인터뷰
Siddharth Rajagopal & Sujay Dutta, Data as the Fourth Pillar의 저자 – 인터뷰 시리즈
Sujay Dutta는 25년 이상의 글로벌 경험을 가진 시즌된 기술 및 비즈니스 리더입니다. 그는 미래가 AI, 비즈니스 결과, 문화 및 데이터(“A.B.C.D.”)의 교차로에서 형성되고 있다고 믿습니다. 그는 현재 Databricks의 글로벌 어카운트 리드로서 일하고 있습니다.
Siddharth (Sidd) Rajagopal는 Informatica의 Field CTO Organization에서 Chief Architect입니다. 그의 역할에서, 그는 데이터 및 데이터 관리에 대한 사고 지도력을 공유하여 고위 임원과 함께 일합니다.
Data as the Fourth Pillar는 기업의 성공을 위한 기본 요소로 데이터를 다루는 경우를 제시합니다. 이 책은 이사회, CEO 및 고위 임원들을 대상으로 작성되었으며, 비즈니스 의사 결정의 핵심에 데이터 전략을 통합하는 구조화된 접근 방식을 제시합니다. 또한 총 주소 가능 가치(Total Addressable Value, TAV) 및 예상 주소 가능 가치(Expected Addressable Value, EAV)와 같은 실용적인 지표를 도입하여 조직이 데이터 이니셔티브의 영향을 정량화하는 데 도움이 됩니다. 저자들은 또한 데이터와 인공 지능의 상호 작용을 탐구하여 각 요소가 서로를 강화하는 방법을 강조합니다. AUDI AG의 Rüdiger Eck의 사례 연구를 통해 이 책은 이론과 실제 적용을 결합하여 오늘날의 경쟁적인 데이터 주도형 환경에서 SMB 및 대규모 기업을 위한 실용적인 안내서가 됩니다.
책의 제목은 데이터를 네 번째 기둥으로 언급합니다. 첫 번째 세 기둥은 무엇이며, 왜 데이터를 네 번째 기둥으로 간주해야 합니까?
첫 번째 세 기둥은 전통적인 기둥으로, 사람, 프로세스 및 기술입니다. 각 기둥은 기업이 성장함에 따라 추가되었습니다. 역사적으로 데이터는 이러한 기둥의 운영 결과물로, IT에 의해 관리되었습니다. 그러나 현재 인공 지능 우선 시대에서 데이터는 더 이상 부수적인 결과물이 아닙니다. 데이터는 기본적인 가치 驅動力이며, 또한 기업의 존재를 위협할 수 있습니다. 따라서 우리는 데이터를 네 번째 기둥으로 간주합니다. 네 번째 기둥으로서의 데이터는 다른 기둥과 함께 플라이휠 효과를 생성하여 서로를 강화합니다. 데이터를 네 번째 기둥으로 간주하면, 데이터는 사람, 프로세스 및 기술과 동일한 수준의 이사회 및 최고 경영진의 주목을 받게 됩니다. 이는 비용 중심에서 측정 가능한 기업 자산으로 전환하여 비즈니스 성장에 기여합니다.
Chief Data Officer(CDO)의 역할은 핵심 역할로, CEO, CTO 및 다른 고위 임원과 협력하는 것이 좋습니다. 이 역할에 대한 높은 수준의 개요와 주요 책임을 설명해 주시겠습니까?
CDO는 데이터 기둥의 리더로서, 가치 驅動力으로서 비즈니스 결과를 가속화합니다. 비즈니스 사용 사례에 대한 데이터 강도(QCS – 품질, 규정 준수 및 속도)를 이해합니다. 또한 데이터 수요와 공급을 지속적으로 균형 있게 성장시키는 데 도움이 됩니다(데이터 운영 모델을 통해). 데이터 기둥의 사람, 프로세스 및 기술에 대한 실행 우수성을 제공합니다. 또한 이사회 및 CEO의 후원과 다른 기둥의 리더의 참여를 통해 기업 전체의 구조적 변화를 계획하고 실행하는 데 변화 에이전트로 작용합니다.
데이터를 수집하고 실행하는 것이 대규모로 인공 지능을 활용하는 데 왜 इतन 중요한가요?
