SlideShare una empresa de Scribd logo
1 de 36
Descargar para leer sin conexión
Simple, Smart, Speedy
데이터 정제와 품질검증을 위한
MDM 시스템의 기능과 역할
- 2016.11 -
(주)투비웨이
박세준 이사(sjpark@tobeway.com)
목차
Simple, Smart, Speedy 1
I. Master Data, Master Data Management
II. MDM 프로젝트 구성
III. 데이터 표준화, 정제, 품질 검증
IV. MDM 시스템의 기능과 역할
Simple, Smart, Speedy 2
Master Data : 기준정보
Master Data = Key to the Process Execution & Analysis
■ 기준정보(Master Data)
 ERP/SCM/MES 같은 트랜잭션 시스템이나 EDW 같은 분석 시스템에서 기준으로 사용되는 비즈니스
데이터
 상당기간 동안 변하지 않는 정적 데이터
 비즈니스 정보의 특성을 기술하는 데이터의 집합
 업무운영 프로세스의 수행을 위해 필요한 기준 데이터
 주로 복수의 전사기준정보의 조합으로 구성
 상대적으로 짧은 Life Cycle 및 유효 시간, 기간을 가짐
 식별코드(ID) + 콘텐트 (Content) 구성
■ 업무코드(Biz Code)
 비즈니스 커뮤니케이션의 신속성, 정확성, 경제성을 높이기 위하여
사용되는 부호화된 데이터
 참조코드, 표준코드, 공통코드
 비즈니스 정보에 대한 집계, 분류코드
 IT코드 : 상대적으로 단순하고, 글로벌/업계 표준 보유
 코드(ID) + 코드명 (Name) 구성
Simple, Smart, Speedy 3
Master Data Management : 기준정보관리
Discipline that provides a Consistent Understanding of master data entities
■ 관리의 구성요소
 WHAT & WHO : 대상, 주체
 HOW : 수단, 방법
 WHY : 목적, 목표
■ 기준정보관리의 대상 및 주체
 고객, 협력사, 제품, 자재, 설비, 사업장, 서비스 …
 기준정보를 다루는 사람, 조직
■ 기준정보관리의 수단
 표준화, 데이터 정제, 품질 검증
 워크플로우
 연계, 배포
■ Discipline that provides a consistent understanding of master data entities
 고품질 기준정보를 정확하게 공유
 비즈니스 수행 및 의사 결정 효율성 증대
Simple, Smart, Speedy 4
MDM 시스템 기능요소
MDM 기능요소 = 검색/조회, 입력/승인, 현황/개선방안. 시스템관리/운영지원
기준정보
검색/조회
기준정보
입력/승인
시스템관리/
운영지원
현황/
개선방안
Governance
Process
QualityIntegration
Service
Meta
Data
MDM 구성요소 MDM 시스템 기능 요소
Simple, Smart, Speedy
MDM 프레임워크
성공적인 MDM 구현을 위한 ToBeWAY MDM Framework
 데이터 품질지표
 데이터 품질분석
 지속적 품질개선
 전사기준정보모델
 분류체계/속성체계
 식별체계/표기표준
 데이터 수집
 데이터 검증
 데이터 정제 및 보강
 등록/수정/중지
 수집/통합
 기준정보 관리조직
 역할과 책임
 사용자 권한관리
 검색 및 조회
 리포트
 UI 개인화
 기준정보 저장소
 기준정보 중앙관리
 데이터 배포
 모니터링
 통합서비스
품질관리
(Quality)
거버넌스
(Governance)
프로세스
(Process)
데이터 표준화
(Data Value)
기준정보 모델
(Metadata)
DataApproach
Architecture Approach
ApplicationApproach
사용자 서비스
(User Service)
관리
(Administration)
통합과 연계
(Integration)
G
Q P
M
V
SA
I
 개선과제 수행
 데이터 표준화
워킹그룹
(Working Group)
W
User working group Approach
목차
Simple, Smart, Speedy 6
I. Master Data, Master Data Management
II. MDM 프로젝트 구성
III. 데이터 표준화, 정제, 품질 검증
IV. MDM 시스템의 기능과 역할
Simple, Smart, Speedy 7
MDM 프로젝트 구성
MDM PROJECT =
표준체계혁신
(컨설팅)
시스템구축
(솔루션)
데이터표준화
(클린징)
연계구현
(EAI/ETL)
관련시스템변경
(ERP/Legacy)
Simple, Smart, Speedy
As-Is 분석정의 To-Be 설계 구현 테스트 이행/운영
A B C D E F
데이터수집
데이터분석
관리체계
분석
애플리케이션
분석
기준정보
도메인
정의
요구사항
도출
및
제약조건
파악
데이터 표준체계
설계
데이터 이관 구현
프로세스 구현
거버넌스 설계
프로세스 설계
품질체계 설계
관리자/
운영자
교육
운영환경
Setup
Cut-Over
Iterations #1 #2 #N
Phase
Stage Master Data Innovation MDM Implementation
관
리
체
계
G
P
Q
데
이
터
M
V
응
용
시
스
템
S
A
I
개발 및
운영환경 준비
데이터 표준화
방안 설계
이행
계획
수립
통합
테스트
프
로
토
타
이
핑
연계 방안 설계
GAP 분석 및
개발항목 설계
레거시
이행방안 수립
A1 A2
A3
B1
B2
B3
B4
C2
C3
C4
C5
C6
C8
C9
D2
D5
E1 F1 F3
F4 F6
커스트마이징
및 확장기능 구현
연계 구현
레거시 변경
D6
D7
D8
C7
데이터 모델링
품질체계 구현
D3
D4
데이터
이관
F5
거버넌스 구현
D1
안정화
지원
F7
개선기회
도출
개선과제 정의
데이터 표준화
개선과제 수행
사
용
자
W
B5 C1
C10 D9
C11
사용자
교육
F2
8
MDM 구축 프로젝트 방법론
Simple, Smart, Speedy
현업 주도의 데이터 표준화/클린징
데이터적 접근 중 데이터 표준화 부분은 주로 현업분들이 참여하는 워킹그룹 형태로 진행
 데이터 품질지표
 데이터 품질분석
 지속적 품질개선
 전사기준정보모델
 분류체계/속성체계
 식별체계/표기표준
 데이터 수집
 데이터 검증
 데이터 정제 및 보강
 등록/수정/중지
 수집/통합
 기준정보 관리조직
 역할과 책임
 사용자 권한관리
 검색 및 조회
 리포트
 UI 개인화
 기준정보 저장소
 기준정보 중앙관리
 데이터 배포
 모니터링
 통합서비스
품질관리
(Quality)
거버넌스
(Governance)
프로세스
(Process)
데이터 표준화
(Data Value)
기준정보 모델
(Metadata)
DataApproach
Architecture Approach
ApplicationApproach
사용자 서비스
(User Service)
관리
(Administration)
통합과 연계
(Integration)
G
Q P
M
V
SA
I
 개선과제 수행
 데이터 표준화
워킹그룹
(Working Group)
W
User working group Approach
Simple, Smart, Speedy
현업 주도의 데이터 표준화/클린징
데이터적 접근 중 데이터 표준화 부분은 주로 현업분들이 참여하는 워킹그룹 형태로 진행
 데이터 품질지표
 데이터 품질분석
 지속적 품질개선
 전사기준정보모델
 분류체계/속성체계
 식별체계/표기표준
 데이터 수집
 데이터 검증
 데이터 정제 및 보강
 등록/수정/중지
 수집/통합
 기준정보 관리조직
 역할과 책임
 사용자 권한관리
 검색 및 조회
 리포트
 UI 개인화
 기준정보 저장소
 기준정보 중앙관리
 데이터 배포
 모니터링
 통합서비스
품질관리
(Quality)
거버넌스
(Governance)
프로세스
(Process)
데이터 표준화
(Data Value)
기준정보 모델
(Metadata)
DataApproach
Architecture Approach
ApplicationApproach
사용자 서비스
(User Service)
관리
(Administration)
통합과 연계
(Integration)
G
Q P
M
V
SA
I
 개선과제 수행
 데이터 표준화
워킹그룹
(Working Group)
W
User working group Approach
Simple, Smart, Speedy 11
데이터 표준화/클린징 in MDM Project
프로젝트 종료 보고서 및 제안서 등의 언급량으로 살펴본 MDM프로젝트 관리체계 구성비의 변화
표준체계(식별)
30%
표준체계(분류/속성)
20%
데이터클린징
35%
거버넌스
2%
프로세스
10%
품질체계
3%
2001~2008
표준체계(식별)
25%
표준체계(분류/속성)
20%데이터클린징
20%
거버넌스
5%
프로세스
20%
품질체계
10%
2009~2012
표준체계(식별)
20%
표준체계(분류/속성)
15%
데이터클린징
5%거버넌스
10%
프로세스
30%
품질체계
20%
2013~2016
Simple, Smart, Speedy 12
데이터 표준화/클린징 in MDM Project
데이터 표준화와 클린징에 대한 문제는 데이터의 품질 문제로 발전
0%
10%
20%
30%
40%
50%
60%
표준체계 데이터표준화 솔루션 기능 연계 관련시스템 기타
MDM 프로젝트 애로사항
2009~2012 2013~2016
관심
문제
데이터 품질
목차
Simple, Smart, Speedy 13
I. Master Data, Master Data Management
II. MDM 프로젝트 구성
III. 데이터 표준화, 정제, 품질 검증
IV. MDM 시스템의 역할
Simple, Smart, Speedy 14
데이터표준화 > As-Is 데이터 분석
• As-Is Data 분석
 데이터 현황 정리
 As-Is 모델링
(분류, 속성, 식별체계)
 데이터 프로파일링
As-Is
Data
수집
B2
As-Is
Data
분석
B3
식별체계
설계
C5-1
분류/속성
설계
C5-2
데이터
표준화방안설계
C6
기회
기회
도출
B5
데이터표준화
D9
데이터
모델링
데이터
이관 구현
D4
D5
Simple, Smart, Speedy 15
데이터표준화 > 표준체계
• To-Be 기준정보 구조 설계
 To-Be 전사기준정보 구조설계
• 식별체계 설계
 To-Be 코드 체계 설계
 Number Range 정의
 구 코드와의 맵핑 규칙 정의
• 분류/속성 설계
 분류체계 설계
 속성체계 설계
 참조코드 정의
As-Is
Data
수집
B2
As-Is
Data
분석
B3
식별체계
설계
C5-1
분류/속성
설계
C5-2
데이터
표준화방안설계
C6
기회
기회
도출
B5
데이터표준화
D9
데이터
모델링
데이터
이관 구현
D4
D5
Simple, Smart, Speedy 16
데이터정제 > 데이터 표준화 방안
• 데이터 표준화 방안
 명칭체계(표기표준) 정의
 품명, 규격 등에 대한 표기표준
(띄어쓰기, 대소문자, 괄호 규
칙)
 표준용어 정의
• 중복제거 방안 수립
 데이터 중복 정의
 중복원안 파악 및 방안 수립
 중복 제거 처리 방안 수립
• 데이터 정제/보강방안 수립
 정제/보강 대상 속성 결정
 정제/보강 방안 정의
As-Is
Data
수집
B2
As-Is
Data
분석
B3
식별체계
설계
C5-1
분류/속성
설계
C5-2
데이터
표준화방안설계
C6
기회
기회
도출
B5
데이터표준화
D9
데이터
모델링
데이터
이관 구현
D4
D5
Simple, Smart, Speedy 17
데이터 정제 > 데이터 표준화
데이터 표준체계와 데이터 표준화 방안 설계서를 기반으로 데이터 표준화를 시행합니다.
• 데이터 표준화 방안
 값 표기 표준, 표준 용어
• 중복제거 방안
 데이터 중복 정의, 처리 방안
• 데이터 정제/보강방안
 절차, 역할, 일정
• 클린징 MDM 활용 데이터 정제
 As-Is 데이터 적재
 신규 속성체계 반영
• 현업/워킹그룹 중심 데이터 정제
 시스템을 통한 정제 진행
• 정제 품질규칙을 통한 시스템 검증
PI/컨설턴트 현업 W/G클린징 MDM
As-Is 로딩
W/G 할당
W/G 작업
시스템 반영
품질규칙정의
품질검증
W/G 피드백
W/G 작업
시스템 반영
품질검증
피드백
…
As-Is
Data
수집
B2
As-Is
Data
분석
B3
식별체계
설계
C5-1
분류/속성
설계
C5-2
데이터
표준화방안설계
C6
기회
기회
도출
B5
데이터표준화
D9
데이터
모델링
데이터
이관 구현
D4
D5
Simple, Smart, Speedy
데이터 품질검증 > Master Data Quality
MDM과 DQM은 데이터 품질이라는 공동의 목표를 가지나, 수행방법과 대상 데이터가
■ 기준정보 품질차원
 유일성, 정확성
 일관성, 적시성, 최신성
 완전성, 책임성, 보안성
 유용성, 충분성, 사용성
■ MDM의 (사전)데이터 품질 관리 기능
 데이터가 변경 저장되기 전에 프로그램
(Program)을 통해 품질검사를 수행하는데 중점
■ DQM의 (사후)데이터 품질 관리 기능
 Database에 저장되어 있는 데이터를 SQL를 통
해 품질검사를 수행하는데 중점
목차
Simple, Smart, Speedy 19
I. Master Data, Master Data Management
II. MDM 프로젝트 구성
III. 데이터 표준화, 정제, 품질 검증 검증
IV. MDM 시스템의 역할
Simple, Smart, Speedy
정제용 MDM
현업워킹그룹(Working Group)의 데이터 정제작업을 효과적으로 지원하고 모니터링 할 정제용 MDM이
필요합니다.
반복적이고기계적인작업의자동화
업무변화에따라변경/추가된품질규칙의적용
발견된품질결함에대한용이한수정
진행현황관리
사후 품질검증
• 분류별 품질검증
• 속성별 품질검증
데이터 프로파일링
• 속성값 프로파일링 제공
• 형식, 값 분포 등
속성별 품질검증
• 특정 속성항목에 속한 모든 값에 대한 일괄 검사
• 일괄 수정
관리책임 별 결함현황
• 특정 속성항목에 속한 모든 값에 대한 일괄 검사
• 일괄 수정
- 21 -
속성별 품질검증 – 검증할 속성 선택
- 22 -
속성별 품질검증 – 검증결과 상세
- 23 -
속성별 품질검증 – 검증결과 상세
- 24 -
속성별 품질검증 – 프로파일링
- 25 -
속성별 품질검증 – 프로파일링(결과)
- 26 -
관리책임별 결함현황
- 27 -
관리책임별 결함현황 – 담당자 정보 조회
Simple, Smart, Speedy 28
입력/승인 > Clue (값 추천)
분류 내 다른 마스터가 가지고 있는 값을 통계화해 제공
Simple, Smart, Speedy 29
현황/개선방안 > 정제 제안/지시
품질검증결과 문제가 발견된 기준정보에 대해 담당자에게 정제를 요청하는 프로세스
Simple, Smart, Speedy 30
현황/개선방안 > 속성 프로파일링
입력된 속성값에 대한 프로파일링
Simple, Smart, Speedy 31
현황/개선방안 > 관리책임 별 결함현황
관리책임자, 관리책임부서 별 책임 기준정보건수 및 결함건수, 결함율 제시
- 32 -
관리책임별 결함현황 – PDF파일로 다운로드
- 33 -
관리책임별 결함현황 – 파일 확인
Simple, Smart, Speedy 34
Simple, Smart, Speedy 기준정보 관리
고품질(High Quality) 기준정보, ToBeWAY MDM Suite 8.3
Simple Smart Speedy
35
감사합니다

