반도체 건설 프로젝트의 COPQ 를 활용한 정량적 리스크 평가 및 조기경보 방법

국문 초록 (Abstract)

반도체 건설 프로젝트는 공정 복잡성, 잦은 설계변경, 공사기간 단축 요구, 다수의 이해관계자 참여로 인해 리스크의 사전 식별과 체계적 관리가 프로젝트 성과를 좌우하는 핵심 요소로 작용한다. 그러나 기존 리스크 관리 방식은 전문가 판단에 기반한 정성적 평가에 의존하여 객관성과 재현성 확보에 한계를 가진다. 본 연구는 실제 반도체 건설 프로젝트에서 수집된 COPQ(Cost of Poor Quality) 데이터를 활용하여 정량적 리스크 평가와 시계열 기반 조기경보를 결합한 관리 방법을 제안한다.
연구는 데이터 전처리, FMEA 기반 RPN 자동 산정, 시계열 예측 및 조기경보 알고리즘 구현, 성능 검증의 네 단계로 수행되었다. 약 5,700건의 품질 실패 데이터를 대상으로 손실금액, 발생빈도, 검출지연일수 등 실측 지표를 중심으로 데이터를 구조화하였다. 이를 바탕으로 심각도(Severity), 발생도(Occurrence), 검출도(Detection)를 산정하고, 로그 정규화를 적용한 RPN(Risk Priority Number)을 자동 계산하였다. 그 결과 ‘시공누락’, ‘간섭’, ‘기시공물 파손’, ‘치수·위치 불량’이 주요 리스크 항목으로 도출되었다.
이후 Prophet 기반 시계열 예측 모델을 적용하여 리스크 발생 추세를 분석하고, 예측기반 경보와 기울기 기반 경보를 결합한 이중 조기경보 체계를 설계하였다. 예측기반 경보는 Prophet 예측값의 80% 초과 시, 기울기 기반 경보는 3개월 이동평균 대비 150% 이상 급등 시 발령되도록 설정하였다. 해당 체계는 프로젝트 규모 차이를 고려해 공사금액 기준 보정을 적용하고, 1개월 쿨다운 기간을 두어 중복 경보를 최소화하였다.
검증 결과, 통합 경보 모델의 재현율(Recall)은 약 70%, 정밀도(Precision)는 약 75% 수준으로 나타나 단독 Prophet 모델 대비 성능 향상이 확인되었다. 특히 발생 빈도가 높은 ‘시공누락’과 ‘간섭’ 항목에서 실제 발생 건수 변화와 예측 경보 간 높은 상관성이 관찰되어, 제안된 방법의 실무 적용 가능성을 확인하였다.
다만 본 연구는 수동 입력 데이터의 특성상 발생 시점과 등록 시점 간 시간 지연이 존재하는 한계를 가진다. 이는 실시간 경보 적용에는 제약이 있으나, 월 단위 이상의 추세 기반 모니터링에서는 유의미한 패턴을 제공하였다. 향후에는 BIM(Building Information Modeling) 및 IoT 기반 자동 데이터 수집 체계를 연계하여 조기경보 체계를 고도화할 필요가 있다.
결론적으로 본 연구는 반도체 건설 프로젝트의 리스크 관리 체계를 COPQ 기반 정량 평가와 시계열 예측을 결합한 데이터 기반 관리 체계로 전환하는 방법을 제시하였으며, 프로젝트 의사결정 지원을 위한 실질적 활용 가능성을 제시하였다

다국어 초록 (Multilingual Abstract)

Semiconductor plant construction projects involve high process complexity, frequent design changes, and multiple stakeholders, which increase uncertainty and make proactive risk management essential. However, conventional construction risk management relies largely on qualitative judgment, limiting objectivity and predictive capability. This study proposes a data-driven framework for quantitative risk assessment and time-series–based early warning in semiconductor construction projects using Cost of Poor Quality (COPQ) data.
The proposed framework comprises four stages: data preprocessing, automated Risk Priority Number (RPN) computation based on Failure Mode and Effects Analysis (FMEA), time-series forecasting, and performance validation. Approximately 5,700 quality-related failure records were structured using measurable indicators such as loss amount, occurrence frequency, and detection delay. Severity, Occurrence, and Detection indices were derived directly from empirical data, and RPN values were automatically calculated. Major risk categories, including construction omission, interface interference, damage to pre-installed components, and dimensional or positional defects, were identified as dominant contributors to quality losses.
To analyze temporal risk trends, a Prophet-based time-series forecasting model was applied. Two complementary alarm mechanisms were implemented: a forecast-based alarm triggered when observed values exceeded 80% of predicted levels, and a slope-based alarm activated when the three-month moving average increased by 150% or more. A one-month cooldown period and cost-based normalization were applied to reduce redundant alerts and ensure comparability across projects.
Model evaluation showed that the integrated warning model achieved an average recall of approximately 70% and precision of about 75%, outperforming a Prophet-only baseline. These results indicate that the proposed framework effectively captures emerging risk trends and supports proactive risk management.
Although manual data-entry practices introduce time lags that limit real-time alerts, the model proved effective for trend-based monitoring at monthly or periodic intervals. In conclusion, this study demonstrates that integrating COPQ-based quantitative risk evaluation with time-series forecasting provides a practical foundation for data-driven risk management in semiconductor plant construction projects.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 제 1 절 연구 배경 및 목적 1
• 제 2 절 연구 범위와 방법 및 논문 구성 3
• 제 2 장 예비적 고찰 6
• 제 1 절 품질관리 데이터 7
• 제 2 절 FMEA 기반 리스크 평가 8
• 제 3 절 Prophet 예측 모델 10
• 제 4 절 경보 알고리즘의 검증 12
• 제 5 절 예비적 고찰의 연계 및 연구 방향성 13
• 제 3 장 리스크 평가 및 조기경보 방법론 구현 14
• 제 1 절 데이터 융합 및 전처리 14
• 제 2 절 정량적 리스크 평가 자동화 17
• 제 3 절 리스크 활용 및 조기경보 모델 구현 방법 21
• 제 4 장 결론 29
• 참 고 문 헌 33