Share via

Microsoft Fabric 채택 로드맵: 데이터 문화권

  • 아티클

참고 항목

이 문서는 Microsoft Fabric 채택 로드맵 문서 시리즈의 일부입니다. 시리즈 개요는 Microsoft Fabric 채택 로드맵을 참조하세요.

데이터 문화 구축은 분석 채택과 밀접한 관련이 있으며 조직의 디지털 트랜스포메이션의 중요한 측면인 경우가 많습니다. '데이터 문화'라는 용어는 조직별로 서로 다른 방식으로 정의될 수 있습니다. 이 문서 시리즈에서 데이터 문화란 조직의 일련의 행동과 표준을 의미합니다. 데이터 문화는 다음과 같은 방식으로 데이터에 입각하여 의사 결정을 내리는 문화를 뒷받침합니다.

  • 조직의 더 많은 영역에서 더 많은 관계자들이 개입합니다.
  • 의견이 아닌 분석을 기반으로 합니다.
  • COE(최고 전문가 조직)에서 승인한 모범 사례를 기반으로 하는 효과적이고 효율적인 방식입니다.
  • 신뢰할 수 있는 데이터를 바탕으로 의사 결정을 내립니다.
  • 각 집단의 문서화되지 않은 지식에 대한 의존도가 낮습니다.
  • 어림짐작과 직관에 대한 의존도가 낮습니다.

Important

데이터 문화는 구성원들의 말이 아닌 행동을 통해 드러납니다. 데이터 문화는 규칙이 아닙니다. (규칙은 문화가 아닌 거버넌스입니다.) 데이터 문화는 다분히 추상적인 개념이라고 할 수 있습니다. 데이터 문화란 조직에서 허용되고 보상되고 장려되는 행동과 표준, 그리고 허용되지 않고 장려되지 않는 행동과 표준이라고 할 수 있습니다. 건강한 데이터 문화는 모든 직급의 직원들이 실행 가능한 지식을 생성하고 배포하도록 독려합니다.

조직의 각 비즈니스 단위와 팀에는 업무를 처리하는 저마다의 행동과 표준이 있을 수 있습니다. 데이터 문화 목표를 달성하는 구체적인 방법은 조직의 경계에 따라 달라질 수 있습니다. 중요한 것은 각 비즈니스 단위와 팀의 방식이 조직 전체의 데이터 문화 목표에 부합하는 것입니다. 이 구조를 조정된 자율성이라고 생각할 수 있습니다.

다음 원형 다이어그램에서는 데이터 문화에 영향을 주는 여러 측면들의 상호 관련성을 살펴볼 수 있습니다.

Diagram shows various relationships and influences in a data culture, which are described below.

이 다이어그램은 다음 항목 간의 다소 모호한 관계를 보여 줍니다.

다이어그램의 요소는 이 문서 시리즈 전체에서 설명합니다.

데이터 문화의 비전

데이터 문화는 정의하고 측정하기 어려운 개념일 수 있습니다. 의미 있고 실행 가능하고 측정 가능한 방식으로 데이터 문화를 정의하기는 어렵지만, 조직의 건강한 데이터 문화란 무엇인지 정확하게 이해해야 합니다. 건강한 데이터 문화에 대한 비전은 다음과 같은 특징을 가져야 합니다.

  • 경영진 수준에서 시작합니다.
  • 조직의 목표에 부합됩니다.
  • 채택 전략에 직접적으로 영향을 줍니다.
  • 거버넌스 정책 및 가이드라인을 시행하기 위한 기본 원칙이 됩니다.

데이터 문화에는 정해진 결과가 없습니다. 데이터 문화의 상태는 조직에서 시행되는 거버넌스 규칙을 따른(또는 거버넌스 규칙이 없는) 결과로써 나타납니다. 모든 직급의 리더는 주도적으로 행동하는 담당자를 칭찬하고, 인정하고, 보상하는 방법을 포함하여 자신에게 중요한 것이 무엇인지 행동을 통해 적극적으로 보일 수 있어야 합니다.