Más contenido relacionado

La actualidad más candente

Ibm data governance framework
Ibm data governance frameworkIbm data governance framework
Ibm data governance frameworkkaiyun7631
 
클라우드 환경에서 알아야할 성능 이야기
클라우드 환경에서 알아야할 성능 이야기클라우드 환경에서 알아야할 성능 이야기
클라우드 환경에서 알아야할 성능 이야기YoungSu Son
 
실전 서버 부하테스트 노하우
실전 서버 부하테스트 노하우 실전 서버 부하테스트 노하우
실전 서버 부하테스트 노하우 YoungSu Son
 
금융It시스템의 이해 2편
금융It시스템의 이해 2편금융It시스템의 이해 2편
금융It시스템의 이해 2편Seong-Bok Lee
 
Activate Data Governance Using the Data Catalog
Activate Data Governance Using the Data CatalogActivate Data Governance Using the Data Catalog
Activate Data Governance Using the Data CatalogDATAVERSITY
 
MSA ( Microservices Architecture ) 발표 자료 다운로드
MSA ( Microservices Architecture ) 발표 자료 다운로드MSA ( Microservices Architecture ) 발표 자료 다운로드
MSA ( Microservices Architecture ) 발표 자료 다운로드Opennaru, inc.
 
Data governance – an essential foundation to good cyber security practice
Data governance – an essential foundation to good cyber security practiceData governance – an essential foundation to good cyber security practice
Data governance – an essential foundation to good cyber security practiceKate Carruthers
 
운영이관업무 효율화방안
 운영이관업무 효율화방안 운영이관업무 효율화방안
운영이관업무 효율화방안Eugene Chung
 
장애 관리 방안
장애 관리 방안장애 관리 방안
장애 관리 방안Junho Lee
 
REST vs. Messaging For Microservices
REST vs. Messaging For MicroservicesREST vs. Messaging For Microservices
REST vs. Messaging For MicroservicesEberhard Wolff
 
서비스 지향 아키텍쳐 (SOA)
서비스 지향 아키텍쳐 (SOA)서비스 지향 아키텍쳐 (SOA)
서비스 지향 아키텍쳐 (SOA)Terry Cho
 
마이크로서비스를 위한 AWS 아키텍처 패턴 및 모범 사례 - AWS Summit Seoul 2017
마이크로서비스를 위한 AWS 아키텍처 패턴 및 모범 사례 - AWS Summit Seoul 2017마이크로서비스를 위한 AWS 아키텍처 패턴 및 모범 사례 - AWS Summit Seoul 2017
마이크로서비스를 위한 AWS 아키텍처 패턴 및 모범 사례 - AWS Summit Seoul 2017Amazon Web Services Korea
 
Внедрение СУИБ на основе ISO/IEC 27001
Внедрение СУИБ на основе ISO/IEC 27001Внедрение СУИБ на основе ISO/IEC 27001
Внедрение СУИБ на основе ISO/IEC 27001Dmitry Savchenko
 
