안녕하세요. KT 기술혁신부문 Decision Intelligence Lab에서 D-Governance 업무를 맡고 있는 위호규, 박소연입니다.
올 한 해, 우리는 흩어진 데이터의 논리적 일관성을 확보하고 데이터가 조직 내에서 가치 있게 쓰일 수 있도록 단단한 기반을 다졌습니다. 동시에 기존의 데이터 거버넌스 체계를 AI 전환(AX)하기 위해 고민했습니다.
이 글에서는 데이터 거버넌스 구축의 핵심 요소 4가지(4P, Policy, Process, People, Platform) 관점에서의 여정과 성과, 앞으로의 비전을 공유하고자 합니다.
0. 서론
AI 시대에 데이터가 진정한 자산이 되기 위해선, AI가 즉시 활용할 수 있는 AI-Ready 상태로 관리되어야 합니다.
우리는 AI-Ready 데이터가 다음 두 가지 조건을 갖춰야 한다고 생각했습니다.
- 데이터 신뢰성(Data Reliability): “Garbage In, Garbage Out” 이라는 말처럼 아무리 뛰어난 모델이라도 데이터의 품질이 낮으면 좋은 결과를 낼 수 없습니다. 따라서 데이터의 품질이 지속적으로 보장될 수 있도록 데이터 플랫폼 기반의 거버넌스가 내재화되어야 합니다.
- 메타데이터 인리치먼트(Metadata Enrichment): 품질 좋은 데이터가 준비되었다면, AI가 데이터의 의미와 맥락을 정확히 해석할 수 있도록 데이터의 문법을 만들어야 합니다. 풍부한 메타 정보가 더해질 때 모델은 데이터를 온전히 활용할 수 있습니다.
데이터의 신뢰성과 메타데이터를 확보하는 일의 출발점은 결국 데이터 거버넌스입니다. KT의 방대한 데이터가 AX를 성공으로 이끄는 자산이 될 수 있도록, 데이터 품질을 확실하게 보장하면서 AI 활용에 최적화된 데이터 거버넌스 체계를 구축하기 위해 고민했습니다.
1. 추진 배경
풍요 속의 빈곤, 데이터의 폭발적 성장과 사일로의 장벽
AI의 발전과 함께 데이터의 위상은 완전히 달라졌습니다. 데이터는 비즈니스와 기술의 혁신을 이끄는 핵심 자산으로 자리 잡았으며, 이 자산을 효과적으로 활용하기 위해 On-premise 환경에 흩어져 있는 데이터를 클라우드 환경으로 통합하는 작업은 필수가 되었습니다.
하지만 수많은 기업이 클라우드 기반의 데이터 플랫폼을 구축하고 있음에도 불구하고, 데이터 통합성의 부재는 여전히 AI 도입의 가장 큰 걸림돌입니다.
문제의 본질적인 원인은 데이터의 양이 아니라 구조에 있습니다. 아무리 많은 데이터를 보유하고 있더라도 시스템별로 단절된 사일로 현상에 갇혀 있거나 품질이 낮다면 정교한 분석이나 AI 성과를 기대하기 어렵습니다.
레거시 시스템과 멀티 클라우드 환경의 공존으로 데이터 관리가 더욱 파편화되면서 운영의 난이도가 높아지고 있는 현재, 흩어져있는 데이터를 하나로 잇고 일원화하는 강력한 데이터 거버넌스의 중요성은 그 어느 때보다 커지고 있습니다.
AI 시대의 데이터 거버넌스
AI와 Agent가 데이터를 제대로 활용하려면, 데이터의 구조와 의미가 명확히 규정되고 그 상태가 지속적으로 유지되어야 합니다. 이를 위해 우리는 통합 관리 도구 도입을 추진했습니다. 단순히 데이터를 저장하는 것을 넘어 데이터 표준, 구조, DBMS 정보 관리부터 메타 영향 분석에 이르기까지 데이터 구조의 전 단계를 일관성 있게 통제할 수 있는 시스템을 구축하고자 했습니다.
2. 데이터 거버넌스 관리 체계 구축
효과적인 데이터 거버넌스 관리를 위해서는 ▲핵심 방향을 정하는 정책(Policy), ▲실행 방식을 규정하는 프로세스(Process), ▲이를 수행하는 사람(People), ▲효율적 실행을 지원하는 플랫폼(Platform)이 상호 긴밀하게 연계되어야 합니다.
