클라우드 채택 전략에 클라우드 규모 분석 통합
Azure의 클라우드 채택 프레임워크 전략 방법론을 사용하여 조직에 중앙 집중식 단일 클라우드 채택 전략을 만듭니다. 클라우드 채택 전략을 아직 기록하지 않은 경우 전략 및 계획 템플릿 을 사용하여 기록합니다.
이 문서에는 광범위한 전략에 영향을 주는 클라우드 규모 분석 시나리오에 대한 고려 사항이 포함되어 있습니다.
클라우드 규모 분석을 구현하기에 앞서 데이터 전략에 대한 계획을 수립합니다. 단일 사용 사례로 작게 시작할 수도 있고, 우선 순위를 지정해야 하는 훨씬 더 큰 사용 사례 집합을 갖추고 있을 수도 있습니다. 전략을 세우면 프로세스를 수립하고 집중해야 할 핵심 요소에 대한 초기 대화를 촉발하는 데 도움이 됩니다.
데이터 전략에 대한 비즈니스 결과 우선 순위 지정
성공적인 데이터 전략을 갖추면 경쟁 우위를 확보할 수 있습니다. 항상 데이터 전략을 원하는 비즈니스 결과에 맞게 조정해야 합니다. 대부분의 비즈니스 결과는 다음 네 가지 범주 중 하나로 분류할 수 있습니다.
직원 역량 강화: 직원에게 고객, 디바이스, 컴퓨터에 대한 실시간 지식을 제공합니다. 이 지식은 민첩하게 고객 또는 비즈니스 요구 사항을 충족할 수 있게 효율적으로 협업하는 데 도움이 됩니다.
고객과의 소통: 브랜드에서 영감을 받은 풍부하고 연결된 맞춤형 환경을 제공합니다. 데이터와 인사이트를 활용하여 고객 경험의 모든 단계에서 고객 충성도를 높입니다.
작업 최적화: 전체 조직에서 정보의 흐름을 늘립니다. 비즈니스 프로세스를 동기화하고 데이터 기반 접근 방식을 사용하여 모든 상호 작용을 가치 있게 만듭니다.
제품 및 개발 수명 주기 변환: 서비스와 제품에 대한 원격 분석 데이터를 수집합니다. 원격 분석 데이터를 사용하여 릴리스의 우선 순위를 지정하거나 새로운 기능을 만들고, 효과와 채택을 지속적으로 평가합니다.
비즈니스 결과의 우선 순위를 지정한 후 현재 프로젝트와 전략적인 장기 이니셔티브를 살펴보고 그에 따라 분류합니다. 복잡성과 영향에 따라 네 가지 비즈니스 결과 범주를 행렬 형식으로 결합하는 것이 좋습니다. 또한 시나리오를 자세히 살펴보는 데 도움이 되는 아키텍처 핵심 요소를 추가하는 것도 고려해 보세요.
전략적 가치 활용
일관되고 미래 지향적이고 민첩하며 정보에 입각한 방식으로 비즈니스를 발전시키는 데이터 기반 문화를 구축하는 데에는 몇 가지 내재된 복잡성과 기반 현실이 있습니다. 배포 단계에 들어가기 앞서 원하는 비즈니스 결과를 달성하는 데 도움이 될 수 있는 일관된 데이터 전략을 형성하기 위한 활동에 초점을 맞춥니다.
클라우드 규모 분석은 혁신 중심의 동기와 일치합니다. 다음과 같은 일반적인 동인은 고객이 이 시나리오를 클라우드 채택 전략에 통합하도록 동기를 부여합니다.
