자율주행의 인지 성능 향상을 위한 데이터셋 생성 기술 (2)   지난 호에서는 자율주행의 인지 모델을 학습하는 데에 있어, 데이터셋(dataset)의 중요성과 인지 모델 향상을 위한 데이터셋의 요건, 그리고 데이터셋 구축의 제약 사항을 살펴보고, 효율성과 품질 측면에서 정답 데이터를 빠르고 정확하게 생성할 수 있는 자동화 도구의 필요성을 짚었다. 이번 호에서는 모라이 심(MORAI SIM)의 데이터셋 생성 기술을 중점으로 모라이 심의 동작 구조와 특장점을 살펴본다.   ■ 연재순서 제1회 자율주행의 인지 성능을 위한 데이터셋의 역할 및 요건 제2회 모라이 심의 데이터셋 생성 기술 소개   ■ 김은정 모라이 엔지니어링 서비스팀 홈페이지 | www.morai.ai   모라이 심은 가상의 주행 환경에서 자율주행 테스트를 할 수 있는 시뮬레이션 플랫폼으로, 실제 자율주행 개발에 필요한 학습 데이터셋을 자동 생성할 수 있다. 모라이 심은 데이터셋 구축의 어려움과 제약 사항을 보완하면서 자율주행 인지 모델에 적용하기 위한 일반성, 실사성, 정확성의 조건을 모두 만족하는 학습 데이터셋을 매우 간단한 절차로 생성한다.   모라이 심의 데이터셋 생성 방식 모라이 심은 3D 그래픽 기반의 개발 엔진을 활용하여 실제와 유사한 주행 환경을 비롯해 다양한 객체 모델을 제공한다. 또한 실존하는 객체의 색상과 질감의 표현뿐만 아니라 중력과 충돌, 투과와 같은 물리 조건을 사실감 있게 모사한다. 특히, 현실감 있는 도로 환경을 디지털 트윈 기반의 3D 맵으로 구현해 냄으로써 데이터의 실사성을 완벽히 살릴 수 있다.    그림 1. 라스베이거스의 교통 환경을 재현한 모라이 심의 3D 맵   모라이 심은 환경 구성과 센서 설정 정보를 바탕으로 학습 데이터셋을 생성한다. 시나리오 환경 구성에서는 눈, 비, 안개와 같은 날씨와 조도를 결정하는 시간대, 주변 차량 및 보행자, 장애물의 개수 및 이동 위치 등을 선택한다. 모라이 심의 시나리오 모델은 시뮬레이션의 환경 전반을 현실감 있게 재현하며, 이는 ASAM 오픈 시나리오 표준 기반의 시나리오 생성 도구인 모라이 시나리오 러너(MORAI Scenario Runner)에서 보다 체계적으로 완성할 수 있다. 센서 설정에서는 차량에 장착하는 센서의 종류와 개수, 장착 위치 및 자세 정보를 입력하고, 검출될 이미지 데이터를 프리뷰 기능으로 확인할 수 있다.   그림 2. 모라이 심의 데이터셋 생성 방식   모라이 심은 환경 구성 및 센서 설정 정보를 바탕으로 시뮬레이션 동작의 매 스텝마다 자기 차량의 센서에서 검출하는 데이터를 생성하고 저장한다. 사용자는 모라이 심에서 제공하는 시나리오 환경과 및 센서 모델을 통해 카메라 센서의 이미지, 라이다(LiDAR) 센서의 점군(point cloud) 데이터, GPS 센서의 측위 데이터와 같은 다양한 형식의 데이터를 얻을 수 있다. 특히, 모라이 심에서는 3D 라이다 센서로 점군 데이터를 자동으로 생성하기 때문에, 비싸고 무거운 라이다 센서를 대신하여 주행 평가에 매우 유용하게 활용할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

제조기업의 미래를 위한 PLM 이야기 (4)   기업은 시장 경쟁력 있는 제품을 만들고 이윤을 내기 위해서 활동하는 집단이다. 그러기 위해서는 고객의 니즈를 반영하고, 시장에서 경쟁력을 가진 제품을 초기에 기획하는 과정이 중요하다. 기업들은 별도의 시장 조사 및 마케팅 전문 기관에 의뢰를 하여 시장 조사를 하고, 그 기반으로 제품을 기획/개발을 시작한다. NPI(New Product Introduce) TFT가 시장조사 정보를 바탕으로 해서 제품의 초기 기획을 담당하기도 한다.  제품 개발 라이프사이클에서 시발점은 상품 기획 부분이 되어야 한다. 제품 기획 정보 및 개발 초기 과정을 제품 개발 과정에 담아내고, 그 경험을 관리하여 기업의 경쟁력을 강화할 수 있게 해야 한다. 다양해진 고객의 니즈를 반영하고, 짧아진 제품 수명주기에 대응하기 위해서는, 상품 기획 단계와 제품 개발 단계를 분리해서 생각할 수 없다. 둘을 유기적으로 연계해서 제품 개발 과정에 포함하여 기업의 경쟁력을 높일 수 있는 프로세스를 고민해야 한다. 이번 호에서는 PLM에서 그 단계를 효율적으로 관리할 수 있는지를 이야기해 보려고 한다.   ■ 연재순서 제1회 변화하는 시대 그리고 PLM의 변화 제2회 기업의 경영 의사결정에 도움이 되는 PLM 제3회 마케팅 요소와 제품 정보를 관리할 수 있는 PLM 제4회 상품 기획과 PLM  제5회 인재 관리를 강화할 수 있는 PLM 제6회 Agile Organization으로의 변화와 PLM 제7회 위기의 시대와 PLM 제8회 PLM과 변화 관리 제9회 클라우드 기반의 아키텍처를 고려한 PLM 시스템 제10회 PLM 시스템 구축의 긴 여정   ■ 김성희 VCIS의 대표이자 PLM 컨설턴트이다. 다양한 PLM 솔루션 및 자동차/기계/반도체/CPG 등 산업군의 PLM 컨설팅을 수행했다. 