-
생산관리 생산관리자가 반드시 관리해야 할 핵심 지표 TOP 10
생산관리자의 역할은 현장을 바쁘게 만드는 것이 아니라, 성과가 나오는 방향으로 공장을 움직이게 하는 것이다. 이를 위해 가장 중요한 도구가 바로 핵심 지표(KPI)이다. 그러나 지표를 많이 본다고 관리가 잘 되는 것은 아니다. 생산관리자는 반드시 봐야 할 핵심 지표를 명확히 구분해야 한다. 다음은 현장에서 반드시 관리해야 할 핵심 지표 TOP 10이다. 1. 납기 준수율(OTD) 이다. 고객 신뢰를 직접적으로 보여주는 지표이며, 생산관리 성과의 최종 결과이다. 2. 리드타임 이다. 주문부터 출하까지 걸리는 시간으로, 공정 흐름의 건강 상태를 보여준다. 3. 재공품(WIP) 수준 이다. 과도한 WIP는 리드타임 증가와 품질 변동의 원인이다. 4. 설비 종합효율(OEE) 이다. 설비가 실제로 얼마나 생산에 기여했는지를 나타내는 핵심 지표이다. 5. 병목 공정 가동률 이다. 병목의 상태가 곧 공장의 최대 생산 능력이다. 6. 불량률 및 재작업률 이다. 품질 문제는 원가와 납기를 동시에 흔든다. 7. COPQ(불량 비용) 이다. 보이지 않는 실패비용을 숫자로 드러내는 지표이다. 8. 계획 대비 실적 달성률 이다. 생산계획의 신뢰도를 판단하는 기준이다. 9. 작업 표
- 주택규 기자
- 2025-12-24 08:52
-
생산관리 불량 비용(COPQ), 보이지 않는 손실을 관리해야 이익이 남는다
기업의 손익을 갉아먹는 가장 큰 원인 중 하나는 눈에 잘 보이지 않는 불량 비용(COPQ, Cost of Poor Quality) 이다. 불량은 단순히 폐기된 제품만을 의미하지 않는다. 재작업, 검사 인력 증가, 납기 지연, 고객 클레임, 신뢰도 하락까지 모두 불량 비용에 포함된다. 생산관리 관점에서 COPQ 관리는 품질 문제가 아니라 원가와 수익을 지키는 핵심 경영 과제이다. COPQ는 크게 네 가지로 나뉜다. 첫째는 내부 실패비용으로, 공정 내에서 발생하는 불량 폐기와 재작업 비용이다. 둘째는 외부 실패비용으로, 출하 후 발생하는 반품, A/S, 클레임 처리 비용이다. 셋째는 검사 비용이며, 넷째는 예방 비용이다. 흥미로운 점은 예방 비용이 늘어날수록 실패 비용은 급격히 줄어든다는 것이다. 생산관리의 첫 번째 전략은 불량 비용의 가시화이다. 많은 기업이 불량률은 관리하지만, 불량으로 얼마의 비용이 발생했는지는 정확히 계산하지 않는다. 재작업 시간, 추가 인력 투입, 납기 지연 패널티를 금액으로 환산하면 불량의 심각성이 명확해진다. 숫자로 보이지 않는 문제는 개선되지 않는다. 두 번째는 공정 내 불량 차단 전략이다. 최종 검사에서 불량을 찾는 방식은 이미
- 주택규 기자
- 2025-12-18 08:53
-
생산관리 생산관리 성숙도 진단, 공장의 현재 수준을 알아야 미래가 보인다
공장이 성장하기 위해 가장 먼저 해야 할 일은 현재의 수준을 정확히 아는 것이다. 아무리 좋은 자동화 설비나 스마트 시스템을 도입해도, 생산관리 프로세스의 성숙도가 낮다면 효과는 제한적이다. 그래서 제조업에서는 기업의 운영 수준을 단계별로 평가하는 생산관리 성숙도(Production Maturity Model) 진단이 중요한 역할을 한다. 이는 공정·인력·데이터·관리체계의 강점과 약점을 체계적으로 파악해 성장 전략을 세우는 기준이 된다. 첫 번째 단계는 레벨 1: 기초 단계(Ad-hoc) 이다. 공정 관리 방식이 사람 중심으로 이루어지며, 기준과 절차가 명확하지 않은 단계이다. 불량, 납기 문제, 생산 변동이 자주 발생한다. 이 단계 기업은 표준화와 기초 데이터 관리가 우선 과제이다. 두 번째는 레벨 2: 표준화 단계(Standardized) 이다. 공정 절차, 작업 방법, 검사 기준이 표준화되어 있고, 기본적인 생산기록이 관리되기 시작한다. 하지만 부서 간 데이터 연결성이 낮아 통합 의사결정이 어렵다. 세 번째는 레벨 3: 체계화 단계(Integrated) 이다. MES, ERP 등 시스템 기반의 관리가 이루어지고, 데이터가 실시간으로 공유된다. 공정 안정
