2021.09.23

‘잘 써야 보약’ 피해야 할 ‘파워 BI’ 실수 10가지

Mary Branscombe | CIO
파워 BI(Power BI)는 정말이지 우수한 BI 툴이다. 데이터의 처리와 관련해 역량과 유연성을 제공한다. 이 마이크로소프트 툴은 엑셀 통합으로부터 기업 보고에 이르는 수많은 재주를 갖췄다. 나아가 심층적 인사이트를 쉽게 얻도록 해주는 AI 기능들이 추가되고 있다. 최근의 포레스터 웨이브의 증강 BI에 관한 보고서에는 “최고의 기업 BI 플랫폼 선택지로 파워 BI를 고려하지 않을 수 없다”라고 언급돼 있다.

그러나 최대의 효과를 얻으려면 파워 BI로 작업하는 방법을 이해해야 한다. 매우 강력하고 매우 다양한 기능을 갖추고 있기 때문에 더욱 그렇다. 아래에서는 기업들이 파워 BI를 다룰 때 저지르는 흔한 실수와 이를 피하는 법을 설명한다. 
 
Image Credit : Getty Images Bank

파워 BI의 남용  
엑셀과 매우 유사하게도, 파워 BI의 놀라운 위력은 현업 이용자들로부터 호응을 이끌어낸다. 아마 예상보다 조직 내에서 이미 더 많은 용도로 쓰이고 있을 가능성이 높다. 

그러나 이게 문제가 될 수 있다. 사람들이 나름대로 파워 BI를 활용하는 법을 발견하도록 방치한다면 아마 이를 최대한 활용하지 못할 것이다. 오히려 데이터가 과도하게 업로드 되고 (또한 여러 사람에 의해 중복되고), 생성된 데이터 가공물이 너무 많아 누가 무엇을 하고 있는지, 쓸만한 보고서가 어디에 있는 지 알 길이 없어진다.

신뢰할 수 있는 데이터 세트를 체계화하고 승인함으로써 사람들이 양질의 데이터를 쉽게 찾을 수 있도록 해야 한다. 교육을 제공하고, 아울러 현업 이용자가 파워 BI를 효과적으로 이용할 수 있도록 도움을 주는 사람, BI아키텍트, 데이터 전문가 등으로 구성된 전문가 팀을 구축하는 것을 고려할 만하다. 심지어 교육을 이수한 사람들로만 데이터 발행을 제한하는 것도 나쁘지 않다.

데이터 보안의 망각 
특히 가치가 있는 데이터는 조직 기밀일 것이고, 이의 이용은 아마 감사를 받아야 할 것이다. 마이크로소프트 인포메이션 프로텍션(Microsoft Information Protection)과 통합한다면, 데이터가 파워 BI로부터 엑셀로 내보내기 되더라도 데이터 이용을 관리하고 추적할 수 있고, 데이터가 사용되는 방식을 통제할 수 있다. 

지나친 규제 
그럼에도 불구하고 파워 BI 도입을 성공시키는 진정한 핵심은 이용자의 재량권과 효과적인 거버넌스 사이의 적절한 균형이다. 한 가지 확실하게 실패하는 방법은 데이터를 검토하고 공식 지침을 전달하는 소수의 비즈니스 애널리스트나 데이터 과학자로 이용을 제한하는 것이다. 

이들 전문가를 충분히 고용할 수도 없을뿐더러 조직 내에는 데이터 역량을 갖추고 있어서 파워 BI로 가치있는 통찰을 발견할 수 있는 사람이 훨씬 더 많을 것이다. 이들은 감각에 의해서가 아니라 데이터에 기초해 환경 변화에 대응할 수 있다. 

파워 BI 이용을 지나치게 제한하려 하지 말고 교육과 우수 사례에 의해 이들이 최고의 경험을 얻을 수 있도록 지원해야 한다.

성능 문제를 간과 
BI 인텔리전스의 가치에 대해 생각할 때 인텔리전스, 다시 말해 적절한 질문에 의해 양질의 데이터로부터 이끌어내는 통찰, 그리고 비즈니스, 다시 말해 임원들이 이 툴을 이용하고 통찰에 입각해 행동한다는 사실에만 집착하기 쉽다. 그러나 기본에 충실한 것도 중요하다. 보고서가 신속히 로드되지 않고, 인터랙티브 화면이 빠르지 않다면 사람들은 이를 사용하려 하지 않을 것이다. 

