1. 서 론
4차 산업혁명(산업 4.0)의 발달에 따라 디지털 전환을 필두로 내외부 경영 환경이 빠르게 변화함에 따라 품질혁신 방법론의 개발과 운영에 대한 필요성이 강조되고 있다. 조직은 제품 및 서비스의 생산 및 운반과 관련된 일련의 프로세스에 걸쳐 품질 요인에 대한 정확한 측정뿐만 아니라 품질 오류에 대한 예측, 원인 분석의 자동화 및 의사결정 고도화와 같은 고차원의 품질활동 방법론을 추구할 수 있게 되었다[8]. 이에 따라 품질 관리 책임자는 전사 프로세스에 있어 품질경영의 고도화를 지원할 수 있는 디지털 기술의 현황과 그 잠재력을 충분히 이해하고 현장 단위의 적용과 활용을 위한 방법론을 분석할 수 있어야 한다.
이러한 변화에 따라 디지털 전환 시대에 새로운 품질경영 방법론이 등장하고 있는데, 대표적으로는 디지털 기술을 활용한 품질경영 전략인 Quality 4.0을 제시할 수 있다. 이는 Dan Jacob에 의해 소개된 전통적인 품질관리 기법에 최신 기술을 통합하여 품질관리의 범위를 확장하고 품질 활동의 성과와 효율을 향상시키는 확장된 접근방법이다[39]. Quality 4.0은 경영진 의사결정의 고도화를 위해 경험적 학습, 지식 발견, 실시간 데이터 생성 등과 같은 디지털 자원의 잠재력을 강조하고 있다[27]. 이외에도 책임과 관리의 전산화를 강조[41]하거나 기존의 전사적 품질경영 방법론을 디지털 전환 시대의 특성을 고려하여 시스템화 하려는 시도도 제시되었다[16, 49]. 그러나 대부분의 연구는 디지털 전환에 따른 기술적인 요구사항과 특성에 중점을 두고 있어, 경영진의 품질경영 고도화를 위한 거시적인 방법론을 제시하지 못하는 한계가 있다. 이러한 한계를 개선하기 위해 최근 국내에서는 디지털 전환 시대의 새로운 품질경영 방법론으로 디지털 품질경영(Digital Quality Management, DQM) 모형이 제시되고 있다. DQM은 주요 국가 차원에서 제시하고 있는 품질 가치를 고려하여 5대 품질 범주를 도출하였으며, 구체적인 구성요소와 품질 요인을 정의하였다. DQM 모형은 현재 국내 국가 품질 대상 내 디지털 전환 부문의 품질경영 모형으로 제시되고 있어, 대표성을 지니고 있다.
DQM 모형은 디지털 전환 시대의 품질경영 고도화를 위한 핵심 요인들을 제시하고 있으나, 각 요인에 대한 구체적인 확보 방법론을 정의하지 못하고 있다. 따라서 본 연구에서는 조직에서 수행하고 있는 품질경영 활동이 DQM 수준에 기여하는 영향력을 머신러닝 방법론을 통해 분석하고자 한다. 이는 궁극적으로 조직에서 DQM 수준을 향상시키기 위해 요구되는 핵심 활동 또는 자원을 정의한다는 점에서 의의가 있다. 학술적 측면에서, 기존 연구들이 품질 활동의 효과성과 긍정적인 영향력 확인에 중점을 두고 있지만, 본 연구에서는 정량적인 품질 활동 수준과 그에 따른 디지털 품질경영의 성과를 예측 할 수 있는 시나리오를 제시하였다. 또한, 실무적 관점에서는 디지털 품질경영 확산을 위한 주요 요인을 파악하고, 기업의 품질경영 고도화를 위한 구체적인 활동을 제안하여 실질적인 요구 사항을 정의하였다.
본 논문은 총 5개의 장으로 구성되어 있다. 제2장에서는 디지털 품질경영 모형과 품질경영을 위한 주요 활동들을 정의하였다. 제3장에서는 머신러닝 방법론을 통한 디지털 품질경영 수준 예측 모형의 개요를 제시하고 있으며, 제4장에서는 분석 및 모형 개발 결과를 제시하고 있다. 마지막으로 제5장에서는 본 연구 결과의 요약과 더불어 향후 연구 확장 방향성을 기술하였다.
2. 문헌연구
2.1 디지털 품질경영 모형
조직의 활동과 품질경영 프로세스가 디지털화됨에 따라, 품질경영의 새로운 정의 및 가치를 제시하려는 연구가 최근 활발하게 진행되고 있다.
전통적인 품질경영은 기술 사용 측면에서는 주로 통계적 품질관리, 품질보증, 표준화된 프로세스에 초점을 맞춘다. 프로세스 및 처리 속도 측면에서는 사후 품질 관리에 가깝고 결함이 발견된 후 이를 해결하는 접근 방식을 사용한다. 데이터 활용 측면에서는 샘플링 데이터와 통계적 방법을 사용하여 데이터를 관리한다. 조직구성원의 역할 측면에서는 품질관리팀이 주요한 역할을 수행한다[16]. 이에 반해 디지털 전환 시대의 품질경영은 전통적인 접근 방식과 더불어 실시간 데이터 분석, 생산 오류 모니터링, 시스템 검증 등 정보통신 기술의 융합적인 접근 방법론을 토대로 이루어지고 있으며[6, 34], 모든 조직 구성원이 데이터 중심의 의사결정과 품질 개선 활동에 참여할 수 있도록 한다. 이러한 맥락에서 Sisodia and Villegas[44]는 현대 시대의 품질경영을 설계 정보 품질의 시대로 정의하였으며, ERP나 MES와 같은 기술적 자원의 활용을 강조하였다. CPS, IoT 및 IoS(Internet of Service)와 같은 산업 4.0 기술을 기반으로 조직은 설계, 성능, 적합성, 품질 측면에서 산업의 요구사항에 대응할 수 있게 되었으며, 단순한 기능의 개선을 넘어 적응, 예측, 자체 수정, 자동화 품질시스템 설계, 운영, 유지 및 관리가 가능해졌다[8].
가장 대표적으로 Quality 4.0은 산업용 빅데이터, IoT, AI 등을 활용하여 완전히 새로운 조직적 이슈를 해결하기 위한 방법론으로 경험적 학습, 지식 발견, 실시간 데이터 생성과 수집 및 분석에 기반한 의사결정이 강조된다[23]. 이와 더불어, Quality 4.0은 연결성, 지능화 및 자동화를 필두로 하는 산업 4.0의 기술을 조직에 걸쳐 정착하는 데 초점을 두고 있다[38].
