맨위로가기

데이터 관리

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
목차

1. 개요

데이터 관리는 기업에서 데이터를 효율적으로 관리하고 활용하기 위한 일련의 활동을 의미한다. 과거에는 메인프레임 환경에서 데이터가 일원적으로 관리되었으나, 분산 환경과 비정형 데이터의 증가로 인해 데이터 관리의 중요성이 커졌다. 1980년대 데이터 관리 개념이 등장한 이후, 데이터는 의사 결정 고도화, 업무 효율화, 매출 증대에 기여하며 경영 자원으로 인식되고 있다. 데이터 관리는 데이터 거버넌스, 아키텍처 관리, 개발, 운영 관리, 보안 관리, 품질 관리 등 다양한 구성 요소로 이루어져 있으며, 데이터 매니지먼트 협회(DAMA)의 DMBOK 지식 체계는 데이터 관리를 10가지 요소로 정의한다. 또한, 데이터 관리 패턴과 데이터 관리 시스템, 그리고 데이터 활용 문화 조성 등이 데이터 관리의 핵심적인 요소로 다루어진다. 데이터 보안 및 개인 정보 보호는 데이터 관리에서 중요한 부분이며, 데이터 관리는 기업의 경제적, 재정적 성과에도 긍정적인 영향을 미친다.

더 읽어볼만한 페이지

  • 데이터 관리 - 데이터 센터
    데이터센터는 컴퓨터 시스템 및 관련 장비와 지원 인프라를 수용하는 시설로, 기술 발전에 따라 규모와 중요성이 확대되었으며, 에너지 효율과 보안을 고려하여 설계 및 운영되고, TIA-942 표준에 따른 티어 분류와 친환경 기술 도입이 이루어지고 있다.
  • 데이터 관리 - 정보 아키텍처
    정보 아키텍처는 정보 시스템 및 정보 기술 분야에서 공유 정보 환경의 구조적 설계를 의미하며, 웹사이트, 소프트웨어 등의 구성과 레이블링을 포함하여 검색 용이성과 사용성을 지원하고, 도서관정보학에 기원을 두고 있다.
데이터 관리

2. 역사적 배경

과거 메인프레임 시대에는 데이터가 일원적으로 관리될 수 있었지만, 다음과 같은 이유로 데이터 관리에 주목받고 있다.


  • 분산 환경으로 인해 데이터가 모든 곳에서 생성되고 조직 내 다양한 장소에 축적되고 있다.
  • 관계형 데이터베이스 관리 시스템(RDBMS)에서 관리되는 정형 데이터 외에 비정형 데이터가 증가하고 있다.
  • 인공지능, 사물 인터넷(IoT), 빅데이터의 보급으로 데이터를 경영 자원으로 관리, 활용하여, 기존의 경험에 기초한 경영에서 데이터로부터 가치를 창출하는 데이터 중심(데이터 드리븐) 경영으로 탈피하려는 움직임이 가속화되고 있다.
  • 데이터를 활용함으로써 의사 결정의 고도화, 업무 효율화, 매출 증대 등을 기대할 수 있다.

2. 1. 초기 데이터 관리 (1980년대 이전)

데이터 관리 개념은 1980년대에 기술이 순차 처리 방식(천공 카드, 자기 테이프)에서 벗어나 임의 접근 저장소로 이동하면서 등장했다.[2] 임의 접근 디스크 기술을 사용하여 개별적인 사실을 저장하고 빠르게 접근할 수 있게 되면서, 데이터 관리가 비즈니스 프로세스 관리보다 더 중요하다는 주장이 제기되었다. 예를 들어, "고객의 집 주소는 우리 컴퓨터 시스템의 75개(또는 다른 큰 숫자) 위치에 저장되어 있습니다."와 같은 주장이었다. 그러나 이 기간 동안 임의 접근 처리는 경쟁적으로 빠르지 않았기 때문에, "프로세스 관리"가 "데이터 관리"보다 더 중요하다는 사람들은 일괄 처리 시간을 주요 논거로 사용했다.

