DOI QR코드

DOI QR Code

SNA를 활용한 빅데이터 프로젝트의 위험요인 영향 관계 분석

Analysis of the Impact Relationship for Risk Factors on Big Data Projects Using SNA

  • 박대귀 (한국기술교육대학교 IT융합SW공학과) ;
  • 김승희 (한국기술교육대학교 IT융합SW공학과)
  • 투고 : 2020.11.27
  • 심사 : 2021.02.05
  • 발행 : 2021.02.28

초록

빅데이터 프로젝트의 성공 확률을 높이기 위해서는 복잡한 원인들로부터 근본적인 위험의 원인을 분석하여 최적의 대응 방안을 수립할 수 있는 계량화된 기법이 요구된다. 이를 위해 본 연구에서는 SNA 분석을 통해 위험 요인과 관계를 측정하고, 이를 기반으로 위험에 대응할 수 있는 방법을 제시한다. 즉, 사전 연구에서 제시된 빅데이터 프로젝트의 위험 그룹 간 상관관계 분석 결과를 활용하여 종속성 네트워크(dependency network) matrix를 도출하고 이를 통해 SNA 분석을 수행한다. 종속성 네트워크 matrix를 도출하기 위하여 위험 노드 간의 상관관계로부터 부분 상관을 구하고, 상관 영향과 상관 종속성을 계산함으로써 노드별 활동 종속성을 도출하고 이를 통해 위험 요인 노드 간의 인과 관계와 연관관계에 있는 모든 노드간의 영향정도를 모두 산출한다. 위험 요인 간 SNA통해 도출된 위험 요인 간 네트워크로부터 위험에 대한 근본 원인을 인지함으로써 보다 최적화되고 효율저인 위험 관리가 가능하다. 본 연구는 위험관리 대응과 관련하여 SNA 분석 기법을 적용한 최초의 연구로 본 연구결과는 IT프로젝트의 위험관리와 관련하여 주요 위험에 대한 위험 관리 순서를 최적화할 수 있을 뿐만 아니라, 위험 통제를 위한 새로운 위험분석 기법을 제시하였다는데 큰 의의가 있다.

In order to increase the probability of success in big data projects, quantified techniques are required to analyze the root cause of risks from complex causes and establish optimal countermeasures. To this end, this study measures risk factors and relationships through SNA analysis and presents a way to respond to risks based on them. In other words, it derives a dependency network matrix by utilizing the results of correlation analysis between risk groups in the big data projects presented in the preliminary study and performs SNA analysis. In order to derive the dependency network matrix, partial correlation is obtained from the correlation between the risk nodes, and activity dependencies are derived by node by calculating the correlation influence and correlation dependency, thereby producing the causal relationship between the risk nodes and the degree of influence between all nodes in correlation. Recognizing the root cause of risks from networks between risk factors derived through SNA between risk factors enables more optimized and efficient risk management. This study is the first to apply SNA analysis techniques in relation to risk management response, and the results of this study are significant in that it not only optimizes the sequence of risk management for major risks in relation to risk management in IT projects but also presents a new risk analysis technique for risk control.

키워드

Ⅰ. 서론

빅데이터 프로젝트는 IT프로젝트로 수행이 되지만 기업의 문화와 경영 전략을 기술적으로 구현함으로써 사업의 의사결정을 위한 중요한 기초 자료이자 근거가 된다. 따라서 빅데이터 프로젝트는 정보화에 대한 기술적 지식과 경험뿐만 아니라 경영 전략적 마인드가 동시에 요구된다. 일반적인 SI 프로젝트와 다른 특징이 여기에 있다. 이와 관련하여 CIO 저널에 의하면 한국의 빅데이터 프로젝트가 프로젝트 종료를 하지 못해 결론적으로 실패하고 있다는 문제와 그 위험의 심각성을 제기[1]하고 있으며, S. Liu and L. Wang의 연구[2]에 의하면 빅데이터 프로젝트와 같은 전략적 중요성이 높은 정보화 사업은 특히, 위험관리 수행성과가 프로젝트 성과에 영향을 미치는 것으로 나타났다.