최근 국내에서는 디지털 품질경영(Digital Quality Management) 모형이 개발되어 제시되었으며, 이 모형은 <Figure 1>과 같이 5대 품질 범주를 포함하고 있다[30]. 디지 털 품질경영(DQM)은 주요 국가에서 디지털 전환에 대응하여 제시되고 있는 품질 모델을 토대로 개발되었다. 디지털 품질경영은 품질의 디지털화를 통한 조직의 경쟁력과 품질 우수성을 달성하기 위해 요구되는 경영 차원의 요인을 정의 하는데 목적을 두고 있다. 전통적으로 품질경영을 평가하기 위해 말콤 볼드리지 모델과 EFQM(European Foundation for Quality Management) 모델 등이 사용되어 왔으나, 디지털 전환 시대의 품질과 관련된 조직의 필수 역량을 충분히 반영하지 못한다는 한계가 있었다. 비록 Quality 4.0과 같은 지능화와 디지털화 중심의 품질 모델이 제시되고 있지만, 구체적인 평가 방법론은 아직 부족한 상황이다. 이를 위해 DQM에서는 품질경영 수준의 평가를 위한 핵심 요인을 비전 실현, 주요 가치, 혁신 선도, 추진 기반 및 경영 성과로 정의하였다. 또한, 15개의 하위 진단기준과 36개의 소항목을 통해 구체적인 요구사항을 제시하고 있다. 더 나아가, 기업의 세부 요인에 대한 수준을 명확하게 측정하기 위해 기본(Basic), 관제(Watch), 측정(Measure), 추적(Trace), 연결(Connect), 그리고 통합(Integration)으로 구성된 6단계 등급 체계를 제시하였다. DQM은 국내에서 디지털 전환 시대의 품질경영 수준을 파악하고 평가하기 위한 방법론으로, 국가 품질상 내 ‘디지털 품질’ 부문으로 활용되고 있다.
2.2 디지털 품질경영의 5대 범주
디지털 전환 시대의 품질경영 요구사항을 반영하기 위해 디지털 품질경영 모델에서는 UAE의 GEM2.0, 미국의 MB, 유럽의 EFQM, 한국의 QCAS 품질 모델에서 제시한 평가 기준을 분석하였다. 이 분석을 바탕으로 품질 기능전개(Quality Function Deployment, QFD) 방법론을 활용하여 비전 실현, 주요 가치, 혁신 선도, 추진 기반 및 경영성과로 구성된 5대 품질 범주(Quality Criteria)를 제시하였다[29].
먼저 비전 실현은 명확한 목표 및 비전을 수립하고 이를 공유하는 리더십 역량을 바탕으로 조직의 미래 계획 및 책임 범위 등을 규정하는 상위 체계를 다룬다. 보다 구체적으로는 기업의 디지털 전환 방향성과 목표 설정을 위한 리더십의 중요성이 강조되고 있으며[22], 구체적인 전략 수립과 중점 업무 관리를 통해 전사 차원의 자발적인 참여를 독려하는 것이 필요하다[20]. 품질의 디지털 전환은 조직의 목표 및 전략과의 정합성을 유지해야 하며, 전사 차원의 지원이 필요하다는 점에서 경영진의 리더십과 전략 방향성의 설정이 매우 중요하다[31].
추진 기반은 기업 유지, 개선, 성장을 위한 유무형 자원 및 프로세스를 확보하고, 이를 통해 최적의 품질 성과를 달성하는 조직의 근본적 토대를 의미한다. 기업은 품질경영 및 의사결정 고도화를 위해 품질 업무를 둘러싼 프로세스뿐만 아니라 관련 설비, 자산 및 데이터에 대한 체계적인 관리 체계를 구축할 필요가 있다[15, 24]. 더 나아가, 조직의 내외부 이해관계자 파트너십 관리를 통해 체계적인 협력 시스템과 신뢰 구축이 강조되고 있다[32].
주요 가치는 필요 자원을 활용해 조직 비전 및 전략을 달성하고, 고객에게 차별화된 제품 및 서비스를 제공하기 위한 핵심 가치로 정의된다. 이는 조직의 차별적인 경쟁력으로 연계된다는 점에서 신제품 연구개발 및 프로세스 혁신과 같은 차세대 가치 창출의 측면에서 분석될 수 있다[2, 10]. 이와 더불어, 디지털 시스템을 활용한 스마트 고객관리[18] 및 품질 관련 전문 인력의 양성과 관리 [9] 또한 강조되고 있다. 디지털 품질경영 내 주요 가치는 품질경영을 수행하기 위한 직접적인 물리적인 환경 및 주요 활동을 다룬다는 점에서 품질 혁신과 품질경영의 디지털화를 위해 필수적이다[4].
혁신 선도는 품질 성과 및 미래 시장의 기회와 위협을 측정, 분석, 예측한 결과를 전사적으로 공유하여 조직 혁신 문화를 선도하는 활동으로 구성된다. 이는 예방 지향적인 관점에서 발생할 수 있는 위험 요인을 발굴 및 분석하여 대응하고[12], 전사 차원의 혁신을 견인하기 위해 관련 환경 및 조직 구성이 제시된다[43]. 마지막으로 경영 성과는 조직의 디지털 품질경영에 따라 도출되는 성과로 재무적/비재무적 성과[28] 외에도 가치사슬 전반의 이해관계자, 사회 환경 등 포괄적 범위의 이익에 공헌한 결과[33]를 포함한다.
이러한 품질경영의 디지털화에 따라 조직에서는 품질 경영 고도화를 위해 다양한 활동들이 전개되고 있다. 전통적으로는 조직 또는 작업 환경 내 존재하는 문제점을 해결하기 위한 지속적인 모임인 품질분임조[1]나 해결책 또는 개선안을 자유롭게 제안하는 제안제도[25]와 같이 현장 단위의 품질경영 참여를 독려하기 위한 활동이 제시되고 있다. 품질분임조는 현장과 고객 중심의 품질개선을 추구한다는 점에서 조직의 성과에 긍정적인 영향을 미친다[45].
제안제도의 경우 단순히 많은 양의 개선안이 제안되는 것을 넘어서 현장 단위의 제안이 실질적으로 채택되거나 추진되는 것 또한 매우 중요하다. 이외에도 품질관련 포상제도[14] 또는 수상 실적 관리[17]를 통해 품질경영의 성과를 향상시키려는 시도가 이루어지고 있다. 경영진 차원에서는 품질경영의 고도화를 추진하기 위한 기반인 품질 부서 및 관련 인적자원의 개발과 배치가 지속적으로 논의되고 있으며, 이는 연구개발 부서 관리로 연계될 수 있다[3].
