 있는 심화된 방식을 제공합니다. 프로세스 마이닝은 수많은 케이스의 프로세스를 보기 쉽게 가시화하며, 개별적인 단독 케이스 수준을 넘어 전체에 대한 프로세스 모델을 도출합니다.
즉, 프로세스 마이닝 결과로 얻어지는 ‘패턴’ 속성 관점에서 리드타임에 문제가 있는 대상을 선정할 수 있습니다. 그 외에도 대상을 선정한 뒤 후속 액션을 고민하고 있다면, 어느 작업에서 병목현상이 발생하는지 보여주는 프로세스 마이닝 결과를 토대로 개선 포인트를 효율적으로 발굴할 수도 있겠습니다.
본 칼럼에서 사용된 분석 예시 그래프는 ProDiscovery2.0을 통해 제작했습니다.