논문리뷰 : 데이터 거버넌스의 공통 도전 과제
Chakravorty, Rajib (2020)
Common challenges of data governance
Chakravorty, Rajib (2020, December 1). Common challenges of data governance. In the Journal of Securities Operations & Custody, Volume 13, Issue 1. https://doi.org/10.69554/GAKU4007.
https://hstalks.com/article/5973/common-challenges-of-data-governance/?business
Abstract
This paper focuses on the challenges that an organisation faces in the implementation of data governance.
이 논문은 조직이 데이터 거버넌스를 구현하면서 직면하는 도전 과제에 초점을 맞춘다.
The inclusions in the paper range from the definition of ‘data governance’ to leadership participation, data strategy, roles and responsibilities, related budgets and ownership, training and communication plan, organisational cultural aspects (with respect to data) and business value for sustainability of data governance.
논문에는 ‘데이터 거버넌스’의 정의부터 리더십 참여, 데이터 전략, 역할과 책임, 관련 예산 및 소유권, 교육 및 커뮤니케이션 계획, 조직 문화적 측면(데이터와 관련) 및 데이터 거버넌스 지속 가능성을 위한 비즈니스 가치까지 포함된다.
The paper elaborates some of the challenges and highlights the lacunae in the process like business value of data governance.
논문은 몇 가지 도전 과제를 상세히 설명하며, 데이터 거버넌스의 비즈니스 가치와 같은 과정상의 결함을 강조한다.
Before creating any governance structure, it is required to spend more time contemplating the ‘prime directive’ for data management.
거버넌스 구조를 생성하기 전에 데이터 관리의 ‘주요 지침’에 대해 더 많은 시간을 숙고해야 한다.
And the prime directive is straightforward and simple.
그리고 주요 지침은 명확하고 간단하다.
It means to deliver to the end user, data that they have trust and confidence in, and that is precisely what they expect it to be, without the need for manual reconciliation and multiple transformations.
이는 최종 사용자에게 신뢰하고 확신할 수 있는 데이터를 제공하며, 수동 조정과 여러 번의 변환 없이 사용자가 정확히 기대하는 데이터를 제공하는 것을 의미한다.
This is the goal of data governance.
이것이 데이터 거버넌스의 목표이다.
The paper also provides in-depth information about data governance and why it is critical for organisations.
논문은 데이터 거버넌스에 대한 심층적인 정보와 조직에 왜 중요한지에 대한 이유를 제공한다.
In this paper, one will get an overview of the challenges involved and how data governance can help the organisation; a clear idea of the benefits and risks; a look at practical, real-world examples and the details of the components of an effective data governance programme.
이 논문은 관련 도전 과제의 개요와 데이터 거버넌스가 조직에 어떻게 도움을 줄 수 있는지, 명확한 이점과 위험에 대한 아이디어, 실제 사례 및 효과적인 데이터 거버넌스 프로그램의 구성 요소에 대한 세부 정보를 제공한다.
In addition, it will also articulate the characteristics of a data-driven culture and the 8-Point Data Governance Model that can be utilised to design and develop a scalable, fit-for-purpose data governance programme for any organisation.
또한, 데이터 기반 문화의 특징과 모든 조직에 적합하고 확장 가능한 데이터 거버넌스 프로그램을 설계하고 개발할 수 있는 8가지 데이터 거버넌스 모델을 설명한다.
Keywords: data governance, data quality, data silos, data strategy, sustainability, data ownership, data culture, principle, metrics, data stewards
키워드: 데이터 거버넌스, 데이터 품질, 데이터 사일로, 데이터 전략, 지속 가능성, 데이터 소유권, 데이터 문화, 원칙, 지표, 데이터 관리인
INTRODUCTION
One of the biggest challenges for an organisation today is to pinpoint what data exists and its location, which must be accompanied by an agreed upon business understanding of what it all means in common terms, that are adopted across the enterprise.
오늘날 조직이 직면한 가장 큰 도전 과제 중 하나는 존재하는 데이터와 그 위치를 정확히 파악하는 것으로, 이는 전체 조직에서 채택된 공통 용어로 데이터가 무엇을 의미하는지에 대한 비즈니스적 합의가 수반되어야 한다.
Having that consistency is the only way to assure that insights generated by analyses are useful and actionable, regardless of business department or user exploring a question.
그러한 일관성을 유지하는 것이 비즈니스 부서나 사용자가 탐구하는 질문에 관계없이 분석에서 생성된 통찰이 유용하고 실행 가능함을 보장하는 유일한 방법이다.
Additionally, policies, processes and tools that define and control access to data by roles and across workflows are critical for security purposes.
추가적으로, 역할 및 워크플로우 전반에서 데이터 접근을 정의하고 통제하는 정책, 프로세스, 도구는 보안 목적으로 필수적이다.
These issues can be addressed with a comprehensive data governance strategy and technology to determine master datasets, discover the impact of potential glossary changes across the enterprise, audit and score adherence to rules, discover risks, and apply appropriate security to data flows, along with publishing data to people/roles in ways that are meaningful to them.
이러한 문제들은 마스터 데이터셋을 결정하고, 기업 전반에서 잠재적인 용어 변경의 영향을 발견하며, 규정 준수 여부를 감사하고 점수를 매기고, 위험을 발견하고, 데이터 흐름에 적절한 보안을 적용하며, 사람/역할에 적합한 방식으로 데이터를 배포할 수 있는 포괄적인 데이터 거버넌스 전략 및 기술로 해결할 수 있다.
Financial services organisations are built on data, so data governance is a critical concern.
금융 서비스 조직은 데이터에 기반을 두고 있으므로 데이터 거버넌스는 중요한 관심사이다.
But many firms have their own definition of data governance, which may be completely different from competitors.
하지만 많은 기업은 데이터 거버넌스에 대한 자체 정의를 가지고 있으며, 이는 경쟁사와 완전히 다를 수 있다.
For some financial institutions, data governance means establishing governance bodies and councils, while others consider data governance the process of defining data stewardship and workflow.
일부 금융 기관에서는 데이터 거버넌스를 거버넌스 기구와 위원회를 설립하는 것으로 정의하는 반면, 다른 기관들은 데이터 스튜어드십과 워크플로우를 정의하는 과정으로 간주한다.
Some financial services firms have master data management and data quality programmes established under the name of data governance, while others combine all of these aspects — governance bodies, data stewardship, metadata and master data management and data quality — under the data governance umbrella.
일부 금융 서비스 회사는 마스터 데이터 관리와 데이터 품질 프로그램을 데이터 거버넌스라는 이름으로 구축했으며, 다른 회사들은 거버넌스 기구, 데이터 스튜어드십, 메타데이터, 마스터 데이터 관리, 데이터 품질 등을 데이터 거버넌스의 범주에 통합한다.
The most common definitional mistake companies make is using ‘data governance’ synonymously with ‘data management’.
기업이 가장 흔히 범하는 정의상의 실수는 ‘데이터 거버넌스’를 ‘데이터 관리’와 동일시하는 것이다.
Data governance is the decision right and policy making for corporate data, while data management is the tactical execution of those policies.
데이터 거버넌스는 기업 데이터에 대한 결정 권한과 정책 수립이며, 데이터 관리는 이러한 정책의 전술적 실행이다.
Both require policy executive commitment, and both require investment, but data governance is business-driven by definition, while data management is a making for diverse and skills-rich IT (information technology) function that ideally reports to the Chief Information Officer (CIO).
두 개념 모두 정책 집행의 헌신과 투자가 필요하지만, 데이터 거버넌스는 본질적으로 비즈니스 주도이며, 데이터 관리는 기술적으로 풍부한 IT 기능의 산물로, 이상적으로는 최고 정보 책임자(CIO)에게 보고한다.
Here are examples of current data breaches that make data governance essential
데이터 거버넌스의 중요성을 보여주는 현재 데이터 침해 사례
• EasyJet admits data of nine million hacked.
• 이지젯은 900만 건의 데이터 해킹을 인정했다.
• A Virgin Media database containing the personal details of 900,000 people was left unsecured and accessible online for 10 months, the company has admitted.
• 버진 미디어는 90만 명의 개인 정보를 포함한 데이터베이스가 10개월 동안 보안되지 않고 온라인에서 접근 가능했음을 인정했다.
• Details of people who made complaints against the Financial Conduct Authority were inadvertently published.
• 금융감독기구(FCA)에 불만을 제기한 사람들의 세부 정보가 실수로 공개되었다.
• The MGM hack exposed data of 10.6 million hotel guests. Celebrities including Justin Bieber were among those whose data was stolen, one report said.
• MGM 해킹으로 1,060만 명의 호텔 고객 데이터가 노출되었다. 저스틴 비버를 포함한 유명인들의 데이터도 도난당한 것으로 한 보고서에서 언급되었다.
• Dixons Carphone fined £500,000 for data breach.
• 딕슨스 카폰은 데이터 침해로 50만 파운드의 벌금을 부과받았다.
• Sensitive US Army data was exposed online.
• 민감한 미군 데이터가 온라인에 노출되었다.
The common challenges of data governance include:
데이터 거버넌스의 일반적인 도전 과제는 다음과 같다:
• Lack of data leadership especially among senior level leadership
• 특히 고위 리더십에서 데이터 리더십 부족
• Lack of strategy/vision
• 전략/비전 부족
• Understanding the business value of data governance
• 데이터 거버넌스의 비즈니스 가치 이해 부족
• End-user computing
• 최종 사용자 컴퓨팅
• Pain caused by data
• 데이터로 인한 문제
• Failing to define data governance
• 데이터 거버넌스 정의 실패
• Budgets and ownership
• 예산 및 소유권 문제
• Data ownership
• 데이터 소유권 문제
• Roles and responsibilities
• 역할 및 책임 미정의
• Lack of data documentation
• 데이터 문서화 부족
• Culture and skills
• 문화 및 기술 부족
• Competing data ‘kingdoms’
• 경쟁하는 데이터 ‘왕국들’
• Lack of communication and education
• 커뮤니케이션 및 교육 부족
This details of each of these challenges are elaborated here individually:
이러한 도전 과제 각각의 세부 사항은 개별적으로 설명된다:
LACK OF DATA LEADERSHIP ESPECIALLY AMONG SENIOR LEVEL LEADERSHIP
특히 고위 리더십에서 데이터 리더십 부족
Data leadership is a challenge facing many organisations.
데이터 리더십은 많은 조직이 직면한 도전 과제이다.
Organisations are slowly acknowledging the fact that they need people to be responsible for their data, beyond the technology required to leverage and protect the data.
조직은 데이터를 활용하고 보호하는 데 필요한 기술 외에도 데이터를 책임질 사람이 필요하다는 사실을 점차 인정하고 있다.
That is the reason why the position of the Chief Data Officer (CDO) is working its way up to the level of prominence reserved in the past for the CIO.
이 때문에 최고 데이터 책임자(CDO)의 위치가 과거 최고 정보 책임자(CIO)가 맡았던 수준으로 중요성이 상승하고 있다.
