🙂‍↕️ 데이터 이해

• 이번 긴 설 연휴를 보내며 ADsP 자격증을 준비하기 위해 작성하게 된 글입니다.
• 책이나 기출 변형 문제들을 다뤄보며 작성된 글이기에 미흡한 점이나 오타가 생긴 부분들은 댓글로 지적해주시면 감사하겠습니다. 🙇🏻‍♂️
• 제가 본 기출에 나왔던 개념이나 언급되었던 표현들은 색을 다르게 하이라이트하였으니 참고 부탁드립니다.
• 그럼 먼저, 1과목인 '데이터 이해' 파트부터 작성해 보겠습니다!

 

---

🤔 데이터 이해

✨ 데이터와 정보

• 데이터는 객관적인 사실(Fact)이라는 측면에서 존재적 특성을 가지고, 추론, 예측, 전망, 추정을 위한 근거(Basis)라는 측면에서는 당위적 특성을 가집니다.
• 데이터는 언어나 문자 형태로 이루어져있는 정성적 데이터와 수치, 도형, 기호 등의 형태로 정형화된 정량적 데이터로 나뉩니다.

 

💡 지식 창조 프로세스

• 일본의 노나카는 지식 창조 메커니즘을 제시해 지식이 축적되는 과정을 설명했습니다. 지식은 총 4개의 과정으로 축적되는데 우선 이 과정에 사용되는 암묵지와 형식지에 대해 정리해보겠습니다.
  • 암묵지: 개인의 관심사나 상황 중심적인 지식, 공식화하기 어려운 지식, 다른 사람에게 공유하기 어려운 개인적인 지식을 말합니다. 예를 들어 '김치를 맛있게 담그는 손맛'과 같은 개인적인 것을 뜻합니다.
  • 형식지: 체계적인 언어로 전달 가능한 지식, 전달과 공유가 용이한 지식입니다.
• 이 암묵지와 형식지가 지식의 축적 과정에서 어떻게 사용되고 전환되는지 살펴보겠습니다.

1. 공동화
   • 암묵지를 고차원의 암묵지로 전환하는 과정으로, 조직 내에서 초보적인 경험과 인식을 공유하는 단계입니다.
   • 대화를 통해 다음 단계인 표출화 단계로 넘어갑니다.
2. 표출화
   • 암묵지를 형식지로 전환하는 과정으로, 암묵지가 언어로 표현되어 공식화되는 단계입니다.
   • 이 전환된 형식지들을 연결시켜 다음 단계인 연결화 단계로 넘어갑니다.
3. 연결화
   • 분산된 형식지들을 통합해 새로운 형식지를 창조하는 과정으로, 지식을 체계화해 지식 체계로 만드는 단계입니다.
   • 실천을 통한 학습으로 다음 단계인 내면화 단계로 넘어갑니다.
4. 내면화
   • 형식지를 다시 암묵지로 전환하는 과정으로, 모든 단계를 거쳐 검증받은 모델이나 기술적인 노하우가 개인의 암묵지로 체화되는 단계입니다.

 

💡 DIKW 피라미드

출처: https://almbok.com/kb/dikw_pyramid

• 지식 피라미드라고도 불리며, 가장 아래 데이터(Data)로부터 시작해, 가장 위층인 지혜(Wisdom)로 끝나는 피라미드 형태입니다.
• 데이터(Data)
  • 존재 형식을 불문하고 타 데이터와는 상관없는 가공 전 순수한 수치나 기호를 의미합니다.
  • (A 기업은 해당 책을 10,000원에 판매하고, B 기업은 12,000원에 판매한다.)
• 정보(Information)
  • 데이터의 가공 및 상관관계를 이해하여 패턴을 인식하고 의미를 부여한 데이터입니다.
  • (A 기업의 책이 더 저렴하다.)
• 지식(Knowledge)
  • 정보 패턴을 이해한 뒤, 이를 바탕으로 예측된 결과물입니다.
  • (상대적으로 가격이 저렴한 A 회사에서 책을 구매해야겠다.)
• 지혜(Wisdom)
  • 근본 원리를 이해 후, 도출되는 창의적인 아이디어입니다.
  • (A 기업의 다른 상품들도 B 기업보다 저렴할 것으로 판단했다.)

