2과목 정리

²  분석기획 정의

-      실제 분석을 실행하기에 앞서서 분석을 수행할 과제를 정의하고, 의도했던 결과를 도출할 수 있도록 이를 적절하게 관리할 수 있는 방안을 사전에 계획하는 작업

-      분석과제 및 프로젝트를 직접 수행하진 않지만, 어떤 목표를 달성하기 위해 어떠한 데이터를 가지고 어떤 방식으로 수행할 건지에 대한 일련의 계획을 세우는 중요한 사전 작업

-      문제 영역에 대한

1)전문성 역량 및 수학/통계학적 지식을 활용한 분석 역량

2)분석의 툴인 데이터 및 프로그래밍 기술 역량

3)해당 비즈니스에 대한 이해와 전문성에 대한 균형 잡힌 시각을 가지고 계획을 수립해야함.

²  분석기획 대상과 방법

-      분석의 대상, 분석의 방법에 따라 4가지로 나누어짐.

분석 대상

Optimization	Insight
Solution	Discovery

 

²  목표 시점 별 분석 기획 방안

-      1) 과제 중심적인 접근 방식

2) 장기적인 마스터 플랜 방식

-      문제해결을 위한 단기적 방식(과제중심)과 분석과제 정의를 위한 중장기적인(마스터플랜) 방식을 융합해서 적용하는 것이 필요

속도&테스트	정확성
빠르게 해결하는 것	중장기적으로 보는 것
문제를 해결하는 것	문제를 정의하는 것

 

²  분석 기획시 고려사항

-      Available data à proper business use case à low barrier of execution à 성공적 분석

1.       정형데이터 : DB로 정제된 데이터 / 데이터 자체로 분석 가능, RDB구조 / CRM,SCM

2.       반정형데이터 : 센서 중심으로 스트리밍되는 데이터 / 데이터로 분석 가능하지만 해석 불가 / 로그데이터, 모바일데이터

3. 비정형데이터 : 보고서, 소셜미디어 데이터 / 영상,음성,문자  

-       가용데이터에 대한 고려가 필요함. 데이터 확보가 우선, 데이터 유형에 따라 분석 방법이 다르기 때문에 유형 분석이 선행적으로 필요

-      분석을 통해 가치가 창출될 수 있는 적절한 활용방안과 유즈케이스 탐색이 필요

-      분석시 발생하는 장애요소들에 대한 사전계획수립이 필요

 

²  분석 방법론 개요

-      데이터 분석이 효과적으로 이루어지기 위해서는 체계화된 절차와 방법이 정리되어야 함.

-      프로젝트는 성공 가능성을 확보하고 제시할 수 있어야 함.

-      절차, 방법, 도구와 기법, 템플릿과 산출물로 구성되어 어느 정도 지식만 있으면 활용 가능해야 함.

²  데이터 기반 의사 결정에서 합리적 의사결정을 가로막는 장애요소

1)      고정 관념 ( stereotype )

2)      편향된 생각 ( bias )

3)      프레이밍 효과 ( framing effect )

²  방법론의 생성 과정

 

방법론 à 암묵지 : 내재화

암묵지 à 형식지 : 형식화

형식지 à 방법론 : 체계화

 

²  방법론의 적용 업무의 특성에 따른 모델

1)      폭포수 모델

-      단계를 순차적으로 진행하는 방법

-      문제 발생 시 피드백 과정이 수행됨

2)      프로토타입 모델

-      폭포수 모델의 단점을 보완하기 위해 점진적으로 시스템을 개발해 나가는 접근 방식

-      어려움을 해결하기 위해 일부분을 우선 개발하여 사용자에게 제공함. 시험 사용 후 사용자의 요구를 분석하고, 성능을 평가해 결과를 통한 개선 작업을 실행하는 모델

3)      나선형 모델

-      반복을 통해 점증적으로 개발하는 모델

-      처음 시도하는 프로젝트에 용이하지만, 관리 체계를 제대로 갖추지 못하면 복잡도가 상승해 진행이 어려울 수 있음.