이메일 | pass829@naver.com 블로그 | https://blog.naver.com/pass829   상품 기획 단계의 주요 업무 제품 수명주기   그림 1. BCG의 PLC(Product Lifecycle Curve)   <그림 1>은 BCG의 PLC(Product Lifecycle Curve)로 제품의 도입기, 성장기, 성숙기, 쇠퇴기에 이르는 수명주기를 나타낸 그림이다. 각 단계별 특징을 간략하게 보면 다음과 같다. 도입기 : 제품이 처음 시장에 론칭되는 단계  성장기 : 제품의 시장 인지도가 높아지는 단계, 시장점유율이 급격히 높아지는 단계 성숙기 : 제품간의 차별성이 사라지고, 원가 경쟁력 확보를 위한 생산 및 운영 역량이 중요한 단계 쇠퇴기 : 별도의 투자 없이 제품으로부터 발생하는 수확을 거두기 위해 노력하는 단계   기술수용주기   그림 2. 기술수용주기(Technology Adoption Life Cycle, Everett Rogers)(한양사이버대학교 대학원 이지은 교수의 하이테크마케팅 자료에서 발췌)   <그림 2>는 1970년대 에버렛 로저스(Everett Rogers)와 동료들이 소비자가 불연속성 혁신에 어떤 식으로 반응하는지에 대해 연구한 결과이다. 소비자들은 신기술을 받아들이는 태도와 속도가 다르다.  Innovator(혁신가) : 기술 지상주의, 혁신 추종자  Early Adopter(얼리 어댑터) : 혁신 제품을 남보다 앞서 구매하려는 성향을 가진 소비자 그룹 Early Majority(초기 다수 수용자) : 가장 큰 규모의 소비자 집단. 신기술이 시장에서 성숙될 때 제품을 구매함 Late Majority(후기 다수 수용자) : 전체의 절반 이상이 제품을 수용한 후에 제품을 구매함. 보수성이 강함 Laggards(늦깎이) : 신기술, 혁신에 대해 부정적인 소비자 집단 PLM을 통해서 제품 도입기의 단계를 줄이는 것의 목표는, 초기 시장 진입을 통해 경쟁사보다 빠르게 제품을 출시함으로써 얼리 어댑터를 확보하는 것이다. 그들의 확보가 시장에서 제품의 성공과 직결되기 때문이다.      ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   학계와 산업계 모두에서 점점 더 중요성이 인식되고 있는 디지털 트윈은 스마트 제조 공정 및 인더스트리 4.0(Industry 4.0)을 실현하기 위한 가장 유망한 기술로서, 사이버 공간과 물리적 공간 간의 완벽한 통합이 특징이다. 이번 호에서는 앤시스 트윈 빌더(Ansys Twin Builder) 및 트윈 디벨로퍼(Twin Deployer)를 이용하여 앤시스가 제공하는 디지털 터윈과 하이브리드 애널리틱스(Hybrid Analytics)에 대해서 소개한다.   ■ 송채영 태성에스엔이 SBU 매니저로 근무하고 있으며, Twin Builder와 Twin Deployer라는 Ansys 디지털 트윈 솔루션을 담당하고 있다. 이메일 | cysong@tsne.co.kr 홈페이지 | www.tsne.co.kr   디지털 트윈 기술은 산업계와 학계에서 관심의 중심이 된 새로운 개념이다. 디지털 트윈은 컴퓨터에 현실 속 사물의 복제품을 만들고 현실에서 발생할 수 있는 상황을 컴퓨터로 시뮬레이션함으로써 결과를 예측하는 기술로 정의하고 있으며, 스마트 제조 공정 및 인더스트리 4.0을 실현하기 위한 가장 유망한 기술로 보고 있다. 디지털 트윈은 모니터링, 유지 보수, 관리, 최적화 및 안전과 같은 다양한 활동을 지원하기 위해 잘 정의된 서비스를 보장할 수 있어야 한다. 이를 위한 디지털 트윈의 주요 특성 네 가지는 <그림 1>과 같이 정밀성(accuracy), 유연성(flexibility), 적응성(adaptability), 확장성(scalability)이 있다.   그림 1. 디지털 트윈 생성의 도전과제   디지털 트윈은 실물 시스템, 물리적 특성을 디지털 세계에 구현한 것으로 입력이 변할 때 출력의 변화를 확인할 수 있는 what-if 시나리오가 가능해야 한다. 디지털 트윈의 정밀성이 떨어지면 물리적 거동 예측이 불가능해지기 때문에 해당 디지털 트윈은 의미가 없어진다. 또한 다양한 입력을 고려해야 하므로 특정 입력에만 맞는 디지털 트윈이 아니라 다양한 입력에 대해서 적절한 대응이 가능한 유연성도 필요하며, 출력이 도출되는 과정에서 주변 환경 및 조건이 변화하더라도 적응이 가능해야 한다. 무엇보다 디지털 트윈의 목적은 다수의 사람들이 해당 디지털 트윈을 사용하여 빠르게 결과를 도출하는 것에 있기 때문에, 빠르게 도출하고 배포할 수 있는 확장성을 가지고 있어야 한다. 앤시스에서는 디지털 트윈을 특정 주파수와 충실도로 동기화된 현실의 자산(제품)이나 프로세스의 가상 표현으로 정의하며, 이러한 디지털 트윈 구현을 위해 트윈 빌더(Twin Builder)와 트윈 디벨로퍼(Twin Deployer)라는 솔루션을 제공하고 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

