ADsP 자격증 코스 분석 마스터 플랜

분석 마스터 플랜 수립 프레임 워크 

•  마스터 플랜 수립 개요 

• 분석 대상을 도출하고 우선순위를 평가하여 세부 이행 계획과 로드맵을 작성 
• 분석 마스터 플랜을 수립하는 가장 첫 번째 단계는 우선 순위를 정하는 일이다. 
• 우선순위는 전랸적 중요도, 비즈니스 성과 및 ROI, 분석 과제의 실행 용이성을 기준으로 설정한다. 
• 그 다음, 분석 과제를 업무에 내재화 할 것인지, 분석 데이터를 내부의 데이터로 한정할 것인지, 외부의 데이터 까지 포함할 것인지 여부, 그리고 기술의 적용 수준까지의 설정을 포함하여 분석 과제의 적용 범위 및 방식을 설정한다. 
• 분석 과제의 우선순위와 적용 범위 및 방식을 종합적으로 고려하여 최종적으로 분석 구현의 로드맵을 수립한다. 이러한 일련의 과정과 형식을 마스터플랜 수립 프레임워크라 부른다. 

우선 순위 고려 요소
전략적 중요도	비즈니스 성과 / ROI	실행 요이성
적용 우선 순위 설정

 

↓

적용 범위 / 방식 고려요소
업무 내재화 적용 수준	분석 데이터 적용 수준	기술 적용 수준
Analytics 구현 로드맵 수립

 

• ISP 는 정보기술 또는 정보시스템을 전략적으로 활용하기 위하여 조직 내/외부 환경을 분석하여 기회나 문제점을 도출하고 사용자의 요구사항을 분석하여 시스템 구축 우선순위를 결정하는 등 중장기 마스터 플랜을 수립하는 절차이다. 
• 분석 마스터 플랜은 일반적인 iSP(정보 전략 계획) 방법론을 활용하되 데이터 분석 기획의 특성을 고려하여 수행하고 기업에서 필요한 데이터 분석 과제를 빠짐없이 도출한 후 과제의 우선순위를 결정하고 단기 및 중/장기로 나누어 계획을 수립한다. 

 

빅데이터 특징을 고려한 분석 ROI  요소 

• 빅데이터 특징을 고려한 분석 ROI 요소로는 크게 투자 비용 요소와 비즈니스 효과 요소가 있다. 
• 빅데이터의 특징인 4V 를 ROI 관점으로 살펴보면, 크기, 다양성, 속도의 3V 는 투자 비용 의 측면의 요소라고 볼 수 있다. 
• 크기 : 데이터의 규모 및 양을 의미, 대용량 데이터를 저장/처리하고 관리하기 위해서는 새로운 투자가 필요하다 
• 다양성 : 다양한 종류의 형태를 가진 데이터를 입수하는 데에 있어 투자가 필요하다. 
• 속도 : 데이터 생성 속도 및 처리 속도를 빠르게 가공/분석 하는 기술이 요구된다 
• 분석 결과를 활용 하거나 실질적인 실행을 통해 얻게 되는 비즈니스 가치(Value)는 비즈니스 효과 측면의 요소라고 볼 수 있다. 

Roi를 활용한 우선 순위 평가 기준 

시급성 

• 전략적 중요도와 목표 가치에 부합하는지에 따른 시급성이 가장 중요한 기준이다. 
• 시급성의 판단 기준은 전략적 중요도가 핵심이며, 이는 현재의 관점에서 전략적 가치를 둘 것인지, 미래의 중장기적 관점에 전략적인 가치를 둘 것인지를 고려하고, 분석 과제의 목표 가치를 함께 고려하여 시급성 여부를 판단할 수 있다. 
• Value, 비즈니스 효과 측면과 연결 

난이도 

• 데이터를 생성, 저장, 가공, 분석하는 비용과 현재 기업의 분석 수준을 고려한 난이도 역시 중요한 기준이다. 난이도는 현시점에서 과제를 추진 하는 것이 적용 비용 측면과 범위 측면에서 바로 적용하기 쉬운 것인지 또는 어려운 것인지에 대한 판단 기준으로서, 데이터 분석의 적합성 여부를 따져 살펴본다. 