이와 관련하여 Kim[3,4] 의 연구에 의하면 대부분의 위험 그룹은 서로 복잡한 상관관계를 가지는데, 특히 프로젝트 거버넌스와 프로젝트 계획수립으로 구성된 프로젝트 기획관리 위험과 프로젝트 수행시의 프로젝트 관리, 프로젝트 보안, 프로젝트 내 위협 요인으로 구성된 프로젝트 수행의 위험은 그 관계성이 0.877로 매우 높은 관계성이 있는 것으로 나타나있다. 특히 주목한 만한 또 하나의 상관관계를 살펴보면 기반기술 및 기술의 진화 위험으로 구성된 기술 위험과 프로젝트 조직 구조 및 팀 구성, 이해관계자 간 복잡성 위험을 포함하는 프로젝트 조직 관련 위험도가 0.844로 매우 높은 상관성을 갖는다. 이는 프로젝트 수행 조직의 기술 수준과 개발 능력을 고려하여 조직 구조와 운영 형태가 선정되어야 함을 보여주고 있다.

그러나 실제로 프로젝트에서 부정적 위험에 대하여 인식을 하더라도 보여지는 부분 이면의 더욱 정교한 위험에 대한 근본적 원인을 도출하고 그 원인을 진단하여 위험을 줄이거나 회피하거나 수용하기 위한 대응 전략을 수립하기에는 사실상 큰 한계가 존재한다. 그에 대한 가장 큰 이유는 실제로 프로젝트를 수행하는 중에는 발생되는 다양한 문제들은 단순한 원인으로 규정되기 보다는 복합적으로 발생되기 때문이다. 그러한 측면에서 위험 그룹 간, 위험의 서브 그룹 간 1:1의 관계성에 의한 문제해결 방안에는 그 한계가 존재할 수 밖에 없다. 즉, 어떠한 위험을 인식하고 진단하고 분석하는 데 있어서 다양한 여러 개의 문제가 서로 복합적으로 관계를 맺게 되고, 이러한 다수의 요인들은 원인요인과 결과요인이 결합되어있는 형태를 모두 고려하고 선후관계와 위험간의 중요도, 영향 정도 등을 복합적으로 고려해야 보다 효율적인 위험 관리를 달성할 수 있다. 그럼에도 불구하고, 중요도가 높거나 상관관계가 높은 위험을 안다는 것은 위험의 중요도에 따른 자원 배분의 우선순위를 정의할 때는 유용하지만 실제로 해당 위험에 대한 대응 방안을 수립하는 데는 참조하기에 매우 미흡함을 갖는다. 즉, 프로젝트 위험관리 측면에서 위험의 근본 원인을 파악하고 관련된 인과 관계의 요인들인 파생위험들까지 모두 고려하여 문제를 해결하기에는 부족함이 있다.

이러한 문제점에 대한 하나의 대안으로써, 본 연구에서는 위험 그룹 간 SNA(Social Network Analysis) 분석기법을 적용하여 위험 간의 인과관계와 관계의 정도를 시각화하는 연구를 수행한다. 이는 빅데이터 프로젝트 위험 요인 분류에서의 주요 위험을 식별할 수 있음은 물론 위험에 대한 대응 방안 수립 시에도 연관성이 있는 중요위험 간의 모든 위험 관계를 파악할 수 있어 빅데이터 프로젝트 수행 시 기술적 요인과 전략적 요인에서 비롯될 수 있는 다양한 위험들을 통제하는데 보다 근본적이고 안정적인 위험 통제 방안을 제시할 것이다.

Ⅱ. 선행 연구

1. 빅데이터 프로젝트 위험관리에 대한 연구

본 연구에서 Kim[3,4]의 선행된 연구 결과를 활용하여 SNA 기법을 통해 위험 요인 영향 관계를 분석할 것이다. 따라서 해당 연구에 대한 주요 내용을 살펴본다.