응용 소프트웨어가 실시간, 대화형 사용으로 발전하면서 두 관리 프로세스 모두 중요하다는 것이 분명해졌다. 데이터가 잘 정의되지 않으면 응용 프로그램에서 데이터가 잘못 사용될 것이고, 프로세스가 잘 정의되지 않으면 사용자 요구를 충족하는 것이 불가능하기 때문이다.

2. 2. 데이터 관리 개념의 등장 (1980년대)

데이터 관리 개념은 1980년대에 기술이 순차 처리 방식(천공 카드, 자기 테이프)에서 벗어나 임의 접근 저장소로 이동하면서 등장했다.[2]

개별적인 사실을 저장하고 임의 접근 디스크 기술을 사용하여 빠르게 접근할 수 있게 되면서, 데이터 관리가 비즈니스 프로세스 관리보다 더 중요하다는 주장이 제기되었다. 예를 들어 "고객의 집 주소는 우리 컴퓨터 시스템의 75개(또는 다른 큰 숫자) 위치에 저장되어 있습니다."와 같은 주장이었다. 그러나 이 기간 동안 임의 접근 처리는 경쟁적으로 빠르지 않았기 때문에, "프로세스 관리"가 "데이터 관리"보다 더 중요하다는 사람들은 일괄 처리 시간을 주요 논거로 사용했다.

응용 소프트웨어가 실시간, 대화형 사용으로 발전하면서 두 관리 프로세스 모두 중요하다는 것이 분명해졌다. 데이터가 잘 정의되지 않으면 응용 프로그램에서 데이터가 잘못 사용될 것이고, 프로세스가 잘 정의되지 않으면 사용자 요구를 충족하는 것이 불가능하기 때문이다.

과거 메인프레임 시대에는 데이터가 일원적으로 관리될 수 있었지만, 다음과 같은 이유로 데이터 관리에 주목이 쏠리고 있다.

  • 분산 환경으로 인해 이제 데이터가 모든 곳에서 생성되고 조직 내 다양한 장소에 축적되고 있다.
  • 관계형 데이터베이스 관리 시스템(RDBMS)에서 관리되는 정형 데이터 외에 비정형 데이터가 증가하고 있다.
  • 인공지능, 사물 인터넷(IoT), 빅데이터의 보급으로 데이터를 경영 자원으로 관리, 활용하여, 기존의 경험에 기초한 경영에서 데이터로부터 가치를 창출하는 데이터 중심(데이터 드리븐) 경영으로 탈피하려는 움직임이 가속화되고 있다.
  • 데이터를 활용함으로써 의사 결정의 고도화, 업무 효율화, 매출 증대 등을 기대할 수 있다.

2. 3. 현대 데이터 관리 (1990년대 이후)

현대의 경영 유행(management)에서 '데이터'라는 용어는 비기술적인 맥락에서 ''정보'' 또는 ''지식''으로 점점 더 대체되고 있다. 따라서 데이터 관리는 정보 관리 또는 지식 관리가 되었다. 이러한 추세는 원시 데이터 처리의 모호성을 가리고 해석을 암묵적으로 만든다. 데이터와 파생된 가치의 차이는 정보 계층으로 설명된다.[4]

그러나 데이터는 방대한 데이터 집합의 수집 및 분석을 의미하는 빅 데이터라는 용어의 대중화와 함께 다시 부상했다. 빅 데이터는 최근의 현상이지만, 의사 결정을 지원하기 위한 데이터의 요구 사항은 의사 결정 지원 시스템(DSS)의 등장과 함께 1970년대 초로 거슬러 올라간다. 이러한 시스템은 의사 결정 지원을 위한 데이터 관리의 초기 반복으로 간주될 수 있다.[4]

여러 조직에서 운영을 위해 데이터 관리 센터(DMC)를 설립했다.[5] 과거 메인프레임 시대에는 데이터가 일원적으로 관리될 수 있었지만, 다음과 같은 이유로 데이터 관리에 대한 관심이 높아지고 있다.