향상된 인체 공학 설계   이번 호에서는 크레오 파라메트릭 매니킨(Creo Parametric Manikin)을 통해 향상된 인체공학설계에 대해 알아보자.   ■ 김주현 디지테크 기술지원팀의 차장으로 Creo 전 제품의 기술지원 및 교육을 담당하고 있다. 이메일 | sskim@digiteki.com 홈페이지 | www.digiteki.com   크레오 매니킨(Creo Manikin)을 사용하여 설계의 물리적 특성과 사용자 간의 관계를 살펴볼 수 있다. 크레오 매니킨 익스텐션(Creo Manikin Extension) 또는 크레오 매니킨 애널리시스 익스텐션(Creo Manikin Analysis Extension) 모듈 중 하나를 사용하여 사용자들, 사용자들의 활동, 장비 및 일반 환경 간의 맞추기를 검토할 수 있다. 이러한 검토를 통해 생산성이나 사용의 용이성을 유지하면서 작업장, 도구, 운송 수단 및 환경이 안전하고 편안하며 효율적인지 확인할 수 있다.   다양한 라이브러리 크레오 9.0에서는 기본적으로 다양한 라이브러리를 제공한다. 나라별 인체 사이즈 제공은 물론 남, 여 별도로 각각의 라이브러리를 제공한다. 미리보기를 통해 키와 몸무게를 확인하여 원하는 형상을 사용할 수 있다.     필요한 경우 시 사용자가 인체 형상을 원하는 사이즈로 설정할 수 있고, 이를 저장하여 라이브러리로 만들 수도 있다. 원하는 인체 형상을 생성하기 위해서는 파일 → 열기 → 인체 모형 라이브러리에서 M_custom.asm 또는 W_custom.asm을 클릭한다.     M_custom.asm을 열고 인체 모형 편집 아이콘을 클릭한다.       ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   풍력발전기와 같은 대형 구조물은 구조적 안정성 측면에서 풍하중을 고려해야 한다. 이 때, 풍하중 해석은 유체 압력에 의한 구조물의 변형을 고려하기 때문에 FSI(Fluid-Structure Interaction) 해석을 수행해야 한다. 이번 호에서는 앤시스 플루언트(Ansys Fluent)만을 이용하여 FSI 해석을 수행할 수 있는 IFSI(Intrinsic FSI) 방법에 대해 알아보도록 하겠다.   ■ 안홍석 태성에스엔이 FBU-F4팀의 매니저로, 중공업/제철/플랜트 산업군에서 Ansys Fluent 및 Discovery 등을 담당하고 있다. 이메일 | hsahn@tsne.co.kr 홈페이지 | www.tsne.co.kr   앤시스 제품군을 이용한 풍하중 평가방법 먼저, IFSI에 대해 알아보기 전에 앤시스 제품들을 이용한 풍하중 평가방법에 대해 알아보고자 한다. 일반적으로 풍하중과 같은 FSI 해석을 하기 위해서는 유동해석 프로그램인 앤시스 플루언트에서 계산한 데이터를 구조해석 프로그램인 앤시스 메커니컬(Ansys Mechanical)로 전달하여 해석하는 방법이 있다.(1-Way FSI 기준) 하지만, 이 방법은 두 개의 프로그램(앤시스 플루언트, 앤시스 메커니컬)을 사용할 수 있는 라이선스와 다룰 수 있는 지식이 필요하기 때문에, 비용과 시간이 많이 필요하다는 단점이 있다.   그림 1. 일반적인 1-Way FSI 해석 방법 및 결과   다른 대안으로는 유동해석의 압력 분포로부터 취약지점을 예측하는 방법이 있다. 앤시스 플루언트는 경계면에 작용하는 압력값을 이용해 특정 방향 및 지점을 기준으로 작용하는 Force와 Moment를 구할 수 있다. 하지만 이 방법을 이용해서 구조물에 걸리는 하중을 구해도 물성치를 초과하는 응력(Stress)을 확인할 수 없기 때문에, 직관적으로 풍하중을 평가하기에는 제약이 있다.   그림 2. 앤시스 플루언트를 이용한 압력분포 해석 결과   그림 3. 앤시스 플루언트를 이용한 Force report   또 다른 대안은 디스커버리 AIM(Discovery AIM)을 사용하는 방법이다. 디스커버리 AIM은 한 개의 플랫폼 안에서 구조, 유동, 전자기 등의 해석을 수행할 수 있고, 1-Way FSI와 같은 연성해석도 지원한다. 한 개의 플랫폼 안에서 사용하기 때문에, 사용법을 배운다면 플래그십 제품인 앤시스 플루언트와 앤시스 메커니컬의 해석 정확도에 준하는 결과를 얻을 수 있었지만, 아쉽게도 앤시스 2021 R1 버전을 마지막으로 현재 출시되고 있지 않다. 마지막은 이번 호에서 설명하고자 하는 IFSI를 이용한 방법이다. 앤시스 플루언트의 IFSI(Intrinsic FSI)는 앤시스 2019 R1 버전부터 지원하고 있는 기능이며, 앤시스 플루언트에 내장되어 있는 구조 모델(Structure Model)을 의미한다. 앤시스 플루언트 사용 환경에 익숙한 사용자가 별도의 라이선스 구매 없이 구조해석을 할 수 있다는 장점이 있다. 앤시스 플루언트 IFSI는 ▲유체 압력에 의한 구조물의 변형을 해석할 수 있는 1-Way FSI와 ▲그러한 구조물의 변형에 의해 유동장이 바뀌는 부분을 해석할 수 있는 2-Way FSI 모두를 지원하고 있다. 또한, Steady와 Transient 해석에서도 기능을 지원하고 있다.   그림 4. 앤시스 플루언트 IFSI를 이용한 1-Way FSI 해석 결과     ■ 자세한 기사 내용은 PDF로 제공됩니다.

