데이터 전환의 다섯 기둥 - 쉽게 풀어 본 설명

AI는 백로그를 해소하고, 의사결정을 가속화하며, 모든 팀에 더 스마트한 업무 방식을 제공할 것으로 기대되었습니다. 하지만 지금 많은 조직은 Microsoft Copilot, Power BI, Microsoft Fabric, AI 에이전트 등을 보유하고 있으며 그 어느 때보다 많은 데이터를 갖고 있습니다. 그럼에도 중요한 의사결정은 여전히 회의 속에서 더디게 진행됩니다. 숫자를 온전히 신뢰하지 못하고, 누가 그 결과에 따라 실행할 수 있는지 명확하지 않기 때문입니다. 기술 투자는 계속 늘어나지만 실행은 그렇지 않습니다. 문제는 대개 AI의 부족이 아닙니다. 데이터, 의미, 거버넌스, 기술, 사람, 책임을 연결하는 운영 모델이 없다는 것이 문제입니다. 이번 M365 FM – Simply Explained 에피소드에서는 데이터 전환과 AI를 위한 신뢰할 수 있는 기반을 구축하기 위해 조직에 필요한 다섯 가지 기둥을 분석합니다.

학습 내용
이번 에피소드에서는 다음을 살펴봅니다.

• AI가 신뢰할 수 없는 데이터를 보완할 수 없는 이유
• 데이터 거버넌스가 자동화 이전에 신뢰를 구축하는 방법
• 데이터 품질이 내려야 할 의사결정에 따라 달라져야 하는 이유
• Microsoft Purview가 거버넌스와 데이터 탐색을 지원할 수 있는 방법
• Microsoft Fabric이 최신 분석 및 데이터 플랫폼을 지원하는 방법
• 시맨틱 모델이 Power BI와 AI에 중요한 이유
• 상충하는 정의가 상충하는 대시보드를 만드는 방식
• 비즈니스 용어집이 사람과 AI 에이전트 모두에게 중요한 이유
• 데이터 소유권이 AI 준비 상태에 미치는 영향
• AI 확장 전에 액세스, 보안, 권한을 정의해야 하는 이유
• Copilot과 AI 에이전트가 신뢰할 수 있는 비즈니스 맥락에 의존하는 방식
• AI가 답변을 생성하더라도 인간의 책임이 여전히 중요한 이유

첫 번째 기둥: 데이터 거버넌스 – 자동화 이전의 신뢰
데이터 거버넌스는 흔히 정책, 규정 준수 회의, 문서화, 관료주의처럼 들립니다. 실제로 거버넌스는 몇 가지 간단한 질문에 답합니다.

• 이 데이터의 소유자는 누구인가?
• 누가 이 데이터에 접근할 수 있는가?
• 데이터는 어디에서 왔는가?
• 이 특정 사용 사례에 대해 데이터를 신뢰할 수 있는가?
• 사람들은 이 데이터로 무엇을 할 수 있는가?
• AI 시스템은 이 데이터로 무엇을 할 수 있는가?

이러한 질문에 명확한 답이 없으면 AI는 데이터 문제를 해결하지 못합니다. 오히려 문제를 더 빠르게 확산시킬 수 있습니다. 리더십 팀이 판매 예측을 준비하고 있다고 상상해 보십시오. 영업팀은 하나의 매출 수치를 제시하고, 재무팀은 다른 수치를 제시합니다. 두 수치 모두 권위 있어 보이는 시스템에서 나왔습니다. 회의는 갑자기 향후 의사결정에 관한 논의를 멈추고, 어떤 스프레드시트나 대시보드가 맞는지를 두고 다투기 시작합니다. 근본적인 문제는 다음과 같을 수 있습니다.

• CRM에는 한 가지 버전의 매출이 있다
• 재무 시스템에는 또 다른 버전의 매출이 있다
• 수동 내보내기가 추가적인 차이를 만든다
• 매출의 정의를 소유한 사람이 없다
• 원천 데이터의 품질을 책임지는 사람이 없다
• 예측을 주도해야 할 숫자가 무엇인지 명확히 설명할 수 있는 사람이 없다

결국 회사는 미래의 결정을 내리는 대신 과거를 두고 논쟁하게 됩니다.

AI가 들어오면 무슨 일이 일어나는가?
이제 누군가 AI 에이전트에게 "어느 영업 지역이 뒤처지고 있는가?"라고 묻는다고 상상해 보십시오. 답은 몇 초 안에 나올 수 있습니다. 하지만 그 답은 다음에 기반했을 수 있습니다.

• 중복된 고객 레코드
• 오래된 계정 배정
• 누락된 기회
• 잘못된 예측 단계
• 오래된 데이터
• 잘못된 권한
• 사용자가 접근해서는 안 되었던 정보

답은 자신 있어 보일 수 있습니다. 그렇다고 해서 자동으로 신뢰할 수 있는 것은 아닙니다. 거버넌스는 자동화가 데이터를 사용하기 시작하기 전에 데이터를 둘러싼 업무 합의를 만듭니다. 강력한 거버넌스 모델은 일반적으로 다음을 수립합니다.

• 지정된 데이터 소유자
• 명확한 책임
• 데이터 분류
• 접근 규칙
• 원천 시스템 문서화
• 데이터 품질 기대치
• 감사 가능성
• 민감한 정보에 대한 정책
• AI 및 자동화에 대한 규칙

Microsoft 기술은 이 과정을 지원할 수 있습니다. Microsoft Purview는 조직이 정보를 탐지하고, 분류하고, 이해하고, 거버넌스할 수 있도록 도울 수 있습니다. Microsoft Fabric은 데이터를 한데 모으고, 준비하고, 분석하고, 모니터링하며, 보고 및 AI 시나리오에서 사용할 수 있도록 지원할 수 있습니다. 그러나 기술이 모든 것을 결정할 수는 없습니다. 조직은 여전히 사람이 다음을 결정해야 합니다.

• 고객 데이터의 소유자는 누구인지
• 어떤 정의가 권위 있는 것인지
• 어느 수준의 데이터 품질이 허용 가능한지
• 누가 접근해야 하는지
• AI가 생성한 답변을 언제 안전하게 사용할 수 있는지
• 최종 결정에 대한 책임이 누구에게 남는지

데이터 품질은 의사결정에 맞춰야 합니다
많은 조직은 모든 시스템의 모든 필드가 완벽해야 하는 것처럼 데이터 품질에 접근합니다. 이는 현실적으로 거의 불가능합니다. 대신 데이터 품질은 내려지는 비즈니스 의사결정을 기준으로 평가해야 합니다. 판매 예측의 경우 가장 중요한 필드는 다음과 같을 수 있습니다.

• 기회 단계
• 예상 마감일
• 예측 금액
• 계정 담당자
• 영업 지역
• 확률
• 고객 상태

다른 필드는 그 특정 의사결정에서는 덜 중요할 수 있습니다. 따라서 더 나은 질문은 "모든 데이터를 어떻게 정리할 것인가?"가 아니라 "이 의사결정을 위해 반드시 신뢰해야 하는 데이터는 무엇인가?"입니다. 이렇게 하면 문제는 더 작아지고, 측정 가능해지며, 훨씬 관리하기 쉬워집니다.

이 팟캐스트의 후원자가 되어 주세요: https://www.spreaker.com/podcast/m365-fm-a-microsoft-mvp-podcast-by-mirko-peters--6704921/support.