- 엔터프라이즈 데이터 플랫폼을 빌드할 수 있는 확장 가능한 분석 프레임워크
- 사용자에게 데이터 탐색, 데이터 자산 만들기 및 제품 개발에 대한 권한을 부여하는 셀프 서비스
- 재사용 가능한 데이터 자산, 데이터 커뮤니티, 안전한 타사 교환 및 원본 위치 공유를 통한 데이터 주도 문화
- 정책, 일반 ID, 기밀성 및 암호화를 사용하여 안심하고 데이터 공유
- 고객 경험 및 참여도 개선
- 제품 또는 서비스의 변환
- 새 제품 또는 서비스로 시장 혼란
다음 다이어그램에는 고유한 전략에서 이러한 동기를 실현하는 데 도움이 되는 주요 테마가 포함되어 있습니다. 이러한 테마와 일관된 데이터 전략에 이들 테마가 어떻게 기여하는지 주의 깊게 분석해 보세요. 또한 데이터의 전략적 가치를 이용하고 변함없는 비즈니스 성장을 이룰 수 있도록 하는 방법을 생각해 보세요.
"데이터 전략은 데이터를 자산으로 사용하고 비즈니스를 발전시키는 기반입니다. 데이터 문제에 대한 패치 작업이 아닙니다. 데이터 문제를 해결하기 위해 마련할 사람, 프로세스 및 기술을 정의하는 장기적인 지침 계획입니다."
전략을 만드는 것은 하나의 단계입니다. 엔터프라이즈 규모에서 전략을 실행하는 일은 조직의 기존 문화와 사람, 프로세스, 기술을 선택하는 데 큰 도전이 됩니다. 실행하려면 조직의 모든 수준에서 책임과 명확한 소유권이 필요합니다.
효율성 향상
클라우드의 민첩성으로 인해 조직은 빠르게 적응하고 비즈니스의 모든 영역에 효율성을 가져와야 합니다. Gartner의 새로운 위험에 대한 보고서에 따르면, 조직이 디지털 이니셔티브에 계속 집중하고 투자하고 있음에도 이러한 조직의 3분의 2가 엔터프라이즈 약점을 나타내며 디지털 이니셔티브에 계속 집중하고 투자한다 해도 기대에 부응하지 못합니다.
데이터 관리 운영화
많은 조직이 민첩성을 지원하기 위해 중앙 IT를 서서히 분산해 왔습니다. 조직은 까다로운 비즈니스 요구 사항을 충족하기 위해 셀프 서비스 방식으로 엔터프라이즈 차원의 통합 데이터에 액세스하고 신속하게 혁신하기를 원합니다.
기업이 데이터의 잠재력을 최대한 활용하지 못하는 데는 여러 가지 이유가 있습니다. 업무 기능이 사일로에서 작동하기 때문일 수도 있습니다. 이 경우 각 팀에서는 서로 다른 데이터 분석용 도구와 표준을 사용합니다. 또는 주요 성과 지표를 전체 비즈니스 목표에 연결하지 못하기 때문일 수도 있습니다.
데이터 민주화는 가치를 다시 기업에 제공하고 어려운 비즈니스 성장 목표를 달성하는 데 도움이 됩니다.
- LOB 요구 사항을 이해하고 우선 순위를 정합니다.
- 도메인 간에 데이터를 분산하여 소유권을 지원하고 사용자에게 더 밀접한 데이터를 제공합니다.
- 셀프 서비스 데이터 제품을 배포하여 인사이트 및 비즈니스 가치를 창출합니다.
데이터 거버넌스를 위해서는 분산된 데이터 민주화 세계에서 적절한 균형을 유지해야 합니다. 거버넌스를 너무 엄격하게 적용하면 혁신을 저해할 수 있습니다. 그러나 최소한의 몇 가지 핵심 원칙과 프로세스가 마련되어 있지 않다면 결국 데이터 사일로가 될 가능성이 높습니다. 이러한 사일로는 조직의 평판과 잠재적 수익을 손상시킬 수 있습니다. 전체적인 데이터 거버넌스 접근 방식은 일관된 방법으로 데이터의 전략적 가치를 이용할 수 있게 하는 기본 요소입니다.