마이크로소프트에 따르면 파워 BI 도입의 성공은 우수한 보고 역량과 매우 강한 관계를 가진다. 그리고 성능에 주목하지 않는 것은 BI 프로젝트가 실패하는 제1의 원인이다.

파워 BI 데스크톱(Power BI Desktop)에 있는 쿼리 다이어그노스틱스(Query Diagnostics), 퍼포먼스 애널라이저(Performance Analyzer) 툴을 이용해 쿼리와 보고서가 작용하는 방식을 이해하고 향상시켜야 한다(SQL 서버 프로파일러 역시 정체를 일으키는 쿼리를 파악하는 데 유용하다). 

파워 BI 프리미엄에서는 애저 로그 애널리틱스(Azure Log Analytics)를 이용해 텔레메트리를 조사할 수 있다. 매립된 이용 메트릭스(Usage Metrics) 보고서로부터 시작해 어떤 보고서가 인기가 있는지 파악하고, 이들이 양호하게 최적화되었음을 확인하라. 

참고로 대형 조직의 경우, 마이크로소프트는 이용자의 파워 BI에 대한 만족도가 낮다면 이를 경고하고 문제를 일으키는 보고서가 무엇인지 지적한다. 그리고 최대 고객의 경우 보고서를 최적화하는 데 도움을 주는 무료 상담을 제공한다.

과도한 시각 정보 의존 
하나의 그림은 천 단어의 가치가 있다곤 한다. 그리고 파워 BI의 장점은 데이터 내부에서 벌어지고 있는 일을 그림으로 제시하는 것이다. 그러나 모든 그림이 유용한 것은 아니고, 지나치게 많은 차트와 시각 정보는 시각적 혼란을 유발할 수 있어 중요한 지표가 어디에 있는지를 파악하기 어렵게 만들 수 있다. 

이는 또한 수많은 쿼리를 생성해 보고 성능을 떨어뜨릴 수 있다. 진짜 중요한 정보를 보고할 수 있는 적절한 시각 정보를 발견하거나, 중요한 데이터를 자동으로 식별하는 키 인플루언서(Key Influencers) 등의 AI 시각 툴을 사용하라.

모바일을 활용하는 데 실패 
모든 사람이 책상에 앉아 있는 것은 아니다. 지나치게 혼잡한 보고서를 피하는 일은 전방 직원이 통찰을 활용할 때 특히 중요하다. 여기서는 파워 BI 모바일 앱이 유용하다. 파워 앱스(Power Apps)에 보고서를 접목하거나, 직원이 어디서든 볼 수 있는 특정한 목표에 대한 알림과 함께 ORR 보드와 점수 카드를 설정하는 것 역시 유익하다. 

향후, 모바일 앱은 공간적 앵커(spatial anchors)를 통해 데이터가 실제로 생성되는 물리적 장소로 데이터와 보고서를 가져올 것이다. 이 때 AR 뷰가 보고서를 물리적 객체에 고정시킨다. 예를 들어 체육관의 운동 장비 이용 현황, 슈퍼마켓 선반에 비치된 제품의 판매 수치, 공장에 설비된 기계의 처리량 등의 통계, 차량 판매 대리점의 차량 등이다. 적정 데이터를 즉시 볼 수 있다면 최상의 결정을 내리는 데 유리할 것이다.

DAX 또는 이의 성능의 간과 
DAX(Data Analysis Expressions)는 고급 분석을 위한 복잡한 필터, 조건부 로직, 집계를 가능하게 하는 강력한 함수들이다. DAX 함수가 부실하게 작성된다면 보고서가 느려질 수 있고, 용량을 낭비할 수 있기도 하다. 파워 BI 성능 분석기(Power BI Performance Analyzer)를 이용하면 개선이 필요한 DAX 지표를 찾아낼 수 있고, 이용자가 DAX를 원활하게 사용하는 법을 이해하는 데 도움을 주는 자원과 교육을 갖추어야 한다.
 
백엔드 시스템이 다이렉트 쿼리를 처리할 수 있다고 전제 
작업에 사용할 데이터를 파워 BI로 복제할 필요가 없다면 매우 편리할 것이다. 그러나 백엔드 시스템이 해당 데이터 로드를 감당할 수 있음을 검증해야 한다. 마이크로소프트는 일반적인 집계 쿼리에 대한 응답은 5초 미만이어야 한다고 말하지만, 보고서 안의 시각 정보의 수에 따라 이는 증가할 수 있음을 기억해야 한다. 