 

✨ 데이터베이스의 정의와 특징

• 데이터베이스(DB)는 사용자들이 사용하는 데이터를 저장해 여러 사람들이 같이 공유하며 사용할 수 있는 데이터의 집합체를 의미합니다.

 

💡 데이터베이스 특징

• 통합된 데이터로, 데이터의 중복 없이 저장해 데이터를 최소화하고, 컴퓨터가 접근 가능한 저장매체에 저장된 데이터입니다.
• 기업의 목적에 맞게 운영할 수 있고, 기업이나 조직이 공동으로 소유하고 활용할 수 있는 데이터입니다.
• 다수의 사용자로부터 데이터 검색/질의에 즉시 응답하고, 지속적인 변환으로 최신 데이터를 유지합니다.
• 여러 사용자가 데이터에 접근하고 공유하며, 데이터의 주소가 아닌 내용에 의해 참조됩니다.
• 요구사항 분석 → 개념 → 논리→ 물리 순으로 설계됩니다.

 

💡 데이터베이스 장단점

• 장점
  • 데이터 중복을 최소화하며, 실시간으로 접근이 가능합니다.
  • 데이터 보안을 제공하고, DB의 논리적이고 물리적인 독립성도 제공합니다.
  • 데이터 표준이 지켜지며, 데이터 공유, 일관성, 무결성을 제공합니다.
• 단점
  • DB 구축에 따른 비용이 발생하고, 백업과 복구가 꽤나 복잡합니다.

 

✨ 데이터 웨어하우스(DW)

• 기업의 합리적인 의사결정을 위해 기업 내외부 데이터를 통합한 DB의 집합체입니다.
• 기업의 모든 데이터를 하나의 DB에 보관하는 것이 아니라 아래 4가지 특징이 지켜져야 진정한 데이터 웨어하우스입니다!

1. 정보를 특정한 주제에 맞게 분류, 가공하여 구조화하는 주제지향적인 특징이 필요합니다.
2. 기업 내부의 운영 데이터와 기업 외부에서 수집된 외부 데이터는 통합 후 가공되어야합니다.
3. 과거, 현재 데이터를 일정기간 동안 저장해 미래를 예측하고, 시점 별로 분석이 가능하도록 시계열적인 특징이 필요합니다.
4. 갱신이 발생하지 않는 조회 전용(Read-Only)의 비소멸성을 지니고 있어야 합니다.

 

💡 데이터 웨어하우스 구성 요소

• 데이터 모델: 주제지향적으로 설계된 ER 모델로, OLAP으로 다차원 분석을 하기 위한 다차원 모델입니다.
• ETL: 기업 내외부 데이터를 추출(Extract), 정제(Transform) 및 적재(Load)를 수행하는 작업입니다.
• ODS: 다수 OLTP 시스템에서 추출한 데이터를 통합적으로 관리하는 DB입니다.
• OLTP: 거래 단위에 초점을 맞춘 과거 DB 형태로, 호스트 DB에 접근하고, 바로 처리 결과를 되돌려보내는 형태입니다.
• DW Meta Data: 데이터 모델에 대한 정보를 제공하는 운영 Meta Data와 비즈니스 측면에서 정보를 제공하는 활용 Meta Data가 존재합니다.
• OLAP(Online Analytical Processing): 사용자와 대화식으로 다차원 분석을 수행할 수 있는 도구로, 동일 데이터를 여러 차원으로 변경해가면서 분석합니다.
• 데이터마이닝: 데이터로부터 알려지지 않은 사실과 패턴을 분석하는 과정입니다.
• 경영기반 솔루션: 분석을 위한 BSC, RMS, BI, DSS, EIS 등의 경영기반 솔루션입니다.

