BigValue Insight <7>💡

2026년 10월 23일

[BigValue Insight] 는 다양한 산업 분야에 대한 깊은 이해를 바탕으로 업계 전문가로 성장할 수 있도록,

트렌드·실무 인사이트·산업 지식·그리고 성장에 필요한 모든 이야기들을 공유하기 위해 운영되고 있습니다.

일곱 번째 세션은 <데이터 거버넌스 플랫폼: Context를 데이터의 곁으로>를 주제로,
데이터 거버넌스팀 이동욱 선임님께서 연사로 나서 데이터의 맥락을 조직의 자산으로 만드는 과정을 소개해 주셨습니다.

데이터는 한곳에 모였는데, 그 데이터를 제대로 쓰기 위해 필요한 맥락은 여전히 사람의 기억과 Slack·문서·코드 곳곳에 흩어져 있다면 어떨까요?

빅밸류는 이 문제를 어떻게 풀어가고 있을까요?

핵심만 살펴보는 오늘 아티클, 함께 살펴보실까요?

BigValue Insight - 1. 데이터는 옮겼지만, Context는 사람에게 남아 있었습니다.

빅밸류의 데이터는 raw·core·outbound 등 역할에 따라 정리되고, 데이터가 변환되는 과정 역시 dbt 모델과 GitLab에 기록되고 있습니다.

하지만 데이터의 목적과 담당자, 활용법과 주의사항까지 모두 코드만으로 설명되지는 않습니다.

"이 지표는 어떤 의미인가요?"

"누가 만든 데이터인가요?"

"어디에서 가져왔고, 지금 사용해도 되나요?"

이런 질문에 답하려면 담당자의 기억을 찾고, 과거 Slack 대화를 검색하고, 문서와 코드를 차례로 확인해야 했습니다.

실제 고객사로부터 "신도시 지수는 어떻게 만들어지나요?"라는 문의가 들어왔을 때도 마찬가지였습니다.

담당자를 찾고, 세 명의 파트장님이 과거 Slack과 문서, GitLab, 액셀 파일을 오가며 답을 정리하는 데 기록상 8일이 걸렸습니다.

문제는 단지 답변 속도만이 아니었죠. 담당자의 일정과 기억에 따라 업무 속도가 달라지고, 데이터를 변경했을 때 어디까지 영향을 받는지
바로 확인하기 어려웠고, 이미 답했던 질문도 처음부터 다시 찾아야 했습니다. 데이터와 그 데이터를 설명하는 Context가 떨어져 있었기 때문입니다.

BigValue Insight - 2. 여덟 번 물어보던 질문을, 두 번의 클릭으로

데이터 거버넌스 플랫폼에서는 같은 질문의 답을 한 화면에서 따라갈 수 있습니다.

고객에게 제공되는 outbound 테이블에서 출발해, 해당 데이터가 어떤 core 마트를 거쳐 만들어졌는지 확인하고, 마지막에는 계산 로직까지 보여줍니다.

"신도시 지수"라는 이름만 알고 있어도 다음과 같은 흐름을 추적할 수 있습니다.

1. 고객사에 제공되는 최종 테이블을 찾습니다.

2. 해당 테이블의 상위 데이터와 원천을 확인합니다.

3. 데이터를 만든 계산 로직과 기준을 살펴봅니다.

4. 최근 5년 이내 사용승인을 받은 아파트 세대 수라는 지표의 의미를 확인합니다.

이 과정을 가능하게 하는 것이 "데이터 리니지(Data Lineage)"입니다.

플랫폼은 Airflow의 수집 코드와 설정, S3 경로, dbt 모델을 연결해 공공데이터 원천부터 고객사 제공 테이블까지 데이터의 이동경로를 그려냅니다.

덕분에 누군가의 기억을 따라가는 대신, 데이터의 계보를 따라가며 답을 찾을 수 있게 되었습니다.

BigValue Insight - 3. 같은 단어는 누구에게나 같은 뜻으로

Context를 모으는 것만큼 중요한 것이 있습니다. 바로 같은 데이터를 같은 언어로 설명하는 일입니다.

예를 들어, 'park'라는 단어는 공원을 뜻할 수도 있고, 주차를 뜻할 수도 있습니다.

사람마다 다른 이름을 사용한다면 같은 데이터를 찾고도 서로 다른 답을 내릴 수 있습니다.

빅밸류는 이를 줄이기 위해 표준 단어와 표준 코드, 표준 도메인을 정의했습니다.

표준 단어 745개, 표준 코드 26개, 표준 도메인 37개, base·core 영역 컬럼 중 표준 단어만으로 구성된 비율 약 90%

표준화는 단지 이름을 예쁘게 맞추는 직업이 아닙니다. 사람도, AI Agent도 같은 단어로 묻고 같은 의미로 답할 수 있는 기반을 만드는 일입니다.

이에 더해, 이슈를 남기는 방식도 표준화했습니다.