 

포트폴리오 사분면 분석을 활용한 우선순위 평가 기준 

• 우선순위 선정 기준을 토대로 난이도 또는 시급성을 고려하여 분석 과제를 4가지 유형으로 구분하여 분석과제의 적용 우선 순위를 결정한다. 
• 사분면 영역에서 가장 우선적인 분석 과제 적용이 필요한 영역은 3사분면이다. 
• 분석과제 적용 우선 순위 기준을 '시급성'에 둔다면 ' 3 -> 4 ->2 영역 순서이며, 우선 순위 기준을 '난이도'에 둔다면 3-> 1 -> 2  영역 순서로 의사결정을 할 수 있다 
• 이는 절대적인 것은 아니며, 시급성이 높고 난이도도 높은 '1' 사분면의 경우 난이도를 낮추어 가장 먼저 우선 순위를 정할 수도 있다. 또한 기술적인 난이도가 높다 하더라도 이를 조절하여 우선순위를 결정할 수도 있다. 3 (단기) -> 2(중장기) 

---

거버넌스 체계 개요 

• 분석 거버넌스 체계 개요 

• 거버넌스 는 '통치' 라는 뜻으로 '정부'와 같은 어원이다. 의사결정을 위한 데이터의 분석과 활용을 위한 체계적인 관리, 일정한 규칙과 규범을 의미한다. 
• 단순히 대용량 데이터를 수집/축적 하는 것 보다는 어떤 목적으로 어떤 데이터를 어떻게 분석에 활용할 것인가가 더욱 중요하다. 
• 조직 내 분석 관리체계를 수립해야 하는 이유는 데이터 분석을 기업의 문화로 정착시키고 데이터 분석 업무를 지속적으로 고도화 하기 위해 데이터 관리 체계를 수립 하는 것이다. 

• 분석 거버넌스 체계 구성요소 

• 마스터 플랜 수립 시점에서 데이터 분석의 지속적인 적용과 확산을 위한 거버넌스 체계는 분석 기획 및 관리를 수행하는 조직, 과제 기획 및 운영 프로세스, 분석 관련 시스템, 데이터, 분석 관련 교육 및 마인드 육성 체계 로 구성된다.

 

분석 준비도 는 기업의 데이터 분석 도입의 수준을 파악하기 위한 진단 방법 입니다. 진단 영역별로 세부 항목에 대한 수준을 파악하고, 진단 결과 전체 요건 중 일정 수준 이상 충족하면 분석 업무를 도입하고, 충족하지 못하면 먼저 분석 환경을 조성해야 합니다. 

분석 업무 파악		인력 및 조직		분석 기법
- 발생한 사실 분석 업무  - 예측 분석 업무 - 시뮬레이션 분석 업무  - 최적화 분석 업무  - 분석 업무 정기적 개선		- 분석 전문가 직무 존재  - 분석 전문가 교육 훈련 프로그램  - 관리자 기본적 분석 능력  - 전사 분석업무 총괄 조직 존재  -경영진 분석 업무 이해		- 업무별 적합한 분석기법 사용  - 분석 업무 도입 방법론 - 분석 기법 라이브러리 - 분석기법 효과성 평가 - 분석기법 정기적 개선

분석 데이터		분석 문화		IT 인프라
- 분석 업무를 위한 데이터 충분성/신뢰성/ 적시성  - 비구조적 데이터 관리  - 외부 데이터 활용 체계  - 기준 데이터 관리 (MDM)		- 사실에 근거한 의사결정  - 관리자의 데이터 중시 - 회의 등에서 데이터 활용  - 경영진의 직관보다 데이터 - 데이터 공유 및 협업 문화		- 운영 시스템 데이터 통합 - EAI, ETL 등 데이터 유통체계  - 분석 전용 서버 및 스토리지 - 빅데이터 / 통계 / 비주얼 분석 환

 

단계 - >	1단계 도입단계	2단계 활용단계	3단계 확산 단계	4단계 최적화 단계
내용	분석 시작, 환경과 시스템 구축	분석 결과를 업무에 적용	전사 차원에서 분석 관리, 공유	분석을 진화시켜 혁신 및 성과 향상에 기여
비즈니스 부분	- 실적 분석 및 통계 - 정기 보고 수행 - 운영 데이터 기반	- 미래 결과 예측  - 시뮬레이션 - 운영 데이터 기반	- 전사성과 실시간 분석  - 프로세스 혁신 3.0 - 분석 규칙 관리 - 이벤트 관리	- 외부 환경 분석 활용  - 최적화 업무 적용  - 실시간 분석  - 비즈니스 모델 진화
조직 / 역량 부문	- 일부 부서에서 수행 - 담당자 역량에 의존	- 전문 담당부서에서 수행  - 분석 기법 도입 - 관리자가 분석 수행	- 전사 모든 부서 수행  - 분석 COE 조직 운영  - 데이터 사이언티스트 확보	- 데이터 사이언스 그룹  - 경영진 분석 활용  - 전략 연계
IT 부분	- 데이터 웨어하우스 - 데이터 마트 - ETL /EAI  - OLAP	- 실시간 대시보드  - 통계 분석 환경	- 빅데이터 관리 환경  - 시뮬레이션 / 최적화 - 비주얼 분석 - 분석 전용 서버	- 분석 협업환경  - 분석 SandBox - 프로세스 내재화  - 빅데이터 분석

 

---

데이터 거버넌스 체계 수립 

데이터 거버넌스란, 전사 차원의 모든 데이터에 대해 정책 및 지침, 표준화, 운영 조직 및 책임 등의 표준화된 관리 체계를 수립하고 운영을 위한 프레임워크 및 저장소를 구축하는 것을 말합니다. 