 

✨ 데이터베이스 활용

1. KMS(Knowledge Management System)
   • 조직 내 인력들이 축적한 개별적 지식(암묵지)을 체계화하고 공유하면서 기업의 경쟁력을 향상하려는 기업의 지식 관리 시스템입니다.
   • 여기서 KM(지식 경영)은 기업 활동에 필요한 지식을 적시에 획득, 축적, 유통이 가능하도록 고객, 주주, 기업의 가치를 높이려는 활동을 뜻합니다.
2. ERP(Enterprise Resource Planning)
   • 기업 내 구축되는 DB로 기업 전체의 경영 자원을 효과적으로 이용을 목적으로 경영의 효율화를 위한 정보 시스템입니다.
   • 기간 업무 프로세스들을 통합적으로 연계 관리 해주며, 주위에서 발생하는 정보들을 공유하고 실시간 처리를 수행해 빠른 의사결정을 지원하는 전사 자원 관리 패키지입니다.
3. SCM(Supply Chain Management)
   • 기업이 외부 공급 업체 또는 제휴 업체와 통합된 정보 시스템으로 연계하여, 시간과 비용을 최적화시키는 데이터베이스 시스템입니다.
   • 공급자에서 고객까지의 공급사슬 상의 정보, 물자, 현금의 흐름에 대해 총체적 관점에서 프로세스를 통합하고 관리하며 효율성을 극대화하는 전략적 기법입니다.
   • 물리적 관계(공급자, 제조자, 고객 등)와 논리적 관계(서비스, 정보, 현금 등)를 통합해 모든 흐름을 거쳐 업체 간 통신 및 의사소통 등을 수행합니다.
4. CRM(Customer Relationship Management)
   • 기업이 고객과의 관계를 강화하기 위한 전략으로 고객 생애 가치를 극대화하기 위한 경영 전략입니다.
5. EAI(Enterprise Application Integration)
   • 기업 내부의 연관된 애플리케이션들을 연동해 필요한 정보들을 중앙 집중적으로 통합, 관리할 수 있는 미들웨어 솔루션입니다.
6. 클라우드 컴퓨팅(Cloud Computing)
   • 인터넷을 사용해 공유 자원을 On-Demand(사용자가 사용한 만큼만 비용을 지불하는) 형태로 이용할 수 있는 서비스입니다.
   • 특정 기업만 사용하는 Private Cloud와 누구나 사용 가능한 Public Cloud로 분류됩니다.
   • 현재 빅데이터 분석에 있어서 경제성을 제공하는 요소 중에 하나입니다.
7. ISP(Information Strategy Planning)
   • 조직의 경영 목표 및 비즈니스 전략을 효과적으로 지원하기 위해 정보화 전략을 수립하는 컨설팅입니다.
8. BI(Business Intelligence)
   • 데이터를 기반으로 기업 활동에 연관된 의사 결정을 돕는 프로세스입니다.
   • 가트너에서는 사용자가 필요로 하는 정보를 정확한 시간에 제공할 수 있는 환경으로 정의하고 있습니다.

 

---

🤖 데이터의 가치와 미래

✨ 빅데이터의 이해

• 다양하고 방대한 데이터 그 자체를 의미하기도 하지만, 데이터에서 가치를 추출하기 위한 분석 기술을 의미하기도 합니다.
• 데이터는 인터넷, 모바일 등이 등장하게 되면서 Exa Byte에서 Zetta Byte(Tera - Petta - Exa - Zetta!) 정도의 규모를 다루게 되었습니다.
• 그리고 정형 데이터에서 이메일이나 SNS와 같은 비정형 데이터로 유형도 변하고, 구조화된 데이터에서 실시간성을 띠는 데이터로 변화하고 있습니다.
• 과거에는 전수 조사를 수행할 수 있는 기술의 부족으로 표본 조사로 대부분 대체되었지만, 빅데이터와 이를 관리할 수 있는 기술이 뒷받침되게 되면서 전수 조사가 중요시되어가고 있습니다.

