Offcanvas

��������� ������

칼럼ㅣ애널리틱스 맛은 재료가 좌우, ‘데이터 공급망’을 개선하라

데이터는 애널리틱스 및 의사결정의 핵심 원료이고, 강력한 데이터 공급망은 비즈니스 결과를 개선한다. 오늘날 기업들은 그 어느 때보다 많은 데이터를 가지고 있으며 데이터 아키텍트, 애널리스트, 데이터 과학자가 모든 비즈니스 부문에서 널리 채용되고 있다.    하지만 기업들이 더 나은 의사결정을 내리고자 데이터를 활용하기 위해 유능한 애널리스트를 두고 경쟁을 벌이면서 정작 데이터 공급망과 데이터 품질은 개선하지 못하는 경우가 많다. 탄탄한 데이터 공급망 관리 관행이 마련되지 않으면 데이터 품질은 저하될 수밖에 없다.  열악한 데이터 품질은 이니셔티브가 기대 가치를 달성하지 못하는 주요 원인으로 꼽힌다. 가트너에 따르면 최대 60%의 비즈니스 이니셔티브가 데이터 품질 문제로 실패한다. 기업들이 인공지능(AI)/머신러닝(ML) 기반의 의사결정으로 나아가면서 데이터 품질은 더욱더 시급한 문제가 된다. AI/ML 모델을 지원하는 데이터가 부정확하거나 불완전하거나 오래된 경우 모델은 원하는 결과를 제공하지 못한다. 데이터는 애널리틱스 및 의사결정의 핵심 원료다. 모든 유능한 비즈니스 리더는 “최선의 의사결정을 내리기 위해 어떻게 하면 데이터 품질을 개선할 수 있을까?”라고 물어야 한다. 그 대답은 기업의 데이터 공급망에서 결과를 개선하여 애널리틱스 기능에 골칫거리가 되지 않도록 하는 것이다. 그렇다면 데이터 공급망의 결과를 어떻게 개선할 수 있는가? • 퍼스트 마일/라스트 마일 데이터의 영향 이해 • 공급망 복잡성/비용 감소 • 데이터 품질 모니터링 및 보고 개선 공급망은 다음의 3가지 주요 요소로 구성된다.   퍼스트 마일/라스트 마일의 영향 퍼스트 마일/라스트 마일과 관련해서는 데이터 소싱(업스트림)을 시작으로 전반적인 공급망 문제를 처리해야 한다. 애널리틱스 및 의사결정에 사용할 수 있는 데이터가 절실하기 때문에 기업들은 (다운스트림에서 고객에게 데이터를 제공하는) ‘라스트 마일’에 더 많은 투자를 해야 한다.&n...

데이터 데이터 공급망 애널리틱스 데이터 품질

2022.06.27

데이터는 애널리틱스 및 의사결정의 핵심 원료이고, 강력한 데이터 공급망은 비즈니스 결과를 개선한다. 오늘날 기업들은 그 어느 때보다 많은 데이터를 가지고 있으며 데이터 아키텍트, 애널리스트, 데이터 과학자가 모든 비즈니스 부문에서 널리 채용되고 있다.    하지만 기업들이 더 나은 의사결정을 내리고자 데이터를 활용하기 위해 유능한 애널리스트를 두고 경쟁을 벌이면서 정작 데이터 공급망과 데이터 품질은 개선하지 못하는 경우가 많다. 탄탄한 데이터 공급망 관리 관행이 마련되지 않으면 데이터 품질은 저하될 수밖에 없다.  열악한 데이터 품질은 이니셔티브가 기대 가치를 달성하지 못하는 주요 원인으로 꼽힌다. 가트너에 따르면 최대 60%의 비즈니스 이니셔티브가 데이터 품질 문제로 실패한다. 기업들이 인공지능(AI)/머신러닝(ML) 기반의 의사결정으로 나아가면서 데이터 품질은 더욱더 시급한 문제가 된다. AI/ML 모델을 지원하는 데이터가 부정확하거나 불완전하거나 오래된 경우 모델은 원하는 결과를 제공하지 못한다. 데이터는 애널리틱스 및 의사결정의 핵심 원료다. 모든 유능한 비즈니스 리더는 “최선의 의사결정을 내리기 위해 어떻게 하면 데이터 품질을 개선할 수 있을까?”라고 물어야 한다. 그 대답은 기업의 데이터 공급망에서 결과를 개선하여 애널리틱스 기능에 골칫거리가 되지 않도록 하는 것이다. 그렇다면 데이터 공급망의 결과를 어떻게 개선할 수 있는가? • 퍼스트 마일/라스트 마일 데이터의 영향 이해 • 공급망 복잡성/비용 감소 • 데이터 품질 모니터링 및 보고 개선 공급망은 다음의 3가지 주요 요소로 구성된다.   퍼스트 마일/라스트 마일의 영향 퍼스트 마일/라스트 마일과 관련해서는 데이터 소싱(업스트림)을 시작으로 전반적인 공급망 문제를 처리해야 한다. 애널리틱스 및 의사결정에 사용할 수 있는 데이터가 절실하기 때문에 기업들은 (다운스트림에서 고객에게 데이터를 제공하는) ‘라스트 마일’에 더 많은 투자를 해야 한다.&n...