  • 분산 환경으로 인해 이제 데이터가 모든 곳에서 생성되고 조직 내 다양한 장소에 축적되고 있다.
  • 관계형 데이터베이스 관리 시스템(RDBMS)에서 관리되는 정형 데이터 외에 비정형 데이터가 증가하고 있다.
  • 인공지능이나 사물 인터넷(IoT), 빅데이터의 보급으로 데이터를 경영 자원으로서 관리, 활용하여, 기존의 감과 경험에 기초한 경영에서 데이터로부터 가치를 창출하는 데이터 중심(데이터 드리븐) 경영으로 탈피하려는 움직임이 가속화되고 있다.
  • 데이터를 활용함으로써 의사 결정의 고도화, 업무 효율화, 매출 증대 등을 기대할 수 있다.

3. 데이터 관리의 구성 요소

데이터 매니지먼트 협회(DAMA)가 편찬한 데이터 매니지먼트 지식 체계(DMBOK)에 따르면, 데이터 매니지먼트는 다음 10가지 요소로 구성된다.[11]


  • 데이터 거버넌스: 데이터의 관리 및 이용에 관한 계획, 감시, 통제
  • 데이터 아키텍처 관리: 데이터 자산 관리를 위한 청사진 작성
  • 데이터 개발: 분석, 설계, 구현, 테스트, 배포, 유지
  • 데이터 운영 관리: 데이터 수집부터 폐기까지의 지원 제공
  • 데이터 보안 관리: 개인 정보, 기밀성, 적절한 접근 보장
  • 데이터 품질 관리: 데이터 품질의 정의, 감시, 개선
  • 참조 데이터 및 마스터 데이터 관리: 골드 버전과 복제 버전의 관리
  • 데이터 웨어하우징과 비즈니스 인텔리전스 관리: 보고 및 분석을 가능하게 함
  • 문서 및 콘텐츠 관리: 데이터베이스 외부에 있는 데이터의 관리
  • 메타데이터 관리: 메타데이터의 통합, 통제, 공급


또한, 데이터를 관리하기 위한 시스템을 '''데이터 관리 시스템'''이라고 부른다.

3. 1. 데이터 거버넌스

데이터 거버넌스는 데이터의 관리 및 이용에 관한 계획, 감시, 통제를 의미한다.[11] 이는 데이터 매니지먼트 협회(DAMA)가 편찬한 데이터 매니지먼트 지식 체계(DMBOK)에 따른 데이터 매니지먼트의 10가지 구성 요소 중 하나이다.

기업 데이터 품질 관리(CDQM)는 다음의 활동 분야를 포함한다.[11]

  • 기업 데이터 품질에 대한 전략
  • 기업 데이터 품질 제어
  • 기업 데이터 품질 조직화
  • 기업 데이터 품질 프로세스 및 방식
  • 기업 데이터 품질에 대한 데이터 구조
  • 기업 데이터 품질에 대한 응용


데이터 거버넌스는 데이터 수집 및 분석의 중요한 요소인데, 그 이유는 데이터의 품질을 결정하고 무결성 제약 조건이 데이터 소스에서 수집된 정보의 신뢰성을 보장하기 때문이다.

3. 2. 데이터 아키텍처 관리

데이터 매니지먼트 협회(DAMA)가 편찬한 데이터 매니지먼트 지식 체계(DMBOK)에 따르면, 데이터 아키텍처 관리는 데이터 자산 관리를 위한 청사진을 작성하는 활동이다.[11]

3. 3. 데이터 개발

데이터 매니지먼트 협회(DAMA)가 편찬한 데이터 매니지먼트에 관한 지식 체계 DMBOK(데이터 매니지먼트 지식 체계)에 따르면, 데이터 개발은 데이터 매니지먼트의 10가지 구성 요소 중 하나이다. 데이터 개발은 분석, 설계, 구현, 테스트, 배포, 유지보수를 포함한다.

3. 4. 데이터 운영 관리

데이터 매니지먼트 협회(DAMA)가 편찬한 데이터 매니지먼트 지식 체계(DMBOK)에 따르면, 데이터 운영 관리는 데이터 수집부터 폐기까지의 지원을 제공한다.[11]

3. 5. 데이터 보안 관리

데이터 보안 관리는 개인 정보, 기밀성 및 적절한 데이터 접근 보장을 목표로 한다.[11] 이를 위해 다음과 같은 활동을 포함한다.