세심하게 계획한 데이터 전략이 없으면 ‘진행’해서 조직에 가치를 빠르게 제공하기 시작해야 합니다. 앞에서 언급한 주요 테마에 따라 작업하거나 프레임워크 내에서 전략적 원칙으로 이를 사용하여 현재 비즈니스 문제를 해결합니다. 이러한 주요 테마를 사용하면 유효성 검사를 반복하면서도 적시에 결과를 제공하는 전체적인 데이터 전략을 만드는 데 도움을 받을 수 있습니다. 비즈니스 및 기술 리더는 데이터에서 가치를 창출하며, 간소화되고 구조화된 방식으로 신속하게 확장하는 데 필요한 전략과 사고방식을 개발해야 합니다.
자세한 내용은 데이터 거버넌스란?을 참조하세요.
데이터 기반 문화권 개발
성공적인 데이터 전략을 구축하려면 데이터 기반 문화권이 필요합니다. 개방적이고 협력적인 참여를 지속적으로 조성하는 문화를 발전시키세요. 전 직원은 이 유형의 문화에서 조직의 비즈니스 결과를 배우고, 의사 소통하며, 개선할 수 있습니다. 데이터 기반 문화를 발전시키면 각 직원이 데이터로 뒷받침되는 효과나 영향을 창출할 수 있는 능력도 향상됩니다.
경험의 시작점은 완성도 곡선을 따라 조직과 업계, 현재 위치에 의해 결정됩니다. 다음 다이어그램에는 조직 AI 사용량의 완성도를 요약한 완성 모델의 예제가 나와 있습니다.
수준 0
데이터는 프로그래밍 방식으로 일관되게 이용되지 않습니다. 조직의 데이터 중점 사항은 애플리케이션 개발 관점에서 비롯됩니다.
수준 0에서는 조직에 계획되지 않은 분석 프로젝트가 있는 경우가 많습니다. 각 애플리케이션은 고유한 데이터 및 관련자 요구 사항에 맞춰 고도로 전문화되어 있습니다. 또한 각 애플리케이션에는 중요한 코드베이스와 엔지니어링 팀이 있으며, 많은 프로젝트가 IT 외부에서 엔지니어링되고 있습니다. 사용 사례의 사용과 분석이 사일로 방식으로 처리됩니다.
수준 1
수준 1에서는 팀을 구성하고 전략을 만들고 있지만 분석은 여전히 부서별로 진행됩니다. 조직은 기존 데이터 캡처와 분석에 능숙한 경향이 있습니다. 클라우드 규모 접근 방식에 어느 정도 노력을 기울이고 있을 수 있습니다. 예를 들면, 이미 클라우드에서 데이터에 액세스하고 있을 수 있습니다.
수준 2
조직의 혁신 플랫폼이 거의 준비되었고, 데이터 품질을 처리하기 위한 워크플로가 마련되어 있습니다. 조직은 몇 가지 "이유"를 묻는 질문에 대답할 수 있습니다.
수준 2에서는 조직이 중앙에서 관리되는 데이터 레이크 저장소를 사용하여 데이터 저장소의 확산을 제어하고 데이터 검색 가능성을 개선하는 엔드투엔드 데이터 전략을 적극적으로 찾고 있습니다. 조직이 중앙에서 관리되는 데이터 레이크에 컴퓨팅 기능을 제공하는 스마트 애플리케이션을 사용할 준비가 되어 있습니다. 이러한 스마트 애플리케이션은 개인 정보의 위험과 컴퓨팅 비용을 낮추고 중요한 데이터에 대해 페더레이션된 복사본을 사용할 필요성을 줄여 줍니다.
또한 이 수준의 조직은 일반적인 데이터 컴퓨팅 작업에 대해 다중 테넌트, 중앙에서 호스팅되는 공유 데이터 서비스를 사용할 준비가 되어 있습니다. 이러한 공유 데이터 서비스를 통해 데이터 과학 기반 인텔리전스 서비스의 인사이트를 빠르게 사용할 수 있습니다.
