홈앤서비스 SK BROADBAND

AI 도입을 서두르지만 정작 가시적인 성과를 내지 못해 고민하는 기업들을 위해, 데이터 레이크하우스 아키텍처를 기반으로 한 ‘데이터 인텔리전스 플랫폼’ 구축 전략을 제시하는 실무 지침서다. 저자는 AI의 성패가 화려한 모델이 아닌 그 기반이 되는 ‘데이터플랫폼’의 견고함에 있음을 강조하며, 복잡한 기술적 담론을 비즈니스 가치 창출이라는 관점에서 명쾌하게 풀어낸다.

이 책은 데이터 거버넌스 수립부터 클라우드 비용 최적화(FinOps), 그리고 생성형 AI 시대의 핵심인 주권적 AI(Sovereign AI) 체계 구축까지 데이터 전략의 전 과정을 체계적으로 다룬다. 특히 기술 부서의 전유물이었던 데이터를 현업 실무자가 직접 탐색하고 활용하는 ‘데이터 민주화’를 실현하기 위한 구체적인 방법론을 제시한다. 각 장 끝에는 기업의 데이터 성숙도를 스스로 진단해 볼 수 있는 체크리스트를 수록하여 실무 활용도를 높였다.

전환의 시대, 기업의 데이터 자산을 전략적 무기로 바꾸고 싶은 리더와 실무자들에게 가장 정교한 로드맵이 되어 줄 책이다. 데이터브릭스(Databricks) 등 글로벌 테크 기업과의 협업 등 실전 경험을 보유한 저자는, 파편화된 데이터 사일로를 제거하고 ‘사실 기반 의사결정’ 문화를 정착시키는 법을 조언한다. AI라는 거대한 파도 위에서 표류하지 않고 목적지까지 안전하게 항해하고 싶은 모든 비즈니스맨에게 이 책은 신뢰할 수 있는 북극성이 되어 줄 것이다.

| 추천사
AI 성공의 열쇠, ‘데이터 인텔리전스 플랫폼’으로 혁신하라 | 최승돈
현장의 시행착오로 빚어낸 아키텍처 가이드 | 전용문
데이터 고립을 넘어 가치 창출의 시대로: 엔터프라이즈를 위한 진정한 데이터 나침반 |김병곤
데이터 통합에서 AI 혁신까지의 실무 가이드 | 이정환

| 데이터 시대를 선점할 독자 여러분께 드리는 글

| 데이터 인텔리전스 플랫폼, 기업의 새로운 뇌를 설계하다
2026년 대한민국, 어느 CEO의 고민과 디지털 격차
왜 여전히 데이터 활용에 실패하는가?: 드러나지 않은 네 가지 함정
데이터 인텔리전스 플랫폼으로의 도약
이 책을 읽는 법: 리더와 실무자를 위한 3단계 로드맵

1부. 데이터플랫폼, 무엇이고 왜 중요한가?(전략적 이해)

제1장 데이터플랫폼의 개념과 진화
1.1 데이터 사일로와 기업의 위기: 보이지 않는 장벽들
1.2 저장소의 진화: 도서관(DWH)에서 스마트 시티(DIP)까지
1.3 글로벌 트렌드: 클라우드 네이티브, 데이터 메시, 그리고 생성형 AI
1.4 한국적 특수성: 강력한 규제 환경과 독특한 기업 문화
1.5 데이터플랫폼과 기업 경쟁력: 비용에서 전략 자산으로의 전환

제2장 산업별 데이터 특성과 유형
2.1 제조업: 스마트팩토리, IoT 센서 그리고 디지털 트윈의 결합
2.2 금융: 초저지연 실시간성(FDS)과 철통 보안 거버넌스
2.3 유통 및 서비스: 옴니채널 고객 여정과 GenAI 퍼스널 쇼퍼
2.4 공공 및 의료: 민감 정보의 안전한 활용과 사회적 가치 창출
2.5 위험 기반 데이터 관리 전략: 가치에 따른 차등 보안 체계

제3장 데이터 아키텍처 패턴 이해하기
3.1 비즈니스 전략과 직결된 기술 청사진 그리기
3.2 데이터 처리 방식의 결정: 배치(Batch) vs 실시간(Streaming)
3.3 메달리온 아키텍처(Medallion): Bronze, Silver, Gold 단계별 정제 전략
3.4 이벤트 기반 아키텍처(EDA)와 메시지 브로커의 역할
3.5 데이터 인텔리전스를 위한 최신 Lakehouse 패턴 분석

제4장 클라우드 기반 데이터플랫폼 전략
4.1 클라우드 네이티브와 Serverless가 가져오는 재무적 민첩성
4.2 주요 CSP 비교 및 멀티 클라우드 접근법
4.3 서비스 모델(SaaS, PaaS, IaaS)의 전략적 선택 기준
4.4 클라우드 도입 시 CAPEX에서 OPEX로의 비용 구조 전환 전략

