클라우드 규모 분석을 클라우드 채택 전략에 통합
Azure의 클라우드 채택 프레임워크
이 문서에는 광범위한 전략에 영향을 주는 클라우드 규모 분석 시나리오에 대한 고려 사항이 포함되어 있습니다.
클라우드 규모 분석을 구현하기 전에 데이터 전략을 위한 계획을 수립해야 합니다. 단일 사용 사례로 작게 시작하거나 우선 순위가 필요한 더 큰 사용 사례 집합을 가질 수 있습니다. 전략을 사용하면 프로세스를 설정하고 집중해야 하는 핵심 요소에 대한 초기 대화를 촉발할 수 있습니다.
데이터 전략의 비즈니스 결과 우선 순위 지정
성공적인 데이터 전략을 사용하면 경쟁 우위를 얻을 수 있습니다. 항상 데이터 전략을 원하는 비즈니스 결과에 맞게 조정해야 합니다. 대부분의 비즈니스 결과는 다음 네 가지 범주 중 하나로 분류할 수 있습니다.
직원 역량 강화: 고객, 장치 및 머신에 대한 실시간 지식을 직원에게 제공합니다. 이 지식은 민첩성으로 고객 또는 비즈니스 요구 사항을 충족하기 위해 효율적으로 협업하는 데 도움이 됩니다.
고객과의 참여: 브랜드에서 영감을 받은 풍부하고 개인화된 연결 환경을 제공합니다. 데이터와 인사이트를 활용하여 고객 경험의 모든 단계를 따라 고객 충성도를 높이는 데 활용합니다.
작업 최적화: 전체 조직에서 정보의 흐름을 늘입니다. 비즈니스 프로세스를 동기화하고 데이터 기반 접근 방식을 사용하여 모든 상호 작용을 중요하게 만듭니다.
제품 및 개발 주기를 혁신하세요: 서비스 및 제공품에 대한 원격 분석 데이터를 수집합니다. 원격 분석 데이터를 사용하여 릴리스의 우선 순위를 지정하거나 새 기능을 만들고 효율성과 채택을 지속적으로 평가합니다.
비즈니스 결과의 우선 순위를 지정한 후 현재 프로젝트와 장기 전략적 이니셔티브를 검토하고 그에 따라 분류합니다. 복잡성과 영향을 기반으로 하는 행렬 형식으로 비즈니스 결과의 네 가지 범주를 결합하는 것이 좋습니다. 또한 시나리오를 자세히 살펴보는 데 도움이 되는 아키텍처 기둥을 추가하는 것이 좋습니다.
전략적 가치를 실현하기
일관되고 미래지향적이고 민첩하며 정보에 입각한 방식으로 비즈니스를 발전시키는 데이터 중심 문화를 구축하려면 몇 가지 내재된 복잡성과 지상 현실이 있습니다. 배포 단계에 들어가기 전에 원하는 비즈니스 결과를 달성하는 데 도움이 되는 일관된 데이터 전략의 형성을 위한 노력을 집중합니다.
클라우드 규모 분석은 혁신 중심 동기과 일치합니다. 다음과 같은 일반적인 동인은 고객이 이 시나리오를 클라우드 채택 전략에 통합하도록 동기를 부여합니다.
- 엔터프라이즈 데이터 플랫폼을 빌드할 수 있는 확장 가능한 분석 프레임워크
- 데이터 탐색, 데이터 자산 만들기 및 제품 개발에서 사용자에게 권한을 부여하는 셀프 서비스
- 재사용 가능한 데이터 자산, 데이터 커뮤니티, 안전한 타사 교환 및 제자리 공유를 특징으로 하는 데이터 중심 문화
- 정책, 일반 ID, 기밀성 및 암호화를 사용하여 신뢰도로 데이터 공유
- 향상된 고객 환경 및 참여
- 제품 또는 서비스의 변환
- 새 제품 또는 서비스로 인한 시장 중단
다음 다이어그램에는 사용자 고유의 전략에서 이러한 동기를 실현하는 데 도움이 되는 주요 테마가 포함되어 있습니다. 이러한 테마들을 신중히 분석하고, 그것들이 일관된 데이터 전략에 어떻게 기여하는지를 탐색합니다. 또한 데이터의 전략적 가치의 잠금을 해제하고 일관된 비즈니스 성장을 가능하게 하는 방법을 고려합니다.