2022.06.27

“데이터 품질 높이면 실제로 비즈니스 목표 달성할 확률 높다”

익스페리언(Experian)의 설문조사 결과에 따르면 데이터 품질을 개선했다고 밝힌 기업 4곳 중 3곳은 운영 탄력성, 고객 경험 관리, 디지털 트랜스포메이션 등의 2021년 비즈니스 목표를 초과 달성한 것으로 나타났다.   익스페리언에서 공개한 최신 ‘글로벌 데이터 관리 보고서(Global Data Management Report)’는 미국, 영국, 호주, 뉴질랜드의 905명(IT부터 고객 서비스팀, 운영팀, C-레벨까지 포함)을 대상으로 실시한 설문조사 결과를 담았다. 그 결과, 지난해 데이터 품질을 개선한 기업의 75%가 고객 경험 개선부터 데이터 보안 향상에 이르기까지 비즈니스 목표를 초과 달성한 것으로 조사됐다.    구체적으로 살펴보면, 호주와 뉴질랜드 응답자의 95%는 데이터 중심(data-driven)으로 나아가면서 운영 탄력성이 개선됐고, 91%는 디지털 트랜스포메이션이 고도화됐다고 말했다. 아울러 10명 중 9명은 데이터 중심 관행의 결과로 더 나은 의사결정을 꼽았고, 90%는 비즈니스 탄력성이 향상됐다고 전했다. 전체 응답자의 87%는 디지털 가속화로 인해 양질의 데이터와 인사이트를 더욱더 활용하게 됐다고 밝혔다.  보고서에 의하면 A/NZ 응답자의 향후 12개월 간 최우선 비즈니스 과제는 ‘고객 경험 개선(57%)’이었으며, 여기서 39%는 열악한 데이터 품질이 이 목표에 직접적인 영향을 미친다는 데 동의했다. 전체 응답자의 91%는 애자일 데이터 관리 프로그램이 고객 경험 개선에, 88%는 데이터 중심 관행이 고객 니즈와 시장 동향을 파악하는 데 도움을 준다고 답했다. 호주와 뉴질랜드 기업의 80%는 부정확한 데이터가 코로나19 사태로 인한 시장 변화에 대응하는 데 부정적인 영향을 미쳤다고 말했다. 27%는 비즈니스 데이터가 부정확할 수 있다고 답했고, 3분의 1은 CRM 데이터가 좋지 않다고 인정했다.  가장 큰 과제는 변화하는 고객 행동 및 감정을 따라잡는 것으로 드러났다. 예를 ...