  • 데이터 접근 관리
  • 데이터 삭제
  • 데이터 개인 정보 보호
  • 데이터 보안


PWC의 연구에 따르면, 소매 고객의 3분의 2 이상이 고객 정보 보호를 위한 데이터 보호 및 개인 정보 보호 계획을 가진 기업의 제품 및 서비스를 선호하는 것으로 나타났다. 또한, 고객은 마케팅 외 다른 목적으로 고객 데이터를 사용하지 않는 기업을 신뢰한다.

기술과 인터넷의 발전으로 기업의 성공은 고객의 신뢰를 얻고 유지하는 데 달려있다. 따라서 기업은 효과적인 데이터 보호 및 개인 정보 보호 전략을 구현해야 한다. 이는 고객의 구매 의도와 장기적인 구매 행동에 영향을 미쳐 기업의 수익성에 영향을 줄 수 있다.

3. 6. 참조 데이터 및 마스터 데이터 관리

데이터 통합, 마스터 데이터 관리, 참조 데이터를 관리한다.[11]

3. 7. 데이터 통합 및 상호 운용성

데이터 통합 및 상호 운용성은 데이터 관리의 중요한 부분이다. 여기에는 다음 내용이 포함된다.[11]

  • 데이터 이동 (ETL, ELT)
  • 데이터 상호 운용성

3. 8. 문서 및 콘텐츠 관리

3. 9. 데이터 웨어하우징 및 비즈니스 인텔리전스 관리

데이터 매니지먼트 협회(DAMA)가 편찬한 데이터 매니지먼트 지식 체계(DMBOK)에 따르면, 데이터 웨어하우징 및 비즈니스 인텔리전스 관리는 보고 및 분석을 가능하게 한다.[11] 여러 조직에서 운영을 위해 데이터 관리 센터(DMC)를 설립했다.[5] 조직은 방대한 데이터베이스에서 알려지지 않은 정보와 통찰력을 발견하기 위해 다양한 데이터 분석 도구를 사용하며, 이를 통해 이전에 알지 못했던 새로운 패턴을 발견하거나, 숨겨진 정보를 추출하여 새로운 패턴과 관계를 도출할 수 있다.[4]

데이터 분석 도구에는 크게 데이터 마이닝 도구와 데이터 프로파일링 도구의 두 가지 주요 범주가 있다. 대부분의 상업용 데이터 분석 도구는 조직에서 데이터 웨어하우스를 위한 추출, 변환 및 로드(ETL)에 사용되어 프로세스 중에 어떤 요소도 누락되지 않도록 한다. 따라서 데이터 분석 도구는 빅 데이터의 3V, 즉 양(volume), 다양성(variety), 속도(velocity)를 지원하는 데 사용된다.

특히 속도 요소는 1980년대에 데이터 분석 도구에서 가장 중요한 절차 중 하나로 등장했으며, 조직에서 시장 조사를 위해 널리 사용되었다. 이 도구는 다양한 출처에서 수집된 데이터에서 핵심 변수를 선택하고 분석하는 데 사용되었다. 인간이 수동 관찰을 통해 이해하기에는 사용되는 데이터의 양이 너무 방대할 경우, 요인 분석을 도입하여 질적 데이터와 양적 데이터를 구별했다.

조직은 데이터 분석을 수행하기 전에 웹사이트, 이메일 및 고객 장치를 포함한 수많은 소스에서 데이터를 수집한다. 다양한 소스에서 데이터를 수집하고 여러 데이터 분석 도구를 사용하여 분석하는 것은 방법 편향의 위험을 극복하는 것을 포함하여 이점이 있다. 다양한 소스의 데이터를 사용하고 여러 분석 방법을 사용하여 분석하면 기업과 조직은 의사 결정에 사용할 수 있는 강력하고 신뢰할 수 있는 결과를 얻을 수 있다.

연구자들은 알고리즘 및 기타 분석 소프트웨어를 적용하여 이미지, 오디오 및 비디오 파일 형식으로 응답자로부터 수집된 데이터를 분석하고 그룹화하기 위해 현대 기술을 사용한다. 그런 다음 연구자와 마케터는 새로운 세대의 분석 도구 및 방법에서 얻은 정보를 예측, 의사 지원 및 의사 결정을 위한 추정에 사용할 수 있다. 예를 들어, 수요 예측에 대한 다양한 데이터 소스의 정보는 소매업체가 이전 시즌의 데이터를 기반으로 다음 시즌에 필요한 재고량을 결정하는 데 도움이 될 수 있다.