팁

의미 체계 모델(이전에는 데이터 세트라고 함), 레이크하우스 또는 보고서와 같은 데이터 솔루션을 개발하기 위해 노력하면 그 노력이 인정될 것이라고 기대할 수 있다면 이것이 바로 건강한 데이터 문화가 자리 잡고 있음을 보여 주는 지표가 됩니다. 그러나 때로는 직속 상사가 가장 중요하게 여기는 것이 무엇인지에 따라 달라지는 경우가 많습니다.

데이터 문화를 확립하기 위한 최초의 동기는 특정한 전략적 비즈니스 문제나 이니셔티브로 인해 유발되는 경우가 많습니다. 최초의 동기는 다음과 같을 수 있습니다.

  • 새로운 애자일 경쟁사에 대응하기 위한 사후 변화.
  • 새로운 사업 부문 시작하기, 새로운 기회를 점유하기 위해 새로운 시장으로 진출하기와 같은 선제적인 변화. 이미 많은 것이 확립된 조직에 비해 제약 사항과 여러 가지 복잡한 요인이 적은 경우 처음부터 데이터를 기반으로 의사 결정을 내리기가 비교적 쉬울 수 있습니다.
  • 경기 침체 시기에 비효율과 중복을 제거해야 한다는 압박과 같은 외부의 변화.

위와 같은 각 상황에서, 데이터 문화가 뿌리를 내리는 곳은 특정한 영역인 경우가 많습니다. 이 특정한 영역은 조직 전체와 비교했을 때 상대적으로 작은 노력의 범위일 수 있습니다. 이 작은 범위에서 필요한 변화가 이루어지면 조직의 나머지 부분에서도 점진적으로 적용될 수 있습니다.

데이터 문화의 목표를 달성하는 데 기술이 도움이 될 수 있지만, 특정 도구나 기능을 구현하는 것이 궁극적인 목표는 아닙니다. 이 문서 시리즈에서는 건강한 데이터 문화 채택에 기여하는 다양한 요소를 살펴봅니다. 이 문서의 나머지 부분에서는 데이터 문화의 세 가지 측면, 즉 데이터 검색, 데이터 보편화, 데이터 리터러시를 살펴봅니다.

데이터 검색

성공적인 데이터 문화는 일상 업무에서 적절한 데이터를 사용하여 일하는 사용자에게 달려 있습니다. 이 목표를 달성하려면 사용자는 데이터 소스, 보고서 및 기타 항목을 찾아서 액세스할 수 있어야 합니다.

데이터 검색이란 조직 전체에서 관련 데이터 자산을 효과적으로 찾는 능력을 말합니다. 기본적으로 데이터 검색은 데이터의 존재 사실에 대한 인지도를 높이는 것과 관련이 있으며, 이는 데이터가 부서 시스템에 고립되어 있으면 특히 어려울 수 있습니다.

데이터 검색은 다음과 같은 이유로 검색과 약간 다른 개념입니다.

  • 데이터 검색을 통해 사용자는 현재 해당 항목에 액세스할 수 없더라도 의미 체계 모델 이름과 같은 항목에 대한 메타데이터를 볼 수 있습니다. 해당 항목의 존재를 알게 된 사용자는 표준 프로세스를 거쳐 해당 항목에 대한 액세스 권한을 요청할 수 있습니다.
  • 검색을 통해 사용자는 이미 항목에 대한 보안 액세스 권한을 갖고 있는 경우 기존 항목을 찾을 수 있습니다.

팁

사용자가 데이터에 대한 액세스를 요청할 수 있도록 명확하고 단순한 프로세스를 구비해 두는 것이 중요합니다. 데이터가 있기는 하지만 도메인 소유자가 확립해 둔 가이드라인과 프로세스 내에서 데이터에 액세스할 수 없다면 사용자는 난감해집니다. 사용자가 올바른 채널을 통해 액세스 권한을 요청하는 대신 어쩔 수 없이 비효율적인 우회 수단을 사용하게 될 수 있습니다.

데이터 검색은 다음과 같이 채택 노력과 거버넌스 방식의 구현에 기여합니다.

