데이터 기반 의사결정의 가치는 데이터 품질에 달려 있다. 그러나 많은 조직이 데이터 품질을 사후적으로 관리하거나,단편적인 도구에 의존해 일관성 없는 결과물을 만들어 낸다. 이 문제를 해결하기 위한 종합적인 데이터 품질 거버넌스 프레임워크 연구가 발표됐다.
연구진은 데이터 품질의 핵심 차원을 정확성,완전성,일관성,적시성,유효성,유일성 등 6가지로 정의하고, 각 차원별로 평가 기법과 개선 도구를 체계적으로 정리했다. 특히 데이터 프로파일링,레코드 결합,마스터 데이터 관리,데이터 계보 추적 등 실무에서 검증된 방법론을 심층 분석했다.
거버넌스 측면에서는 데이터 품질 규칙 정의,측정 지표 설정, 소유권 배분,지속적 개선 사이클 구축 방법을 다뤘다. 단발성 데이터 정제에 그치지 않고, 데이터 파이프라인 전반에서 품질을 유지하는 운영 프로세스를 강조했다.
데이터 웨어하우스, 데이터 레이크, 데이터 메시 등 다양한 아키텍처에서 거버넌스 프레임워크를 적용하는 구체적인 가이드라인도 포함돼 있어 실무 참고서로서의 활용 가치가 높다.
> 실무 시사점: 데이터 품질 관리를 독립된 프로젝트로 접근하지 말고, 데이터 파이프라인과 통합된 자동화 품질 게이트를 설계해 지속적인 모니터링 체계를 구축해야 한다.
📖 *Semantic Scholar 논문* | 논문 원문
Organizations increasingly run on data-driven decisions, yet the quality of that data is often assumed rather than verified. A landmark survey addressing this gap presents a comprehensive governance framework for systematically ensuring data quality across the full analytics lifecycle.
Researchers defined six core dimensions of data quality: accuracy (conformance to reality), completeness (absence of missing values), consistency (coherence across systems), timeliness (currency of information), validity (conformance to defined formats), and uniqueness (elimination of duplicates). For each dimension, the study catalogued assessment techniques and remediation tools validated in production environments.
Key methodological contributions include data profiling frameworks for baseline quality assessment, record linkage techniques for deduplication across heterogeneous sources, Master Data Management (MDM) architectures for consistency at scale, and data lineage tracking for root-cause analysis of quality degradation.
Governance structure received equal attention. The study outlined data quality rule definition processes, KPI dashboards for continuous monitoring, ownership assignment models (data stewardship), and improvement cycle methodologies aligned with PDCA and DMAIC frameworks. The research distinguished between one-time data cleansing—a common but insufficient practice—and sustainable quality governance embedded in data pipelines.
Practical guidance was provided for applying the framework across diverse architectures: data warehouses, data lakes, and emerging data mesh designs.
> Practical takeaway: Treat data quality as an ongoing operational discipline, not a periodic cleansing project. Integrate automated quality gates into data pipelines with dimension-specific KPI monitoring to catch degradation at the source.
📖 *Semantic Scholar* | Full Paper
