기술혁신연구 (Journal of Technology Innovation)

기술경영경제학회 (Korea Society for Innovation Managemetn & Economics)
권호 표지
DOI QR코드

DOI QR Code

제품-기술로드맵 개발을 강화하기 위한 예측모델링에 관한 실증 연구

An Empirical Study on Predictive Modeling to enhance the Product-Technical Roadmap

  • 박기곤 (고려대학교 기술경영전문대학원 기술경영학과) ;
  • 김영준 (고려대학교 기술경영전문대학원)
  • 투고 : 2021.06.18
  • 심사 : 2021.10.20
  • 발행 : 2021.11.30
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

최근 시스템 반도체 발전으로 인하여 자동차 산업의 전장(電裝)에 대한 기술혁신이 빠르게 진행되고 있다. 특히, 자동차의 전장화는 자동차 부품업체들의 기술개발 경쟁을 가속화시키고 있으며, 개발 주기 또한 빠르게 변화하고 있다. 이러한 변화로 인하여 연구개발에 대한 전략과 기획의 중요성은 더욱 강화되고 있다. 자동차 산업의 패러다임 변화로 인하여, 연구개발 전략 중의 하나인 제품-기술로드맵(P/TRM)은 기획 단계에서 기술예측, 기업의 기술수준평가, 기술획득방법(Make/Collaborate/Buy) 등의 분석을 통하여 개발이 이루어져야 한다. 제품-기술로드맵은 제품과 기술의 고객 니즈를 파악하고 기술의 선정, 개발방향을 설정하는 툴(Tool)로써, 미래의 발전방향 추세를 예측하고 매크로(Macro) 트랜드의 전략적 방향성과 목표를 설정하는데 사용된다. 하지만, 대부분의 기업에서는 해당 기술의 논문이나 특허 분석, 전문가 델파이에 주로 의존하는 정성적인 방법을 통하여 제품-기술로드맵을 개발하고 있다. 본 연구는 가트너의 하이프 사이클과 누적이동평균 기반 데이터 전처리, 딥러닝(LSTM) 시계열 분석 기법을 융합하여 자동차 산업 중심으로 제품-기술로드맵을 보완하고 강화시킬 수 있는 시뮬레이션을 통하여 실증 연구를 진행하였다. 본 논문에서 제시한 실증 연구는 자동차 산업 뿐만 아니라, 범용적으로 타제조업 분야에서도 사용 가능할 수 있다. 또한, 기업적인 측면에서는 그동안 정성적인 방법에 의존하던 로드맵 작성 방법에서 탈피하여 좀 더 정확한 제품-기술로드맵을 통하여 적기에 시장에 제품을 제공함으로써 선도업체로 나아가기 위한 밑거름이 될 것이라고 사료된다.

Due to the recent development of system semiconductors, technical innovation for the electric devices of the automobile industry is rapidly progressing. In particular, the electric device of automobiles is accelerating technology development competition among automobile parts makers, and the development cycle is also changing rapidly. Due to these changes, the importance of strategic planning for R&D is further strengthened. Due to the paradigm shift in the automobile industry, the Product-Technical Roadmap (P/TRM), one of the R&D strategies, analyzes technology forecasting, technology level evaluation, and technology acquisition method (Make/Collaborate/Buy) at the planning stage. The product-technical roadmap is a tool that identifies customer needs of products and technologies, selects technologies and sets development directions. However, most companies are developing the product-technical roadmap through a qualitative method that mainly relies on the technical papers, patent analysis, and expert Delphi method. In this study, empirical research was conducted through simulations that can supplement and strengthen the product-technical roadmap centered on the automobile industry by fusing Gartner's hype cycle, cumulative moving average-based data preprocessing, and deep learning (LSTM) time series analysis techniques. The empirical study presented in this paper can be used not only in the automobile industry but also in other manufacturing fields in general. In addition, from the corporate point of view, it is considered that it will become a foundation for moving forward as a leading company by providing products to the market in a timely manner through a more accurate product-technical roadmap, breaking away from the roadmap preparation method that has relied on qualitative methods.

