[Big Data] 빅데이터 개요 및 활용

빅데이터 특징

• 빅데이터는 수십 테라바이트(TB) 이상의 정형 및 비정형 데이터
• 데이터로부터 가치를 추출하고 결과를 분석하는 의미로도 통용됨
• 데이터에서부터 가치를 추출하는 것은 통찰, 지혜를 얻는 과정으로 Ackoff Russell Lincoln이 도식화한 DIKW 피라미드(아래의 그림 및 표 참고)로 표현할 수 있음
• 데이터를 수집, 저장, 관리, 분석하는 기존의 관리 방법으로는 막대한 양의 데이터를 처리하기 어려울 때 빅데이터를 사용함

DIKW 피라미드

피라미드 요소	설명
데이터(Data)	☞ 객관적 사실로서 다른 데이터와의 상관관계가 없는 가공하기 전의 순수한 수치나 기호 ☞ 아직 특정의 목적에 대하여 평가되지 않은 상태의 단순한 여러 사실
정보(Information)	☞ 가공, 처리하여 데이터 간의 연관 관계와 함께 의미가 도출된 데이터 ☞ 데이터가 의미 있는 패턴으로 정리되면 정보가 되며 특정 목적을 달성하는데 필요한 정보가 생산됨
지식(Knowledge)	☞ 획득된 다양한 정보를 구조화하여 유의미한 정보로 분류하고 일반화시킨 결과물 ☞ 정보가 의사결정이나 창출에 이용되어 부가가치가 발생 ☞ 동종의 정보가 집적되어 일반화된 형태로 정리된 것
지혜(Wisdom)	☞ 근본 원리에 대한 깊은 이해를 바탕으로 도출되는 창의적 아이디어로 상황이나 맥락에 맞게 규칙을 적용하는 요소 ☞ 지식을 얻고 이해하고 응용하고 발전해나가는 정신적인 능력

1. 빅데이터의 특징

• 전통적으로 3V(Volume, Variety, Velocity), 최근에는 5V(Veracity, Value), 7V(Validity, Volatility)로 확장하고 있음

특징	설명
규모 (Volume)	☞ 빅데이터 분석 규모에 관련된 특징 ☞ ICT(Information & Communication Technology) 기술 발전으로 과거의 텍스트 데이터로부터 SNS로부터 수집되는 사진, 동영상 등의 다양한 멀티미디어 데이터까지 디지털 정보량의 기하급수적 증가
다양성 (Variety)	☞ 빅데이터 자원 유형에 관련된 특징 ☞ 정형 데이터뿐만 아니라 비정형, 반정형 데이터를 포함
속도 (Velocity)	☞ 빅데이터 수집·분석·활용 속도에 관련된 특징 ☞ 사물 정보(센서, 모니터링), 스트리밍 정보 등 실시간성 정보의 생성 속도 증가에 따라 처리 속도 가속화 요구 ☞ 가치있는 정보 활용을 위해 데이터 처리 및 분석 속도의 중요성 증가
신뢰성 (Veracity)	☞ 빅데이터의 수집 대상 데이터가 가지는 신뢰에 관련된 특징 ☞ 방대한 데이터에서 노이즈(Noise) 및 오류 제거를 통해 활용 데이터에 대한 품질과 신뢰성 제고 요구 ※ 노이즈는 실제는 일어나지 않았지만 입력되었다고 잘못 판단된 값을 의미함
가치 (Value)	☞ 빅데이터 수집 데이터를 통해 얻을 수 있는 가치 ☞ 비즈니스나 연구에 활용되어 유용한 가치를 끌어낼 수 있는가에 대한 문제 ☞ 빅데이터의 가치는 데이터의 정확성 및 시간성과 관련됨
정확성 (Validity)	☞ 빅데이터의 수집 대상 데이터가 가지는 유효성과 정확성 ☞ 데이터의 규모가 아무리 크더라도 질 높은 데이터를 활용한 정확한 분석 수행이 없다면 의미가 없음
휘발성 (Volatility)	☞ 빅데이터의 수집 대상 데이터가 의미가 있는 기간 ☞ 데이터가 얼마나 오래 저장될 수 있고, 타당하여 오랫동안 쓰일 수 있을지에 관한 사항 빅데이터는 장기적인 관점에서 유용한 가치를 창출해야 함