- 주택규 기자
- 2025-12-15 08:52
-
생산관리 생산정보 자동수집, 스마트 제조의 첫걸음
스마트 제조의 핵심은 ‘데이터’이며, 그 시작은 정확한 생산정보의 자동수집(Auto-Data Capture) 이다. 공정 데이터를 사람이 수기로 입력하면 누락, 오류, 지연이 발생하며, 이러한 작은 오류가 전체 생산관리의 판단과 품질에 큰 영향을 준다. 그래서 자동수집 시스템을 구축하는 것은 스마트팩토리의 기초이자 가장 중요한 출발점이다. 첫 번째 전략은 센서를 활용한 실시간 데이터 확보이다. 설비의 온도, 압력, 진동, 속도, 가동시간 등을 IoT 센서로 자동 수집하면, 사람이 확인하지 않아도 공정 상태를 실시간으로 파악할 수 있다. 센서 데이터는 설비 이상 감지, 예지정비, 품질 예측의 핵심 기반이 된다. 두 번째는 바코드, RFID 기반 작업 추적 시스템이다. 작업자, 자재, 공정이동, 검사 결과를 자동으로 기록하면 작업 흐름이 투명해지고, 불량 발생 시 추적과 원인 분석이 쉽다. 특히 재작업이나 자재 혼입 같은 문제를 빠르게 차단할 수 있다. 소규모 공장도 간단히 도입할 수 있어 가장 실용적인 자동수집 방식이다. 세 번째 전략은 MES와 설비, 검사장비의 자동 연동이다. 설비에서 발생한 데이터가 MES로 자동 전송되면, 생산량, 불량, 가동률이 즉시
- 주택규 기자
- 2025-12-03 14:03
-
생산관리 디지털 KPI, 생산관리 성과를 바꾸는 새로운 기준
AI와 디지털 시스템이 확산되면서 생산현장의 성과관리 방식도 빠르게 변화하고 있다. 과거에는 생산량, 불량률처럼 단순 지표 중심의 관리가 일반적이었다. 그러나 이제는 데이터 기반의 디지털 KPI(Digital Key Performance Indicator) 를 통해 생산의 흐름, 병목, 품질, 설비 상태까지 종합적으로 관리하는 시대가 되었다. 정확한 지표 설계가 기업의 경쟁력을 좌우한다. 디지털 KPI의 핵심은 측정 가능한 데이터 기반 지표여야 한다는 점이다. 예를 들어 설비가 실제로 얼마나 생산에 기여했는지를 보여주는 OEE(설비종합효율), 공정의 안정성을 의미하는 Cpk(공정능력지수), 실시간 불량률, 설비 예지정비 지수 등 정량적 지표들이 대표적이다. 이러한 지표들은 사람의 감정이나 상황에 흔들리지 않고, 생산현장의 상태를 객관적으로 보여준다. 또한 KPI는 단순한 숫자가 아니라 문제 해결을 이끄는 지표여야 한다. 예를 들어 “생산량 증가”라는 목표 대신 “병목공정 리드타임 15% 단축”, “OEE 5% 향상”, “불량 재발률 30% 감소”와 같은 실행 중심 지표가 디지털 KPI의 특징이다. AI와 MES 데이터를 활용하면 이러한 지표를 실시간으로 시각
- 주택규 기자
- 2025-11-24 08:59
-
생산관리 AI 시대, 생산관리 직무의 커리어 로드맵은 어떻게 바뀌는가