Kim[3]은 빅데이터 프로젝트가 많은 기업들에서 전략적 이유로 시도되고 있으나 빅데이터 프로젝트의 성공적 완수율이 매우 낮은 점에 대한 문제를 분석하고 성공적 완수율을 높이기 위하여 빅데이터 프로젝트의 위험요인을 도출하고 요인 별 우선 순위를 도출하는 연구를 수행하였다. 이를 위해 77개 관련 문헌으로부터 총 520여 개의 위험 요인을 수집하였고, 이를 KJ 기법을 통해 위험을 표 1과 같이 총 6개로 분류한 후 요인분석을 실시하여각 위험 그룹 별 서브 위험 그룹 13개를 도출하고 요인분석 결과를 통해 위험의 우선순위를 제시하였다.

1. 빅데이터 프로젝트의 위험 분류표[3]

Table 1. Risk classification table of big data Project[3]

OTNBBE_2021_v21n1_79_t0001.png 이미지

각 그룹과 서브그룹에 대한 상세 연구 내용은 해당 논문을 찾아보기 바란다. 여기서 제시한 6개 위험 그룹의 정의는 다음과 같다.

•Project-specific risk : 프로젝트의 고유의 특성인 정해진 기간 내에 예산 범위 내에서 고품질, 고효율로 목표를 달성해야 하는 프로젝트 본연의 특성에서 비롯된 위험

•Project workforce risk : 참여 인력의 우수성, 숙련도, 전문성 등 인력 자원 및 인력 관리와 관련된 위험

•Project planning risk : 프로젝트 초기 계획 또는 프로젝트 수행 중 프로젝트 조직에 영향을 미칠 수 있는 경영 측면의 의사결정 사항들로 인한 위험들

•Project execution risk : 오너, 계약자, 감리와 같은 컨설팅 조직이 프로젝트 착수에서 부터 이관 및 운영에 이르기까지 프로젝트 수행 조직 내부에서 발생되는 위험 요인

•Project organization risk : 프로젝트 수행 조직의 형태, 다양한 참여 업체들로 인하여 발생될 수 있는 조직 운영상의 위험

•Technological risk : 서버, 네트워크, 데이터베이스, 소프트웨어 개발 환경 등과 관련한 기술적 측면의 자체적인 이슈, 기술의 진화로부터 발생되는 이슈, 서비스 운영에 영향을 주는 환경적, 인적 위험 요인들

이어 Kim[4]은 위험을 관리하고 통제할 수 있는 방안으로 위험 요인 간 관계를 활용하는 인과 관계를 통해 원인을 제거하는 상관관계 맵을 제시하였다. 표2에서 보는 바와 같이 각 위험 요인과 상관관계가 가장 높은 것은 0.877의 프로젝트 기획 위험과 프로젝트 수행 위험이 매우 밀접한 관계를 보이고 있다. 그러나 실무적으로 활용성 측면에서 이론적 근거를 마련하였으나 요인 별 원인을 개별적으로 비교함으로써 실제적으로 실무에서 위험요인이 복잡하게 얽히는 경우 개별 적 위험 요인 별 상관분석은 한계를 갖는다.

표 2. 빅데이터 프로젝트의 위험 분류(Risk Group) 별 상관 분석 결과[4]

Table 2. Correlation analysis result by risk group of big data project[4]

OTNBBE_2021_v21n1_79_t0002.png 이미지

**p<0.01

한편, 위험 해결을 위한 방법론을 다룬 다른 연구를 살펴보면, B. Hartono et al.[5]은 프로젝트 위험에 대하여 이해관계자 별 위험을 인식하는 관점의 차이를 식별하고 인도네시아 사례를 제시하고 선진국의 위험에 대한 관점과 비교하는 경험적 연구를 진행하여 관점의 차이와 규범적 의사 결정 이론 간의 상당한 인식의 차이가 있음을 규명하였다. E. N. Desyatirikova et al.[6]은 DSS 프로젝트 수행 시 위험 상황 및 정보 소스의 공식화된 모델페키지를 사용하여 위험 관리를 수행할 수 있는 DSS 프레임워크를 제안하였다. C. Muriana et al.[7]은 프로젝트 수행 중 위험을 결정하고 평가 및 예방을 목표로 하는 결정론적 기법(deterministic quantitative technique)을 제시하였다. 여기에서는 비용, 품질, 시간을 입력요소로 하고, 실제 성과가 전체 프로젝트에 미치는 영향을 고려하여 수정한 후 가중치의 합을 통해 결정하는 기법으로 계획과 위험도의 값의 합을 비교함으로써 위험을 완화하기 위한 예방 조치 필요 여부를 결정하는 방법을 제안하였다.