IT서비스관리 표준, ISO20000의 이해
IT서비스관리 표준, ISO20000의 이해IT서비스관리 표준, ISO20000의 이해
IT서비스관리 표준, ISO20000의 이해에스티이지 (STEG)
 
Cyber Security in Energy & Utilities Industry
Cyber Security in Energy & Utilities IndustryCyber Security in Energy & Utilities Industry
Cyber Security in Energy & Utilities IndustryProlifics
 
마이크로서비스 아키텍처로 개발하기
마이크로서비스 아키텍처로 개발하기마이크로서비스 아키텍처로 개발하기
마이크로서비스 아키텍처로 개발하기Jaewoo Ahn
 
Data Governance in a big data era
Data Governance in a big data eraData Governance in a big data era
Data Governance in a big data eraPieter De Leenheer
 
대용량 분산 아키텍쳐 설계 #1 아키텍쳐 설계 방법론
대용량 분산 아키텍쳐 설계 #1 아키텍쳐 설계 방법론대용량 분산 아키텍쳐 설계 #1 아키텍쳐 설계 방법론
대용량 분산 아키텍쳐 설계 #1 아키텍쳐 설계 방법론Terry Cho
 
[오픈소스컨설팅]유닉스의 리눅스 마이그레이션 전략_v3
[오픈소스컨설팅]유닉스의 리눅스 마이그레이션 전략_v3[오픈소스컨설팅]유닉스의 리눅스 마이그레이션 전략_v3
[오픈소스컨설팅]유닉스의 리눅스 마이그레이션 전략_v3Ji-Woong Choi
 

La actualidad más candente (20)

Ibm data governance framework
Ibm data governance frameworkIbm data governance framework
Ibm data governance framework
 
클라우드 환경에서 알아야할 성능 이야기
클라우드 환경에서 알아야할 성능 이야기클라우드 환경에서 알아야할 성능 이야기
클라우드 환경에서 알아야할 성능 이야기
 
실전 서버 부하테스트 노하우
실전 서버 부하테스트 노하우 실전 서버 부하테스트 노하우
실전 서버 부하테스트 노하우
 
금융It시스템의 이해 2편
금융It시스템의 이해 2편금융It시스템의 이해 2편
금융It시스템의 이해 2편
 
Activate Data Governance Using the Data Catalog
Activate Data Governance Using the Data CatalogActivate Data Governance Using the Data Catalog
Activate Data Governance Using the Data Catalog
 
MSA ( Microservices Architecture ) 발표 자료 다운로드
MSA ( Microservices Architecture ) 발표 자료 다운로드MSA ( Microservices Architecture ) 발표 자료 다운로드
MSA ( Microservices Architecture ) 발표 자료 다운로드
 
Data governance – an essential foundation to good cyber security practice
Data governance – an essential foundation to good cyber security practiceData governance – an essential foundation to good cyber security practice
Data governance – an essential foundation to good cyber security practice
 
운영이관업무 효율화방안
 운영이관업무 효율화방안 운영이관업무 효율화방안
운영이관업무 효율화방안
 
장애 관리 방안
장애 관리 방안장애 관리 방안
장애 관리 방안
 
REST vs. Messaging For Microservices
REST vs. Messaging For MicroservicesREST vs. Messaging For Microservices
REST vs. Messaging For Microservices
 
서비스 지향 아키텍쳐 (SOA)
서비스 지향 아키텍쳐 (SOA)서비스 지향 아키텍쳐 (SOA)
서비스 지향 아키텍쳐 (SOA)
 
마이크로서비스를 위한 AWS 아키텍처 패턴 및 모범 사례 - AWS Summit Seoul 2017
마이크로서비스를 위한 AWS 아키텍처 패턴 및 모범 사례 - AWS Summit Seoul 2017마이크로서비스를 위한 AWS 아키텍처 패턴 및 모범 사례 - AWS Summit Seoul 2017
마이크로서비스를 위한 AWS 아키텍처 패턴 및 모범 사례 - AWS Summit Seoul 2017
 
Внедрение СУИБ на основе ISO/IEC 27001
Внедрение СУИБ на основе ISO/IEC 27001Внедрение СУИБ на основе ISO/IEC 27001
Внедрение СУИБ на основе ISO/IEC 27001
 
IT서비스관리 표준, ISO20000의 이해
IT서비스관리 표준, ISO20000의 이해IT서비스관리 표준, ISO20000의 이해
IT서비스관리 표준, ISO20000의 이해
 
Cyber Security in Energy & Utilities Industry
Cyber Security in Energy & Utilities IndustryCyber Security in Energy & Utilities Industry
Cyber Security in Energy & Utilities Industry
 
마이크로서비스 아키텍처로 개발하기
마이크로서비스 아키텍처로 개발하기마이크로서비스 아키텍처로 개발하기
마이크로서비스 아키텍처로 개발하기
 
Data Governance
Data GovernanceData Governance
Data Governance
 
Data Governance in a big data era
Data Governance in a big data eraData Governance in a big data era
Data Governance in a big data era
 
대용량 분산 아키텍쳐 설계 #1 아키텍쳐 설계 방법론
대용량 분산 아키텍쳐 설계 #1 아키텍쳐 설계 방법론대용량 분산 아키텍쳐 설계 #1 아키텍쳐 설계 방법론
대용량 분산 아키텍쳐 설계 #1 아키텍쳐 설계 방법론
 
[오픈소스컨설팅]유닉스의 리눅스 마이그레이션 전략_v3
[오픈소스컨설팅]유닉스의 리눅스 마이그레이션 전략_v3[오픈소스컨설팅]유닉스의 리눅스 마이그레이션 전략_v3
[오픈소스컨설팅]유닉스의 리눅스 마이그레이션 전략_v3
 

Similar a [2016 데이터 그랜드 컨퍼런스] 5 2(보안,품질). 투비웨이 데이터정제와품질검증을위한mdm 시스템의기능과역할

2014 data 보안 가이드라인 그랜드컨퍼런스 20140930
2014 data 보안 가이드라인 그랜드컨퍼런스 201409302014 data 보안 가이드라인 그랜드컨퍼런스 20140930
2014 data 보안 가이드라인 그랜드컨퍼런스 20140930eungjin cho
 
Wise 데이터관리 사업소개
Wise 데이터관리 사업소개Wise 데이터관리 사업소개
Wise 데이터관리 사업소개Hyun Hee Kim
 
Data Management for Digital Marketing
Data Management for Digital MarketingData Management for Digital Marketing
Data Management for Digital MarketingYoungDaeKim10
 
데이터드리븐 DX 추진방안_202306.pdf
데이터드리븐 DX 추진방안_202306.pdf데이터드리븐 DX 추진방안_202306.pdf
데이터드리븐 DX 추진방안_202306.pdfYunjeong Susan Hong
 
[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 비투엔 4차산업혁명의성공 데이터품질
[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 비투엔 4차산업혁명의성공 데이터품질[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 비투엔 4차산업혁명의성공 데이터품질
[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 비투엔 4차산업혁명의성공 데이터품질K data
 
Samsung Bi Project Strategic Review(Summary)
Samsung Bi Project Strategic Review(Summary)Samsung Bi Project Strategic Review(Summary)
Samsung Bi Project Strategic Review(Summary)xpert13
 
2011 메타마이닝 회사소개서(최신)
2011 메타마이닝 회사소개서(최신)2011 메타마이닝 회사소개서(최신)
2011 메타마이닝 회사소개서(최신)metamining
 
브로셔 스티보시스템즈 Stibo_systems step trailblazer
브로셔 스티보시스템즈 Stibo_systems step trailblazer브로셔 스티보시스템즈 Stibo_systems step trailblazer
브로셔 스티보시스템즈 Stibo_systems step trailblazerSean Yoon
 
정보활용과 데이터보안
정보활용과 데이터보안정보활용과 데이터보안
정보활용과 데이터보안eungjin cho
 
[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 바넷정보기술 컴플라이언스 대응을 위한 효율적인 데이터 관리 방안
[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 바넷정보기술 컴플라이언스 대응을 위한 효율적인 데이터 관리 방안[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 바넷정보기술 컴플라이언스 대응을 위한 효율적인 데이터 관리 방안
[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 바넷정보기술 컴플라이언스 대응을 위한 효율적인 데이터 관리 방안K data
 
3 7 건설정보화전략과pmis(이민남)
3 7 건설정보화전략과pmis(이민남)3 7 건설정보화전략과pmis(이민남)
3 7 건설정보화전략과pmis(이민남)JiWoon Yi
 
[Bespin Global 파트너 세션] 분산 데이터 통합 (Data Lake) 기반의 데이터 분석 환경 구축 사례 - 베스핀 글로벌 장익...
[Bespin Global 파트너 세션] 분산 데이터 통합 (Data Lake) 기반의 데이터 분석 환경 구축 사례 - 베스핀 글로벌 장익...[Bespin Global 파트너 세션] 분산 데이터 통합 (Data Lake) 기반의 데이터 분석 환경 구축 사례 - 베스핀 글로벌 장익...
[Bespin Global 파트너 세션] 분산 데이터 통합 (Data Lake) 기반의 데이터 분석 환경 구축 사례 - 베스핀 글로벌 장익...Amazon Web Services Korea
 
Data discovery qlikview
Data discovery   qlikviewData discovery   qlikview
Data discovery qlikviewchoi3773
 