²  방법론의 구성

단계 à 테스크 à 스텝

( 단계별 완성 보고서 à 보고서 à 보고서 구성 요소 )

²  KDD 분석 방법론

-      KDD는 데이터로부터 통계적 패턴이나 지식을 찾기 위해 활용할 수 있도록 체계적으로 정리한 데이터 마이닝 프로세스

-      데이터 마이닝, 기계 학습, 인공 지능, 패턴 인지, 데이터 시각화 등에 응용될 수 있는 구조

²  KDD 분석 방법론 절차

 

1)      데이터 셋 선택 ( Selection )

-       데이터셋 선택에 앞서 분석 대상의 비즈니스 도메인에 대한 이해와 프로젝트 목표 설정이 필수

-       데이터 베이스 또는 원시 데이터에서 분석에 필요한 데이터를 선택하는 단계

-       데이터 마이닝에 필요한 목표데이터 ( target data )를 구성하여 분석에 활용

2)      데이터 전처리 ( preprocessing )

-       추출된 분석 대상용 데이터 셋에 포함되어 있는 잡음/이상치/결측지를 식별하고, 필요시 제거하거나 의미있는 데이터로 재처리하여 데이터 셋을 정제하는 단계

-       추가로 요구되는 데이터 셋이 필요한 경우 데이터 선택 프로세스를 재실행

3)      데이터 변환 ( transformation )

-       전처리 과정을 통해 정제된 데이터를 분석 목적에 맞게 변수를 생성,선택하고 데이터의 차원을 축소해 효율적으로 데이터 마이닝을 할 수 있도록 데이터를 변경하는 단계

-       학습용 데이터와 검증용 데이터로 데이터를 분리하는 단계

4)      데이터 마이닝 ( data mining )

-       학습용 데이터를 이용해 분석 문적에 맞는 데이터마이닝 기법을 선택하고, 알고리즘을 사용해 데이터마이닝 작업을 실행하는 단계

-       데이터 전처리와 데이터 변환 프로세스를 추가로 실행해 최적의 결과를 산출함

5)      데이터 마이닝 결과 평가 (evaluation )

-       데이터 마이닝을 통한 결과에 대한 평가, 분석목적과의 필요성 확인

-       데이터 마이닝을 통해 발견한 지식을 업무에 활용하기 위한 방안 마련 단계

²  CRISP-DM 분석 방법론

-      계층적 프로세스 모델로서 4개의 레벨로 구성

Pharses ( 여러 개의 단계 )

Generic Tasks ( 일반화 태스크 )

Specialized Tasks ( 세분화 태스크 )

Process Instances ( 프로세스 실행 )

 

-      최상위 레벨은 여러 개의 단계로 구성되고 각 단계는 일반화 태스크를 포함함.

-      일반화 태스크는 단일 프로세스를 완전히 수행하는 단위, 이는 다시 구체적인 수행 레벨인 세분화 태스크로 구성

-      데이터 정제라는 일반화 태스크는 범주형 데이터 정제와 연속형 데이터 정제와 같은 세분화 태스크로 구성

-      마지막 레벨인 프로세스 실행은 데이터 마이닝을 위한 구체적인 실행을 포함함.

-      CRISP-DM 프로세스는 6단계로 구성, 각 단계는 단방향으로 구성되어 있지 않고, 단계 별 피드백을 통하여 단계별 완성도를 높임

 

 