우리는 이 4P 프레임워크를 기준으로, 단계적으로 전사 데이터 거버넌스 체계를 수립했습니다.
Policy (정책): 데이터 관리 원칙의 수립
데이터 표준화, 데이터 등급 분류, 데이터 품질 관리 정책을 수립하며 전사 데이터 관리의 기준을 정립했습니다. 보안 관리가 필요한 데이터에 대해서는 명확한 등급 분류 체계를 도입해 민감 정보를 체계적으로 보호할 수 있는 기반을 마련했습니다. 특히 AI 개발에 활용되는 비정형 데이터의 특성을 고려하여 특화된 등급 체계를 구성했으며 향후 AI 시대의 보안 요구사항에 유연하게 대비할 수 있게 준비했습니다.
정책 수립 과정에서는 현업 부서, IT 부서, 보안 부서 등 다양한 이해관계자의 의견을 수렴했습니다. 실효성 있는 정책을 만들기 위해 실제 업무 프로세스를 면밀히 분석하고, 준수 가능한 수준의 규정을 정립하는 데 집중했습니다.
그 결과, 데이터의 생성부터 활용, 폐기에 이르는 전체 생애주기(Life cycle)를 아우르는 기반을 확립할 수 있었습니다.
Process (프로세스): 표준화된 업무 흐름 정립
정책을 실행에 옮기기 위해서는 구체적인 프로세스가 필요합니다. 기존에는 데이터 표준화 요청을 메일로 주고받다 보니 누락과 오류가 발생하기 쉽고, 히스토리 관리가 어려웠습니다.
이를 개선하기 위해 데이터 요청/신청 → 승인 → 활용단계의 접수 창구를 일원화했습니다. 데이터 스펙 회의를 통해 요구사항을 명확히 정의했고, 단계별 담당자와 승인권자를 지정했으며, 산출물과 검증 기준을 수립했습니다.
이를 통해 데이터 거버넌스가 일회성 활동이 아닌 지속 가능한 업무 체계로 자리 잡을 수 있었습니다.
People (사람): 데이터 거버넌스 전담 조직 구성
효율적인 데이터 거버넌스 운영을 위해서 전담 조직과 명확한 역할 분담이 필수입니다. D-Governance 전담 조직내 업무를 데이터 표준화, 데이터 등급, 메타 인리치먼트의 세 가지 파트로 역할을 세분화하였습니다. 각 파트에서 정책 정의부터 실행까지 수행하며 end-to-end의 데이터 관리 전문성을 쌓았습니다.
- 데이터 표준화 파트: 전사 데이터 표준 원칙을 수립하고, 신규 표준 단어 및 용어 신청을 검토·승인해 데이터의 일관성을 확보했습니다.
- 데이터 등급 파트: 정보 보안 중요도에 따라 데이터 등급 체계를 정의하고, 민감 정보 식별 및 분류 기준을 적용해 데이터 안전성을 보장했습니다.
- 메타 인리치먼트 파트: 기술적인 메타데이터에 비즈니스 설명과 맥락(Context)을 보강하여, 사용자뿐만 아니라 AI가 데이터를 쉽게 이해하고 탐색할 수 있도록 데이터에 가치를 더했습니다.
Platform (플랫폼): 데이터 거버넌스 시스템 구축
정책, 프로세스, 조직이 효과적으로 작동하기 위해서는 이를 뒷받침할 기술 플랫폼이 필요합니다. 우리는 프로세스 자동화를 위해 데이터 거버넌스 시스템메타데이터 시스템/데이터 모델링 도구을 구축했습니다.
- 산재되어 있던 표준 데이터를 정제하여 표준 사전을 정립했고, 철저한 검증을 통해 시스템에 반영할 데이터 컨텐츠를 재정비했습니다. 데이터 정합성을 확보함으로써, AI 모델 학습 시 발생하는 커뮤니케이션 비용을 최소화할 수 있는 환경을 마련했습니다.
- 분석계 시스템 전반에 걸쳐 AI 학습의 핵심 자원인 정형·비정형 데이터 카탈로그 수집을 자동화하고, 리버스 모델링을 통해 데이터 모델을 현행화했습니다.
- 기술 관점과 비지니스 관점의 용어를 체계적으로 연결했습니다. 이는 사용자의 데이터 이해도를 높일 뿐만 아니라 AI가 데이터의 비즈니스 의미를 해석하고 사용하는 AI 리터러시의 핵심 기반이 되었습니다.