효율성 향상, 데이터 민주화 및 거버넌스의 주요 테마를 보여 주는 
"데이터 전략은 데이터를 자산으로 사용하고 비즈니스를 발전시키는 기반입니다. 데이터 문제에 대한 패치 작업이 아닙니다. 데이터 문제를 해결하기 위해 마련할 사람, 프로세스 및 기술을 정의하는 장기적이고 안내적인 계획입니다."
전략을 만드는 것은 한 단계입니다. 엔터프라이즈 규모로 전략을 실행하면 조직의 기존 문화, 사람, 프로세스 및 기술 선택에 큰 도전이 됩니다. 실행하려면 조직의 모든 수준에서 약정 및 명확한 소유권이 필요합니다.
효율성 향상
클라우드의 민첩성을 위해서는 조직이 신속하게 적응하고 비즈니스의 모든 영역에 효율성을 가져와야 합니다. Gartner새로운 위험에 대한
데이터 관리 운영화
많은 조직에서 민첩성을 구현하기 위해 중앙 IT를 서서히 분산하고 있습니다. 조직은 신속하게 혁신하기를 원하며, 셀프 서비스 방식으로 엔터프라이즈 차원의 통합 데이터에 액세스하면 까다로운 비즈니스 요구 사항을 충족하는 데 도움이 됩니다.
기업이 데이터의 잠재력을 최대한 활용하지 못하는 데는 여러 가지 이유가 있습니다. 비즈니스 기능이 부서 간 고립된 방식으로 진행되기 때문일 수 있습니다. 이 때문에 각 팀은 데이터 분석에 서로 다른 도구와 표준을 사용합니다. 또는 주요 성과 지표를 전체 비즈니스 목표에 연결하지 못했기 때문일 수 있습니다.
데이터 민주화는 비즈니스에 가치를 다시 제공하고 까다로운 비즈니스 성장 목표를 달성하는 데 도움이 됩니다.
- LOB 요구 사항을 이해하고 우선 순위를 지정합니다.
- 도메인 간에 데이터를 배포하여 소유권을 활성화하고 사용자에게 데이터를 더 가깝게 만듭니다.
- 셀프 서비스 데이터 제품을 배포하여 인사이트 및 비즈니스 가치를 창출합니다.
데이터 거버넌스의 경우 데이터 민주화의 탈중앙화 세계에서 적절한 균형을 유지해야 합니다. 거버넌스를 너무 엄격하게 적용하면 혁신을 저해할 수 있습니다. 그러나 적어도 일부 핵심 원칙과 프로세스가 없는 경우 데이터 사일로로 끝날 가능성이 높습니다. 이러한 사일로는 조직의 평판과 잠재적 수익을 손상시킬 수 있습니다. 전체적인 데이터 거버넌스 접근 방식은 일관된 방식으로 데이터의 전략적 가치를 잠금 해제하는 데 기본적인 방법입니다.
면밀히 계획된 데이터 전략이 없으면 막무가내로 시작해 조직에 신속하게 가치를 제공해야 합니다. 앞에서 언급한 주요 테마를 사용하거나 프레임워크 내에서 전략적 원칙으로 사용하여 현재 비즈니스 문제를 해결합니다. 이러한 주요 테마를 사용하면 유효성 검사를 반복하면서도 적시에 결과를 제공하는 전체적인 데이터 전략을 만드는 데 도움이 될 수 있습니다. 비즈니스 및 기술 리더는 데이터에서 가치를 창출하고 단순화되고 구조화된 방식으로 신속하게 확장하는 데 필요한 전략과 사고 방식을 개발해야 합니다.
자세한 내용은 데이터 거버넌스란?을 참조하세요..
데이터 기반 문화권 개발
성공적인 데이터 전략을 구축하려면 데이터 기반 문화권이 필요합니다. 개방적이고 협력적인 참여를 지속적으로 촉진하는 문화를 개발합니다. 이러한 유형의 문화에서 전체 인력은 조직의 비즈니스 결과를 배우고, 의사 소통하고, 개선할 수 있습니다. 또한 데이터 기반 문화를 개발하면 각 직원이 데이터를 통해 영향을 받거나 영향을 생성하는 기능이 향상됩니다.
여정의 시작점은 성숙도 곡선을 따라 조직, 업계 및 현재 위치에 따라 달라집니다. 다음 다이어그램은 조직의 AI 사용량의 완성도 수준을 요약한 예제 완성도 모델을 보여 줍니다.
수준 0
데이터는 프로그래밍 방식으로 일관되게 악용되지 않습니다. 조직의 데이터 포커스는 애플리케이션 개발 관점에서 볼 수 있습니다.