데이터는 인공 지능을 위한 연료입니다. 인공 지능 모델은 비즈니스 영향을 미치기 위해 데이터에서 패턴, 관계 및 행동을 학습해야 합니다. 또한 인공 지능의 경우, 비정형 데이터(예: PDF, 이미지, 비디오)가 중요해집니다. 대부분의 기업은 현재 비정형 데이터를 처리하는 데 성숙하지 못했습니다. 또한 인공 지능 모델은 이제 상용화되었습니다. 데이터는 인공 지능 모델의 사용에서 차별화를 만듭니다.
책은 데이터 강도에 대한 자세한 내용을 다룹니다. 데이터 강도是什么이며, 왜 इतन 중요한가요?
데이터 강도는 비즈니스 가치를 가속화하는 데 데이터가 얼마나 적합한지 측정하는 것입니다. 특히 인공 지능을 확대하는 데 중요합니다. 각 비즈니스 사례는 데이터를 다르게 요구하며, 다른 강도로 요구합니다. 저자의 책은 데이터 강도를 측정하는 데 필요한 세 가지 차원(QCS 프레임워크)을 도입합니다.
- 품질: 데이터가 정확하며, 완전하며, 일관성이 있으며, 신뢰할 수 있습니까? 이것은 “쓰레기가 들어가면 쓰레기가 나온다”라는 원칙입니다. 낮은 품질의 데이터는 결함이 있는 분석 및 신뢰할 수 없는 인공 지능으로 이어집니다.
- 규정 준수: 데이터가 모든 법적 및 윤리적 표준을 준수하고 있습니까? 예를 들어, 개인 정보 보호 규정(GDPR) 및 산업별 규칙과 같은 규정 준수는 중요합니다. 규정 준수되지 않은 데이터는巨大한 위험을 초래합니다.
- 속도: 데이터가 충분히 빠르게 사용할 수 있습니까? 이것은 데이터가 수집, 처리 및 의사 결정에 사용할 수 있는 속도(예: 실시간 처리 대 배치 처리)를 말합니다. 전통적으로 기업은 한 번에 하나 또는 두 개의 차원에서 성숙했습니다. 은행은 Q 및 C 차원에서 성과를 낼 수 있지만, 스타트업은 Q 및 S 차원에 집중했습니다. 인공 지능 우선 시대에서 기업은 세 가지 차원(Q, C, S) 모두에서 동시에 일관되게 높은 수준으로 수행하는 데 도전을 받습니다.
데이터 전략을 정의하는 것이 왜 इतन 중요한가요? 그리고 왜 이것이 종종 간과되나요?
데이터 전략을 정의하는 것은 모든 데이터 활동을 기업의 비즈니스 전략에 직접 연결하는 청사진을 제공하기 때문에 중요합니다. 데이터 기능을 개발하고 활용하여 비즈니스 결과를 가속화하는 데 필요한 로드맵을 제시합니다. 예를 들어, 수익을 증가시키고, 효율성을 개선하고, 경쟁 우위를 구축하는 데 있습니다.
尽管如此, 데이터 전략은 종종 간과됩니다. 몇 가지 주요 이유가 있습니다.
역사적으로 비즈니스 리더들은 데이터를 비즈니스 운영의 부수적인 결과물로, 기술적인 IT 문제로 간주했습니다. 이는 데이터 전략을 정의하는 데 필요한 명확한 소유자가 없다는 것을 의미합니다. 따라서 이러한 필수적인 작업은 리더십 공백으로 인해 종종 간과됩니다. 이것은 기업이 데이터 기초가 튼튼하지 않은 상태에서 흥미로운 인공 지능 프로젝트에 뛰어드는 이유 중 하나입니다. 이것은 대부분의 프로젝트가 실패하는 주요 이유 중 하나입니다.
데이터 거버넌스 프레임워크는 무엇이며, 데이터 전략과 어떻게 다른가요? 데이터 사용과 관련된 위험을 완화하는 데 필요한 이유는 무엇인가요?
데이터 전략은 비즈니스에서 데이터를 통해 달성하고자 하는 목표를 정의합니다. 반면에, 데이터 거버넌스 프레임워크는 비즈니스 사용 사례에서 필요한 데이터 강도(Q, C, S)를 사용하여 기대되는 값을 제공할 수 있도록 합니다.
데이터 거버넌스 프레임워크는 위험을 완화하는 데 중요합니다. 거버넌스가 없으면 데이터는 책임이 됩니다. 규정 준수(예: GDPR)를 보장하여巨大한 벌금 및 법적 문제를 방지합니다. 또한 데이터의 보안 및 개인 정보 보호 표준을 설정하여 데이터 침해 및 결과적인 평판 손상을 방지합니다. 데이터 품질을 강제하면 잘못된 정보에 기반한 비용이 많이 드는 비즈니스 결정이 방지됩니다. 또한 인공 지능 에이전트는 필요한 속도로 데이터를 받을 때만 유용합니다.