2. 빅데이터의 유형

• 데이터의 구조적 관점에서 구분하면 정형, 반정형, 비정형 데이터로 구분됨

유형	설명
정형	☞ 정형화된 스키마(Schema) 구조, DBMS에 내용이 저장될 수 있는 구조 ☞ 고정된 필드(속성)에 저장된 데이터 ex) 관계형 데이터베이스(Oracle, MySQL, MS-SQL 등)
반정형	☞ 데이터 내부의 데이터 구조에 대한 메타 정보가 포함된 구조 ☞ 고정된 필드에 저장되어 있지만, 메타데이터나 데이터 스키마 정보를 포함하는 데이터 ex) XML, HTML, JSON 등
비정형	☞ 수집 데이터 각각이 데이터 객체로 구분 ☞ 고정 필드 및 메타데이터(스키마 포함)가 정의되지 않음 ☞ Crawler, API, RSS 등의 수집 기술을 활용 ex) 텍스트 문서, 이진 파일, 이미지, 동영상 등

3. 데이터 지식 경영

• 빅데이터의 중요성이 부각되면서 관련 시장도 큰폭으로 성장하고 있음
• 최근 아마존(AWS), 넷플릭스(Netflex) 등 데이터 기반 지식 경영으로 세계 시장을 뒤흔들고 있는 기업 사례들을 볼 수 있음
• 데이터 기반 지식 경영의 핵심 이슈로는 암묵지와 형식지의 상호작용에 있음

구분	설명	상호작용	내용
암묵지	☞ 학습과 경험을 통해 개인에게 체화되어 있지만 겉으로 드러나지 않는 지식 ☞ 사회적으로 중요하지만 다른 사람에게 공유되기 어려움	내면화	☞ 활동과 실천교육 등을 통해 형식지가 개인의 암묵지로 체화되는 단계
		공통화	☞ 다른 사람과의 대화 등 상호작용을 통해 개인이 암묵지를 습득하는 단계
형식지	☞ 문서나 매뉴얼처럼 형상화된 지식 ☞ 전달과 공유가 용이	표출화	☞ 개인에게 내재된 경험을 객관적인 데이터인 문서나 매체로 저장하거나 가공, 분석하는 과정
		연결화	☞ 형식지가 상호결합하면서 새로운 형식지를 창출하는 과정

빅데이터의 가치

1. 빅데이터의 가치

가치	설명
경제적 자산	☞ 새로운 기회를 창출하고, 위험을 해결하여 사회 및 경제 발전의 엔진 역할을 수행
불확실성 제거	☞ 사회현상, 현실 세계의 데이터를 기반으로 한 패턴 분석과 미래 전망 ☞ 여러 가지 가능성에 대한 시나리오 시뮬레이션
리스크 감소	☞ 환경, 소셜, 모니터링 정보의 패턴(Pattern) 분석을 통해 위험 징후 및 이상 신호 포착 ☞ 이슈를 사전에 인지 및 분석하고 빠른 의사 결정과 실시간 대응 ※ 패턴은 데이터들에서 나타는 규칙적인 특징(Feature)들의 집합이며 패턴 분석은 미가공된 데이터들에서 어떤 규칙성을 자동으로 찾아내고, 이 규칙성에 따라 각각의 그룹(카테고리)으로 분류하고 분석하는 작업을 의미함
스마트한 경쟁력	☞ 대규모 데이터 분석을 통한 실험 인지(Context Awareness), 인공지능 서비스 기능 ☞ 개인화, 지능화 서비스 제공 확대 ☞ 트렌드 변화 분석을 통한 제품 경쟁력 확보 ※ 실험 인지란 현실공간과 가상공간을 연결해 가상공간에서 현실의 상황을 정보화하고, 이를 활용해 사용자 중심의 지능화된 서비스를 제공하는 기술로 사용자의 직무·감정·위치를 인지해 사용자가 직접 입력하지 않아도 컴퓨팅이 알아서 해주는 것을 말함
타 분야 융합	☞ 타 분야와의 융합을 통한 새로운 가치 창출 ☞ 방대한 데이터 활용을 통한 새로운 융합시장 창출

