상품상세정보

현대적 데이터 아키텍처 데이터 페브릭과 데이터 메시 기술 동향 및 시장 전망-빅데이터와 딥데이터 기술의 전반적인 활용 방안과 발전 방향

 

목차

 

제1장 데이터 기술 개요

1. 데이터 시대

  1-1. 데이터 시대 도래

   1-1-1. 21세기 새로운 원유 데이터

   1-1-2. 데이터 가치의 급상승

   1-1-3. 데이터의 복잡성

   1-1-4. 데이터 관리의 중요성

  1-2. 디지털 시대 기업의 새로운 화두, 성공적인 데이터 운영

   1-2-1. 데이터 기반 비즈니스 

     (1) 데이터 기반 접근 방식

     (2) 데이터 기반 비즈니스 구축의 중요성

   1-2-2. 데이터 거버넌스(Data Governance)

     (1) 데이터 거버넌스(Data Governance) 등장 배경

     (2) 데이터 통합 관리시스템의 필요성

     (3) 데이터 거버넌스(Data Governance) 개념 및 정의

     (4) 데이터 거버넌스의 중요성

     (5) 데이터 거버넌스 프레임워크

     (6) 데이터 거버넌스 프레임워크 주요 요소

     (7) 데이터 거버넌스 목표 및 이점

  1-3. 빅데이터 기술 성장

   1-3-1. 빅데이터 기술

     (1) 미래사회의 핵심 빅데이터

     (2) 빅데이터의 7V 특성

       가. 볼륨(Volume)

       나. 속도(Velocity)

       다. 다양성(Variety)

       라. 가변성(Variability)

       마. 정확성(Veracity)

       바. 시각화(Visualization)

       사. 가치(Value)

   1-3-2. 빅데이터 트렌드 및 빅데이터의 한계

     (1) 빅데이터 트렌드

     (2) 빅데이터의 한계

   1-3-3. 빅데이터를 보완하는 딥데이터(Deep Data) 기술 

     (1) 딥데이터(Deep Data) 개념 

     (2) 딥데이터(Deep Data) 특징

     (3) 딥데이터(Deep Data) 분석

     (4) 딥데이터 사례 

     (5) 딥데이터 한계

  1-4. 마이데이터(MyData) 시대 데이터 활용과 데이터옵스(DataOps)

   1-4-1. 마이데이터(MyData)

     (1) 마이데이터(MyData) 개념

     (2) 마이데이터(MyData) 등장 배경

     (3) 마이데이터(MyData) 특징

   1-4-2. 데이터옵스(DataOps)

     (1) 데이터옵스(DataOps) 개념

     (2) 데이터옵스(DataOps)의 아키텍처

     (3) 데이터옵스의 운영 프로세스

     (4) AI옵스(AIOps)

     (5) AI옵스 활용

 

2. 데이터 인프라(Data infrastructure)

  2-1. 데이터웨어하우스(Data Warehouse)

   2-1-1. 데이터웨어하우스 역사 및 등장 배경

   2-1-2. 데이터웨어하우스(Data Warehouse) 기술 개요

     (1) 데이터웨어하우스(Data Warehouse) 개념 및 정의

     (2) 데이터웨어하우스 특징 및 장점

   2-1-3. 데이터웨어하우스 아키텍처

     (1) 데이터웨어하우스 작동 방식

     (2) 데이터웨어하우스의 구성 요소

   2-1-4. 데이터웨어하우스의 유형(Types of Data Warehouses)

     (1) 온프레미스 데이터웨어하우스(On-premises Data warehouse)

     (2) 클라우드 데이터웨어하우스(Cloud data warehouse)

     (3) 하이브리드 클라우드 데이터웨어하우스(Hybrid Cloud Data Warehouse)

   2-1-5. 데이터웨어하우스의 한계

  2-2. 데이터 레이크(Data lake)

   2-2-1. 데이터 레이크(Data lake) 기술 개요

     (1) 데이터 레이크(Data lake) 등장 배경

     (2) 데이터 레이크(Data lake) 개념

     (3) 데이터 레이크(Data lake) 특징

     (4) 데이터 레이크 아키텍처(Data Lake architecture)

   2-2-2. 데이터 레이크 한계

  2-3. 데이터 레이크하우스 

   2-3-1. 데이터 레이크 대 데이터웨어하우스

   2-3-2. 데이터 레이크하우스 기술 개요

     (1) 데이터 레이크하우스 개념

     (2) 데이터 레이크하우스 특징

     (3) 데이터 레이크하우스 장점

   2-3-3. 데이터 레이크하우스 작동 방식 

   2-3-4. 데이터 레이크하우스 가치 및 한계

 