자율주행의 인지 성능 향상을 위한 데이터셋 생성 기술 (1)   스스로 보고 생각하고 행동하는 자율주행 기술의 기본 원리는 ‘인지-판단-제어’의 3단계로 나눌 수 있다. 자율주행의 완성도를 높이기 위한 핵심은 ‘정확한 인지’ 데이터를 기반으로 한 정확한 판단과 제어이기 때문에 카메라, 라이다와 같은 정밀 센서를 활용한 정확한 인지 기술의 구현이 선행되어야 한다. 최근 자율주행을 위한 인지 기술로 딥러닝 기반의 객체 인식 기술, 특정 사물을 파악하는 원리를 스스로 파악하는 머신 러닝 기술이 각광받는 가운데, 인지 성능의 개선을 위한 양질의 학습 데이터가 필수적으로 요구되고 있다. 이번 호부터 2회에 걸쳐, 국내 자율 주행 개발 환경에 맞춰, 자율주행의 인지성능을 이끄는 학습 데이터셋(dataset)의 역할 및 요건, 그리고 양질의 학습 데이터셋을 구축하기 위한 모라이 심(MORAI SIM)의 학습 데이터셋 생성 기술을 알아본다.   ■ 연재순서 제1회 자율주행의 인지 성능을 위한 데이터셋의 역할 및 요건 제2회 모라이 심의 데이터셋 생성 기술 소개   ■ 김은정 모라이 엔지니어링 서비스팀 홈페이지 | www.morai.ai   머신러닝에 필요한 교과서, 데이터셋 데이터셋은 특정한 작업을 위해서 방대하게 수집된 디지털 정보로, AI 학습에 사용된다. 데이터셋은 기압 및 기온과 같은 날씨 정보부터 사진, 음악 등 AI가 학습에 도움이 되는 모든 정보를 포함할 수 있다. 마치 AI가 학습하기 위한 교과서와 같다. AI 학습에서 비롯된 기술이 바로 머신러닝(machine learning) 혹은 딥러닝(deep learning)이다. 머신러닝은 AI가 데이터와 경험을 통해 스스로 학습하는 기술이다. 머신러닝은 AI가 학습하는 방법에 따라 다음과 같이 분류할 수 있다. 지도 학습(supervised learning) : 정답(label)이 있는 데이터를 학습 비지도 학습(unsupervised learning) : 답이 없는 데이터를 학습(unsupervised learning), 즉 라벨이 없는 데이터를 비슷한 특징끼리 군집화하여 새로운 데이터에 대한 결과를 예측 강화 학습(Reinforcement Learning) : 정의된 주체(agent)가 행동에 대한 보상을 받으며 학습, 보상을 최대화할 수 있는 행동 또는 행동 순서를 선택   머신러닝은 다음과 같이 세 가지 데이터를 통해 AI를 학습시키고 검증하며 평가한다. 학습 데이터(Train dataset) : 인공지능 모델을 학습하는 데 사용(정답 데이터를 포함) 검증 데이터(Validation dataset) : 학습된 모델의 성능을 검증하고 파라미터를 조정하는 데 활용 테스트 데이터(Test dataset) : 최종 학습이 완료된 모델의 성능 평가하는 데에 사용   머신러닝의 궁극적인 목표는 사람의 개입 없이 새로운 데이터에 대한 목표 값을 예측하는 것이기 때문에, 이에 활용되는 데이터는 머신러닝의 시작과 끝이라고 할만큼 매우 중요하다.   정답 데이터 이해하기 : 자율주행의 인지 모델이 학습하는 정답 데이터 정답 데이터는 말 그대로 답이 있는 데이터로, 앞서 설명한 머신러닝의 지도 학습에 사용된다. 