bizmap

#61 Treatment는 무엇인가 - 인과추론에서 무엇을 바꾸었다고 말할 수 있는가

bizmap — Tue, 13 Oct 2026 15:35:16 GMT

CPP → X(t) → S → CQA 인과관계를 검증하려면 원인과 결과를 구분하는 것만으로는 충분하지 않다. 실제로 무엇을 변경했는지, 그 변경이 어떤 조건에서 이루어졌는지, 변경하지 않았을 경우와 비교하여 결과가 어떻게 달라졌는지를 정의해야 한다. 인과추론에서는 이러한 개입 또는 처치의 대상을 Treatment라고 부른다. Treatment는 단순히 분석

#60 공정은 인과 네트워크다 - 인과관계는 어떻게 검증되는가: 상관관계에서 개입 효과

bizmap — Sun, 11 Oct 2026 15:29:12 GMT

바이오공정에서 하나의 공정변수가 품질에 영향을 미친다는 사실을 확인하는 것과, 그 변수를 변경하면 품질이 실제로 달라진다는 사실을 확인하는 것은 서로 다른 과학적 과제다. 우리는 공정 데이터에서 수많은 상관관계를 발견한다. pH와 세포 성장, pCO₂와 품질특성, Feed와 대사 지표, VCD 궤적과 HMW 수준 사이에 통계적 관계가 나타난다. 회귀분석은

#59 SEM (구조방정식모형) 은 왜 필요한가 - 관찰 데이터만으로는 왜 인과관계를 확정하기 어려운가

bizmap — Sun, 11 Oct 2026 15:22:25 GMT

바이오공정 데이터를 분석하다 보면 흥미로운 관계가 발견된다. 특정 공정변수와 품질특성 사이에 강한 상관관계가 나타나고, 회귀분석에서 통계적으로 유의한 계수가 확인되며, 머신러닝 모델에서도 해당 변수가 높은 중요도를 보인다. 그렇다면 이제 그 변수를 원인으로 판단해도 될까? 아직은 아니다. 관찰 데이터에서 확인한 통계적 관계는 실제 인과관계에 의해 발생했을

#58 중요한 변수와 원인 변수는 다르다 - 예측에 기여하는 변수와 개입으로 결과를 바꾸는 변수는 같은 개념이 아니다

bizmap — Sun, 11 Oct 2026 14:27:51 GMT

바이오공정 데이터를 분석하면 품질과 강하게 연관된 변수를 발견할 수 있다. 회귀분석에서 유의한 계수를 보이는 변수, 머신러닝 모델에서 높은 Feature Importance를 갖는 변수, OOS 배치를 구분하는 데 유용한 변수도 찾을 수 있다. 그런데 여기서 한 가지 질문을 던져야 한다. 품질을 잘 설명하거나 예측하는 변수라면, 그 변수를 변경했을 때 품질

#57 상관관계는 왜 우리를 속이는가 - 데이터는 관계를 보여주지만, 원인을 알려주지는 않는다

bizmap — Fri, 09 Oct 2026 15:00:34 GMT

바이오공정에서 데이터를 분석하다 보면 흥미로운 관계를 발견할 때가 있다. 특정 배양일의 pCO₂가 높을수록 HMW가 증가한다. VCD의 특정 성장 궤적이 나타난 배치에서 최종 품질이 나빠진다. Feed 투입량과 특정 품질 속성 사이에 일관된 관계가 관찰된다. 회귀계수는 유의하다. 상관계수도 높다. 교차검증에서도 예측 성능이 유지된다. 새로운 배치에서도 비슷

#56 예측과 인과의 차이 - 우리는 지금까지 무엇을 검증해 왔는가

bizmap — Thu, 08 Oct 2026 15:46:57 GMT

Part 7에서 우리는 CSV Qualification을 다루었다. 재현성을 검증했다. 설명성을 검증했다. 예측성을 검증했다. 행동 가능성을 검증했다. 그리고 Qualified CSV를 정의했다. 하지만 여기서 많은 사람들이 자연스럽게 다음과 같은 질문을 던진다. "예측이 잘 되는데 왜 인과관계까지 필요한가?" 실제로 최근 AI 열풍 속에서 이 질문은 더욱

