흩어진 업무 데이터를 자산으로 만드는 생성형 AI 활용 실무

DATA ASSET AX RECIPE 흩어진 자료에서 연결하고 재사용하는 업무 데이터로 수기 자료와 중복 입력, 부서마다 다른 용어와 코드를 진단합니다. 업무 객체와 기준정보를 정의하고 메타데이터와 분류를 적용해, AI와 조직이 함께 활용할 수 있는 표준 데이터 구조와 자산화 가이드를 완성합니다. 데이터 자산화 업무 객체 속성과 관계 기준정보 용어·코드 표준화 메타데이터 데이터 분류 검색과 연결 데이터 거버넌스 8시간 실무 완성 데이터가 많다고 자산이 되는 것은 아닙니다. 같은 기준으로 찾고 연결하고 재사용할 수 있어야 자산이 됩니다 부서마다 흩어진 엑셀과 문서를, AI와 조직이 함께 활용할 수 있는 하나의 업무 데이터 구조로 바꿉니다. CURRENT STATE 같은 업무를 하는데, 부서마다 다른 데이터를 보고 있습니다 같은 고객과 제품을 부서마다 다른 이름으로 관리하고, 표마다 항목과 코드가 다르다면 데이터는 있어도 함께 사용할 수 없습니다. 일반적인 조직 구조의 개념 예시 영업팀 고객명 상담 기록 영업 담당자 제안 상태 회계팀 거래처 코드 사업자 정보 세금계산 정보 결제 상태 물류팀 배송처명 납품 주소 출고 정보 배송 상태 고객관리팀 회원사명 고객 문의 담당자 연락처 응대 이력 동일한 고객이 네 개의 이름으로 분리되어 연결되지 않습니다 업무 데이터 발생 → 부서별 파일 저장 → 다른 이름·코드 사용 → 중복 입력 → 수작업 대조 → 집계 불일치 · 활용 제한 데이터 중복 명칭 불일치 코드 불일치 최신 버전 혼선 담당자 의존 수작업 취합 검색의 어려움 연결 불가 책임자 불명확 필요한 것은 파일을 더 많이 모으는 것이 아니라, 조직이 공통으로 이해하고 연결할 수 있는 업무 데이터 구조입니다. TIDY VS ASSET 한곳에 모았다고 데이터 자산이 되는 것은 아닙니다 단순 자료 정리 파일 단위 관리 파일을 한 폴더에 모음 표의 모양과 색상을 정리 중복 자료를 일부 삭제 담당자가 파일명을 보고 검색 각 부서의 기존 명칭과 코드 유지 정리한 사람의 지식에 의존 데이터 자산화 업무 객체와 기준 중심 관리 업무에서 관리할 핵심 대상을 정의 객체별 속성과 관계를 정리 공통 식별 기준 설정 부서별 용어와 코드를 표준화 데이터 출처와 갱신 기준 기록 메타데이터와 분류 체계 적용 검색·연결·재사용 가능성 검증 유지관리 책임과 변경 절차 수립 데이터 자산화의 핵심은 저장 위치가 아니라, 조직이 같은 의미와 기준으로 데이터를 이해하고 사용할 수 있게 만드는 것입니다. OBJECT · ATTRIBUTE · RELATION 표의 열을 정리하기 전에, 업무에서 관리하는 대상을 정의합니다 업무 객체 업무에서 지속적으로 관리하는 핵심 대상 고객 제품 주문 계약 거래처 프로젝트 설비 공정 검사 직원 속성 각 객체가 가지고 있는 정보 고객 고객 식별번호 고객명 고객 유형 담당자 거래 상태 제품 제품 식별번호 제품명 제품 유형 규격 상태 관계 서로 다른 객체가 연결되는 방식 판매 흐름 고객 ↓ 주문 · 주문 품목 ↓ 제품 · 납품 생산 흐름 설비 → 공정 → 검사 → 품질 이력 위 예시는 개념을 설명하기 위한 일반적인 구조입니다. 실제 객체와 속성은 조직의 업무와 관리 목적에 따라 다르게 정의합니다. STANDARDIZATION 부서마다 다른 이름을, 조직이 함께 쓰는 기준으로 표준화 전 영업팀 고객명 회계팀 거래처명 물류팀 배송처명 고객관리팀 회원사명 코드 표기도 서로 다름 제품 A A-01 상품A 완제품_A 기준정보 정의 표준화 후 공통 식별번호 CUST-000 표준 고객명 조직 공식 명칭 부서별 기존 명칭 고객명 · 거래처명 · 배송처명 · 회원사명 담당 부서 데이터 소유 부서 갱신 기준 주기와 변경 절차 결정 주체 AI는 유사 용어와 중복 후보를 찾는 데 도움을 주고, 조직의 공식 기준은 담당자가 확인하고 승인합니다. 