2. 종속성 네트워크 분석 기법

종속성 네트워크는 편 상관에 기반한 방법으로, 네트워크 노드 간의 인과적 토폴로지 관계를 추출하고 네트워크 구조가 분석 될 때 네트워크 노드 간의 인과적 활동 관계를 추론할 수 있게 한다[8]. 즉, 부분 (또는 잔차) 상관관계는 주어진 노드 (예 : j )가 다른 노드 쌍 (예 : i 와 k) 간의 상관에 대한 효과(또는 기여도)의 척도가 된다. 즉, 이 개념을 사용하면 전체 네트워크에 대해 한 노드의 다른 노드에 대한 종속성을 계산할 수 있고 그 결과 완전히 연결된 네트워크의 방향성 가중치의 인접 행렬을 생성할 수 있다[8].

절차를 살며보면 우선, 노드 간 상관관계표를 활용하여 부분 상관관계(Partial Corelation)를 계산한다. 1차 부분 상관계수는 세 번째 변수가 다른 두 변수 간의 상관관계에 미치는 영향을 나타내는 통계적 척도[8]로 세 번째 노드에 대한 노드 i와 k의 부분 상관 j는 PC(i, k| j) 로표시하며 (1)과 같다.

\(P C(i, k \mid j)=\frac{C(i, k)-C(i, j) C(k, j)}{\sqrt{\left[1-C^{2}(i, j)\right]\left[1-C^{2}(k, j)\right]}}\)       (1)

즉, C(i, k), C(i, j)와 C(j, k)위에 정의된 노드 상관관계가 된다. 이렇게 구해진 부분 상관 값을 활용하여 상관관계의 상대적 효과는 C(i, j), C(j, k)의 상관관계 C(i, k)에서 j는 (2)와 같이 정의된다[8].

\(d(i, k \mid j) \equiv C(i, k)-P C(i, k \mid j)\)       (2)

마지막으로 노드의 총 영향인 노드 활동의 종속성을 구한다. 즉, 의존성 D(i, j)는 다음과 같이 정의된다.

\(D(i, j)=\frac{1}{N-1} \sum_{k \neq j}^{N-1} d(i, k \mid j)\)       (3)

3. SNA 분석

사회연결망에서 영향력 분석 요소는 미시적 관점의 개별노드, 거시적 관점의 분석 수준인 그룹, 그리고 네트워크 요소로 나눌 수 있으며, 그 중 미시적 관점의 개별 노드에 대한 분석 지표는 표 3과 같이 중앙성 분석을 통해 측정한다. 이를 위한 측정 요소들로는 지역 중앙성, 전체중앙성, 인접 중앙성, 브리지, 내향 연결정도, 외향 연결 정도, 위세 중앙성이 있다. 이중 인접 중앙성은 노드가 다른 노드들 사이에 위치하고 있으면서 갖게 되는 브로커적 특성을 측정할 수 있다[9]. 이러한 원리를 활용하여 관계를 맺는 위험 간 영향 관계를 분석할 수 있다.

3. 네트워크 분석 수준 별 영향력 분석 지표와 요소[9]

Table 3. Influence analysis indicators and elements by network analysis level[9]

OTNBBE_2021_v21n1_79_t0003.png 이미지

본 연구에서는 프로젝트 위험 별 위험 요인들 각각에 대한 영향 관계를 분석하는 것으로 다른 노드와의 연결개수와 노드 간 연결 및 인접의 위치 정도를 측정하여 관계에서의 위상을 분석함으로써 영향 관계를 도출한다.