수준 0에서 조직에는 계획되지 않은 분석 프로젝트가 있는 경우가 많습니다. 각 애플리케이션은 고유한 데이터 및 관련자 요구에 매우 전문화되어 있습니다. 또한 각 애플리케이션에는 중요한 코드 베이스와 엔지니어링 팀이 있으며, 많은 팀이 IT 외부에서 엔지니어링됩니다. 사용 사례 활성화 및 분석이 서로 독립적으로 처리됩니다.
수준 1
수준 1에서는 팀이 구성되고 전략이 만들어지지만 분석은 부서화되어 있습니다. 조직은 기존 데이터 캡처 및 분석에 능숙한 경향이 있습니다. 클라우드 규모 접근 방식에 대한 일정 수준의 약정이 있을 수 있습니다. 예를 들어 클라우드에서 데이터에 이미 액세스할 수 있습니다.
수준 2
조직의 혁신 플랫폼은 거의 준비되었습니다. 워크플로는 데이터 품질을 해결하기 위해 마련되었습니다. 조직은 몇 가지 "이유" 질문에 대답할 수 있습니다.
수준 2에서 조직은 중앙에서 관리되는 데이터 레이크 저장소를 사용하여 데이터 저장소 확산을 제어하고 데이터 검색 가능성을 향상시키는 엔드투엔드 데이터 전략을 적극적으로 찾고 있습니다. 조직은 중앙에서 관리되는 데이터 레이크에 컴퓨팅을 제공하는 스마트 애플리케이션을 사용할 준비가 되어 있습니다. 이러한 스마트 애플리케이션은 개인 정보 보호 위험, 컴퓨팅 비용 및 중요한 데이터의 페더레이션된 복사본에 대한 필요성을 줄입니다.
이 수준에서 조직은 공통 데이터 컴퓨팅 작업에 대해 다중 테넌트, 중앙에서 호스트되는 공유 데이터 서비스를 사용할 준비가 되어 있습니다. 이러한 공유 데이터 서비스를 사용하면 데이터 과학 기반 인텔리전스 서비스의 신속한 인사이트를 얻을 수 있습니다.
수준 3
조직은 전체적인 데이터 접근 방식을 사용합니다. 데이터와 관련된 프로젝트는 비즈니스 결과 내에 통합됩니다. 조직은 분석 플랫폼을 사용하여 예측을 수행합니다.
수준 3에서 조직은 데이터 자산 및 애플리케이션 개발 관점에서 디지털 혁신을 실현합니다. 데이터 레이크 및 공유 데이터 서비스를 비롯한 기본 데이터 서비스가 마련되어 있습니다.
조직 전체의 여러 팀이 중요한 비즈니스 워크로드, 주요 비즈니스 사용 사례 및 측정 가능한 결과를 성공적으로 제공합니다. 새 공유 데이터 서비스는 원격 분석을 사용하여 식별됩니다. IT는 중요한 비즈니스 프로세스를 개선하는 데 도움이 되는 신뢰할 수 있고 연결된 엔드투엔드 데이터 전략을 사용하여 회사 전체 팀의 신뢰할 수 있는 고문입니다.
수준 4
수준 4에서 전체 조직은 프레임워크, 표준, 엔터프라이즈 및 데이터 기반 문화를 사용합니다. 자동화, 데이터 기반 피드백 루프, 그리고 분석 또는 자동화와 관련된 우수성 센터를 작동 중인 것으로 관찰할 수 있습니다.
비즈니스 맞춤 목표 개발
비즈니스 비전에 따라 우선 순위를 파악하고 "크게 생각하고, 작게 시작하고, 빠르게 행동"하는 이데올로기를 유지하는 것이 성공의 열쇠입니다. 올바른 사용 사례를 선택하는 것이 항상 장거리, 어려운 심사 과정이 될 필요는 없습니다. ROI를 검증할 수 있을 만큼 충분한 데이터가 있고, 더 큰 수요와 원활한 합의를 얻을 수 있는 곳에서는 어떤 사업부에서도 지속적인 문제가 될 수 있습니다. 상황이 빠르게 전개될 수 있으며, 이로 인해 대부분의 조직이 초기 단계에서 어려움을 겪을 수 있습니다.
데이터 특성 이해
강력한 데이터 전략을 구축하려면 데이터가 작동하는 방식을 이해해야 합니다. 데이터의 핵심 특성을 알면 데이터 처리에 대한 원칙적인 사례를 작성할 수 있습니다.
