여러 메이저 기업에서 BI(business intellig-ence) 시스템들을 구현하는 과정에서 거의 매번 똑같은 문제들에 직면하고 있다. IT쪽 사람들이나 BI 시스템을 이용하는 비즈니스쪽 사람들이나 BI 시스템을 제대로 설치, 이용하기 위한 자세가 안돼 있기는 마찬가지라는 사실이 종종 분명하게 드러난다. IT의 태도와 비즈니스쪽 사용자의 기대는 OLTP 세계에 대한 경험에서 비롯된 것이다.
비즈니스 목표와 동떨어진 결과
데이터 무결성(Data Integrity)과 BI 기술평가를 중시하는 탓에 BI 프로젝트가 당초 의도했던 비즈니스 목표를 제대로 실현하지도 못하고 궤도를 이탈하는 경우가 빈번히 발생하고 있다.
OLTP와 BI 애플리케이션들은 똑같은 자세로 접근하면 안 된다. OLTP 애플리케이션들은 보편적으로 수년 동안 수백만 트랜잭션을 지원하는데 목적이 있다. 반면에 BI 애플리케이션들은, 극단적으로 말해서, 비즈니스 결정을 내리는데 단 한번 사용되고 말수도 있다. OLTP 시스템들은 뛰어난 데이터 무결성과 정확성이 뒷받침 되지 않으면 트랜잭션 볼륨을 지원할 수가 없다. 하지만 BI 시스템들은 보다 집합적인 차원의 데이터를 요구하기 때문에 데이터가 다소 부정확해도 큰 문제가 되지 않는다. OLTP 기술 투자에 대한 결정은 운영 효율성과 트랜잭션 당 비용 절감을 기초로 내려진다. 그러나 BI 시스템에 대한 기술 투자는 ROI(투자 대비 이익) 기준에 근거해 내려져야 한다.
폴 웨스터만(Paul Westerman)은 그의 저서 「데이터 웨어하우징: 월마트 모델 이용하기」에서 BI 시스템을 위해 필요한 IT와 사용자의 태도를 설명하고 있다. 「결함이 있고 오류를 일으킬 가능성도 있는 BI 시스템을 설치하겠는지, 아니면 모든 결함이 해결될 때까지 기다리겠는지」 질문하자 비즈니스쪽 사용자들은 오류를 일으킬 수도 있는 BI 시스템을 설치하겠다고 답했다. 자신들이 적절한 정보에 근거해 결정을 내리는데 그 BI 시스템이 도움을 줄 거라고 생각하기 때문이었다. OLTP 시스템이라면 어림도 없는 일일 것이다.
이 문제를 좀더 잘 이해하기 위해서 거시경제 데이터와 미시경제 데이터간의 차이점을 생각해보자. 정부가 새로 건설할 도로와 기타 주요 기반시설 항목의 수에 대한 결정을 내릴 때는 거시경제 데이터가 필수적이다. 이런 결정을 내리는 데는 인구가 대략 「150만」 명이라는 데이터로 충분하다. 인구가 정확히 1,523,121명이라고 구체적인 숫자를 손에 넣는 것이 아무런 부가가치도 없다. 그렇게 정확한 데이터를 파악하는데 드는 한계비용은 상당히 크다. 또 그만한 비용을 치른다 해도 그 데이터가 결코 완벽하지는 못할 것이다. 그 데이터를 측정하는 동안 그리고 그 후에 출생자와 사망자가 계속 생기기 때문에 100% 데이터의 정확성을 기하기란 아예 불가능한 탓이다. 보편적인 BI 시스템은 비즈니스 가치를 제공하기 위해서 거시경제 레벨의 정확성을 갖는 데이터를 이용하고 있다. 하지만 IT쪽 사람들은 OLTP 시스템에서 이용할 수 있는 100% 정확성에 가깝게 데이터를 정제(cleanse) 하도록 교육 받고 있다.
거시와 미시적 관점의 차이
BI 시스템들은 다양한 OLTP 시스템들로부터의 데이터를 통합해 BI를 만들어낸다. 대부분의 경우 하나의 트랜잭션은 기업의 다양한 기능(영업, 마케팅, 주문입력, 빌링, 미수금 계정, 품질보증 요구, 반품승인 등) 전반에 걸쳐서 다중 시스템들을 통과한다<그림 1>. 이 모든 시스템들로부터 언제든지 데이터를 가져와 BI 프레임워크에서 통합하면 편차가 생기게 된다.
  |
  |
트랜잭션은 끊임없이 변화한다. 다양한 OLTP 시스템들로부터의 데이터는 결코 회계장부를 맞추듯이 똑 떨어지게 일치하지 않을 것이다. 시스템이 제대로 구현되기도 전에 헛된 데이터 정제 노력의 포로가 되고 마는 BI 개발 프로젝트가 한둘이 아니다. IT팀이 돈키호테처럼 데이터 정제라는 풍차를 쫓아가고 있는 BI 프로젝트들을 쉽게 볼 수 있다.