2. 빅데이터의 가치 산정이 어려운 이유

원인	설명
데이터 활용 방식의 다양화	☞ 데이터의 재사용 및 재조합, 다목적용 데이터 개발 등이 일반화되면서 특정 데이터를 언제/어디서/누가 활용할지 알 수 없어서 가치 산정이 어려움 ☞ 데이터의 창의적 조합으로 인해 기존에 풀 수 없는 문제를 해결하는 데 도움을 주기 때문에 가치 산정이 어려움 ex) 구글은 검색 결과를 낼 때마다 클라우드에 저장된 웹 사이트 정보를 매번 사용
새로운 가치 창출	☞ 빅데이터 시대에 데이터가 기존에 없던 가치를 창출하여 가치 산정이 어려움 ex) 고객의 성향을 분석하여 고객 맞춤 서비스 제공
분석기술의 급속한 발전	☞ 비용 문제로 인해 분석할 수 없었던 것을 저렴한 비용으로 분석하면서 활용도가 증가하여 가치 산정이 어려움 ex) 텍스트 마이닝(Text Mining)을 통한 SNS 분석 ※ 텍스트 마이닝이란 대량의 텍스트 데이터로부터 패턴 또는 관계를 추출하여 의미 있는 정보를 찾아내는 기법으로 비정형/반정형 데이터에 대하여 자연어/문서 처리기술을 적용하여 의미 있는 정보를 추출하는 기법을 의미함

3. 빅데이터의 영향

대상	영향	설명
기업	☞ 혁신 수단 제공 ☞ 경쟁력 강화 ☞ 생산성 향상	☞ 소비자의 행동을 분석하고, 시장 변동을 예측해서 비즈니스 모델을 혁신하거나 신사업을 발굴 ☞ 원가절감, 제품 차별화, 기업 활동의 투명성 제고 등을 활용하여 경쟁사보다 경쟁 우위를 확보
정부	☞ 환경 탐색 ☞ 상황 분석 ☞ 미래 대응 가능	☞ 날씨, 교통 등 통계 데이터를 수집해 사회 변화를 추정하고 각종 재해 관련 정보를 추출 ☞ 사회관계망 분석(Social Network Analysis), 시스템 다이내믹스(System Dynamics)와 같은 분석 방식을 통해 미래 의재 도출 ※ 사회관계망 분석은 그룹에 속한 사람들 간의 네트워크 특성과 구조를 분석하고 시각화하는 분석기법을 의미함 ※ 시스템 다이내믹스는 사업이나 사회 시스템 등과 같은 복잡한 피드백 시스템을 연구하고 관리하는 방법을 의미함
개인	☞ 목적에 따른 활용	☞ 빅데이터 서비스를 저렴한 비용으로 활용 ☞ 적시에 필요한 정보를 획득

4. 빅데이터의 위기 요인

위기 요인	설명
사생활 침해	☞ 목적 외로 활용된 개인정보가 포함된 데이터의 경우 사생활 침해를 넘어 사회·경제적 위협으로 확대
책임 원칙 훼손	☞ 예측 기술과 빅데이터 분석기술이 발전하면서 분석 대상이 되는 사람들이 예측 알고리즘의 희생양이 될 가능성도 증가 ☞ 잠재적 위협이 아닌 명확한 결과에 대한 책임을 묻고 있는 민주주의 국가 원리를 회손할 가능성이 존재
데이터 오용	☞ 데이터 분석은 실제 일어난 일에 대한 데이터에 의존하기 때문에 이를 바탕으로 미래를 예측하는 것은 언제나 오류가 존재함 ☞ 잘못된 지표를 사용하는 것도 빅데이터의 피해가 될 수 있음

