식품 제조 데이터가 Excel에 흩어져 있을 때 AI가 어려워지는 이유

현장에서는 Excel이 여전히 빠르고 유용합니다. 문제는 파일이 많다는 사실보다, 같은 대상을 서로 다른 기준으로 기록하기 시작할 때 생겨요.

Excel이 문제라기보다 서로 다른 기준이 문제입니다

품질팀 파일에는 ‘A공장’, 구매팀 파일에는 법인명, 생산 파일에는 공장 코드만 적혀 있을 수 있어요. 사람은 대충 같은 곳이라고 알아보지만 AI나 분석 시스템은 그 관계를 자동으로 확정하기 어렵습니다.

파일을 한 폴더에 모아도 데이터가 통합된 것은 아닙니다. 같은 품목과 업체, Lot, 날짜를 기준으로 서로 연결될 수 있어야 비로소 하나의 분석 데이터가 됩니다.

Excel을 없애는 것보다 먼저, 같은 대상을 같은 이름으로 읽게 만드는 일이 중요합니다.

AI가 자주 막히는 네 가지 지점

Excel 기반 프로젝트에서는 아래 네 가지를 먼저 확인하는 편이 좋습니다.

• 식별자 — 업체·공장·품목·Lot를 무엇으로 구분하는지 시스템마다 비교해요.
• 코드와 단위 — 같은 의미를 다른 코드나 단위로 적고 있지 않은지 확인합니다.
• 날짜와 시간 — 발생일, 입력일, 조치일을 구분하고 분석 기준 시점을 정해요.
• 버전과 원본 — 수정된 파일 중 무엇이 최신인지, 결과가 어느 원본에서 왔는지 남깁니다.

한꺼번에 DB로 옮기기 전에 연결 규칙부터 만듭니다

모든 Excel을 당장 없애고 새 시스템으로 바꾸는 건 현실적으로 부담이 큽니다. 먼저 원본을 유지한 채 공통 식별자와 매핑 규칙을 만들고, 필요한 데이터부터 통합 테이블로 가져오는 방식이 안전해요.

이때 매핑이 확실하지 않은 값은 억지로 합치지 않습니다. ‘미연결’ 상태로 남겨야 나중에 잘못된 분석을 만드는 일을 줄일 수 있습니다.

정리된 데이터는 단순한 질문부터 강해집니다

데이터 구조가 맞춰지면 ‘최근 3개월 이슈를 보여줘’ 같은 질문도 업체, 품목, 공정 기준으로 일관되게 답할 수 있어요. 그다음에 이상 탐지나 예측, 생성형 AI를 붙여도 결과를 설명하기 쉬워집니다.

결국 AI 준비의 핵심은 Excel을 버리는 데 있지 않습니다. 현장의 익숙한 도구를 존중하면서도 분석 가능한 공통 구조를 만드는 데 있습니다.