데이터는 빠르게 이동하지만 그 속도는 물리학의 법칙을 무시할 수 없습니다. 데이터는 토지의 법률과 데이터를 만든 산업을 준수해야 합니다.
데이터는 자체적으로 변경되지 않지만 이러한 문제를 완화하기 위한 조치를 마련하지 않는 한 변경 및 우발적 손실이 발생하기 쉽습니다. 예기치 않은 변경 내용을 처리할 수 있도록 컨트롤, 데이터베이스 및 스토리지에 대한 손상 방지 조치를 마련합니다. 또한 모니터링, 감사, 경고 및 다운스트림 프로세스를 설정해야 합니다.
자체적으로 데이터는 인사이트를 생성하거나 값을 생성하지 않습니다. 인사이트를 얻거나 값을 추출하려면 다음 네 가지 개별 단계를 통해 데이터의 대부분 또는 전부를 배치해야 합니다.
- 섭취
- 보관
- 가공
- 분석
이러한 네 단계 각각에는 고유한 원칙, 프로세스, 도구 및 기술이 있습니다.
데이터 자산 및 관련 인사이트를 보류하면 사회 경제적, 정치적, 연구 및 투자 결정에 영향을 줄 수 있습니다. 조직에서 안전하고 책임감 있는 방식으로 인사이트를 제공할 수 있는 것이 중요합니다. 명시적으로 명시하지 않는 한 생성하거나 획득하는 모든 데이터는 데이터 분류 연습을 거쳐야 합니다. 암호화는 비활성 상태 및 전송 중인 기밀 데이터를 보호하기 위한 황금 표준입니다.
데이터, 애플리케이션 및 서비스 모두 자체의 중력 끌어오기를 가지고 있지만 데이터의 끌어오기는 가장 큽니다. 아이작 뉴턴 경의 전설적인 사과와는 달리, 데이터에는 주변 물체에 영향을 미치는 물리적 질량이 없습니다. 대신 분석 프로세스의 가속기 역할을 하는 대기 시간 및 처리량이 있습니다. 대기 시간, 처리량 및 접근성은 바람직하지 않은 경우에도 데이터를 복제해야 하는 경우가 많습니다. 조직의 데이터 정책과 이러한 요구 사항의 균형을 맞출 수 있도록 사용자, 프로세스, 도구 및 기술을 적절하게 설정합니다.
아키텍처 구문은 데이터를 처리할 수 있는 속도를 제어합니다. 구성은 소프트웨어, 하드웨어 및 네트워킹의 혁신을 통해 촉진됩니다. 몇 가지 아키텍처 고려 사항은 다음과 같습니다.
- 데이터 배포 설정
- 분할
- 캐시 기술
- 일괄 처리 및 스트림 처리
- 백 엔드 및 클라이언트 쪽 처리 균형 잡기
데이터 전략 정의
더 나은 제품과 더 높은 가치의 서비스를 구축하기 위한 경쟁 우위로 데이터를 사용하는 것은 새로운 개념이 아닙니다. 그러나 클라우드 컴퓨팅에서 사용할 수 있는 볼륨, 속도 및 다양한 데이터는 전례가 없는 일입니다.
클라우드에서 최신 데이터 분석 플랫폼의 디자인은 보안, 거버넌스, 모니터링, 주문형 크기 조정, 데이터 작업 및 셀프 서비스로 구성됩니다. 이러한 패싯 간의 상호 작용을 이해하는 것은 훌륭한 데이터 전략과 좋은 데이터 전략을 구별하는 것입니다. 클라우드 채택 프레임워크와 같은 도구를 사용하여 아키텍처 응집력, 무결성 및 모범 사례를 보장합니다.
효과적이려면 데이터 전략에 데이터 거버넌스에 대한 프로비저닝이 포함되어야 합니다. 다음 다이어그램은 데이터 거버넌스를 중심으로 하는 데이터 수명 주기의 주요 단계를 보여 주는 다이어그램입니다.
다음 섹션에서는 데이터 전략 계층에 대한 디자인 원칙을 결정하는 동안 사용해야 하는 고려 사항에 대해 설명합니다. 데이터에서 비즈니스 결과 및 가치를 제공하는 데 집중합니다.