5. 빅데이터의 통제 방안

통제 방안	설명
알고리즘에 대한 접근 허용	☞ 예측 알고리즘의 부당함을 반증할 수 있는 알고리즘에 대한 접근권을 제공하여 데이터 오용의 위기 요소에 대한 대응 ☞ 알고리즘을 통해 불이익을 당한 사람들을 대변할 알고리즈미스트(Algorithmist)라는 전문가가 필요 ※ 알고리즈미스트는 알고리즘코딩 해석을 통해 빅데이터 알고리즘에 의해 부당하게 피해를 입은 사람을 구제하고, 데이터 사이언티스트가 한 일로 인한 부당 피해를 막는 역할을 하는 전문 인력을 의미함
책임의 강조	☞ 빅데이터를 통한 개인정보 침해 문제 해결을 위해 개인정보를 사용하는 사용자의 책임을 통해 해결하는 방안 강구 ☞ 사용자에게 개인정보의 유출 및 동의 없는 사용으로 발생하는 피해에 대해 책임을 지게 함으로써 사용 주체가 적극적인 보호 장치를 강구할 수 있도록 함
결과 기반에 책임 적용	☞ 책임의 강조를 위해서는 기존의 원칙 보강 및 강화와 예측 자료에 의한 불이익 가능성을 최소화하는 장치를 마련하는 것이 필요 ☞ 판단을 근거로 오류가 있는 예측 알고리즘을 통해서는 불이익을 줄 수 없으며, 방지를 위한 피해 최소화 장치 마련 필요

빅데이터 산업

• 스마트폰, SNS, 사물인터넷(IoT) 확산 등에 따라 데이터 활용이 증가하여 빅데이터는 신성장동력으로 급부상
• 클라우드 컴퓨팅(Cloud Computing) 기술의 발전으로 데이터 처리 비용이 급격하게 감소하여 빅데이터가 발전
• 클라우드 컴퓨팅은 인터넷을 통해 다수의 사용자들에게 가상화된 컴퓨터의 시스템 리소스를 요구하는 즉시 서비스로 제공하는 컴퓨팅 기술로 인터넷 기반 컴퓨팅의 일종임
• 주요국 및 글로벌 기업은 빅데이터 산업 육성 및 활용에 주력하고 있음
• 우리나라는 데이터 생산량이 많은 산업(통신·제조업 등)이 발달해 잠재력이 크지만, 불확실성에 따른 투자 리스크 등으로 활용은 저조함
• 산업별 빅데이터 활용을 보면 아래와 같음

산업	활용
의료·건강	☞ 헬스케어 플랫폼 등을 통한 개인 건강정보의 축적 및 의료기관 등과 공유·활용
과학기술	☞ 주요 분야의 연구·개발 성과물을 바탕으로 대규모 과학기술 빅데이터 공유·활용 플랫폼 구축
정보보안	☞ 빅데이터 분석을 통해 해킹 등의 보안사고 징후 파악 및 조기 대응·협업시스템 구축
제조·공정	☞ 완제품 품질향상 등을 위해 대기업이 빅데이터 시스템을 구축하고 납품 ☞ 중소·중견기업이 공동으로 활용(정부 예산 투자 또는 필요 SW의 개발 등 지원)
소비·거래	☞ 구매 패턴 및 트랜잭션 분석 등을 통한 소비 트렌드 예측, 시뮬레이션 등을 통한 판매 포트폴리오 구성 지원 및 리스크 관리 등
교통·물류	☞ 수요예측·제어 등 물류·유통체계 최적화

빅데이터 조직 및 인력

1. 빅데이터 업무 프로세스

단계	설명
도입	☞ 빅데이터 서비스를 제공하기 위해서는 빅데이터 시스템 구축을 위한 빅데이터 도입 기획, 기술 검토, 도입 조직 구성, 예산 확보 등을 수행
구축	☞ 빅데이터 플랫폼을 구축하기 위해서는 요구사항 분석, 설계, 구현, 테스트 단계를 수행
운영	☞ 빅데이터 시스템의 도입 및 구축이 끝나면, 이를 인수하여 운영 계획을 수립 ☞ 빅데이터 플랫폼 운영, 데이터 및 빅데이터 분석 모델 운영, 빅데이터 운영 조직, 빅데이터 운영 예산 고려