제2장 데이터 페브릭(Date fabric) 기술 동향

1. 데이터 페브릭(Date fabric) 기술 개요

  1-1. 데이터 산업의 진화

   1-1-1. 빅데이터의 힘

   1-1-2. 데이터 관리 진화 과정

  1-2. 데이터 페브릭(Date fabric) 개념 및 특징

   1-2-1. 데이터 페브릭(Date fabric) 등장 배경

   1-2-2. 데이터 페브릭(Date fabric) 개념 및 정의

     (1) 데이터 패브릭(Data Fabric) 개념

     (2) 데이터 패브릭(Data Fabric)의 정의

   1-2-3. 데이터 페브릭(Date fabric) 특징

     (1) 데이터 패브릭의 이점

     (2) 데이터 패브릭의 위험 요소

  1-3. 데이터 패브릭 아키텍처 개요

   1-3-1. 데이터 페브릭 아키텍처 

   1-3-2. 데이터 패브릭 설계 원칙

   1-3-3. 데이터 패브릭 솔루션

     (1) 앱 및 서비스 개발

     (2) 생태계 개발 및 통합

     (3) 데이터 보안 솔루션

     (4) 저장소 관리

     (5) 데이터 전송

     (6) 엔드포인트용 소프트웨어

   1-3-4. 데이터 패브릭 접근방식

     (1) 지능형 데이터 통합

     (2) 데이터 민주화

     (3) 데이터 보안 역량 향상

     (4) 신뢰할 수 있는 AI 제공

   1-3-4. 데이터 패브릭의 빅데이터 활용 

 

2. 데이터 페브릭 기술 동향 

  2-1. 데이터 가상화(Data Virtualization)

   2-1-1. 데이터 가상화 개념

   2-1-2. 데이터 가상화 소프트웨어

   2-1-3. 데이터 가상화 특징 및 단점

  2-2. 데이터의 카탈로그화(Data Catalog)

   2-2-1. 데이터 카탈로그 개념

   2-2-2. 데이터 카탈로그 특징

   2-2-3. 머신러닝 기반 데이터 카탈로그

  2-3. 데이터 메시(Data Mesh)와 데이터 패브릭의 상호 보완하기

   2-3-1. 데이터 메시(data mesh) 개념 및 접근 방식

     (1) 데이터 메시(data mesh) 개념

     (2) 데이터 메시 접근 방식

   2-3-2. 데이터 페브릭과 디지털 메시 주요 차이점

 

3. 데이터 페브릭 시장 전망 및 발전방향 

  3-1. 데이터 페브릭 시장 전망

  3-2. 데이터 패브릭 발전방향

 

참고문헌

 

 

그림목차

 

[그림 1] IT를 기반으로한 사회 변천사

[그림 2] 데이터 아키텍처 개념도

[그림 3] 데이터 가치 평가

[그림 4] 데이터의 가치

[그림 5] 빅데이터 솔루션

[그림 6] 효과적인 데이터 관리

[그림 7] 데이터 권한 부여를 위한 플랫폼

[그림 8] 데이터 기반 접근 방식

[그림 9] 데이터 기반 비즈니스를 위한 최적의 아키텍처

[그림 10] 가트너(Gartner)의 정보 관리 성숙도 모델

[그림 11] 데이터 사일로와 그 영향

[그림 12] 데이터에 대한 신뢰를 강화하기 위한 데이터 거버넌스

[그림 13] 데이터 거버넌스 모델

[그림 14] 데이터거버넌스의 정의

[그림 15] 효과적인 데이터 거버넌스 전략

[그림 16] 데이터 거버넌스의 역할

[그림 17] 데이터 거버넌스 프레임워크 

[그림 18] 데이터 거버넌스 목표

[그림 19] 데이터 기반 의사결정

[그림 20] 다양한 데이터 생태계

[그림 21] 빅데이터 특성

[그림 22] 빅데이터 볼륨

[그림 23] 빅데이터 3V

[그림 24] 빅데이터의 7V 특성

[그림 25] 소셜 미디어의 빅데이터 분석 

[그림 26] 빅데이터 품질

[그림 27] 빅데이터 가치

[그림 28] 빅데이터 기술

[그림 29] 빅데이터 가치사슬

[그림 30] 빅데이터 기술

[그림 31] 빅데이터 분석

[그림 32] 딥데이터와 빅데이터

[그림 33] 데이터 과학

[그림 34] 데이터 프로세스

[그림 35] 딥데이터 프레임워크(DeepData Framework)