#55 왜 CSV Registry가 필요한가 - 발견보다 더 어려운 것은 기억하는 것이다

bizmap — Mon, 05 Oct 2026 14:43:56 GMT

Part 6에서 우리는 CSV를 발견했다. Part 7에서는 발견된 CSV를 검증했다. 그리고 지난 글에서 마침내 Qualified CSV를 정의했다. Qualified CSV는 충분한 증거를 바탕으로 특정 Context of Use 내에서 조직이 신뢰하기로 합의한 상태 변수이다. 이 정의는 중요하다. 왜냐하면 이 순간 CSV는 더 이상 단순한 분석 결과가

54화 Qualified CSV란 무엇인가 - 우리는 지금까지 무엇을 검증해 왔는가

bizmap — Mon, 05 Oct 2026 14:32:58 GMT

Part 6에서 우리는 CSV를 발견했다. Part 7에서는 그 CSV를 검증해 왔다. 처음에는 단순해 보였다. 품질과 관련이 있는 상태를 찾으면 되는 것처럼 보였다. 그러나 Qualification 과정이 진행될수록 문제는 훨씬 복잡해졌다. 상관관계는 충분하지 않았다. 인과성은 아직 확정할 수 없었다. OOS는 중요한 증거였지만 충분한 증거는 아니었다.

#53 데이터가 많다고 진실이 되는 것은 아니다 - 더 많은 데이터는 더 많은 진실을 의미할까

bizmap — Mon, 05 Oct 2026 14:27:23 GMT

지난 글에서 우리는 False CSV의 위험성을 살펴보았다. 강한 상관관계가 반드시 상태를 의미하는 것은 아니다. 높은 예측력이 반드시 진짜 상태를 의미하는 것도 아니다. 좋은 스토리가 반드시 과학적 증거가 되는 것도 아니다. 그래서 우리는 CSV Qualification Engine을 만들었고, Gate–Score–Evidence 구조를 도입했다. 그런데

#52 False CSV의 함정 - 가장 위험한 CSV는 존재하지 않는 CSV다

bizmap — Mon, 05 Oct 2026 12:36:31 GMT

Part 6에서 우리는 CSV를 발견했다. Part 7에서는 발견된 CSV를 검증하고 있다. 그리고 지난 두 편에서는 CSV Qualification Engine과 CSV Scorecard를 설계했다. 이제 우리는 다음과 같은 구조를 갖게 되었다. Candidate CSV ↓ Qualification Engine ↓ Scorecard Assessment

#51 CSV Scorecard 설계 - 좋은 상태를 어떻게 평가할 것인가

bizmap — Mon, 05 Oct 2026 12:27:31 GMT

지난 글에서 우리는 CSV Qualification Engine의 개념을 살펴보았다. CSV Qualification은 단일 통계분석이 아니다. 단일 알고리즘도 아니다. 오히려 다양한 증거를 구조적으로 통합하여 발견된 상태를 평가하는 과정에 가깝다. 그렇다면 다음 질문이 등장한다. 여러 Candidate CSV 중 어떤 상태를 우선적으로 검증해야 하는가?

#50 CSV Qualification Engine - 발견된 상태를 어떻게 믿을 것인가

bizmap — Mon, 05 Oct 2026 12:18:13 GMT

지금까지 우리는 하나의 질문을 여러 방향에서 반복해서 물어왔다. 발견된 CSV를 정말 믿어도 되는가. 상관관계만으로 충분한가. 인과관계는 어떻게 확인할 것인가. 자연실험은 어떤 증거를 제공하는가. OOS는 왜 중요한가. 실패 데이터의 질은 어떻게 평가해야 하는가. 재현되는가. 설명할 수 있는가. 예측할 수 있는가. 행동으로 연결할 수 있는가. 이 질문들은

#49 CSV는 행동으로 연결되어야 한다 - 예측할 수 있다고 해서 관리할 수 있는 것은 아니다

bizmap — Mon, 05 Oct 2026 12:07:42 GMT

지난 두 편에서 우리는 좋은 CSV가 갖추어야 할 두 가지 조건을 살펴보았다. 첫 번째는 설명 가능성(Interpretability)이었다. CSV는 단순한 수학적 좌표가 아니라 공정적으로 이해될 수 있는 상태여야 한다. 두 번째는 예측 가능성(Predictability)이었다. CSV는 단순히 현재 상태를 설명하는 것이 아니라 미래 품질을 예측할 수 있어