데이터 품질 데이터 관리 데이터 드리븐 익스페리언 운영 탄력성 고객 경험 디지털 트랜스포메이션

2022.03.02

익스페리언(Experian)의 설문조사 결과에 따르면 데이터 품질을 개선했다고 밝힌 기업 4곳 중 3곳은 운영 탄력성, 고객 경험 관리, 디지털 트랜스포메이션 등의 2021년 비즈니스 목표를 초과 달성한 것으로 나타났다.   익스페리언에서 공개한 최신 ‘글로벌 데이터 관리 보고서(Global Data Management Report)’는 미국, 영국, 호주, 뉴질랜드의 905명(IT부터 고객 서비스팀, 운영팀, C-레벨까지 포함)을 대상으로 실시한 설문조사 결과를 담았다. 그 결과, 지난해 데이터 품질을 개선한 기업의 75%가 고객 경험 개선부터 데이터 보안 향상에 이르기까지 비즈니스 목표를 초과 달성한 것으로 조사됐다.    구체적으로 살펴보면, 호주와 뉴질랜드 응답자의 95%는 데이터 중심(data-driven)으로 나아가면서 운영 탄력성이 개선됐고, 91%는 디지털 트랜스포메이션이 고도화됐다고 말했다. 아울러 10명 중 9명은 데이터 중심 관행의 결과로 더 나은 의사결정을 꼽았고, 90%는 비즈니스 탄력성이 향상됐다고 전했다. 전체 응답자의 87%는 디지털 가속화로 인해 양질의 데이터와 인사이트를 더욱더 활용하게 됐다고 밝혔다.  보고서에 의하면 A/NZ 응답자의 향후 12개월 간 최우선 비즈니스 과제는 ‘고객 경험 개선(57%)’이었으며, 여기서 39%는 열악한 데이터 품질이 이 목표에 직접적인 영향을 미친다는 데 동의했다. 전체 응답자의 91%는 애자일 데이터 관리 프로그램이 고객 경험 개선에, 88%는 데이터 중심 관행이 고객 니즈와 시장 동향을 파악하는 데 도움을 준다고 답했다. 호주와 뉴질랜드 기업의 80%는 부정확한 데이터가 코로나19 사태로 인한 시장 변화에 대응하는 데 부정적인 영향을 미쳤다고 말했다. 27%는 비즈니스 데이터가 부정확할 수 있다고 답했고, 3분의 1은 CRM 데이터가 좋지 않다고 인정했다.  가장 큰 과제는 변화하는 고객 행동 및 감정을 따라잡는 것으로 드러났다. 예를 ...

2022.03.02

‘데이터 무결성' 확보해야 하지만... 흔한 함정 4가지

새로운 비즈니스 환경을 반영하는 데이터가 어떤 형태로든 존재한다면, 비즈니스 성패는 적절한 데이터의 준비와 도구가 확보되었는지에 달려 있다. 마틸리온의 데이브 랭톤 제품 담당 부사장이 데이터 무결성 이니셔티브를 시작하는 조직을 위한 조언을 제시했다. 데이터 팀이 빠지기 쉬운 4가지 함정과 이를 피하는 방법에 대해서다.    매일 생성되는 데이터의 양이 기하급수적으로 늘어나는 있다. 현대 기업에게 데이터의 중요성도 그만큼 커지는 양상이다. 적절히 사용된다면 데이터는 세계에서 가장 값진 자원일 수 있다. 그러나 불완전하고 일관성 없는 데이터 세트는 위험하기만 하며, 그에 따라 기업 수익성에 악영향을 미치게 된다.  DAMA 데이터 관리 지식 체계(DAMA Management Body of Knowledge)의 전문가들은 현대 조직들이 데이터 품질 문제를 해소하는 데 매출의 10 ~ 30% 정도를 소비한다고 추정하고 있다. 데이터 무결성의 중요성을 인식하면서 현대의 데이터 팀은 이제 데이터 준비 작업 뿐 아니라 데이터를 보존하는 일에 노력을 집중하고 있다. 데이터 무결성(Data Integrity)이란 시스템에 있는 데이터의 정확성, 완전성, 일관성, 합치를 아우르는 용어다. 이는 데이터 팀이 달성하고자 하고, 이 달성을 위한 과정들을 망라하는 용어이기도 하다.  이 정의는 여러 데이터 측면으로 구성된다. 예를 들어 데이터의 물리적 무결성(데이터가 안전하게 저장되는 방식), 데이터의 논리적 무결성(정확성, 완전성, 확실성), 합치의 문제(데이터가 GDPR 등 필수 표준에 부합하는지 여부) 등이다.  대체로, 현대의 분산 데이터 시스템은 성능을 극대화하기 위해 논리적 무결성과 관련해 느슨한 구조를 갖추고 있다. 이로 인해 데이터 팀은 데이터 정확성을 위해 다른 전략을 알아보게 된다. 데이터 무결성의 달성은 궁극적으로 한층 우수한 성과, 신뢰성, 액세스를 조직에게 보장하는 방법이다. 데이터 무결성 이니셔티브를 시...