Level 3
조직이 전체적인 데이터 접근 방식을 사용합니다. 데이터와 관련된 프로젝트가 비즈니스 결과 안에 통합됩니다. 조직은 분석 플랫폼을 사용하여 예측합니다.
수준 3에서는 조직이 데이터 자산과 애플리케이션 개발 관점에서 모두 디지털 혁신을 활용합니다. 데이터 레이크와 공유 데이터 서비스를 비롯한 기본 데이터 서비스가 마련되어 있습니다.
조직의 여러 팀에서 중요한 비즈니스 워크로드, 주요 비즈니스 사용 사례 및 측정 가능한 결과를 성공적으로 제공합니다. 새로운 공유 데이터 서비스는 원격 분석을 사용하여 식별됩니다. IT 부서는 신뢰할 수 있고 연결된 엔드투엔드 데이터 전략을 통해 중요한 비즈니스 프로세스를 개선하는 데 도움을 주는, 회사 내 팀의 믿음직한 어드바이저입니다.
수준 4
수준 4에서는 전체 조직이 프레임워크와 표준 엔터프라이즈, 데이터 기반 문화를 사용합니다. 자동화 기능과 데이터 기반 피드백 루프, 분석 또는 자동화와 관련된 개선 센터가 작동하는 것을 관찰할 수 있습니다.
비즈니스 조정 목표 개발
비즈니스 비전에 부합하는 우선 순위를 파악하고 "크게 생각하고, 작게 시작하며, 빠르게 행동"한다는 관념을 유지하는 것이 성공의 열쇠입니다. 올바른 사용 사례를 선택하는 것이 항상 장시간의 어려운 심사 과정이 될 필요는 없습니다. 투자 수익, 더 많은 욕구 및 쉬운 승인을 확인하기에 충분한 데이터가 있는 모든 사업부에서 지속적인 문제가 될 수 있습니다. 상황이 빠르게 진행될 수 있으며, 바로 이 점 때문에 대부분의 조직이 시작에 어려움을 겪을 수 있습니다.
데이터 특성의 이해
강력한 데이터 전략을 구축하려면 먼저 데이터의 작동 방식을 이해해야 합니다. 데이터의 핵심 특성을 알면 데이터를 처리하기 위한 원칙에 입각한 관행을 마련하는 데 도움이 됩니다.
데이터는 빠르게 이동하지만, 그 이동 속도가 물리학의 법칙을 무시할 수는 없습니다. 데이터는 국가의 법률 또는 해당 국법을 만든 업계의 법률을 준수해야 합니다.
데이터가 자체적으로 변경되지는 않지만, 이러한 문제를 완화하기 위한 조치를 마련하지 않는 한 변경되거나 예상치 않게 손상되기 쉽습니다. 뜻밖의 변경 사항을 처리할 수 있도록 컨트롤, 데이터베이스 및 스토리지에 대해 손상 방지 조치를 취합니다. 또한 모니터링, 감사, 경고 및 다운스트림 프로세스를 마련해야 합니다.
데이터는 자체적으로 인사이트를 생성하거나 가치를 산출하지 않습니다. 인사이트를 얻거나 가치를 산출하려면 다음의 네 가지 개별 단계를 통해 데이터의 대부분 또는 전부를 배치해야 합니다.
- 수집
- Storage
- 처리
- 분석
이러한 네 단계에는 각각 고유한 원칙과 프로세스, 도구, 기술이 있습니다.
데이터 자산 및 관련 인사이트를 제공하지 않으면 사회 경제적, 정치적 결정과 연구 및 투자 결정에 영향을 줄 수 있습니다. 조직에서 안전하고 책임감 있는 방식으로 인사이트를 제공할 수 있는 것이 중요합니다. 생성되거나 획득한 모든 데이터는 달리 명시하지 않는 한 데이터 분류 작업을 거쳐야 합니다. 암호화는 미사용/전송 중인 기밀 데이터를 모두 처리하기 위한 최고 표준입니다.
