3. 거버넌스 체계
1) 개요
- 기업에서 데이터를 이용한 의사결정이 강조될수록 데이터 분석과 활용을 위한 체계적인 관리가 중요해짐
- 단순 데이터 수집/축적보단 어떤 목적으로 어떤 데이터를 어떻게 분석에 활용할 것인가가 더욱 중요하기 때문
- 조직 내 분석 관리체계를 수립해야 하는 이유는 데이터 분석을 기업의 문화로 정착하고 분석업무를 지속적으로 고도화하기 위함
2) 구성요소
4. 데이터 분석 수준 진단
1) 개요
- 기업들은 데이터 분석의 도입 여부와 활용에 명확한 분석 수준을 점검할 필요가 있음
- 데이터 분석의 수준진단을 통해 데이터 분석 기반을 구현하기 위해서는 무엇을 준비하고 보완해야 하는지 등 분석의 유형 및 분석의 방향성을 결정할 수 있음
2) 수준 진단 목표 2가지
- 기업의 현재 분석 수준을 명확히 이해하고, 수준 진단 결과를 토대로 미래의 목표수준을 정의함
- 데이터 분석을 위한 기반 또는 환경이 유사업종 또는 타 경쟁사에 비해 어느 정도 수준이고, 데이터를 활용한 분석의 경쟁력 확보를 위해 어떠한 영역에 선택과 집중을 해야하는지 등 개선 방안을 도출함
● 분석 준비도
- 영역별로 세부 항목에 대한 수준 파악
- 진단결과 전체 요건 중 일정 수준이상 충족하면 분석업무 도입
- 충족하지 못할 시 분석 환경 조성
● 분석 성숙도 모델
- 조직의 성숙도 평가 도구: CMMI 모델, 소프트웨어 개발 및 장비 운영 업체들의 업무 능력 및 조직의 성숙도를 평가
- 성숙도 수준 분류: 도입단계/활용단계/확산단계/최적화단계
- 분석 성숙도 진단 분류: 비즈니스/ 조직,역량/ IT부문
● 분석 수준 진단 결과
- 기업의 현재 분석 수준을 객관적으로 파악
- 경쟁사의 분석 수준과 비교하여 분석 경쟁력 확보 및 강화를 위한 목표 수준 설정 가능
● 분석 관점에서의 사분면 분석
- 분석 수준 진단 결과를 구분하고, 데이터 분석 수준에 대한 목표 방향을 정의함 이후 유형별 특성에 따른 개선 방안을 수립
5. 분석 과제 발굴 및 문제 정의
1) 분석 과제 발굴 방법론 개요
2) 하향식 접근법
- 현황 분석을 통해 문제를 탐색하고, 해당 문제를 정의, 해결방안을 탐색하고, 데이터 분석에 대한 타당성 평가를 거쳐 분석 과제를 도출하는 것
1. 문제 탐색
- 전체적인 관점의 기준 모델인 기업 내/외부 환경을 포괄하는 비즈니스 모델과 외부 참조 모델을 활용하여 기업 내 존재하는 문제를 빠짐없이 식별하고 도출하는 것이 중요
- 문제를 해결함으로써 발생하는 가치에 중점을 둠
a. 비즈니스 모델 기반 문제 탐색
- 기업 내/외부 환경을 포괄하고 있는 비즈니스 모델이라는 틀을 활용하여 비즈니스 모델 캔버스의 9가지 블록을 단순화
- 그 후 업무, 제품, 고객 단위로 문제를 발굴하고, 이를 관리하는 두 가지 영역인 규제와 감사 영역과 지원 인프라 영역에 대한 기회를 추가로 도출하는 작업
| 과제발굴방법 | 내용 | 예 |
| 업무 | 제품 및 서비스 생산을 위해 운영하는 내부 프로세스 및 주요자원과 관련 주제 도출 | 생산 공정 최적화 |
| 제품 | 생산 및 제공하는 제품/서비스를 개선하기 위한 주제 도출 | 제품의 주요 기능 개선 |