‘The challenge of Data Leadership goes beyond working with data appropriately. We must orchestrate the many data activities to maximise the impact to the business.’
‘데이터 리더십의 도전은 데이터를 적절히 다루는 것을 넘어선다. 우리는 데이터 활동을 조율하여 비즈니스에 최대한의 영향을 미치게 해야 한다.’
In organisations where “the business” and IT are constantly at odds with one another, this is no simple feat.’
비즈니스와 IT가 끊임없이 대립하는 조직에서는 이것이 간단한 일이 아니다.’
Data governance initiatives are inherently complex because they affect one of the organisation’s most critical assets: information.
데이터 거버넌스 이니셔티브는 조직의 가장 중요한 자산 중 하나인 정보를 다루기 때문에 본질적으로 복잡하다.
In addition, at their core lies a mandate for company-wide change.
또한, 그 핵심에는 회사 전체의 변화를 요구하는 명령이 있다.
As a result, buy-in and enthusiasm are needed across the organisation, starting with executive leadership.
따라서 경영진 리더십을 시작으로 조직 전반의 동의와 열정이 필요하다.
Companies with strong data-driven cultures tend to have top managers who set an expectation that decisions must be anchored in data — that this is normal, not novel or exceptional.
데이터 기반 문화가 강한 기업은 의사결정이 데이터를 기반으로 해야 한다는 기대를 설정하는 최고 경영진을 두는 경향이 있다. 이는 새롭거나 예외적인 것이 아닌 정상적인 일이다.
They lead through example.
그들은 모범을 통해 리드한다.
At one retail bank, C-suite leaders together sift through the evidence from controlled market trials to decide on product launches.
한 소매 은행에서는 C-레벨 리더들이 함께 통제된 시장 실험의 증거를 분석하여 제품 출시를 결정한다.
At a leading tech firm, senior executives spend 30 minutes at the start of meetings reading detailed summaries of proposals and their supporting facts, so that they can take evidence-based actions.
한 선도적인 기술 회사에서는 고위 임원들이 회의 시작 시 30분을 할애하여 제안서와 이를 뒷받침하는 사실의 요약본을 읽고, 증거 기반의 행동을 취한다.
These practices propagate downwards, as employees who want to be taken seriously have to communicate with senior leaders on their terms and in their language.
이러한 관행은 아래로 전파되며, 진지하게 받아들여지고 싶은 직원들은 고위 리더들과 그들의 조건과 언어로 소통해야 한다.
The example set by a few at the top can catalyse substantial shifts in company-wide norms.
상층부의 몇몇 사람들이 설정한 모범은 회사 전체의 규범에 큰 변화를 일으킬 수 있다.
What does one do when they are lacking a CDO (assuming that governance is a big part of the CDO’s job) or have a CIO who is interested (or more adept) in directing technology efforts than in managing data and information?
CDO가 없거나(CDO의 주요 역할이 거버넌스라고 가정했을 때), 데이터와 정보를 관리하기보다는 기술 노력에 더 관심이 많거나 능숙한 CIO를 가진 경우 무엇을 해야 하는가?
The first thing needed to help them with is providing an understanding of the business value of data governance.
그들에게 가장 먼저 필요한 것은 데이터 거버넌스의 비즈니스 가치를 이해시키는 것이다.
UNDERSTANDING BUSINESS VALUE OF DATA GOVERNANCE
데이터 거버넌스의 비즈니스 가치 이해
It is extremely tempting to try to establish the governance structure before fully understanding what really is being governed and why one is establishing data governance in the first place.
데이터 거버넌스에서 무엇을 관리하는지, 그리고 왜 이를 수립해야 하는지에 대한 충분한 이해 없이 거버넌스 구조를 먼저 수립하려는 유혹은 매우 크다.
For some reason, the industry is in love with ‘process’ and obsessed with where we sit on the organisational chart.
어떤 이유에서인지, 업계는 ‘프로세스’에 집착하며 조직도에서 자신이 어디에 위치하는지에 지나치게 신경 쓴다.
We create Data Councils and populate them with senior management — before we know what these Councils need to do, where they should start, and how they should operate.
우리는 데이터 위원회를 만들고 이를 고위 경영진으로 구성하지만, 정작 이 위원회가 무엇을 해야 하는지, 어디서부터 시작해야 하는지, 어떻게 운영해야 하는지를 알기 전에 그렇게 한다.
Table 1: Business Alignment of Data GovernanceTable 1 shows the alignment of data governance to the business strategy /goal which is very critical for the success of data governance.
표 1은 데이터 거버넌스와 비즈니스 전략/목표 간의 정렬을 보여주며, 이는 데이터 거버넌스의 성공에 매우 중요한 요소이다.
Nothing is worse than having high-powered (and busy) executives all charged up about data — without a mature data governance mechanism and business operating model to help channel that commitment into action along with the business process integration.
성숙한 데이터 거버넌스 메커니즘과 비즈니스 운영 모델 없이, 데이터를 둘러싼 고위급 경영진의 열의를 비즈니스 프로세스 통합과 함께 행동으로 옮기지 못하는 것만큼 나쁜 것은 없다.
Investments in only the technology will do nothing to improve the quality and value of your present data.
기술에만 투자하는 것은 현재 데이터의 품질과 가치를 개선하는 데 아무런 도움이 되지 않는다.
It will, however, highlight data deficiencies.
그러나 이는 데이터의 결함을 부각시킬 것이다.
Again, the data will not govern itself.
다시 말해, 데이터는 스스로 관리되지 않는다.
The organisations acquire tools without documenting an overall business model for their usage, which leads to a scenario of multiple tools with overlapping capabilities and lack of interoperability and sharing.
조직은 도구의 사용을 위한 전체 비즈니스 모델을 문서화하지 않은 채 도구를 도입하며, 이는 중복된 기능과 상호 운용성 및 공유 부족을 초래한다.
While it is true that a successful data governance programme is built upon careful planning and valuable insights from people in business operations — data governance tools are just as important as any other factor, if not more.
성공적인 데이터 거버넌스 프로그램이 신중한 계획과 비즈니스 운영자들의 가치 있는 통찰력에 기반한다는 것은 사실이지만, 데이터 거버넌스 도구 역시 다른 요소들만큼이나 중요하다, 아니 그보다 더 중요할 수도 있다.
Before creating any governance structure, one needs to spend more time contemplating the ‘prime directive’ for data management.
거버넌스 구조를 만들기 전에, 데이터 관리의 ‘주요 지침’에 대해 더 많은 시간을 고민해야 한다.
And the prime directive is straightforward and simple.
그리고 주요 지침은 명확하고 간단하다.
It means to deliver to the end user, data that they have trust and confidence in and that is precisely what they expect it to be without the need for manual reconciliation and multiple transformations.
이는 최종 사용자에게 신뢰할 수 있고 정확히 그들이 기대하는 데이터를 제공하되, 수동 조정이나 여러 번의 변환이 필요하지 않게 한다는 것을 의미한다.
This is the goal of data management.
이것이 데이터 관리의 목표이다.
The real question is what is required to deliver against that directive.
진정한 질문은 그러한 지침을 충족시키기 위해 무엇이 필요한가이다.
The answer to that question is not always self-evident.
그 질문에 대한 답은 항상 자명하지 않다.
But the answer is essential if one intends to use these executives correctly.
그러나 이러한 경영진을 올바르게 활용하려면 이 질문의 답이 필수적이다.
END-USER COMPUTING
최종 사용자 컴퓨팅
This is the harsh reality of dealing with the problem of end-user computing.
이는 최종 사용자 컴퓨팅 문제를 다루는 데 있어 직면한 냉혹한 현실이다.
As we all know, our industry is very good at tactical repair and quite skilled at the art of workaround.
모두 알다시피, 우리 산업은 전술적 수리에 능하며, 임시방편적인 문제 해결 기술에 상당히 익숙하다.
We have a problem with data, so we fix it at the applications level.
우리는 데이터와 관련된 문제가 발생하면 이를 애플리케이션 수준에서 해결한다.
And we do so because we have control over that domain.
그리고 우리는 그 영역에 대한 통제권을 가지고 있기 때문에 그렇게 한다.
While most executive managers know that it is smarter to fix data at the core system level, they do not have the governance mechanisms in place to make that happen.
대부분의 경영진은 핵심 시스템 수준에서 데이터를 수정하는 것이 더 현명하다는 것을 알지만, 이를 실현할 수 있는 거버넌스 메커니즘을 갖추고 있지 않다.
So, they do what they need to do, in order to get themselves back into the game.
따라서 그들은 상황을 해결하기 위해 필요한 조치를 취한다.
Remember — the pressure on our industry is huge for delivery against short-term business objectives.
기억하라 — 우리 산업은 단기적인 비즈니스 목표를 달성하기 위한 압박을 크게 받고 있다.
It is the ‘quest for alpha’ and the need to deliver against the numbers that drive the firm.
이는 ‘알파를 추구’하고, 성과 수치를 맞추기 위한 요구가 회사를 움직이게 하는 것이다.
The ‘curse of the short view’ is truly a curse and it is also one that is embedded into the structural operations of the financial industry.
‘단기적 관점의 저주’는 진정한 저주이며, 이는 금융 산업의 구조적 운영에 깊이 뿌리박혀 있다.
It becomes ‘wicked’ when you look at the implications.
그 결과를 살펴보면 이는 ‘악성 문제’로 변모한다.
If hundreds of people are fixing data at the applications level — it quickly becomes an institutionalised problem.
수백 명의 사람들이 애플리케이션 수준에서 데이터를 수정한다면, 이는 곧 제도화된 문제가 된다.
It becomes hard (if not impossible) to unravel because now the ‘workaround’ is embedded.
이제 ‘임시방편’이 내재화되었기 때문에 이를 풀어내는 것은 매우 어렵거나 불가능해진다.
If you try to go back and fix the problem at the core system, you wind up breaking a lot of things that have been modified to fit the workaround that these firms have implemented.
핵심 시스템에서 문제를 해결하려고 시도하면, 이러한 회사들이 적용한 임시방편에 맞춰 수정된 많은 것들이 망가지게 된다.
It is this lack of a sustainable and empowered governance mechanism that results in tactical, end-of-chain fixes that have now become intractable — because of the interconnected nature of these applications.
지속 가능하고 권한 있는 거버넌스 메커니즘의 부재로 인해 전술적인, 최종 단계의 수정이 발생하며, 이러한 애플리케이션의 상호 연결된 특성 때문에 지금은 해결할 수 없는 문제가 되어버린다.
Ours is a limited understanding of the true nature of the data manufacturing process and the reticence we have for underlying forensic analysis.
우리는 데이터 제조 과정의 진정한 본질에 대한 이해가 제한적이며, 근본적인 포렌식 분석에 대해 소극적인 태도를 취하고 있다.
If there is one thing that data governance should be created to accomplish — it is to fix the underlying root cause of the data problem.
데이터 거버넌스가 이루어야 할 일이 있다면, 그것은 데이터 문제의 근본 원인을 해결하는 것이다.