  • 신뢰할 수 있는 고품질 데이터 소스를 사용하도록 장려.
  • 사용자가 사용 가능한 데이터 자산에 대한 기존 투자를 활용하도록 장려합니다.
  • 기존 데이터 항목(예: 레이크하우스, 데이터 웨어하우스, 데이터 파이프라인, 데이터 흐름 또는 의미 체계 모델) 또는 보고 항목(예: 보고서, 대시보드 또는 메트릭)을 사용하고 보강하도록 촉진합니다.
  • 누가 데이터 자산을 소유하고 관리하는 지 알 수 있도록 지원합니다.
  • 소비자, 제작자, 소유자 사이의 연결 지원.

OneLake 데이터 허브와 보증 사용은 조직에서 데이터 검색을 촉진하는 주요 방법입니다.

또한 데이터 카탈로그 솔루션은 데이터 검색을 위한 매우 유용한 도구입니다. 메타데이터 태그와 설명을 기록하여 보다 깊이 있는 컨텍스트와 의미를 제공합니다. 예를 들어, Microsoft Purview는 패브릭 테넌트(및 기타 여러 원본)에서 항목을 검사하고 카탈로그화할 수 있습니다.

데이터 검색에 대한 질문

데이터 검색을 평가하려면 아래에 있는 것과 같은 질문을 사용합니다.

  • 비즈니스 사용자가 데이터를 검색할 수 있는 데이터 허브가 있나요?
  • 정의와 데이터 위치를 설명하는 메타데이터 카탈로그가 있나요?
  • 고품질 데이터 원본은 인증 또는 홍보를 통해 보증되나요?
  • 사람들이 필요한 데이터를 찾을 수 없기 때문에 중복된 데이터 원본이 어느 정도까지 존재하나요? 데이터 항목을 만들려면 어떤 역할이 필요하나요? 보고서를 작성하거나 임시 분석을 수행하려면 어떤 역할이 필요하나요?
  • 최종 사용자가 기존 보고서를 찾아서 사용할 수 있나요? 아니면 직접 작성하기 위해 데이터 내보내기를 고집하나요?
  • 최종 사용자는 특정 비즈니스 질문을 해결하거나 특정 데이터를 찾는 데 어떤 보고서를 사용해야 하는지 알고 있나요?
  • 사람들이 적절한 데이터 원본과 도구를 사용하고 있나요, 아니면 레거시 데이터 원본과 도구를 선호하여 이에 저항하고 있나요?
  • 예를 들어, 분석가는 Power BI 복합 모델을 사용하여 기존 인증 의미 체계 모델을 새로운 데이터로 보강하는 방법을 이해하고 있나요?
  • 데이터 항목의 품질, 완전성 및 명명 규칙이 얼마나 일관성이 있나요?
  • 데이터 항목 소유자가 데이터 계보에 따라 데이터 항목의 영향 분석을 수행할 수 있나요?

데이터 검색의 성숙도 수준

다음 성숙도 수준은 데이터 검색의 현재 상태를 평가하는 데 도움이 될 수 있습니다.

수준 패브릭 데이터 검색 상태
100: 초기 • 데이터가 조각화되고 체계화되어 있어 이를 찾을 수 있는 명확한 구조나 프로세스가 없습니다.

• 사용자는 작업에 필요한 데이터를 찾고 사용하는 데 어려움을 겪습니다.
200: 반복 가능 • 데이터를 정리하고 문서화하기 위한 분산적이거나 유기적인 활동이 진행되고 있지만 특정 팀이나 부서에만 해당됩니다.

• 콘텐츠가 경우에 따라 보증되지만 이러한 보증은 정의되지 않으며 프로세스가 관리되지 않습니다. 데이터는 여전히 고립되고 조각화되어 있어 액세스가 어렵습니다.
300: 정의됨 • OneLake 데이터 허브와 같은 중앙 리포지토리는 데이터가 필요한 사람들이 데이터를 더 쉽게 찾을 수 있도록 하는 데 사용됩니다.

• 고품질 데이터 및 콘텐츠를 보증하기 위한 명시적인 프로세스가 마련되어 있습니다.