[2016 데이터 그랜드 컨퍼런스] 6 1(전략,솔루션). 지티원 dw 및 bi 환경에서의 효율적 데이터 흐름 관리 및 모니터링 방안
[2016 데이터 그랜드 컨퍼런스] 6 1(전략,솔루션). 지티원 dw 및 bi 환경에서의 효율적 데이터 흐름 관리 및 모니터링 방안[2016 데이터 그랜드 컨퍼런스] 6 1(전략,솔루션). 지티원 dw 및 bi 환경에서의 효율적 데이터 흐름 관리 및 모니터링 방안
[2016 데이터 그랜드 컨퍼런스] 6 1(전략,솔루션). 지티원 dw 및 bi 환경에서의 효율적 데이터 흐름 관리 및 모니터링 방안K data
 
빅데이터플랫폼구축_개방형플랫폼중심.pdf
빅데이터플랫폼구축_개방형플랫폼중심.pdf빅데이터플랫폼구축_개방형플랫폼중심.pdf
빅데이터플랫폼구축_개방형플랫폼중심.pdf효근 윤
 
IT전략계획- 02.정보전략계획(isp)
IT전략계획- 02.정보전략계획(isp)IT전략계획- 02.정보전략계획(isp)
IT전략계획- 02.정보전략계획(isp)InGuen Hwang
 
2015 SINVAS USER CONFERENCE - MDD/MDA 개발방법론을 통한 정보시스템 개발방안
2015 SINVAS USER CONFERENCE - MDD/MDA 개발방법론을 통한 정보시스템 개발방안2015 SINVAS USER CONFERENCE - MDD/MDA 개발방법론을 통한 정보시스템 개발방안
2015 SINVAS USER CONFERENCE - MDD/MDA 개발방법론을 통한 정보시스템 개발방안Suji Lee
 
JDC-EA수립_v1.0.pptx
JDC-EA수립_v1.0.pptxJDC-EA수립_v1.0.pptx
JDC-EA수립_v1.0.pptxHo Kyu Park
 

Similar a [2016 데이터 그랜드 컨퍼런스] 5 2(보안,품질). 투비웨이 데이터정제와품질검증을위한mdm 시스템의기능과역할 (20)

2014 data 보안 가이드라인 그랜드컨퍼런스 20140930
2014 data 보안 가이드라인 그랜드컨퍼런스 201409302014 data 보안 가이드라인 그랜드컨퍼런스 20140930
2014 data 보안 가이드라인 그랜드컨퍼런스 20140930
 
Wise 데이터관리 사업소개
Wise 데이터관리 사업소개Wise 데이터관리 사업소개
Wise 데이터관리 사업소개
 
데이터품질진단솔루션
데이터품질진단솔루션데이터품질진단솔루션
데이터품질진단솔루션
 
Data Management for Digital Marketing
Data Management for Digital MarketingData Management for Digital Marketing
Data Management for Digital Marketing
 
데이터드리븐 DX 추진방안_202306.pdf
데이터드리븐 DX 추진방안_202306.pdf데이터드리븐 DX 추진방안_202306.pdf
데이터드리븐 DX 추진방안_202306.pdf
 
[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 비투엔 4차산업혁명의성공 데이터품질
[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 비투엔 4차산업혁명의성공 데이터품질[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 비투엔 4차산업혁명의성공 데이터품질
[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 비투엔 4차산업혁명의성공 데이터품질
 
Samsung Bi Project Strategic Review(Summary)
Samsung Bi Project Strategic Review(Summary)Samsung Bi Project Strategic Review(Summary)
Samsung Bi Project Strategic Review(Summary)
 
2011 메타마이닝 회사소개서(최신)
2011 메타마이닝 회사소개서(최신)2011 메타마이닝 회사소개서(최신)
2011 메타마이닝 회사소개서(최신)
 
브로셔 스티보시스템즈 Stibo_systems step trailblazer
브로셔 스티보시스템즈 Stibo_systems step trailblazer브로셔 스티보시스템즈 Stibo_systems step trailblazer
브로셔 스티보시스템즈 Stibo_systems step trailblazer
 
정보활용과 데이터보안
정보활용과 데이터보안정보활용과 데이터보안
정보활용과 데이터보안
 
[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 바넷정보기술 컴플라이언스 대응을 위한 효율적인 데이터 관리 방안
[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 바넷정보기술 컴플라이언스 대응을 위한 효율적인 데이터 관리 방안[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 바넷정보기술 컴플라이언스 대응을 위한 효율적인 데이터 관리 방안
[2016 데이터 그랜드 컨퍼런스] 5 4(보안,품질). 바넷정보기술 컴플라이언스 대응을 위한 효율적인 데이터 관리 방안
 
3 7 건설정보화전략과pmis(이민남)
3 7 건설정보화전략과pmis(이민남)3 7 건설정보화전략과pmis(이민남)
3 7 건설정보화전략과pmis(이민남)
 
클라우드 도입 전략과 프로세스(강연자료)
클라우드 도입 전략과 프로세스(강연자료)클라우드 도입 전략과 프로세스(강연자료)
클라우드 도입 전략과 프로세스(강연자료)
 
[Bespin Global 파트너 세션] 분산 데이터 통합 (Data Lake) 기반의 데이터 분석 환경 구축 사례 - 베스핀 글로벌 장익...
[Bespin Global 파트너 세션] 분산 데이터 통합 (Data Lake) 기반의 데이터 분석 환경 구축 사례 - 베스핀 글로벌 장익...[Bespin Global 파트너 세션] 분산 데이터 통합 (Data Lake) 기반의 데이터 분석 환경 구축 사례 - 베스핀 글로벌 장익...
[Bespin Global 파트너 세션] 분산 데이터 통합 (Data Lake) 기반의 데이터 분석 환경 구축 사례 - 베스핀 글로벌 장익...
 
Data discovery qlikview
Data discovery   qlikviewData discovery   qlikview
Data discovery qlikview
 
[2016 데이터 그랜드 컨퍼런스] 6 1(전략,솔루션). 지티원 dw 및 bi 환경에서의 효율적 데이터 흐름 관리 및 모니터링 방안
[2016 데이터 그랜드 컨퍼런스] 6 1(전략,솔루션). 지티원 dw 및 bi 환경에서의 효율적 데이터 흐름 관리 및 모니터링 방안[2016 데이터 그랜드 컨퍼런스] 6 1(전략,솔루션). 지티원 dw 및 bi 환경에서의 효율적 데이터 흐름 관리 및 모니터링 방안
[2016 데이터 그랜드 컨퍼런스] 6 1(전략,솔루션). 지티원 dw 및 bi 환경에서의 효율적 데이터 흐름 관리 및 모니터링 방안
 
빅데이터플랫폼구축_개방형플랫폼중심.pdf
빅데이터플랫폼구축_개방형플랫폼중심.pdf빅데이터플랫폼구축_개방형플랫폼중심.pdf
빅데이터플랫폼구축_개방형플랫폼중심.pdf
 
IT전략계획- 02.정보전략계획(isp)
IT전략계획- 02.정보전략계획(isp)IT전략계획- 02.정보전략계획(isp)
IT전략계획- 02.정보전략계획(isp)
 
2015 SINVAS USER CONFERENCE - MDD/MDA 개발방법론을 통한 정보시스템 개발방안
2015 SINVAS USER CONFERENCE - MDD/MDA 개발방법론을 통한 정보시스템 개발방안2015 SINVAS USER CONFERENCE - MDD/MDA 개발방법론을 통한 정보시스템 개발방안
2015 SINVAS USER CONFERENCE - MDD/MDA 개발방법론을 통한 정보시스템 개발방안
 
JDC-EA수립_v1.0.pptx
JDC-EA수립_v1.0.pptxJDC-EA수립_v1.0.pptx
JDC-EA수립_v1.0.pptx
 

Más de K data

[2016 데이터 그랜드 컨퍼런스] 6 5(전략, 솔루션). 뉴스젤리 social innovation with data
[2016 데이터 그랜드 컨퍼런스] 6 5(전략, 솔루션). 뉴스젤리 social innovation with data[2016 데이터 그랜드 컨퍼런스] 6 5(전략, 솔루션). 뉴스젤리 social innovation with data
[2016 데이터 그랜드 컨퍼런스] 6 5(전략, 솔루션). 뉴스젤리 social innovation with dataK data
 
[2016 데이터 그랜드 컨퍼런스] 6 4(전략,솔루션). 신테카바이오 insilico-임상연구동향
[2016 데이터 그랜드 컨퍼런스] 6 4(전략,솔루션). 신테카바이오 insilico-임상연구동향[2016 데이터 그랜드 컨퍼런스] 6 4(전략,솔루션). 신테카바이오 insilico-임상연구동향
[2016 데이터 그랜드 컨퍼런스] 6 4(전략,솔루션). 신테카바이오 insilico-임상연구동향K data
 
[2016 데이터 그랜드 컨퍼런스] 6 3(전략, 솔루션).크레딧데이터 공공데이터를 활용한 생활의 질 향상
[2016 데이터 그랜드 컨퍼런스] 6 3(전략, 솔루션).크레딧데이터 공공데이터를 활용한 생활의 질 향상[2016 데이터 그랜드 컨퍼런스] 6 3(전략, 솔루션).크레딧데이터 공공데이터를 활용한 생활의 질 향상
[2016 데이터 그랜드 컨퍼런스] 6 3(전략, 솔루션).크레딧데이터 공공데이터를 활용한 생활의 질 향상K data
 