Ⅲ. 연구 방법 및 절차

1. 연구 방법

주요 위험 그룹의 영향 관계를 분석하기 위하여 Kim[3]의선행 연구로부터 상관분석 결과를 활용한다. 상관 분석 결과를 활용하여 활동 종속성 네트워크 매트릭스 (Dependency Network matrix)를 도출하고 그 결과값을 통해 SNA 분석을 수행한다. 본 연구를 위한 SNA 분석 도구로는 NetMiner 4.0 SW를 사용한다.

2. 연구 절차

SNA 기법을 통해 빅데이터 프로젝트의 위험 요인 영향 관계를 분석하기 위한 절차는 그림 1과 같다. 즉, 빅데이터 프로젝트의 위험을 분류하고, 도출된 위험에 대한상관 분석 결과를 도출한다. 도출된 상관관계 분석 결과로부터 종속성를 생성하고 생성된 표를 활용하여 SNA 분석을 실시한다. 여기서 빅데이터 프로젝트 위험 분류와 위험 그룹 별 상관관계 분석 정보는 Kim[3]의 선행 연구를 활용한다.

OTNBBE_2021_v21n1_79_f0001.png 이미지

그림 1. 연구 절차

Fig. 1. Research Process

Ⅳ. 빅데이터 프로젝트 위험 의존성 분석

1. 빅데이터 프로젝트의 위험 분류

Kim[3]의 연구로부터 도출된 빅데이터 프로젝트의 주요 위험인 프로젝트 고유위험, 프로젝트 참여 인력 위험, 프로젝트 기획 위험, 프로젝트 수행 위험, 프로젝트 조직관리 위험, 프로젝트 기술요인 위험으로 분류한다.

2. 도출된 위험 그룹에 대한 상관 분석

표 2의 빅데이터 프로젝트의 위험 분류(Risk Group) 별 상관 분석 결과값을 활용한다.

3. Dependency Network matrix 생성

앞서 도출된 상관관계표로부터 다음과 같이 부분 상관관계가 도출된다.

가. 위험 그룹에 대한 부분 편 상관 도출

표 4는 PC(i, k|j)에서 i=R1인 경우에 대한 실험 결과를 제시하고 있으며 i=j 또는 k=j 일 경우 수식의 분모가 0(N&N)이 되는 것을 나타내고 있다.

표 4. 위험 그룹의 부분 편 상관

Table 4. Partial correlations of Risk group

OTNBBE_2021_v21n1_79_t0004.png 이미지

나. 부분 상관 결과를 통한 상대적 영향도 도출

부분 편 상관 도출 결과를 통해 상대적 영향도를 도출하였다. 표 5는 d(i, k|j)에서 i=R1인 경우에 대한 실험 결과를 제시하고 있으며, 이중 j=R3(프로젝트기획 위험 그룹)일 경우 상대적으로 높은 수치를 보여주고 있다.

표 5. 부분 편 상관을 활용한 상관관계로 도출된 상대적 효과

Table 5. Derived relative effect of correlation using partial correlations

OTNBBE_2021_v21n1_79_t0005.png 이미지

다. 상대적 영향도를 활용한 노드 활동의 종속값 도출

결과적으로 표 6은 빅데이터 프로젝트의 위험 분류 (Risk Group)의 노드간의 활동 종속성을 제시하고 있으며 i노드와 j노드의 방향에 따라서 다른 결과가 도출됨으로써 위험의 순서가 상호 종속성에 영향을 미치고 있음을 간접적으로 확인할 수 있다.

표 6. 상관관계의 상대적 효과를 활용한 노드활동의 종속성 도출

Table 6. Derivation of node activity dependency using the relative effect of correlation

OTNBBE_2021_v21n1_79_t0006.png 이미지

4. 빅데이터 프로젝트의 위험관계 SNA

가. 위험 그룹 간 관계 분석 네트워크 결과

그림 2는 표 6의 노드활동 전체를 기준으로 종속성을 분석한 네트워크 분석 결과 그래프이다.