That means we have to understand the data manufacturing process.
이는 데이터 제조 과정을 이해해야 한다는 것을 의미한다.
We have to understand the distinction between data attributes, calculation processes, risk aggregation methodologies and derived formulas.
우리는 데이터 속성, 계산 과정, 위험 집계 방법론 및 도출된 공식 간의 차이를 이해해야 한다.
We have to understand where data originates and how it flows through systems.
데이터가 어디에서 시작되고, 어떻게 시스템을 통해 흐르는지 이해해야 한다.
We have to embrace the reverse engineering process.
우리는 역공학 과정을 수용해야 한다.
What is really at stake here is the challenge of understanding and getting buy-in to ‘foundational’ processes.
여기서 진정으로 중요한 것은 ‘기초적인’ 프로세스를 이해하고 이에 대한 동의를 얻는 데 따른 도전 과제이다.
This is the boring (but absolutely essential) stuff.
이것은 지루하지만 절대적으로 필수적인 일이다.
This is about understanding the importance of core identification systems, data ontology, and other building blocks of data management that we should not speak about in polite company.
이는 핵심 식별 시스템, 데이터 온톨로지 및 데이터 관리의 구성 요소의 중요성을 이해하는 것에 관한 것이다. 이러한 주제는 보통 격식 있는 자리에서는 잘 다루지 않는다.
We all need to be in love with the concept of data content infrastructure.
우리 모두는 데이터 콘텐츠 인프라 개념을 사랑해야 한다.
We need to embrace data lineage.
우리는 데이터 계보를 수용해야 한다.
We need to understand data DNA because this is all about management of the chain of data supply starting with the basic elements that make up the core building blocks of the financial information industry.
우리는 데이터 DNA를 이해해야 한다. 왜냐하면 이는 금융 정보 산업의 핵심 구성 요소를 이루는 기본 요소에서 시작하여 데이터 공급 체인을 관리하는 것과 관련이 있기 때문이다.
PAIN CAUSED BY DATA
데이터로 인한 문제
Data governance must have a purpose.
데이터 거버넌스는 목적을 가져야 한다.
You must be able to quickly answer the question as to the purpose of your data governance programme.
데이터 거버넌스 프로그램의 목적이 무엇인지에 대해 빠르게 대답할 수 있어야 한다.
Do any of these scenarios sound familiar to you?
다음 시나리오 중 익숙하게 들리는 것이 있는가?
I do not trust this data.
나는 이 데이터를 신뢰하지 않는다.
Why do I have two different values for the same metric?
왜 동일한 지표에 대해 두 개의 다른 값이 존재하는가?
Where did this data come from?
이 데이터는 어디에서 왔는가?
Who owns data at our organisation?
우리 조직에서 데이터는 누가 소유하는가?
The return on investment that data governance can bring to your organisation is vast.
데이터 거버넌스가 조직에 가져다줄 수 있는 투자 수익은 막대하다.
Some benefits include:
몇 가지 이점은 다음과 같다:
• Accelerating management decisions involving multiple systems with centralised accountability, documented escalation process for issue resolution and improved information for management decisions.
• 중앙집중화된 책임, 문제 해결을 위한 문서화된 에스컬레이션 프로세스, 경영 의사결정을 위한 정보 개선을 통해 여러 시스템을 포함하는 경영 결정을 가속화한다.
• Reducing duplication of data, number of system interfaces and manual data entry processes.
• 데이터 중복, 시스템 인터페이스 수 및 수동 데이터 입력 프로세스를 줄인다.
• Increasing the accuracy and consistency of reports and dashboards, leading to improved decisions, fewer expensive errors based on poor or inconsistent data, and reduced rework from these errors.
• 보고서와 대시보드의 정확성과 일관성을 높여, 향상된 의사결정, 부정확하거나 일관되지 않은 데이터에 기초한 비용 높은 오류 감소, 그리고 이러한 오류로 인한 재작업을 줄인다.
• Reducing compliance issues.
• 컴플라이언스 문제를 줄인다.
If different parts of the business do not share a common vocabulary, you may have inconsistencies with your data even when reporting the same key performance indicator (KPI).
비즈니스의 각 부서가 공통된 용어를 공유하지 않으면, 동일한 핵심 성과 지표(KPI)를 보고할 때도 데이터 불일치가 발생할 수 있다.
Not only does this create a negative feedback loop of confusion and poor insights, it also makes it harder to launch a governance programme in the first place.
이는 혼란과 낮은 통찰력의 부정적인 피드백 루프를 생성할 뿐만 아니라, 처음부터 거버넌스 프로그램을 시작하는 것을 어렵게 만든다.
For example, multiple users may define their own ways of calculating important business metrics such as profitability and revenue.
예를 들어, 여러 사용자가 수익성 및 매출과 같은 중요한 비즈니스 지표를 계산하는 각자의 방법을 정의할 수 있다.
Even worse, these calculations are being conducted in separate Excel spreadsheets that are disconnected from the organisation’s centralised information assets.
더 나쁜 것은 이러한 계산이 조직의 중앙 집중화된 정보 자산과 연결되지 않은 별도의 Excel 스프레드시트에서 수행되고 있다는 것이다.
Because these files are not in sync with the company’s standardised processes or its single version of the truth, different departments would not be speaking the same language when they need to sit down at the table together.
이 파일들이 회사의 표준화된 프로세스나 단일 진실 소스(Single Version of Truth)와 동기화되지 않았기 때문에, 서로 다른 부서들이 함께 논의할 때 동일한 언어를 사용하지 못한다.
A study by NewVantage Venture Partners states that 84 per cent of companies surveyed launched advanced analytics and Big Data initiatives to bring greater accuracy and accelerate their decision-making.
NewVantage Venture Partners의 연구에 따르면, 조사 대상 기업의 84%가 고급 분석 및 빅데이터 이니셔티브를 시작하여 더 높은 정확성을 확보하고 의사결정을 가속화하기 위해 노력하고 있다고 한다.
Furthermore, Big Data delivers the most value to organisations as it decreases expenses by 49 per cent and creates new avenues for innovation and disruption by 44 per cent.
또한 빅데이터는 비용을 49% 절감하고, 혁신과 변화를 위한 새로운 기회를 44% 창출함으로써 조직에 가장 큰 가치를 제공한다.
FAILING TO DEFINE DATA GOVERNANCE
데이터 거버넌스 정의 실패
We define data governance as the organising framework for aligning strategy, defining objectives and establishing policies for enterprise information.
우리는 데이터 거버넌스를 전략 정렬, 목표 정의, 기업 정보 정책 수립을 위한 조직적 프레임워크로 정의한다.
What is really important is how you define data governance and how your organisation understands it.
정말 중요한 것은 데이터 거버넌스를 어떻게 정의하고 조직이 이를 어떻게 이해하느냐이다.
As nascent as it is, data governance has failed in more than one well-meaning company because people misinterpreted its meaning, its value and what shape data would eventually take in their companies.
비록 초기 단계이긴 하지만, 데이터 거버넌스는 그 의미, 가치, 그리고 데이터가 조직에서 궁극적으로 어떤 형태를 가질 것인지에 대해 사람들이 오해했기 때문에, 여러 선의의 기업에서 실패했다.
We need to change the data governance definition ever so slightly to include the need to not shame failing, but to encourage a process of monitoring, identifying, fixing, communicating and learning.
데이터 거버넌스 정의를 약간 수정하여, 실패를 부끄러워하지 않고, 모니터링, 문제 식별, 수정, 의사소통 및 학습의 프로세스를 장려할 필요성을 포함해야 한다.
Discouraging a continuous improvement process will only harm the company.
지속적인 개선 프로세스를 저해하는 것은 회사에 해를 끼칠 뿐이다.
It can seriously affect trust in and use of potentially valuable data and, in effect, the company’s bottom line.
이는 잠재적으로 가치 있는 데이터에 대한 신뢰와 사용에 심각한 영향을 미치며, 결국 회사의 수익에 영향을 미칠 수 있다.
Integrity is key not only in company’s data tools, but also its human data resources.
데이터 도구뿐만 아니라, 회사의 인적 데이터 자원에서도 무결성이 핵심이다.
At the same time, the challenges presented subsequently are a good starting point for delivering practical and pragmatic best practices that could put your programme at risk if not achieved.
동시에, 이후에 제시된 도전 과제들은 실용적이고 현실적인 모범 사례를 제공하는 출발점으로, 이를 달성하지 못하면 프로그램이 위험에 처할 수 있다.
Figure 2 Common Data Governance DefinitionsThe data governance definitions, which are commonly used in organisations, are articulated in the Figure 2 above.
조직에서 일반적으로 사용되는 데이터 거버넌스 정의는 위의 그림 2에서 명확히 설명되어 있다.
For this paper, we will follow the definition provided by DAMA International as it is widely followed for data governance.
이 논문에서는 데이터 거버넌스에서 널리 사용되는 DAMA International의 정의를 따를 것이다.
For this paper, we will follow the definition provided by DAMA International as it is widely followed for data governance.
이 논문에서는 데이터 거버넌스에서 널리 사용되는 DAMA International의 정의를 따를 것이다.
It is always a good thing to reiterate that data governance has a definite monetary value.
데이터 거버넌스가 명확한 금전적 가치를 가진다는 점을 반복해서 강조하는 것은 항상 좋은 일이다.
Proper and well-maintained data governance has significant impacts on the company’s bottom line by:
적절하고 잘 유지된 데이터 거버넌스는 다음과 같은 방식으로 회사의 수익에 중요한 영향을 미친다:
• Reducing the costs of data cleaning and increasing the productivity of your data scientists.
데이터 정리 비용을 줄이고 데이터 과학자의 생산성을 높인다.
• Reducing the spend on marketing caused by incorrect attributions.
잘못된 데이터 귀속으로 인한 마케팅 비용을 줄인다.
• Preventing decision-making processes caused by inaccurate insights.
부정확한 통찰로 인해 발생하는 의사결정 과정을 방지한다.
ROLES AND RESPONSIBILITIES
역할과 책임
It can be difficult to set roles and build accountability for data in an organisation that is siloed and has never had a company-wide strategy before.
데이터가 사일로로 분리되고 회사 차원의 전략이 없었던 조직에서는 역할을 설정하고 책임을 구축하는 것이 어려울 수 있다.
Communication, or a lack thereof, can also stifle new processes succeeding.
의사소통, 혹은 의사소통 부족은 새로운 프로세스의 성공을 저해할 수도 있다.
Building data governance processes should include managing people, their roles in governance, their access to data and determining who is accountable for implementing and maintaining the strategy over time.
데이터 거버넌스 프로세스를 구축할 때는 사람들을 관리하고, 거버넌스에서의 역할, 데이터 접근 권한, 그리고 전략을 실행 및 유지하는 데 책임이 있는 사람을 결정하는 작업을 포함해야 한다.
It is now becoming more common for businesses to have a CDO, with data governance being the mandate.
이제 데이터 거버넌스가 주요 임무가 된 CDO를 두는 기업이 점점 더 많아지고 있다.