10 또는 20 개의 시각 정보가 있다면, 해당 보고서를 로딩하면 10 또는 20 개의 쿼리가 생성될 것이다. 따라서 보고서를 로드하는 데에만 1 또는 2분이 소요된다.

점증적인 갱신 및 집계를 사용하지 않는 것 
고성능 쿼리 엔진을 활용하기 위해 파워 BI로 데이터를 로딩하는 일은 그리 어렵지 않다. 이는 다양한 데이터 출처로부터의 연결 팩과 온-프레미스 데이터를 위한 게이트웨이에 의해 가능하다. 모든 데이터를 매일 수시로 리로드 하여 최신으로 유지하는 일은 가치가 있지만 변경되지 않은 오래된 데이터를 리로드 할 필요는 없다. 

이 과정은 변경된 데이터만을 로드하는 ‘점증적 갱신’에 의해 빨라질 수 있다. 아울러 이는 백엔드 시스템의 로드를 줄일 것이다. 다이렉트 쿼리의 경우 캐시 메모리에 데이터를 자동으로 미리 로드하고 집계함으로써 보고 속도를 높일 수 있고, 쿼리를 이행하는 외부 시스템 상의 로드를 줄일 수 있다.

데이터 문화를 조성하지 않는 것 
파워 BI 도입은 다양한 직원에게 데이터 툴을 널리 보급할 때 특히 성공적이다. 현업 이용자가 데이터에 의존해 의사 결정을 내리는 것을 자연스럽게 만들어야 한다. 

이를 위해서는 데이터 문화를 개발해야 한다. 마이크로소프트 애널리틱스의 CTO인 아미르 네츠는 데이터 문화와 관련해 “모든 대화는 데이터가 말하는 것을 바탕으로 시작되어야 하고, 모든 제안은 데이터가 뒷받침해야 한다”라고 말했다. 

생각에서 팩트로 이동한다면 거대한 차이가 만들어진다. 데이터 문화는 감각에 의존한 활동, 목소리가 큰 사람이나 권한이 많은 사람 위주의 의사결정 문화로부터의 탈피를 의미한다. 끊임없이 스스로를 관찰하고 측정하고, 나아가 끊임 없이 최적화하며 성과를 개선하는 객관적 조직으로의 이동이다. ciokr@idg.co.kr



2021.09.23

‘잘 써야 보약’ 피해야 할 ‘파워 BI’ 실수 10가지

Mary Branscombe | CIO
파워 BI(Power BI)는 정말이지 우수한 BI 툴이다. 데이터의 처리와 관련해 역량과 유연성을 제공한다. 이 마이크로소프트 툴은 엑셀 통합으로부터 기업 보고에 이르는 수많은 재주를 갖췄다. 나아가 심층적 인사이트를 쉽게 얻도록 해주는 AI 기능들이 추가되고 있다. 최근의 포레스터 웨이브의 증강 BI에 관한 보고서에는 “최고의 기업 BI 플랫폼 선택지로 파워 BI를 고려하지 않을 수 없다”라고 언급돼 있다.

그러나 최대의 효과를 얻으려면 파워 BI로 작업하는 방법을 이해해야 한다. 매우 강력하고 매우 다양한 기능을 갖추고 있기 때문에 더욱 그렇다. 아래에서는 기업들이 파워 BI를 다룰 때 저지르는 흔한 실수와 이를 피하는 법을 설명한다. 
 
Image Credit : Getty Images Bank

파워 BI의 남용  
엑셀과 매우 유사하게도, 파워 BI의 놀라운 위력은 현업 이용자들로부터 호응을 이끌어낸다. 아마 예상보다 조직 내에서 이미 더 많은 용도로 쓰이고 있을 가능성이 높다. 

그러나 이게 문제가 될 수 있다. 사람들이 나름대로 파워 BI를 활용하는 법을 발견하도록 방치한다면 아마 이를 최대한 활용하지 못할 것이다. 오히려 데이터가 과도하게 업로드 되고 (또한 여러 사람에 의해 중복되고), 생성된 데이터 가공물이 너무 많아 누가 무엇을 하고 있는지, 쓸만한 보고서가 어디에 있는 지 알 길이 없어진다.

신뢰할 수 있는 데이터 세트를 체계화하고 승인함으로써 사람들이 양질의 데이터를 쉽게 찾을 수 있도록 해야 한다. 교육을 제공하고, 아울러 현업 이용자가 파워 BI를 효과적으로 이용할 수 있도록 도움을 주는 사람, BI아키텍트, 데이터 전문가 등으로 구성된 전문가 팀을 구축하는 것을 고려할 만하다. 심지어 교육을 이수한 사람들로만 데이터 발행을 제한하는 것도 나쁘지 않다.