이러한 분석을 통해 조직은 모든 기업과 조직이 경쟁 우위를 확보하기 위해 새로운 기술과 비즈니스 인텔리전스 도구를 활용하는 시대에 데이터 기반 의사 결정을 내려 경쟁 우위를 확보할 수 있다. 시장에는 수많은 분석 도구가 있지만, 빅 데이터 분석은 다음과 같은 가설을 이끌어낸 가장 일반적이고 진보된 기술이다. 여러 데이터 소스에서 수집된 데이터를 분석하는 데 사용되는 데이터 분석 도구는 데이터 분석의 품질과 신뢰성을 결정한다.

3. 10. 메타데이터 관리

메타데이터 관리는 메타데이터의 통합, 통제, 공급을 의미한다.[11] 세부적으로 다음의 활동을 포함한다.

  • 메타데이터 관리
  • 메타데이터
  • 메타데이터 검색
  • 메타데이터 게시
  • 메타데이터 레지스트리

3. 11. 데이터 품질 관리

데이터 품질 관리는 데이터 품질의 정의, 감시, 개선을 포함한다.[11] 여기에는 데이터 검색, 데이터 정제, 데이터 무결성, 데이터 보강, 데이터 품질 보증, 2차 데이터 활용 등이 포함된다.

기업 데이터 품질 관리(CDQM)는 다음의 활동 분야를 포함한다.[11]

  • 기업 데이터 품질에 대한 전략
  • 기업 데이터 품질 제어
  • 기업 데이터 품질 조직화
  • 기업 데이터 품질 프로세스 및 방식
  • 기업 데이터 품질에 대한 데이터 구조
  • 기업 데이터 품질에 대한 응용


데이터 매니지먼트 협회(DAMA)의 데이터 매니지먼트 지식 체계(DMBOK)에 따르면, 데이터 품질 관리는 데이터 품질을 정의하고, 감시하며, 개선하는 활동을 포함한다.

4. 데이터 관리 패턴

다음은 일반적인 데이터 관리 패턴이다:[3]


  • 캐시 측면
  • 명령-쿼리 책임 분리 (CQRS)
  • 이벤트 소싱
  • 인덱스 테이블
  • 구체화된 뷰
  • 샤딩
  • 발렛 키
  • 정적 콘텐츠 호스팅

5. 데이터 관리 시스템

데이터 관리 개념은 1980년대에 기술이 순차 처리 방식(천공 카드, 자기 테이프)에서 임의 접근 저장소로 이동하면서 등장했다.[2]

임의 접근 디스크 기술을 사용하여 개별적인 사실을 빠르게 접근할 수 있게 되면서, 데이터 관리가 비즈니스 프로세스 관리보다 더 중요하다는 주장이 제기되었다. 그러나 이 기간 동안 임의 접근 처리는 경쟁적으로 빠르지 않았기 때문에, 일괄 처리 시간을 주요 논거로 "프로세스 관리"가 "데이터 관리"보다 더 중요하다는 주장도 있었다.

응용 소프트웨어가 실시간, 대화형 사용으로 발전하면서 두 관리 프로세스 모두 중요하다는 것이 분명해졌다. 데이터가 잘 정의되지 않으면 응용 프로그램에서 데이터가 잘못 사용되고, 프로세스가 잘 정의되지 않으면 사용자 요구를 충족하는 것이 불가능하기 때문이다.

과거 메인프레임 시대에는 데이터가 일원적으로 관리될 수 있었지만, 다음과 같은 이유로 데이터 관리에 주목이 쏠리고 있다.


