데이터 관리란?

데이터 관리란 데이터를 수집, 저장, 사용하는 프로세스를 말하며, 데이터 관리 소프트웨어의 지원을 받는 경우가 많습니다. 보유 중인 데이터 종류, 데이터 위치, 데이터 소유자, 데이터 확인 권한을 가진 사용자, 액세스 방법 등을 데이터 관리를 통해 파악할 수 있습니다. 조직은 데이터 관리 역량을 활용하여 중요 시스템과 애플리케이션을 안전하게 경제적으로 배포하고 전략적 의사결정에 참여할 수 있습니다.  

더욱 광범위한 데이터 관리에는 엔터프라이즈 데이터 관리(EDM)라는 전문화된 영역이 있습니다. EDM은 비즈니스 데이터의 목록을 작성하고 관리하여 조직이 이 프로세스에 부합하도록 하는 프로세스입니다.

올바른 데이터 관리 전략을 마련하면 변화하는 비즈니스 프로세스와 요구 사항에 맞춰 규모를 확장하고 조정할 수 있으므로, 팀은 정보와 자신감을 발판 삼아 더욱 빠르고 스마트하게 대응할 수 있게 됩니다.

데이터 관리 시스템은 조직이 적시에 적합한 구성원에게 정보를 제공할 수 있도록 지원합니다. 데이터 관리 워크플로우는 올바른 제어와 구현을 통해서 더 나은 결정을 내리는 데 필요한 분석적 인사이트를 제공합니다. 데이터 관리는 비즈니스 크리티컬 정보의 보안, 접근성, 확장성을 위해 반드시 필요한 수단입니다. 데이터 관리 프로세스는 다음을 수행해야 합니다.

• 인프라 전반에서 데이터 생성 및 선별
• 클라우드 및/또는 온프레미스 환경에서 데이터 저장 및 확장
• 고가용성 확보 
• 재해 복구 계획 수립
• 장소 및 방법과 관계없이 데이터 보호 및 액세스 제어
• 컴플라이언스 요구 사항을 충족하기 위한 데이터 감사 및 파기 
• 데이터 서비스를 통해 지능형 애플리케이션 개발에 아이디어 제공

데이터 거버넌스는 모든 데이터 관리 솔루션의 핵심입니다. 명확한 지침과 프로토콜을 설정하여 데이터 정확성, 사용성, 보안을 보장합니다. 강력한 거버넌스가 없으면 데이터 관리가 혼란스러워지고 일관성이 약화될 수 있습니다. 데이터 관리가 조직의 데이터 생성, 선별, 출력을 모두 아우르는 반면, 데이터 거버넌스는 조직의 내부 기준과 정책, 관련 외부 규제에 따라 데이터의 사용과 보안을 관리합니다.

데이터 관리에는 조직이 기업 데이터 요구 사항을 해결하기 위해 고려해야 하는 다양한 아키텍처 요소가 포함됩니다. 데이터 관리의 이러한 측면으로 인해 데이터는 전략적 자산으로 바뀝니다. 

• 데이터 스토리지란 애플리케이션, 네트워크 프로토콜, 문서, 미디어, 주소록, 사용자 환경 설정 등을 구성하는 세부 데이터, 즉 디지털 정보를 실제로 수집하고 보관하는 곳입니다.
• 데이터 준비란 분석, 오류 수정, 다양한 소스의 통합을 위해 원시 데이터를 사전 처리하는 것입니다.
• 데이터 카탈로그는 메타데이터를 범주화하여 사용자가 중요한 데이터를 손쉽게 찾고 이해하며 사용할 수 있도록 지원합니다.
• 데이터 웨어하우스는 보고를 위해 설계된 정형 데이터 모델을 제공합니다. 
• ETL(추출, 변환, 로드)은 데이터베이스에서 데이터를 추출하고 이를 새로운 형식으로 변환하여 데이터 웨어하우스에 로드하는 것입니다.
• 데이터 파이프라인은 실시간으로 시스템간 유입되는 데이터를 자동으로 전송하고 처리합니다.
• 데이터 레이크는 대규모의 다양한 비정형 데이터 세트를 기본 형식으로 저장하여 사용자가 정제되지 않은 데이터를 볼 수 있도록 합니다. 
• 데이터 아키텍처는 데이터가 수집, 저장, 전송, 사용되는 방식을 정의합니다.
• 데이터 모델링은 데이터가 비즈니스 또는 애플리케이션 전반에서 어떻게 이동하는지를 개략적으로 보여줍니다.
• 데이터 메쉬는 분석 데이터를 탈중앙화하여 여러 팀이 다양한 위치에서 데이터에 쉽게 액세스하고 이용할 수 있도록 합니다.
• 데이터 그리드는 조직의 컴퓨터 전체를 활용하여 대규모 태스크를 완료합니다. 
• 데이터 페더레이션은 여러 소스에서 데이터를 수집하여 함께 기능할 수 있도록 데이터를 준비합니다.