예를 들어, AI가 동물 그림을 보고 어떤 동물에 대한 그림인지를 학습하는 경우, 각 그림마다 해당 동물의 이름이 적혀 있다면 이 이름이 정답 데이터이다. 머신러닝은 데이터를 인지하고 분류하는데 활용하는 기술로, 정답 데이터를 사용하면 머신러닝 모델을 설계할 수 있다. 예를 들어, 머신러닝 모델을 ‘y = ax + b’ 함수로 표현했을 때, 입력 데이터 x에 대한 정답 데이터 y를 예측하려면 파라미터 a와 b 값을 알아야 한다. 즉, 학습 결과에 영향을 주는 a와 b 값을 찾으면 머신러닝 모델을 설계할 수 있다. 학습 파라미터를 찾는 과정을 모델 최적화라고 하며, 최적화를 잘 할 수록 ‘예측을 잘한다’ 혹은 ‘모델의 성능이 좋다’라고 표현할 수 있다. 정답 데이터는 이러한 학습 파라미터를 결정 짓는 중요한 요소 중 하나로, 머신러닝 모델에서 반드시 필요하다. 머신러닝을 활용한 자율주행 분야에서 정답 데이터는 차량이 주행 환경을 파악하여 스스로 제어하기까지 중요한 역할을 한다. 정답 데이터는 대상 객체가 속하는 카테고리(클래스) 정보와 대상 객체가 위치하는 좌표 정보를 포함하기 때문에, 자율주행의 인지 모델은 이러한 정답 데이터를 가지고 학습할 수 있다.       ■ 자세한 기사 내용은 PDF로 제공됩니다.

향상된 모델 기반 정의 기능   이번 호에서는 크레오 파라메트릭 9.0(Creo Parametric 9.0)에서 모델 기반 정의(MBD)의 향상된 기능을 알아보자.   ■ 김성철 디지테크 기술지원팀의 이사로 Creo 전 제품의 기술지원 및 교육을 담당하고 있다. 이메일 | sckim@digiteki.com 홈페이지 | www.digiteki.com   모델 기반 정의(MBD)는 3D 모델에 치수, 주기 및 기하 공차 등 제조에 필요한 정보(PMI)를 3D 주석으로 생성하고 제조, 품질, 검사 및 공급업체로 이어지는 다운스트림 기능에서 2D 도면을 대신하여 빠르고 정확한 정보를 전달할 수 있게 한다. 크레오 파라메트릭 9.0에서는 모델 기반 정의를 위한 새로운 서피스 마무리 배치 및 편집 워크플로를 제공하여 서피스 마무리 기호를 현대적인 대화식 방식으로 탐색하고 더 빠르게 정의할 수 있다.   서피스 마무리에 대한 배치 및 편집 워크플로 개선 모델 기반 정의를 위한 새로운 서피스 마무리 사용 방법을 알아보자. 주석 달기(Annotate) → 서피스 마무리(Surface Finish)를 클릭한다.     새로 추가된 리본 메뉴를 사용하여 모든 편집 특성을 빠르게 정의할 수 있다.     ‘갤러리’를 클릭하면 확장 패널에서 필요한 서피스 마무리 기호의 섬네일을 확인하고 빠르게 찾을 수 있다.     이 갤러리에는 확장하거나 축소할 수 있는 별도의 그룹 아래에 각 폴더의 콘텐츠가 나열되어, 모든 기호를 쉽게 탐색하고 빠르게 선택하여 배치할 수 있고 사용자 지정이 가능하다. 또한 새 갤러리는 축소판 크기를 제어하거나 이름 기반으로 빠르게 검색할 수도 있다.     만약 자주 사용되는 기호가 있을 경우, 갤러리에 고정하여 다음에 더 빠르게 접근할 수 있도록 한다.     갤러리에서 서피스 마무리 기호를 선택하면 화면에 미리보기가 표시되고, 첨부 형상을 선택하여 빠르게 배치할 수 있다.       ■ 자세한 기사 내용은 PDF로 제공됩니다.