 

💡 빅데이터의 특성

1. Volume(규모): 매일 디지털 정보량이 기하급수적으로 폭증하고 있습니다. Tera에서 Petta, Zetta 시대로 진입했습니다.
2. Variety(다양성): 시스템 로그, 소셜, 위치 정보 등 데이터의 종류가 다양해졌습니다.
3. Velocity(속도): 센서를 이용한 사물 정보 등의 실시간 정보가 증가하면서 데이터의 분석 속도가 중요해졌습니다.
4. Veracity(정확성): 질 높은 데이터를 활용해야 분석의 정확도가 높아집니다.
5. Value(가치): 데이터는 사용자에게 가치있는 정보를 창출해야 합니다.

 

💡 3단계 가치 패러다임의 변화

1. 디지털화: 아날로그 신호를 0과 1로 표현하는 디지털 시대로 변화하였습니다.
2. 연결: 디지털 제품들은 Ad-hoc 방식으로 연결하고 디지털 제품들은 다시 IP 네트워크에 융합되었습니다.
3. 에이전시: 그물망으로 연결된 것들을 관리하게 되었습니다.

 

✨ 빅데이터의 가치와 영향

• 빅데이터 활용을 위한 3대 요소는 자원(빅데이터), 기술(빅데이터 플랫폼), 인력(데이터 사이언티스트)으로 구분됩니다. 
• 먼저, 자원인 빅데이터는 가장 중요한 것으로 수집된 데이터는 전처리 과정을 통해 데이터 품질을 확보해야 합니다.
• 빅데이터 플랫폼에서는 분산 파일 시스템을 이용해 데이터를 분산 저장하고, NoSQL, HBase 등을 사용합니다. 이 플랫폼에서 데이터의 다양한 가치가 창출될 수 있습니다.
• 데이터 사이언티스트는 수학, 공학, 경제학 등의 학문을 학습해 실무에서 데이터 분석을 위해 사용합니다.

 

💡 빅데이터 처리 프로세스

1. 관계형 데이터베이스에 저장되어 있는 내부 데이터와 외부 데이터 소스로부터 프로세스가 시작됩니다.
2. 외부 데이터들을 수집하기 위해서 컴퓨터 로그 수집, 크롤링, 센싱같은 기술이 동원됩니다.
3. 수집된 데이터는 데이터 등급에 따라 분류되고, 유형에 따라서는 정형, 비정형으로 나뉩니다.
4. 빅데이터 처리를 위해 하둡 생태계를 이용하여 데이터를 분산 저장합니다.
5. 비정형 데이터는 전처리 과정을 걸쳐 데이터를 정형화하고, 여러 기법들로 데이터를 분석합니다.
6. 분석된 데이터를 누구에게나 쉽게 전달하기 위해 R이나 BI 툴을 이용해 시각화합니다.

 

✨ 비즈니스 모델

• 데이터가 가지고 있는 특성이나 관련 분야에 따라 전력, 보건 및 의료, 유통, 관광, 지역 경제 활성화 등에 활용될 수 있습니다.
• 데이터 레이크는 막대한 원시 데이터를 본연의 형식 그대로 저장하는 것을 의미합니다.
• 여러 모델들에 사용되는 데이터 레이크는 데이터를 암호화하거나 ID를 강력하게 관리하고, 접근이나 권한 부여에 적절한 통제가 이뤄져야 안전하게 보호될 수 있습니다.
• 정형 데이터는 RDB(Oracle, MySQL, MS-SQL 등)에 비정형 데이터는 NoSQL(Mongo DB, HBase 등)으로 저장되어야 하고, 여러 서버에 분산하여 저장하는 HDFS(Hadoop Distributed File System)이 활용되는 편입니다.