표준화 진행 절차 부서별 명칭 수집 → 같은 대상인지 확인 → 공통 식별 기준 설정 → 표준 명칭 결정 → 코드 체계 정의 → 기존 명칭 매핑 → 담당 부서 검토 → 최종 승인 같은 의미인지 여부는 업무를 이해하는 담당자가 확인합니다. 표준 용어와 코드는 부서 간 합의가 필요합니다. 기존 데이터를 삭제하거나 일괄 변경하기 전에 영향 범위를 검토합니다. PIPELINE 진단에서 표준화, 검증과 운영까지 1 진단 현장 데이터 문제 진단 데이터 출처와 위치 확인 2 선정 자산화 대상 우선순위 선정 활용이 끊기는 지점 분류 3 정의 핵심 업무 객체 정의 객체별 속성 정의 객체 간 관계 설계 4 표준화 부서별 용어·코드 비교 표준 용어와 기준정보 설정 표·문서 구조 표준화 메타데이터·분류 적용 5 검증 검색·연결·활용 가능성 검증 오류와 불일치 보완 6 운영 단계별 자산화 가이드 작성 유지·관리 거버넌스 수립 METADATA 데이터의 내용뿐 아니라, 데이터에 대한 정보도 함께 관리합니다 메타데이터는 데이터가 무엇인지, 어디에서 왔는지, 누가 관리하고 언제 갱신했는지를 설명하는 정보입니다. 메타데이터 패널 항목 구성 예시 데이터명 · 설명 무엇을 담은 데이터인가 업무 객체 고객 · 제품 · 주문 등 출처 · 작성 부서 발생 시스템과 담당 조직 관리 책임자 데이터 소유자 생성일 · 최종 갱신일 최신성 확인 근거 갱신 주기 정기 또는 이벤트 기준 데이터 형식 표 · 문서 · 로그 보안 등급 · 접근 대상 열람과 수정 범위 사용 목적 · 관련 데이터 활용 업무와 연결 대상 버전 또는 상태 활성 · 보관 · 폐기 대상 데이터 분류 예시 고객 제품 주문 계약 생산 품질 인사 재무 운영 실제 적용할 메타데이터 항목과 분류 체계는 조직의 업무 목적과 관리 범위에 따라 달라집니다. 메타데이터가 있으면 어떤 자료가 최신인지 확인할 수 있습니다. 데이터의 출처와 책임자를 바로 알 수 있습니다. 권한을 가진 사람이 필요한 데이터를 찾을 수 있습니다. AI-READY STRUCTURE AI 활용은 데이터의 양보다 구조와 맥락에서 시작됩니다 활용하기 어려운 데이터 열 이름이 파일마다 다름 한 셀에 여러 정보가 함께 입력됨 코드의 의미를 설명하는 기준표가 없음 날짜와 단위 형식이 서로 다름 같은 대상을 여러 이름으로 기록 빈칸과 임의 입력이 많음 출처와 최신성 확인이 어려움 객체 간 연결 기준이 없음 활용하기 쉬운 방향 항목의 의미가 명확함 한 항목에 하나의 값이 입력됨 공통 식별자가 있음 날짜·코드·단위 형식이 일관됨 기준정보와 코드 설명이 존재함 객체 간 관계가 정의됨 출처와 갱신 기준을 확인할 수 있음 접근 권한과 활용 범위가 정리됨 구조와 기준이 명확할수록 AI가 데이터를 일관되게 해석하고 활용할 가능성이 높아지며, 실제 결과는 데이터 품질과 도구의 기능, 사용 목적에 따라 달라질 수 있습니다. PRACTICE 우리 업무의 문제 데이터를 표준 구조로 바꿉니다 일반화된 구조 모형 · 실제 개인정보 미사용 문제 데이터 선정 → 중복·누락·불일치 진단 → 핵심 객체 정의 → 속성·관계 설계 → 표준 용어·코드 적용 → 메타데이터·분류 적용 → 검색·연결 테스트 · 보완 구조화 전 여러 파일에 분산 서로 다른 열 이름 중복 행 설명되지 않은 코드 연결되지 않는 식별자 담당자만 이해하는 약어 자산화 실습 구조화 후 명확한 업무 객체 표준 속성 공통 식별 기준 용어·코드 매핑 객체 간 관계 메타데이터 관리 책임과 갱신 기준 VERIFY 정리된 모습이 아니라, 실제로 찾고 연결되는지를 확인합니다 같은 대상을 하나의 기준으로 식별할 수 있는가 부서별 기존 명칭이 표준 명칭과 매핑되는가 필수 속성이 빠지지 않았는가 객체 간 관계가 