제조기업의 미래를 위한 PLM 이야기 (3)   통상적으로 제품을 개발하는 목적은 더 많은 판매를 통한 수익을 올리기 위함이다. 그러기 위해서 기업은 변화하는 시장의 요구사항에 적절히 대응하고, 시장의 트렌드를 놓치지 않아야 경쟁력을 지속할 수 있다. 나아가서 기업 전략, 제품의 마케팅 전략 그리고 세부 제품의 마케팅 세부 전략을 세우고 실행해 나간다. 초기 고객의 제품 개발 콘셉트가 반영된 제품을 출시까지 완료될 수 있게 해야 하고, 제품 개발 과정에서 결정사항이 발생할 때 고객의 요구사항이 반영된 제품, 시장친화적인 제품의 콘셉트를 유지할 수 있어야 한다. PLM에 요구사항 관리 모듈이 들어온 지 오래 되었다. 고객의 요구사항을 제품과 연계하는 부분이 이제는 일반적이다. 이번 호에서는 단순히 요구사항뿐만 아니라 초기 기획 단계의 마케팅 정보를 PLM에 담아 제품 개발을 할 수 있는 PLM의 확장에 대해서 이야기해 보려고 한다.   ■ 연재순서 제1회 변화하는 시대 그리고 PLM의 변화 제2회 기업의 경영 의사결정에 도움이 되는 PLM 제3회 마케팅 요소와 제품 정보를 관리할 수 있는 PLM 제4회 상품 기획과 PLM 제5회 인재 관리를 강화할 수 있는 PLM 제6회 Agile Organization으로의 변화와 PLM 제7회 위기의 시대와 PLM 제8회 PLM과 변화 관리 제9회 클라우드 기반의 아키텍처를 고려한 PLM 시스템 제10회 PLM 시스템 구축의 긴 여정   ■ 김성희 VCIS의 대표이자 PLM 컨설턴트이다. 다양한 PLM 솔루션 및 자동차/기계/반도체/CPG 등 산업군의 PLM 컨설팅을 수행했다. 이메일 | pass829@naver.com 블로그 | https://blog.naver.com/pass829   마케팅이란 마케팅의 정의 마케팅은 수렵&채집 활동을 하던 인류가 작물을 생산하기 시작하고, 남는 잉여물자를 물물교환하게 된 순간부터 시작되었다. 그 결과 시장이 생성되었고, 시장에서 물물교환이 이루어지기 시작했다. 보다 효율적인 물물교환 방식을 찾던 것에서 마케팅의 기원을 찾을 수 있다. 대표적인 마케팅의 정의는 다음과 같다. “마케팅의 목적은 판매 노력을 불필요하게 만드는 것”(피터 드러커) “마케팅은 선택에 영향을 미치는 모든 활동”(러셀 워너) “기업이 고객을 위해 가치를 창출하고, 강한 고객 관계를 구축함으로써 그 대가로 고객으로부터 상응한 가치를 얻는 과정”(필립 코틀러) “소비자, 고객, 파트너, 더 나아가 사회 전체를 위한 가치 창출, 교환, 소통하는 활동/제도 및 프로세스”(미국 마케팅 협회(AMA)) “조직이나 개인이 자신의 목적을 달성시키기 위해 교환을 창출하고 유지할 수 있도록 시장을 정의하고 관리하는 과정”(한국 마케팅 학회)   마케팅의 발전 과정 1세대 마케팅 : 수요 대비 공급이 부족한 시기, 기업은 생산성을 높이는 데에 집중 2세대 마케팅 : 공급이 충분해지면서 제품이 중심. 차별화된 제품에 집중 3세대 마케팅 : 공급 과잉으로 기업간 경쟁 심화. 제품 판매 및 촉진 활동에 집중 4세대 마케팅 : 시장 세분화를 통한 수요 창출. 고객 이익에 집중 5세대 마케팅 : 기업의 사회적 이미지를 고려한 마케팅. 사회적 영향에 집중   마케팅의 정의를 단적으로 표현하기는 어려운 듯하다. 관점에 따라서 다를 수도 있고, 또 마케팅이란 단어가 포함하는 의미가 다중적이며 범위가 넓기 때문이다. 새로운 시장을 만들고 제품&서비스의 판매를 통한 이익의 증대를 가져오는 것은 디지털 전환(digital transformation)의 다른 모습으로 볼 수 있지 않을까 싶다.   표 1. 출처 : VCIS Blog(https://blog.naver.com/pass829/222750759103)   마케팅 전략 기업은 시장에서 경쟁력을 유지하기 위해서 기업 전략, 제품의 마케팅 전략 그리고 세부 제품의 마케팅 세부 전략을 세우고 실행해 나간다.   기업 전략 구분 기업 전략 기업 전체 수준에서 이루어진다. 사업 포트폴리오 구성-제품의 라이프사이클을 고려한 구성-을 하고, 새로운 제품, 캐시카우(cash cow) 제품군 등을 결정하고 자원을 배분한다.   마케팅 전략 각 제품/브랜드 수준에서 이루어진다. 각 제품 내에서 시장 세분화, 표적 시장 결정, 포지셔닝을 한다.(STP전략) 시장 세분화(segmentation) : 전체 시장을 세분화하여 마케팅 믹스 투입하고, 반응을 얻어낼 것으로 예측되는 구분을 진행 표적 시작 결정(targeting) : 여러 고객집단 중 자사의 제품이 시장의 고객 요구를 충족하거나 경쟁우위를 가질 수 있는 시장을 결정 제품 포지셔닝(positioning) : 고객의 관심을 끌고, 경쟁 상품과 비교하여 경쟁우위를 가지기 위한 시장을 선정   마케팅 믹스 프로그램 제품의 마케팅 전략을 실행하기 위한 구체적 실행방안이며, 마케팅 관리자가 표적시장에서 마케팅 목적 달성을 위해 사용하는 통제 가능한 마케팅 수단들의 집합이다. 상품(product), 유통경로(place), 가격(price), 광고/판매 구체화(promotion)를 말한다.(4P Mix)     ■ 자세한 기사 내용은 PDF로 제공됩니다.