The typical levels of people within a data governance organisation are given in the Figure 3.
데이터 거버넌스 조직 내의 일반적인 사람들 수준은 그림 3에 제시되어 있다.
Figure 3 Data governance levelsMany organisations find the identification of the cross-functional roles to be the most difficult hurdle when developing the roles of their data governance programme.
많은 조직이 데이터 거버넌스 프로그램의 역할을 개발할 때, 교차 기능적 역할을 식별하는 것을 가장 어려운 장애물로 느낀다.
At the cross-business unit level, the silos of data are broken down and the data is shared and extracted across business units.
비즈니스 단위 간 교차 수준에서 데이터의 사일로는 해체되며, 데이터는 비즈니스 단위 간 공유되고 추출된다.
Finding the appropriate people to fill the roles associated with decision-making for a specific subject matter of data is not easy.
특정 데이터 주제에 대한 의사결정과 관련된 역할을 맡을 적절한 사람을 찾는 것은 쉽지 않다.
Sometimes, this role becomes defined through policy.
때로는 이 역할이 정책을 통해 정의된다.
At other times, this role is fulfilled at the highest level of the organisation.
다른 경우에는 이 역할이 조직의 최고 수준에서 수행된다.
Then the role is taken over by someone who volunteers to play the role of facilitator across business units and who has no decision-making authority.
그 후 이 역할은 비즈니스 단위 간 조정자의 역할을 자발적으로 맡으나, 의사결정 권한이 없는 사람이 수행한다.
BUDGETS AND STAKEHOLDERS
예산과 이해관계자
It is often difficult to convince stakeholders in the organisation of the need for data governance programmes and to get budget.
조직 내 이해관계자들에게 데이터 거버넌스 프로그램의 필요성을 설득하고 예산을 확보하는 것은 종종 어렵다.
In addition, changes are often hindered by ingrained, but functioning processes, and deficiencies in information processing are compensated by not directly visible resources in business departments.
또한, 기존에 자리 잡은 프로세스가 작동 중이기 때문에 변화가 방해받는 경우가 많으며, 정보 처리의 결함은 비즈니스 부서에서 눈에 보이지 않는 자원으로 보완된다.
One of the challenges that most organisations face focuses on a budget that is available and the identification of whose budget data governance will land.
대부분의 조직이 직면하는 도전 과제 중 하나는 사용 가능한 예산과 데이터 거버넌스가 소속될 예산을 식별하는 것이다.
Some people believe that your governance programme will fail if it is budgeted (and therefore lands) under IT.
일부 사람들은 데이터 거버넌스 프로그램이 IT 예산 하에 포함될 경우 실패할 것이라고 믿는다.
Sourcing the budget needed for an initial project is easier today than ever before because there are new regulations that justify it (e.g., the General Data Protection Regulation).
초기 프로젝트에 필요한 예산을 확보하는 것은 GDPR(일반 데이터 보호 규정)과 같은 새로운 규정이 이를 정당화하기 때문에 과거보다 더 쉬워졌다.
It is, however, crucial that management also makes sufficient long-term resources available to finance all roles and functions required for robust data governance on an ongoing basis.
그러나 강력한 데이터 거버넌스를 지속적으로 유지하기 위해 필요한 모든 역할과 기능에 자금을 지원할 수 있도록 경영진이 충분한 장기 자원을 마련하는 것이 중요하다.
This applies to new positions, from data stewards to CDOs, as well as follow-up projects to further optimise data quality.
이는 데이터 관리인(Data Steward)에서 CDO까지의 새로운 직책뿐만 아니라, 데이터 품질을 더욱 최적화하기 위한 후속 프로젝트에도 적용된다.
Figure 4 Where does the budget for data governance come from?The survey in Figure 4 articulates the sources of data governance budget.
그림 4는 데이터 거버넌스 예산의 출처를 명확히 보여준다.
DATA OWNERSHIP
데이터 소유권
Data governance has to be owned and paid for by somebody.
데이터 거버넌스는 누군가가 소유하고 비용을 부담해야 한다.
If that somebody is IT, you will need to break the perception that IT ‘owns the data’.
그 누군가가 IT라면, IT가 데이터를 ‘소유한다’는 인식을 깨야 한다.
IT may ‘own’ the administration of data governance, but there should be recognition that ‘the business’ must steward the data.
IT는 데이터 거버넌스의 관리 측면을 ‘소유’할 수 있지만, ‘비즈니스’가 데이터를 관리해야 한다는 인식을 가져야 한다.
The people who define, produce and use the data are all stewards if they are being held formally accountable for how they define, produce and use the data.
데이터를 정의하고 생성하며 사용하는 사람들이 이를 정의하고 생성하며 사용하는 방식에 대해 공식적으로 책임을 진다면, 이들은 모두 관리인이다.
A lot of these are business people.
이들 중 다수는 비즈니스 담당자들이다.
There is a common belief in many organisations that IT owns the data and that business people are just users of the data.
많은 조직에서 IT가 데이터를 소유하고, 비즈니스 담당자들은 단지 데이터를 사용하는 사람이라는 일반적인 믿음이 있다.
Let us make it clear that this premise is false.
이 전제가 잘못되었다는 점을 분명히 하자.
Although this has been the perception over the years, we as practitioners should take it as our mission to dispel this myth.
비록 이러한 인식이 수년간 존재해 왔지만, 실무자로서 우리는 이 신화를 없애는 것을 우리의 사명으로 삼아야 한다.
IT has a lot of responsibility around the data — but defining, producing and using the data are not included in those responsibilities.
IT는 데이터와 관련하여 많은 책임이 있지만, 데이터를 정의하고 생성하며 사용하는 것은 이러한 책임에 포함되지 않는다.
IT, on its own, may have responsibility for making certain technology able to address the definition, production and use of data.
IT는 독자적으로 데이터 정의, 생성 및 사용을 다룰 수 있는 특정 기술을 구현할 책임을 가질 수 있다.
But most practitioners will agree that business people should be responsible for working alongside IT to define data and data requirements, produce high-quality data and use data for operational and decision-making purposes.
그러나 대부분의 실무자는 비즈니스 담당자가 IT와 협력하여 데이터를 정의하고 데이터 요구사항을 명확히 하며, 고품질 데이터를 생성하고 운영 및 의사결정 목적으로 데이터를 사용하는 책임을 져야 한다는 데 동의할 것이다.
Therefore, data governance has to be owned and budgeted by somebody from business.
따라서 데이터 거버넌스는 비즈니스 담당자가 소유하고 예산을 책정해야 한다.
LACK OF DATA DOCUMENTATION
데이터 문서화 부족
Data documentation is certainly a challenge.
데이터 문서화는 분명한 도전 과제이다.
What is the ‘right’ amount of data documentation to require?
필요한 ‘적절한’ 데이터 문서화의 양은 무엇인가?
What will people use that will make them utilise the data more efficiently and effectively?
사람들이 데이터를 더 효율적이고 효과적으로 활용하도록 만드는 것은 무엇인가?
What will increase their level of understanding of the data that is available to them, how that data is defined, produced and how it can add value to the business?
사용 가능한 데이터, 데이터의 정의 및 생성 방식, 그리고 비즈니스에 가치를 더할 수 있는 방식에 대한 이해를 높이는 것은 무엇인가?
Ask anybody who effectively uses any source of data, and they will tell you that their understanding of the data is what leads to its effective use.
어떤 데이터 소스를 효과적으로 사용하는 사람에게 물어보면, 데이터에 대한 이해가 데이터를 효과적으로 사용하는 데 필수적이라고 말할 것이다.
If an organisation cannot afford to lose a specific employee because of the institutional knowledge he/she possesses, then that person is a single point of failure.
조직이 특정 직원이 가진 조직 지식 때문에 그 직원을 잃을 수 없는 경우, 그 직원은 단일 실패 지점(single point of failure)이 된다.
Documenting that critical knowledge through a data governance programme can provide enterprise access to technical and institutional knowledge to keep the enterprise running smoothly and prevent the loss of vital, valuable intellectual property.
데이터 거버넌스 프로그램을 통해 이러한 중요한 지식을 문서화하면, 기업이 기술적 및 조직적 지식에 접근할 수 있게 되어 원활한 운영을 지원하고 중요한 지적 재산의 손실을 방지할 수 있다.
Metadata is a challenge for many organisations.
메타데이터는 많은 조직에서 도전 과제이다.
Metadata can be defined as ‘data about data’ or as ‘information stored in IT tools that improves both the business and technical understanding of data and data-related assets’.
메타데이터는 ‘데이터에 관한 데이터’ 또는 ‘데이터 및 데이터 관련 자산에 대한 비즈니스 및 기술적 이해를 향상시키는 IT 도구에 저장된 정보’로 정의될 수 있다.
Consider that metadata itself has to be governed.
메타데이터 자체도 거버넌스가 필요하다는 점을 고려해야 한다.
Someone needs to be formally responsible for defining what metadata or data documentation needs to be collected.
어떤 메타데이터나 데이터 문서화를 수집해야 하는지 정의하는 데 대해 누군가가 공식적으로 책임을 져야 한다.
Someone also needs to be formally accountable for producing that metadata, and hopefully, somebody will be formally accountable for using the metadata.
또한 메타데이터를 생성하는 데 대한 책임도 공식적으로 누군가가 져야 하며, 이상적으로는 메타데이터를 사용하는 데 대한 책임도 공식적으로 누군가가 져야 한다.
Data documentation is a challenge that must be addressed.
데이터 문서화는 반드시 해결해야 할 도전 과제이다.
And then there is the detailed matter of metadata storage, getting the metadata in order, metadata maintenance and metadata access.
그리고 메타데이터 저장, 메타데이터 정리, 메타데이터 유지 관리, 메타데이터 접근과 같은 구체적인 문제가 있다.
This challenge relates to several others including the resources to apply and budgets and ownership.
이 문제는 적용할 자원, 예산, 소유권 등 여러 다른 문제와 관련되어 있다.
COMPETING DATA ‘KINGDOMS’
경쟁하는 데이터 ‘왕국들’
As business functions experiment to solve unique business cases, they lean on purpose-built applications and data repositories that are complex and costly to integrate.
비즈니스 기능들이 고유한 비즈니스 사례를 해결하기 위해 실험할 때, 이들은 복잡하고 통합 비용이 많이 드는 맞춤형 애플리케이션과 데이터 저장소에 의존한다.
And the adoption of technologies outside IT’s managed infrastructure contributes to silos, preventing enterprise-wide data integration.
그리고 IT의 관리 인프라 외부에서 기술을 도입하는 것은 사일로를 초래하며, 기업 전체 데이터 통합을 방해한다.
Silos are probable when large departments have big budgets that they are willing to spend on shadow IT.
대규모 부서가 섀도 IT에 큰 예산을 기꺼이 쓸 때, 사일로가 발생할 가능성이 높다.
Large marketing departments are doing this for heavily data-driven business functions, such as digital marketing campaigns, customer analytics, and the massive data that comes from multichannel marketing.