실제 업무 흐름과 맞는가 중복 데이터와 충돌하는 코드가 남아 있지 않은가 데이터 출처와 최신성을 확인할 수 있는가 필요한 권한을 가진 사람이 데이터를 찾을 수 있는가 검색과 분류가 의도대로 작동하는가 AI가 항목의 의미와 관계를 일관되게 해석할 수 있는가 새로운 데이터가 추가될 때 동일한 기준을 적용할 수 있는가 AI는 불일치와 누락 후보를 찾는 데 활용하고, 최종 검증은 업무를 이해하는 담당자가 수행합니다. GOVERNANCE 데이터 자산은 한 번 정리하는 것보다, 계속 유지하는 것이 중요합니다 복잡한 통제 체계가 아니라, 데이터가 다시 흐트러지지 않도록 유지하는 최소 운영 기준을 정리합니다. 책임 어떤 부서가 데이터를 소유하는가 누가 표준 용어와 코드를 관리하는가 누가 변경을 승인하는가 품질 필수 항목은 무엇인가 오류와 중복을 어떻게 점검하는가 품질을 언제 확인하는가 변경 새로운 객체와 속성을 어떻게 추가하는가 코드 체계가 바뀌면 누가 반영하는가 변경 이력을 어떻게 기록하는가 접근 권한 누가 데이터를 조회할 수 있는가 누가 수정할 수 있는가 민감정보는 어떻게 보호하는가 유지관리 갱신 주기는 어떻게 정하는가 사용하지 않는 데이터는 어떻게 관리하는가 최신성과 활용성을 어떻게 확인하는가 역할이 연결되는 방식 데이터 소유자 → 데이터 관리자 등록·수정 → 사용 부서 활용·피드백 → 품질 검토자 점검 → 변경 승인자 승인 HUMAN-IN-THE-LOOP AI가 정리를 지원해도, 업무의 기준은 사람이 결정합니다 AI가 지원하는 영역 흩어진 데이터 항목 정리 유사 용어·중복 후보 탐색 객체·속성·관계 초안 작성 코드·명칭 불일치 후보 표시 메타데이터 항목 초안 구성 분류 체계 후보 작성 표준 구조 변환 지원 누락·충돌 후보 확인 문서 및 가이드 초안 작성 사람이 담당하는 영역 업무 객체의 정확한 의미 정의 객체의 범위와 경계 결정 공식 표준 용어 확정 코드와 식별 기준 승인 부서 간 기준 조율 원본 데이터의 정확성 검증 접근 권한과 민감정보 관리 데이터 소유자와 관리 책임 설정 변경 및 유지관리 절차 승인 최종 데이터 구조 검수 AI는 표준화 후보를 만들고 불일치를 찾는 데 도움을 줄 수 있지만, 회사가 사용할 공식 데이터 기준은 업무를 이해하는 사람이 결정합니다. BEFORE & AFTER 파일 중심 관리에서, 업무 객체 중심의 데이터 관리로 BEFORE 기존 업무 방식 부서별 파일을 중심으로 데이터 관리 같은 정보를 여러 곳에 반복 입력 부서마다 서로 다른 용어와 코드 사용 파일명과 담당자의 기억에 의존해 검색 필요한 시점마다 수작업으로 데이터를 대조 데이터 출처와 최신성 확인이 어려움 정리 후 유지관리 기준이 없음 AI와 시스템이 데이터를 일관되게 해석하기 어려움 8시간 실습 AFTER 교육에서 구축하는 방식 자산화할 데이터의 우선순위 선정 업무 객체·속성·관계 중심으로 구조 설계 공통 식별 기준 설정 부서별 용어와 코드를 표준 기준에 매핑 메타데이터와 분류 체계 적용 검색·연결·재사용 가능성 검증 데이터 소유자와 갱신 책임 정리 단계별 자산화 및 유지관리 가이드 작성 전사 데이터 통합이나 AI 활용 성과가 자동으로 보장되는 과정이 아닙니다. 데이터를 연결하고 재사용할 수 있는 기준과 구조를 설계하는 것이 목표입니다. CURRICULUM 문제 진단부터 객체 정의, 자산화 실습, 가이드 완성까지 5단계 총 5과목 · 8시간 진단 · 분산·중복·미활용 데이터 확인 → 이해 · 표준 데이터 구조 학습 → 설계·실습 · 객체와 기준정보 정의 → 적용 · 자산화 가이드와 거버넌스 STEP 01 현장 데이터 문제 진단 수기 자료와 중복 입력, 흩어진 데이터의 문제를 도출합니다. 