• 한국정보시스템학회지:정보시스템연구
• /
• 제14권2호
• /
• pp.237-256
• /
• 2005

데이터 웨어하우스는 기업의 통합된 데이터의 저장하는 곳이며, 대게는 상당한 규모를 가지고 있다. 또한, 데이터 웨어하우스는 일반적으로 다양한 종류의 데이터를 저장함으로 데이터 웨어하우스에 저장된 데이터는 의사결정 임무에 따라서는 그 질적, 적합성에 차이를 나타내고는 한다. 이러한 데이터 웨어하우스의 특성으로 인해서 때로는 데이터 웨어하우스의 데이터의 효용성이 기업의 의사결정을 지원하는데 있어 제한적일 수 있다. 정보 시스템의 문헌에는 데이터의 질이 의사결정 성과에 미치는 영향에 대해서 많이 알려져 있지 않다. 그래서, 본 연구는 contextual data(상황적 데이터)의 질과 업무의 복잡성이 의사결정 성과에 미치는 영향에 대해서 탐구해보고자 한다. Contextual data의 질과 업무의 복잡성이 의사결정의 성과에 미치는 영향을 조사하기 위하여 웹을 기반으로 하는 데이터 웨어하우스를 이용하는 실험을 실행했다. 연구의 결과는 contextual data의 질이 의사결정의 성과에 영향을 미친다는 것을 통계적으로 보여주었다. 이러한 연구결과는 의사결정자의 의사결정 성과를 향상시키기 위해서는 데이터 웨어하우스의 contextual data의 질을 향상시켜야한다는 것을 제시하고 있다.

• Journal of Information Technology Applications and Management
• /
• 제24권1호
• /
• pp.45-61
• /
• 2017

Business intelligence has been attracting much attention these days. Despite such popularity of BI systems, it is widely known that about a half of BI system projects have failed. To grasp why many BI projects end in failure and what factors would make BI projects less failure-prone, a number of BI studies were made to produce a variety of CSFs. However, there is a paucity of information on whether these CSFs are distinctive from those of typical information systems. By identifying how BI CSFs differ from CSFs of typical information systems, we would be able to explain why most BI projects are more likely to be failure. It is believed that a corrective measure about CSFs will lead to more success in future BI projects. In addition, though there have been a number of similar types of BI systems such as decision support systems and executive information systems in existence, there was no study to determine whether there is ever a discrimination between CSFs of BI systems and the similarly-titled systems. This study is to answer these questions using a literature review analysis. The findings of our study are expected to be helpful in a successful implementation of BI systems.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제26권10호
• /
• pp.1156-1166
• /
• 1999

의사결정 시스템은 전사적인 의사결정과 전략적 정보수집을 위해 거대한 량의 정보를 빠른 시간내에 제공할 것을 요구한다. 데이타 웨어하우스는 이러한 정보를 신속히 제공하기 위해 여러 지역 데이타베이스로부터 필요한 정보를 사전에 추출하고 가공 및 통합하여 별도의 저장공간에 저장한다. 일반적으로, 웨어하우스 내의 정보는 지역 데이타베이스에 저장된 정보에 대한 실체화된 뷰로서 간주하며 지역 데이타의 변경에 따라 일관성을 유지하도록 반영해야 한다. 본 논문에서는 일관성을 유지하기 위해 정보 공유가 가능한 데이타 웨어하우스 시스템의 구조와 비-보상 실체 뷰 관리 기법을 제안한다. 본 논문에서 제안한 데이타 웨어하우스 시스템의 구조는 지역 데이타베이스에서 추출된 정보를 관리하는 별도의 지역 정보 관리자를 두어 뷰 관리자들 간의 정보 공유가 가능하게 한다. 비-보상 실체 뷰 관리 기법은 지역 데이타 변경 사건에 따른 뷰 관리 시 다른 사건에 의해 영향을 받지 않도록 하기 때문에 기본의 사전 보상이나 나중 보상 기법과는 달리 추가적인 질의 처리를 요구하지 않는 기법이다.Abstract A decision support system(DSS) commonly requires fast access to tremendous volume of information. A data warehouse is a database storing the information that is extracted, filtered and integrated from several relevant local databases to reply upon aggregated queries. The information stored in the data warehouse can be regarded as materialized views. The materialized view has to be modified according to the change of the corresponding local databases to preserve the data consistency. In this paper, we propose a data warehousing system architecture allowing information sharing (DAWINS), and a non-compensating materialized view maintenance algorithm(NCA). DAWINS architecture allows relevant information to be shared by individual view managers with local data manager for each local database. Unlikely to the pre- or post-compensating algorithms, which are required to remove the effects of some events to other view in the process of view maintenance, NCA does not require any additional query processing, since a local data manager in DAWINS already maintains the effects of update events occurring in local systems.