이와 더불어 최근에는 조직 및 작업 환경이 빠르게 디지털화됨에 따라, 조직 전반에 걸쳐 디지털 품질경영을 효과적으로 도입하는 것이 중요한 업무로 부각되었다. 환경의 다각화된 변화에 따라, 조직을 추구하고자 하는 디지털 품질경영을 정의할 수 있어야 하며[41], 조직 전반에 걸친 실현을 위해 구체적인 방법론을 도구와 함께 제시할 수 있어야 한다[5, 42]. 또한 빅데이터, 분석 방법론, 스마트 기술 등에 대한 현장 차원의 적용을 위해 인적자원의 교육, 전문가 양성 및 포상제도 실시에 대한 활동이 강조되고 있다[7, 11]. 따라서 본 연구에서는 다양한 품질 활동들이 디지털 품질경영의 각 요인에 미치는 영향을 머신러닝 방법론을 통해 차별적으로 분석하고자 한다. 보다 구체적으로는 조직에서 수행하는 주요 품질 경영 활동인 품질 분임조 현황, 제안제도, 포상 제도 및 국가 품질상 수상 실적을 예측변수로 설정하고 디지털품질경영 모델의 5대 범주를 목표변수로 설정하여 구체적인 영향력을 분석하고자 한다.
3. 연구 방법
3.1 머신러닝 방법론
본 연구의 목적은 디지털 품질경영 확산 요소가 품질 범주에 미치는 영향을 확인하고 디지털 품질경영 수준의 향상 및 확산 요소로 정의되는 품질 활동의 수준에 따라 변화하는 다양한 품질 범주의 결과를 시나리오의 형태로 예측하기 위한 모형을 구축하는 것이다. 일반적으로 목표 변수(Y)와 예측 변수(X)와의 관계를 모형화하기 위해서는 확률 분포에 근거한 회귀분석(Regression Analysis)을 적용하는 경우가 대부분이다. 회귀분석을 통해 목표 변수의 예측과 예측 변수의 영향력을 확인할 수 있지만, 어떤 품질 활동이 디지털 품질경영 수준에 어떤 변화를 불러오는지를 시각적으로 이해하는 것은 어렵다. 이에 반해 머신러닝 방법론 중 하나인 의사결정나무의 CART(Classification And Regression Tree)를 활용하면 품질 활동의 여부에 따른 디지털 품질경영 수준의 변화를 직관적으로 시각화할 수 있다. 이를 통해 특정 품질 활동을 어느 정도 수행해야 디지털 품질경영 수준이 어떻게 변할지 다양한 예측 시나 리오를 통해 정량적으로 예측할 수 있게 해주며, 이러한 정보는 실무에서 의사결정을 내릴 때 중요한 정량적 지표로 활용될 수 있다.
일반적으로 머신러닝은 파악하고자 하는 요인 또는 결과와 관련한 인자들의 영향력을 분석하는 데 활용된다. 품질경영의 경우 제품 및 서비스의 생산과 관련한 프로세스 고도화를 위하여 발생할 수 있는 위험 요인 및 품질 수준을 예측하고 진단할 수 있다는 장점이 있다 [40]. 최근에는 품질경영 수행에 따른 조직의 성과를 예측하거나, 관련 활동의 관계성을 파악하기 위한 연구가 제시되고 있으며, 주로 재무적 성과 및 시장 점유율과 같은 정량적인 인자에 초점을 맞추고 있다[37, 48]. 또한, 품질경영 성과 분석과 관련된 머신러닝 선행 연구들에서는 주로 목표변수의 예측과 요인의 통계적 유의성 여부에 초점을 맞추고 있다. 이러한 접근은 실질적인 성과 향상을 위한 대안이나 시나리오를 제시하는 고도화된 의사 결정 지원이 부족하다는 한계를 가진다. 따라서, 본 연구에서는 품질 활동과 같은 확산 요인들의 정량적인 영향력을 산출하고, 요인의 수준 변화에 따라 발생하는 다양한 시나리오를 제시할 필요성을 강조하였다. 또한, 전통적인 품질관리 및 품질경영 분야에서 머신러닝을 활용한 예측 모형 개발에 대한 연구가 부족하다는 점을 고려하여, 머신러닝 방법을 적용하였다.
3.2 분석 대상 및 자료
본 연구에서 국내 DQM 모형 개발에 사용된 자료는 한국표준협회 주관 하에 2022년 9월부터 2022년 10월까지 1개월간 국내 제조 산업 기업 종사자에게 온라인 설문을 통해 일반적 특성을 포함한 700개의 유효 응답으로 수집 되었다. 일반적 특성으로는 기업 규모, 산업군 유형(KSIC 기준), 업력, 매출액 규모를 조사하였으며, 일반적 특성별 빈도분석 결과는 <Table 1>과 같다. 기업 규모로는 중소기업이 가장 높았으며(n=481, 67.29%), 국내 제조 기업 규모 비율에 비례하여 대기업의 빈도(n=44, 6.29%)가 가장 낮은 것으로 확인되었다. 산업군 유형별로는 기계/전기/전자의 빈도가 가장 높았으며(n=245, 35.00%), 바이오/헬스/식품의 빈도가 가장 낮은 것(n=105, 15%)으로 확인되었다. 업력에서는 7-20년이 가장 높았으며(n=373, 53.29%), 30-40년의 업력이 가장 낮은 것(n=35, 5.00%)으로 확인되었다. 매출액 규모로는 10억~120억 미만의 기업이 가장 높았으며(n=382, 54.57%), 1000억 초과 기업의 빈도가 가장 낮은(n=39, 5.57%) 것으로 확인되었다.
이와 함께 산업군별 5대 품질 범주의 등급 점수를 확인하기 위해 기술통계량을 산출하였으며, 평균(M)과 표준편차 (SD)에 대한 품질 범주의 결과는 <Table 2>와 같다.
건설/환경 분야에서는 경영성과(M = 3.20, SD = 0.79)의 등급 점수가 가장 높았으며, 주요 가치(M = 1.72, SD = 0.74)의 등급 점수가 가장 낮은 것으로 확인되었다. 기계/ 전기/전자 분야에서는 경영성과(M = 3.45, SD = 0.69)의 등급 점수가 가장 높았으며, 주요 가치(M = 2.81, SD = 0.80)의 등급 점수가 가장 낮은 것으로 확인되었다. 바이오/헬스/식품 분야에서는 경영성과(M = 3.24, SD = 0.75) 의 등급 점수가 가장 높았으며, 주요 가치(M = 2.45, SD = 0.77)의 등급 점수가 가장 낮은 것으로 나타났다. 화학 융합 분야에서는 경영 성과(M = 3.67, SD = 0.57)의 등급 점수가 가장 높았으며, 주요 가치(M = 2.30, SD = 0.96)으로 가장 낮은 것으로 나타났다.