2. 빅데이터 조직 설계의 절차

조직 설계 절차

절차	설명
경영 전략 및 사업 전략 수립	☞ 기업이나 조직의 경영 전략, 산업 전략, 서비스 전략을 수립할 때 빅데이터 관련 사업이나 서비스에 대한 전략을 검토
전체 조직 구조 설계	☞ 경영 전략, 사업 전략, 서비스 전략을 수행할 수 있도록 기업이나 조직의 전체적인 수준에서 조직의 구조를 설계
핵심 업무 프로세스 검토	☞ 업무의 효율성을 고려하여 조직의 주요 핵심 업무 프로세스를 설계할 수 있도록 검토
팀 조직 구조 설계	☞ 전체 조직의 하부 조직인 팀 조직의 구조는 수직적인 구조와 수평적인 구조의 조직 유형을 고려하여 설계
핵심 인력 선발	☞ 팀 조직에 대하여 다양한 업무를 수행할 핵심 인력의 역할, 책임을 정의하여 향후 인력 선발에 참조
역할과 책임 할당	☞ 빅데이터 조직의 업무에 대한 적절한 역할과 책임을 할당
성과 측정 기준 수립	☞ 조직 구성원이 업무를 성공적으로 수행할 수 있도록 성과 목표 평가 기준 수립
역량 교육 및 훈련	☞ 조직 구성원의 성과 평가 후, 역량 강화를 위해 교육 계획을 수립하고 교육 훈련을 수행

3. 빅데이터 조직 구조 설계의 요소

㉮ 조직 구조 설계의 요소

요소	설명
업무 활동	☞ 조직의 임무와 목적을 달성하기 위하여 과업 수행을 위한 수직 업무 활동과 수평 업무 활동으로 구분 ☞ 수직 업무 활동 : 경영 계획, 예산 할당 등의 우선순위를 결정 ☞ 수평 업무 활동 : 업무 프로세스 절차별로 업무를 배분
부서화	☞ 조직의 임무와 목적을 효율적으로 달성하기 위한 조직 구조 유형 설계 ☞ 조직 구조 유형은 집중 구조, 기능 구조, 분산 구조로 분류(아래의 표 참고)
보고 체계	☞ 조직의 목표 달성을 위하여 업무 활동 및 부서의 보고 체계를 설계

㉯ 조직 구조 유형

유형	설명
집중 구조	☞ 전사 분석 업무를 별도의 분석 전담 조직(DSCoE)에서 담당 ☞ 전략적 중요도에 따라 분석조직이 우선순위를 정해서 집행 가능 ☞ 현업 업무부서의 분석 업무와 중복 및 이원화 가능성이 높음 ※ DSCoE(Data Science Center of Excellence)는 데이터 사이언스 전문가 조직을 의미함
기능 구조	☞ 일반적인 형태로 별도 분석조직이 없고 해당 부서에서 분석 수행 ☞ 전사적 핵심 분석이 어려우며 과거에 국한된 분석 수행
분산 구조	☞ 분석조직 인력들을 현업 부서로 직접 배치해 분석 업무를 수행 ☞ 전사 차원의 우선순위 수행 ☞ 분석 결과에 따른 신속한 피드백이 나오고 베스트 프랙티스(Best Practice) 공유가 가능 ☞ 업무 과다와 이원화 가능성이 존재할 수 있기에 부서 분석 업무와 역할 분담이 명확해야함

4. 빅데이터 조직 구조의 설계 특성

특성	설명
공식화	☞ 업무의 수행 절차, 수행 방법, 작업 결과 등의 기준을 사전에 설정하여 공식화
분업화	☞ 조직의 목표 달성을 위하여 업무 수행 시 업무를 분할하여 수행 ☞ 업무의 성격에 따라 여러 단위로 나누는 수평적 분할과 계획, 감독, 실무 업무 실행 등의 수준에 따라 나누는 수직적 분할로 구분
직무 전문화	☞ 직무 전문화는 수행 업무에 활용되는 직무 전문성의 유형을 의미하며, 직무 전문성에 따라 생산성이 증대되므로 전문 지식과 경험이 중요한 요소
통제 범위	☞ 관리자 효율적이며 효과적으로 관리할 수 있는 조직의 인원수
의사소통 및 조정	☞ 업무 수행 시 의사소통은 업무의 지시, 보고, 피드백 등 수직적인 활동과 문제 해결을 위한 협업 등 수평적인 활동으로 구분

5. 빅데이터 조직 역량

• 기업이나 조직의 목표 달성을 위해서는 우수 성과자의 기여가 중요한 요소임
• 우수 성과자의 행동 특성을 파악하여 타 조직원에게 전달 및 공유하면 조직의 목표를 달성하기 쉬워짐
• 우수 성과자의 행동하는 특성을 파악하여 업무 달성을 위한 지식, 스킬, 태도 등의 직무 역량 요소들을 도출하여 직무별 역량 모델을 만듬
• 데이터 사이언티스트(Data Scientist)의 요구역량에는 하드 스킬(Hard Skill)과 소프트 스킬(Soft Skill)이 있음
• 데이터 사이언티스트는 복잡한 비즈니스 문제를 모델링하고 인사이트를 도출하여 통계학, 알고리즘, 데이터 마이닝, 시각화 기법 등을 통해 가치를 찾아내는 사람을 의미하고 요구되는 역량은 아래와 같음