| 고객 | 제품/서비스를 제공받는 사용자, 이를 제공하는 채널의 관점에서 주제 도출 | 고객 대기시간 최소화 |
| 규제와 감사 | 제품 생산 및 전달과정 프로세스 중에 발생하는 규제 및 보안의 관점에서 주제 도출 | 제품 서비스 품질의 이상 징후 관리 |
| 지원 인프라 | 분석을 수행하는 시스템 영역 및 이를 운영/관리하는 인력의 관점에서 주제 도출 | 적정 운영 인력 도출, EDW 최적화 |
b. 분석 기회 발굴의 범위 확장
- 현재 기업의 주변 환경, 경쟁자, 시장, 역량의 범위를 넘어서 분석 기회 및 발굴의 범위를 확장할 필요가 있음
- 즉, 사회/기술/경제/정치/환경적 측면에서 거시적인 관점을 가질 필요가 있으며 경쟁자를 확대하여 기존의 경쟁업체 뿐만 아니라 신규 진입자 및 대체재 제공업체도 고려해야 함
- 시장 니즈 변화에도 주목해야하며 보유한 내/외부 역량을 새롭게 해석하여 다양한 측면에서 적용할 수 있는 새로운 관점의 접근
c. 외부참조 모델기반 문제탐색
- 유사/동종 사례에 대한 벤치마킹을 통한 분석기회 발굴은 제공되는 산업별, 업무 서비스별 분석 테마 후보 그룹(pool)을 통해 Quick & Easy 방식으로 필요한 분석기회가 무엇인지에 대한 아이디어를 얻고 기업에 적용할 분석 테마 후보 목록을 브레인 스토밍을 통해 빠르게 도출하는 방법
- 평상시 지속적인 조사와 데이터 분석을 통한 가치 발굴 사례를 풀(Pool)로 만들어두면 과제 발굴 및 탐색 시 매우 유리
d. 분석 유즈케이스
- 현재의 비즈니스 모델 및 유사/동종사례 탐색을 통해서 빠짐없이 도출한 분석 기회들을 구체적인 과제로 만들기 전에 분석 유즈케이스로 표기하는 것이 필요
- 풀어야 할 문제에 대한 상세한 설명과 해당 문제를 해결했을 때 발생하는 효과를 명시함으로써 향후 데이터 분석 문제로의 전환 및 적합성 평가에 활용하도록 함
2. 문제 정의 (하향식 접근법 2단계)
- 식별된 비즈니스 문제를 데이터의 문제로 변환하여 정의하는 단계이며, 앞서 수행한 문제 탐색의 단계가 무엇을(What) 어떤 목적으로(Why) 수행해야하는지의 관점이었다면, 본 단계에서는 이를 달성하기 위해서 필요한 데이터 및 기법(How)을 정의
ex) 고객 이탈의 증가라는 비즈니스 문제는 고객 이탈에 영향을 미치는 요인을 식별하고 이탈 간으성을 예측하는 데이터 분석 문제로 변환될 수 있음
3. 해결방안탐색 (하향식 접근법 3단계)
- 정의된 데이터 분석 문제를 해결하기 위한 다양한 방안 모색
- 기존 정보시스템의 보완으로 해결 / 엑셀 등 간단한 도구로 해결 / 하둡 등 분산병렬처리를 활용한 빅데이터 분석 도구를 통해 해결
4. 타당성 검토 (하향식 접근법 4단계)
- 도출된 분석 문제나 가설에 대한 대안을 과제화하기 위해서는 다각적인 타당성 분석이 요구됨
a. 경제적 타당성: 비용대비 편익 분석
b. 데이터 및 기술적 타당성: 데이터 존재 여부 / 분석 시스템 환경 / 분석 역량
3) 상향식 접근법
- 기업이 보유하고 있는 다양한 원천 데이터(Big Data)로부터의 분석을 통해 가치(통찰력과 지식)를 얻음
(하향식 접근법은 현황 분석을 통한 문제 탐색으로부터 시작)
a. 기존 하향식 접근법의한계를 극복하기 위한 분석 방법론