- 시스템 오픈 후, 사용자 실습 중심 교육을 통해 사용자의 진입 장벽을 낮췄으며, 조직 내에 빠르게 안착할 수 있도록 변화 관리에 힘쓸 예정입니다.
3. 데이터 거버넌스 시스템 구축으로 인한 변화: 무엇이 달라지나요?
데이터 설계 → 구현 → 활용의 전 과정을 시스템으로 자동화하여 관리하게 되었습니다. 메타데이터 관리 시스템과 데이터 모델링 도구, 데이터 포털이 상호 연계되면서 수작업 운영은 최소화되었고 데이터 거버넌스와 관련된 정보를 한 곳에서 확인할 수 있는 통합 검색 환경이 마련되었습니다.
- 표준 메타데이터 관리 시스템(K-meta): 데이터 표준/모델, 데이터 카탈로그, DBMS 정합성 점검(Gap 관리)을 통합적으로 지원합니다. 카탈로그 수집을 자동화하여, 사용자가 필요로 하는 데이터를 쉽게 찾을 수 있습니다.
- 데이터 모델링 도구: 데이터 모델(ERD)을 설계 시, 논리 모델 속성에 데이터 표준이 자동으로 적용됩니다. 논리 모델 기반, 물리 데이터 모델 설계가 자동화됨으로써 개발 생산성이 향상되고 데이터 모델의 버전 관리와 변경 이력 추적이 가능해졌습니다.
- 데이터 포털: 데이터 거버넌스 관리 체계가 전사 구성원에게 서비스됩니다. 임직원 누구나 포털에서 필요한 데이터를 검색하여 확인할 수 있으며, 복잡한 절차 없이 데이터 활용 및 복호화 신청까지 원스톱으로 처리할 수 있습니다.
변화 하나. 데이터 거버넌스 관리의 사각지대가 해소됩니다.
데이터 표준 및 정보 보안 등급 관리가 수작업에서 시스템 기반의 자동화로 전환됩니다. 이를 통해 기존 수작업에서 발생하던 누락과 오류가 원천 차단되어 데이터의 신뢰도가 향상됩니다.
1) 데이터 표준화 업무가 시스템 중심으로 완전히 전환됩니다.
- 자동화된 표준 검증 과정: 데이터 표준 사전, 모수, 명명 규칙 등 모든 기준이 시스템에 탑재되어, 표준화 후보 검출부터 검증까지의 전 과정이 자동으로 수행됩니다. 이를 통해 AI 학습 데이터의 노이즈가 사전에 제거됩니다.
- 업무 효율 극대화: 더 이상 이메일과 엑셀을 주고받으며 시간을 낭비할 필요가 없습니다. 명명 규칙 준수 여부나 중복 등록 여부도 시스템이 알아서 체크합니다.
- 투명성 확보: 표준 단어와 용어의 사용처와 영향도를 시스템이 분석합니다. 이는 AI가 데이터의 관계와 의미를 추적하고 판단의 근거를 제시하는 설명 가능성(XAI)을 확보하는 데 활용될 수 있습니다.
2) 보안 등급과 접근 권한이 체계적으로 관리됩니다.
보안 등급 관리가 시스템화되면서 민감 정보 보호를 효율적으로 관리할 수 있게 됩니다. 기존에는 엑셀로 관리하던 정보 보호 등급을 이제 시스템으로 통제합니다. 데이터 항목별로 1에서 3단계의 등급이 부여되며, 민감도가 높은 정보에는 암호화 정책이 적용됩니다. 이러한 등급 정책을 기반으로 사용자의 접근 권한이 체계적으로 통제됩니다.
그뿐만 아니라 등급 정보를 데이터 카탈로그에서 쉽게 조회할 수 있도록 하여 개발자가 AI 모델 학습 시 보안 규정을 준수하며 안전하게 데이터를 활용할 수 있는 환경을 마련했습니다.
변화 둘. 데이터 모델링 표준 자동화로 개발 생산성이 향상됩니다.
데이터 모델링 도구와 K-meta의 실시간 연계를 통해, 데이터 표준 정책이 모델링 과정에 자동 적용됩니다. 데이터는 생성되는 시점부터 AI-Ready 상태가 보장되며, 모델 정보는 모델 저장소(Repository)에 저장·관리됩니다. 저장된 데이터 구조 정보는 메타데이터 인리치먼드의 핵심 자산으로 활용됩니다.