자료의 분석은 Python 프로그램에서 머신러닝 분석을 수행할 수 있도록 도와주는 Scikit-learn 라이브러리를 이용하였다. 이 자료를 바탕으로 품질 활동 현황을 디지털 품질경영 수준의 확산 요인인 품질 활동을 예측 변수(X) 로 설정하고 이들이 목표변수(Y)인 디지털 품질경영의 5대 범주에 미치는 영향을 분석하였다. 또한, 품질 활동의 정량적 변화가 디지털 품질경영 수준에 어떤 영향을 미치는지 예측하고 특정 품질활동이 증가할 때 디지털 품질경영 수준이 어떻게 변할 수 있는지를 보여주는 예측 모형을 개발하였다. 이와 같은 접근은 품질 활동과 디지털 품질경영 간의 관계를 심층적으로 이해하고, 향후 디지털 품질경영 전략을 개발하는 데 중요한 지표로 활용될 수 있다. 목표 변수와 예측 변수는 자료의 특성에 따라 크게 연속형(Continuous) 또는 범주형(Categorical)으로 구분할 수 있다. <Table 3>과 같이 목표 변수인 디지털 품질경영 5대 범주에 대해서는 DQM 모형에서 개발 시 설정한 6개의 등간 척도 범주를 리커트 6점 척도(매우 미흡 / 미흡 / 보통 / 양호 / 우수 / 매우 우수)의 점수로 변환하여 연속형 변수로 활용하였으며, 변환된 점수를 통해 예측 변수의 변화에 따른 각 기업의 디지털 품질경영 현 수준을 확인하였다. 리커트 6점 척도는 5점 척도에 비해 응답자가 자신의 미묘한 감정이나 차이를 표현 하기에 더 용이하며, 연구나 설문 조사에서 다양한 응답을 포착할 수 있다. 이를 통해 연구 결과의 타당성을 높이는데 기여할 수 있다.
예측 변수는 <Table 3>과 같이 품질분임조 운영 수준, 제안제도 추진 수준, 품질활동 포상 수준, 국가품질상 수상 실적으로 각 5개의 범주로 구성되어 있다.
범주의 간격이 일정한 등간 척도(Interval Scale)가 아닌 순서 척도(Ordinal)로 구성된 자료이므로 범주형 자료로 유형을 설정하였고 레이블 인코딩(Label Encoding) 방법을 통해 범주형 자료를 숫자로 변환하여 머신러닝 분석을 수행하였다. 레이블 인코딩은 범주형 자료를 숫자로 변환하여 순서를 유지하면서 정보의 손실을 막는 방법이다. 특히, 순서 척도(Ordinal Scale)의 경우 순서를 유지하면서 각 범주에 증가하는 정숫값을 부여하여 의사결정나무와 같은 알고리즘에서 유용하게 사용할 수 있다[46].
3.3 분석 방법 및 절차
본 연구에서는 품질 활동 현황이 디지털 품질경영 범주에 어떤 영향을 미치는지 확인하고자 머신러닝 방법론의 의사결정나무 중 CART(Classification And Regression Tree) 기법을 이용하여 예측 모형을 개발하였다. CART는 목표 변수의 자료 유형에 따라 노드 분할 방법이 달 라진다. 목표 변수가 범주형인 경우에는 지니 지수(Gini Index)를 사용하여 노드를 분할하며, 연속형일 경우에는 최소 제곱 오차(Least Square Error)를 이용하여 이지 분리(binary split)를 수행하는 의사결정나무 기반 예측 알고리즘이다. 의사결정나무는 목표변수가 존재하는 지도 학습(Supervised learning) 기반의 방법론으로, 구축된 모형의 형태가 나무(tree) 구조와 유사하여 의사결정나무로 불린다. 이 방법론은 의사결정 규칙(Decision Rule)을 도표화하여, 목표 변수의 자료 유형에 따라 예측 또는 분류를 수행한다. 목표 변수가 연속형일 경우에는 예측을 목적으로 하는 회귀(Regression) 모형으로 사용되며, 범주 형인 경우에는 분류를 목적으로 하는 분류(Classification) 모형으로 사용된다.
CART 모형의 주요 장점은 분류 규칙에 대한 해석이 쉽고 비모수적 방법으로 변수 간 복잡한 관계를 파악하기 용이하며 매우 강건한 모형으로 데이터에 이상값(Outlier)이 존재해도 예측 결과가 잘 바뀌지 않으며[19], <Figure 2>와 같이 나무 형태로 나타낼 수 있기 때문에[13] 다양한 예측 변수의 변화에 따른 디지털 품질경영의 수준을 시각적으로 파악하는 데 적합하다. 의사결정나무는 분류 또는 수치 예측을 목적으로 하는 어떤 경우에도 사용할 수 있으나 분석의 정확도보다는 분석 과정의 설명이 필요한 경우에 더 유용하게 사용되는 분석 방법이다. 의사결정나무는 뿌리 노드(Root Node)에서 분할을 시작하여, 노드 간을 연결하는 내부 노드(Internal Node)를 거쳐 더 이상 분할되지 않는 단말 노드(Terminal Node)로 구성된다. 의사결정나무의 해석은 단말 노드의 목표 변수 유형에 따라 달라지며, 목표 변수가 연속형인 경우 단말 노드를 구성하는 목표 변수의 평균값으로 예측값을 도출한다. 뿌리 노드는 의사결정나무의 최상단에 위치하며, 가장 명확하게 분류되는 변수가 선택되고 최적의 분할 기준이 설정된다. 이후, 각 노드에서 최적의 분할 기준을 찾아가는 과정을 반복하면서 의사결정나무를 확장하여 모형을 개발한다. 이러한 반복적인 분할 과정을 통해 의사결정나무는 점점 더 세분화되어 목표 변수에 대한 예측이나 분류를 수행하는 데 필요한 구조를 형성한다. 최적의 분할을 위해 임곗값 Ci 가 산출되며, 이 임곗값을 기준으로 값이 크거나 작은지에 따라 노드가 분할된다.
본 연구에서는 목표 변수가 연속형이므로 <Figure 3> 과 같이 이에 따른 5대 디지털 품질경영 범주에 대한 각 회귀 모형을 개발하였다.
머신러닝 모형을 개발하기 위해서는 <Figure 3>과 같이 먼저 전체 데이터를 학습(Training) 데이터세트와 검정(Test) 데이터세트로 분할하며, 학습 데이터세트를 이용하여 초기 모형을 개발하고 그 성능을 검정 데이터세트로 평가한다.