AI와 자동화 기술이 빠르게 확산되면서 생산관리 직무는 과거와 완전히 다른 방향으로 진화하고 있다. 단순한 계획 관리나 공정 모니터링 중심의 역할에서 벗어나, 데이터 기반 의사결정과 기술 이해력을 갖춘 하이브리드 전문가로 성장하는 것이 필수 경로가 되었다. 그래서 AI 시대의 생산관리 커리어 로드맵은 더 넓고, 더 깊고, 더 전략적이다. 1단계는 현장 이해 기반의 기본 역량 구축 단계이다. 공정 흐름, 설비 특성, 작업 표준, 품질 기준 등 생산관리의 기본기를 갖추는 것이 필수다. AI 도구를 잘 활용하기 위해서도 현장의 원리를 이해해야 한다. 기초가 탄탄할수록 이후 단계에서 기술 적용 능력도 빠르게 성장한다. 2단계는 데이터 활용 능력 강화 단계이다. 엑셀, 통계 분석, 데이터 시각화, MES 데이터 해석, 품질지표 분석 등 실무형 데이터 역량을 갖추는 것이 핵심이다. AI 분석 결과를 이해하고 판단할 수 있어야 관리자로 성장할 수 있다. 이 단계부터는 “데이터 기반 문제 해결자”로 진화한다. 3단계는 스마트 제조 기술 이해 단계이다. IoT 센서, 로봇 자동화, MES, ERP, APS, AI 품질검사 등 디지털 기술의 원리를 이해하고 현장에 적용할 수
- 주택규 기자
- 2025-11-21 08:54
-
생산관리 AI 기반 생산관리의 한계, 그래서 인간의 판단이 더욱 중요하다
AI와 데이터 기반 생산관리는 제조혁신을 이끄는 핵심 기술이지만, 그 만으로 모든 문제가 해결되는 것은 아니다. AI는 방대한 데이터를 분석해 패턴을 찾고, 예측을 제공하는 데 뛰어나지만, 모든 상황을 이해하거나 모든 맥락을 반영할 수 있는 존재는 아니다. 그래서 AI 시대일수록 인간의 판단과 경험은 더욱 중요해지고 있다. 첫째, AI는 데이터가 없는 상황을 처리하기 어렵다. 새로운 공정, 신제품, 비정형 문제 등 과거 데이터가 충분하지 않으면 AI는 제대로 예측할 수 없다. 반면, 경험 많은 관리자는 공정의 특성과 작업자의 행동, 과거의 유사 경험을 바탕으로 빠르게 대응할 수 있다. 둘째, AI는 현장의 맥락(Context)을 완전히 이해하지 못한다. 예를 들어, 동일한 불량 패턴이라도 원인이 사람의 컨디션, 작업장 분위기, 소재의 미세한 감촉 차이처럼 정량화하기 어려운 요소일 수 있다. 이런 변수는 AI가 수치로 분석하기 어렵지만, 숙련된 작업자는 즉각적으로 감지한다. 셋째, 윤리적, 전략적 판단은 인간만이 할 수 있다. 생산량을 늘리기 위해 공정을 고속으로 운영하라는 AI의 제안이 있더라도, 안전, 품질, 근로자 부담을 고려해 최종 결정을 내리는 것은
- 주택규 기자
- 2025-11-19 08:52
-
생산관리 AI 시대, 생산관리 조직은 어떻게 변화하는가
AI와 디지털 기술의 확산은 생산방식뿐 아니라 생산관리 조직의 구조 자체를 바꾸고 있다. 과거 생산관리 조직은 계획, 자재, 공정, 품질을 분리해 운영하는 ‘기능 중심 구조’가 일반적이었다. 그러나 AI 시대에는 데이터 흐름이 공정 전체를 실시간으로 연결하면서, 생산관리 조직은 데이터 중심, 협업 중심의 통합 구조로 재편되고 있다. 첫 번째 변화는 데이터 기반 의사결정 조직(Digital Decision Organization) 으로의 전환이다. 기존에는 각 부서가 경험과 수기로 데이터를 관리했지만, 이제는 MES, IoT, ERP 등 시스템이 자동으로 데이터를 수집, 공유한다. 이에 따라 생산관리 조직은 데이터를 분석하고 전략을 도출하는 역할이 강화되며, 데이터 분석 인력이나 디지털 담당자(DX Officer)가 조직 내 핵심 역할로 부상한다. 두 번째는 계획, 공정, 품질 조직 간의 경계가 약화되는 것이다. AI는 불량예측, 공정최적화, 수요예측 등 다양한 기능을 통합적으로 수행하기 때문에, 생산관리 조직 또한 기능 중심에서 프로세스 중심으로 재구성된다. 예를 들어, “계획–생산–품질”이 하나의 데이터 흐름으로 연결되면, 팀 간 협의 대신 실시간 데이터
- 주택규 기자
- 2025-11-18 09:00
-
생산관리 AI 시대, 생산관리자의 역할이 바뀐다