대규모 마케팅 부서는 디지털 마케팅 캠페인, 고객 분석, 그리고 다채널 마케팅에서 생성되는 방대한 데이터와 같은 데이터 중심의 비즈니스 기능을 위해 이를 실행하고 있다.
In short, data silos cause wasted resources and inhibited productivity.
간단히 말해, 데이터 사일로는 자원의 낭비와 생산성 저하를 초래한다.
There are two overarching situations that arise from data silos: multiple teams either store the same data or they store complementary, but separate, data.
데이터 사일로로 인해 발생하는 두 가지 주요 상황은 다음과 같다: 여러 팀이 동일한 데이터를 저장하거나, 상호 보완적이지만 별개의 데이터를 저장한다.
Data silos can result from several factors, including cultural: competition or animosity between departments, which can cause those employees to keep data from each other, rather than working together.
데이터 사일로는 여러 요인에서 비롯될 수 있으며, 여기에는 부서 간 경쟁이나 적대감과 같은 문화적 요인이 포함되는데, 이는 직원들이 협력하기보다는 데이터를 서로 공유하지 않도록 만들 수 있다.
Data storage costs money. Letting different teams access the same dataset is much more efficient.
데이터 저장은 비용이 든다. 여러 팀이 동일한 데이터셋에 접근하도록 허용하는 것이 훨씬 더 효율적이다.
If you are trying to find budget somewhere, this may be the first place you want to look.
어디에서든 예산을 확보하려고 한다면, 이것이 가장 먼저 살펴봐야 할 영역일 수 있다.
On the other hand, a team may hold data that would be useful to another team were they able to access it.
반면, 한 팀이 다른 팀이 접근할 수 있다면 유용할 데이터를 보유하고 있을 수 있다.
Network operations and security operations have different tools and interfaces they use to do their jobs.
네트워크 운영 팀과 보안 운영 팀은 각자의 작업을 수행하기 위해 서로 다른 도구와 인터페이스를 사용한다.
But there are many situations where one could use the other’s data to solve an issue more efficiently.
그러나 한 팀이 다른 팀의 데이터를 사용하여 문제를 더 효율적으로 해결할 수 있는 경우가 많다.
CULTURE AND SKILLS
문화와 기술
The companies face cultural barriers to realising their data potential, including a struggle to escape from a status-quo mindset.
기업들은 데이터 잠재력을 실현하는 데 있어, 현재 상태를 유지하려는 사고방식에서 벗어나기 위한 투쟁 등 문화적 장벽에 직면해 있다.
Entrenched cultures and standard ways of working do not encourage leveraging or sharing data.
고착화된 문화와 표준화된 작업 방식은 데이터를 활용하거나 공유하는 것을 장려하지 않는다.
NewVantage Partners found that 72 per cent of companies have not forged a data culture, and 69 per cent have not created a data-driven organisation, indicating that the organisational culture has not yet evolved to prioritise data in most companies.
NewVantage Partners의 연구에 따르면, 기업의 72%가 데이터 문화를 형성하지 못했고, 69%가 데이터 중심 조직을 만들지 못했다고 한다. 이는 대부분의 기업에서 조직 문화가 아직 데이터를 우선시하는 방향으로 발전하지 않았음을 나타낸다.
The last barrier is the difficulty associated with democratising data.
마지막 장벽은 데이터를 민주화하는 데 따른 어려움이다.
While companies aspire to broad-based data access, tools and technologies are usually built for technical experts.
기업들은 광범위한 데이터 접근을 열망하지만, 도구와 기술은 보통 기술 전문가를 위해 설계된다.
The education and skills development required to turn everyone into a data expert lag behind the needs.
모든 사람을 데이터 전문가로 만들기 위해 필요한 교육과 기술 개발은 요구사항에 뒤처지고 있다.
Changing entrenched organisational paradigms and behaviours is perhaps the biggest obstacle for any governance effort.
고착화된 조직 패러다임과 행동을 변화시키는 것은 아마도 모든 거버넌스 노력에서 가장 큰 장애물일 것이다.
Examples include a corporate culture that stresses consensus over clear accountability, the absence of decision-making protocols, individuals unaccustomed to making decisions, or poor communication and planning.
예로는 명확한 책임보다 합의를 강조하는 기업 문화, 의사결정 프로토콜의 부재, 의사결정에 익숙하지 않은 개인들, 혹은 부족한 커뮤니케이션과 계획이 포함된다.
Common organisational constraints can derail governance before it begins.
일반적인 조직의 제약은 거버넌스가 시작되기도 전에 이를 좌절시킬 수 있다.
Figure 5 40% 60% Not data driven — Most companies have not forged a data cultureThe survey in Figure 5 articulates the typical state of data culture and data usage within organisations.
그림 5의 설문조사는 조직 내 데이터 문화와 데이터 사용의 일반적인 상태를 명확히 보여준다.
LACK OF STRATEGY/VISION
전략/비전 부족
The inability to access data affects companies in a variety of ways, many of which are minimised or go unnoticed.
데이터에 접근할 수 없는 것은 회사에 다양한 방식으로 영향을 미치며, 그중 많은 부분은 최소화되거나 눈에 띄지 않는다.
Companies have spent a huge amount of time and effort on mastering data management methods and other integration strategies in an attempt to eliminate silos.
기업들은 사일로를 제거하기 위해 데이터 관리 방법과 기타 통합 전략을 익히는 데 막대한 시간과 노력을 들였다.
But business processes and data are evolving faster than these integration strategies can handle them.
하지만 비즈니스 프로세스와 데이터는 이러한 통합 전략이 처리할 수 있는 속도보다 더 빠르게 진화하고 있다.
Many business processes were designed by humans many years ago, and they do not align with data processes.
많은 비즈니스 프로세스는 수년 전에 사람이 설계한 것으로, 데이터 프로세스와 일치하지 않는다.
A survey of 560 business executives by Harvard Business Review Analytic Services found that while 83 per cent of companies stress the importance of turning data into actionable insight, only 22 per cent feel their company is successful at doing this.
Harvard Business Review Analytic Services가 560명의 비즈니스 경영진을 대상으로 조사한 결과, 83%의 기업이 데이터를 실행 가능한 통찰로 전환하는 것의 중요성을 강조하지만, 단 22%만이 자사의 성공 가능성을 느낀다고 응답했다.
The idea behind developing a data strategy is to make sure all data resources are positioned in such a way that they can be used, shared and moved easily and efficiently.
데이터 전략을 개발하는 아이디어는 모든 데이터 리소스를 쉽게, 효율적으로 사용하고 공유하며 이동할 수 있도록 배치하는 데 있다.
Data is no longer a byproduct of business processing — it is a critical asset that enables processing and decision-making.
데이터는 더 이상 비즈니스 프로세스의 부산물이 아니다. 데이터는 프로세스와 의사결정을 가능하게 하는 중요한 자산이다.
A data strategy helps by ensuring that data is managed and used like an asset.
데이터 전략은 데이터가 자산처럼 관리되고 사용되도록 보장함으로써 도움을 준다.
It provides a common set of goals and objectives across projects to ensure data is used both effectively and efficiently.
이 전략은 데이터가 효과적이고 효율적으로 사용되도록 프로젝트 전반에 걸쳐 공통된 목표와 목적을 제공한다.
A data strategy establishes common methods, practices and processes to manage, manipulate and share data across the enterprise in a repeatable manner.
데이터 전략은 데이터를 관리, 조작 및 공유하기 위한 공통의 방법, 관행 및 프로세스를 설정하여 반복 가능한 방식으로 기업 전반에 적용한다.
Table 2: The Elements of Data Strategy
Table 2 shows the key components of the data strategy with respect to different outlooks.
표 2는 데이터 전략의 주요 구성 요소를 다양한 관점에서 보여준다.
While data benefits now largely focus on cost efficiencies, companies that break down data barriers can develop a strong data strategy with both top- and bottom-line benefits.
현재 데이터의 이점은 주로 비용 효율성에 초점을 맞추고 있지만, 데이터 장벽을 허무는 기업은 상위 및 하위 수익 모두에서 강력한 데이터 전략을 개발할 수 있다.
Top-performing companies — in terms of revenue, growth and agility — generate 10 per cent more of their total revenues from data, as compared with bottom performers, research from MIT found.
MIT의 연구에 따르면, 수익, 성장 및 민첩성 면에서 상위 기업들은 하위 기업에 비해 전체 매출의 10%를 데이터로부터 창출한다.
Companies that remove the barriers have unprecedented visibility and can use that information to identify new products, pinpoint customer needs, improve security and find countless other opportunities.
장벽을 제거한 기업은 전례 없는 가시성을 확보하며, 이 정보를 통해 새로운 제품을 식별하고, 고객의 니즈를 정확히 파악하며, 보안을 개선하고 수많은 기회를 찾아낼 수 있다.
They are able to quickly move from action to insight, leveraging the orchestration and automation provided by new technologies like machine learning and artificial intelligence.
이들은 머신러닝과 인공지능 같은 신기술이 제공하는 조율 및 자동화를 활용하여 빠르게 실행에서 통찰로 전환할 수 있다.
When companies commit to a data strategy aimed at overcoming data barriers, the insights that can come from new sources of data are surprising — and create a thirst for more.
기업들이 데이터 장벽 극복을 목표로 데이터 전략을 채택할 때, 새로운 데이터 소스에서 얻을 수 있는 통찰은 놀라움을 주며 더 많은 통찰에 대한 갈망을 만들어낸다.
As the power of data becomes more obvious, so does the need to make access to it ubiquitous.
데이터의 힘이 더 명확해질수록, 데이터에 대한 접근을 어디서나 가능하게 만들어야 할 필요성도 커진다.
Data-driven cultures look for new ways to share information, such as through augmented reality and virtual reality.
데이터 중심의 문화는 증강현실과 가상현실을 통한 정보 공유와 같은 새로운 방법을 모색한다.
The strength of the data strategy components is that they help you identify focused, tangible goals within each individual discipline area.
데이터 전략 구성 요소의 강점은 각 개별 분야에서 집중적이고 구체적인 목표를 식별하는 데 도움을 준다는 점이다.
Every company has a unique combination of skills and a different set of strengths and weaknesses.
모든 회사는 고유한 기술 조합과 서로 다른 강점과 약점을 가지고 있다.
Moving forwards with a data strategy starts with identifying the strengths and weaknesses that exist within your data environment (within each component area) — and identifying an achievable and measurable set of goals that will improve data access and sharing.
데이터 전략을 실행하려면 데이터 환경(각 구성 요소 영역 내)에 존재하는 강점과 약점을 식별하고, 데이터 접근 및 공유를 개선할 수 있는 달성 가능하고 측정 가능한 목표를 설정하는 것에서 시작해야 한다.
The components’ purpose is not to identify every potential activity within a data strategy; the components offer visibility into the different disciplines that contribute to a data strategy.