• 기본 설명서에는 카탈로그 데이터, 정의, 계산은 물론 이를 찾을 수 있는 위치가 포함됩니다.
400: 가능 • 체계적이고 일관된 프로세스의 안내에 따라 사용자에게 중앙 허브에서 데이터를 보증하고, 문서화하고, 찾을 수 있습니다. 데이터 사일로는 규칙이 아닌 예외입니다.

• 품질 데이터 자산은 지속적으로 승인되고 쉽게 식별됩니다.

• 포괄적인 데이터 사전이 유지 관리되고 데이터 검색이 개선됩니다.
500: 효율 • 데이터 계보를 전체적으로 볼 수 있도록 데이터와 메타데이터를 체계적으로 구성하고 문서화합니다.

• 품질 자산이 보증되고 쉽게 식별됩니다.

• Microsoft Purview와 같은 카탈로그 도구는 사용 및 관리를 위해 데이터를 발견할 수 있도록 만드는 데 사용됩니다.

데이터 민주화

데이터 보편화란 비즈니스 문제를 해결하는 일을 담당하는 더 많은 사용자에게 데이터를 제공하는 것을 의미합니다. 더 많은 사용자가 더 나은 데이터 기반 결정을 내릴 수 있도록 하는 것입니다.

참고 항목

데이터 보편화라는 개념은 보안의 부재를 의미하지 않으며 직무에 기반한 정당화의 부재를 의미하지도 않습니다. 건강한 데이터 문화의 한 가지 요소인 데이터 보편화는 다음과 같은 의미 체계 모델을 제공하여 섀도 IT를 줄입니다.

  • 적절하게 보호 및 통제되고 관리됩니다.
  • 비용 효율적이고 시기 적절한 방법으로 비즈니스 요구 사항을 충족합니다.

데이터 보편화를 바라보는 조직의 자세는 채택 및 거버넌스 관련 노력에 막대한 영향을 줄 수 있습니다.

Warning

데이터를 사용할 수 있는 능력은 정상 데이터 문화의 핵심적인 특징입니다. 따라서 데이터 액세스 또는 분석 수행 능력이 조직의 일부 사용자로 한정된다면 이는 일반적으로 경고 신호입니다.

데이터 보편화에 대해 묻는 질문

데이터 보편화를 평가하려면 아래와 같은 질문을 사용합니다.

  • 데이터 및 분석에 쉽게 액세스할 수 있나요? 아니면 제한된 역할과 개인만 액세스할 수 있나요?
  • 사람들이 새로운 데이터와 도구에 대한 액세스를 요청할 수 있는 효과적인 프로세스가 마련되어 있나요?
  • 데이터가 팀과 사업부 간에 쉽게 공유되나요, 아니면 격리되어 철저하게 보호되나요?
  • Power BI Desktop을 설치할 수 있는 사용자는 누구인가요?
  • Power BI Pro 또는 Power BI PPU(사용자 단위 Premium) 라이선스를 보유할 수 있는 사용자는 누구인가요?
  • Fabric 작업 영역에서 자산을 만들 수 있는 사용자는 누구인가요?
  • 어떤 수준의 셀프 서비스 분석 및 BI(비즈니스 인텔리전스) 사용자 지원을 원하나요? 이 수준은 사업부나 직무에 따라 어떻게 달라지나요?
  • 원하는 비율의 엔터프라이즈 분석과 셀프 서비스 분석 및 BI는 어떻게 되나요?
  • 어떤 항목과 비즈니스 도메인에 대해 어떤 데이터 원본이 가장 기본 설정되나요? 비사용 데이터 원본의 허용되는 용도는 무엇인가요?
  • 콘텐츠는 누가 관리할 수 있나요? 이 결정은 데이터와 보고서에 각각 다르게 적용되나요? 엔터프라이즈 BI 사용자와 탈중앙화 사용자의 결정이 다른가요? 셀프 서비스 BI 콘텐츠를 소유하고 관리할 수 있는 사용자는 누구인가요?
  • 콘텐츠는 누가 소비할 수 있나요? 이 결정은 외부 파트너, 고객 또는 공급자마다 다른가요?

데이터 보편화의 성숙도 수준

다음 성숙도 수준은 데이터 보편화의 현재 상태를 평가하는 데 도움이 될 수 있습니다.