제조기업의 미래를 위한 PLM 이야기 (2)   이번 호에서는 의사결정의 정의, 의사결정 과정 및 문제 해결 과정 각 단계의 세부사항 그리고 의사결정의 유형 등에 대해서 간단하게 살펴본다. 그리고, 의사결정을 지원할 수 있는 시스템은 어떤 항목이 필요한지와 의사결정에 도움이 되는 PLM 시스템에 대해서 이야기해보려고 한다.   ■ 연재순서 제1회 변화하는 시대 그리고 PLM의 변화 제2회 기업의 경영 의사결정에 도움이 되는 PLM 제3회 마케팅 요소와 제품 정보를 관리할 수 있는 PLM 제4회 상품 기획과 PLM 제5회 인재 관리를 강화할 수 있는 PLM 제5회 Agile Organization으로의 변화와 PLM 제6회 위기의 시대와 PLM 제7회 PLM과 변화 관리 제8회 클라우드 기반의 아키텍처를 고려한 PLM 시스템 제9회 PLM 시스템 구축의 긴 여정   ■ 김성희 VCIS의 대표이자 PLM 컨설턴트이다. 다양한 PLM 솔루션 및 자동차/기계/반도체/CPG 등 산업군의 PLM 컨설팅을 수행했다. 이메일 | pass829@naver.com 블로그 | https://blog.naver.com/pass829   우리의 삶이 힘들고 어려운 것은 늘 경험해 보지 않은 문제에 부딪히기 때문이다. 풀어야 할 새로운 문제의 답을 찾기 위해서 자신과 주변 사람들의 경험에서 답을 구하고, 때로는 지식에서 답을 찾으려고 노력한다. 하지만 유감스럽게도 그렇게 구한 답은 유사한 답일 뿐이지, 정확한 답은 아니다. 답을 찾기 위해서 우리는 늘 고민하고 노력한다. 그 답을 찾는 과정이 우리 인생이 아닐까 생각해 본다. ‘PLM은 제품 개발에 관련된 경험과 지식을 관리하는 비즈니스 솔루션이다.’ 비즈니스 솔루션의 최종 목적은 조직의 경영 의사결정에 도움이 되는 역할을 하는 것이다. PLM이 더 이상 제품 개발 정보만을 관리하는 툴로서의 역할에만 한정되어서는 안된다.   의사결정 과정과 문제 해결 과정 의사결정이란, 둘 이상의 선택지에서 더 나은 항목을 선택하는 것이다. 문제는 ‘더 나은’이라는 키워드에 있다.   ▲ 문제 해결 과정(George P. Huber)   문제 해결의 첫 단추는 문제에 대한 정확한 인식이다. 문제 인식은 개인의 역량에 따라서 차이가 크다. 오랜 시간동안 사물을 접하는 방식, 상대방과의 대화 습관 등 훈련을 통해서 문제의 인식 능력이 깊어지는 듯하다. 다음 절차로는 해결 방안을 모색하게 된다. 객관적인 사실에 집중해서 해결책을 찾아야 한다. 하지만, 유감스럽게 우리는 휴리스틱(직관적인 결정)과 편견이 작용하여 객관적인 사실보다는 자신의 익숙한 경험에 의존하는 경향이 있다. 심지어는 해결책을 정해놓고 문제 인식과 해결 방안 도출을 유도하는 경우도 있다. 솔루션 탐색 과정에서 가장 중요한 점은 객관적으로 사실을 인식하고 그 사실에 기반하여 해결 방안을 모색해야 한다는 점이다. 다음 단계에서는 도출된 해결 방안 중 하나를 선택하게 된다. 우리가 선택을 하는 과정에서 어려움을 느끼는 것은 다음과 같은 이유에서이다. 문제의 복잡성 : 문제가 하나의 문제만으로 구성된 경우보다 여러 문제가 복합적으로 구성된 경우가 많다. 미래 성과의 불확실성 : 미래를 예측하기 어렵다. 가변적 가치관 : 상황에 따라 결정의 기준이 바뀐다.(위기 상황에서는 안정 추구, 안정기에는 도전 추구) 다양한 선택 기준 : 관점에 따라 선택의 기준이 달라진다.(예 : 경영 악화로 인한 퇴사자 결정 시, 능력 있는 솔로남과 능력은 없으나 사람 좋은 5식구 가장 중 누구를 선택해야 할지?) 결정된 솔루션을 선택하고 실행을 하게 된다.(결과를 도출해 내는 실행력은 또 다른 개인의 역량이다.) 마지막으로 실행을 모니터링하며, 보다 나은 해결 방안을 도출해 나가는 것이 일반적인 문제 해결 과정이다.   의사결정의 유형 의사결정의 유형은 다음과 같이 나눌 수 있다. 직관적 의사결정 : 충분한 시간이 제공되지 않고, 어느 대안을 선택하든 결과가 큰 차이가 없는 경우.(휴리스틱과 편견의 영향을 많이 받음) 일상생활의 많은 의사결정 사항. 때론 중요한 의사결정 사항이나 직관적인 결정을 할 때도 있음(고 or 스톱) 기계적 의사결정 : 과거의 경험적 규칙을 통해서 결정하는 경우. 환경의 변화가 없는 이상 판단의 기준은 상당기간 유효함. 생산계획, 재고관리, 일정계획 등 경영활동에 자주 활용됨 분석적 의사결정 : 가장 큰 영향을 미치는 의사결정 사항. 각 대안의 장단점과 영향도 등을 충분히 고려해서 결정해야 하는 경우. 기업의 전략적 의사결정과 같이 한번 결정된 항목은 오랜 시간 동안 많은 부분에서 영향을 끼침 우리가 의사결정을 말할 때 대상이 되는 항목은 분석적 의사결정이다. 현실의 의사결정 과정은 충분한 시간과 환경이 제공되지 않는 경우가 대부분이다. 이때, 사람들은 최적의 대안을 선택하기보다는 적절한 선에서 만족할 수 있는 대안을 선택하고는 한다. 이를 만족화(satisficing)라고 한다.     ◼︎ 전체 내용은 PDF로 제공됩니다.