 

✨ 위기 요인과 통제 방안

• 대표적인 위기 요인으로는 사생활 침입, 책임 원칙 훼손, 데이터 오용이 있습니다.
• 사생활 침입
  • 특정 데이터가 본래 목적 외로 가공되어서 악용될 가능성이 있기 때문에 개인정보를 사용해 분석하는 분석자가 이에 대한 보안을 철저히 해야합니다.
  • 예를 들자면, '여행 사실을 SNS에 올린 사람의 집이 범죄의 타겟이 되는 등'의 요인입니다.
• 책임 원칙 훼손
  • 분석 대상이 되는 사람들이 예측 알고리즘으로 인해 희생양이 될 가능성이 있기 때문에 기존의 책임 원칙을 강화해야 합니다.
  • '범죄 예측 프로그램을 통해 사전 체포'하는 행위가 바로 책임 원칙을 훼손한 예입니다.
• 데이터 오용
  • 데이터에 대한 잘못된 인사이트로 인해 비즈니스에 직접적인 손실을 불러올 수도 있기에 데이터 알고리즘에 대한 접근 권한 관리, 객관적인 인증 방안 등이 이루어져야 합니다.
  • '테러리스트로 분류된 미 상원의원의 비행기 탑승을 거부하는 행위'를 데이터 오용의 예로 들 수 있습니다.
• 개인 정보를 보호하기 위해 일반적으로 데이터셋에서 개인을 식별할 수 있는 요소들의 전부 혹은 일부를 삭제 / 대체하는 비식별화, 혹은 수집 단계에서부터 근원적으로 개인을 식별할 수 없게 하는 익명 데이터 정보가 사용됩니다.
• 이렇게 빅데이터로 발생 가능한 문제들을 예방하기 위해 알고리즈미스트가 새로운 직업으로 부상하고 있습니다.

 

💡 비식별화 조치

• 가명 처리
  • 개인 정보 중 주요 식별 요소(이름, 주소 등)을 다른 값으로 대체해 개인 식별을 곤란하게 하는 방법입니다.
  • 일정한 규칙이 노출되는 방법으로 대체하는 것은 옳지 않습니다.
• 총계 처리 또는 평균값 대체
  • 데이터의 총합 값을 보여줌으로써 개별 데이터의 값을 보이지 않도록 하는 방법입니다.
  • 단, 특정 속성을 지닌 개인으로 구성된 단체의 속성 정보를 공개하는 것은 그 집단에 속한 개인의 정보를 공개하는 것과 마찬가지이므로 비식별화가 아닙니다.
• 데이터 가치 삭제
  • 데이터셋에 구성된 값 중 필요 없는 값 또는 개인 식별에 중요한 값을 삭제하는 방법입니다.
• 범주화
  • 데이터의 값을 범주의 값으로 변환해 명확한 값을 감추는 방법입니다.
• 데이터 마스킹
  • 말 그대로 개인식별자가 보이지 않도록 처리하여 개인을 식별하지 못하도록 하는 방법입니다.
  • 남아있는 정보로 개인을 식별할 수 없어야 하고, 다른 데이터와 결합했을 때에도 유추할 수 없어야 합니다.

 

✨ 미래의 빅데이터

• 미래의 빅데이터는 지속적으로 구축되는 데이터를 이용해 ML, DL, AI 형태로 발전할 것입니다.
• 빅데이터를 구축하고 분석 및 운영하기 위해서 아래 기본적인 7가지의 테크닉이 필요합니다.