업무 이해 ( business understanding )	- 비즈니스 관점에서 프로젝트의 목적과 요구사항을 이해하기 위한 단계 - 도메인 지식을 데이터 분석을 위한 문제정의 로 변경하고 초기 프젝트 계획을 수립하는 단계	업무 목적 파악, 상황 파악, 데이터 마이닝 목표 설정, 프로젝트 계획 수립
데이터 이해 ( data understanding)	- 분석을 위한 데이터를 수집하고 데이터 속성을 이해하는 단계 - 데이터 품질에 대한 문제점을 식별하고 숨겨져 있는 인사이트를 발견하는 단계	초기 데이터 수집, 데이터 기술 분석, 데이터 탐색, 데이터 품질 확인
데이터 준비 ( data preparation )	- 분석을 위하여 수집된 데이터에서 분석기법에 적합한 데이터를 편성하는 단계 ( 시간 소요 많음 )	분석용 데이터 셋 선택, 데이터 정제, 분석용 데이터 셋 편성, 데이터 통합, 데이터 포멧팅
모델링 ( modeling )	- 다양한 모델링 기법과 알고리즘을 선택하고 모델링 과정에서 사용되는 파라미터를 최적화해 나가는 단계 - 데이터 셋이 추가로 필요한 경우 데이터 준비 단계를 반복 수행할 수 있으며, 모델링 결과를 테스트용 데이터 셋으로 평가하여 과적합 문제를 확인함.	모델링 기법 선택, 모델 테스트 계획 설계, 모델 작성, 모델 평가
평가 ( evaluation)	-모델링 결과가 프로젝트 목적에 부합하는지 평가하는 단계 -데이터마이닝 결과를 수용할 것인지 최종 판단	분석결과 평가, 모델링 과정 평가, 모델 적용성 평가
전개 ( deployment )	-모델링과 평가 단계를 통하여 완성된 모델을 실 업무에 적용하기 위한 계획을 수립하는 단계 -모니터링과 모델의 유지보수 계획 마련 à 모델에 적용되는 비즈니스 도메인 특성에 따라 생명주기가 다양하므로 상세한 계획 필요 -CRISP-DM의 마지막 단계로서 프로젝트 마무리	전개 계획 수립, 모니터링과 유지보수 계획 수립, 프로젝트 종료 보고서 작성, 프로젝트 리뷰

 

²  KDD와 CRISP-DM 비교

1)      KDD

-      분석대상 비즈니스 이해

-      데이터셋 선택

-      데이터 전처리

-      데이터 변환

-      데이터 마이닝

-      데이터 마이닝 결과 평가

-      데이터 마이닝 활용

2)      CRISP-DM

-      업무의 이해

-      데이터의 이해

-      데이터 준비

-      모델링

-      평가

-      전개

²  빅데이터 분석 방법론

²  빅데이터 분석의 계층적 프로세스

단계 à 태스크 à 스텝

1)      단계

-      프로세스 그룹을 통하여 완성된 단계별 산출물이 생성됨.

-      각 단계는 기준선으로 설정되어 관리되어야 하며, 버전관리 등을 통하여 통제가 이루어져야 함.

2)      태스크

-      각 단계는 여러 개의 태스크로 구성됨.

-      각 태스크는 단계를 구성하는 단위 활동이며, 물리적, 논리적 단위로 품질 검토의 항목이 될 수 있음.

3)      스텝

-      WBS의 워크 패키지에 해당

-      입력자료(INPUT), 처리 및 도구(PROCESS&TOOL), 출력자료(OUTPUT)으로 구성된 단위 프로세스

²  5단계

 

1)      분석 기획

-      비즈니스 도메인과 문제점을 인식하고 분석 계획 및 프로젝트 수행계획을 수립하는 단계

①         비즈니스 이해 및 범위 설정

②         프로젝트 정의 및 계획 수립

③         프로젝트 위험계획 수립

2)      데이터 준비

-      비즈니스 요구사항과 데이터 분석에 필요한 원천 데이터를 정의하고 준비하는 단계

①         필요 데이터 정의

②         데이터 스토어 설계

③         데이터 수집 및 정합성 점검

3)      데이터 분석

-      원천 데이터를 분석용 데이터 셋으로 편성하고 다양한 분석 기법과 알고리즘을 통하여 데이터를 분석하는 단계

-      분석 단계를 수행하는 과정에서 추가적인 데이터 확보가 필요한 경우 데이터 준비 단계로 피드백하여 두 단계를 반복하여 진행함

①         분석용 데이터 준비

②         텍스트 분석

③         탐색적 분석

④         모델링

⑤         모델 평가 및 검증

4)      시스템 구현

-      분석 기획에 맞는 모델을 도출하고 이를 운영중인 시스템에 작용하거나 사전 검정응으로 프로토타입을 구현함

①         설계 및 구현

②         시스템 테스트 및 운영

5)      평가 및 전개

-      데이터 분석 및 시스템 구현 단계를 수행한 후, 프로젝트의 성과를 평가하고 정리하거나 모델의 발전 계획을 수립하여 차기 기획으로 전달하도 종료하는 단계

