Offcanvas

AI / CIO / How To / 리더십|조직관리 / 머신러닝|딥러닝 / 빅데이터 | 애널리틱스 / 소프트스킬

기고 | 내부 데이터옵스팀 구축하기··· ‘7가지 조언’

2021.07.19 안나 프라제토  |  CIO
많은 기업들이 데이터를 더 현명하게, 더 생산적으로 활용하기 원한다. 데이터옵스(Dataops)에 탄력이 붙고 있는 배경이다.

또 예측 모델 생성, 소비자 행동에 대한 인사이트 강화, 사이버 위협 감지 및 관리 등의 과제 관리에 머신러닝을 사용하는 사례가 증가하면서 데이터옵스(데이터 관리)의 중요성이 높아지고 있다. 정교한 데이터 세트를 신속히 자동으로, 또는 반자동으로 조사할 수 있는 변화를 도입할 수 있는 비즈니스는 강력한 시장 경쟁력을 얻게 될 것이다.

기업들이 더 강력하고 발전된 분석이라는 도전과제를 고려하는 가운데, 일부는 ‘서비스로서의 데이터옵스’(Dataops-as-a-service)를 도입하고 있다. 이는 기업 데이터 활용 업무를 아웃소싱 한다는 의미이다. 

이 방법으로 인재와 관련된 일부 문제를 해결하고, 데이터 분석 여정에 박차를 가할 수 있지만, 동시에 위험도 수반된다. 데이터 분석 이면에 존재하는 비즈니스 동인이 외주 기업과 공유되기 어렵다는 점이다. 자칫하면 기업의 데이터 니즈를 아웃소싱 해도 필요한 데이터 인텔리전스를 얻을 수 없게 된다. 여기에 데이터 보호 관련 위험이 커질 수 있다.

다른 선택지가 있다. 내부 데이터옵스 팀을 구축하는 것이다. 물론 이 방식에도 도전과제가 따른다. 또 적합한 팀 구성원을 찾거나, 좋은 데브옵스 이니셔티브를 모방하는 것 이상이 필요하다. 그러나 이렇게 노력할 가치가 있다.

잘 수행된 데이터옵스 이니셔티브는 BI와 경쟁력을 강화해주고, 데이터의 정확성을 높여주며, 한 장소에서 데이터와 개발 관련 정보들을 결합해 제품의 결함을 줄여준다. 다음은 성과를 내는 내부 데이터옵스 이니셔티브를 만드는 7가지 방법이다.

데브옵스 문화를 활용
데브옵스 문화와 관행이 정착된 기업은 데이터옵스를 구현할 때 이점을 갖고 있다.  더 큰 비즈니스 목표에 집중하기 위해 개발과 운영 팀을 통합한다는 힘든 과업을 완수한 기업들이다. 즉 이러한 기업들은 데이터 전문가를 추가해 데이터옵스 이니셔티브를 만들기가 데브옵스 경험이 없는 조직보다 훨씬 더 쉽다.

현재 데브옵스 프로그램이 없다고 내부 데이터옵스를 구축할 수 없는 것은 아니다. 그러나 더 큰 그룹(데이터, 개발, 운영)을 통합해 운영 프레임워크를 구축하는 힘든 작업을 해내야 한다.
 
보안을 최우선 고려
데이터 접근성과 활용성을 확대하면 보안 위험이 커진다. 데이터옵스 사례와 팀을 구축하기 위해 반드시 데이터 무결성을 보호하는 방법을 검토해야 한다. 

데이터옵스 팀이 만든 도구와 애플리케이션 전반에 걸쳐 컴플라이언스가 충족되도록 만드는 데 이용할 프로세스는 무엇인가? 팀이 최고의 데이터 보안 기준을 적용하도록 만들 방법은 무엇인가? 데이터를 사용할 수 있는, 또는 사용해야 하는 고객, 이를 결정할 사람은 누구인가?

데이터 침해와 손실 사고는 기업에 치명적인 영향을 미친다. 데이터옵스 팀은 데이터 무결성을 염두에 두어야 한다.

비즈니스 우선순위에 맞춰 추진
기업의 모든 팀이 비즈니스 우선순위에 가장 큰 초점을 맞춰야 한다. 이는 당연하게 들릴지 모른다. 그러나 데이터는 비즈니스 전략에 영향을 미치기 쉽다는 점에서 좀더 신중할 필요가 있다.