수준 데이터 보편화 현황
100: 초기 • 데이터 및 분석은 다른 사람의 액세스를 관리하는 소수의 역할로 제한됩니다.

• 비즈니스 사용자는 작업을 완료하려면 데이터 또는 도구에 대한 액세스를 요청해야 합니다. 지연이나 병목 현상으로 어려움을 겪고 있습니다.

• 조직의 여러 영역에서 셀프 서비스 이니셔티브가 시행되고 있으며 일부는 성공을 거두었습니다. 이러한 활동은 전략적 계획 없이 극소수의 공식적인 프로세스만 사용하여 다소 혼란스러운 방식으로 이루어지고 있습니다. 셀프 서비스 운영에 대한 감독 및 가시성이 없습니다. 각 솔루션의 성공 또는 실패는 잘 알려져 있지 않습니다.

• 엔터프라이즈 데이터 팀이 비즈니스 요구 사항을 따라갈 수 없습니다. 이 팀이 다량의 요청 백로그에 시달리고 있을 수 있습니다.
200: 반복 가능 • 데이터와 도구에 대한 액세스를 확대하려는 활동이 제한적으로 진행되고 있습니다.

• 여러 팀이 셀프 서비스 솔루션을 통해 상당한 성공을 거두었습니다. 조직의 사람들이 관심을 갖기 시작했습니다.

• 엔터프라이즈 솔루션과 셀프 서비스 솔루션의 이상적인 균형을 파악하기 위해 투자가 이루어지고 있습니다.
300: 정의됨 • 많은 사람들이 필요한 데이터와 도구에 액세스할 수 있지만, 모든 사용자가 자신이 만든 콘텐츠에 대해 동등하게 권한을 부여받거나 책임을 지는 것은 아닙니다.

• 조직의 더 많은 영역에서 효과적인 셀프 서비스 데이터 방식이 의도를 갖고 점진적으로 적용되고 있습니다.
400: 가능 • 엔터프라이즈와 셀프 서비스 솔루션 제작자 사이에는 건전한 파트너 관계가 형성되어 있습니다. 명확하고 현실적인 사용자 책임 및 정책은 셀프 서비스 분석 및 BI의 위험을 완화합니다.

• 사용자가 데이터 및 도구에 대한 액세스를 요청할 수 있는 명확하고 일관된 프로세스가 마련되어 있습니다.

• 유용한 솔루션을 만들기 위해 주도적으로 노력하는 직원들이 인정과 보상을 받습니다.
500: 효율 • 사용자 책임과 효과적인 거버넌스는 사용자가 데이터로 수행하는 작업에 대해 중앙팀에 확신을 줍니다.

• 자동화되고 모니터링되는 프로세스를 통해 사람들은 데이터와 도구에 대한 액세스를 쉽게 요청할 수 있습니다. 데이터 사용에 대한 필요성이나 관심이 있는 사람은 누구나 이러한 프로세스에 따라 분석을 수행할 수 있습니다.

데이터 리터러시

데이터 리터러시는 데이터와 분석을 정확하고 효과적으로 해석하고, 만들고, 커뮤니케이션하는 기능을 말합니다.

멘토링 및 사용자 지원 문서에서 설명하는 교육 노력에서는 기술 자체를 사용하는 방법에 주력하는 경우가 많습니다. 기술 스킬은 고품질 솔루션을 생산하는 데 중요하지만, 조직 전체에서 의도적으로 데이터 리터러시를 증진할 방법을 고민하는 것도 중요합니다. 성공적인 채택을 위해서는 단지 사용자에게 소프트웨어와 라이선스를 제공하는 것 그 이상의 노력이 요구됩니다.

조직에서 데이터 리터러시를 어떻게 증진해야 하는지는 현재 사용자 기술 세트, 데이터 복잡도, 필요한 분석 유형 등 다양한 요인에 따라 달라질 수 있습니다. 데이터 문해력과 관련된 다음 유형의 활동에 집중하도록 선택할 수 있습니다.