구분	스킬	설명
소프트 스킬 (Soft Skill)	분석의 통찰력	논리적 비판 능력, 창의적 사고력, 호기심
	여러 분야의 협력 능력	커뮤니케이션 능력
	설득력 있는 전달력	스토리텔링(Storytelling) 능력, 비주얼라이제이션(Visualization)
하드 스킬 (Hard Skill)	빅데이터 관련 이론적 지식	빅데이터 관련 기법 및 다양한 방법론 습득
	분석기술의 숙련도	목적에 맞는 최적 분석 설계, 노하우 축적

※ 가트너(Gartner)는 데이터 사이언티스트가 갖추어야 할 역량으로 분석 모델링, 데이터 관리, 소프트 스킬, 비즈니스 분석을 제시함

 

(1) 빅데이터 조직 역량 모델 개발 절차

순서	절차	설명
1	조직의 임무/성과/목표/CSF(Critical Success Factor) 검토	조직이 구성되면 조직의 임무, 조직의 성과 목표를 달성하기 위하여 CSF를 검토
2	조직 구성원의 행동 특성 도출	성과 목표 달성을 잘하는 우수 성과자의 행동 특성을 파악하여 도출
3	조직 구성원의 역량 도출	도출된 행동 특성을 기반으로 지식, 스킬, 태도 등을 도출하여 직무별 역량 모델을 생성
4	조직 구성의 역량 모델 확정	직무별 역량 모델을 업무 전문가, 인사 담당자가 검토하고 협의하여 확정

(2) 빅데이터 조직 역량 교육 체계 설계 절차

순서	절차	설명
1	요구사항 분석	☞ 직무별 역량 교육과 관련된 자료를 수집 ☞ 직무별 업무 전문가의 인터뷰를 통하여 자료를 수집 ☞ 교육에 대한 요구사항을 분석
2	직무별 역량 모델 검토	☞ 직무별 설계한 지식, 스킬, 태도 등 역량 모델을 검토
3	역량 차이 분석	☞ 직무별 역량 모델과 우수 성과자의 역량 차이를 분석하여 극복 방안을 도출
4	직무 역량 매트릭스 작성	☞ 직무 역량과 직무 역량 교육 요구사항을 반영하여 직무 역량과 교육 내용의 매트릭스를 작성
5	직무별 역량 교육 체계 설계	☞ 작성된 직무별 역량 매트릭스를 기반으로 필수 과정과 선택 과정으로 구분하여 업무 전문가와 인사 담당자가 검토 및 협의 ☞ 직무별 공청회 의견을 수렴하여 최종 역량 교육 체계를 설계

(3) 빅데이터 조직 성과 평가

• 조직 구성원은 업무 수행에 필요한 활동을 하고 이 활동이 조직의 목표 달성에 기여하므로 개인 성과에 대한 관리가 중요함
• 개인의 성과에 대한 목표 달성에 필요한 KPI(Key Performance Indicator)를 정의하고 관리함
• KPI는 사업, 부서, 개인 자원의 목표가 달성되었는지 그 실적을 추적하기 위한 정량화된 측정 지표를 의미함
• 아래의 표는 조직 성과 평가 절차를 나타냄

순서	평가 절차	설명
1	목표 설정	☞ 전략 목표의 후보를 선정하여 목표를 설정
2	모니터링	☞ 관리 및 측정 주기별로 전략 목표의 달성도를 점검 ☞ 조직의 목표 달성을 관리하여 기관(기업)의 전체적인 전략이 차질 없이 달성되도록 관리
3	목표 조정	☞ 목푯값은 기본적으로 애초에 계획을 변경하지 않도록 사전에 충분히 환경 분석 및 예측을 하여 목표를 설정
4	평가 실시	☞ 성과 지표별로 가중치와 목표치를 설정하여야 하며, 성과 지표별로 평가 점수 선정 기준을 마련
5	결과의 피드백	☞ 각 성과 지표를 목표치와 결과치를 비교하여 분석하고 차이가 큰 성과 지표를 개선하는 방안을 마련