마스터 데이터 (Master Data), 메타 데이터(Meta Data), 데이터 사전(Data Dictionary) 은 데이터 거버넌스의 중요한 관리 대상입니다. 

 

데이터 거버넌스 구성요소 

1. 원칙 

• 데이터를 유지 관리하기 위한 지침과 가이드 
• Ex. 보완, 품질 기준, 변경 관리 

2. 조직 

• 데이터를 관리할 조직의 역할과 책임 
• Ex. 데이터 관리자, DB 관리자, 데이터 아키텍트 (Data Architect)

3. 프로세스

• 데이터 관리를 위한 활동과 체계 
• Ex. 작업 절차, 모니터링 활동, 측정 활동 

데이터 거버넌스 체계 

1. 데이터 표준화 

• 데이터 표준화는 데이터 표준 용어 설정, 명명 규칙 (Name Rule) 수립, 메타데이터 구축, 데이터 사전 구축 등의 업무로 구성된다. 
• 데이터 표준 용어는 표준 단어 사전, 표준 도메인 사전, 표준 코드 등으로 구성되며 사전 간 상호 검증이 가능하게 점검 프로세스를 포함해야 한다. 
• 명명 규칙은 필요시 언어별(한글, 영어 등) 로 작성되어 매핑 상태를 유지해야 한다. 

2. 데이터 관리 체계

• 데이터 정합성 및 활용의 효율성을 위하여 표준 데이터를 포함한 메타 데이터와 데이터 사전의 관리 원칙을 수립한다. 
• 수립된 원칙에 근거하여 항목별 상세한 프로세스를 만들고 관리와 운영을 위한 담당자 및 조직별 역할과 책임을 상세하게 준비한다. 
• 빅데이터의 경우 데이터 양의 급증으로 데이터의 생명 주기 관리 방안 (Data Life Cycle Management) 을 수립하지 않으면 데이터 가용성 및 관리비용 증대 문제에 직면할 수도있다. 

3. 데이터 저장소 관리 (Repository)

• 메타데이터 및 표준 데이터를 관리하기 위한 전사 차원의 저장소를 구성한다.
• 저장소는 데이터 관리 체계 지원을 위한 워크플로우 및 관리용 응용소프트웨어 을 지원하고 관리 대상 시스템과의 인터페이스를 통한 통제가 이루어져야 한다. 
• 데이터 구조 변경에 다른 사전 영향 평가도 수행돼야 효율적인 활용이 가능하다. 

4. 표준화 활동

• 데이터 거버넌스 체계를 구축한 후 표준 준수 여부를 주기적으로 점검하고 모니터링을 실시한다. 
• 거버넌스의 조직 내 안정적 정착을 위한 계속적인 변화관리 및 주기적인 교육을 진행한다. 
• 지속적인 데이터 표준화 개선 활동을 통하여 실용성을 높여야 한다. 

데이터 분석 조직 유형 

1. 집중형 조직 구조 

• 조직 내에 별도의 독립적인 분석 전담조직을 구성하고, 회사의 모든 분석 업무를 전담 조직에서 담당한다. 
• 분석 전담 조직 내부에서 전사 분석 과제의 전략적인 중요도에 따라 우선순위를 정하여 추진할 수 있다. 
• 일부 현업 부서와 분석 업무가 중복 또는 이원화 될 가능성이 있다는 단점이 있다.

2. 기능 중심의 조직 구조 

• 일반적으로 분석을 수행하는 형태이며, 별도로 분석 조직을 구성하지 않고 각 해당 업무 부서에서 직접 분석하는 형태다
• 전사적 관점에서 핵심 분석이 어려우며, 특정 업무 부서에 국한된 분석을 수행할 가능성이 높거나 일부 중복된 분석 업무를 수행 할 수 있는 조직구조다. 

3. 분산된 조직 구조 

• 분석 조직의 인력들을 현업부서에 배치해 분석 업무를 수행 하는 형태다. 
• 전사 차원에서 분석 과제의 우선순위를 선정해 수행이 가능하며, 분석 결과를 신속하게 실무에 적용 할 수 있는 장점이 있다.