①         모델 발전 계획 수립

②         프로젝트 평가 및 보고

²  분석 과제 발굴 방법론 정의

-      분석 과제는 과제 정의서의 형태로 도출

-      하향식 접근 (TOP DOWN), 상향식 접근 ( BOTTOM UP ) 방식이 있음

-      실제 의사 결정을 할 때는 두 가지 방식을 혼용해 사용함. ( 상호 보완 )

 

²  하향식 접근 방식

-      문제가 주어진 상태에서 답을 구함

-      전통적으로 수행되었던 접근 방식

-      대규모의 다양한 데이터를 생성하고 빠르게 변하는 기업 환경에서는 문제 자체의 변화가 심해 정확하게 문제를 사전 정의내리는 것이 어려움

-      기회나 문제를 탐색하고, 해당 문제를 정의, 해결방안을 탐색함.

-      데이터 분석의 타당성 평가를 거쳐 분석 과제를 도출함.

 

1)      문제 탐색 ( 1단계 )

-       전체적인 관점의 기준 모델을 활용하여 빠짐없이 문제를 도출하고 식별하는 것이 중요

-       전체적인 관점의 기준 모델-기업 내외부 환경을 포괄하는 비즈니스 모델과 외부 참조 모델

-       세부적인 구현 및 솔루션에 초점을 맞추는 게 아니라, 문제를 해결함으로서 발생하는 가치에 중점을 두는 것이 중요

①         비즈니스 모델 캔버스 문제 탐색

-       기업 내외부 활동을 포괄하는 비즈니스 모델이라는 틀을 활용하여 업무,제품,고객,규제&감사,지원 인프라 영역에 대한 기회를 추가로 도출하는 작업을 수행함

-       새로운 관점을 통해 새로운 유형의 분석 기회 및 주제 발굴을 수행해야 함.

②         분석 기회 발굴의 범위 확장

1.       거시적 관점의 메가트랜드

해당 산업에 폭넓게 영향을 미치는 사회,경제적 요인을 steep으로 요약해 나눔.

-       STEEP (social, technological, economic, environmental, political)

2.       경쟁자 확대 관점

사업 영역의 직접 경쟁사 뿐만 아니라 대체재와 신규 진입자 등으로 관점을 확대하여 위협이 될 수 있는 상황에 대한 분석 기회 발굴의 폭을 넓혀서 탐색함.

-       대체재

-       경쟁자

-       신규 진입자

3.       시장의 니즈 탐색 관점

-       현재 수행하고 있는 사업에서의 직접 고객뿐만 아니라 고객과 접촉하는 역할을 수행하는 채널 및 고객의 구매와 의사결정에 영향을 미치는 영향자들에 대한 폭넓은 관점을 바탕으로 분석 기회를 탐색

-       고객

-       채널

-       영향자

4.       역량의 재해석 관점

-       현재 해당 조직 및 기업이 보유한 역량 뿐만 아니라 해당 조직의 비즈니스에 영향을 끼치는 파트너 네트워크를 포함한 활용 가능한 역량을 토대로 분석 기회를 탐색

-       내부 역량

-       파트너 네트워크

③         외부참조 모델 기반 문제 탐색

-       유사 사례 벤치마킹을 통한 분석

-       테마 후보 그룹( pool )을 통해 quick&easy 방식으로 필요한 분석 기회가 무엇인지에 대한 아이디어를 얻음.

-       기업에 적용할 분석테마 후보 목록을 워크숍 형태의 브레인스토밍을 통해 빠르게 도출함.

2)      문제 정의 ( 2단계 )

-       식별된 비즈니스 문제를 데이터의 문제로 변환하여 정의하는 단계

-       앞서 수행한 문제 탐색의 단계가 무엇을 어떤 목적으로 수행해야 하는지에 대한 관점이었다면, 본 단계는 이를 달성하기 위해서 필요한 기법을 정의하기 위함임.

-       정확하게 분석의 관점으로 문제를 재정의할 필요가 있음

3)      해결 방안 탐색 ( 3단계 )

-       데이터 분석 문제를 해결하기 위한 다양한 방안이 모색됨.