최적의 성능에 도달할 수 있는 다양한 모형 개발방법 이 존재하는데 본 연구에서는 K겹 접기 교차 검증(K-fold Cross Validation) 방법을 적용하였다. 이는 적은 표본 데이터세트에서도 예측력과 성능을 효과적으로 향상시킬 수 있는 방법이다[35]. 여기서 K는 데이터를 분할하는 그룹의 수이며, 성능과 효율성에서 뛰어난 결과를 나타내는 10으로 설정[47]하여 분석을 수행하였다. 즉, <Figure 4>와 같이 700개의 표본 데이터를 10개의 그룹으로 균등 분할한 후, 그 중 하나의 그룹을 모형 개발을 위한 학습용 데이터세트로, 나머지 그룹을 모형 성능 검증을 위한 검정 데이터세트로 설정하였다. 이 과정을 K회 반복하여 각 반복에서 서로 다른 오차를 산출하고, 이를 평균하여 최종 모형의 성능을 평가하였다.
회귀 모형의 예측 성능은 관측을 통해 수집된 실제 값(관측치, Observed value)과 모형을 통해 예측된 값(적합치, Fitted value)으로 평가하며, 두 값의 차이가 작을수록 모형의 예측 성능이 우수하다고 판정한다. 본 연구에서 는 모형의 성능을 평가하기 위해 평균 제곱 오차(MSE), 평균 제곱근 오차(RMSE), 평균 절대 오차(MAE), 결정 계수(R-Squared, R2)의 네 가지 주요 평가 지표를 사용하였다. 평균 제곱 오차는 관측치와 적합치 간 차이 제곱의 평균이며, 값이 낮을수록 모형의 성능이 좋음을 의미한다. 평균 제곱근 오차는 평균 제곱 오차의 제곱근으로 원 데이터와 동일한 단위로 오차를 나타내어 해석이 용이하며, 이 값이 낮을수록 모형의 성능이 좋음을 의미한다. 특히, 서로 다른 모형의 성능을 비교하는데 유용하다. 평균 절대 오차는 관측치와 적합치 간 차이에 대한 절대값의 평균으로 이상치에 덜 민감하며, 값이 낮을수록 모형의 성능이 좋음을 의미한다. 결정계수는 예측 변수들이 목표 변수의 분산을 얼마나 잘 설명하는지를 측정하며, 1에 가까울수록 좋은 성능을 나타내는 것을 의미한다.
4. 분석 및 모형 개발 결과
본 연구에서는 CART 방법을 활용하여 품질 활동이 5대 디지털 품질경영 범주에 미치는 영향을 예측하는 모형을 개발하고, 그 성능을 평가하였다. 디지털 품질경영의 확산에 미치는 품질활동의 영향력과 중요도를 산출하고, 예측 결과를 시나리오 형태로 정리하였다. 이를 통해 어떤 품질 활동을 어느 정도 수행해야 디지털 품질경영의 수준이 향상되는지에 대한 정량적인 기준을 확인할 수 있다.
각 목표 변수에 대한 예측 모형은 의사결정나무의 형태로 시각적으로 나타낼 수 있으며, 나무의 단말 노드로 분류된 평균값을 이용하여 예측할 수 있다. 단말 노드의 수는 예측 변수의 수준에 따라 변화되는 목표 변수의 예측값 개수를 의미하며, 5대 디지털 품질경영 범주에 대한 모형 성능 지표와 단말 노드의 수는 <Table 5>와 같다.
비전 실현(Y1) 모형의 MSE = 0.59, RMSE = 0.77, MAE = 0.60, R2= 0.41, 단말 노드의 개수 = 13개, 추진 기반(Y2) 모형의 MSE = 0.53, RMSE = 0.73, MAE = 0.58, R2 = 0.33, 단말 노드의 개수 = 14개, 주요 가치(Y3) 모형의 MSE = 0.56, RMSE = 0.75, MAE = 0.60, R2= 0.33, 단말 노드의 개수 = 11, 혁신 선도(Y4) 모형의 MSE = 0.48, RMSE = 0.70, MAE = 0.54, R2= 0.40, 단말 노드의 개수 = 19개, 경영 성과(Y5) 모형의 MSE = 0.40, RMSE = 0.63, MAE = 0.50, R2 = 0.23, 단말 노드의 개 수는 8개로 나타났다. 설문 조사 자료의 연구는 포함된 변수들이 관심있는 결과에 영향을 미치는 모든 관련 요인을 완전히 포착하지 못하고 일부만을 포착하기 때문에 변동성이 커져 결정계수가 낮게 산출된다[36]. 본 연구의 목표는 어떤 정량적인 품질 활동 정도가 디지털 품질경영의 수준을 향상시키는지에 대한 시나리오를 확인할 수 있는 방법론을 확인하는 것이기 때문에 비교적 낮은 성능 지표로도 의미 있는 결과로 도출될 수 있다.
품질활동들 중에 각 목표변수에 미치는 영향력을 확인하기 위해 변수 중요도를 산출하였다. 변수 중요도는 각 변수가 예측 모형에서 얼마나 중요한 역할을 하는지를 나타내는 지표이며, 회귀 모형에서는 평균 제곱 오차를 사용하여 나무의 각 노드에서 특정 변수를 사용하여 데이터를 분할할 때, 해당 분할로 인해 전체 나무의 불순도가 얼마 나 감소했는지를 계산하여 중요도를 산출한다. <Table 6> 과 같이 비전 실현(Y1) 모형에서의 변수 중요도는 제안제 도 추진 수준(0.57), 품질분임조 운영수준(0.36), 품질활동 포상수준(0.07), 국가품질상 수상실적(0.00) 순으로 나타났다. 이는 비전 실현에서 정의하는 기업의 디지털 전환의 방향성과 목표를 설정을 위한 리더십에서 가장 중요한 활동으로 제안 제도의 추진 수준 확대를 의미한다. 추진 기반(Y2) 모형에서의 변수 중요도는 품질분임조 운영수준 (0.69), 제안제도 추진수준(0.19), 품질활동 포상수준(0.06), 국가 품질상 수상실적(0.06) 순으로 나타났다. 이는 추진 기반에서 정의하는 기업 유지, 개선, 성장을 위한 유무형 자원 및 프로세스를 확보하고, 이를 통해 최적의 품질 성과를 달성하는 조직의 근본적 토대를 달성하기 위해 가장 중요한 활동으로는 품질분임조 운영 수준의 확대를 의미한다. 주요 가치(Y3) 모형에서의 변수 중요도는 제안제도 추진수준(0.34), 품질분임조 운영수준(0.58), 품질활동 포상수준(0.06), 국가품질상 수상실적(0.03) 순으로 나타났다. 이는 주요 가치에서 정의하는 필요 자원을 활용해 조직 비전 및 전략을 달성하고, 고객에게 차별화된 제품 및 서비스를 제공하기 위한 핵심 가치를 높이기 위해 가장 중요한 활동으로는 제안제도 추진수준의 확대를 의미한다. 혁신 선도(Y4) 모형에서의 변수 중요도는 제안제도 추진수준(0.58), 품질분임조 운영수준(0.31), 품질활동 포상수준(0.09), 국가품질상 수상실적(0.02) 순으로 나타났다. 이는 혁신 선도에서 정의하는 품질 성과 및 미래 시장의 기회와 위협을 측정, 분석, 예측한 결과를 전사적으로 공유하여 조직 혁신 문화를 선도하기 위해 가장 중요한 활동으로는 제안제도 추진 수준의 확대를 의미한다. 경영 성과 (Y5) 모형에서의 변수 중요도는 품질분임조 운영수준(0.84), 제안제도 추진수준(0.09), 품질 활동 포상수준 (0.05), 국가 품질상 수상실적(0.02) 순으로 나타났다. 이는 경영 성과에서 정의하는 조직의 디지털 품질경영에 따라 도출되는 성과에서 가장 중요한 활동으로는 품질분임조 운영수준의 확대를 의미한다.