[2016 데이터 그랜드 컨퍼런스] 6 2(전략,솔루션). 큐브리드 오픈소스 dbms의 클라우드 구축 사례-발표자료
[2016 데이터 그랜드 컨퍼런스] 6 2(전략,솔루션). 큐브리드 오픈소스 dbms의 클라우드 구축 사례-발표자료[2016 데이터 그랜드 컨퍼런스] 6 2(전략,솔루션). 큐브리드 오픈소스 dbms의 클라우드 구축 사례-발표자료
[2016 데이터 그랜드 컨퍼런스] 6 2(전략,솔루션). 큐브리드 오픈소스 dbms의 클라우드 구축 사례-발표자료K data
 
[2016 데이터 그랜드 컨퍼런스] 5 3(보안,품질). nh은행 금융플랫폼을 통한 핀테크 생태계 변화
[2016 데이터 그랜드 컨퍼런스] 5 3(보안,품질). nh은행 금융플랫폼을 통한 핀테크 생태계 변화[2016 데이터 그랜드 컨퍼런스] 5 3(보안,품질). nh은행 금융플랫폼을 통한 핀테크 생태계 변화
[2016 데이터 그랜드 컨퍼런스] 5 3(보안,품질). nh은행 금융플랫폼을 통한 핀테크 생태계 변화K data
 
[2016 데이터 그랜드 컨퍼런스] 5 1(보안,품질). 웨어밸리 data security challenges and its solutio...
[2016 데이터 그랜드 컨퍼런스] 5 1(보안,품질). 웨어밸리 data security challenges and its solutio...[2016 데이터 그랜드 컨퍼런스] 5 1(보안,품질). 웨어밸리 data security challenges and its solutio...
[2016 데이터 그랜드 컨퍼런스] 5 1(보안,품질). 웨어밸리 data security challenges and its solutio...K data
 
[2016 데이터 그랜드 컨퍼런스] 4 5(인공지능). 머니브레인 앱의 시대는 가고 인공지능 봇의 시대가 온다
[2016 데이터 그랜드 컨퍼런스] 4 5(인공지능). 머니브레인 앱의 시대는 가고 인공지능 봇의 시대가 온다[2016 데이터 그랜드 컨퍼런스] 4 5(인공지능). 머니브레인 앱의 시대는 가고 인공지능 봇의 시대가 온다
[2016 데이터 그랜드 컨퍼런스] 4 5(인공지능). 머니브레인 앱의 시대는 가고 인공지능 봇의 시대가 온다K data
 
[2016 데이터 그랜드 컨퍼런스] 4 4(인공지능).마인즈랩 인공지능과 virtual assisstant-2016_datagrandcon...
[2016 데이터 그랜드 컨퍼런스] 4 4(인공지능).마인즈랩 인공지능과 virtual assisstant-2016_datagrandcon...[2016 데이터 그랜드 컨퍼런스] 4 4(인공지능).마인즈랩 인공지능과 virtual assisstant-2016_datagrandcon...
[2016 데이터 그랜드 컨퍼런스] 4 4(인공지능).마인즈랩 인공지능과 virtual assisstant-2016_datagrandcon...K data
 
[2016 데이터 그랜드 컨퍼런스] 4 3(인공지능). 마인드셋 intro to mindbot
[2016 데이터 그랜드 컨퍼런스] 4 3(인공지능). 마인드셋 intro to mindbot[2016 데이터 그랜드 컨퍼런스] 4 3(인공지능). 마인드셋 intro to mindbot
[2016 데이터 그랜드 컨퍼런스] 4 3(인공지능). 마인드셋 intro to mindbotK data
 
[2016 데이터 그랜드 컨퍼런스] 4 2(인공지능). 위세아이텍 머신러닝플랫폼기반의철도사고위험예측
[2016 데이터 그랜드 컨퍼런스] 4 2(인공지능). 위세아이텍 머신러닝플랫폼기반의철도사고위험예측[2016 데이터 그랜드 컨퍼런스] 4 2(인공지능). 위세아이텍 머신러닝플랫폼기반의철도사고위험예측
[2016 데이터 그랜드 컨퍼런스] 4 2(인공지능). 위세아이텍 머신러닝플랫폼기반의철도사고위험예측K data
 
[2016 데이터 그랜드 컨퍼런스] 4 1(인공지능). 경희대 이경전 교수 경험과 사례를 통한 인공지능 응용 및 사업 방법론
[2016 데이터 그랜드 컨퍼런스] 4 1(인공지능). 경희대 이경전 교수 경험과 사례를 통한 인공지능 응용 및 사업 방법론[2016 데이터 그랜드 컨퍼런스] 4 1(인공지능). 경희대 이경전 교수 경험과 사례를 통한 인공지능 응용 및 사업 방법론
[2016 데이터 그랜드 컨퍼런스] 4 1(인공지능). 경희대 이경전 교수 경험과 사례를 통한 인공지능 응용 및 사업 방법론K data
 
[2016 데이터 그랜드 컨퍼런스] 3 5(io t). 스마트박스-iot와 생활 속 사물함의 만남
[2016 데이터 그랜드 컨퍼런스] 3 5(io t). 스마트박스-iot와 생활 속 사물함의 만남[2016 데이터 그랜드 컨퍼런스] 3 5(io t). 스마트박스-iot와 생활 속 사물함의 만남
[2016 데이터 그랜드 컨퍼런스] 3 5(io t). 스마트박스-iot와 생활 속 사물함의 만남K data
 
[2016 데이터 그랜드 컨퍼런스] 3 3(io t). 메디플러스-phr 데이터를 활용한 환자건강관리서비스
[2016 데이터 그랜드 컨퍼런스] 3 3(io t). 메디플러스-phr 데이터를 활용한 환자건강관리서비스[2016 데이터 그랜드 컨퍼런스] 3 3(io t). 메디플러스-phr 데이터를 활용한 환자건강관리서비스
[2016 데이터 그랜드 컨퍼런스] 3 3(io t). 메디플러스-phr 데이터를 활용한 환자건강관리서비스K data
 
[2016 데이터 그랜드 컨퍼런스] 3 1(io t). 핸디소프트-finding benefits of iot_service by case ...
[2016 데이터 그랜드 컨퍼런스] 3 1(io t). 핸디소프트-finding benefits of iot_service by case ...[2016 데이터 그랜드 컨퍼런스] 3 1(io t). 핸디소프트-finding benefits of iot_service by case ...
[2016 데이터 그랜드 컨퍼런스] 3 1(io t). 핸디소프트-finding benefits of iot_service by case ...K data
 
[2016 데이터 그랜드 컨퍼런스] 2 5(빅데이터). 유비원 비정형데이터 중심의 big data 활용방안
[2016 데이터 그랜드 컨퍼런스] 2 5(빅데이터). 유비원 비정형데이터 중심의 big data 활용방안[2016 데이터 그랜드 컨퍼런스] 2 5(빅데이터). 유비원 비정형데이터 중심의 big data 활용방안
[2016 데이터 그랜드 컨퍼런스] 2 5(빅데이터). 유비원 비정형데이터 중심의 big data 활용방안K data
 
[2016 데이터 그랜드 컨퍼런스] 2 4(빅데이터). 오픈메이트 공간정보로 풀어보는 빅데이터 세상
[2016 데이터 그랜드 컨퍼런스] 2 4(빅데이터). 오픈메이트 공간정보로 풀어보는 빅데이터 세상[2016 데이터 그랜드 컨퍼런스] 2 4(빅데이터). 오픈메이트 공간정보로 풀어보는 빅데이터 세상
[2016 데이터 그랜드 컨퍼런스] 2 4(빅데이터). 오픈메이트 공간정보로 풀어보는 빅데이터 세상K data
 
[2016 데이터 그랜드 컨퍼런스] 2 3(빅데이터). 엑셈 빅데이터 적용 사례 및 플랫폼 구현
[2016 데이터 그랜드 컨퍼런스] 2 3(빅데이터). 엑셈 빅데이터 적용 사례 및 플랫폼 구현[2016 데이터 그랜드 컨퍼런스] 2 3(빅데이터). 엑셈 빅데이터 적용 사례 및 플랫폼 구현
[2016 데이터 그랜드 컨퍼런스] 2 3(빅데이터). 엑셈 빅데이터 적용 사례 및 플랫폼 구현K data
 
[2016 데이터 그랜드 컨퍼런스] 2 2(빅데이터). skt beyond big data
[2016 데이터 그랜드 컨퍼런스] 2 2(빅데이터). skt beyond big data[2016 데이터 그랜드 컨퍼런스] 2 2(빅데이터). skt beyond big data
[2016 데이터 그랜드 컨퍼런스] 2 2(빅데이터). skt beyond big dataK data
 
[2016 데이터 그랜드 컨퍼런스] 2 1(빅데이터). 티맥스 빅데이터시대,더욱중요해진dw를위한어플라이언스전략
[2016 데이터 그랜드 컨퍼런스] 2 1(빅데이터). 티맥스 빅데이터시대,더욱중요해진dw를위한어플라이언스전략[2016 데이터 그랜드 컨퍼런스] 2 1(빅데이터). 티맥스 빅데이터시대,더욱중요해진dw를위한어플라이언스전략
[2016 데이터 그랜드 컨퍼런스] 2 1(빅데이터). 티맥스 빅데이터시대,더욱중요해진dw를위한어플라이언스전략K data
 