1. 기존 정보 시스템의 단순한 보완으로 분석이 가능한지 고려

2. 엑셀 등의 간단한 도구로 분석이 가능한지 고려

3. 하둡 등 분산병렬처리를 활용한 빅데이터 분석 도구를 통해 보다 체계적으로 심도 있는 방안 고려

 

분석역량 ( who )

확보 / 미확보

기존 시스템 개선 활용	교육 및 채용을 통한 역량 확보
시스템 고도화	전문 업체 sourcing

 

-       과제를 해결하는 방안에 대해 사전검토

4)      타당성 검토 ( 4단계 )

-       도출된 분석 문제나 가설에 대한 대안을 과제화 하기 위함.

1.       경제적 타당성

-       비용대비 편익 분석 관점 접근 필요

-       비용 : 데이터,시스템,인력,유지보수 / 편익 : 실질적 비용 절감, 매출, 수익

2.       데이터 및 기술적 타당성

-       데이터 존재 여부, 분석 시스템 환경, 분석 역량 필요

²  상향식 접근법

-       다양한 원천 데이터를 대상으로 분석을 수행하여 가치 있는 모든 문제를 도출하는 일련의 과정

-       Why(하향식) -> What

-       객관적으로 데이터 그 자체를 관찰하고 실제적으로 행동에 옮김으로써 대상을 이해하는 접근 방식

-       Empathize – define – ideate – prototype – test

①         비지도 학습

-       일반적으로 상향식 접근 방식의 데이터 분석은 비지도 학습

-       데이터 자체의 결합, 연관성, 유사성 등을 중심으로 데이터 상태를 표현하는 것

-       장바구니 분석, 군집 분석, 기술 통계 및 프로파일링

②         지도 학습

-       명확한 목적 아래에 시행되는 것

-       분석을 실시하고 지식을 도출하는 것이 목적

-       분류, 추측, 예측, 최적화

²  프로토타이핑 접근법

-       사용자가 요구사항이나 데이터를 정확하게 규정하기 어렵고, 데이터 소스도 명확히 파악하기 어려운 상황에서 일단 분석을 시도해보고 그 결과를 확인해 가면서 반복적으로 개선해 나가는 방법

-       완전하지 못하지만 신속하게 해결책이나 모형을 제시함으로써, 문제를 명확하게 인식하고 필요한 데이터를 식별하여 구체화할 수 있게 하는 유용한 상향식 방식

-       가설의 생성 à 디자인에 대한 실험 à 실제 환경에서의 테스트 à 테스트 결과에서의 통찰도출 및 가설 확인

-       문제를 이해하고 구체화할 수 있음

-       사용자와 분석가 간의 반복적이고 순환적인 협의 과정이 필요. 불가능한 프로젝트를 수행하는 리스크를 사전에 방지할 수 있음

-       기존의 데이터 정의를 재검토하여 데이터의 사용 목적과 범위를 확대할 수 있음

²  분석 과제

-       과제 형태로 도출된 분석 기회는 프로젝트를 통해 그 가치를 증명하고 목표를 달성해야 함

-       범위,일정,품질,리스크,의사소통 등 영역별 관리가 필요

 

1.       Data size

-       분석하고자 하는 데이터의 양을 고려

2.       Data complexity

-       텍스트,비디오 등 비정형 데이터 및 다양한 시스템에 산재되어 있는 원천 데이터들을 통합해서 분석 프로젝트를 진행 할 때는, 해당 데이터에 잘 적용될 수 있는 분석 모델의 선정 등에 대한 사전 점점이 필요

3.       Speed

-       분석결과가 도출되었을 때 이를 활용하는 시나리오 측면에서의 속도를 고려해야함.

-       분석 모델의 성능 및 속도를 고려한 개발 및 테스트가 수행되어야 함

4.       Analytic complexity

-       해석이 가능하면서도 정확도를 올릴 수 있는 최적모델을 찾는 방안을 모색해야 함

5.       Accuracy & precision

-       정확도 & 일관적으로 동일한 결과를 제시한다 는 의미

-       분석의 활용적인 측면 / 안정성 특면

 

-데이터 영역과 결과를 활용할 비즈니스 영역의 중간에서 분석 모델을 통한 조율을 수행하는 조정자의 역할

- 범위, 시간, 원가, 품질, 통합, 조달, 자원, 리스크, 의사소통, 이해관계자 등이 분석 프로젝트의 영역별 주요 관리 항목이 됨.