• 조직의 성과 목표 달성을 위하여 회사의 비전이나 전략에 따라 성과 목표를 아래의 균형 성과표(Balanced Score Card) 네가지 관점으로 균형 있게 목표를 정하고 이를 조직 구성원 개개인에게 적용함

관점	설명
재무	☞ 기업의 주요 이해 관계자들에게 재무적인 지표를 통해 조직의 성과를 보여주기 위한 관점
고객	☞ 고객 관계 관리를 위한 관점 ☞ 기업에 수익을 가져다줄 수 있는 고객을 파악해 내고, 이들을 위한 고객 지향적 프로세스를 만들어 나가는 것이 고객 관계 관리의 핵심 성공 요인
내부 프로세스	☞ 내부 비즈니스 프로세스 관점은 성과를 극대화하기 위하여 기업의 핵심 프로세스 및 핵심 역량을 규명하는 과정에 관련한 관점
학습·성장	☞ 현재에는 그 가치가 보이지 않지만, 회사의 장기적인 잠재력에 대한 투자가 기업 성장에 얼마나 영향을 미칠 수 있을지를 파악

빅데이터 프로젝트

1. 플랫폼 구축형 프로젝트

• 전형적인 빅데이터 SI(System Integration) 구축형 사업
• 하드웨어와 소프트웨어 설치 및 구성
• 수집 → 적재 → 처리  → 탐색 → 분석 기능 구성
• 보통 3~6개월 정도가 소요되고, 이중 상당한 리소스가 내/외부 데이터 수집/적재에 사용됨
• 데이터의 마이그레이션과 주변 업무 시스템에서 발생하는 데이터의 양과 속성에 따라 기간이 크게 늘어날 수도 있음
• 조직은 크게 세 개의 파트로 나누며 각 파트마다 2~3명 정도를 배치하는데, 프로젝트의 규모, 비용, 구축 범위에 따라 그 이상이 투입이되기도 함
• PM(Project Manager)은 관리형 PM보다는 기술형 PM이 적합

2. 빅데이터 분석 프로젝트

• 플랫폼 구축 완료 후 6~12개월 정도 데이터를 모으면서 데이터에 대한 이해도가 높아지면 시작함
• 1~3개월로 짧게 수행하는데, 보통은 조직의 가치사슬 중 대규모 빅데이터 분석이 필요한 시점에 추진하면 효과적임
• 분석 프로젝트의 주제영역은 크게 세 가지로 분류할 수 있음
  1. 마케팅 분석 영역 ☞ 주로 고객 분석을 통해 차별화된 맞춤 전략을 수립하는 데 활용되는 영역
  2. 상품/서비스 분석 영역 ☞ 신규 BM을 개발할 때 다양한 상품/서비스의 속성(가격, 디자인, 타겟팅, 출시일 등)을 결정하는 데 활용되는 영역
  3. 리스크 분석 영역 ☞ 기업을 운영할 때 매우 다양한 내/외부 리스크가 존재하는데 이러한 리스크를 사전에 예방 및 예측하는 데 활용되는 영역 
• 분석 프로젝트가 현업의 참여 없이 IT가 중심이 되어 진행되는 경우에는 빅데이터의 분석과 활용이 전혀 고려되지 않을 수 있음
• 빅데이터 분석은 장기간에 걸쳐 많은 실패와 경험이 축적됐을 때 좋은 성과를 만들어낼 수 있음
• 관련 업무지식이 풍부한 비즈니스 전문가와 실제 빅데이터 분석을 수행하고 분석 모형을 개발하는 데이터 분석가, 데이터의 추가 수집과 전처리 기술력을 가진 데이터 엔지니어링 전문가로 구성

3. 빅데이터 운영 프로젝트

• 완성된 빅데이터 시스템을 중장기적으로 유지 관리하는 프로젝트
• 기술과 비즈니스 분야의 전문가 그룹이 반드시 필요하며, 이를 내재화 하지 않고 일련의 시스템처럼 외주 또는 ITO(IT Outsoursing)에 의존시 한계에 부딪치게 됨
• 전사 거버넌스가 가능한 수직화된 조직으로 구성