데이터 보안의 망각 
특히 가치가 있는 데이터는 조직 기밀일 것이고, 이의 이용은 아마 감사를 받아야 할 것이다. 마이크로소프트 인포메이션 프로텍션(Microsoft Information Protection)과 통합한다면, 데이터가 파워 BI로부터 엑셀로 내보내기 되더라도 데이터 이용을 관리하고 추적할 수 있고, 데이터가 사용되는 방식을 통제할 수 있다. 

지나친 규제 
그럼에도 불구하고 파워 BI 도입을 성공시키는 진정한 핵심은 이용자의 재량권과 효과적인 거버넌스 사이의 적절한 균형이다. 한 가지 확실하게 실패하는 방법은 데이터를 검토하고 공식 지침을 전달하는 소수의 비즈니스 애널리스트나 데이터 과학자로 이용을 제한하는 것이다. 

이들 전문가를 충분히 고용할 수도 없을뿐더러 조직 내에는 데이터 역량을 갖추고 있어서 파워 BI로 가치있는 통찰을 발견할 수 있는 사람이 훨씬 더 많을 것이다. 이들은 감각에 의해서가 아니라 데이터에 기초해 환경 변화에 대응할 수 있다. 

파워 BI 이용을 지나치게 제한하려 하지 말고 교육과 우수 사례에 의해 이들이 최고의 경험을 얻을 수 있도록 지원해야 한다.

성능 문제를 간과 
BI 인텔리전스의 가치에 대해 생각할 때 인텔리전스, 다시 말해 적절한 질문에 의해 양질의 데이터로부터 이끌어내는 통찰, 그리고 비즈니스, 다시 말해 임원들이 이 툴을 이용하고 통찰에 입각해 행동한다는 사실에만 집착하기 쉽다. 그러나 기본에 충실한 것도 중요하다. 보고서가 신속히 로드되지 않고, 인터랙티브 화면이 빠르지 않다면 사람들은 이를 사용하려 하지 않을 것이다. 

마이크로소프트에 따르면 파워 BI 도입의 성공은 우수한 보고 역량과 매우 강한 관계를 가진다. 그리고 성능에 주목하지 않는 것은 BI 프로젝트가 실패하는 제1의 원인이다.

파워 BI 데스크톱(Power BI Desktop)에 있는 쿼리 다이어그노스틱스(Query Diagnostics), 퍼포먼스 애널라이저(Performance Analyzer) 툴을 이용해 쿼리와 보고서가 작용하는 방식을 이해하고 향상시켜야 한다(SQL 서버 프로파일러 역시 정체를 일으키는 쿼리를 파악하는 데 유용하다). 

파워 BI 프리미엄에서는 애저 로그 애널리틱스(Azure Log Analytics)를 이용해 텔레메트리를 조사할 수 있다. 매립된 이용 메트릭스(Usage Metrics) 보고서로부터 시작해 어떤 보고서가 인기가 있는지 파악하고, 이들이 양호하게 최적화되었음을 확인하라. 

참고로 대형 조직의 경우, 마이크로소프트는 이용자의 파워 BI에 대한 만족도가 낮다면 이를 경고하고 문제를 일으키는 보고서가 무엇인지 지적한다. 그리고 최대 고객의 경우 보고서를 최적화하는 데 도움을 주는 무료 상담을 제공한다.

과도한 시각 정보 의존 
하나의 그림은 천 단어의 가치가 있다곤 한다. 그리고 파워 BI의 장점은 데이터 내부에서 벌어지고 있는 일을 그림으로 제시하는 것이다. 그러나 모든 그림이 유용한 것은 아니고, 지나치게 많은 차트와 시각 정보는 시각적 혼란을 유발할 수 있어 중요한 지표가 어디에 있는지를 파악하기 어렵게 만들 수 있다. 

이는 또한 수많은 쿼리를 생성해 보고 성능을 떨어뜨릴 수 있다. 진짜 중요한 정보를 보고할 수 있는 적절한 시각 정보를 발견하거나, 중요한 데이터를 자동으로 식별하는 키 인플루언서(Key Influencers) 등의 AI 시각 툴을 사용하라.