데이터베이스 관리 시스템(DBMS)(비즈니스 프로세스 관리 또는 엔터프라이즈 리소스 계획(ERP) 도구와 유사함)은 이러한 유형의 데이터 관리를 자동화하거나 감독하기 위해 사용하는 데이터 보관 시스템입니다. 반면 데이터 관리 소프트웨어는 조직 전체에서 방대한 양의 데이터를 수집, 분석, 통합하기 위한 기반 플랫폼 역할을 합니다. 여기에는 데이터베이스나 타사 벤더에서 개발한 도구가 포함되어 있어 원활한 데이터 운영을 보장하는 경우가 많습니다.

엔터프라이즈 데이터 관리 시스템은 다양한 부서에서 데이터 무결성, 보안, 접근성을 보장하는 대규모 조직에 맞춤화된 고급 형태의 DBMS입니다. 관계형 DBMS는 SQL 프로그래밍 언어에 의존하여 데이터를 정형화하고 연결하는 반면, NoSQL 데이터베이스는 비정형 데이터에 더욱 적합합니다.

데이터를 보호하고 처리하고 활용할 수 있을 때 데이터의 진정한 가치가 발휘됩니다. 데이터 활용 과정은 복잡하지만 얻을 수 있는 것이 많습니다. 엄청난 양의 데이터가 빠르게 기업에 빠르게 쏟아지고 있으나, 그러한 데이터를 활용할 수 있도록 처리하는 것이 관건입니다. 

• 볼륨. 데이터는 다양한 형식으로 대규모로 이동하기 때문에 어디에 어떤 데이터가 있는지 파악하기 어려울 수 있습니다. 
• 데이터 통합 및 데이터 동기화. 데이터가 복잡해질수록 서로 다른 소스에서 가져온 데이터를 효율적이며 전략적으로 통합하기가 어려워집니다.  
• 사일로. 통합되지 않은 데이터는 연동되지 않기 때문에 그 가치를 활용하지 못하고 결국 리소스를 낭비하게 됩니다. 
• 데이터 저장 및 처리. IT 팀은 데이터 저장 장소와 처리 방법을 결정하여 그 효과를 극대화해야 합니다. 
• 비용. 데이터 처리 및 저장을 온프레미스에서 관리하는지 클라우드에서 관리하는지에 따라 비용이 달라집니다. 이러한 비용을 비즈니스 목표와 데이터 가치에 따라 평가해야 합니다. 
• 컴플라이언스. 기업 및 데이터 개인 정보 보호 기준을 준수하지 않으면 벌금, 데이터 보안 침해, 자격증 상실, 사업 상의 손해로 이어질 수 있습니다. 
• 데이터 중력. 데이터는 그 규모로 인해 다양한 애플리케이션과 서비스를 끌어들이게 되는데, 데이터가 끌어들인 대량의 데이터 세트와 구성 요소는 시간이 지날수록 이동하기가 더욱 어려워집니다. 

빅데이터란 전통적인 데이터 프로세싱 방법으로는 처리할 수 없을 만큼 대규모이거나 복잡한 데이터입니다. 여기엔 고급 데이터 분석 도구가 필요한 경우가 많습니다. 빅데이터 관리는 빅데이터를 구성하고 관리하여 비즈니스 개선에 활용할 수 있는 실시간 정보를 제공하는 것을 말합니다.

빅데이터를 분류하고 분석하면 여러 소스로부터 핵심 정보를 빠르게 찾아낼 수 있습니다. 대량의 데이터세트를 통합, 정리, 관리하는 것은 어려운 일입니다. 그러나 강력한 아키텍처와 스마트한 데이터 전략을 구축함으로써 효율적으로 규모를 확장하고 비즈니스 목표를 달성하며 양질의 데이터 분석 결과를 확보할 수 있습니다. 빅데이터에는 통합과 자동화를 지원하는 관리 플랫폼이 필요합니다.

데이터 라이프사이클 관리(DLM)는 데이터 생성에서 삭제까지 라이프사이클 전체에 걸쳐 데이터를 제어하고 관리하는 인력, 특히 데이터 관리 도구, 프로세스를 의미합니다. 여기에는 데이터 수집, 저장, 공유, 보관, 파기가 포함됩니다.

DLM 전략은 정보를 안전하고, 정확하고, 액세스 가능한 상태로 유지하고, 일반 데이터 보호 규정(GDPR)과 같은 규제 요구 사항을 준수하는 것입니다. DLM 제품은 종종 거버넌스 정책을 기반으로 데이터를 여러 티어로 분리하고 데이터의 티어 간 마이그레이션을 통해 이러한 프로세스를 자동화합니다.

마스터 데이터는 트랜잭션 데이터에 컨텍스트를 제공하고 조직의 주요 기능을 가능하게 하는 중요한 공유 비즈니스 정보입니다. 마스터 데이터는 비즈니스 트랜잭션을 위한 기반을 제공하며, 조직이 시스템 전반에서 데이터를 일관성 있게 비교할 수 있도록 지원합니다. 고객, 제품, 위치는 마스터 데이터를 구성하는 엔터티에 해당합니다. 