  • 분산 환경으로 인해 데이터가 모든 곳에서 생성되고 조직 내 다양한 장소에 축적되고 있다.
  • 관계형 데이터베이스 관리 시스템(RDBMS)에서 관리되는 정형 데이터 외에 비정형 데이터가 증가하고 있다.
  • 인공지능, 사물 인터넷(IoT), 빅데이터의 보급으로 데이터를 경영 자원으로 관리, 활용하여, 기존의 감과 경험에 기초한 경영에서 데이터로부터 가치를 창출하는 데이터 중심(데이터 드리븐) 경영으로 탈피하려는 움직임이 가속화되고 있다.
  • 데이터를 활용함으로써 의사 결정의 고도화, 업무 효율화, 매출 증대 등을 기대할 수 있다.

6. 데이터 관리의 과제

과거 메인프레임 시대에는 데이터가 일원적으로 관리될 수 있었지만, 다음과 같은 이유로 데이터 관리에 주목이 쏠리고 있다.


  • 분산 환경으로 인해 데이터가 모든 곳에서 생성되고 조직 내 다양한 장소에 축적되고 있다.
  • 관계형 데이터베이스 관리 시스템(RDBMS)에서 관리되는 정형 데이터 외에 비정형 데이터가 증가하고 있다.
  • 인공지능, 사물 인터넷(IoT), 빅데이터의 보급으로 데이터를 경영 자원으로서 관리, 활용하여, 기존의 감과 경험에 기초한 경영에서 데이터로부터 가치를 창출하는 데이터 중심(데이터 드리븐) 경영으로 탈피하려는 움직임이 가속화되고 있다.
  • 데이터를 활용함으로써 의사 결정의 고도화, 업무 효율화, 매출 증대 등을 기대할 수 있다.

6. 1. 비정형 데이터 관리

비정형 데이터를 정형 데이터와 동일하게 처리할 수 있는 문서·콘텐츠 관리 솔루션을 활용한 기반 정비가 진행되고 있다.[9]

6. 2. 데이터 관리 조직 (CAO, CDO, DMO)

기업 데이터 품질 관리(Corporate Data Quality Management, CDQM)는 다음의 활동 분야를 포함한다.[11]:

  • 기업 데이터 품질에 대한 전략 (Strategy for Corporate Data Quality)
  • 기업 데이터 품질 제어 (Corporate Data Quality Controlling)
  • 기업 데이터 품질 조직화 (Corporate Data Quality Organization)
  • 기업 데이터 품질 프로세스 및 방식 (Corporate Data Quality Processes and Methods)
  • 기업 데이터 품질에 대한 데이터 구조 (Data Architecture for Corporate Data Quality)
  • 기업 데이터 품질에 대한 응용 (Applications for Corporate Data Quality)


CAO (최고 분석 책임자, Chief Analytics Officer)는 기업이 가진 데이터를 분석하여, 비즈니스 전략에 활용하는 역할을 맡는다.

CDO (최고 데이터 책임자, Chief Data Officer)는 데이터를 양질의 상태로 유지하고, 그 활용을 촉진하는 역할을 맡는다.

DMO (데이터 관리자, Data Management Officer)는 데이터 수집과 품질 관리를 수행하고, 처리 및 제공을 통해 데이터를 활용할 수 있도록 지원하는 역할을 맡는다.

서구권 기업 경영자에 비해 일본 기업 경영자는 데이터에 대한 관심이 적다는 보고가 있다.[10]

6. 3. 데이터 활용 문화 조성

과거 메인프레임 시대에는 데이터가 일원적으로 관리될 수 있었다. 그러나 분산 환경으로 인해 이제 데이터가 모든 곳에서 생성되고 조직 내 다양한 장소에 축적되고 있다. 관계형 데이터베이스 관리 시스템(RDBMS)에서 관리되는 정형 데이터 외에 비정형 데이터가 증가하고 있다. 인공지능, 사물 인터넷(IoT), 빅데이터의 보급으로 데이터를 경영 자원으로서 관리, 활용하여, 기존의 감과 경험에 기초한 경영에서 데이터로부터 가치를 창출하는 데이터 중심(데이터 드리븐) 경영으로 탈피하려는 움직임이 가속화되고 있다. 데이터를 활용함으로써 의사 결정의 고도화, 업무 효율화, 매출 증대 등을 기대할 수 있다. 이러한 점들로 인해 데이터 관리에 주목이 쏠리고 있다.