데이터, 애플리케이션, 서비스는 모두 고유한 인력을 갖고 있지만 데이터의 인력이 가장 큽니다. 아이작 뉴턴 경의 아주 유명한 사과와 달리, 데이터에는 주변 물체에 영향을 미치는 물리적 질량이 없습니다. 대신 분석 프로세스의 가속기 역할을 하는 대기 시간과 처리량이 있습니다. 대기 시간과 처리량, 액세스 편의성을 얻으려면 원하는 결과가 아니더라도 데이터 중복이 필요한 경우가 많습니다. 조직의 데이터 정책과 이러한 요구 사항의 균형을 맞출 수 있도록 사용자와 프로세스, 도구, 기술을 적절하게 설정합니다.
아키텍처 구문은 데이터를 처리할 수 있는 속도를 관리합니다. 구문은 소프트웨어, 하드웨어 및 네트워킹의 혁신을 통해 촉진됩니다. 다음은 몇 가지 아키텍처 고려 사항입니다.
- 데이터 배포 설정
- 분할
- 캐시 기술
- 일괄 처리 대 스트림 처리
- 백 엔드 처리와 클라이언트 쪽 처리의 균형 유지
데이터 전략 정의
더 나은 제품과 더 높은 가치의 서비스를 만들기 위한 경쟁 우위로 데이터를 사용하는 것은 새로운 일이 아닙니다. 그러나 클라우드 컴퓨팅에서 사용하는 볼륨과 속도, 다양한 데이터는 새롭습니다.
클라우드에서 최신 데이터 분석 플랫폼을 디자인하는 일은 보안, 거버넌스, 모니터링, 요청 기반 크기 조정, 데이터 작업 및 셀프 서비스로 구성됩니다. 이러한 패싯 간의 상호 작용을 이해하는 것이 훌륭한 데이터 전략과 좋은 데이터 전략을 구별하는 것입니다. 클라우드 채택 프레임워크와 같은 도구를 사용하여 아키텍처 응집력과 무결성, 모범 사례를 보장하세요.
효과를 발휘하려면 데이터 전략에 데이터 거버넌스 프로비저닝이 포함되어야 합니다. 다음 다이어그램에는 데이터 거버넌스에 중점을 둔 데이터 수명 주기의 주요 단계가 나와 있습니다.
다음 섹션에서는 디자인 원칙 데이터 전략의 계층을 결정할 때 사용해야 하는 고려 사항을 설명합니다. 데이터에서 비즈니스 결과와 가치를 제공하는 데 집중합니다.
데이터 수집
데이터 수집의 주요 고려 사항은 요구 사항부터 프로덕션에 이르는 모든 과정에 이르기까지 안전하고 규정을 준수하는 방식으로 데이터 파이프라인을 빠르게 빌드하는 기능입니다. 중요한 요소에는 데이터 레이크를 하이드레이션하는 메타데이터 기반, 셀프 서비스, 하위 코드 기술이 포함됩니다.
파이프라인을 빌드할 때 데이터를 랭글링, 배포하고 컴퓨팅 크기를 조정하는 디자인과 기능을 모두 고려합니다. 또한 파이프라인을 지속적으로 통합/제공하는 데 적합한 DevOps 지원이 있는지 확인해야 합니다.
Azure Data Factory와 같은 도구는 다양한 온-프레미스 데이터 원본, SaaS(Software as a Service) 데이터 원본 및 기타 퍼블릭 클라우드의 다른 데이터 원본을 지원합니다.
스토리지
물리적 계층과 논리적 계층 모두의 데이터에 태그를 지정하고 구성합니다. 데이터 레이크는 모든 최신 데이터 분석 아키텍처의 일부입니다. 조직은 운영 중인 모든 데이터 분류/업계 규정 준수 요구 사항을 충족하는 적절한 데이터 프라이버시, 보안 및 규정 준수 요구 사항을 적용해야 합니다. 카탈로그 및 셀프 서비스는 조직 수준의 데이터 민주화를 지원함으로써 적절한 액세스 제어를 통해 혁신을 촉진합니다.