[그림 36] 마이데이터(MyData) 모델 및 역할

[그림 37] 새로운 데이터 활용 플랫폼

[그림 38] 데이터옵스의 혜택

[그림 39] 데이터옵스(DataOps) 개요

[그림 40] 데이터옵스(DataOps) 아키텍처

[그림 41] 데이터옵스(DataOps) 라이프사이클

[그림 42] 데이터 옵스를 사용한 통합 접근 방식

[그림 43] 머신러닝과 DataOps 사례

[그림 44] AIOps 접근 방식

[그림 45] AI옵스 플랫폼 시각화

[그림 46] 데이터 인프라

[그림 47] 마이크로소프트 애저(Microsoft Azure)의 데이터웨어하우스

[그림 48] 데이터웨어하우스(Data Warehouse)의 주요 특징

[그림 49] 데이터웨어하우스(Data Warehouse)

[그림 50] 데이터웨어하우스 아키텍처

[그림 51] 데이터웨어하우징 ETL 도구

[그림 52] 데이터웨어하우스 구현

[그림 53] Narwal의 클라우드 데이터 웨어하우징 접근 방식

[그림 54] 하이브리드 클라우드 데이터웨어하우스(Hybrid Cloud Data Warehouse)

[그림 55] 최신 데이터웨어하우스

[그림 56] 데이터 레이크의 개략도

[그림 57] 데이터 레이크 구조

[그림 58] 데이터 레이크 프레임워크(Data Lake Framework)

[그림 59] 다양한 데이터 소스

[그림 60] 데이터 레이크 세 가지 접근 방식

[그림 61] 데이터 레이크 아키텍처

[그림 62] 데이터 레이크 가치

[그림 63] 데이터웨어하우스 vs 데이터 레이크 vs 데이터 레이크하우스(Data Lakehouse)

[그림 64] 최신 데이터 웨어하우스와 데이터 레이크하우스 접근 방식 비교 

[그림 65] 데이터 레이크하우스 개념 

[그림 66] 데이터 레이크하우스 아키텍처 

[그림 67] 데이터 레이크하우스의 데이터 흐름

[그림 68] 데이터 레이크하우스의 작동방식

[그림 69] 데이터 레이크하우스의 실시간 데이터 처리

[그림 70] 데이터의 진화

[그림 71] 데이터 관리의 진화

[그림 72] 데이터 유형

[그림 73] 데이터 수명 관리

[그림 74] 데이터 페브릭의 필요성

[그림 75] 데이터 페브릭(Data Fabric)의 주요 요소

[그림 76] 데이터 패브릭(Date fabric) 개념

[그림 77] 데이터 페브릭 정의

[그림 78] 데이터 패브릭 작동 방식

[그림 79] 데이터 페브릭 플랫폼

[그림 80] 데이터 패브릭의 이점

[그림 81] 데이터 패브릭 설계

[그림 82] 데이터 패브릭의 구성요소

[그림 83] 데이터 패브릭 데이터 관리 계층

[그림 84] 데이터 페브릭 활용

[그림 85] 데이터 패브릭 사용 사례

[그림 86] 데이터 페브릭(Data Fabric) 아키텍처의 핵심 

[그림 87] 네트워크 토폴로지

[그림 88] 데이터 페브릭 구현 과정

[그림 89] 데이터 패브릭의 빅데이터 활용 

[그림 90] 클라우드 데이터 스토리지 솔루션

[그림 91] 데이터 가상화를 이용한 논리적 DW

[그림 92] 데이터 가상화

[그림 93] 데이터 가상화 아키텍처

[그림 94] ETL 기반의 데이터 분석 및 관리 아키텍처 vs. 데이터 가상화 아키텍처 

[그림 95] Without Data Catalog vs. With Dat Catalog

[그림 96] 데이터 스택을 위한 NextPhased의 현대적인 데이터 카탈로그 워크플로우

[그림 97] 데이터 카탈로그(Data Catalog)

[그림 98] 데이터 카탈로그 역할

[그림 99] 데이터 카탈로그 메타데이터

[그림 100] 데이터 메시 

[그림 101] 데이머 메시 접근 방식

[그림 102] 데이터 페브릭 컴포넌트별 데이터 관리 시장 매핑

 

표 목차

 