  • 차트 및 그래프 해석
  • 데이터의 유효성 평가
  • 근본 원인 분석
  • 상관 관계와 인과 관계 구분
  • 컨텍스트 및 이상값이 제시된 결과에 어떤 영향을 주는지 파악
  • 스토리텔링을 사용하여 소비자들이 빠르게 이해하고 실행하도록 지원

팁

데이터 문화나 거버넌스 노력에 대한 승인을 받는 데 어려움을 겪고 있다면 데이터 검색("데이터 찾기"), 데이터 보편화("데이터 사용하기") 또는 데이터 리터러시("데이터 이해하기")를 통해 달성할 수 있는 구체적인 이점에 집중하는 것이 도움이 될 수 있습니다. 데이터 문화 발전을 통해 해결하거나 완화할 수 있는 특정 문제에 집중하는 것도 도움이 될 수 있습니다.

가장 먼저 취해야 할 조치는 관계자들로부터 문제에 대한 합의를 이끌어내는 것입니다. 그런 다음, 전략적인 솔루션 접근 방식에 대한 관계자들의 합의를 이끌어내고, 솔루션 세부 정보에 대한 합의를 이끌어내야 합니다.

데이터 리터러시에 대해 묻는 질문

데이터 리터러시를 평가하려면 아래에 있는 것과 같은 질문을 사용합니다.

  • 데이터 및 BI 솔루션에 대해 설명하기 위해 조직에 공통 분석 어휘가 존재하나요? 아니면 정의가 조각화되어 있고 사일로 전체에 걸쳐 서로 다른가요?
  • 직관이나 주관적인 환경에 비해 사람들은 데이터와 증거를 기반으로 결정을 내리는 데 얼마나 편안함을 느끼나요?
  • 자신의 의견을 갖고 있는 사람들이 상충되는 증거에 직면할 때 어떻게 반응하나요? 데이터를 비판적으로 평가하나요, 아니면 해제하나요? 자신의 의견을 바꿀 수 있나요, 아니면 확고히 자리 잡고 저항하게 되나요?
  • 데이터 및 분석 도구에 대한 학습을 지원하는 학습 프로그램이 있나요?
  • 정적 스프레드시트를 선호하여 시각적 분석 및 대화형 보고 기능을 사용하는 데 상당한 저항이 있나요?
  • 사람들은 잠재적으로 비즈니스 문제를 보다 효과적으로 해결할 수 있는 새로운 분석 방법과 도구를 사용하는 데 개방적인가요? 아니면 시간과 에너지를 절약하기 위해 기존 방법과 도구를 계속 사용하는 것을 선호하나요?
  • 조직의 데이터 리터러시를 평가하거나 개선시키는 방법 또는 프로그램이 있나요? 경영진은 데이터 리터러시 수준을 정확하게 이해하고 있나요?
  • 데이터 리터러시가 특히 강하거나 약한 역할, 팀 또는 부서가 있나요?

데이터 리터러시의 성숙도 수준

다음 성숙도 수준은 현재 데이터 리터러시 상태를 평가하는 데 도움이 될 수 있습니다.

수준 데이터 리터러시 상태
100: 초기 • 직관과 주관적인 환경을 바탕으로 결정을 내리는 경우가 많습니다. 기존 의견에 도전하는 데이터에 직면하면 데이터가 해제되는 경우가 많습니다.

• 개인은 의사 결정 과정이나 토론에서 데이터를 사용하고 이해하는 데 자신감이 낮습니다.

• 보고서 소비자는 정적 테이블을 매우 선호합니다. 이러한 소비자는 대화형 시각화나 정교한 분석 방법을 "멋지다"거나 불필요하다고 일축합니다.
200: 반복 가능 • 일부 팀과 개인은 의사 결정에 데이터를 일관되게 적용하지 않습니다. 데이터를 잘못 해석하여 잘못된 결정이나 잘못된 결론을 내리는 사례가 분명히 있습니다.

• 데이터에 대한 기존의 신뢰에 문제가 있을 때 일부 저항이 있습니다.

• 어떤 사람들은 대화형 시각화 및 정교한 분석 방법에 대해 회의적이지만 사용이 증가하고 있습니다.
300: 정의됨 • 대다수의 팀과 개인은 자신의 비즈니스 영역과 관련된 데이터를 이해하고 이를 의사 결정에 암시적으로 사용합니다.