구성 요소의 목적은 데이터 전략 내의 모든 잠재적 활동을 식별하는 것이 아니다. 구성 요소는 데이터 전략에 기여하는 다양한 분야에 대한 가시성을 제공한다.
LACK OF COMMUNICATION AND TRAINING
커뮤니케이션 및 교육 부족
A Communications Plan should be developed early in the life of the project to ensure that communication needs are identified and plans are established to meet those needs.
프로젝트 초기에 커뮤니케이션 계획을 개발하여 커뮤니케이션 요구사항을 식별하고 이를 충족시키기 위한 계획을 수립해야 한다.
The Communications Plan identifies who needs information, what information they need, the frequency and vehicles for communication, and the parties responsible for providing, consolidating, and disseminating the information.
커뮤니케이션 계획은 누가 정보를 필요로 하는지, 어떤 정보가 필요한지, 커뮤니케이션의 빈도와 수단, 그리고 정보를 제공, 통합, 배포하는 책임자를 식별한다.
By providing a structured plan, we ensure that each stakeholder gets what he or she needs when they need it.
구조화된 계획을 제공함으로써 각 이해관계자가 필요할 때 필요한 것을 얻을 수 있도록 보장한다.
The problem is that communication is often overlooked as key stakeholders focus their efforts on getting things done, and this usually falls off their list of priorities.
문제는 주요 이해관계자들이 작업을 완료하는 데 집중하다가 커뮤니케이션을 간과하는 경우가 많으며, 이는 보통 우선순위에서 밀려난다는 점이다.
New data management processes and procedures can be frustrating, and workers feel adrift.
새로운 데이터 관리 프로세스와 절차는 좌절감을 줄 수 있으며, 직원들은 방향을 잃은 것처럼 느낄 수 있다.
Setting up a data management mentorship, in a way that gels with the corporate culture, helps transfer good data management practices.
기업 문화에 부합하는 방식으로 데이터 관리 멘토십을 설정하면, 우수한 데이터 관리 관행을 전수하는 데 도움이 된다.
If mentors have the time, they foster a positive mindset by listening to data management frustrations, validating them, and reframing them more helpfully towards being data-driven.
멘토가 시간이 있다면, 데이터 관리에 대한 좌절감을 듣고 이를 확인하며, 데이터 중심의 사고로 재구성함으로써 긍정적인 사고방식을 조성할 수 있다.
Mentors also would support the technical side of a mentee, making data systems and solutions less intimidating.
멘토는 멘티의 기술적 측면을 지원하여 데이터 시스템과 솔루션을 덜 위협적으로 만들 수 있다.
Thirdly, good mentors would identify data management successes and bring them to the forefront.
세 번째로, 좋은 멘토는 데이터 관리 성공 사례를 식별하고 이를 부각시킬 것이다.
This type of support would help foster a data-driven culture more quickly.
이러한 지원은 데이터 중심 문화를 더 빠르게 조성하는 데 도움이 된다.
DATA GOVERNANCE COMPONENTS
데이터 거버넌스 구성 요소
Figure 6 shows the various components of data governance that need to be considered for successful implementation.
그림 6은 성공적인 구현을 위해 고려해야 할 다양한 데이터 거버넌스 구성 요소를 보여준다.
Figure 6 Components of Data GovernanceGoals:
목표:
• To define, approve, and communicate data strategies, policies, standards, architecture, and metrics.
데이터 전략, 정책, 표준, 아키텍처 및 메트릭을 정의, 승인 및 소통하는 것.
• To track and enforce regulatory compliance and conformance to data policies, standards, and procedures.
규제 준수와 데이터 정책, 표준, 절차에 대한 준수를 추적하고 이를 강제하는 것.
• To sponsor, track, and oversee the delivery of data management projects and services.
데이터 관리 프로젝트 및 서비스의 실행을 후원, 추적 및 감독하는 것.
• To manage and resolve data-related issues.
데이터 관련 문제를 관리하고 해결하는 것.
• To understand and promote the value of data assets.
데이터 자산의 가치를 이해하고 이를 홍보하는 것.
Scope
범위
Identify and understand the data, systems and processes that need to work together to provide the needed data analytics to solve the problem.
문제를 해결하기 위해 필요한 데이터 분석을 제공하는 데 함께 작동해야 할 데이터, 시스템 및 프로세스를 식별하고 이해한다.
While we want to ‘start small’ so we can deliver useful results as quickly as possible, we want to do so in a way that, as more problems or issues are addressed, we build on a common framework that can scale up over time.
유용한 결과를 최대한 빠르게 제공하기 위해 ‘작게 시작’하려고 하지만, 더 많은 문제나 이슈가 해결될수록 시간이 지나면서 확장 가능한 공통 프레임워크를 기반으로 작업을 진행해야 한다.
Application area describes the specific problem area or issue to be addressed.
적용 영역은 해결해야 할 특정 문제 영역이나 이슈를 설명한다.
Ideally, this will be a defined problem that is really important to the organisation, not just a ‘nice to have’ or ‘low hanging fruit’ type of application.
이상적으로는 단순히 ‘있으면 좋을’ 문제나 ‘쉬운 해결책’이 아니라, 조직에 정말 중요한 정의된 문제여야 한다.
We want to engage with key stakeholders early on.
초기에 주요 이해관계자들과 협력하고자 한다.
Focusing on an important problem or issue will help us to get and keep their attention and support.
중요한 문제나 이슈에 집중하면 이해관계자들의 관심과 지지를 얻고 유지하는 데 도움이 된다.
Principle
원칙
A principle is a rule or belief that governs behaviour and consists of:
원칙은 행동을 규율하는 규칙이나 신념으로, 다음으로 구성된다:
• Statement
선언문
A description of the principle to be adopted
채택할 원칙에 대한 설명
• Rationale
이유
The reason(s) for adopting the principle
원칙을 채택하는 이유
• Implications
함의
The conclusions drawn from the principle
원칙으로부터 도출된 결론
• Key actions
주요 행동
The key actions required by functions to ensure the principles are adopted within the organisation.
원칙이 조직 내에서 채택되도록 보장하기 위해 각 기능에서 수행해야 할 주요 행동
Here are some sample principles:
다음은 몇 가지 예시 원칙이다:
• The Enterprise, rather than any individual or business unit, owns all data.
모든 데이터는 개별 사용자나 특정 부서가 아니라 조직 전체가 소유한다.
• Every data source must have a defined custodian (a business role) responsible for the accuracy, integrity and security of those data.
모든 데이터 소스는 해당 데이터의 정확성, 무결성 및 보안을 책임지는 명확히 정의된 관리인(비즈니스 역할)을 가져야 한다.
• Wherever possible, data must be simple to enter and must accurately reflect the situation; it must also be in a useful, usable form for both input and output.
가능한 한 데이터는 간단히 입력할 수 있어야 하며, 상황을 정확히 반영해야 한다. 또한 입력과 출력 모두에 유용하고 활용 가능한 형태여야 한다.
• Data should be collected only if it has known and documented uses and value.
데이터는 명확히 정의되고 문서화된 용도와 가치가 있을 경우에만 수집해야 한다.
• Data must be readily available to those with a legitimate business need.
데이터는 합법적인 비즈니스 필요성을 가진 사람들에게 즉시 이용 가능해야 한다.
• Processes for data capture, validation and processing should be automated wherever possible.
데이터 수집, 검증 및 처리 프로세스는 가능한 한 자동화되어야 한다.
• Data must be entered only once.
데이터는 한 번만 입력되어야 한다.
• Processes that update a given data element must be standard across the information system.
주어진 데이터 요소를 업데이트하는 프로세스는 정보 시스템 전체에서 표준화되어야 한다.
Governance Groups and Leadership
거버넌스 그룹과 리더십
The given governance structure in Figure 7 depicts the relationship between various stakeholders within the data governance organisation.
그림 7에 제시된 거버넌스 구조는 데이터 거버넌스 조직 내 다양한 이해관계자들 간의 관계를 보여준다.
Figure 7 Typical governance structureData stakeholders come from across the organisation.
데이터 이해관계자는 조직 전반에 걸쳐 존재한다.
They include groups who create data, those who use data and those who set rules and requirements for data.
이들은 데이터를 생성하는 그룹, 데이터를 사용하는 그룹, 그리고 데이터에 대한 규칙과 요구사항을 설정하는 그룹을 포함한다.
Because data stakeholders affect and are affected by data-related decisions, they will have expectations that must be addressed by the data governance programme.
데이터 이해관계자는 데이터 관련 결정에 영향을 미치고 영향을 받기 때문에, 데이터 거버넌스 프로그램이 해결해야 할 기대치를 가지고 있다.
Some will expect to be included in some kinds of data-related decisions.
일부는 데이터 관련 결정에 포함되기를 기대할 것이다.
Some will be expected to be consulted before decisions are formalised, and others will be satisfied to be informed of decisions after they are made.
일부는 결정이 공식화되기 전에 자문을 받기를 기대할 것이며, 다른 일부는 결정이 이루어진 후 통보받는 것으로 만족할 것이다.
Often, a subset of executive stakeholders will form a Data Governance Board to provide oversight to the programme, issue policies and resolve issues.
종종 경영진 이해관계자의 일부가 데이터 거버넌스 위원회를 구성하여 프로그램을 감독하고, 정책을 발행하며, 문제를 해결한다.
Other times, governance oversight is provided by an existing organisational body, such as an IT Steering Committee or an executive team.
다른 경우에는 IT 운영위원회나 경영진 팀과 같은 기존 조직체가 거버넌스 감독을 제공한다.
The Data Governance Office (DGO) facilitates and supports these governance activities.
데이터 거버넌스 사무국(DGO)은 이러한 거버넌스 활동을 촉진하고 지원한다.
It collects metrics and success measures and reports on them to data stakeholders.
DGO는 메트릭과 성공 측정을 수집하여 이를 데이터 이해관계자들에게 보고한다.
Ten mistakes to avoid when launching your data governance programme:
데이터 거버넌스 프로그램을 시작할 때 피해야 할 10가지 실수:
1. Not defining clear objectives and goals for the programme.
프로그램에 대한 명확한 목표와 목적을 정의하지 않는 것.
2. Failing to secure executive sponsorship and support.
경영진의 후원과 지지를 확보하지 못하는 것.
3. Overlooking the importance of cultural change within the organisation.
조직 내 문화 변화의 중요성을 간과하는 것.
4. Assuming IT alone can drive the programme.
IT만으로 프로그램을 주도할 수 있다고 가정하는 것.
5. Neglecting to communicate the value of data governance to stakeholders.
이해관계자들에게 데이터 거버넌스의 가치를 소통하지 않는 것.
6. Not allocating sufficient resources, both human and financial.
인적 및 재정적 자원을 충분히 할당하지 않는 것.
7. Failing to establish clear roles and responsibilities.
명확한 역할과 책임을 설정하지 않는 것.
8. Underestimating the complexity of implementing data governance.
데이터 거버넌스 구현의 복잡성을 과소평가하는 것.
9. Ignoring the importance of ongoing training and education.
지속적인 교육 및 훈련의 중요성을 무시하는 것.