워크로드에 알맞은 스토리지를 선택합니다. 처음에는 스토리지가 제대로 작동하지 않더라도 클라우드에서 신속하게 장애 조치(failover)하고 경험을 다시 시작할 수 있습니다. 애플리케이션 요구 사항을 사용하여 최상의 데이터베이스를 선택합니다. 분석 플랫폼을 선택할 때 일괄 처리/스트리밍 데이터를 처리하는 기능을 고려해야 합니다.
데이터 처리
데이터 처리 요구 사항은 워크로드별로 다릅니다. 대부분의 대규모 데이터 처리에는 실시간/일괄 처리 요소가 모두 포함됩니다. 또한 대다수 엔터프라이즈에는 시계열 처리 요구 사항의 요소와 엔터프라이즈 검색 기능에 필요한 자유 형식의 텍스트를 처리해야 하는 항목도 있습니다.
OLTP(온라인 트랜잭션 처리)는 가장 인기 있는 조직 처리 요구 사항을 제공합니다. 일부 워크로드에는 ‘빅 컴퓨팅’이라고도 하는 HPC(고성능 컴퓨팅) 같은 특수 처리가 필요합니다. 이러한 워크로드는 많은 CPU 또는 GPU 기반 컴퓨터를 사용해 복잡한 수학 작업을 해결합니다.
특정한 특수 워크로드의 경우, 고객이 Azure 기밀 컴퓨팅과 같은 실행 환경을 보호할 수 있습니다. 이는 사용자가 퍼블릭 클라우드 플랫폼 내에서 데이터를 사용하는 동안 데이터를 보호하는 데 도움이 됩니다. 이 상태는 효율적인 처리를 위해 필요합니다. 데이터는 ENCLAVE라고도 하는 TEE(신뢰 실행 환경) 내에서 보호됩니다. TEE는 외부 보기/수정으로부터 코드와 데이터를 보호합니다. TEE를 사용하면 여러 조직의 데이터 원본을 이용하는 경우에도 데이터 기밀성을 저하시키지 않고 AI 모델을 학습할 수 있습니다.
분석 처리
ETL(추출, 변환, 로드) 구문은 OLAP(온라인 분석 처리) 및 데이터 웨어하우징 요구 사항과 관련이 있습니다. 비즈니스 정렬 데이터 모델 및 조직에서 비즈니스 규칙을 구현할 수 있는 의미 체계 모델, 그리고 KPI(핵심 성과 지표)는 분석 프로세스의 일부로 구현되는 경우가 많습니다. 한 가지 유용한 기능은 자동 스키마 드리프트 검색입니다.
데이터 전략 요약
데이터 거버넌스와 책임 있는 AI 같은 다른 고려 사항에 원칙적인 접근 방식을 취하면 나중에 유리해집니다.
Microsoft는 공정성, 안정성과 안전성, 개인 정보 보호와 보안, 포용성이라는 네 가지 핵심 원칙을 따릅니다. 투명성과 책임의 두 가지 기본 원칙은 네 가지 핵심 원칙을 모두 뒷받침합니다.
Microsoft는 리소스 개발과 거버넌스 시스템을 통해 원칙과 책임 있는 AI를 실천합니다. 일부 지침에서는 인간/AI 상호 작용, 대화형 AI, 포용적 디자인, AI 공정성 체크리스트, 그리고 데이터 세트의 데이터 시트를 다룹니다.
또한 Microsoft는 혁신의 모든 단계에서 다른 사람이 AI를 이해하고 보호, 제어하는 데 도움이 되는 도구 집합을 개발했습니다. 이러한 도구는 책임 있는 AI를 강화하고 가속화하기 위해 다양한 분야에 걸쳐 협업한 활동의 결과입니다. 협업은 소프트웨어 엔지니어링/개발, 사회 과학, 사용자 연구, 법률 및 정책에 걸쳐 있습니다.