각 모형에서 예측 변수의 중요도를 요약한 결과, 품질 분임조 운영과 제안제도의 추진이 가장 중요한 확산 요소로 확인되었다. 이는 기업이 품질활동을 정량적으로 수행하여 디지털 품질경영의 수준을 향상시키기 위해 품질분임조 운영과 제안제도를 적극적으로 활용해야 함을 시사한다. 각 모형에 대한 변수 중요도를 시각적으로 제시한 그림은 <Figure 5>와 같다.
각 모형에서 단말 노드의 예측값을 바탕으로 다양한 시나리오를 정리하여, 디지털 품질경영 수준 향상에 대한 구체적인 방법을 제시하였다. 상대적인 중요도는 낮지만, 품질 활동 포상수준과 국가 품질상 수상실적에 따라 목표변수의 수준이 어떻게 변화하는지도 함께 분석하였다.
먼저, 비전 실현(Y1)에 대한 13개의 단말 노드 시나리오를 <Table 7>과 같이 제시하였으며, 품질활동 수행 정도에 따라 2.19 ~ 5.27점의 수준으로 분포되는 것을 확인 할 수 있다. 표에서 알 수 있듯이, 주로 품질분임조와 제안제도의 활용이 클수록 디지털 품질경영 수준이 높은 것을 확인할 수 있다. Node 1과 같이 품질분임조와 제안 제도를 활용하지 않고 품질 활동에 대한 포상이 연 1회와 같이 충분하지 않은 상황에서 점수는 2.19로 가장 낮았다. 반면, Node 2와 같이 품질 활동의 포상수준만 분기별로 확대해도 3.25점으로 크게 향상되는 것을 확인할 수 있다. Node 5(Score = 3.38)와 Node 6(Score = 4.20)은 다른 품질 활동의 수준은 동일하나 포상수준 정도에 따라 노드가 분할되었다. 품질분임조를 5~9팀으로 운영해도 기업 구성원에게 적절한 보상이 없을 경우 점수가 낮을 수 있다는 것을 보여준다. Node 13과 같이 품질분임조를 10~19팀, 제안제도를 1% 이상 추진할 경우 가장 높은 점수인 5.27점까지 상승할 수 있음을 나타낸다. 기업의 규모가 작을 경우 품질분임조를 대규모로 운영하는 것은 현실적으로 어려울 수 있지만, Node 10(Score = 4.16)과 같이 품질분임조를 5팀 미만으로 운영하더라도 제안제도를 운영하고 적절한 포상수준을 제공한다면 비전 실현과 같은 디지털 품질 경영 수준을 충분히 향상시킬 수 있음을 시사한다. 디지털 품질경영 관점에서 비전 실현을 위해서는 구체적인 전략 수립과 중점 업무 관리를 통해 전사 차원의 자발적인 참여를 독려하는 것이 필요하다. 예측 모형의 시나리오 결과는 이러한 기업 구성원의 참여를 촉진시키기 위해서는 품질분임조, 제안제도와 같이 기업 차원의 협력 구조의 확립과 적절한 보상이 필요함을 확인시켜 준다. 시나리오에 대한 의사결정나무 그림은 <Figure 6>과 같다.
추진 기반(Y2)에 대한 14개의 단말 노드 시나리오는 <Table 8>과 같으며, 품질 활동 수행 정도에 따라 2.35 ~ 5.09점의 수준으로 분포되는 것을 확인할 수 있다. 표에서 알 수 있듯이, 주로 품질분임조와 제안제도의 활용이 클수록 점수가 높은 것을 확인할 수 있다. Node 1과 같이 품질분임조, 제안제도, 품질 활동 포상 제도를 운영하지 않는 경우의 점수는 2.34로 가장 낮았다. 반면, Node 3과 같이 품질활동의 포상 수준을 연 1회 이상으로 확대 하였을 때 점수는 3.39로 크게 향상되는 것을 확인할 수 있었다. Node 14와 같이 품질분임조를 10~19팀으로 하면 가장 높은 점수인 5.09점까지 상승할 수 있음을 나타낸다. Node 11에서 볼 수 있듯이 품질분임조를 대규모로 운영하는 것이 한정된 자원으로 어려울 경우 적은 규모의 품질분임조를 운영하고 제안제도를 적극적으로 장려하여 활용할 시 4.83점으로 높은 품질경영 수준에 도달 할 수 있음을 확인할 수 있다. 주목할 결과 중 하나는 Node 6(Score = 2.77)과 같이 연 1회 이하와 같이 충분한 보상 없이 제안제도의 수준을 확대할 경우 상대적으로 제안제도의 수준이 적은 Node 5보다 낮은 수준에 도달 할 수도 있다는 점이다. 또한, Node 10 및 Node 11과 같이 국가 품질상의 수상실적도 수준 상승에 긍정적인 효과가 있음을 보여준다. 추진 기반은 기업 유지, 개선, 성장을 위한 유무형 자원 및 프로세스를 확보하고, 이를 통해 최적의 품질 성과를 달성하는 조직의 근본적 토대를 의미한다. 예측 모형의 시나리오 결과는 기업의 근간 및 토대를 튼튼하게 구성하기 위해서는 적극적인 참여 유도형 품질 활동과 함께 적절한 보상도 수반되어야 함을 정량적으로 확인시켜 준다.
시나리오에 대한 의사결정나무 그림은 <Figure 7>과 같다.