1. 연관 분석: 특정 변수들간의 관련성을 분석하는 기술
2. 유형 분석: 문서를 분류하거나 조직을 그룹화하는 기술
3. 기계 학습: 데이터를 학습해 알려진 특성을 활용하여 예측하는 기술
4. 유전(자) 알고리즘: 유전자 데이터 분석으로 특정 알고리즘을 도출하고 활용하는 기술로 선택, 변이, 교차, 대치 등의 연산으로 구성
5. 회귀 분석: 독립 변수와 종속 변수 간 어떤 관계가 있는지, 하나의 변수가 다른 변수에 얼마나 영향을 끼치는지 분석하는 기술
6. 감성 분석: 특정 주제에 대해 말하거나 글을 쓴 사람의 감정을 분석하는 기술
7. 소셜 네트워크 분석: 특정인과 다른 사람의 관계를 파악하고 영향력 있는 사람을 분석하는 기술

 

---

💭 가치 창조를 위한 데이터 사이언스와 전략 인사이트

• 데이터 사이언스는 통계학, 수학, 컴퓨터 공학 등의 학문적 지식과 함께 데이터 시각화까지 포함하는 종합적인 학문입니다. 즉, 과거의 통계학과 다르게 총체적인 접근 방법을 사용합니다.

 

✨ 빅데이터 분석 및 전략 인사이트

• 빅데이터 분석을 위해 데이터 사이언티스트는 수학 및 통계 지식, 정보 기술, 도메인 관련 지식이 모두 갖춰져야 합니다.
• 또한, 빅데이터를 처리하고 분석함에 있어서 필요한 이론적, 기술적 숙련과 관련된 능력인 ML, 통계, 분산 컴퓨팅 등의 하드 스킬도 필요하고, 데이터 가치를 발견하고 기회를 만들 수 있는 스토리텔링, 창의적 사고, 호기심, 커뮤니케이션 능력 등의 소프트 스킬도 필요합니다.
• 가트너는 이 중에서 데이터 관리, 분석적 모델링, 비즈니스 분석, 소프트 스킬을 강조했습니다.

 

💡 전략적 통찰력과 인문학 열풍

• 외부 환경의 측면에서 단순 세계화인 컨버전스에서 복잡 세계화인 디버전스로의 변화로 인문학의 열풍이 시작되었습니다.
• 또한, 비즈니스의 중심이 제품의 생산에서 서비스로 이동했고, 생산과 관련된 기술의 중심이 아닌 무형 자산인 시장 창조로의 변화도 인문학을 자극시켰습니다.

 

 💡 빅데이터 분석 주제 유형

• 분석 대상(What), 분석 방법(How)에 따라 최적화, 솔루션, 통찰, 발견으로 구분됩니다.

1. 최적화: 분석 대상과 분석 방법을 모두 알고 있는 경우에는 문제 해결을 위해 최적화를 진행합니다.
2. 솔루션: 분석 대상은 알지만, 분석 방법(솔루션)을 모르는 경우에 솔루션을 찾는 방법으로 분석 과제를 진행합니다.
3. 통찰: 분석 방법은 알지만, 분석 대상이 불명확한 경우에는 인사이트를 이끌어내는 방법으로 진행합니다.
4. 발견: 분석 대상과 분석 방법 모두 모르는 경우에는 분석 자체를 새롭게 도출해야 합니다.

 

💡 목표 시점별 분석 기획

• 현재의 과제를 빠르고 단기적으로 해결하기 위해서는 과제 중심의 접근 방법을 사용하고, 장기적으로 분석 과정을 정의하고 지속적인 분석을 하기 위해서는 마스터 플랜 단위로 접근을 합니다.
• 과제 중심의 접근 방법은 문제 해결에 초점을 두고, 마스터 플랜 단위 접근 방법은 분석 과제 정의에 초점을 두게 됩니다.

 

💡 빅데이터 분석 기획 시 고려 사항

• 가용한 데이터를 확보해야 하고, 이 확보된 데이터의 유형에 따라 실제 분석 방법과 적용 가능한 분석 솔루션을 다르게 해야 합니다.
• 이전 프로젝트에서 사용된 시나리오(Use-case)를 활용하면 최대한 빠르고 정확하게 분석할 수 있습니다.
• 지속적이고 반복적인 분석 활동으로 급변하는 환경에 적응할 수 있도록 해야 합니다. 따라서 일회성 분석 활동이 아닌 지속적 분석 활동을 위해 장애 요소를 제거해야 합니다.