• 데이터에 대한 기존의 신뢰에 문제가 있을 때 중요한 토론이 이루어지고 때로는 변화하려는 동기가 생깁니다.

• 시각화 및 고급 분석이 더 널리 받아들여지고 있지만 항상 효과적으로 사용되는 것은 아닙니다.
400: 가능 • 데이터 리터러시는 조직에서 필요한 기술로 명시적으로 인식됩니다. 일부 학습 프로그램에서는 데이터 리터러시를 다룹니다. 특히 데이터 리터러시가 약한 부서, 팀 또는 개인을 돕기 위해 구체적으로 노력합니다.

• 대부분의 개인은 데이터를 효과적으로 사용하고 적용하여 객관적으로 더 나은 결정을 내리고 조치를 취할 수 있습니다.

• 시각적 및 분석적 모범 사례가 문서화되어 전략적으로 중요한 데이터 솔루션에 적용됩니다.
500: 효율 • 데이터 리터러시, 비판적 사고, 지속적인 학습은 조직의 전략적 기술이자 가치입니다. 효과적인 프로그램은 진행 상황을 모니터링하여 조직의 데이터 리터러시를 개선시킵니다.

• 의사 결정은 조직 전체의 데이터를 기반으로 이루어집니다. 의사 결정 인텔리전스 또는 처방적 분석은 주요 의사 결정과 작업을 권장하는 데 사용됩니다.

• 시각적 및 분석적 모범 사례는 데이터를 통해 비즈니스 가치를 창출하는 데 필수적인 것으로 간주됩니다.

고려 사항 및 주요 조치

검사 목록 - 데이터 문화를 강화하기 위해 고려해야 하는 사항과 취해야 할 주요 행동은 다음과 같습니다.

  • 사용자 데이터 문화 목표 및 전략에 맞게 조정: 육성할 데이터 문화 유형을 진지하게 고려합니다. 이상적인 데이터 문화는 명령하고 통제하는 입장이 아닌 사용자 지원의 입장에서 출발합니다.
  • 현재 상태 파악: 여러 사업부의 관계자들과 대화하여 데이터 기반 의사 결정과 관련하여 현재 잘 작동하고 있는 분석 방식과 그렇지 않은 분석 방식을 알아봅니다. 일련의 워크샵을 진행하여 현재 상황을 파악하고 원하는 미래의 상황을 그려 봅니다.
  • 이해관계자와 대화: IT, BI 및 COE의 이해관계자와 대화하여 어떤 거버넌스 제약 조건을 고려해야 하는지 파악합니다. 이러한 대화는 보안 및 인프라와 같은 항목에 대해 팀을 교육할 수 있는 기회를 제공할 수 있습니다. 또한 Fabric에 포함된 기능에 대해 관련자를 교육할 수 있는 기회를 활용할 수도 있습니다.
  • 경영진 스폰서쉽 확인: 데이터 문화의 목표를 달성하는 데 있어 경영진 스폰서쉽을 얼마나 받고 있는지 알아봅니다.
  • 데이터 전략에 대해 목적에 맞는 결정을 내립니다. 비즈니스 중심의 셀프 서비스, 관리형 셀프 서비스, 엔터프라이즈 데이터, 분석 및 BI 사용 사례의 이상적인 균형이 조직의 주요 사업부에 대해 이루어져야 하는지 결정합니다(콘텐츠 소유권 및 관리 문서에서 다룸). 또한 데이터 전략이 개인, 팀, 부서, 엔터프라이즈 분석 및 BI를 위해 게시된 콘텐츠 범위와 어떻게 관련되는지 고려합니다(콘텐츠 제공 범위 문서에 설명되어 있음). 이 전략 계획에 대한 상위 수준 목표와 우선 순위를 정의합니다. 이러한 결정이 전술 계획에 어떤 영향을 미치는지 결정합니다.
  • 전술 계획 만들기: 즉각적, 단기 및 장기 작업 항목에 대한 전술 계획을 만들기 시작합니다. "빠른 성공"을 통해 가시적으로 차별화할 수 있는 비즈니스 그룹과 문제를 식별합니다.
  • 목표 및 메트릭 만들기: 데이터 문화 이니셔티브의 효율성을 측정하는 방법을 결정합니다. KPI(핵심 성과 지표) 또는 OKR(목표 및 주요 결과)을 만들어 노력의 결과를 확인합니다.