데이터 수집
데이터 수집의 주요 고려 사항은 요구 사항부터 프로덕션에 이르기까지 안전하고 규정을 준수하는 방식으로 데이터 파이프라인을 신속하게 빌드하는 기능입니다. 중요한 요소로는 데이터 레이크에 수분을 공급하는 메타데이터 기반, 셀프 서비스 및 로우 코드 기술이 포함됩니다.
파이프라인을 빌드할 때는 데이터를 랭글링하고, 데이터를 배포하고, 컴퓨팅 크기를 조정하는 디자인과 기능을 모두 고려합니다. 또한 파이프라인의 지속적인 통합 및 배달에 적합한 DevOps 지원이 있는지 확인해야 합니다.
Azure Data Factory와 같은 도구는 다양한 온-프레미스 데이터 원본, SaaS(Software as a Service) 데이터 원본 및 다른 퍼블릭 클라우드의 기타 데이터 원본을 지원합니다.
보관
물리적 계층과 논리 계층 모두에서 데이터에 태그를 지정하고 구성합니다. 데이터 레이크는 모든 최신 데이터 분석 아키텍처의 일부입니다. 조직은 귀하가 준수하는 모든 데이터 분류 및 업계 준수 요구 사항을 충족하는 적절한 데이터 개인정보 보호, 보안 및 규정 준수 요구 사항을 적용해야 합니다. 카탈로그화 및 셀프 서비스 지원 조직 수준의 데이터 민주화는 적절한 액세스 제어를 통해 혁신을 촉진합니다.
워크로드에 적합한 스토리지를 선택합니다. 처음 스토리지를 정확하게 수정하지 않더라도 클라우드를 사용하면 신속하게 장애 조치(failover)하고 여정을 다시 시작할 수 있습니다. 애플리케이션 요구 사항을 사용하여 최상의 데이터베이스를 선택합니다. 분석 플랫폼을 선택할 때 일괄 처리 및 스트리밍 데이터를 처리하는 기능을 고려해야 합니다.
데이터 처리
데이터 처리 요구 사항은 워크로드마다 다릅니다. 대부분의 대규모 데이터 처리에는 실시간 및 일괄 처리의 요소가 모두 포함됩니다. 대부분의 기업에는 시계열 처리 요구 사항의 요소와 엔터프라이즈 검색 기능에 대한 자유 형식 텍스트를 처리해야 하는 요소도 있습니다.
OLTP(온라인 트랜잭션 처리)는 가장 인기 있는 조직 처리 요구 사항을 제공합니다. 일부 워크로드에는 "빅 컴퓨팅"이라고도 하는 HPC(고성능 컴퓨팅)와 같은 특수 처리가 필요합니다. 이러한 워크로드는 많은 CPU 또는 GPU 기반 컴퓨터를 사용하여 복잡한 수학 작업을 해결합니다.
특정 특수 워크로드의 경우 고객은 Azure 기밀 컴퓨팅과 같은 실행 환경을 보호할 수 있으므로 퍼블릭 클라우드 플랫폼 내에서 데이터를 사용하는 동안 사용자가 데이터를 보호할 수 있습니다. 이 상태는 효율적인 처리에 필요합니다. 데이터는 ENCLAVE라고도 하는 신뢰할 수 있는 TEE(실행 환경) 내에서 보호됩니다. TEE는 외부 보기 및 수정으로부터 코드와 데이터를 보호합니다. TEE를 사용하면 여러 조직의 데이터 원본을 사용하는 동안에도 데이터 기밀성을 희생하지 않고 AI 모델을 학습시킬 수 있습니다.
분석 처리
ETL(추출, 변환, 로드) 구문은 OLAP(온라인 분석 처리) 및 데이터 웨어하우징 요구 사항과 관련이 있습니다. 비즈니스 정렬 데이터 모델 및 조직에서 비즈니스 규칙을 구현할 수 있는 의미 체계 모델 및 KPI(핵심 성과 지표)는 분석 프로세스의 일부로 구현되는 경우가 많습니다. 한 가지 유용한 기능은 자동 스키마 변동(드리프트) 검색입니다.
데이터 전략 요약
데이터 거버넌스 및 책임 있는 AI와 같은 다른 고려 사항에 원칙적인 접근 방식을 취하면 나중에 배당금을 지급합니다.
Microsoft는 공정성, 안정성 및 안전성, 개인 정보 보호 및 보안, 포용성이라는 네 가지 핵심 원칙을 따릅니다. 투명성과 책임의 두 가지 기본 원칙은 네 가지 핵심 원칙을 모두 뒷받침합니다.