- 하향식 접근법은 문제의 구조가 명확하고 문제 해결 권한이 데이터 분석가 및 의사결정자에게 주어져 있음을 가정하기 때문에 해결방안 도출에는 유효하지만, 새로운 문제를 탐색하기에는 한계가 있음
- 따라서 최근 복잡하고 다양한 환경에서 발생하는 문제에는 적합하지 않을 수 있음
- Why가 아니라 What 관점, 데이터 그 자체를 관찰하고 행동에 옮기는 것
b. 비지도 학습과 지도 학습
● 비지도 학습
- 데이터 자체의 결합/연관성/유사성 등을 중심으로 데이터의 상태를 표현하는 것 (주로 상향식 접근에서 사용)
- 장바구니 분석, 군집 분석, 기술통계 및 프로파일링
● 지도 학습
- 명확한 목적 하에 데이터 분석을 실시하는 것
- 분류/추측/예측/최적화를 통해 사용자의 주도하에 분석을 실시하고 지식을 도출하는 것이 목적
- 인과관계 분석, 상관관계 분석, 연관 분석 등. 왜 그러한 일이 발생하는지 역추적
o,x를 구분하는 분류 문제는 지도 학습에 해당되고,
인자들 간의 유사성을 바탕으로 수행하는 군집화는 비지도 학습에 해당함
지도학습의 경우 목표를 사전에 인지한 채, 데이터를 넣었을 때 어떠한 결과가 나올지를 예측하고
비지도학습의 경우 데이터 자체만을 가지고 새로운 유형의 인사이트를 도출함
c. 시행착오를 통한 문제 해결 (프로토타이핑 방법론)
- 프로토타이핑 방법론은 사용자가 요구사항이나 데이터를 정확히 규정하기 어렵고 데이터 소스도 명확히 파악하기 어려운 상황에서 일단 분석을 시도해보고 그 결과를 확인해 가면서 점진적으로 개선해나가는 방법
- 하향식 접근방식은 문제가 정형화되어있고 데이터가 완벽하게 존재할 경우에 효과적이지만, 프로토타이핑 방법론은 데이터 분석 환경이 완벽하게 갖추어지지 않은 경우에도 활용이 가능
- 가설생성 -> 디자인에 대한 실험 -> 실제 환경에서의 테스트 -> 인사이트 도출 및 가설 확인의 네 단계 프로세스
● 빅데이터 분석 환경에서의 프로토타이핑의 필요성
- 문제에 대한 인식 수준: 이전에 접해보지 못한 새로운 문제일 경우에 유용
- 필요 데이터 존재 여부의 불확실성: 필요한 데이터 집합이 모두 존재하지 않을 경우, 사전에 확인해 위험 제거
- 데이터 사용 목적의 가변성: 데이터 가치는 지속적으로 변화하기에 보유 중인 데이터도 재검토하여 사용 목적 확대 가능
4) 분석 과제 정의
- 데이터 분석 문제와 관련된 관계자들이 과제의 내용을 명확히 이해하고 프로젝트로 수행할 수 있도록 '분석 과제 정의서'를 도출
- 분석 과제 정의서에는 분석별로 필요한 소스 데이터, 분석 방법, 데이터 입수 및 분석의 난이도, 분석 수행 주기 등을 기술
- 분석 데이터 소스는 내/외부의 비구조적인 데이터와 소셜미디어, 오픈 데이터까지 범위를 확장하여 고려하고 분석 방법 또한 상세히 기술
'빅데이터분석기사' 카테고리의 다른 글
| [빅분기] 2.2. 분석 작업 계획(1) (3) | 2025.08.15 |
|---|---|
| [빅분기] 2.1. 분석 방안 수립(3) (8) | 2025.08.13 |
| [빅분기] 2.1. 분석 방안 수립(1) (4) | 2025.08.04 |
| [빅분기] 1.2. 빅데이터 기술 및 제도 (8) | 2025.08.02 |