데이터 문화권에 대해 묻는 질문

데이터 문화권을 평가하려면 아래와 같은 질문을 사용합니다.

  • 데이터는 조직의 전략적 자산으로 간주되나요?
  • 경영진의 리더십에서 비롯되고 조직 목표에 부합하는 건전한 데이터 문화권에 대한 비전이 있나요?
  • 데이터 문화권이 거버넌스 정책 및 지침을 만드는 방법을 안내하나요?
  • 콘텐츠 작성자와 소비자가 조직의 데이터 원본을 신뢰할 수 있나요?
  • 의견, 결정, 선택을 정당화할 때 사람들은 데이터를 증거로 사용하나요?
  • 분석 및 데이터 사용에 대한 지식이 문서화되어 있나요? 아니면 문서화되지 않은 부족 지식에 의존하고 있나요?
  • 데이터 솔루션을 개발하려는 활동이 사용자 커뮤니티에서 가치 있고 높이 평가되나요?

데이터 문화권의 성숙도 수준

아래의 성숙도는 데이터 문화의 현재 상태를 평가하는 데 도움이 됩니다.

수준 데이터 문화의 상태
100: 초기 • 엔터프라이즈 데이터 팀은 비즈니스 요구 사항을 따라갈 수 없습니다. 요청의 상당한 백로그가 존재합니다.

• 셀프 서비스 데이터 및 BI 이니셔티브가 조직의 다양한 영역에서 어느 정도 성공을 거두고 있습니다. 이러한 작업은 공식적인 프로세스가 거의 없고 전략적 계획도 없이 다소 혼란스러운 방식으로 발생합니다.

• 셀프 서비스 BI 운영에 대한 감독 및 가시성이 없습니다. 데이터와 BI 솔루션의 성공과 실패는 잘 알려져 있지 않습니다.
200: 반복 가능 • 여러 팀이 셀프 서비스 솔루션을 통해 측정 가능한 성공을 거두고 있습니다. 조직의 사람들이 관심을 갖기 시작했습니다.

• 엔터프라이즈 및 셀프 서비스 데이터, 분석, BI의 이상적인 균형을 파악하기 위해 투자가 이루어지고 있습니다.
300: 정의됨 • 데이터 문화를 발전시키기 위한 구체적인 목표가 수립됩니다. 이러한 목표는 증분 방식으로 구현됩니다.

• 개별 사업부에서 작업하는 내용에 대한 학습이 공유됩니다.

• 조직의 더 많은 영역에서 효과적인 셀프 서비스 방식이 의도를 갖고 점진적으로 적용되고 있습니다.
400: 가능 • 정보에 입각한 의사 결정을 내린다는 데이터 문화 목표가 조직의 목표와 조율되어 있습니다. COE(경영진 스폰서)가 데이터 문화 목표를 적극적으로 지원하며, 데이터 문화 목표는 채택 전략에 직접적으로 영향을 줍니다.

• 경영진 스폰서, COE, 사업부 및 IT 사이에 건강하고 생산적인 파트너십이 존재합니다. 팀은 공유 목표를 향해 노력하고 있습니다.

• 유용한 데이터 솔루션을 만들기 위해 주도적으로 노력하는 직원들이 인정과 보상을 받습니다.
500: 효율 • 데이터, 분석, BI 솔루션의 비즈니스 가치는 정기적으로 평가되고 측정됩니다. KPI 또는 OKR은 데이터 문화권 목표와 이러한 활동의 결과를 추적하는 데 사용됩니다.

• 피드백 루프가 마련되어 있으며 지속적인 데이터 문화 개선이 권장됩니다.

• 조직 채택, 사용자 채택 및 솔루션 채택의 지속적인 개선이 첫 번째 우선 순위입니다.

관련 콘텐츠

Microsoft Fabric 도입 로드맵 시리즈의 다음 문서에서 경영진 스폰서의 중요도에 대해 알아봅니다.