OTNBBE_2021_v21n1_79_f0002.png 이미지

그림 2. 빅데이터 프로젝트의 위험 그룹에 대한 SNA 분석 결과

Fig. 2. SNA analysis results for risk groups of big data projects

그림 2에서와 같이 위험 그룹에 대한 SNA 분석 그래프는 노드(동그라미)와 링크(화살표)로 표현된다. 노드는 위험 그룹을 의미하며, 화살표는 영향 관계를 보여준다. 상세히 설명하면, 화살표는 원인에서 결과로 향하고 의존성 수준이 높을수록 화살표가 굵게 표현된다. 위험 요인에 대한 지표값은 의존성 매트릭스를 기반으로 한 것이므로 ‘링크가 시작하는 쪽이 링크의 화살표 머리 부분의 노드에 의존한다’로 해석해야 한다. 따라서 화살표가 표시된 In-degree 노드는 상대 노드가 얼마나 의존하는지를 표시한다. 달리 표현하면 상대 위험 그룹에게 위험의원인을 제공하는 역할을 하는 노드라는 의미이다. 반대로 화살표 반대편에 있는 노드인 out-degree 노드는 머리가 향하는 노드에 의존한다는 의미로 해석되며, 링크되어있는 화살표가 향한 노드에 의해 영향을 받는다는 의미가 된다. 그 영향의 수준은 화살표에 표시된 숫자로 알 수 있다.

그러므로 그림 2를 살펴보면 모든 위험요인이 상호 간에 의존성을 갖고 있는 것으로 표시되고 있다. 이는 30개의 모든 영향관계에 대한 전체 내용을 필터링 없이 분석한 것이기 때문이다. 그럼에도 불구하고, 특히 다른 노드들이 많이 의존하고 있는 노드는 R3, R4, R6 라는 것을 화살표 방향과 굵기를 통해 직관적으로 알 수 있다. R3, R4, R6 노드는 R1, R2, R5 에게 큰 영향을 미치기도 하지만 상호 간에도 매우 의존성이 높게 나타났다. 이는 성공적 빅데이터 프로젝트를 위해서는 무엇보다도 R3: 프로젝트 기획, R4:프로젝트 수행, R6:프로젝트 기술 관리위험 그룹의 관리를 중요하게 다루어야 함을 의미한다. 그 중에서도 R3:프로젝트 기획은 모든 위험 그룹에게 가장 큰 영향을 미칠 수 있는 것으로 나타나 해당 그룹의 위험 요인 발생 및 변화 요구 시 전체 프로젝트 관리 측면에서 다각도의 위험 평가가 요구된다.

나. 관계 분석 네트워크를 통한 위험 대응 우선순위 분석

위험 그룹 간 노드의 의존관계를 통해 위험에 대응하고자 하는 경우 R3, R5, R6을 중심으로부터 살펴보아야 근본적인 원인을 중심으로 위험 대응의 수립이 가능함을 알 수 있었다. 좀 더 상세한 대응 순서를 파악하기 위해서는 각 노드에 연결된 네트워크의 관계를 분석해야 하므로 전체 위험이 아닌 중요도가 높은 위험만을 필터링하여 그 것들 간의 관계를 살펴보았다.

분석 결과를 통해 해당 위험 그룹 전체에 대한 Network density는 통계 결과 0.279로 나타났다. 본 연구에서는 파레토의 법칙에 따라 우선순위 상위 20%의 의존성을 대상으로 분석하고자 Network Frequency를 분석한 결과 그 값이 0.345임을 알 수 있었다. 따라서 Link weight가 0.345보다 큰 것만을 기준으로 다시 SNA 분석을 수행하였다. 그 결과 그림 3과 같이 R1->R3, R2-> R3, R4-> R3 에 대한 의존성 비중이 도출되었고, 그 값은 각각 모두 0.4 의 값임을 알 수 있었다.