7. 데이터 보안 및 개인 정보 보호

조직은 수집하는 고객 데이터의 품질과 신뢰성을 보장하기 위해 양질의 데이터 수집 및 분석 도구를 사용해야 하지만, 데이터 및 고객 정보를 프라이버시 유출로부터 보호하기 위해 보안 및 개인 정보 보호 전략을 구현해야 한다.[1] PWC가 실시한 연구에 따르면, 소매 고객의 3분의 2 이상이 고객 정보 보호를 위한 데이터 보호 및 개인 정보 보호 계획을 가진 기업에서 제품 및 서비스를 구매하는 것을 선호한다. 또한, 이 연구는 고객이 마케팅 외의 다른 목적으로 고객 데이터를 사용할 수 없다는 것을 증명할 수 있는 기업을 신뢰한다고 밝혔다. 기술과 인터넷이 계속 발전함에 따라, 이를 제품 마케팅 플랫폼으로 사용하는 기업의 성공은 고객과 사용자의 신뢰를 얼마나 효과적으로 얻고 유지할 수 있는지에 달려있다. 따라서 기업은 비즈니스 데이터 및 고객의 프라이버시를 보호하기 위해 효과적인 데이터 보호 및 개인 정보 보호 전략을 도입하고 구현해야 한다. 고객과 기업 간의 신뢰 구축은 고객의 구매 의도에 영향을 미칠 뿐만 아니라, 고객이 얼마나 자주 구매하는지 등 장기적인 구매 행동에도 상당한 영향을 미칠 수 있으며, 이는 장기적으로 기업의 수익성에 영향을 미칠 수 있다.[1]

8. 경제 및 재정적 성과

연구에 따르면 고객 거래는 연간 수집되는 데이터의 40% 증가를 차지하며, 이는 재무 데이터가 비즈니스 결정에 상당한 영향을 미친다는 것을 의미한다. 따라서 현대 조직은 빅데이터 분석을 사용하여 더 나은 의사 결정을 위해 데이터를 수집하고 분석하는 데 도움이 될 수 있는 5~10개의 새로운 데이터 소스를 식별하고 있다. Jonsen (2013)은 평균적인 분석 기술을 사용하는 조직이 운영에 분석 기능을 도입하지 않은 경쟁사보다 20% 더 높은 수익을 얻을 가능성이 높다고 설명한다. 또한, IRI는 소매 산업이 현대적인 분석 기술 구현으로 인해 매년 100억달러 이상 증가할 수 있다고 보고했다. 따라서 경제적 및 재정적 결과는 조직이 데이터 분석 도구를 사용하는 방식에 영향을 미칠 수 있다.

참조

[1] 웹사이트 What Is Data Management? Importance & Challenges {{!}} Tableau https://www.tableau.[...] 2023-12-04
[2] 서적 Communicating Sequential Processes http://www.usingcsp.[...] Prentice Hall International 2004
[3] 서적 Mastering Cloud-Native Microservices Designing and implementing Cloud-Native Microservices for Next-Gen Apps 2023
[4] 논문 Big Data: The Fourth Data Management Generation 2013
[5] 서적 Recent Trends in Networks and Communications: International Conferences, NeCoM 2010, WiMoN 2010, WeST 2010,Chennai, India, July 23-25, 2010. Proceedings https://books.google[...] Springer 2010
[6] 웹사이트 Data Mesh: Delivering data-driven value at scale https://www.thoughtw[...]
[7] 웹사이트 リアライズ「データマネジメントとは」 https://www.realize-[...] 2019-07-22
[8] 웹사이트 デロイトトーマツ「第4回解決策（3）：データマネジメントの体制整備」 https://www2.deloitt[...] 2019-07-22
[9] 웹사이트 情報ガバナンス研究室「非構造化データを効率的に管理する文書・コンテンツ管理ソリューションの選定ポイント」 https://infogov-labo[...] 2019-07-22
[10] 웹사이트 デロイト トーマツ合同会社「日本企業に求められる企業情報マネジメントという高い壁」 https://infogov-labo[...] 2019-07-22
[11] 간행물 EFQM Framework for Corporate Data Quality Management EFQM Press 2011


본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com