[ad_1]
FourKites의 창립자이자 CEO인 Matt Elenjickal은 지적 “데이터는 디지털 혁신의 원동력입니다.” 하지만 양질의 데이터여야 합니다! “모든 셰프가 최고 품질의 재료가 아니면 음식을 먹을 수 없게 만들 수 있다고 말하는 것처럼 나쁜 데이터는 데이터 기반 IT 노력을 망칠 수 있습니다.”
엔터프라이즈 구현이 예상보다 오래 걸리는 경우(거의 모든 경우) 데이터를 정리하는 데 필요한 시간이 주요 요인인 경우가 많습니다. 엔터프라이즈 시스템의 성능이 저하되면 시스템에서 사용되는 매개 변수가 더 이상 정확하지 않기 때문인 경우가 많습니다. 이것은 또한 데이터 문제입니다. 엔터프라이즈의 중요한 성능 동인인 마스터 데이터 관리(MDM).
마스터 데이터 관리란 무엇입니까?
마스터 데이터 관리는 데이터가 정확하고 액세스 가능하며 최신 상태인지 확인하는 원칙입니다. 안타깝게도 많은 부서에서 효과적으로 운영하는 데 필요한 데이터는 기업 전체에서 가져오며 해당 부서 내에서 생성되지 않습니다. APQC와 디지털 공급망 연구소(DSCI)는 MDM에 대한 모범 사례 및 벤치마킹 연구를 수행했습니다. APQC 벤치마킹, 모범 사례 및 성과 개선 연구를 수행하는 회원 기반 비영리 단체입니다. APQC 연구를 훌륭하게 만드는 이유 중 하나는 많은 수의 회원을 참여시킬 수 있고 강력한 검증 프로세스가 있다는 것입니다. 이 조사에는 1300명 이상의 자격을 갖춘 응답자가 참여했습니다.
APQC는 마스터 데이터를 기업의 핵심 엔터티를 설명하는 식별자 및 확장 속성 집합으로 정의합니다. 여기에는 고객, 제품, 공급업체 및 사이트/자산이 포함됩니다. 공급망의 경우 다른 핵심 데이터 세트에는 처리량/리드 타임 및 글로벌 위험도 포함됩니다. 이 모든 데이터는 최신 상태로 깨끗하게 유지되어야 합니다.
APQC 연구의 최고 수행자들은 마스터 데이터 레코드를 구성, 분류, 동기화 및 보강하는 지속적인 프로세스에 참여했습니다. 일반적으로 기술에 의해 활성화되는 MDM은 기업의 공식 공유 마스터 데이터 자산의 통일성, 정확성, 관리, 의미론적 일관성 및 책임을 보장하기 위해 비즈니스 및 IT 팀이 협력해야 합니다.
효과적인 마스터 데이터 관리는 “한 번에 끝나는” 프로세스가 아닙니다. 명확한 거버넌스와 지속적인 관심이 필요한 지속적인 여정입니다. 중앙 집중식 소유권은 기본적인 요구 사항입니다.
APQC의 연구에서 응답자에게 마스터 데이터를 관리하는 방법을 물었을 때 응답자의 64percent만이 최고 데이터 책임자와 같은 전사적 기능에서 마스터 데이터를 중앙 집중화한다고 보고했습니다. 예를 들어, 판매가 고객 데이터를 소유하고 공급망이 공급업체 데이터를 소유하는 경우와 같은 분산된 접근 방식은 조직을 실패에 빠뜨립니다.
고품질 데이터가 중요합니다. 조직이 수십 또는 수백 개의 다양한 애플리케이션에서 데이터를 수집할 때 회사는 중복된 레코드, 불완전한 필드, 형식 불일치, 다른 언어 및 다른 측정 단위를 보게 됩니다.
데이터 마스터 달성
많은 회사가 실시간 운송 가시성과 이를 제공하는 것과 관련된 복잡성을 위해 FourKites에 의존하기 때문에 FourKites는 마스터 데이터 관리의 마스터입니다. 그들은 몇 가지 팁을 제공합니다.
여러 계층의 확인 – “가장 효과적인 조직은 데이터가 조직에 들어올 때 여러 계층의 데이터를 확인합니다. 비즈니스의 첫 번째 순서는 처음부터 잘못된 데이터가 시스템에 들어가는 것을 막는 것입니다.
루프에서 인간을 제거하십시오. – 조직이 데이터를 입력하기 위해 사람에게 의존할 때 오류가 훨씬 더 흔합니다. 불행히도 인간을 루프에서 제외하는 것이 항상 가능한 것은 아닙니다. 이것은 새로운 고객 및 공급업체 데이터를 입력할 때 특히 그렇습니다.
경고 – 잘못된 데이터가 발견되면 다음 단계는 누군가에게 알리는 것입니다. 중요하고 시간에 민감한 더티 데이터에 대한 경고를 에스컬레이션하는 방법과 경고 메커니즘이 필요합니다. 팀은 가장 중요한 데이터 문제에 먼저 집중해야 합니다.
개선 – 다음 단계는 교정입니다. 요컨대, 데이터가 나쁘다는 것을 알게 된 조직은 무엇을 해야 합니까? 기업은 주어진 데이터 품질 문제를 해결할 수 있는지 또는 데이터 소스인 외부 공급자에게 다시 문의해야 하는지 여부를 결정해야 합니다.
사용 기술 – 패턴 인식 및 기타 기능은 데이터가 잘못되었을 가능성이 있는 경우를 감지하는 데 도움이 될 수 있습니다. 예를 들어 FourKites는 화물에 대한 위도 및 경도 좌표에 크게 의존합니다. 그들은 이 데이터가 특정 숫자 형식으로 제공되도록 기술을 사용합니다.
데이터 오류 감지 기술은 다른 엔터프라이즈 응용 프로그램, 특히 공급망 솔루션에 점점 더 많이 포함되고 있습니다. 예를 들어, 계획 구현에 필요한 다양한 시스템에서 올바른 마스터 데이터를 찾는 데 그래프 데이터베이스가 사용되기 시작했습니다. 또한 리드 타임 정보를 최신 상태로 유지하기 위해 머신 러닝이 사용되고 있습니다.
결론
디지털 변혁의 동인 중 하나는 빅 데이터를 경쟁 차별화에 활용할 수 있다는 생각을 전제로 합니다. 빅 데이터는 대중적인 개념이지만 대부분의 회사는 데이터에 빠져 있습니다. 모든 데이터를 지속적으로 확인하고 정리해야 합니까? 아마 아닐 겁니다. 모든 데이터가 똑같이 중요한 것은 아닙니다. 또한 필요한 것은 특정 목표와 작업을 달성하고 이러한 활동의 우선 순위를 지정하는 데 필요한 대상 데이터를 이해하는 것입니다.