- 개발 생산성 향상: 데이터 모델링 과정에서 한글로 입력한 표준 속성명이 자동으로 표준 영문명으로 변환되어, “같은 논리명 = 같은 물리명” 원칙이 자연스럽게 적용됩니다. 이를 통해 물리 데이터 설계의 구조적 일관성이 항상 확보됩니다. 또한, 설계에 필요한 물리 컬럼명을 타이핑하거나 DBMS 적용을 위한 DDL 스크립트를 작성하는 등의 단순 작업이 자동화되어, 개발자는 비즈니스 로직 구현에 집중할 수 있습니다.
- 데이터 모델 형상 관리: 데이터 표준, 데이터 모델 정보의 변경 이력을 기반으로 설계의 변경을 누가, 언제, 무엇을 수정했는지 투명하게 관리합니다.
- 갭 분석(Gap analysis): 데이터 모델과 실제 DBMS 사이의 차이(컬럼 유무, 제약조건, 명칭 등)를 시스템이 자동으로 탐지하고 관리합니다.
- 리버스 모델링: 데이터 모델을 DBMS에 반영하는 정방향은 물론, 운영 중인 DBMS 정보의 카탈로그 정보를 기반으로 데이터 모델을 생성하는 리버스 모델링까지 지원해 언제든 데이터 모델과 DBMS의 싱크를 완벽하게 맞출 수 있습니다.
결과적으로 모델 변경 추적·정합성 점검·스키마 동기화가 모두 자동화되며 개발자, 운영자, 표준 담당자 나아가 AI까지 항상 최신 상태의 정확한 모델을 손쉽게 유지할 수 있는 환경이 마련됩니다.
변화 셋. 데이터 검색부터 권한 신청까지, 원스톱으로 처리됩니다.
데이터의 모든 자산은 데이터 포털로 모입니다. K-meta를 통해 확보한 AI-Ready 데이터가 데이터 포털과 자동 연동되면서, 임직원 누구나 고품질 데이터를 쉽게 조회하고 활용할 수 있습니다.
- 통합 뷰 제공: 테이블 구조, 컬럼 정의, 표준 용어, 민감 정보 여부, 모델 구조, 데이터 오너 정보, 논리 데이터 모델 기반 엔터티·속성 정의, relation정보가 유기적으로 통합되어 데이터가 가진 비즈니스적 의미를 한눈에 파악할 수 있습니다.
- 검색부터 권한 신청까지 원스톱 서비스: 기존에 수작업으로 처리되었던 데이터 조회/복호화 신청도 포털에서 처리할 수 있어 업무 흐름이 명확해지고, 처리 속도도 빨라졌습니다.
4. 앞으로의 방향
25년 우리는 데이터 거버넌스 솔루션을 구축하며 AI 데이터 거버넌스를 향한 첫걸음을 뗐습니다. 올해 마련한 데이터 지침과 자동화된 프로세스는 향후 AI 가 데이터를 온전하게 활용하기 위한 핵심 기반이 될 것입니다.
26년에는 이 기반 위에 AI 데이터 거버넌스 체계를 완성하고자 합니다.
우선, 메타 데이터의 범위를 운영과 활용 영역으로 확장하겠습니다. 지금까지의 메타데이터 인리치먼트가 데이터의 비즈니스적 의미를 정의했다면, 내년에는 데이터의 실행 이력과 활용 빈도 등 동적 정보까지 영역을 확대합니다.
이를 실현하기 위해 데이터 리니지(Data Lineage)를 구축하겠습니다. 데이터의 원천에서 활용까지의 전 과정을 투명하게 연결하겠습니다. 이렇게 생성되는 데이터의 흐름과 파생 관계는 그 자체가 메타데이터가 되어, AI가 데이터의 맥락을 파악하는 데 활용될 것입니다.
나아가, 정책과 프로세스가 AI에 의해 작동하는 지능형 데이터 거버넌스 시스템을 구축하겠습니다. 확장된 메타데이터를 바탕으로, 24시간 데이터의 품질과 보안을 감시하는 AI 기반의 자동화 체계로 전환합니다. 스스로 데이터 품질 이상을 감지하고 데이터 파이프라인 운영을 최적화하는 자율 운영 체계를 통해, 가장 안전하고 신뢰할 수 있는 환경으로 도약하겠습니다.