마스터 데이터 관리(MDM) 소프트웨어는 전사적으로 핵심 비즈니스 데이터의 정확성, 무결성, 배포를 중앙에서 관리할 수 있는 기능을 제공합니다. 통합 MDM 전략은 핵심 데이터가 시스템 전체에 분산되어 단절되지 않도록 합니다. 또한 단일 정보 소스를 유지하여 오류가 복합적으로 발생하지 않도록 합니다. 

MDM 시스템은 다양한 스트림 전반에서 기업의 마스터 데이터에 대한 개요를 비롯하여 실시간 데이터 시각화와 보안 기능을 제공해야 합니다.

데이터 관리 플랫폼은 오류 발견 및 해결, 리소스 분할, 성능을 위한 시스템 최적화와 같은 주요 데이터 관리 기능을 수행합니다. 이러한 기능을 자동화하면 비용을 절감하고 효율성을 높일 수 있습니다. 이러한 플랫폼을 사용할 때는 데이터 관리의 모범 사례에 따라야 합니다. 

• 보유 데이터 평가. IT 팀, 데이터 사이언티스트, 경영진은 생성되는 데이터와 데이터가 지닌 가치를 이해해야 합니다. 
• 비즈니스 목표에 맞춰 데이터 조정. 필요 없는 데이터는 보관하지 마세요. 비즈니스에 영향을 미치는 데이터가 무엇인지 파악하면 시스템과 유지 관리 프로세스를 간소화하며 중요한 데이터를 찾기 쉬워집니다.
• 데이터베이스 최적화. 각기 다른 데이터 소스에서 가져온 데이터베이스의 규모를 확장하고 제 기능을 발휘하도록 해야 합니다. 많은 데이터베이스가 고급 알고리즘과 머신 러닝, 인공지능 기능을 제공하여 데이터를 기반으로 비즈니스 결정을 내리도록 도와줍니다. 
• 최고의 데이터 품질 유지. 일상적인 업데이트에서 철자 및 형식 수정까지 정기적인 품질 점검을 통해 데이터를 정확한 최신 상태로 유지해야 합니다. 
• 데이터 관리 및 적임자의 데이터 액세스 보장. 데이터의 사용, 저장, 검토 방법 등 데이터 무결성을 보장하기 위한 팀, 정책, 시스템을 마련해야 합니다. 
• 보안 및 컴플라이언스에 집중. 규정을 준수하고 비즈니스 인텔리전스와 데이터를 안전하게 보호하도록 팀을 교육하고 시스템을 보호해야 합니다.  

IDC에 따르면, 안정성, 보안성, 성능을 갖추고 온프레미스, 가상화, 클라우드, 엣지와 같은 인프라의 모든 설치 공간에서 일관성을 제공하는 Red Hat® Enterprise Linux®를 많은 기업이 비즈니스 크리티컬 배포용 솔루션으로 선택하는 것으로 나타났습니다. 이를 데이터 관리 솔루션을 위한 중앙 위치로 활용하면 변화하는 환경에서도 민첩성을 유지하고 트랜스포메이션과 혁신 목표를 달성할 수 있습니다.

Red Hat Enterprise Linux에는 MariaDB, MySQL, PostgreSQL을 비롯한 여러 인기 있는 오픈소스 데이터베이스 서버가 포함되어 있습니다. 이러한 데이터베이스 패키지의 여러 버전은 애플리케이션 스트림으로 제공되며 핵심 운영 체제 패키지보다 더 자주 업데이트됩니다. 이를 통해 플랫폼의 기본 안정성이나 특정 배포판에 영향을 주지 않으면서 Red Hat Enterprise Linux를 커스터마이즈할 수 있는 유연성이 향상됩니다.

Red Hat Enterprise Linux는 Microsoft SQL 서버를 위한 성능 중심의 경제적인 플랫폼으로, 빠르게 대량의 데이터를 처리하고 늘어나는 운영 및 분석 요구에 부응합니다. 또한 베어메탈, 가상 머신, 컨테이너, 하이브리드 클라우드 등 배포 환경과 관계없이 확장성을 갖춘 기반과 일관된 애플리케이션 경험을 제공합니다. 내장된 분석 기능으로 보안, 성능, 가용성, 안정성에 대한 위협을 식별하는 한편 다양한 이슈, 정전, 예기치 않은 다운타임을 피하기 위한 문제 해결 가이드를 제공합니다. Red Hat Enterprise Linux는 Linux 및 RHEL 8의 SQL 서버를 위한 Microsoft의 참조 플랫폼으로 놀라운 SQL 서버 성능을 제공합니다. 

Red Hat OpenShift® Data Science는 데이터 과학자 및 지능형 애플리케이션 개발자들을 위한 관리형 클라우드 서비스입니다. 프로덕션에 배포하기 전에 퍼블릭 클라우드에서 머신 러닝(ML) 모델을 신속하게 개발, 교육, 테스트할 수 있도록 완벽하게 지원되는 샌드박스를 제공합니다.