OTNBBE_2021_v21n1_79_f0003.png 이미지

그림 3. Link weight 가 상위 20%인 위험 의존성에 대한 SNA 분석 결과

Fig. 3. SNA analysis result of risk dependence with link weight of top 20%

이 결과를 기반으로 해당 위험관의 상호 영향 관계만을 살펴본 결과 그림 4와 같이 R3의 In-degree는 3, Out-degree는 1 단순화되었다.

OTNBBE_2021_v21n1_79_f0004.png 이미지

그림 4. 링크 비중이 상위 20%인 위험 의존성 그래프

Fig. 4. Risk dependence graph with the top 20% of links

이를 기초로 영향도와 인과 관계를 고려하여 영향의 중심성이 가장 높은 R3, R1의 의존성을 고려하여 그 다음은 R4 순으로 위험 대응을 실시하기로 한다. R2는 위험 R3과의 관계만 R3이후 영향도만을 파악하고 그에 맞는 변화 관리만 수행할 수 있다. 여기서 R3과 R4 간의 상호 의존성이 높고, R1이 모두 동일한 비중으로 의존을 하고 있으므로 두 개의 위험 그룹이 높기 때문에 둘 중 어느 것이 더 주요한 근본 원인 요인인지를 파악하기 위하여 Link 임계값을 좀 더 높은 값인 0.4로 하는 경우 R4가 R3에 의존하는 비중이 더 크다는 것을 알 수 있다.

다. 시사점

본 연구를 결과로부터 빅데이터 프로젝트의 위험 그룹별 상관관계 분석 정보로부터 의존성 매트릭스를 도출하고, 이를 통해 SNA 기법을 적용하여 인과 관계를 1:N 또는 N:N 까지 다양하게 분석함으로써 빅데이터 프로젝트의 위험관리를 위한 정량화된 기법임을 확인할 수 있었다.

다음으로, 본 연구는 프로젝트 위험관리에 SNA 분석기법을 적용한 최초의 시도로써 Kim[3]의 연구에서 도출된 빅데이터 프로젝트 주요 위험에 대한 분석을 수행하였으나, 실무적으로 활용을 하고자 하는 경우, 서브 위험 간 분석을 통해 의존성과 의존의 수준을 파악할 수 있다. 뿐만 아니라 아무리 복잡한 프로젝트라 하더라도 상관관계에 대한 다수의 의견을 수렴하여 의존성 매트릭스를 도출하고 네트워크 분석을 수행함으로써 보다 정확한 위험 관리의 의사결정이 가능할 수 있다는 것을 검증하였다.

마지막으로 빅데이터 프로젝트의 성공적 실행을 위해 가장 중요한 근본적인 위험이 프로젝트 기획 위험임을 알 수 있었다. Kim[3]의 연구에서 정의한 프로젝트 기획위험에 포함되는 구체적인 위험요인들로는 부적절한 실행 계획, 과도한 프로젝트 규모, 부적절한 예산 예측, 부적절한 일정 예측, 부적절한 인력 예측, 지속적인 거버넌스의 변화, 떠오르는 기술에 대한 지속적 평가 실패, 근시안적인 경영진의 접근방식, 전략적 비전 제시 부족, 최첨단 아이디어 지향, 리더십 부족, 잘못된 개발 전략, 핵심경영진의 변경, 목표 달성에 부적절한 업무 시스템 전략, 성공 요인과 측정의 명확성 부족, 경쟁기반의 변화, 전략적 타이밍 미흡, 변화하는 경쟁 세력, 조직 구조상에서 프로젝트 구현의 주요 효과 고려, 위험 관리 및 경감 고려, 많은 이해당사자, 적절한 성과 보상 미흡, 성과 측정의 어려움, 쉽게 측정 가능한 평가 기준, 프로젝트 투입 및 성과에 대한 빈약한 정보, 부적절한 정보보안 전략들이며 프로젝트 거버넌스와 전략 기획 요인들이 주를 이룬다. 이는 프로젝트를 준비할 때 이를 추진하고자 하는 조직에서 빅데이터 프로젝트에 대한 충분한 검토와 준비, 전략적 측면의 정확하고 구체적인 목표가 우선시되어야 함을 의미하며, 이러한 부분이 선행되었을 때 다른 모든 위험의 가능성도 함께 낮아짐으로써 궁극적으로 프로젝트 성공을 견인할 수 있을 것이라는 것을 암시하는 결과이다.