제품 개발 혁신을 가속화하는 크레오 파라메트릭 9.0 (8)   패밀리 테이블은 기본적으로는 비슷하지만 약간씩 다른 부품, 어셈블리 또는 피처의 집합이다. 패밀리 테이블을 사용하면 표준화된 컴포넌트를 더 쉽게 사용할 수 있다. 이번 호에서는 크레오 파라메트릭(Creo Parametric)에서 패밀리 테이블을 만들고 활용하는 방법을 살펴본다.   ■ 심미연 디지테크 기술지원팀의 부장으로 Creo 전 제품의 기술지원 및 교육을 담당하고 있다. 이메일 | mysim@digiteki.com 홈페이지 | www.digiteki.com   패밀리 테이블은 기본적으로는 비슷하지만 크기나 세부 피처와 같은 한두 가지 측면에서 약간씩 다른 부품, 어셈블리 또는 피처의 집합이다. 예를 들어, 나무 나사들은 다양한 크기가 있지만 모양은 대개 비슷하고 동일한 기능을 수행한다. 따라서 이들을 패밀리 부품으로 취급하는 것이 편리하다. 패밀리 테이블의 부품을 테이블 제어 부품이라고도 한다. 다음 그림은 볼트 패밀리를 보여주고 있다. 원본은 그림의 맨 위에, 인스턴스는 그 아래에 있다. 원본이 모 피처이다.     패밀리 테이블을 사용하여 다음과 같은 작업을 수행할 수 있다. 많은 수의 객체를 간편하고 쉽게 만들고 저장할 수 있다. 부품 생성을 표준화함으로써 시간과 노력을 줄일 수 있다. 하나의 부품 파일로부터 일일이 재생성하지 않고도 부품의 변형들을 만들 수 있다. 관계식을 이용해서 모델을 변경하지 않고도 부품을 약간 변형할 수 있다. 프린트 파일로 저장 가능하고, 부품 카탈로그에 포함되는 부품들의 테이블을 만들 수 있다. 패밀리 테이블을 사용하면 표준화된 컴포넌트를 사용하기가 더 쉬워진다. 패밀리 테이블은 크레오 파라메트릭의 실제 부품 재고를 나타낸다. 또한 패밀리를 이용하면 동일 패밀리 내의 인스턴스들을 자동으로 교환할 수 있기 때문에, 어셈블리 내의 부품과 서브 어셈블리 교환을 쉽게 할 수 있다.   패밀리 테이블의 구조 패밀리 테이블은 기본적으로 행과 열로 구성된 스프레드시트이다. 패밀리 테이블은 다음 세 컴포넌트로 구성된다. 모든 패밀리 멤버의 토대가 되는 기본(base) 객체(원본 객체나 원본) 치수, 매개 변수, 피처 번호, 사용자 정의 피처 이름 그리고 테이블 제어로 만들어지기 위해 선택된 어셈블리 멤버 이름들(이하 ‘항목’으로 지칭한다.) 테이블에 의해 만들어진 모든 패밀리 멤버(인스턴스)의 이름과 각 테이블 제어 항목에 해당하는 값 행에는 부품 인스턴스들과 그 해당 값이 포함되고, 열은 항목에 사용된다. 열 머리글은 인스턴스 이름과 모든 치수, 매개 변수, 피처, 멤버들, 테이블에 대해 선택된 그룹들을 표시한다. 치수는 이름(예 : d9) 순으로 나열되며 연관된 기호 이름(예 : depth)이 그 아래 줄에 표시된다. 매개 변수들은 이름 순으로 나열된다. 피처는 피처 번호(예 : F107) 순으로 나열되며 연관된 피처 유형(예 : cut)이나 피처 이름이 그 아래 줄에 표시된다. 원본 모델은 테이블의 첫 행에 있다. 원본에 속한 테이블 엔트리는 실제 부품을 수정하거나 피처를 억제 또는 복원해서만 변경할 수 있다. 패밀리 테이블 엔트리를 편집하여 원본 모델을 변경할 수는 없다. 인스턴스에 존재하는지 여부(Y 또는 N)를 나타내거나 치수의 경우 숫자 값을 제공하여 피처, 매개 변수 또는 어셈블리 이름을 인스턴스에 사용할지 여부를 각 인스턴스마다 정의할 수 있다. 모든 치수 셀은 하나의 값이 있어야 한다. 그 값은 숫자이거나 일반 값을 사용한다는 의미의 별표(*)이어야 한다. 패밀리 테이블에 포함되지 않은 원본 모델의 모든 측면은 각 인스턴스마다 자동으로 발생한다. 예를 들어, 원본 모델에 Steel 값을 갖는 Material이라는 매개 변수가 있는 경우 모든 인스턴스는 동일한 매개 변수와 값을 가진다.     ◼︎ 전체 내용은 PDF로 제공됩니다.