10. Failing to measure and report on progress and success.
진행 상황과 성공을 측정하고 보고하지 않는 것.
DATA STEWARDS
데이터 관리자
The Data Stewardship Council consists of a set of data stakeholders who come together to make data-related decisions.
데이터 관리 위원회는 데이터 관련 결정을 내리기 위해 모인 데이터 이해관계자로 구성된다.
They may set policy and specify standards, or they may craft recommendations that are acted on by a higher-level Data Governance Board.
이들은 정책을 설정하고 표준을 지정하거나, 상위 데이터 거버넌스 위원회에서 실행할 권고안을 작성할 수 있다.
Sometimes — especially for large organisations — a single level of stewards is inadequate.
때로는, 특히 대규모 조직의 경우 단일 수준의 관리자로는 부족하다.
In this case, a hierarchy of stewards may exist.
이 경우, 계층적인 관리자 구조가 존재할 수 있다.
With large or small organisations, the Data Stewardship Council may break out into teams or working groups that address specific data issues or decisions.
대규모 또는 소규모 조직 모두에서 데이터 관리 위원회는 특정 데이터 문제나 결정을 다루는 팀이나 작업 그룹으로 나뉠 수 있다.
Data governance programmes with a focus on data quality may also include data quality stewards.
데이터 품질에 중점을 둔 데이터 거버넌스 프로그램에는 데이터 품질 관리자가 포함될 수 있다.
These roles typically report to a business function or data quality team, with dotted-line accountabilities to data governance.
이 역할은 일반적으로 비즈니스 기능 또는 데이터 품질 팀에 보고하며, 데이터 거버넌스에 대해 점선 형태의 책임을 진다.
These stewards examine sets of data against criteria for completeness, correctness and integrity.
이 관리자들은 데이터 세트를 완전성, 정확성, 무결성 기준에 따라 검토한다.
They make corrections as appropriate and refer other issues to the DGO.
적절한 경우 수정을 수행하며, 다른 문제는 DGO에 전달한다.
DATA POLICIES
데이터 정책
The description and nature of data policies are given below along with examples:
데이터 정책의 설명과 성격은 아래 예와 함께 제시된다:
• These are statements of intent and fundamental rules governing the creation, acquisition, integrity, security, quality and use of data and information.
이는 데이터와 정보의 생성, 획득, 무결성, 보안, 품질 및 사용을 규제하는 의도와 기본 규칙을 나타낸다.
• Policies are more fundamental, global and business-critical than data standards.
정책은 데이터 표준보다 더 기본적이고, 전반적이며, 비즈니스에 중요한 요소이다.
• Policies describe what to do and what not to do.
정책은 해야 할 것과 하지 말아야 할 것을 설명한다.
• There should be few data policies stated briefly and directly.
데이터 정책은 간결하고 직접적으로 서술된 소수여야 한다.
Possible topics for data policies:
데이터 정책의 가능한 주제:
• Data modelling and other data development activities
데이터 모델링 및 기타 데이터 개발 활동
• Development and use of data architecture
데이터 아키텍처 개발 및 사용
• Data quality expectations, roles and responsibilities
데이터 품질 기대치, 역할 및 책임
• Data security, including confidentiality classification policies, intellectual property policies, personal data privacy policies, general data access and usage policies and data access by external parties
데이터 보안, 기밀성 분류 정책, 지적 재산권 정책, 개인 데이터 프라이버시 정책, 일반 데이터 접근 및 사용 정책, 외부 기관의 데이터 접근
Processes
프로세스
Business processes are the primary means of executing business strategies and policies.
비즈니스 프로세스는 비즈니스 전략과 정책을 실행하는 주요 수단이다.
They are the specific operations, methods, tasks and actions that convert inputs into a product or service.
이는 입력을 제품이나 서비스로 전환하는 구체적인 작업, 방법, 태스크, 행동이다.
Every organisation can be decomposed into processes because processes comprise the day-to-day operations of the business and how it manages assets and affairs.
모든 조직은 프로세스로 분해될 수 있으며, 프로세스는 비즈니스의 일상 운영과 자산 및 업무를 관리하는 방식을 구성한다.
The following are processes that define data management in service to a data governance initiative:
다음은 데이터 거버넌스 이니셔티브를 지원하는 데이터 관리를 정의하는 프로세스이다:
• Business Glossary:
비즈니스 용어집:
The business glossary captures business and technical definitions, establishing relationships and defining process workflow.
비즈니스 용어집은 비즈니스 및 기술 정의를 포함하며, 관계를 설정하고 프로세스 워크플로를 정의한다.
• Data Catalog:
데이터 카탈로그:
The data catalog integrates datasets from various sources and provides access to all underlying metadata for easy entry to enterprise data.
데이터 카탈로그는 다양한 소스의 데이터 세트를 통합하고, 기업 데이터에 쉽게 접근할 수 있도록 모든 메타데이터에 대한 접근 권한을 제공한다.
• Data Lineage:
데이터 계보:
Data lineage is a way to track data from its origin to its destination across processes. Managed metadata captures enterprise data flow and presents data lineage.
데이터 계보는 데이터를 기원지에서 목적지까지 프로세스를 통해 추적하는 방법이다. 관리된 메타데이터는 기업 데이터 흐름을 포착하고 데이터 계보를 제시한다.
• Data Mapping:
데이터 매핑:
Data mapping refers to the mapping of source-to-target columns with the associated transformations. Natural language mappings can be automated to discover and document data movement and automatically generate code components across multiple platforms.
데이터 매핑은 소스-타겟 열과 관련된 변환을 매핑하는 것을 의미한다. 자연어 매핑은 데이터 이동을 발견하고 문서화하며, 여러 플랫폼에서 코드 구성 요소를 자동 생성할 수 있다.
• Data Quality:
데이터 품질:
Data quality involves automated data validation, data remediation, monitoring of data rules, and discovery and mapping of sensitive data for compliance audit standards.
데이터 품질은 데이터 규칙의 자동 검증, 데이터 수정, 데이터 규칙 모니터링, 준수 감사 표준을 위한 민감 데이터의 탐지 및 매핑을 포함한다.
ISSUE MANAGEMENT
문제 관리
Data governance assists in identifying, managing and resolving data-related issues, such as:
데이터 거버넌스는 다음과 같은 데이터 관련 문제를 식별, 관리, 해결하는 데 도움을 준다:
• Data quality issues
데이터 품질 문제
• Data naming and definition conflicts
데이터 명명 및 정의 갈등
• Business rule conflicts and clarifications
비즈니스 규칙 갈등 및 명확화
• Data security, privacy and confidentiality issues
데이터 보안, 프라이버시 및 기밀성 문제
• Regulatory noncompliance issues
규제 비준수 문제
• Nonconformance issues (policies, standards, architecture and procedures)
비준수 문제(정책, 표준, 아키텍처 및 절차)
• Conflicting stakeholder interests in data and information
데이터 및 정보에 대한 이해관계자 간의 충돌
• Organisational and cultural change management issues
조직 및 문화적 변화 관리 문제
Data governance implements issue controls and procedures, such as:
데이터 거버넌스는 다음과 같은 문제 관리 및 절차를 구현한다:
• Identifying, capturing, logging and updating issues
문제 식별, 캡처, 기록 및 업데이트
• Tracking the status of issues
문제 상태 추적
• Documenting stakeholder viewpoints and resolution alternatives
이해관계자 관점과 해결 대안 문서화
• Ensuring objective, neutral discussions where all viewpoints are heard
모든 관점이 수용되는 객관적이고 중립적인 논의 보장
• Escalating issues to higher levels of authority
문제를 상위 권한 수준으로 에스컬레이션
• Determining, documenting and communicating issue resolutions
문제 해결 방안을 결정, 문서화 및 소통
DATA STANDARDS AND PROCEDURES
데이터 표준 및 절차
Data standards and procedures include naming standards, requirement specification standards, data modelling standards, database design standards, architecture standards and procedural standards for each data management function.
데이터 표준 및 절차는 명명 표준, 요구사항 명세 표준, 데이터 모델링 표준, 데이터베이스 설계 표준, 아키텍처 표준 및 각 데이터 관리 기능에 대한 절차적 표준을 포함한다.
They must be effectively communicated, monitored, enforced and periodically re-evaluated.
이는 효과적으로 소통되고, 모니터링되며, 강제 적용되고, 정기적으로 재평가되어야 한다.
Possible topics for data standards and procedures include:
데이터 표준 및 절차의 가능한 주제는 다음과 같다:
• Data modelling and architecture standards, including data naming conventions, definition standards, standard domains and standard abbreviations
데이터 명명 규칙, 정의 표준, 표준 도메인 및 표준 약어를 포함한 데이터 모델링 및 아키텍처 표준
• Standard business and technical metadata to be captured, maintained and integrated
캡처, 유지 및 통합할 표준 비즈니스 및 기술 메타데이터
• Data model management guidelines and procedures
데이터 모델 관리 지침 및 절차
• Metadata integration and usage procedures
메타데이터 통합 및 사용 절차
• Data security standards and procedures
데이터 보안 표준 및 절차
Tools
도구
As data and its applications have become crucial for organisations, the importance of data governance tools to safeguard the integrity of data assets has increased.
데이터와 데이터 응용이 조직에 있어 중요해짐에 따라, 데이터 자산의 무결성을 보호하기 위한 데이터 거버넌스 도구의 중요성이 증가했다.
While it is true that a successful data governance programme is built upon careful planning and valuable insights from people in business operations, data governance tools are just as important as any other factor, if not more.
성공적인 데이터 거버넌스 프로그램이 세심한 계획과 비즈니스 운영 담당자의 가치 있는 통찰력에 기반을 두고 있다는 것은 사실이지만, 데이터 거버넌스 도구는 다른 어떤 요소만큼이나 중요하며, 경우에 따라서는 더 중요하다.
Tailored data governance policy is essential. No data governance policy can suit all organisations.
맞춤형 데이터 거버넌스 정책은 필수적이다. 모든 조직에 적합한 데이터 거버넌스 정책은 존재하지 않는다.
Decision-makers, data experts and members from business operations need to work together and tailor a data governance policy that meets the data requirements of that particular organisation.
의사결정자, 데이터 전문가, 비즈니스 운영 부문 구성원들은 협력하여 해당 조직의 데이터 요구사항을 충족하는 데이터 거버넌스 정책을 맞춤화해야 한다.
Organisations believe that human error is a major cause of data inaccuracies, which makes the participation of all departments crucial for the success of these policies.
조직들은 데이터 부정확성의 주요 원인이 인간의 실수라고 믿으며, 이는 이러한 정책의 성공을 위해 모든 부서의 참여가 중요하다는 것을 의미한다.
Some of the important factors that dictate data governance decisions are:
데이터 거버넌스 결정을 좌우하는 몇 가지 중요한 요소는 다음과 같다:
• Internal functionality requirements
내부 기능 요구사항
• Data collection methods
데이터 수집 방법
• Quality and size of data
데이터의 품질과 크기
• Business goals
비즈니스 목표
• Data storage framework
데이터 저장 프레임워크
• Extent of automation
자동화 범위
The first step of creating a data governance policy tailored to the organisation is designing the framework for various data operations depending upon functionalities needed and analytical capabilities.