Ⅴ. 결론

본 논문에서는 전략적 측면에서 복잡도가 높은 빅데이터 프로젝트 수행과 관련하여 발생되는 위험에 대한 통제를 측정함으로써 보다 정확한 위험 통제 및 대응 방안을 수립할 수 있는 방안으로 SNA 기법을 적용하였다. 이를 위해 주요 위험과 위험별 가중치와 상관관계는 Kim[3, 4]의 사전연구 결과를 활용하였다. 즉, 위험요인 그룹 간의 상관관계 결과를 활용하여 종속성 네트워크매트릭스를 도출하고, SNA 분석을 수행하는 실험을 통해 위험 요인 간의 인과관계와 의존성으로 표현되는 영향도를 계량화하고, 다양하고 복잡한 위험들 간의 관계를 단순화하여 위험을 통제할 수 있음을 알 수 있었다. 본연구는 이론적으로는 빅데이터 프로젝트뿐만 아니라 일반적인 SW 구축 프로젝트를 포함하여 위험관리 및 통제를 위한 의사결정을 위하여 SNA 기법을 적용한 최초의 연구로 실무적으로 적용 가능성이 높아 프로젝트 위험 관리에 보다 과학적인 의사결정기법으로써 활용 가능할 것으로 사료된다.

참고문헌

  1. Http://www.ciokorea.com/news/29634#csidxf34be32fb47f93197b4b825f7b43382, accessed Sep. 2018
  2. Liu, Shan, and Lin Wang, "Understanding the impact of risks on performance in internal and outsourced information technology projects: The role of strategic importance", International Journal of Project Management. Vol. 32, No. 8, pp. 1494-1510, 2014 DOI: https://doi.org/10.1016/j.ijproman.2014.01.012
  3. Seung-Hee Kim, "Risk Factors Identification and Priority Analysis of Bigdata Project", The Journal of The Institute of Internet, Broadcasting and Communication (IIBC), Vol. 19, No. 2, pp. 25-40, Apr. 30, 2019 DOI: https://doi.org/10.7236/JIIBC.2019.19.2.25
  4. Seung-Hee Kim, "Correlation Analysis of Risk Factors in the big data Projects", Test Engineering & Management, pp. 2262-2272, 12. 2019
  5. Budi Hartono, Sinta R. Sulistyo, Poetry P. Praftiwi, and Danar Hasmoro, "Project risk: Theoretical concepts and stakeholders' perspectives", International Journal of Project Management, Vol. 32, No. 3, pp. 400-411, 2014. DOI: https://doi.org/10.1016/j.ijproman.2013.05.011
  6. Desyatirikova, Elena N., Vadim E. Belousov, Svetlana P. Fedosova, and Anna A. Ievleva, "DSS design for risk management of projects. In Quality Management, Transport and Information Security", IEEE International Conference of Information Technologies, pp. 492-495, 2017. DOI: 10.1109/ITMQIS.2017.8085869
  7. Muriana, Cinzia, and Giovanni Vizzini, "Project risk management: A deterministic quantitative technique for assessment and mitigation", International Journal of Project Management, Vol. 35, No. 3, pp. 320-340, 2017. DOI: 10.1016/j.ijproman.2017.01.010 Risk Factors Identification and Priority Analysis of Bigdata Project
  8. https://en.wikipedia.org/wiki/Dependency_network
  9. Seung-Hee Kim, Nam-Wook Cho, and Woo-Je Kim. "CTQ Table Extraction Method Using Social Network Analysis", Journal of Information Technology and Architecture, Vol. 10, No. 3, pp. 347-359, 2013