키워드

참고문헌

  1. 문지희.권의준.금영정(2017), "특허 동시분류분석과 텍스트마이닝을 활용한 사물인터넷 기술융합분석", 「기술혁신연구」, 2017, vol.25, no.3, pp.1-24. https://doi.org/10.14383/SIME.2017.25.3.1
  2. 윤수진.이상경.엄경환.신애리(2019), "기초연구지원사업의 재정소요 전망 도출을 위한 시계열 모형 수립 연구", 「기술혁신연구」, 2019, vol.27, no.4, pp.21-48. https://doi.org/10.14386/SIME.2019.27.4.21
  3. 전성해.박상성.장동식(2014), 「특허분석과 기술예측」, 서울: 교우사.
  4. 권성훈.홍순기(2009), "델파이 기술예측의 타당성과 신뢰성 분석에 관한 연구", 「기술혁신연구」, 2009, vol.17, no.1, pp.97-117.
  5. 이정우.이성환(2005), "시나리오 분석을 활용한 한국 이동통신 시장에 관한 연구", 「동서연구」, 2005, vol.17, no.2, pp.143-164.
  6. 조영진.문준식.박찬영.양완석(2013), "앱생태계 기반 스마트홈 미래 시나리오를 위한 기초연구", 「대한건축학회 논문집」, 2013, 29(09), 299, pp.229-239.
  7. 박은정.최지은.신채민.이성규.박지정.이유경.임성원.손은수.이준영.권오진(2014), "신기술 의료기술 탐색을 위한 미래예측방법론", 「근거와 가치」, 2014, vol.4, pp.74-100.
  8. 최진.김영준(2018), "빅데이터 확산에 대한 선행 데이터 탐색 및 국내 확산 과정의 시계열 분석", 「기술혁신연구」, 2018, vol.26, no.4, pp.57-97. https://doi.org/10.14386/sime.2018.26.4.57
  9. 정상원.정기창(2020), "문자열 유사도 알고리즘을 이용한 공종명 인식의 자연어처리 연구: 공종명 문자열 유사도 알고리즘의 비교", 「Korea Journal of Construction Engineering and Management」, 2020, vol.21, no.6, pp.125-134. https://doi.org/10.6106/KJCEM.2020.21.6.125
  10. 정종진.김지연(2020), "LSTM을 이용한 주가예측 모델의 학습방법에 따른 성능분석", 「디지털융복합연구」, 2020, vol.18, no.11, pp.259-266. https://doi.org/10.14400/JDC.2020.18.11.259
  11. 서윤교.김시정(2015), "뉴스 내용분석을 활용한 하이프 사이클 적용의 탐색적 연구: 클라우드 컴퓨팅 기술을 중심으로", 「한국기술혁신학회 학술대회」, 2015-01 2015(11):927-945
  12. 박영선.박용태(2018), "기술확산 Hype Cycle 패턴의 실증분석-IT BT NT ET-", 서울대학교 산업공학과 공학석사
  13. 신동화.최광호.김창복(2017), "RNN과 LSTM을 이용한 주가 예측율 향상을 위한 딥러닝 모델", 「한국정보기술학회논문지」, 제15권, 제10호, pp.9-16. https://doi.org/10.14801/jkiit.2017.15.10.9
  14. 주일택.최승호(2018), "양방향 LSTM 순환신경망 기반 주가예측모델", 「한국정보전자통신기술학회논문지」, Vol.11, No.2, pp.204-208. https://doi.org/10.17661/JKIIECT.2018.11.2.204
  15. 정성호.이대업.이경상(2018), "딥러닝 오픈 라이브러리를 이용한 하천수위 예측", 「한국방재학회지」, 2018, vol.18, no.1, pp.1-11.
  16. 이준영.안세정.김도현(2019), "딥러닝을 이용한 기술클러스터의 미래 성장가능성 예측", 「한국과학기술정보연구원 DATA INSIGHT」, 제11호, pp.2-12.
  17. 강현규.박용준.박재훈(2018), "빅데이터분석기반의 기술주도형 미래 국방무기체계 및 핵심기술도출 방법연구", 「한국품질경영학회 품질경영학회지」, 46권, 2호, pp.225-242.
  18. 정도헌(2019), "이동 평균 기반 동적 시간 와핑 기법을 이용한 시계멸 키워드 데이터의 분류 성능개선 방안", 「정보관리학회지」, 제36권, 4호, pp.83-105. https://doi.org/10.3743/KOSIM.2019.36.4.083
  19. 김광훈.이재은(2016), "차선 이탈 경보 장치(LDWS) 자율주행차 보급 가속화로 지속적인 성장 기대", 「KISTI Market Report」, 2016-26, pp.1-5.
  20. 이승용.신준석(2020), "잠재적 후보기술 경로 탐색방법 : 바이오 연료 사례", 「기술혁신연구」, 2020, vol.28, no.3, pp.29-53.
  21. Gartner (2018), "Understanding Gartner's Hype Cycles", https://www.gartner.com/en/documents/3887767/understanding-gartner-s-hype-cycles (20 August 2018)
  22. Fenn, J. & Raskino, M. (2008), Mastering the Hype Cycle: How to Choose the Right Innovation at the Right Time, Harvard Business School Press.
  23. Sepp H. and Jurgen S.(1997), "Long Short-Term Memory," Neural Computation, vol. 9, no. 8, pp.1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735
  24. Tsokos, C. P. (2010). K-th Moving, Weighted and exponential moving average for time series forecasting models. European Journal of Pure and Applied Mathematics, 3(3), 406-416.
  25. Zhuang, Y., Chen, L., Wang, X.S.. & Lian, J. (2007). A weighted moving average-based approach for cleaning sensor data. 27th Internaltional Conference on Distributed Computing System(ICDCS '07). http://dx.doi.org/10.1109/ICDCS.2007.83
  26. Olah, C. (2015), "Understanding LSTM Networks.", GITHUB blog, Retrieved from http://colah.github.io/posts/2015-08-Understanding-LSTMs/.
  27. Tran, Q.K., & Song, S.K.(2017), "Water Level Forecasting based on Deep Learning: A Use case of rinity River-Texas-The United States", Journal of KIISE, vol. 44, no. 6, pp.607-612. https://doi.org/10.5626/JOK.2017.44.6.607