데이터 무결성 데이터 통합 데이터 관리 데이터 품질 데이터 준비 데이터 감사 데이터 검증

2021.11.18

새로운 비즈니스 환경을 반영하는 데이터가 어떤 형태로든 존재한다면, 비즈니스 성패는 적절한 데이터의 준비와 도구가 확보되었는지에 달려 있다. 마틸리온의 데이브 랭톤 제품 담당 부사장이 데이터 무결성 이니셔티브를 시작하는 조직을 위한 조언을 제시했다. 데이터 팀이 빠지기 쉬운 4가지 함정과 이를 피하는 방법에 대해서다.    매일 생성되는 데이터의 양이 기하급수적으로 늘어나는 있다. 현대 기업에게 데이터의 중요성도 그만큼 커지는 양상이다. 적절히 사용된다면 데이터는 세계에서 가장 값진 자원일 수 있다. 그러나 불완전하고 일관성 없는 데이터 세트는 위험하기만 하며, 그에 따라 기업 수익성에 악영향을 미치게 된다.  DAMA 데이터 관리 지식 체계(DAMA Management Body of Knowledge)의 전문가들은 현대 조직들이 데이터 품질 문제를 해소하는 데 매출의 10 ~ 30% 정도를 소비한다고 추정하고 있다. 데이터 무결성의 중요성을 인식하면서 현대의 데이터 팀은 이제 데이터 준비 작업 뿐 아니라 데이터를 보존하는 일에 노력을 집중하고 있다. 데이터 무결성(Data Integrity)이란 시스템에 있는 데이터의 정확성, 완전성, 일관성, 합치를 아우르는 용어다. 이는 데이터 팀이 달성하고자 하고, 이 달성을 위한 과정들을 망라하는 용어이기도 하다.  이 정의는 여러 데이터 측면으로 구성된다. 예를 들어 데이터의 물리적 무결성(데이터가 안전하게 저장되는 방식), 데이터의 논리적 무결성(정확성, 완전성, 확실성), 합치의 문제(데이터가 GDPR 등 필수 표준에 부합하는지 여부) 등이다.  대체로, 현대의 분산 데이터 시스템은 성능을 극대화하기 위해 논리적 무결성과 관련해 느슨한 구조를 갖추고 있다. 이로 인해 데이터 팀은 데이터 정확성을 위해 다른 전략을 알아보게 된다. 데이터 무결성의 달성은 궁극적으로 한층 우수한 성과, 신뢰성, 액세스를 조직에게 보장하는 방법이다. 데이터 무결성 이니셔티브를 시...

2021.11.18

데이터 준비에서 HW 선택까지··· '머신러닝 트레이닝' 안내서

머신러닝(ML)을 제대로 활용하기 위한 기본 전제는 모델을 적절히 훈련시키는 것이다. 데이터로부터 신뢰할 만한 결과를 도출해내는데 참고할 만한 12가지 조언을 정리했다.    ML은 오늘날 가장 실용적인 AI 응용 기술이라고 말할 수 있다. ML시스템은 명시적인 프로그래밍 없이, 데이터에 알고리즘을 적용해 인사이트를 도출한다. 즉, 데이터를 활용해 질문에 답을 찾아낼 수 있다. 오늘날 많은 기업들이 고객 구매 패턴에서 유지보수 및 관리에 대한 예측까지 다양한 문제에 ML을 적용해 활용하고 있다. 그러나 ML 시스템이 질문에 제대로 대답하기 위해서는 데이터와 결과에 대한 트레이닝이 실시되어야 한다. 여기에는 이유가 있다. ML 시스템은 질문에 대답을 할 때 사용할 데이터와 같은 종류의 데이터를 ‘체험’하는 방법을 통해 데이터에서 예측을 할 수 있는 능력을 키울 수 있기 때문이다. 이를테면 구성요소에 장애가 발생할지 여부를 예측하는 경우, 먼저 기능을 하는 구성요소와 장애가 발생한 구성요소 모두에서 센서 판독 데이터를 수집 공급하는 방법으로 ML 시스템을 트레이닝해야 한다. 지루한 단계이지만, ML을 정확히 구현하는데 아주 중요한 단계이다. 이 단계가 잘못되면, 시스템이 원하는 결과를 만들어내지 못한다. ML을 트레이닝 하면서 자주 저지르는 실수들이 있다. 또 ML 시스템을 배포하기 훨씬 전에 내려야 할 결정들이 있다. 이를 나중에 다루려 할 경우 대가를 치를 수 있다. 머신러닝을 훈련시킬 때 알아야 할 사항들을 정리했다.  데이터 품질 확보 일단 데이터가 제대로 준비해야 ML 시스템 트레이닝을 시작할 수 있다. 인텔 AI 제품 그룹의 세일즈 강화 디렉터인 에릭 가드너는 “데이터를 올바르게 준비하는데 많은 시간이 소요되지만, 이 부분이 간과되는 경우가 많다. 현대적인 데이터 인프라 구축, 수집 및 생성할 데이터 파악, 클린업에 많은 시간이 소요될 수 있다”라고 말했다. 여기에는 중복 데이터, 손상 데이터, 누락 데이터 문제...