주요 가치(Y3)에 대한 11개의 단말 노드 시나리오는 <Table 9>와 같으며, 품질 활동 수행 정도에 따라 1.88 ~ 4.70점의 수준으로 분포되는 것을 확인할 수 있다. 표에서 알 수 있듯이, 주로 품질분임조와 제안제도의 활용이 클수록 점수가 높은 것을 확인할 수 있다. Node 1과 같이 품질분임조, 제안제도, 품질 활동 포상 제도를 운영하지 않는 경우의 점수는 1.88점으로 가장 낮았다. 반면 Node 2와 같이 연 1회 이상으로 품질 활동에 대한 포상을 확대할 시 2.78점으로 크게 향상되는 것을 확인할 수 있었다. Node 3과 같이 품질분임조를 운영하더라도 제안 제도의 추진이 수반되지 않을 경우에는 2.43점으로 제안 제도를 1% 미만이라도 수행하는 경우의 3.52점보다 훨씬 낮다는 것을 보여준다. Node 11과 같이 품질분임조를 10~19팀으로 대규모로 운영하고 국가 품질상 실적까지 보유했을 때 점수가 4.70점까지 향상될 수 있음을 보여 준다. 반면, Node 10과 같이 품질분임조를 대규모로 운영할 수 없을 경우 제안제도를 늘리고 국가 품질상 수상 실적을 보유한다면 4.20점의 높은 수준으로 향상될 수 있다. 주요 가치는 필요 자원을 활용하여 조직 비전 및 전략을 달성하고 차별화된 제품 및 서비스를 제공하기 위한 핵심 가치를 의미한다. 이는 조직의 차별적인 경쟁력으로 연계되며, 예측 모형의 시나리오 결과는 가치 창출의 측면에서 품질 관련 전문 인력의 양성과 관리를 위해서는 기업 구성원의 창의적 아이디어가 발굴될 수 있도록 다각적인 품질 활동의 전개가 필요하다는 것을 시사한다.
시나리오에 대한 의사결정나무 그림은 <Figure 8>과 같다.
혁신 선도(Y4)에 대한 19개의 단말 노드 시나리오는 <Table 10>과 같으며, 품질 활동 수행 정도에 따라 2.04 ~ 5.05점의 수준으로 분포되는 것을 확인할 수 있다. 표 에서 알 수 있듯이, 주로 품질분임조와 제안제도의 활용 이 클수록 점수가 높은 것을 확인할 수 있다. Node 1과 같이 품질 분임조, 제안제도, 품질 활동 포상 제도를 운 영하지 않는 경우의 점수는 2.04점으로 가장 낮았다. 반 면, Node 2와 같이 연 1회 이상으로 품질 활동에 대한 포상을 확대할 시 2.95점으로 크게 향상되는 것을 확인 할 수 있었다. 또한, Node 3(Score = 2.54)과 같이 품질 분임조를 소규모로 운영하더라도 적절한 보상이 없을 경 우 점수가 낮은 것을 확인할 수 있다. 주목할 점은 Node 16에서는 품질분임조 운영수준도 5~9팀, 제안제도의 추 진 수준은 6~9%, 포상 수준은 연 1회 이상, 국가 품질상 수상실적 1회 이하로 다양한 품질 활동을 수행하고 있지 만 점수는 3.30으로 활동에 비해 높지 않으나 Node 15에 서는 제안제도의 추진 수준이 1% 미만 또는 2~5%로 제 안제도를 적게 추진함에도 불구하고 3.71점으로 높은 것 을 알 수 있다. 이는 기업이 구성원에게 과도한 품질 활 동을 요구할 시 품질 경영 수준이 감소할 수도 있다는 것을 확인할 수 있으며, 기업 구성원의 역량, 수행 업무 량 등 다양한 요소를 고려하여 품질 활동을 수행해야 함 을 시사한다. Node 19와 같이 품질분임조를 10~19팀을 운영하고 제안제도를 1% 이상 수행할 시의 점수는 5.05 점으로 가장 높은 것으로 나타났다. 대규모 품질분임조 의 운영이 어려운 경우 Node 17과 같이 품질분임조를 5~9팀 이하, 제안제도를 1% 이상, 연간 1회 이상 품질 활동 포상, 국가 품질상 수상 실적 2~5건 이상 등 적절 한 수준에서 다양한 품질 활동을 전개했을 때 4.75점의 높은 품질경영 수준에 도달할 수 있다. 혁신 선도는 품질 성과 및 미래 시장의 기회와 위협을 측정, 분석, 예측한 결과를 전사적으로 공유하여 조직 혁신 문화를 선도하는 활동을 의미한다. 예측 모형의 시나리오 결과는 적극적 이고 혁신적인 조직 문화로 변모하기 위해 체계적인 참 여 유도와 다양한 품질 활동이 수반되어야 함을 정량적 으로 확인시켜 준다. 이는 혁신 선도의 정의와 일치함을 보여주는 결과이다.
시나리오에 대한 의사결정나무 그림은 <Figure 9>와 같다.
경영 성과(Y5)에 대한 8개의 단말 노드 시나리오는 <Table 11>과 같으며, 품질 활동 수행 정도에 따라 3.1 ~ 4.98점의 수준으로 분포되는 것을 확인할 수 있다. 표에서 알 수 있듯이, 주로 품질분임조와 제안제도의 활용이 클수 록 점수가 높은 것을 확인할 수 있다. Node 1과 같이 품질분 임조, 제안제도, 품질활동 포상 제도를 운영하지 않는 경우 의 점수는 3.10점으로 가장 낮았으며, Node 8과 같이 20개 팀 이상의 품질분임조를 운영할 경우 4.98점으로 가장 높은 수준에 도달할 수 있음을 확인할 수 있었다. 대규모 품질분 임조 운영이 제한적인 경우 Node 6과 같이 5팀 미만으로 품질분임조를 운영하고 국가 품질상 수상실적을 갖출 경우 4.33점으로 투입 대비 우수한 역량을 보유할 수 있음을 나타 낸다. 경영 성과는 조직의 디지털 품질경영에 따라 도출되 는 성과로 재무적/비재무적 성과 외 가치사슬 전반의 이해 관계자, 사회 환경 등 포괄적 범위의 이익에 공헌한 결과로 정의된다. 예측 모형의 시나리오 결과는 구성원 간 유기적 인 협력적 관계의 체계를 확립하는 것이 필수적인 활동인 품질분임조의 운영 수준이 품질경영 수준 향상에 절대적인 요소임을 정량적으로 확인시켜 준다. 이는 경영 성과의 정 의와 일치함을 보여주는 결과이다.
시나리오에 대한 의사결정나무 그림은 <Figure 10>과 같다.
5. 결 론
5.1 연구 결과 요약
본 연구는 머신러닝 기반의 디지털 품질경영 확산 모형을 개발하고, 이를 통해 다양한 품질 활동이 디지털 품질경영 수준에 미치는 영향을 정량적으로 분석하였다. 품질분임조, 제안제도 등의 품질 활동이 디지털 품질경영에 미치는 효과를 의사결정나무의 CART 방법론을 활용하여 시각적으로 이해할 수 있는 모형을 구축하였다. 이를 통해 각 품질 활동이 디지털 품질경영 수준을 어떻게 향상시키는지 예측 시나리오를 제공하였다. 5대 디지털 품질경영 범주의 정의를 요약해보면 기업의 수준 향상을 위해서는 기업에서 구성원의 리더십 강화, 전사 차원의 자발적 참여, 유지/개선/성장을 위한 프로세스의 개발, 비전 및 전략 수립, 전사적 협업의 필요성을 제시하고 있다. 이러한 요소들의 공통점은 구성원의 자발적 참여와 협력관계의 구축이다. 개발된 예측 모형들은 디지털 품질경영의 정의와 일치하게 구성원의 참여와 협력과 관련된 품질 활동인 품질분임조와 제안제도의 운영이 가장 중요한 요인으로 확인되었다. 이러한 주요 연구 결과를 요약하면 다음과 같다.
