데이터 거버넌스

데이터 거버넌스란 데이터 관리 정책과 지침·표준·전략·방향을 수립하고 데이터 관리 조직과 서비스를 구축하는 체계로 정의된다.

 

데이터 거버넌스 원칙 체계

 

- 데이터 결정(LEAP) : 관련 거버넌스 결정은 합법적이고 윤리적이어야 하며, 신중한 평가를 거쳐야 하고, 모든 관련 이해관계자의 참여를 끌어내야 함

- 데이터 활동(TASQ) : 높은 수준의 데이터 품질뿐만 아니라 투명성, 책임성, 안전성 및 보안이 필요하다는 공감대가 형성되어야 함

- 데이터 가치(FAIR/QRES) : FAIR은 데이터 가치를 창출하고 공유 및 재사용뿐만 아니라 데이터에 대한 접근성을 향상시키는 데 매우 유용함. QRES는 품질, 자원, 생태 발자국 인식과 지속가능성을 강조하는 태도임

- 데이터 공유(CROP/CARE) : CROP은 데이터 공유를 위한 다양한 부문 간 프레임워크와 이에 상응하는 접근 및 통제 메커니즘의 강화 필요성을 강조함. CARE는 데이터 공유 및 사용이 원래 데이터를 소유했던 개인과 지역사회에 도움이 되어야 하며, 이들이 통제권을 유지해야 함을 강조함

 

[KDATA]데이터산업+이슈브리프+23년+12호_데이터생태계+신뢰성과+생성형AI의+데이터+형평성을+위한+프레임워크_231228.pdf

1.31MB

 

데이터 양은 폭증하는데 관리가 소홀하면 비용이 늘고 데이터 유출 위험을 초래한다.

품질이 낮은 데이터를 사용, 잘못된 정책 수립으로 사회 혼선이 빚어질 수도 있다.

특히 개인 프라이버시에 대한 데이터가 잘못 활용될 경우 '빅브라더(정보의 독점으로 사회를 통제)'가 현실화된다.

 

1)데이터가 기하급수적으로 증가하고 있고, 이와 함께 기업에 데이터를 어떻게 처리했는지 기록할 것을 요구하는 규정들 또한 확대되고 있는 추세다. 이와 관련, GDPR(General Data Protection Regulation), 바젤협약(Basel Accord), BCBS 239, 솔벤시(Solvency) II 및 HIPAA를 예로 들 수 있다.

 

2)데이터 거버넌스에서 가장 중요한 것은 광범위하게 사용하기 위해 우선시 할 필요가 있는 데이터의 종류, 프라이버시와 투명성을 확보하는 방법, 비즈니스 니즈에 맞춰 이에 대한 책임을 수행할 사람을 파악하는 데 도움을 주는 전사적인 프로그램을 수립해 실천하는 것이다.

 

3)비즈니스 사용자들은 데이터를 신뢰하고, 비즈니스 인사이트, 의사결정, 경쟁력에 활용할 수 있다. 데이터 거버넌스는 기업이 다음에 필요한 정책, 통제책, 워크플로우를 정착시키도록 도움을 준다.

http://www.itworld.co.kr/news/108379

글로벌 칼럼 | 빅데이터를 제대로 활용할 수 있도록 돕는

 

데이터 큐레이터의 부상

데이터 큐레이터는 데이터 소비자(태블로나 파이썬 같은 툴을 사용해, 데이터로 중요한 질문의 답을 찾는 데이터 과학자와 분석가)와 데이터 엔지니어(스파크와 하이브, 맵리듀스 같은 스크립팅 언어를 사용해 시스템 간 데이터를 이동시키는 사람들) 중간에 위치한다. 유능한 데이터 큐레이터가 되려면 데이터의 의미는 물론 데이터에 적용되는 기술을 이해해야 한다.

 

 

C레벨 경영진이 중요하게 챙길 데이터 거버넌스 전략

 

EU GDRP(General Data Protection Regulation, 개인 정보 보호 규정)이 2015년 3월 8일부로 발효된다. 이는 분석과 관련된 분야에 많은 영향을 초래한다. 그러나 여기에 준비되지 않은 기업들이 존재하는 실정이다.

 

‘메타데이터 관리’ 확산 지속

 

GDPR만이 아니다. ‘데이터 범람’이 계속 확산되고 있는 추세이고, 이에 세계 각국 정부들이 새로운 규제를 부과하고 있다. 기업 내 여러 팀들이 과거 어느 때보다 많이 데이터에 접근해 이를 활용하고 있다. 이에 데이터 거버넌스, 데이터 품질, 메타데이터 관리의 중요성이 높아졌다.

 

유의미한 인사이트를 추출하고, 운영 성과를 높이기 위해서는, 사용자가 신속하게 데이터를 획득, 준비, 분석, 관리하는 유연한 통합 도구가 필요하다. 특히 메타데이터 관리는 기업 데이터 환경에서의 데이터 관리 수요, 규제 준수, 데이터 거버넌스를 지원하는 필수적인 역할을 할 전망이다.

 

 

데이터 품질 개선에 도움을 주는 예측 분석

데이터 프로젝트가 ‘생산화’ 단계로 발전하면, 데이터 품질이 아주 중요해진다. IoT로 데이터가 더 폭증할 것이라는 점을 감안했을 때 특히 중요하다. 인포직스에 따르면, 2018년 기업들은 데이터 품질의 ‘이상’을 더 효과적으로 감지하기 위해 머신러닝 알고리즘을 찾을 전망이다. 역사적인(기존) 패턴으로 미래의 데이터 품질을 예측, 놓치거나 (수동으로 개입을 했을 때)훨씬 나중에 발견할 수 있는 ‘이상’을 파악할 수 있다는 생각에서다.

 

(http://www.ciokorea.com/news/37617)

 

 

 

 

 

https://www.kdata.or.kr/kr/board/info_01/boardView.do?pageIndex=1&bbsIdx=33903&searchCondition=all&searchKeyword=

한국데이터산업업진흥원

https://m.blog.naver.com/minuword/222029789901

(데이터 분석 기획) 분석 거버넌스 체계 수립