훈련 데이터 세트 트레이닝 데이터 품질 편향 데이터 포이즈닝 전이 학습 합성 데이터

2020.05.08

머신러닝(ML)을 제대로 활용하기 위한 기본 전제는 모델을 적절히 훈련시키는 것이다. 데이터로부터 신뢰할 만한 결과를 도출해내는데 참고할 만한 12가지 조언을 정리했다.    ML은 오늘날 가장 실용적인 AI 응용 기술이라고 말할 수 있다. ML시스템은 명시적인 프로그래밍 없이, 데이터에 알고리즘을 적용해 인사이트를 도출한다. 즉, 데이터를 활용해 질문에 답을 찾아낼 수 있다. 오늘날 많은 기업들이 고객 구매 패턴에서 유지보수 및 관리에 대한 예측까지 다양한 문제에 ML을 적용해 활용하고 있다. 그러나 ML 시스템이 질문에 제대로 대답하기 위해서는 데이터와 결과에 대한 트레이닝이 실시되어야 한다. 여기에는 이유가 있다. ML 시스템은 질문에 대답을 할 때 사용할 데이터와 같은 종류의 데이터를 ‘체험’하는 방법을 통해 데이터에서 예측을 할 수 있는 능력을 키울 수 있기 때문이다. 이를테면 구성요소에 장애가 발생할지 여부를 예측하는 경우, 먼저 기능을 하는 구성요소와 장애가 발생한 구성요소 모두에서 센서 판독 데이터를 수집 공급하는 방법으로 ML 시스템을 트레이닝해야 한다. 지루한 단계이지만, ML을 정확히 구현하는데 아주 중요한 단계이다. 이 단계가 잘못되면, 시스템이 원하는 결과를 만들어내지 못한다. ML을 트레이닝 하면서 자주 저지르는 실수들이 있다. 또 ML 시스템을 배포하기 훨씬 전에 내려야 할 결정들이 있다. 이를 나중에 다루려 할 경우 대가를 치를 수 있다. 머신러닝을 훈련시킬 때 알아야 할 사항들을 정리했다.  데이터 품질 확보 일단 데이터가 제대로 준비해야 ML 시스템 트레이닝을 시작할 수 있다. 인텔 AI 제품 그룹의 세일즈 강화 디렉터인 에릭 가드너는 “데이터를 올바르게 준비하는데 많은 시간이 소요되지만, 이 부분이 간과되는 경우가 많다. 현대적인 데이터 인프라 구축, 수집 및 생성할 데이터 파악, 클린업에 많은 시간이 소요될 수 있다”라고 말했다. 여기에는 중복 데이터, 손상 데이터, 누락 데이터 문제...