1H 단원 · 현장 업무 데이터 문제 파악 수기 자료·중복 입력·흩어진 데이터 문제 도출 데이터가 있는데도 활용하지 못하는 지점 분류 자산화할 데이터 우선순위 선정 STEP 02 데이터 자산화 개념 AI가 활용할 수 있는 데이터 구조와 표준화 원칙을 이해합니다. 2H 단원 · AI가 읽는 데이터 구조 이해 생성형 AI가 활용 가능한 데이터 형태 이해 표·기준정보·문서 표준화 원칙 습득 데이터 자산화의 업무 효과 파악 여기에서 말하는 AI가 읽는 데이터는 AI가 모든 정보를 자동으로 정확하게 이해한다는 의미가 아니라, 항목의 의미와 관계, 기준이 명확하게 정리된 데이터를 뜻합니다. STEP 03 업무 객체·기준정보 정리 객체와 속성·관계를 정의하고 부서별 용어와 코드를 표준화합니다. 2H 단원 · 핵심 업무 객체 정의 실습 업무 핵심 대상인 객체와 객체별 속성·관계 정의 부서별로 다른 용어와 코드를 하나의 기준으로 표준화 부서 간 데이터가 연결되는 구조 설계 STEP 04 자산화 실습 진단한 문제 데이터를 표준 구조로 정리하고 결과를 검증합니다. 2H 단원 · 문제 기반 데이터 자산화 실습 진단한 문제 데이터를 표준 구조로 정리 메타데이터와 분류를 적용해 검색·활용을 위한 구조 구성 정리한 결과가 의도대로 되었는지 검증 STEP 05 자산화 가이드 단계별 자산화 가이드와 유지관리 거버넌스를 완성합니다. 1H 단원 · DX 적용안 작성 자사 데이터를 단계적으로 자산화하는 가이드 작성 데이터 유지·관리를 위한 거버넌스 방안 정리 완성한 가이드 발표 및 피드백 시간 편성 1H + 2H + 2H + 2H + 1H = 8H OUTCOME 교육이 끝날 때, 자사 데이터의 구조와 관리 기준이 남습니다 데이터 문제 진단 → 자산화 우선순위 → 업무 객체 정의 → 속성·관계 설계 → 용어·코드 표준화 → 메타데이터·분류 적용 → 결과 검증 → 자산화 가이드 · 거버넌스 진단 산출물 현장 업무 데이터 문제 진단표 수기 자료·중복 입력·분산 데이터 목록 데이터 활용이 끊기는 지점 자산화 대상 우선순위 설계 · 표준화 산출물 핵심 업무 객체 목록 객체별 속성 정의 · 관계 구조 부서별 용어·코드 비교표 표준 용어와 기준정보 기존 명칭과 표준 기준의 매핑표 표준화된 업무 데이터 구조 · 공통 식별 기준 운영 산출물 메타데이터 항목 데이터 분류 체계 검색·연결·활용 가능성 검증 결과 데이터 소유자와 관리 책임 단계별 데이터 자산화 가이드 데이터 유지·관리 거버넌스 방안 FOR DATA & DX TEAMS 이런 실무자와 조직에 적합합니다 분산 데이터를 관리하는 실무자 여러 엑셀과 문서에 흩어진 데이터를 관리하는 실무자 같은 정보를 반복해서 입력하고 취합하는 업무를 개선하려는 담당자 기준을 통일해야 하는 담당자 부서마다 다른 용어와 코드를 통일해야 하는 데이터 관리 담당자 고객·제품·주문·설비 등 핵심 업무정보를 연결하고 싶은 담당자 구조를 설계하는 DX 담당자 업무 데이터의 표준 구조를 설계하려는 DX 담당자 데이터베이스 구축 전에 업무 객체와 기준정보를 정의해야 하는 실무자 AI 도입 전 데이터의 품질과 구조를 정비하려는 조직 운영 기준을 정리할 조직 데이터 검색과 재활용이 어려운 문제를 개선하려는 담당자 데이터 소유자·갱신 주기·변경 절차를 정리하려는 조직 자신의 업무 데이터를 기반으로 자산화 가이드를 만들고 싶은 재직자 AI가 활용할 데이터는 모으는 것보다 먼저 같은 기준으로 연결되어야 합니다 데이터가 많다는 사실만으로 조직의 자산이 되지는 않습니다. 같은 고객과 제품을 부서마다 다른 이름으로 관리하고, 출처와 갱신 기준을 알 수 없다면 검색과 연결, 재사용이 어렵습니다. 이 과정에서는 업무 객체와 기준정보를 정의하고, 흩어진 데이터를 AI와 조직이 함께 활용할 수 있는 표준 구조로 전환합니다. 파일을 정리하는 데서 끝나지 않고, 데이터가 다시 흐트러지지 않도록 자산화 가이드와 운영 기준까지 완성합니다.