 

²  마스터 플랜 수립 프레임 워크

-       데이터 기반 구축을 위하여 분석 과제를 대상으로 다양한 기준을 고려해 적용 우선순위를 설정

-       업무 내재화 적용 수준, 분석데이터 적용 수준, 기술적용 수준 등을 종합적으로 고려하여 데이터 분석 구현을 위한 로드맵을 수립해야 함.

1.       우선순위 고려요소

전략적 중요도 à 비즈니스 성과 à 실행용이성

-       기업 및 공공기관에서는 시스템의 중장기 로드맵을 정의하기 위한 정보전략계획인 ISP를 수행

2.       우선 순위 평가

-       정의된 데이터 과제에 대한 실행 순서를 정하는 것.

-       업무별 도출된 분석 과제를 우선순위 평가 기준에 따라 평가한 뒤, 과제 수행의 선후행 관계를 고려하여 적용순위를 조정해 최종 확정

-       분석 과제 도출 à 우선 순위 평가 à 우선 순위 정렬

2-1.            ROI관점에서 빅데이터의 핵심 특징

-       3V(volume,variety,velocity/크기,다양성,속도)는 얼마나 많은 데이터를 가지고  어떠한 데이터를 구성해서 얼마나 빨리 처리하여 결과를 도출하는지에 초점 à 투자비용 요소

-       4V(3V+Value)는 가치를 창출한다는 의미를 가지고 있으므로 à  비즈니스 요소

2-2.            우선 순위 평가 기준

1.       시급성

-       전략적 주용도와 목표가치에 부합하는지에 따라 중요한 기준

-       전략적 중요도가 핵심

2.       난이도

-       데이터를 생성,저장,가공,분석하는 비용과 기업의 분석 수준을 고려한 것

-       데이터 분석의 적합성 여부

²  포트폴리오 사분면 분석을 통한 과제 우선순위 결정

-       우선순위 선정 기준을 토대로 난이도 또는 시급성을 고려하여 분석 과제를 4가지 유형으로 구분하여 우선순위를 결정함.

-       사분면 중에에 가장 우선적인 분석 과제 적용이 필요한 영역은 제3사분면

-       전략적 중요도가 현재 시점에는 상대적으로 낮은 편이지만 중장기적으로 경영에 미치는 영향이 높고, 분석 과제를 바로 적용하기 어려워 우선순위가 낮은 영역은 제2사분면

-       우선 순위 기준 : (난이도) 3->4->2 (시급성) 3->1->2

²  단계적 로드맵 수립

1.       포트폴리오 사분면 분석을 통해 과제의 1차적 우선순위를 결정

2.       분석 과제별 방식을 고려하여 최종적인 실행 우선순위를 결정한 후 단계적 구현 로드맵을 수립

3.       단계별로 추진하고자 하는 목표를 정의

4.       선후행관계를 고려해 단계별 추진 내용 정렬

-       데이터 분석체계는 폭포수 형식도 있으나 반복적인 정련 과정을 통한 방식을 주로 사용

²  거버넌스 체계

-       분석 계획 및 관리를 수행하는 조직, 과제 기획 및 운영 프로세스, 분석 관련 시스템, 데이터, 분석 관련 교육 및 마인드 육성 체계로 구성

²  데이터 분석 수준진단

-       무엇을 준비하고 보완해야 하는지 등 분석 유형 및 분석의 방향성을 결정할 수 있음

-       수준 진단을 위한 분석 준비도와 분석 성숙도

-       기업의 분석 수준을 명확히 이해하고, 결과를 토대로 미래의 목표 수준을 정의함.