2020.05.08

'마케팅 자동화' 성공, 데이터 관리·품질에 달렸다... 오픈프라이스 조사

데이터의 관리ㆍ품질ㆍ접근에 대한 취약성 때문에 마케터들이 마케팅 자동화 플랫폼의 투자 대비 뚜렷한 효과를 얻지 못하는 것으로 조사됐다. 데이터 자동화 업체인 오픈프라이스(Openprise)가 미국 마케터 및 영업 간부 400명을 대상으로 한 조사해 작성한 ‘2016 마테크 데이터 보고서(2016 MarTech Data Report)’에 따르면, 고도화된 마케팅을 성공시키기 위해서는 데이터 관리의 중요하며 데이터 활용 방법에서도 상당한 차이가 있는 것으로 나타났다. 이 보고서에서 응답자 49%는 마케팅 자동화 플랫폼을 사용하면서 데이터 제거, 중복제거 같은 이슈를 가장 큰 문제로 꼽았다. 또 55%는 정확하지 않은 데이터가 데이터 품질을 떨어뜨린다고 답했으며, 51%는 손실 데이터가 데이터 품질에 영향을 끼친다고 밝혔다. 전체 응답자의 절반은 핵심 과제로 데이터 붕괴를 지목했으며 26%는 잘못된 형식이 문제가 된다고 답했다. 실시간으로 데이터베이스를 업데이트하는 응답자는 4명 중 1명에 불과한 것으로 파악됐다. 전반적으로 데이터 품질 및 관리가 2016년 마케팅 기술에서 가장 큰 고민으로 꼽혔다. 이같이 말한 응답자 가운데 30%는 데이터 품질을 2016년 주요 과제라고 답했으며 23%는 데이터 관리에 대해 우려한다고 밝혔다. 이밖에 응답자들이 꼽은 올해 마케팅 기술의 우선순위에 대해서는 데이터 관리가 43%로 가장 많았으며 데이터 분석이 39%로 뒤를 이었다. 그 다음으로는 CRM이 35%로 많았다 관련 인력 채용을 묻는 질문에 대한 답변에서 데이터 처리의 중요성이 다시 강조됐다. 응답자의 36%는 데이터 관리가 2016년 내부 인력 채용과 외부 업체 채용 둘 다에서 최우선이 될 것이라고 말했다. "데이터가 주도하는 경제 환경에서 경쟁하려면 기업은 데이터 품질과 관리를 극대화 해야 한다"고 오픈프라이스의 CEO 에드 윙은 강조했다. 이어서 윙은 "데이터 기반 경영이 실...

영업 데이터 품질 오픈프라이스 데이터 접근 마테크 마케팅 자동화 마케터 데이터 관리 CMO 조사 데이터 중복제거

2016.02.03

데이터의 관리ㆍ품질ㆍ접근에 대한 취약성 때문에 마케터들이 마케팅 자동화 플랫폼의 투자 대비 뚜렷한 효과를 얻지 못하는 것으로 조사됐다. 데이터 자동화 업체인 오픈프라이스(Openprise)가 미국 마케터 및 영업 간부 400명을 대상으로 한 조사해 작성한 ‘2016 마테크 데이터 보고서(2016 MarTech Data Report)’에 따르면, 고도화된 마케팅을 성공시키기 위해서는 데이터 관리의 중요하며 데이터 활용 방법에서도 상당한 차이가 있는 것으로 나타났다. 이 보고서에서 응답자 49%는 마케팅 자동화 플랫폼을 사용하면서 데이터 제거, 중복제거 같은 이슈를 가장 큰 문제로 꼽았다. 또 55%는 정확하지 않은 데이터가 데이터 품질을 떨어뜨린다고 답했으며, 51%는 손실 데이터가 데이터 품질에 영향을 끼친다고 밝혔다. 전체 응답자의 절반은 핵심 과제로 데이터 붕괴를 지목했으며 26%는 잘못된 형식이 문제가 된다고 답했다. 실시간으로 데이터베이스를 업데이트하는 응답자는 4명 중 1명에 불과한 것으로 파악됐다. 전반적으로 데이터 품질 및 관리가 2016년 마케팅 기술에서 가장 큰 고민으로 꼽혔다. 이같이 말한 응답자 가운데 30%는 데이터 품질을 2016년 주요 과제라고 답했으며 23%는 데이터 관리에 대해 우려한다고 밝혔다. 이밖에 응답자들이 꼽은 올해 마케팅 기술의 우선순위에 대해서는 데이터 관리가 43%로 가장 많았으며 데이터 분석이 39%로 뒤를 이었다. 그 다음으로는 CRM이 35%로 많았다 관련 인력 채용을 묻는 질문에 대한 답변에서 데이터 처리의 중요성이 다시 강조됐다. 응답자의 36%는 데이터 관리가 2016년 내부 인력 채용과 외부 업체 채용 둘 다에서 최우선이 될 것이라고 말했다. "데이터가 주도하는 경제 환경에서 경쟁하려면 기업은 데이터 품질과 관리를 극대화 해야 한다"고 오픈프라이스의 CEO 에드 윙은 강조했다. 이어서 윙은 "데이터 기반 경영이 실...

2016.02.03

IDG 설문조사

회사명:한국IDG 제호: ITWorld 주소 : 서울시 중구 세종대로 23, 4층 우)04512
등록번호 : 서울 아00743 등록일자 : 2009년 01월 19일

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

Copyright © 2022 International Data Group. All rights reserved.

10.4.0.6