즉 데이터옵스 팀이 이탈하지 않도록 하기 위해, 지속적으로 전략적인 비즈니스 목표를 상기시켜야 한다. 팀원들이 통일되게 제궤도를 유지하도록 정기적으로 “우리가 고려하는 데이터 제품이나 솔루션이 확립된 비즈니스 우선순위에 부합하는가?”라는 질문을 묻는다.

사람 우선적으로 변화를 관리
데이터옵스를 도입하면 역할과 책임이 바뀔 수 있다. 가령 프로젝트 팀과 책임이 확대되면서 자신의 고용이 불안정해질 수 있다고 걱정하는 팀원들을 불안하게 만들 수 있다. 

공유 데이터 도구와 솔루션 개발로 성공적으로 전환하기 위해서는 개인별 성과 목표와 척도를 재확립해야 한다. 팀원들은 이를 비즈니스 운영의 발전으로 여겨야 한다. 또 자신의 책임도 여기에 맞춰 변화 및 발전한다고 생각할 수 있도록 만들어야 한다.

일부 역할은 충원이나 자동화가 힘들 것이라는 점을 인식
기업들이 데이터옵스를 아웃소싱 하려 시도하는 중요 이유 중 하나는 인재 부족 문제 때문이다. 실제로 머신러닝 기반의 데이터 분석에는 전문 스킬이 필요하다. 그리고 데이터 공급 사슬에는 자동화가 불가능한 역할들이 많다. 

예를 들어, 맥킨지가 애널리틱스 번역가(Analytics translators)로 명명한, 인텔리전스를 해석해서 비즈니스 요구사항과 일치시키는 데이터 사이언티스트의 직무는 자동화가 불가능하다.

이런 인재 관련 도전과제를 극복하기 위해, 기업은 소프트웨어 엔지니어나 비즈니스 애널리스트 등 데이터를 다루는 전문성이 높은 직원들을 파악하고, 이들을 대상으로 더 높은 수준의 분석 업무를 위한 교육을 시작해야 한다.

작게 시작
데이터옵스를 어디서부터 시작해야 할지 모르고, 리소스가 제한된 기업은 애자일이 좋은 출발점이 될 수 있다. 작게 시작해 조금씩 확대하는 것이다. 전체 팀이나 프로세스를 구축할 수 없다면, CFT에서 관리가 용이한 프로젝트를 시작하는 방법을 쓸 수 있다. 

작게 시작해도 자동화를 할 수 있는 부분을 찾을 수 있다. 데이터 수집이나 테스트를 예로 들 수 있다. 또 미래의 프로젝트, 더 발전된 분석을 대비하는 데이터 채널을 구축하기 시작할 수 있다.

내부의 데이터 소비자를 초기 고객으로 활용
작고 점진적인 프로젝트가 좋은 출발점이 되는 것처럼, 내부 데이터 소비자인 직원들은 데이터옵스의 좋은 초기 고객이 될 수 있다. 방향을 찾는 경영진부터 많은 데이터 관리와 저장에 애를 먹고 있는 부서들까지, 내부 팀에는 달성해야 할 중요한 비즈니스 전략 목표가 있다. 

조직 내에서 사용할 수 있는 많이 자동화된 앱들을 개발, 데이터옵스는 내부 팀에 자신의 프로젝트를 다음 단계로 발전시킬 도움을 준다. 또 외부 이해관계자들이 참여할 미래의 데이터옵스 프로젝트에 대해 더 철저히 준비할 수 있다. 

* 안나 프라제토는 텐셜(Tental)의 최고 디지털 기술 책임자다. ciokr@idg.co.kr
CIO Korea 뉴스레터 및 IT 트랜드 보고서 무료 구독하기
추천 테크라이브러리

회사명:한국IDG 제호: CIO Korea 주소 : 서울시 중구 세종대로 23, 4층 우)04512
등록번호 : 서울 아01641 등록발행일자 : 2011년 05월 27일

발행인 : 박형미 편집인 : 천신응 청소년보호책임자 : 한정규
사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2024 International Data Group. All rights reserved.