#48 CSV는 예측 가능해야 한다 - 설명할 수 있다는 것과 예측할 수 있다는 것은 다르다

bizmap — Mon, 05 Oct 2026 11:00:58 GMT

지난 글에서 우리는 좋은 CSV가 설명 가능해야 한다고 이야기했다. 상태는 단순한 통계적 패턴이 아니라 공정적으로 해석될 수 있어야 한다. 생물학적으로 이해될 수 있어야 한다. 조직 내에서 공유될 수 있어야 한다. 그래야 상태는 단순한 숫자가 아니라 지식이 된다. 하지만 여기서 또 하나의 질문이 등장한다. 만약 어떤 상태가 매우 잘 설명되지만 미래 품질을

#47 CSV는 설명 가능해야 한다 - 좋은 상태는 예측만 하는 것이 아니라 설명도 해야 한다

bizmap — Mon, 05 Oct 2026 10:47:10 GMT

Part 6에서 우리는 CSV를 발견했다. Part 7에서는 그 CSV를 검증하고 있다. 그리고 지난 글에서는 좋은 CSV가 갖추어야 할 가장 중요한 조건 중 하나로 재현성(Reproducibility)을 이야기했다. 하지만 재현성만으로는 충분하지 않다. 어떤 상태가 여러 프로젝트에서 반복적으로 나타난다고 해서 자동으로 좋은 CSV가 되는 것은 아니다. 왜

#46 CSV는 재현되어야 한다 - 한 번 발견된 상태는 아직 과학이 아니다

bizmap — Mon, 05 Oct 2026 07:48:18 GMT

Part 6에서 우리는 CSV(Critical State Variable)를 발견했다. FDA(Function-on-Scalar Regression), FPCA(Functional Principal Component Analysis), Multivariate Analysis, Machine Learning 등 다양한 방법을 통해 품질과 연관된 상태 패턴을

#45화 좋은 실패와 나쁜 실패 - 모든 OOS가 같은 가치를 가지는 것은 아니다

bizmap — Mon, 05 Oct 2026 07:28:18 GMT

지난 글에서 우리는 OOS 배치가 단순한 품질 실패가 아니라 상태공간(State Space)의 경계를 보여주는 중요한 데이터라고 이야기했다. 실제로 CSV Qualification 관점에서 보면 OOS는 정상 배치보다 더 많은 정보를 제공하는 경우가 많다. 정상 배치는 "무엇이 작동했는가"를 보여준다. 반면 OOS는 "어디서부터 작동하지 않았는가"를 보여준

#44 왜 OOS 배치는 중요한가 - 실패는 가장 비싼 데이터이자 가장 가치 있는 데이터다

bizmap — Mon, 05 Oct 2026 07:18:28 GMT

바이오의약품 생산현장에서 OOS(Out of Specification)는 누구도 반기지 않는다. OOS가 발생하면 조사보고서가 작성된다. 원인을 찾아야 한다. 추가 시험이 진행된다. 생산 일정이 지연될 수 있다. 경우에 따라서는 제품 폐기까지 검토해야 한다. 따라서 OOS는 일반적으로 "문제"로 인식된다. 실제로도 그렇다. 하지만 CSV Qualificat

#43 자연실험은 공장 안에 존재한다 - 실험실 밖에서 이루어지는 또 하나의 실험

bizmap — Mon, 05 Oct 2026 07:13:52 GMT

지난 글에서 우리는 인과관계를 검증하는 가장 강력한 방법이 실험이라는 사실을 살펴보았다. 하나의 변수만 바꾸고 나머지는 동일하게 유지한다. 그리고 결과가 어떻게 달라지는지 관찰한다. 이것이 과학의 기본 원리이며, DOE가 작동하는 이유이기도 하다. 하지만 바이오의약품 생산현장은 실험실이 아니다. 상업 생산이 시작되면 매 배치마다 조건을 바꾸어 실험할 수 없

#42 인과관계는 어떻게 검증되는가 - 상관관계를 넘어 원인을 찾는다는 것

bizmap — Mon, 05 Oct 2026 05:55:35 GMT

지난 글에서 우리는 중요한 사실 하나를 확인했다. 상관관계는 발견의 출발점이지만 검증의 종착점은 아니다. 어떤 상태변수가 품질과 함께 움직인다고 해서 그것이 품질의 원인이라고 단정할 수는 없다. 그렇다면 다음 질문이 자연스럽게 등장한다. "정말 원인인지 어떻게 알 수 있을까?" 이 질문은 생각보다 훨씬 어렵다. 그리고 사실 과학 전체가 수백 년 동안 씨름해