[2016 데이터 그랜드 컨퍼런스] 1 3. bk3(엔코아)데이터그랜드컨퍼런스 4차산업혁명의 핵심-데이터경제-엔코아
[2016 데이터 그랜드 컨퍼런스] 1 3. bk3(엔코아)데이터그랜드컨퍼런스 4차산업혁명의 핵심-데이터경제-엔코아[2016 데이터 그랜드 컨퍼런스] 1 3. bk3(엔코아)데이터그랜드컨퍼런스 4차산업혁명의 핵심-데이터경제-엔코아
[2016 데이터 그랜드 컨퍼런스] 1 3. bk3(엔코아)데이터그랜드컨퍼런스 4차산업혁명의 핵심-데이터경제-엔코아K data
 

Más de K data (20)

[2016 데이터 그랜드 컨퍼런스] 6 5(전략, 솔루션). 뉴스젤리 social innovation with data
[2016 데이터 그랜드 컨퍼런스] 6 5(전략, 솔루션). 뉴스젤리 social innovation with data[2016 데이터 그랜드 컨퍼런스] 6 5(전략, 솔루션). 뉴스젤리 social innovation with data
[2016 데이터 그랜드 컨퍼런스] 6 5(전략, 솔루션). 뉴스젤리 social innovation with data
 
[2016 데이터 그랜드 컨퍼런스] 6 4(전략,솔루션). 신테카바이오 insilico-임상연구동향
[2016 데이터 그랜드 컨퍼런스] 6 4(전략,솔루션). 신테카바이오 insilico-임상연구동향[2016 데이터 그랜드 컨퍼런스] 6 4(전략,솔루션). 신테카바이오 insilico-임상연구동향
[2016 데이터 그랜드 컨퍼런스] 6 4(전략,솔루션). 신테카바이오 insilico-임상연구동향
 
[2016 데이터 그랜드 컨퍼런스] 6 3(전략, 솔루션).크레딧데이터 공공데이터를 활용한 생활의 질 향상
[2016 데이터 그랜드 컨퍼런스] 6 3(전략, 솔루션).크레딧데이터 공공데이터를 활용한 생활의 질 향상[2016 데이터 그랜드 컨퍼런스] 6 3(전략, 솔루션).크레딧데이터 공공데이터를 활용한 생활의 질 향상
[2016 데이터 그랜드 컨퍼런스] 6 3(전략, 솔루션).크레딧데이터 공공데이터를 활용한 생활의 질 향상
 
[2016 데이터 그랜드 컨퍼런스] 6 2(전략,솔루션). 큐브리드 오픈소스 dbms의 클라우드 구축 사례-발표자료
[2016 데이터 그랜드 컨퍼런스] 6 2(전략,솔루션). 큐브리드 오픈소스 dbms의 클라우드 구축 사례-발표자료[2016 데이터 그랜드 컨퍼런스] 6 2(전략,솔루션). 큐브리드 오픈소스 dbms의 클라우드 구축 사례-발표자료
[2016 데이터 그랜드 컨퍼런스] 6 2(전략,솔루션). 큐브리드 오픈소스 dbms의 클라우드 구축 사례-발표자료
 
[2016 데이터 그랜드 컨퍼런스] 5 3(보안,품질). nh은행 금융플랫폼을 통한 핀테크 생태계 변화
[2016 데이터 그랜드 컨퍼런스] 5 3(보안,품질). nh은행 금융플랫폼을 통한 핀테크 생태계 변화[2016 데이터 그랜드 컨퍼런스] 5 3(보안,품질). nh은행 금융플랫폼을 통한 핀테크 생태계 변화
[2016 데이터 그랜드 컨퍼런스] 5 3(보안,품질). nh은행 금융플랫폼을 통한 핀테크 생태계 변화
 
[2016 데이터 그랜드 컨퍼런스] 5 1(보안,품질). 웨어밸리 data security challenges and its solutio...
[2016 데이터 그랜드 컨퍼런스] 5 1(보안,품질). 웨어밸리 data security challenges and its solutio...[2016 데이터 그랜드 컨퍼런스] 5 1(보안,품질). 웨어밸리 data security challenges and its solutio...
[2016 데이터 그랜드 컨퍼런스] 5 1(보안,품질). 웨어밸리 data security challenges and its solutio...
 
[2016 데이터 그랜드 컨퍼런스] 4 5(인공지능). 머니브레인 앱의 시대는 가고 인공지능 봇의 시대가 온다
[2016 데이터 그랜드 컨퍼런스] 4 5(인공지능). 머니브레인 앱의 시대는 가고 인공지능 봇의 시대가 온다[2016 데이터 그랜드 컨퍼런스] 4 5(인공지능). 머니브레인 앱의 시대는 가고 인공지능 봇의 시대가 온다
[2016 데이터 그랜드 컨퍼런스] 4 5(인공지능). 머니브레인 앱의 시대는 가고 인공지능 봇의 시대가 온다
 
[2016 데이터 그랜드 컨퍼런스] 4 4(인공지능).마인즈랩 인공지능과 virtual assisstant-2016_datagrandcon...
[2016 데이터 그랜드 컨퍼런스] 4 4(인공지능).마인즈랩 인공지능과 virtual assisstant-2016_datagrandcon...[2016 데이터 그랜드 컨퍼런스] 4 4(인공지능).마인즈랩 인공지능과 virtual assisstant-2016_datagrandcon...
[2016 데이터 그랜드 컨퍼런스] 4 4(인공지능).마인즈랩 인공지능과 virtual assisstant-2016_datagrandcon...
 
[2016 데이터 그랜드 컨퍼런스] 4 3(인공지능). 마인드셋 intro to mindbot
[2016 데이터 그랜드 컨퍼런스] 4 3(인공지능). 마인드셋 intro to mindbot[2016 데이터 그랜드 컨퍼런스] 4 3(인공지능). 마인드셋 intro to mindbot
[2016 데이터 그랜드 컨퍼런스] 4 3(인공지능). 마인드셋 intro to mindbot
 
[2016 데이터 그랜드 컨퍼런스] 4 2(인공지능). 위세아이텍 머신러닝플랫폼기반의철도사고위험예측
[2016 데이터 그랜드 컨퍼런스] 4 2(인공지능). 위세아이텍 머신러닝플랫폼기반의철도사고위험예측[2016 데이터 그랜드 컨퍼런스] 4 2(인공지능). 위세아이텍 머신러닝플랫폼기반의철도사고위험예측
[2016 데이터 그랜드 컨퍼런스] 4 2(인공지능). 위세아이텍 머신러닝플랫폼기반의철도사고위험예측
 
[2016 데이터 그랜드 컨퍼런스] 4 1(인공지능). 경희대 이경전 교수 경험과 사례를 통한 인공지능 응용 및 사업 방법론
[2016 데이터 그랜드 컨퍼런스] 4 1(인공지능). 경희대 이경전 교수 경험과 사례를 통한 인공지능 응용 및 사업 방법론[2016 데이터 그랜드 컨퍼런스] 4 1(인공지능). 경희대 이경전 교수 경험과 사례를 통한 인공지능 응용 및 사업 방법론
[2016 데이터 그랜드 컨퍼런스] 4 1(인공지능). 경희대 이경전 교수 경험과 사례를 통한 인공지능 응용 및 사업 방법론
 
[2016 데이터 그랜드 컨퍼런스] 3 5(io t). 스마트박스-iot와 생활 속 사물함의 만남
[2016 데이터 그랜드 컨퍼런스] 3 5(io t). 스마트박스-iot와 생활 속 사물함의 만남[2016 데이터 그랜드 컨퍼런스] 3 5(io t). 스마트박스-iot와 생활 속 사물함의 만남
[2016 데이터 그랜드 컨퍼런스] 3 5(io t). 스마트박스-iot와 생활 속 사물함의 만남
 
[2016 데이터 그랜드 컨퍼런스] 3 3(io t). 메디플러스-phr 데이터를 활용한 환자건강관리서비스
[2016 데이터 그랜드 컨퍼런스] 3 3(io t). 메디플러스-phr 데이터를 활용한 환자건강관리서비스[2016 데이터 그랜드 컨퍼런스] 3 3(io t). 메디플러스-phr 데이터를 활용한 환자건강관리서비스
[2016 데이터 그랜드 컨퍼런스] 3 3(io t). 메디플러스-phr 데이터를 활용한 환자건강관리서비스
 
[2016 데이터 그랜드 컨퍼런스] 3 1(io t). 핸디소프트-finding benefits of iot_service by case ...
[2016 데이터 그랜드 컨퍼런스] 3 1(io t). 핸디소프트-finding benefits of iot_service by case ...[2016 데이터 그랜드 컨퍼런스] 3 1(io t). 핸디소프트-finding benefits of iot_service by case ...
[2016 데이터 그랜드 컨퍼런스] 3 1(io t). 핸디소프트-finding benefits of iot_service by case ...
 