[표 1] 빅데이터의 다양한 정의

[표 2] 정형·반정형·비정형 데이터 비교 및 빅데이터의 다양성

[표 3] 빅데이터 시각화

[표 4] 스크래핑과 표준API 방식의 차이점 및 마이데이터 생태계

[표 5] 데이터웨어하우스(Data Warehouse)의 특징

[표 6] 데이터웨어하우스의 구성요소

[표 7] 데이터웨어하우스와 데이터 레이크 비교

[표 8] 데이터 패브릭 도입으로 얻을 수 있는 이점 

[표 9] 데이터웨어하우스, 데이터 레이크, 데이터 레이크하우스, 및 데이터 메시 비교

상품결제정보

고액결제의 경우 안전을 위해 카드사에서 확인전화를 드릴 수도 있습니다. 확인과정에서 도난 카드의 사용이나 타인 명의의 주문등 정상적인 주문이 아니라고 판단될 경우 임의로 주문을 보류 또는 취소할 수 있습니다.  

무통장 입금은 상품 구매 대금은 PC뱅킹, 인터넷뱅킹, 텔레뱅킹 혹은 가까운 은행에서 직접 입금하시면 됩니다.  
주문시 입력한 입금자명과 실제입금자의 성명이 반드시 일치하여야 하며, 7일 이내로 입금을 하셔야 하며 입금되지 않은 주문은 자동취소 됩니다.

배송정보

• 배송 방법 : 택배
• 배송 지역 : 전국지역
• 배송 비용 : ₩2,500원
• 배송 기간 : 2일 ~ 7일
• 배송 안내 : - 산간벽지나 도서지방은 별도의 추가금액을 지불하셔야 하는 경우가 있습니다.
  고객님께서 주문하신 상품은 입금 확인후 배송해 드립니다. 다만, 상품종류에 따라서 상품의 배송이 다소 지연될 수 있습니다.
  

교환 및 반품정보

(환급, 반품 및 교환)

 회사"는 이용자가 구매신청한 재화 등이 품절 등의 사유로 재화의 인도 또는 용역의 제공을 할 수 없거나 곤란함을 알았을 때에는 지체없이 그 사유를 이용자에게 통지하고,

사전에 재화 또는 용역의 대금을 받은 경우에는 대금을 받은 날부터 3영업일 이내에 환급하거나 환급에 필요한 조치를 취합니다. 단, "회사"가 재화 등의 준비에 대한 소요일을 이용자가

구매신청 전 인지 할 수 있도록 미리 표시한 경우에는 그 사유 발생일로부터 3영업일 이내에 환급하거나 환급에 필요한 조치를 취합니다.

 회사” 오픈마켓을 통해서 구입하신 상품은 구매확정절차 후 “회사”를 통한 환급, 교환, 반품의 요청이 제한되며 판매자와 구매자가 직접 협의해서 처리해야 합니다.

 회사”는 합리적인 기간이 경과한 후에도 구매자가 구매확정절차를 이행치 않는 경우 해당 전자상거래의 계약이행이 정상적으로 종료된 것으로 간주하여 자동구매확정절차를 이행할 수 있으며

 판매자에게 정상적으로 판매대금을 지급하는 등 통신판매 중개자의 역할을 수행할 수 있습니다. 단, 자동구매확정까지의 합리적인 기간은 개별약관으로 정합니다.

구매자는 제반 법령에 따라 결제대금예치업무(에스크로)의 보호를 “회사”에 요청할 수 있습니다.

반품 또는 교환에 필요한 왕복배송비용 기타 필요한 비용은 귀책사유 있는 쪽에서 부담하며, 배송상의 문제로 구매자가 입은 손해에 대한 배상책임은 귀책사유 있는 배송업체를 지정한 판매자에게 있습니다.

 해외에서 국내로 상품을 배송하는 해외구매대행서비스의 경우 전자상거래 등에서의소비자보호에관한법률에 의하여 반품 및 교환이 제한될 수 있습니다.

[해외주문도서에 대한 특칙]
 해외주문도서는 이용자의 요청에 의한 개인주문상품이므로 이용자의 단순한 변심/착오로 인한 취소, 반품, 교환 발생 시 “대신서적센타”는 "해외주문 반품/취소수수료”를 공제한 대금을 이용자에게 환급합니다.

이때 “해외주문 반품/취소수수료”는 판매정가의 20%를 적용합니다.   단, 해외주문시  주문후 취소 불가로  표시되어있는 상품을 주문한 경우에는   반품및 환불  할 수 없다.

.
※ 고객님의 마음이 바뀌어 교환, 반품을 하실 경우 상품반송 비용은 고객님께서 부담하셔야 합니다.
 

서비스문의

상담문의는 당사 문의게시판을 이용해주세요.