우리는 리소스와 거버넌스 시스템을 개발하여 원칙과 책임 있는 AI를 실천했습니다. 일부 지침에서는 인간/AI 상호 작용, 대화형 AI, 포용적 디자인, AI 공정성 검사 목록 및 데이터 세트에 대한 데이터 시트를 다룹니다.
또한 혁신의 모든 단계에서 다른 사람들이 AI를 이해하고, 보호하고, 제어할 수 있도록 일련의 도구를 개발했습니다. 이러한 도구는 책임 있는 AI를 강화하고 가속화하기 위한 다학제적 협업 노력의 결과입니다. 협업은 소프트웨어 엔지니어링 및 개발, 사회 과학, 사용자 연구, 법률 및 정책에 걸쳐 있습니다.
협업을 개선하기 위해 InterpretML 및 Fairlearn과 같은 많은 도구를 오픈 소스로 제공합니다. 다른 사용자는 이러한 오픈 소스 도구에 기여하고 빌드할 수 있습니다. 또한 Azure Machine Learning을 통해 도구를 민주화했습니다.
데이터 기반 조직이 되기 위한 피벗은 새로운 정상에서 경쟁 우위를 제공하는 데 기본입니다. 고객이 애플리케이션 전용 접근 방식에서 애플리케이션 및 데이터 주도 접근 방식으로 전환할 수 있도록 돕고자 합니다. 애플리케이션 및 데이터에 중점을 둔 접근 방식은 비즈니스 결과에 영향을 주는 현재 및 미래의 사용 사례에서 반복성 및 확장성을 보장하는 엔드투엔드 데이터 전략을 만드는 데 도움이 됩니다.
헌신, 커뮤니케이션 및 참여 촉진
데이터 전략을 성공으로 만드는 데 관련된 모든 주요 역할은 채택된 접근 방식과 일반적인 비즈니스 목표를 명확하게 이해해야 합니다. 주요 역할에는 리더십 팀(C 수준), 사업부, IT, 운영 및 배달 팀이 포함될 수 있습니다.
통신은 이 프레임워크에서 가장 중요한 부분 중 하나입니다. 조직에서 역할 간 효과적인 통신을 위한 프로세스를 고안해야 합니다. 통신은 현재 프로젝트의 컨텍스트에서 효과적으로 제공하는 데 도움이 됩니다. 또한 관련된 모든 사람들이 최신 상태로 유지되고 미래를 위한 전체적인 데이터 전략을 구축하는 전반적인 목표에 집중할 수 있도록 돕는 포럼을 수립합니다.
참여는 다음 두 그룹 간에 필수적입니다.
- 데이터 전략을 디자인하고 구현하는 팀 구성원
- 데이터에 기여하고, 사용하고, 악용하는 팀 구성원(예: 데이터를 기반으로 의사 결정을 내리고 결과를 작성하는 사업부)
또 다른 방법으로, 사용자 참여 없이 빌드된 데이터 전략 및 관련 데이터 플랫폼은 관련성 및 채택에 어려움을 줍니다.
다음 두 가지 전략적 프로세스를 통해 이 프레임워크에서 성공적으로 제공할 수 있습니다.
- 우수 센터 설립
- 민첩한 배달 방법 채택
자세한 내용은 클라우드 규모 분석에 대한 계획 개발을 참조하십시오.
가치를 제공하다
표준화되고 구조화된 방식으로 성공 기준에 대해 데이터 제품을 제공하는 경우 해당 배달은 반복 프레임워크의 유효성을 검사합니다. 또한 학습을 사용하여 지속적으로 혁신하면 비즈니스 신뢰도를 구축하고 데이터 전략 목표를 넓히도록 도와줍니다. 이 프로세스는 조직 전체에서 더 명확하고 빠른 채택을 제공합니다.
데이터 플랫폼도 마찬가지입니다. 여러 팀이 상당히 자율적으로 운영되는 환경에서, 메시 구조로 나아가야 합니다. 목표를 달성하기 위한 반복적인 과정입니다. 대부분의 경우 조직 설정, 준비 상태 및 비즈니스 맞춤을 크게 변경해야 합니다.
다음 단계
클라우드 채택 과정에 대한 지침을 찾고 클라우드 채택 시나리오를 성공적으로 수행하려면 다음 문서를 참조하세요.
- 클라우드 규모 분석을 위한 계획 개발
- Azure 랜딩 존 대한 환경 검토
- 클라우드 규모 분석
관리 - 클라우드 규모의 보안 분석