업무 문서, 리포트, SQL과 현업의 분석 기준을 AI로 분석해 업무 객체, 관계, 지표와 계산 기준을 도출합니다. 전문가 검토를 거쳐 Enterprise Data Model과 Semantic Views에 반영하고, 실제 업무 질문으로 검증합니다.
기존 데이터 모델만 분석해서는 지표의 의미와 계산 기준, 업무 예외를 충분히 파악하기 어렵습니다. 업무 문서, 기존 리포트와 SQL, 현업 질문을 함께 분석해 데이터에 반영해야 할 업무 개념과 기준을 확인합니다.
업무 문서와 지표 정의, 리포트, SQL, 현업 질문에서 실제로 사용하는 용어와 계산 기준을 확인합니다.
AI를 이용해 업무 객체와 관계, 지표, 계산식, 동의어와 확인이 필요한 항목을 도출합니다.
현업과 데이터 전문가가 AI가 도출한 내용을 검토하고, 적용할 정의와 예외 기준을 확정합니다.
확정된 기준을 Enterprise Data Model과 Semantic Views에 반영하고 실제 업무 질문으로 결과를 확인합니다.
중복된 데이터마트, 테이블, 코드와 계산식을 분석합니다. 실제 활용 목적에 필요한 데이터와 이력 범위를 정하고 불필요한 복잡성을 줄입니다.
업무 Domain과 Master, Transaction, History를 구분하고 Grain, Key, Code, Naming과 공통 Dimension 기준을 정합니다.
업무 객체와 관계, Dimension, Fact, Metric, 계산 기준, 설명과 동의어를 정의합니다. Semantic View는 물리·논리 데이터 모델을 대신하지 않으며, 검증된 모델 위에 업무에서 사용하는 의미와 분석 기준을 제공합니다.
주요 데이터의 품질 규칙과 소유자, 원천과 변환 이력, 변경 영향을 관리할 기준을 정하고 Snowflake 환경에 적용합니다.
역할과 업무 목적에 따라 데이터 접근 범위를 구분하고, 민감정보 보호와 권한 변경 기준을 적용합니다.
데이터가 Snowflake에 적재되어 있어도 시스템별 코드와 기준이 다르고, 계산식이 리포트와 프로그램에 흩어져 있으면 분석 결과가 달라집니다. AI도 같은 제약을 받습니다. 물리 테이블을 그대로 노출하기 전에 데이터 구조와 업무 기준을 정리해야 합니다.
같은 고객, 제품과 거래를 시스템과 데이터마트마다 다른 구조와 코드로 관리합니다.
매출, 원가, 재고와 같은 지표의 계산식이 리포트와 SQL, 업무 문서에 나뉘어 있습니다.
값의 출처와 변환 과정, 품질 책임자와 변경 영향을 바로 확인하기 어렵습니다.
사용자와 업무 목적에 따라 허용할 데이터 범위와 민감정보 보호 기준이 정리되지 않은 경우가 많습니다.
Semantic Views와 Cortex Analyst를 적용해 자연어 질문을 업무 기준에 맞는 SQL 분석으로 전환합니다. 대표 질문과 검증된 SQL을 기준으로 정확도를 점검하고 변경에 따른 회귀를 관리합니다.
문서의 메타데이터와 접근권한, 검색 단위를 정비하고 Cortex Search를 적용해 Enterprise Search와 RAG에서 사용할 검색 기반을 구성합니다.
건수와 금액, 주요 Key와 이력 데이터가 원천 시스템과 일치하는지 확인합니다.
현업에서 사용하는 리포트와 계산 결과를 기준으로 지표 정의와 집계 로직을 확인합니다.
자주 사용하는 업무 질문과 검증된 SQL을 평가 기준으로 삼아 자연어 분석 결과를 점검합니다.
역할별 데이터 노출 범위와 모델·지표 변경이 기존 분석에 미치는 영향을 확인합니다.
BI·DW, Data Governance, SAP ERP와 전사 시스템 구축 경험을 바탕으로 현재 사용 중인 데이터와 리포트, 업무 기준을 확인합니다.
테이블과 기능의 수보다 실제 활용 과제에 필요한 데이터 범위, 이력, 계산 기준과 운영 제약을 중심으로 설계합니다.
원천 시스템과 기존 DW·데이터마트, 주요 분석과 AI 활용 목적을 확인한 후 우선 정비할 데이터 범위와 추진 방식을 검토합니다.
AI-Ready Data Foundation 문의하기 →