²  분석 준비도

-       기업의 데이터 분석 도입 수준을 파악하기 위한 진단 방법

-       분석업무파악, 인력 및 조직, 분석 기법, 분석 데이터, 분석 문화, IT, 인프라

²  분석 성숙도

-       평가 도구 : CMMI 모델

-       성숙도 수준 분류 : 도입 à 활용 à 확산 à 최적화

-       비즈니스 부문, 조직역량 부문, IT부문

 

-기업의 현재 분석 수준을 객관적으로 파악하고, 경쟁사의 분석 수준과 비교하여 경쟁력 확보 및 강화를 위한 목표 수준 설정 가능

²  분석 관점에서의 사분면 분석

-       분석 수준 진단결과를 구분

-       데이터 분석 수준에 대한 목표 방향 정의

-       유형별 특성에 따른 개선방안 수립

정착형	확산형
준비형	도입형

 

²  분석 지원 인프라 방안 수립

-       분석 마스터 플랜을 기획하는 단계에서부터 장기적으로 안정적으로 활용할 수 있는 확장성을 고려한 플랫폼 구조를 도입하는 것이 적절

-       개별 시스템 à 플랫폼 구조

-       중앙집중적 데이터 관리, 분석 플랫폼을 활용한 공동기능 활용

-       단순히 분석 응용프로그램 뿐만 아니라 분석 서비스를 위한 응용프로그램이 실행될 수 있는 기초를 이루는 컴퓨터 시스템

-       하드웨어에 탑재되어 서비스 환경 제공

²  데이터 거버넌스

-       전사 차원의 모든 데이터에 대하여 표준화된 관리체제를 수립하고 운영을 위한 프레임워크 및 저장소를 구축하는 것

-       미스터 데이터,메타 데이터, 데이터 사전은 데이터 거버넌스의 중요한 관리 대상

-       데이터의 가용성,유용성,통합성,보안성,안정성을 확보할 수 있음

-       독자적으로 구성될 수 있지만, it 거버넌스의 구성요소로서 구축되는 경우도 있음

-       구성 요소 : 원칙,조직,프로세스

데이터 거버넌스 체계

 

1.       데이터 표준화

-       데이터 표준 용어 설정, 규칙 수립, 메타 데이터 구축 등 업무

-       명명 규칙은 언어별로 작성되어 매핑 상태를 유지해야 함

2.       데이터 관리 체계

-       표준데이터를 포함한 메타 데이터와 데이터 사전의 관리 원칙 수립

-       수립된 원칙에 근거하여 항목별 상세한 프로세스를 만들고 조직별 역할과 책임을 상세하게 준비

3.       데이터 저장소 관리

-       메타 데이터 및 표준 데이터를 관리하기 위한 전사 차원의 저장소

-       데이터 구조 변경에 따른 사전 영향 평가도 수행되어야 효율적 활용 가능

4.       표준화 활동

-       쳬계를 구축한 후 표준 준수 여부를 주기적으로 점검하고 모니터링을 실시

-       안정적 정착을 위한 변화 관리 및 주기적인 교육

-       지속적인 데이터 표준화 개선 활동을 통하여 실용성을 높여야 함.

²  데이터 조직 및 인력방안 수립

-       빅데이터의 등장에 따라 기업도 비즈니스의 변화를 인식하고 기업의 차별화된 경쟁력을 확보하는 수단으로서 데이터를 효과적으로 분석하기 위해 기획,운영을 전담할 수 있는 분석조직의 필요성이 제기됨

-       분석을 위한 3가지 구조

1.       집중구조

-       전사 분석 업무를 별도의 분석 전담 부서에서 담당

-       전략적 중요도에 따라 분석 조직이 우선순위를 정할 수 있음

-       이중화/이원화

2.       기능구조

-       별도 분석 조직 없음, 해당 업무 부서에서 수행

-       전사적 핵심 분석 어려움

-       과거 실적에 국한된 분석 수행

3.       분산구조

-       분석 조직 인력들을 현업부서로 직접 배치

-       전사차원의 우선순위 수행

-       분석결과에 따른 신속한 action 가능

-       부서 분석업무와 역할 분담 명확히 해야됨

²  분석 과제 관리 프로세스 수립

1.       과제 발굴

-       분석 아이디어 발굴, 이를 과제화하여 pool로 관리, 프로젝트 선정

2.       과제 수행

-       팀을 구성하고 지속적인 모니터링과 과제결과 공유, 개선하는 절차 수행