AI와 디지털 기술이 생산현장에 깊이 스며들면서, 생산관리자의 역할이 근본적으로 변화하고 있다. 과거의 생산관리자는 작업 일정 조정, 자재 투입, 공정 점검 등 운영 중심의 역할을 담당했다. 그러나 이제는 AI가 데이터를 분석하고, 자동화 시스템이 공정을 제어하면서 관리자의 역할은 지시와 통제에서 데이터 전략과 의사결정 중심으로 이동하고 있다. 미래형 생산관리자는 더 이상 단순히 현장을 관리하는 관리자가 아니다. AI가 수집한 데이터를 해석하고, 공정 개선 방향을 도출하는 데이터 기반 의사결정자(Data-Driven Leader) 이다. 예를 들어, AI가 불량률 상승 패턴을 분석해 원인을 제시하면, 관리자는 그 데이터를 해석해 실제 개선 실행 방안을 세워야 한다. 즉, 문제를 ‘발견’하는 것은 AI의 몫이지만, 문제를 ‘해결’하는 것은 사람의 역할이다. 또한, AI 시대의 생산관리자는 기술과 사람의 연결자(Connector) 로서의 역할도 수행한다. 자동화 설비와 IoT 센서가 수집한 정보를 팀원들에게 이해하기 쉽게 전달하고, 작업자들이 기술 변화를 받아들이도록 돕는 것이다. 데이터와 현장을 잇는 소통 능력이 새로운 핵심 역량이 된다. AI는 관리자의 일을
- 주택규 기자
- 2025-11-13 09:02
-
생산관리 AI가 바꾸는 품질관리의 미래, 불량 이전에 품질을 예측하다
품질관리는 과거 오랜 시간 동안 “문제가 생긴 뒤에 고치는 활동”이었다. 그러나 이제는 AI가 품질을 미리 예측하고, 불량이 발생하기 전에 조치를 취하는 시대가 열리고 있다. 이는 단순한 기술 변화가 아니라, 품질관리의 패러다임이 ‘사후대응’에서 ‘사전예방’으로 완전히 바뀌고 있음을 의미한다. AI 기반 품질관리는 방대한 데이터를 실시간으로 분석해 제품의 상태와 공정 조건을 예측한다. 예를 들어, 생산라인의 센서가 온도나 압력 변화를 감지하면, AI는 과거 데이터를 학습하여 “이 조건에서는 불량 가능성이 높다”는 경고를 내린다. 이렇게 하면 관리자는 문제를 발생 전에 수정할 수 있다. 이는 품질관리를 완전히 새로운 차원으로 끌어올리는 기술적 진화이다. AI는 또한 이미지 인식 기술을 통해 품질 검사를 자동화한다. 사람이 눈으로 판별하던 결함이나 오염, 미세한 손상까지 고해상도 카메라와 머신러닝 알고리즘이 즉시 식별한다. 이 기술은 검사 속도를 높이고, 인간의 피로나 판단 오차로 인한 불량 누락을 최소화한다. 품질 데이터를 장기간 축적하면, AI는 단순한 불량 감지기를 넘어 품질 예측 모델로 발전한다. 불량이 자주 발생하는 시점, 설비의 이상 징후, 작업자 교
- 주택규 기자
- 2025-11-10 09:09
-
생산관리 AI 기반 생산최적화, 예측이 만드는 미래형 제조 경쟁력
제조업의 경쟁력은 이제 “얼마나 빨리 만들 수 있는가”보다 “얼마나 정확하게 예측하고 대응할 수 있는가”로 바뀌고 있다. AI기반 생산최적화와 예측제조(Predictive Manufacturing) 는 이러한 변화의 중심에 있다. 단순히 공정을 자동화하는 수준을 넘어, 데이터를 학습하고 스스로 판단하여 효율을 극대화하는 단계로 진화하고 있는 것이다. AI 생산관리의 핵심은 데이터의 통합과 학습이다. 생산라인의 센서, MES, ERP, 품질검사 시스템 등에서 발생하는 방대한 데이터를 AI가 분석하여, 생산 흐름의 병목 구간을 찾아내고 불량 원인을 예측한다. 예를 들어, 설비의 온도, 압력 변화나 진동 패턴을 분석해 고장을 미리 예측하면, 돌발정지 없이 생산을 지속할 수 있다. 이는 단순한 예방정비(PM)를 넘어 예측정비(Predictive Maintenance) 단계다. 또한 AI는 생산계획의 최적화에도 활용된다. 과거에는 관리자 경험에 의존해 생산 일정을 조정했지만, 이제는 AI가 수요 예측과 설비 가동률, 인력 배치, 자재 공급 상황을 종합 분석하여 최적의 생산 스케줄을 자동으로 제시한다. 이를 통해 납기 준수율이 높아지고, 재고 부담이 줄어든다. 품질관리