[2016 데이터 그랜드 컨퍼런스] 2 5(빅데이터). 유비원 비정형데이터 중심의 big data 활용방안
[2016 데이터 그랜드 컨퍼런스] 2 5(빅데이터). 유비원 비정형데이터 중심의 big data 활용방안[2016 데이터 그랜드 컨퍼런스] 2 5(빅데이터). 유비원 비정형데이터 중심의 big data 활용방안
[2016 데이터 그랜드 컨퍼런스] 2 5(빅데이터). 유비원 비정형데이터 중심의 big data 활용방안
 
[2016 데이터 그랜드 컨퍼런스] 2 4(빅데이터). 오픈메이트 공간정보로 풀어보는 빅데이터 세상
[2016 데이터 그랜드 컨퍼런스] 2 4(빅데이터). 오픈메이트 공간정보로 풀어보는 빅데이터 세상[2016 데이터 그랜드 컨퍼런스] 2 4(빅데이터). 오픈메이트 공간정보로 풀어보는 빅데이터 세상
[2016 데이터 그랜드 컨퍼런스] 2 4(빅데이터). 오픈메이트 공간정보로 풀어보는 빅데이터 세상
 
[2016 데이터 그랜드 컨퍼런스] 2 3(빅데이터). 엑셈 빅데이터 적용 사례 및 플랫폼 구현
[2016 데이터 그랜드 컨퍼런스] 2 3(빅데이터). 엑셈 빅데이터 적용 사례 및 플랫폼 구현[2016 데이터 그랜드 컨퍼런스] 2 3(빅데이터). 엑셈 빅데이터 적용 사례 및 플랫폼 구현
[2016 데이터 그랜드 컨퍼런스] 2 3(빅데이터). 엑셈 빅데이터 적용 사례 및 플랫폼 구현
 
[2016 데이터 그랜드 컨퍼런스] 2 2(빅데이터). skt beyond big data
[2016 데이터 그랜드 컨퍼런스] 2 2(빅데이터). skt beyond big data[2016 데이터 그랜드 컨퍼런스] 2 2(빅데이터). skt beyond big data
[2016 데이터 그랜드 컨퍼런스] 2 2(빅데이터). skt beyond big data
 
[2016 데이터 그랜드 컨퍼런스] 2 1(빅데이터). 티맥스 빅데이터시대,더욱중요해진dw를위한어플라이언스전략
[2016 데이터 그랜드 컨퍼런스] 2 1(빅데이터). 티맥스 빅데이터시대,더욱중요해진dw를위한어플라이언스전략[2016 데이터 그랜드 컨퍼런스] 2 1(빅데이터). 티맥스 빅데이터시대,더욱중요해진dw를위한어플라이언스전략
[2016 데이터 그랜드 컨퍼런스] 2 1(빅데이터). 티맥스 빅데이터시대,더욱중요해진dw를위한어플라이언스전략
 
[2016 데이터 그랜드 컨퍼런스] 1 3. bk3(엔코아)데이터그랜드컨퍼런스 4차산업혁명의 핵심-데이터경제-엔코아
[2016 데이터 그랜드 컨퍼런스] 1 3. bk3(엔코아)데이터그랜드컨퍼런스 4차산업혁명의 핵심-데이터경제-엔코아[2016 데이터 그랜드 컨퍼런스] 1 3. bk3(엔코아)데이터그랜드컨퍼런스 4차산업혁명의 핵심-데이터경제-엔코아
[2016 데이터 그랜드 컨퍼런스] 1 3. bk3(엔코아)데이터그랜드컨퍼런스 4차산업혁명의 핵심-데이터경제-엔코아
 