YouTrack 템플릿과 Slack 명령어, 거버넌스 포털에서 동일한 형식으로 이슈를 등록하고, 관련 테이블을 함께 지정할 수 있도록 했습니다.

이제 이슈는 별도의 기록으로 흩어지지 않고 해당 데이터의 Context로 연결됩니다.

BigValue Insight - 4. 사고가 검사가 되고, 질문이 다음 사람의 답이 됩니다.

데이터 이슈는 해결하고 끝내는 일이 아닙니다.

어떤 문제가 발생했는지 기록하고, 같은 문제가 반복되지 않도록 검사 항목을 만들면 한 번의 시행착오가 데이터 품질을 높이는 장치가 됩니다.

빅밸류의 데이터 거버넌스 플랫폼은 다음과 같은 선순환을 지향합니다.

질문한다 → Context가 없다면 이슈로 남긴다 → 필요한 검사를 만든다 → 기록한다 → 다음 사람은 묻지 않고 답을 찾는다.

실제 과거 사고 이력에서 검사 항목을 추출하고, 데이터 품질을 정기적으로 확인하는 체계도 함께 운영하고 있습니다.

이렇게 질문과 이슈가 쌓일수록 데이터의 설명은 더 풍부해지고, 동일한 문제의 재발 가능성은 낮아집니다.

나아가 충분한 Context가 쌓이면 AI Agent가 1차 답변을 제공할 수 있습니다.

사람은 반복적인 문의보다 판단과 해결이 필요한 핵심 업무에 더 집중할 수 있습니다.

BigValue Insight - 5. 데이터에도 라면 포장지가 필요합니다.

이번 세미나에서 가장 이해하기 쉬웠던 비유는 라면 포장지였습니다.

우리는 라면을 끓일 때 제조사 홈페이지부터 찾아보지 않습니다.
제품 겉에 붙어 있는 포장지만 읽어도 원재료와 원산지, 조리법, 주의사항을 알 수 있기 때문입니다.

데이터도 마찬가지 입니다.

1️⃣제품명처럼 데이터의 이름과 설명이 있고,

2️⃣원재료처럼 데이터의 원천이 있으며,

3️⃣제조 과정처럼 데이터 리니지가 있고,

4️⃣조리법처럼 활용 쿼리와 사용법이 있으며

5️⃣주의사항처럼 품질 이슈와 제한 조건이 있습니다.

데이터 거버넌스 플랫폼은 이 Context를 데이터 곁에 모아둔 데이터 포장지 입니다.

포장지만 읽으면 사람은 묻지 않고 데이터를 활용할 수 있고, AI Agent 역시 같은 근거를 바탕으로 답할 수 있습니다.

중요한 것은 거대한 문서를 하나 더 만드는 일이 아니라, 필요한 설명이 필요한 데이터의 곁에 있도록 만드는 것이죠.

BigValue Insight - 6. 좋은 플랫폼은 모두의 참여로 완성됩니다.

데이터 거버넌스는 특정 팀만의 업무로 완성되지 않습니다.

1. 데이터 사용자는 궁금하거나 이상한 점을 관련 테이블과 함께 이슈로 남기고,

2. 개발자는 DAG와 dbt 모델을 표준에 맞춰 작성하며,

3. 거버넌스 팀은 이어지지 않은 맥락을 찾아 보완하고 품질 검사를 설계합니다.

표준에 맞추기 어려운 코드가 있다면 억지로 끼워 맞추기보다 거버넌스팀과 함께 기준을 만들어갑니다.

현재는 카탈로그와 데이터 계보, 이슈를 연결하는 첫 단계입니다.

앞으로는 민감 데이터 태킹과 접근 권한 관리, 감사 기록을 강화하고, 반복문의에 AI Agent가 일관된 답을 제공하는 구조로 확장할 예정입니다.

우리 안에서 다듬은 데이터 활용 방식이 다른 조직과 서비스의 출발점이 될 수 있도록, 빅밸류의 데이터 거버넌스는 오늘도 조금씩 진화하고 있습니다

BigValue Insight - 🗨️후기 Talk

💡데이터 거버넌스가 단순히 데이터를 통제하는 일이 아니라, 누구나 안심하고 활용할 수 있도록 맥락을 연결하는 일이라는 점이 흥미로웠습니다.

💡​질문 하나의 답을 찾는데 8일이 걸렸던 사례가 플랫폼을 통해 어떻게 달라지는지 살펴보니, 데이터 표준화와 계보 관리가 필요한 이유를 쉽게 이해했어요.

💡​​사고가 검사 항목이 되고, 질문이 다음 사람의 답으로 축적되는 구조가 흥미로웠습니다.
동료의 작은 기록이 전체의 데이터 품질을 높일 수 있다는 점이 공감 되었어요.

빅밸류는 데이터로 세상을 풍요롭게 만들기 위해, 동료의 무한한 성장을 지원합니다 🚀