- 주택규 기자
- 2025-11-06 10:09
-
생산관리 표준작업이 만드는 스마트 품질관리, 일관성과 혁신의 균형
품질을 일정하게 유지하고 지속적으로 개선하기 위해서는 표준작업(Standardized Work) 과 데이터 기반 관리가 함께 작동해야 한다. 표준은 사람마다 다른 작업 방식을 통일시켜 변동을 줄이고, 데이터는 그 표준이 잘 지켜지고 있는지를 객관적으로 검증한다. 이 두 요소가 결합될 때 비로소 스마트 품질관리 체계가 완성된다. 표준작업은 단순히 절차서를 만드는 일이 아니다. 누가, 언제, 어떤 방법으로, 어떤 조건에서 작업해야 하는지를 명확히 정의하고, 모든 작업자가 동일한 기준으로 일할 수 있도록 만드는 것이다. 이를 통해 작업 변동을 최소화하고 불량률을 줄일 수 있다. 표준화는 곧 품질 일관성의 출발점이다. 여기에 스마트 기술을 접목하면 품질관리는 한층 더 정밀해진다. MES(Manufacturing Execution System), IoT 센서, 자동 검사장비를 활용해 작업자가 표준을 지키는지 실시간으로 확인할 수 있고, 공정 데이터를 즉시 기록할 수 있다. 예를 들어, 온도나 압력 같은 공정 조건이 표준 범위를 벗어나면 시스템이 즉시 경고를 보내 품질 이상을 예방한다. 또한 표준작업 데이터는 품질 분석과 개선 활동의 핵심 자료가 된다. 각 작업 단계의
- 주택규 기자
- 2025-11-04 09:12
-
생산관리 품질 데이터 분석, 불량률을 줄이는 가장 확실한 방법
품질관리의 목표는 단순히 불량품을 줄이는 것이 아니라, 불량의 원인을 정확히 찾아 재발을 막는 것이다. 이를 가능하게 하는 핵심 도구가 바로 품질 데이터 분석이다. 예전에는 경험과 직관에 의존해 문제를 해결했다면, 이제는 데이터를 기반으로 불량의 원인과 패턴을 과학적으로 찾아내는 시대다. 품질 데이터 분석의 첫 단계는 데이터 수집과 정리이다. 생산 현장에서 발생하는 온도, 압력, 속도, 작업시간, 설비 가동률, 검사 결과 등 다양한 데이터를 체계적으로 모아야 한다. 불량이 발생했을 때 “왜 생겼는가?”를 설명하기 위해서는, 먼저 “언제, 어디서, 어떻게” 발생했는지를 정확히 알아야 한다. 다음은 분석과 시각화 단계이다. 파레토 차트로 불량 유형의 우선순위를 정하고, 특성요인도(魚骨도)로 원인을 분류한다. 관리도를 활용하면 품질이 정상 범위를 벗어날 때 즉시 감지할 수 있다. 이러한 QC 7가지 도구는 현장에서 불량의 근본 원인을 파악하는 데 매우 효과적이다. 그다음은 통계적 기법의 적용이다. 예를 들어, 공정능력지수(Cp, Cpk)를 분석하면 제품이 설계 기준에 얼마나 안정적으로 맞춰 생산되는지 확인할 수 있다. 회귀분석이나 상관분석을 통해 공정 변수 간의
- 주택규 기자
- 2025-11-03 10:06
-
생산관리 데이터 기반 관리, 생산성과 품질을 동시에 잡는 스마트 경영의 핵심
오늘날의 생산현장은 더 이상 경험이나 감에 의존하지 않는다. 공장의 효율성과 품질을 결정하는 것은 데이터이다. 데이터 기반 관리는 생산과 품질 전 과정에서 수집된 정보를 분석해 문제를 찾아내고, 개선 방향을 결정하는 경영 방식이다. 즉, ‘느낌’이 아니라 ‘근거’로 판단하는 관리체계이다. 생산 현장에는 수많은 데이터가 존재한다. 설비 가동률, 불량률, 작업 시간, 재고량, 온도나 습도 같은 환경 데이터까지 모두가 관리의 대상이다. 과거에는 이런 정보가 수기로 관리되었지만, 지금은 IoT 센서, MES(생산관리시스템), ERP(전사적자원관리) 등을 통해 실시간으로 수집되고 있다. 이렇게 모인 데이터는 단순한 숫자가 아니라, 공장의 문제를 알려주는 신호(Sign) 이다. 데이터 기반 관리의 첫 단계는 시각화(Visualization)이다. 예를 들어, 설비 가동시간을 그래프로 표현하면 어느 라인에서 병목현상이 발생하는지 쉽게 파악할 수 있다. 다음 단계는 분석(Analysis)이다. 단순한 현상 파악을 넘어, 왜 이런 결과가 나왔는지를 탐구하는 것이다. 이를 위해 통계기법이나 AI 알고리즘을 활용해 불량의 원인, 납기 지연의 패턴 등을 찾아낼 수 있다. 마지막