조직에 맞춤화된 데이터 거버넌스 정책을 수립하는 첫 번째 단계는 필요한 기능 및 분석 능력에 따라 다양한 데이터 작업을 위한 프레임워크를 설계하는 것이다.
Once the framework is decided upon, the decision-makers and various stakeholders need to get on the same page.
프레임워크가 결정되면, 의사결정자와 다양한 이해관계자들은 같은 방향으로 나아가야 한다.
This can be achieved only if the framework is beneficial and drives value for the different cross-functional partners.
이것은 프레임워크가 이점이 있으며 다양한 교차 기능 파트너들에게 가치를 제공할 때만 달성될 수 있다.
Once the broad goals of the data governance policy are finalised, one needs to start looking for data governance tools that suit the framework and data operations.
데이터 거버넌스 정책의 광범위한 목표가 확정되면, 프레임워크와 데이터 작업에 적합한 데이터 거버넌스 도구를 찾기 시작해야 한다.
EDUCATION
교육
We need to understand concepts like data manufacturing and the role others play in the management of the information chain of supply.
우리는 데이터 제조 및 정보 공급 체인 관리에서 다른 사람들이 수행하는 역할과 같은 개념을 이해해야 한다.
Education is critical. Data stewards need to be educated about business requirements (although the author maintains that it is easier to teach business people about data than it is to teach data people about business).
교육은 중요하다. 데이터 관리자는 비즈니스 요구사항에 대해 교육을 받아야 한다(작성자는 데이터 전문가에게 비즈니스에 대해 교육하는 것보다 비즈니스 담당자에게 데이터를 교육하는 것이 더 쉽다고 주장한다).
Business needs to understand the data production process.
비즈니스는 데이터 생산 프로세스를 이해해야 한다.
AUDIT AND METRICS
감사와 메트릭
Managing expectations from a data governance programme takes effort, which can be significantly minimised by using quantifiable KPIs and metrics.
데이터 거버넌스 프로그램에서 기대치를 관리하는 데는 노력이 필요하며, 이는 정량화 가능한 KPI와 메트릭을 사용하여 상당히 줄일 수 있다.
Governance goals such as ‘effective use of business intelligence tools’ or ‘improved business–IT collaborations’ are difficult to quantify and unlikely to result in a long-term data governance programme.
‘비즈니스 인텔리전스 도구의 효과적인 사용’이나 ‘비즈니스-IT 협력 개선’과 같은 거버넌스 목표는 정량화하기 어렵고, 장기적인 데이터 거버넌스 프로그램으로 이어질 가능성이 낮다.
Examples of Business and IT Metrics
비즈니스 및 IT 메트릭의 예시
Given subsequently are examples of common governance metrics for financial services firms.
다음은 금융 서비스 회사에서 사용되는 일반적인 거버넌스 메트릭의 예시이다.
• Percentage of applications that are actively governed through the data governance programme, master data management, metadata management, and data quality management.
데이터 거버넌스 프로그램, 마스터 데이터 관리, 메타데이터 관리 및 데이터 품질 관리를 통해 적극적으로 관리되는 애플리케이션의 비율.
• Number of data attributes defined, in business and technical metadata, by entity, by subject area, and approved by the Data Governance Committee.
비즈니스 및 기술 메타데이터에서 정의된 데이터 속성 수(엔터티, 주제 영역별), 그리고 데이터 거버넌스 위원회의 승인을 받은 속성 수.
SHOWING THE VALUE FOR SUSTAINABILITY OF DATA GOVERNANCE
데이터 거버넌스의 지속 가능성을 위한 가치 입증
After the initial effort, stakeholders and business sponsors often struggle to show the value of sustained data governance programmes as ongoing cost-benefits and return on investment can be difficult to quantify.
초기 노력이 이루어진 후, 이해관계자와 비즈니스 스폰서들은 지속적인 데이터 거버넌스 프로그램의 가치를 입증하는 데 어려움을 겪는데, 이는 지속적인 비용-편익과 투자 수익률을 정량화하기 어려운 경우가 많기 때문이다.
While regulatory and compliance needs are compelling reasons to sustain a data governance programme, other data governance drivers may be lower priority for the enterprise and result in reduced budgets and waning stakeholder interest.
규제 및 준수 요구가 데이터 거버넌스 프로그램을 지속해야 하는 강력한 이유이긴 하지만, 다른 데이터 거버넌스 동인은 조직 내에서 우선순위가 낮아질 수 있으며, 이는 예산 감소와 이해관계자 관심 약화로 이어질 수 있다.
Enforcement for data governance initiatives must come from the top of the organisation.
데이터 거버넌스 이니셔티브의 실행은 조직의 최고위층에서 시작되어야 한다.
To be effective, data governance should, however, become part of organisational processes, not add a new level of bureaucracy to information management.
효과적이기 위해 데이터 거버넌스는 정보 관리에 새로운 관료적 단계를 추가하는 것이 아니라 조직 프로세스의 일부가 되어야 한다.
As part of designing the governance programme, together business and IT should take the following steps:
거버넌스 프로그램을 설계하는 과정에서, 비즈니스와 IT는 다음 단계를 함께 진행해야 한다:
• Decide on data governance goals based on defined business drivers.
정의된 비즈니스 추진 요인을 기반으로 데이터 거버넌스 목표를 설정한다.
• Obtain buy-in with executive sponsors, business and IT stakeholders, and other relevant parties.
경영진 후원자, 비즈니스 및 IT 이해관계자, 기타 관련 당사자들의 동의를 얻는다.
• Define a data management strategy and operationalisation plan that is aligned to business goals.
비즈니스 목표에 부합하는 데이터 관리 전략 및 실행 계획을 정의한다.
• Clearly define accountabilities and responsibilities.
책임과 역할을 명확히 정의한다.
• Infuse and instil governance into existing development life cycle processes. Data governance should be embedded in a financial institution’s DNA, not a separate process.
기존 개발 생명 주기 프로세스에 거버넌스를 주입하고 정착시킨다. 데이터 거버넌스는 금융 기관의 DNA에 통합되어야 하며, 별도의 프로세스가 되어서는 안 된다.
• Develop a measurable, metrics-based ongoing feedback and improvement programme.
측정 가능한 메트릭 기반의 지속적인 피드백 및 개선 프로그램을 개발한다.
• Establish a reward-based feedback process for both business and IT.
비즈니스와 IT를 위한 보상 기반 피드백 프로세스를 수립한다.
Business value measures are ways to attribute business value to:
비즈니스 가치 측정은 다음과 같은 방식으로 비즈니스 가치를 할당하는 방법이다:
a) implementation of the information governance programmes;
정보 거버넌스 프로그램의 구현;
b) data standardisation; and
데이터 표준화; 그리고
c) improved data management discipline across the enterprise and in projects.
기업 및 프로젝트 전반에 걸친 데이터 관리 규율 향상.
The examples of business value measures could include:
비즈니스 가치 측정의 예는 다음과 같다:
• Increase in revenue due to ability to manage customers/members properly as a result of the management of master data according to industry standards with a defined master data management architecture and integration with all relevant applications.
산업 표준에 따른 마스터 데이터 관리 아키텍처와 모든 관련 애플리케이션의 통합을 통해 고객/구성원을 적절히 관리할 수 있게 되어 수익이 증가한다.
• Decrease in production costs due to the reduction in the need for continued questions on the definition of data, the continued searches for analytical data and the sources of operational data of high quality, the reduction in the time to market for new applications as a result of consistent data architecture, consistent metadata management, consistent data governance.
데이터 정의에 대한 지속적인 질문, 분석 데이터 검색, 고품질 운영 데이터 소스의 필요성을 줄임으로써 생산 비용이 감소하고, 일관된 데이터 아키텍처, 메타데이터 관리, 데이터 거버넌스로 인해 새로운 애플리케이션 출시 시간이 단축된다.
• Improved productivity due to the use of consistently applied data and information governance for all mission-critical data, the ability to rely on analytical data for its high quality, the ability to respond quickly to time-to-market decision-making due to higher quality data and information from data quality improvement.
모든 핵심 데이터에 대해 일관되게 적용된 데이터 및 정보 거버넌스를 사용함으로써 생산성이 향상되며, 고품질의 데이터에 기반한 분석 데이터를 신뢰할 수 있고, 데이터 품질 개선으로 얻은 고품질 데이터와 정보 덕분에 시장 진입 시간 단축에 필요한 의사결정에 신속히 대응할 수 있다.
• Increased profit due to faster and more accurate decisions made with correct and more available data and information; more ability to use a wider variety of data that has been organised according to established standards.
정확하고 접근 가능한 데이터와 정보를 통해 더 빠르고 정확한 의사결정을 내림으로써 수익이 증가하며, 정립된 표준에 따라 조직화된 다양한 데이터를 더 많이 활용할 수 있는 능력이 증대된다.
SUMMARY
요약
The summary of the challenges and the data governance components are given subsequently along with the following inferences:
도전 과제와 데이터 거버넌스 구성 요소의 요약은 다음과 같은 결론과 함께 제시된다:
Challenges
도전 과제
Figure 8 Summary of data governance challengesThe diagram in Figure 8 consolidates all the typical challenges faced by the organisations in implementing data governance.
그림 8은 데이터 거버넌스를 구현할 때 조직이 직면하는 일반적인 도전 과제를 통합하여 보여준다.
Inferences
결론
• One size does not fit all:
모든 상황에 동일한 접근법이 적합하지 않다:
Need to have a flexible approach to data governance that delivers maximum business value from its data asset.
데이터 자산으로부터 최대 비즈니스 가치를 제공할 수 있는 유연한 데이터 거버넌스 접근법이 필요하다.
• Data governance can drive massive benefit:
데이터 거버넌스는 막대한 혜택을 가져올 수 있다:
Needs reuse of data, common models, consistent understanding, data quality and shared master and reference data.
데이터 재사용, 공통 모델, 일관된 이해, 데이터 품질, 그리고 공유된 마스터 및 참조 데이터가 필요하다.
• A matrix approach is needed:
매트릭스 접근법이 필요하다:
Different parts of the organisation and data types will need to be driven from different directions.
조직의 다양한 부서와 데이터 유형은 각각 다른 방향에서 주도되어야 한다.
• And central organisation is required:
그리고 중앙 조직이 필요하다:
To drive data governance adoption, implement corporate repositories and establish corporate standards.
데이터 거버넌스 채택을 주도하고, 기업 저장소를 구현하며, 기업 표준을 수립하기 위해 필요하다.
Figure 9 Challenges with respect to data governance componentsThe diagram (Figure 9) above summarises the relationship of the data governance components with the challenges.
위 그림(그림 9)은 데이터 거버넌스 구성 요소와 도전 과제 간의 관계를 요약하여 보여준다.