 

💡 전형적인 의사 결정의 오류

• 로직 오류: 부정확한 가정을 하고, 테스트를 하지 않는 오류로, 작동은 하지만 잘못된 결과를 초래할 수도 있는 오류입니다.
• 프로세스 오류: 분석과 통찰력을 고려하지 않은 오류로, 데이터 수집이나 분석이 너무 늦어져 사용하지 못하게 되는 오류입니다. 

 

✨ 전략 인사이트 도출을 위한 필요 역량

💡 데이터 수집

• 가장 먼저 본인이 수집하는 데이터의 특징을 미리 알고 데이터를 수집하는 것이 중요합니다.
• 앞서 언급했듯, 데이터는 존재적 특징을 가지고 있습니다. 이 특징으로 인해 정성적 데이터와 정량적 데이터로 구분됩니다.
• 또한, 데이터는 목적론적 특징을 지니고 있어, 인식하는 주체에 따라 여러 종류의 데이터로 분류됩니다.
  • 주체의 관점에 따라 원본 데이터의 속성 분리, 다른 데이터와의 병합 등이 발생해 새로운 데이터 객체가 생성될 때도 있습니다.
• 수집 활동에 있어서 데이터는 가역 데이터와 불가역 데이터로 구분됩니다.
  • 가역 데이터는 생산된 데이터의 원본으로 일정 수준 환원이 가능한 데이터입니다.
  • 불가역 데이터는 원본 데이터와 전혀 다른 데이터로, 재생산되었기에 추적이 불가능한 데이터입니다.

 

💡 데이터 확보 계획 수립

• 먼저 분석 목적에 맞는 데이터를 정의하고, 데이터별로 확보가 가능한지 확인해야 합니다.
• 또한, 기업 내부 데이터에서 확보할 것인지 외부에서 수집할 것인지를 판단해야 합니다.
  • 내부에서 확보할 경우에는 필요 데이터에 대한 데이터명, 데이터 설명, 형태, 용량 등 현황 조사를 수행합니다.
  • 외부에서 수집해야 할 경우에는 법률상 제약 사항이 없는지 확인하고, 보유 기업과 협의 후 데이터의 공유 가능 여부를 확인해야 합니다.
• 가트너는 단계적으로 Silos, Exchanges, Pools, Commons의 4단계로 데이터를 확보할 것을 발표했습니다.

1. Silos: 조직의 독자적인 데이터 생성, 저장 중심의 단계입니다. 외부 데이터는 인터넷을 통해 수집도 가능합니다.
2. Exchanges: 기업의 데이터를 외부 기관들과 상호 교환하는 단계입니다.
3. Pools: 특정한 활동이나 목적을 위해 모인 연합 등이 상호 협력과 공동의 장을 형성하는 단계입니다.
4. Commons: 오픈 방식의 플랫폼을 통해 데이터 공유가 이루어지는 단계입니다.

 

💡 데이터 분석 방안 설정

• 분석 과제에 대한 추진 가능성을 검토 후에 보유 데이터와 분석 방법론 등을 활용해 해당 이슈를 해결하기 위한 분석 방안을 수립해야 합니다.
• 이슈와 현황을 도출하는 기초 분석 단계를 거쳐 현업 부서, 정보화 팀, 빅데이터 전문가가 함께 어떤 데이터를 활용해 어떤 이슈를 해결할지, 이에 따른 방안도 함께 제시합니다.
• 참고할 만한 국내외 선행 사례들을 고려해 이슈 해결 방안을 모색하고, 최종적으로는 정책 결정자와 최종 사용자 위주의 관점에서 기술되어야 합니다.