- 주택규 기자
- 2025-10-23 08:58
-
생산관리 현장 문제해결력, 품질혁신의 출발점 — QC 스토리의 힘
현장에서 발생하는 문제는 대부분 ‘우연’이 아니라 ‘원인’이 있다. 그러나 그 원인을 제대로 찾지 못하면 같은 문제가 반복되고, 품질은 떨어지며 생산 효율도 낮아진다. 이를 방지하기 위해 만들어진 체계적 관리기법이 바로 QC 스토리(Quality Control Story)이다. QC 스토리는 현장의 문제를 논리적으로 해결하기 위한 절차를 표준화한 접근법이다. QC 스토리는 일반적으로 문제 인식 → 현상 파악 → 원인 분석 → 대책 수립 → 실행 → 효과 확인 → 표준화 및 재발방지의 7단계로 진행된다. 이 과정은 단순한 감각이나 경험이 아닌, 데이터를 기반으로 문제를 정의하고 원인을 찾아가는 과학적 방법이다. 예를 들어, 불량률이 높아졌다면 “감으로” 판단하는 것이 아니라, 공정 데이터와 검사 결과를 분석해 불량이 발생하는 지점을 찾아낸다. 이때 자주 활용되는 도구가 파레토 차트, 특성요인도(어골도), 히스토그램, 관리도, 체크시트 등이다. 이러한 QC 7가지 도구는 문제의 원인을 시각적으로 분석해 개선 방향을 명확히 제시한다. 즉, QC 스토리는 단순히 문제를 해결하는 기술이 아니라, 논리적으로 사고하고 데이터를 통해 설득하는 과정이다. QC 스토리의 또
- 주택규 기자
- 2025-10-22 09:00
-
1
[e커머스] 2025 온라인 식료품 시장 트렌드와 중소 셀러 생존 전략
-
2
인산테라, ‘풀케어(Full Care)’ 출시… 병해충 관리와 친환경 농업의 새 전환점
-
3
MZ가 이끄는 ‘필코노미’…감정이 소비를 결정한다
-
4
인산테라 ‘풀케어’로 충남 아산 시범농장 고추 재배 성공… 친환경 농법 새 모델 제시
-
5
미국 ‘말차’ 열풍…국산 녹차에 새로운 기회 열린다
-
6
개 식용 종식 1년, 농장 70% 폐업…‘남겨진 개들’ 보호는 숙제
-
7
제40회 경영지도사·기술지도사 2차 시험, 총 363명 최종 합격
-
8
경영지도사 시험 제40회 합격률 33.1%…“중장년층 진입·컨설팅 수요 반영”
-
2026-01-05 11:05
GS25 편의점, 일주일 매출 분석서 ‘건강 소비’ 트렌드 확산 확인
-
2026-01-05 10:58
'베네수 사태'에 국제 금값 상승하고 유가 하락… 글로벌 시장 불안감 증폭
-
2026-01-05 08:59
표준을 지키면서 유연해지는 생산관리의 기술
-
2026-01-02 18:05
주말 강추위 정점 지나 완화…다음 주 평년 기온 회복
-
2026-01-02 12:56
'컵 가격 표시제' 추진에 소상공인들 '울상'… 정부, 부담 최소화 방안 논의 착수
-
2026-01-02 08:49
작업자 숙련도 편차를 줄이는 표준화·교육 연계 전략
주소 : 서울 송파구 백제고분로 113, 민성빌딩 402호
등록번호: 서울 아55172 | 등록일 : 2023-11-17 | 발행인 : (주)네이블마케팅 임유정 | 편집인 : 임진우 | 전화번호 : 010-8959-2447
Copyright @한국e마케팅저널 All rights reserved.
UPDATE: 2026년 01월 05일 11시 05분