제5장 On-Premise 및 하이브리드 전략
5.1 온프레미스 아키텍처의 현대적 의의: 데이터 주권과 보안의 보루
5.2 유니티 카탈로그(Unity Catalog)를 통한 하이브리드 통합 거버넌스
5.3 제로 트러스트(Zero Trust) 보안 설계 원칙과 망 분리 대응
5.4 레거시 시스템과의 데이터 연계 및 단계적 현대화 방안

2부. 데이터플랫폼, 어떻게 만들고 운영하는가?(기술 실무)

제6장 데이터플랫폼 전략 수립 절차
6.1 성공적인 여정을 위한 6단계 전략 수립 로드맵
6.2 1단계: 현황 진단(As-Is)과 데이터 자산 식별
6.3 2단계: 요구사항 정의(To-Be)와 AI 활용 가치 평가
6.4 3~4단계: 목표 아키텍처 설계 및 최적 기술 스택 선정
6.5 5~6단계: 운영 모델 설계와 점진적 확산 로드맵 수립

제7장 거버넌스와 데이터 품질 관리
7.1 유니티 카탈로그(Unity Catalog) 기반 통합 보안: ‘데이터 통합 패스포트’
7.2 데이터 리니지(Lineage) 추적과 메타데이터 관리
7.3 데이터 품질 자동화 체계 구축: ‘신선한 재료가 맛있는 요리를 만든다’
7.4 데이터 공유 및 델타 셰어링(Delta Sharing): 협력의 경제학

제8장 실시간 데이터와 AI/ML 활용 전략
8.1 선언적 데이터 엔지니어링의 실무: Lakeflow Spark Declarative Pipeline(SDP)
8.2 모델 학습부터 배포까지: Mosaic AI를 활용한 MLOps/LLMOps
8.3 RAG(검색 증강 생성) 아키텍처와 기업용 Knowledge Base 구축
8.4 스스로 도구를 사용하는 지능형 AI 에이전트(AI Agents) 설계

제9장 산업별 사례 연구(Success Cases)
9.1 H사(제조): 공정 지능화와 예지 보전(PdM)의 혁명
9.2 F사(유통): 마케팅 자동화와 초개인화 추천의 정점
9.3 S사(금융): 실시간 이상거래 탐지(FDS)와 리스크 관리
9.4 성공 모델의 공통점 분석: 승리하는 기업의 4대 DNA

제10장 데이터플랫폼 운영과 관리
10.1 시스템 모니터링 자동화와 가용성(SLA) 관리: 관측성(Observability)으로의 진화
10.2 FinOps 실무: 클라우드 비용을 ‘지출’이 아닌 ‘투자’로 관리하는 법
10.3 데이터 중심 조직의 설계: 플랫폼 엔지니어와 분석가의 시너지
10.4 성능 최적화: 델타 레이크(Delta Lake) 기반의 ‘보이지 않는 유지보수 ’

3부. 어떻게 평가하고 미래를 준비하는가?(가치 분석)

제11장 전략 평가 프레임워크
11.1 데이터 투자 성과 측정을 위한 핵심 지표(KPI) 설계
11.2 AI 에이전트 및 자동화 도입에 따른 ROI 산출 공식
11.3 3축 평가 매트릭스: 투자 우선순위와 시각적 리포팅
11.4 데이터플랫폼 스코어카드(Scorecard) 활용법

제12장 데이터플랫폼 도입 로드맵
12.1 데이터 인텔리전스 성숙도 모델(Maturity Model) 진단
12.2 단계적 확산 전략: PoC에서 전사 정착까지
12.3 변화 관리(Change Management)와 데이터 리터러시
12.4 리스크 관리: 기술 부채와 벤더 종속성 해결 방안

제13장 미래 데이터플랫폼 트렌드
13.1 복합 AI 시스템(Compound AI Systems)과 모델 융합: ‘천재 한 명’에서 ‘팀워크’로
13.2 자율 운영 데이터플랫폼: ‘관리자’가 사라지는 ‘Zero-Ops’ 인프라
13.3 양자 컴퓨팅과 하이퍼 엣지(Hyper-Edge) 데이터 전략: 공간의 제약을 넘어서
13.4 데이터 경제와 화폐화(Data as a Currency): 데이터 자본주의의 서막

제14장 한국형 데이터플랫폼 전략
14.1 국내 규제 대응 실무: 망 분리 환경과 클라우드의 전략적 공존
14.2 한국형 소형 특화 모델(sLLM)과 기업 데이터의 결합 전략: ‘K-인텔리전스 ’
14.3 중소 · 중견기업(SME)을 위한 현실적인 ‘클라우드-퍼스트’ 로드맵

제15장 결론 ─ 데이터플랫폼 비전 2030
15.1 경영진에게 던지는 마지막 제언: “AI는 도구가 아닌 파트너다”
15.2 지능형 기업으로의 성공적인 전환을 위한 10대 체크리스트
15.3 데이터로 여는 새로운 비즈니스의 지평: 2030 시나리오

| 부록(Appendix)
A. 용어 해설: 기술과 경영의 가교
B. 참고 문헌 및 추가 학습 자료
C. 경영진 체크리스트 통합 폼: 우리 회사의 데이터 준비도 자가진단