5.1.1 비전 실현(Y1)
모형에서는 제안제도 추진수준(0.57, 57%)이 가장 중요한 요인임을 확인하였다. 제안제도를 1% 이상 추진하고 품질분임조를 10~19팀으로 운영할 경우 가장 높은 점수인 5.27점에 도달할 수 있었으며, 품질 활동에 대한 기업 차원의 충분한 보상이 없을 경우, 품질 활동의 효과가 저하됨을 확인하였다.
5.1.2 추진 기반(Y2)
품질분임조(0.69, 69%)가 수준 향상에 가장 중요한 요인임을 확인하였다. 품질분임조 운영수준을 10~19팀으로 운영할 경우 가장 높은 점수인 5.09점에 도달할 수 있었으며, 기업 여건상 품질분임조를 대규모로 운영하지 못 할 경우 이에 대한 대안으로 분임조를 소규모로 운영하는 대신 제안제도를 늘리고 적절한 포상을 제공하여 4.83점과 같이 투자 대비 높은 수준의 추진 기반을 달성 할 수 있었다.
5.1.3 주요 가치(Y3)
모형에서는 제안제도(0.58, 58%)가 수준 향상에 가장 중요한 요인임을 확인할 수 있었다. 품질분임조를 대규모로 운영하고 국가 품질상 실적을 보유할 경우 4.70으로 가장 높은 수준을 나타냈다.
5.1.4 혁신 선도(Y4)
모형에서는 제안제도 추진 수준(0.58, 58%)이 수준 향상에 가장 중요한 요인임을 확인할 수 있었다. 품질분임조를 대규모로 운영하고 제안제도를 1% 이상 추진할 경우 5.05 점으로 가장 높은 수준을 나타냈다. 기업 차원에서 분임조나 제안제도를 과도하게 추진할 경우 오히려 품질경영 수준을 낮출 수 있는 결과를 확인할 수 있었으며, 이는 혁신 선도를 위해서는 임원진과 구성원들 간의 소통을 통해 속도를 조절할 필요가 있다는 것을 의미한다.
5.1.5 경영 성과(Y5)
모형에서는 품질분임조 운영수준(0.84, 84%)이 수준 향상에 가장 중요한 요인임을 확인할 수 있었다. 품질분임조를 20팀 이상으로 운영할 때 4.98점으로 가장 높은 수준을 나타냈다. 품질분임조의 대규모 운영이 어려울 경우 대안으로 5팀 미만으로 구성하고 국가 품질상 수상 실적으로 보유한다면 4.33점의 투자 대비 높은 수준의 경영 성과를 달성할 수 있었다. 국가 품질상 수상은 전 구성원의 품질 활동에 대한 결실로 이는 조직 내 구성원의 협력체계와 자발적 참여 구조가 정착되는데 중요한 요소가 될 수 있다는 것을 암시한다.
5.2 시사점
본 연구의 시사점을 실무적 관점과 학술적 관점에서 다음과 같이 제시된다. 우선, 실무적 관점에서 디지털 품 질경영 확산을 위한 중요한 요인으로 품질분임조 운영 수준과 제안제도 추진 수준을 확인하여 기업의 품질경영 고도화를 위한 실질적인 요구 활동을 정의하였다. 모든 예측 모형에서 이러한 요인들의 활동이 활발할수록 디지털 품질경영 수준이 향상되는 것을 확인할 수 있었다. 특히, 품질 활동의 효과를 극대화하기 위해서는 적절한 보상체계가 필수적이며, 품질 활동 대비 충분한 보상이 없는 경우 그 효과가 저하되는 결과를 나타냈다.
벤처 및 중소기업과 같이 상대적으로 작은 규모의 기업에서는 많은 인력을 필요로 하는 품질분임조를 활발히 운영하는 것이 현실적으로 어려울 수 있다. 따라서, 이러한 경우에는 제안제도나 품질 활동의 포상 수준 확대와 같은 추진 가능한 활동을 통해 디지털 품질경영의 수준을 향상시키는 것이 현실적임을 예측 시나리오를 통해 정량적으로 확인하였다.
학술적 관점에서, 기존 연구들이 품질 활동의 효과성과 긍정적인 영향력 확인에 초점을 두었다면, 본 연구에서는 정량적인 품질 활동 수준과 그에 따른 디지털 품질 경영의 성과를 예측할 수 있는 시나리오를 제시하였다. 이는 기업 내부의 주관적․경험적 판단과 함께 의사결정의 보조 수단으로 활용될 수 있으며, 불필요한 품질 활동 수행을 예방하는 도구로도 활용될 수 있다.
본 연구는 700개의 제조 산업군을 대상으로 수집된 자료를 이용하여 머신러닝 예측 모형을 개발하였다. 향후 더 많은 기업의 실태를 조사하여 자료를 축적한다면, 현재보다 훨씬 세밀한 예측 시나리오를 도출할 수 있을 것 이다. 또한, 품질 활동 수준이 범주형 응답으로 수집되었기 때문에, 이는 세부 정보의 손실을 유발하고 예측 모형의 성능 저하로 이어질 수 있다. 따라서, 향후 연구에서는 연속형 응답으로 자료를 수집하여 분석할 필요가 있다. 머신러닝 모형은 회귀분석과 같이 직관적인 형태의 방정식이 존재하지 않으며, 규칙이나 패턴을 통해 예측 값을 도출하기 때문에 기업 내 비전문가의 사용이 제한적일 수 있다. 이를 해결하기 위해, 기업 내부 실정에 맞는 품질 활동 수준을 입력하면 디지털 품질경영 수준을 즉각적으로 확인할 수 있는 자동화된 사용자 편의 프로그램을 개발하여 기업의 내부 시스템에 공급한다면, 디지털 품질경영 수준 향상에 기여할 수 있을 것으로 기대 된다.
본 연구에서와 같이 예측 시나리오를 산출하는 것이 아닌 예측 성능을 향상시키는 것이 주 목적이라면, Random Forest, Support Vector Machine 등과 같은 다양한 머신러닝 방법론을 통해 모형을 개발하는 것도 고려될 수 있다. 이를 통해 더 정확하고 효율적인 예측 모형을 개발할 수 있을 것이다.