이것을 다음과 같이 생각해 보십시오. 전략은 지도上的 목적지입니다. 거버넌스 프레임워크는 목적지에 도달하기 위해 따라야 하는 교통 규칙입니다.
또한 DOM(데이터 운영 모델)에 대한 개념을 논의합니다. 이것이 무엇이며, 어떻게 조직이 데이터 전략을 운영화하는 데 도움이 되나요?
데이터 운영 모델(DOM)은 데이터 수요를 충족하기 위한 데이터 공급을 제공하는 엔진입니다. DOM은 높은 수준의 목표를 구체적이고 재사용 가능한 행동으로 번역하여 전략을 운영화합니다. 이는 데이터를 필요한 데이터 강도에서 제공하는 데 사용되는 사람, 프로세스 및 기술을 포함하는 실제 프레임워크입니다.
데이터 전략과 거버넌스를 갖는 것이 좋은 의도는 물론, 성공은 종종 데이터 채택 및 데이터 엔지니어링 관리에 달려 있습니다. 이러한 두 요소를 간략히 설명하고, 왜 최고 경영진이 주의를 기울여야 하는지 설명해 주시겠습니까?
데이터에 대한 성공은 데이터 채택 및 데이터 엔지니어링 관리에 달려 있습니다.
데이터 채택은 문화적인 측면입니다. 팀이 실제로 데이터를 사용하여 일일 의사 결정을 내리는 것입니다. 채택이 없으면 데이터 기둥에 대한 투자가浪費됩니다.
데이터 엔지니어링 관리는 기술적인 측면입니다. 데이터를 수집 및 처리하여 데이터 강도(QCS) 요구 사항을 충족하는 안정적인 “데이터 공장”을 구축 및 유지하는 것입니다.
최고 경영진은 두 가지 모두를 후원해야 합니다. 채택이 부족하면 투자가浪費됩니다. 엔지니어링이 부족하면 비즈니스 운영은 적합하지 않은 데이터(예: 데이터 강도에 맞지 않는 데이터)로 운영됩니다. 이것은 비용이 많이 드는 실수로 이어지며, 신뢰를 떨어뜨리고, 규정 준수 문제를 일으키며, 인공 지능 이니셔티브를 불가능하게 만듭니다.
이 책은 주로 대규모 기업을 대상으로 작성되었습니다. 여기에는 CDO, 데이터 위험 관리, 데이터 액세스 관리, 데이터 품질 및 관찰 가능성 팀과 같은 역할이 잘 정의되어 있습니다. 왜 작은 회사도 이 책을 고려해야 하는가요? 그리고 이러한 역할이 없는 경우 어떻게 보완할 수 있나요?
작은 회사에서는 데이터가 가장 큰 차별점입니다. 데이터 기둥의 DNA를 처음부터 올바르게 구축하는 것이 나중에 큰 전통적인 조직을 수정하는 것보다 훨씬 쉽습니다. 초기에 데이터 기초를 올바르게 구축하면 성장 및 미래의 인공 지능 채택에 대한巨大的 경쟁 우위를 제공합니다. 한 SMB 기업의 CEO는 저에게 다음과 같이 말했습니다. “저에게 데이터는 첫 번째 기둥입니다. 그리고 저는 CDO이기도 합니다.”
책에서 가장 중요한 한 가지를 요약한다면, 무엇입니까?
결정적인 요약은 기업이 즉시 데이터를 네 번째 기둥으로 하는 구조적 변화를 구현해야 한다는 것입니다. 이는 인공 지능을 확대하고 경쟁 우위를 확보하는 데 필요한 기본적인 차별점입니다. 데이터를 핵심 기둥으로 통합하지 못하는 기업은 관련성이 떨어지고, 미래의 경쟁에서 어려움을 겪을 것입니다. 행동할 때는 지금입니다!
멋진 인터뷰 감사합니다. 더 많은 정보를 원하는 독자는 Data as the Fourth Pillar를 읽어야 합니다.
免責聲明: 본 기사의 견해는 저자의 견해이며, 필수적으로 현재 또는 과거의 고용주와 일치하는 것은 아닙니다.