[2016 데이터 그랜드 컨퍼런스] 5 2(보안,품질). 투비웨이 데이터정제와품질검증을위한mdm 시스템의기능과역할

  • 1. Simple, Smart, Speedy 데이터 정제와 품질검증을 위한 MDM 시스템의 기능과 역할 - 2016.11 - (주)투비웨이 박세준 이사(sjpark@tobeway.com)
  • 2. 목차 Simple, Smart, Speedy 1 I. Master Data, Master Data Management II. MDM 프로젝트 구성 III. 데이터 표준화, 정제, 품질 검증 IV. MDM 시스템의 기능과 역할
  • 3. Simple, Smart, Speedy 2 Master Data : 기준정보 Master Data = Key to the Process Execution & Analysis ■ 기준정보(Master Data)  ERP/SCM/MES 같은 트랜잭션 시스템이나 EDW 같은 분석 시스템에서 기준으로 사용되는 비즈니스 데이터  상당기간 동안 변하지 않는 정적 데이터  비즈니스 정보의 특성을 기술하는 데이터의 집합  업무운영 프로세스의 수행을 위해 필요한 기준 데이터  주로 복수의 전사기준정보의 조합으로 구성  상대적으로 짧은 Life Cycle 및 유효 시간, 기간을 가짐  식별코드(ID) + 콘텐트 (Content) 구성 ■ 업무코드(Biz Code)  비즈니스 커뮤니케이션의 신속성, 정확성, 경제성을 높이기 위하여 사용되는 부호화된 데이터  참조코드, 표준코드, 공통코드  비즈니스 정보에 대한 집계, 분류코드  IT코드 : 상대적으로 단순하고, 글로벌/업계 표준 보유  코드(ID) + 코드명 (Name) 구성
  • 4. Simple, Smart, Speedy 3 Master Data Management : 기준정보관리 Discipline that provides a Consistent Understanding of master data entities ■ 관리의 구성요소  WHAT & WHO : 대상, 주체  HOW : 수단, 방법  WHY : 목적, 목표 ■ 기준정보관리의 대상 및 주체  고객, 협력사, 제품, 자재, 설비, 사업장, 서비스 …  기준정보를 다루는 사람, 조직 ■ 기준정보관리의 수단  표준화, 데이터 정제, 품질 검증  워크플로우  연계, 배포 ■ Discipline that provides a consistent understanding of master data entities  고품질 기준정보를 정확하게 공유  비즈니스 수행 및 의사 결정 효율성 증대
  • 5. Simple, Smart, Speedy 4 MDM 시스템 기능요소 MDM 기능요소 = 검색/조회, 입력/승인, 현황/개선방안. 시스템관리/운영지원 기준정보 검색/조회 기준정보 입력/승인 시스템관리/ 운영지원 현황/ 개선방안 Governance Process QualityIntegration Service Meta Data MDM 구성요소 MDM 시스템 기능 요소
  • 6. Simple, Smart, Speedy MDM 프레임워크 성공적인 MDM 구현을 위한 ToBeWAY MDM Framework  데이터 품질지표  데이터 품질분석  지속적 품질개선  전사기준정보모델  분류체계/속성체계  식별체계/표기표준  데이터 수집  데이터 검증  데이터 정제 및 보강  등록/수정/중지  수집/통합  기준정보 관리조직  역할과 책임  사용자 권한관리  검색 및 조회  리포트  UI 개인화  기준정보 저장소  기준정보 중앙관리  데이터 배포  모니터링  통합서비스 품질관리 (Quality) 거버넌스 (Governance) 프로세스 (Process) 데이터 표준화 (Data Value) 기준정보 모델 (Metadata) DataApproach Architecture Approach ApplicationApproach 사용자 서비스 (User Service) 관리 (Administration) 통합과 연계 (Integration) G Q P M V SA I  개선과제 수행  데이터 표준화 워킹그룹 (Working Group) W User working group Approach
  • 7. 목차 Simple, Smart, Speedy 6 I. Master Data, Master Data Management II. MDM 프로젝트 구성 III. 데이터 표준화, 정제, 품질 검증 IV. MDM 시스템의 기능과 역할
  • 8. Simple, Smart, Speedy 7 MDM 프로젝트 구성 MDM PROJECT = 표준체계혁신 (컨설팅) 시스템구축 (솔루션) 데이터표준화 (클린징) 연계구현 (EAI/ETL) 관련시스템변경 (ERP/Legacy)
  • 9. Simple, Smart, Speedy As-Is 분석정의 To-Be 설계 구현 테스트 이행/운영 A B C D E F 데이터수집 데이터분석 관리체계 분석 애플리케이션 분석 기준정보 도메인 정의 요구사항 도출 및 제약조건 파악 데이터 표준체계 설계 데이터 이관 구현 프로세스 구현 거버넌스 설계 프로세스 설계 품질체계 설계 관리자/ 운영자 교육 운영환경 Setup Cut-Over Iterations #1 #2 #N Phase Stage Master Data Innovation MDM Implementation 관 리 체 계 G P Q 데 이 터 M V 응 용 시 스 템 S A I 개발 및 운영환경 준비 데이터 표준화 방안 설계 이행 계획 수립 통합 테스트 프 로 토 타 이 핑 연계 방안 설계 GAP 분석 및 개발항목 설계 레거시 이행방안 수립 A1 A2 A3 B1 B2 B3 B4 C2 C3 C4 C5 C6 C8 C9 D2 D5 E1 F1 F3 F4 F6 커스트마이징 및 확장기능 구현 연계 구현 레거시 변경 D6 D7 D8 C7 데이터 모델링 품질체계 구현 D3 D4 데이터 이관 F5 거버넌스 구현 D1 안정화 지원 F7 개선기회 도출 개선과제 정의 데이터 표준화 개선과제 수행 사 용 자 W B5 C1 C10 D9 C11 사용자 교육 F2 8 MDM 구축 프로젝트 방법론
  • 10. Simple, Smart, Speedy 현업 주도의 데이터 표준화/클린징 데이터적 접근 중 데이터 표준화 부분은 주로 현업분들이 참여하는 워킹그룹 형태로 진행  데이터 품질지표  데이터 품질분석  지속적 품질개선  전사기준정보모델  분류체계/속성체계  식별체계/표기표준  데이터 수집  데이터 검증  데이터 정제 및 보강  등록/수정/중지  수집/통합  기준정보 관리조직  역할과 책임  사용자 권한관리  검색 및 조회  리포트  UI 개인화  기준정보 저장소  기준정보 중앙관리  데이터 배포  모니터링  통합서비스 품질관리 (Quality) 거버넌스 (Governance) 프로세스 (Process) 데이터 표준화 (Data Value) 기준정보 모델 (Metadata) DataApproach Architecture Approach ApplicationApproach 사용자 서비스 (User Service) 관리 (Administration) 통합과 연계 (Integration) G Q P M V SA I  개선과제 수행  데이터 표준화 워킹그룹 (Working Group) W User working group Approach
  • 11. Simple, Smart, Speedy 현업 주도의 데이터 표준화/클린징 데이터적 접근 중 데이터 표준화 부분은 주로 현업분들이 참여하는 워킹그룹 형태로 진행  데이터 품질지표  데이터 품질분석  지속적 품질개선  전사기준정보모델  분류체계/속성체계  식별체계/표기표준  데이터 수집  데이터 검증  데이터 정제 및 보강  등록/수정/중지  수집/통합  기준정보 관리조직  역할과 책임  사용자 권한관리  검색 및 조회  리포트  UI 개인화  기준정보 저장소  기준정보 중앙관리  데이터 배포  모니터링  통합서비스 품질관리 (Quality) 거버넌스 (Governance) 프로세스 (Process) 데이터 표준화 (Data Value) 기준정보 모델 (Metadata) DataApproach Architecture Approach ApplicationApproach 사용자 서비스 (User Service) 관리 (Administration) 통합과 연계 (Integration) G Q P M V SA I  개선과제 수행  데이터 표준화 워킹그룹 (Working Group) W User working group Approach
  • 12. Simple, Smart, Speedy 11 데이터 표준화/클린징 in MDM Project 프로젝트 종료 보고서 및 제안서 등의 언급량으로 살펴본 MDM프로젝트 관리체계 구성비의 변화 표준체계(식별) 30% 표준체계(분류/속성) 20% 데이터클린징 35% 거버넌스 2% 프로세스 10% 품질체계 3% 2001~2008 표준체계(식별) 25% 표준체계(분류/속성) 20%데이터클린징 20% 거버넌스 5% 프로세스 20% 품질체계 10% 2009~2012 표준체계(식별) 20% 표준체계(분류/속성) 15% 데이터클린징 5%거버넌스 10% 프로세스 30% 품질체계 20% 2013~2016
  • 13. Simple, Smart, Speedy 12 데이터 표준화/클린징 in MDM Project 데이터 표준화와 클린징에 대한 문제는 데이터의 품질 문제로 발전 0% 10% 20% 30% 40% 50% 60% 표준체계 데이터표준화 솔루션 기능 연계 관련시스템 기타 MDM 프로젝트 애로사항 2009~2012 2013~2016 관심 문제 데이터 품질
  • 14. 목차 Simple, Smart, Speedy 13 I. Master Data, Master Data Management II. MDM 프로젝트 구성 III. 데이터 표준화, 정제, 품질 검증 IV. MDM 시스템의 역할
  • 15. Simple, Smart, Speedy 14 데이터표준화 > As-Is 데이터 분석 • As-Is Data 분석  데이터 현황 정리  As-Is 모델링 (분류, 속성, 식별체계)  데이터 프로파일링 As-Is Data 수집 B2 As-Is Data 분석 B3 식별체계 설계 C5-1 분류/속성 설계 C5-2 데이터 표준화방안설계 C6 기회 기회 도출 B5 데이터표준화 D9 데이터 모델링 데이터 이관 구현 D4 D5
  • 16. Simple, Smart, Speedy 15 데이터표준화 > 표준체계 • To-Be 기준정보 구조 설계  To-Be 전사기준정보 구조설계 • 식별체계 설계  To-Be 코드 체계 설계  Number Range 정의  구 코드와의 맵핑 규칙 정의 • 분류/속성 설계  분류체계 설계  속성체계 설계  참조코드 정의 As-Is Data 수집 B2 As-Is Data 분석 B3 식별체계 설계 C5-1 분류/속성 설계 C5-2 데이터 표준화방안설계 C6 기회 기회 도출 B5 데이터표준화 D9 데이터 모델링 데이터 이관 구현 D4 D5
  • 17. Simple, Smart, Speedy 16 데이터정제 > 데이터 표준화 방안 • 데이터 표준화 방안  명칭체계(표기표준) 정의  품명, 규격 등에 대한 표기표준 (띄어쓰기, 대소문자, 괄호 규 칙)  표준용어 정의 • 중복제거 방안 수립  데이터 중복 정의  중복원안 파악 및 방안 수립  중복 제거 처리 방안 수립 • 데이터 정제/보강방안 수립  정제/보강 대상 속성 결정  정제/보강 방안 정의 As-Is Data 수집 B2 As-Is Data 분석 B3 식별체계 설계 C5-1 분류/속성 설계 C5-2 데이터 표준화방안설계 C6 기회 기회 도출 B5 데이터표준화 D9 데이터 모델링 데이터 이관 구현 D4 D5
  • 18. Simple, Smart, Speedy 17 데이터 정제 > 데이터 표준화 데이터 표준체계와 데이터 표준화 방안 설계서를 기반으로 데이터 표준화를 시행합니다. • 데이터 표준화 방안  값 표기 표준, 표준 용어 • 중복제거 방안  데이터 중복 정의, 처리 방안 • 데이터 정제/보강방안  절차, 역할, 일정 • 클린징 MDM 활용 데이터 정제  As-Is 데이터 적재  신규 속성체계 반영 • 현업/워킹그룹 중심 데이터 정제  시스템을 통한 정제 진행 • 정제 품질규칙을 통한 시스템 검증 PI/컨설턴트 현업 W/G클린징 MDM As-Is 로딩 W/G 할당 W/G 작업 시스템 반영 품질규칙정의 품질검증 W/G 피드백 W/G 작업 시스템 반영 품질검증 피드백 … As-Is Data 수집 B2 As-Is Data 분석 B3 식별체계 설계 C5-1 분류/속성 설계 C5-2 데이터 표준화방안설계 C6 기회 기회 도출 B5 데이터표준화 D9 데이터 모델링 데이터 이관 구현 D4 D5
  • 19. Simple, Smart, Speedy 데이터 품질검증 > Master Data Quality MDM과 DQM은 데이터 품질이라는 공동의 목표를 가지나, 수행방법과 대상 데이터가 ■ 기준정보 품질차원  유일성, 정확성  일관성, 적시성, 최신성  완전성, 책임성, 보안성  유용성, 충분성, 사용성 ■ MDM의 (사전)데이터 품질 관리 기능  데이터가 변경 저장되기 전에 프로그램 (Program)을 통해 품질검사를 수행하는데 중점 ■ DQM의 (사후)데이터 품질 관리 기능  Database에 저장되어 있는 데이터를 SQL를 통 해 품질검사를 수행하는데 중점
  • 20. 목차 Simple, Smart, Speedy 19 I. Master Data, Master Data Management II. MDM 프로젝트 구성 III. 데이터 표준화, 정제, 품질 검증 검증 IV. MDM 시스템의 역할
  • 21. Simple, Smart, Speedy 정제용 MDM 현업워킹그룹(Working Group)의 데이터 정제작업을 효과적으로 지원하고 모니터링 할 정제용 MDM이 필요합니다. 반복적이고기계적인작업의자동화 업무변화에따라변경/추가된품질규칙의적용 발견된품질결함에대한용이한수정 진행현황관리 사후 품질검증 • 분류별 품질검증 • 속성별 품질검증 데이터 프로파일링 • 속성값 프로파일링 제공 • 형식, 값 분포 등 속성별 품질검증 • 특정 속성항목에 속한 모든 값에 대한 일괄 검사 • 일괄 수정 관리책임 별 결함현황 • 특정 속성항목에 속한 모든 값에 대한 일괄 검사 • 일괄 수정
  • 22. - 21 - 속성별 품질검증 – 검증할 속성 선택
  • 23. - 22 - 속성별 품질검증 – 검증결과 상세
  • 24. - 23 - 속성별 품질검증 – 검증결과 상세
  • 25. - 24 - 속성별 품질검증 – 프로파일링
  • 26. - 25 - 속성별 품질검증 – 프로파일링(결과)
  • 27. - 26 - 관리책임별 결함현황
  • 28. - 27 - 관리책임별 결함현황 – 담당자 정보 조회
  • 29. Simple, Smart, Speedy 28 입력/승인 > Clue (값 추천) 분류 내 다른 마스터가 가지고 있는 값을 통계화해 제공
  • 30. Simple, Smart, Speedy 29 현황/개선방안 > 정제 제안/지시 품질검증결과 문제가 발견된 기준정보에 대해 담당자에게 정제를 요청하는 프로세스
  • 31. Simple, Smart, Speedy 30 현황/개선방안 > 속성 프로파일링 입력된 속성값에 대한 프로파일링
  • 32. Simple, Smart, Speedy 31 현황/개선방안 > 관리책임 별 결함현황 관리책임자, 관리책임부서 별 책임 기준정보건수 및 결함건수, 결함율 제시
  • 33. - 32 - 관리책임별 결함현황 – PDF파일로 다운로드
  • 34. - 33 - 관리책임별 결함현황 – 파일 확인
  • 35. Simple, Smart, Speedy 34 Simple, Smart, Speedy 기준정보 관리 고품질(High Quality) 기준정보, ToBeWAY MDM Suite 8.3