협업을 향상시키기 위해 Microsoft는 InterpretML과 Fairlearn 같은 많은 도구를 오픈 소스로 제공했습니다. 다른 사용자가 이러한 오픈 소스 도구에 기여하고 이를 기반으로 빌드할 수 있습니다. 우리는 또한 Azure Machine Learning을 통해 도구를 민주화했습니다.
데이터 기반 조직이 되기 위한 중심점은 뉴노멀에서 경쟁 우위를 제공하기 위한 기본 사항입니다. 우리는 고객이 애플리케이션 전용 접근 방식에서 애플리케이션 및 데이터 주도 접근 방식으로 전환할 수 있도록 돕고자 합니다. 애플리케이션과 데이터에 중점을 둔 접근 방식은 비즈니스 결과에 영향을 주는 현재와 미래의 사용 사례에서 반복성 및 확장성을 보장하는 엔드투엔드 데이터 전략을 만드는 데 도움이 됩니다.
책임감, 커뮤니케이션 및 참여 권장
데이터 전략을 성공으로 만드는 데 관련된 모든 주요 역할은 채택된 접근 방식과 일반적인 비즈니스 목표를 명확하게 이해해야 합니다. 주요 역할에는 리더십 팀(C 수준), 사업부, IT, 운영 및 배달 팀이 포함될 수 있습니다.
커뮤니케이션은 이 프레임워크에서 가장 중요한 요소 중 하나입니다. 조직은 역할 간에 효과적으로 커뮤니케이션하기 위한 프로세스를 고안해야 합니다. 커뮤니케이션은 현재 프로젝트의 맥락에서 효과적으로 제공하는 데 도움이 됩니다. 또한 관련된 모든 사람이 최신 정보를 유지하고 미래를 위한 전체론적 데이터 전략을 수립한다는 전반적인 목표에 집중할 수 있도록 포럼을 도입합니다.
다음 두 그룹 간의 참여는 필수적입니다.
- 데이터 전략을 디자인하고 구현하는 팀 구성원
- 데이터에 기여하고, 데이터를 사용/악용하는 팀 구성원(예: 의사 결정을 내리고 데이터를 기반으로 결과를 작성할 사업부)
달리 말해, 데이터 전략 및 관련 데이터 플랫폼이 사용자의 참여 없이 구축된 경우 관련성과 채택에 어려움이 발생합니다.
두 가지 전략적 프로세스는 다음 프레임워크에서 성공을 거두는 데 도움이 됩니다.
- Center of Excellence 형성
- Agile 제공 방법 채택
자세한 내용은 클라우드 규모 분석을 위한 계획 개발을 참조하세요.
가치 제공
표준화되고 구조화된 방식의 성공 조건을 기준으로 데이터 제품을 제공하는 경우, 그러한 가치 제공을 통해 반복 프레임워크의 유효성을 검사합니다. 또한 학습을 통해 지속적으로 혁신하면 비즈니스 신뢰를 구축하고 데이터 전략 목표를 넓히는 데 도움이 됩니다. 이 프로세스를 통해 조직 전체에서 더 명확하고 빠르게 채택할 수 있습니다.
데이터 플랫폼에도 동일하게 적용됩니다. 여러 팀에 꽤 자율적으로 작동하는 설정이 있는 경우 메시를 향해 나아가야 합니다. 이에 도달하는 과정은 반복적인 프로세스입니다. 많은 경우 조직 설정, 준비 상태 및 비즈니스 조정을 크게 변경해야 합니다.
다음 단계
클라우드 채택 경험에 대한 참고 자료를 찾고 클라우드 채택 시나리오를 성공적으로 만들려면 다음 문서를 읽어 보세요.