모바일을 활용하는 데 실패 
모든 사람이 책상에 앉아 있는 것은 아니다. 지나치게 혼잡한 보고서를 피하는 일은 전방 직원이 통찰을 활용할 때 특히 중요하다. 여기서는 파워 BI 모바일 앱이 유용하다. 파워 앱스(Power Apps)에 보고서를 접목하거나, 직원이 어디서든 볼 수 있는 특정한 목표에 대한 알림과 함께 ORR 보드와 점수 카드를 설정하는 것 역시 유익하다. 

향후, 모바일 앱은 공간적 앵커(spatial anchors)를 통해 데이터가 실제로 생성되는 물리적 장소로 데이터와 보고서를 가져올 것이다. 이 때 AR 뷰가 보고서를 물리적 객체에 고정시킨다. 예를 들어 체육관의 운동 장비 이용 현황, 슈퍼마켓 선반에 비치된 제품의 판매 수치, 공장에 설비된 기계의 처리량 등의 통계, 차량 판매 대리점의 차량 등이다. 적정 데이터를 즉시 볼 수 있다면 최상의 결정을 내리는 데 유리할 것이다.

DAX 또는 이의 성능의 간과 
DAX(Data Analysis Expressions)는 고급 분석을 위한 복잡한 필터, 조건부 로직, 집계를 가능하게 하는 강력한 함수들이다. DAX 함수가 부실하게 작성된다면 보고서가 느려질 수 있고, 용량을 낭비할 수 있기도 하다. 파워 BI 성능 분석기(Power BI Performance Analyzer)를 이용하면 개선이 필요한 DAX 지표를 찾아낼 수 있고, 이용자가 DAX를 원활하게 사용하는 법을 이해하는 데 도움을 주는 자원과 교육을 갖추어야 한다.
 
백엔드 시스템이 다이렉트 쿼리를 처리할 수 있다고 전제 
작업에 사용할 데이터를 파워 BI로 복제할 필요가 없다면 매우 편리할 것이다. 그러나 백엔드 시스템이 해당 데이터 로드를 감당할 수 있음을 검증해야 한다. 마이크로소프트는 일반적인 집계 쿼리에 대한 응답은 5초 미만이어야 한다고 말하지만, 보고서 안의 시각 정보의 수에 따라 이는 증가할 수 있음을 기억해야 한다. 

10 또는 20 개의 시각 정보가 있다면, 해당 보고서를 로딩하면 10 또는 20 개의 쿼리가 생성될 것이다. 따라서 보고서를 로드하는 데에만 1 또는 2분이 소요된다.

점증적인 갱신 및 집계를 사용하지 않는 것 
고성능 쿼리 엔진을 활용하기 위해 파워 BI로 데이터를 로딩하는 일은 그리 어렵지 않다. 이는 다양한 데이터 출처로부터의 연결 팩과 온-프레미스 데이터를 위한 게이트웨이에 의해 가능하다. 모든 데이터를 매일 수시로 리로드 하여 최신으로 유지하는 일은 가치가 있지만 변경되지 않은 오래된 데이터를 리로드 할 필요는 없다. 

이 과정은 변경된 데이터만을 로드하는 ‘점증적 갱신’에 의해 빨라질 수 있다. 아울러 이는 백엔드 시스템의 로드를 줄일 것이다. 다이렉트 쿼리의 경우 캐시 메모리에 데이터를 자동으로 미리 로드하고 집계함으로써 보고 속도를 높일 수 있고, 쿼리를 이행하는 외부 시스템 상의 로드를 줄일 수 있다.

데이터 문화를 조성하지 않는 것 
파워 BI 도입은 다양한 직원에게 데이터 툴을 널리 보급할 때 특히 성공적이다. 현업 이용자가 데이터에 의존해 의사 결정을 내리는 것을 자연스럽게 만들어야 한다. 

이를 위해서는 데이터 문화를 개발해야 한다. 마이크로소프트 애널리틱스의 CTO인 아미르 네츠는 데이터 문화와 관련해 “모든 대화는 데이터가 말하는 것을 바탕으로 시작되어야 하고, 모든 제안은 데이터가 뒷받침해야 한다”라고 말했다. 

생각에서 팩트로 이동한다면 거대한 차이가 만들어진다. 데이터 문화는 감각에 의존한 활동, 목소리가 큰 사람이나 권한이 많은 사람 위주의 의사결정 문화로부터의 탈피를 의미한다. 끊임없이 스스로를 관찰하고 측정하고, 나아가 끊임 없이 최적화하며 성과를 개선하는 객관적 조직으로의 이동이다. ciokr@idg.co.kr

X