• Journal of Computing Science and Engineering
• /
• 제2권3호
• /
• pp.221-248
• /
• 2008

Data provenance is the background knowledge that enables a piece of data to be interpreted and used correctly within context. The importance of tracking provenance is widely recognized, as witnessed by significant research in various areas including e-science, homeland security, and data warehousing and business intelligence. In order to further advance the research on data provenance, however, one must first understand the research that has been conducted to date and identify specific topics that merit further investigation. In this work, we develop a framework based on semiotics theory to assist in analyzing and comparing existing provenance research at the conceptual level. We provide a detailed review of data provenance research and compare and contrast the research based on d semiotics framework. We conclude with an identification of challenges that will drive future research in this field.

• 한국정보기술응용학회:학술대회논문집
• /
• 한국정보기술응용학회 2007년도 춘계학술대회
• /
• pp.234-245
• /
• 2007

The empirical studies on the implementation of data warehousing systems (DWS) are lacking while there exist a number of studies on the implementation of IS. This study intends to examine the factors affecting the implementation success of DWS. The study adopts the empirical analysis of the sample of 112 responses from DWS practitioners. The study results suggest several implications for researchers and practitioners. First, when the support from top management becomes great, the implementation success of DWS in organizational aspects is more likely. When the support from top management exists, users are more likely to be encouraged to use DWS, and organizational resistance to use DWS is well coped with increasing the possibility of implementation success of DWS. The support of resource increases the implementation success of DWS in project aspects while it is not significantly related to the implementation success of DWS in organizational aspects. The support of funds, human resources, and other efforts enhances the possibility of successful implementation of project; the project does not exceed the time and resource budgets and meet the functional requirements. The effect of resource support, however, is not significantly related to the organizational success. The user involvement in systems implementation affects the implementation success of DWS in organizational and project aspects. The success of DWS implementation is significantly related to the users' commitment to the project and the proactive involvement in the implementation tasks. users' task. The observation of the behaviors of competitors which possibly increases data quality does not affect the implementation success of DWS. This indicates that the quality of data such as data consistency and accuracy is not ensured through the understanding of the behaviors of competitors, and this does not affect the data integration and the successful implementation of DWS projects. The prototyping for the DWS implementation positively affects the implementation success of DWS. This indicates that the extent of understanding requirements and the communication among project members increases the implementation success of DWS. Developing the prototypes for DWS ensures the acquirement of accurate or integrated data, the flexible processing of data, and the adaptation into new organizational conditions. The extent of consulting activities in DWS projects increases the implementation success of DWS in project aspects. The continuous support for consulting activities and technology transfer enhances the adherence to the project schedule preventing the exceeding use of project budget and ensuring the implementation of intended system functions; this ultimately leads to the successful implementation of DWS projects. The research hypothesis that the capability of project teams affects the implementation success of DWS is rejected. The technical ability of team members and human relationship skills themselves do not affect the successful implementation of DWS projects. The quality of the system which provided data to DWS affects the implementation success of DWS in technical aspects. The standardization of data definition and the commitment to the technical standard increase the possibility of overcoming the technical problems of DWS. Further, the development technology of DWS affects the implementation success of DWS. The hardware, software, implementation methodology, and implementation tools contribute to effective integration and classification of data in various forms. In addition, the implementation success of DWS in organizational and project aspects increases the data quality and system quality of DWS while the implementation success of DWS in technical aspects does not affect the data quality and system quality of DWS. The data and systems quality increases the effective processing of individual tasks, and reduces the decision making times and efforts enhancing the perceived benefits of DWS.

• 한국정보시스템학회지:정보시스템연구
• /
• 제26권2호
• /
• pp.105-121
• /
• 2017

Purpose It is a major goal to improve the product yields during production operations in the manufacturing industry. Therefore, factory is trying to keep the good quality materials and proper production resources, also find the proper condition of facilities and manufacturing environment for yields improvement. Design/methodology/approach We propose the hybrid framework to analyze to dataset extracted from MES. Those data is about the alarm information generated from equipment, both measurement and equipment process value from production and cycle/pitch time measured from production data these covered products during production. We adapt a data warehousing techniques for organizing dataset, a logistic regression for finding out the significant factors, and a association analysis for drawing the rules which affect the product yields. And then we validate the framework by applying the real data generated from the discrete process in secondary cell battery manufacturing. Findings This paper deals with challenges to apply the full potential of modeling and simulation within CPPS(Cyber-Physical Production System) and Smart Factory implementation. The framework is being applied in one of the most advanced and complex industrial sectors like semiconductor, display, and automotive industry.

• 경영정보학연구
• /
• 제7권1호
• /
• pp.65-80
• /
• 2005

현재 지하철 운영기관은 만성적인 운영적자를 타개하기 위하여 다각적인 서비스 개선 노력을 하고 있으며, 이를 지원하기 위하여 지하철 통행과 관련된 심층적이고 효과적인 데이터 분석이 필요한 시점이다. 이에 본 연구는 지하철 인구이동 패턴 발견을 위한 분석환경으로 다차원분석시스템(OLAP)을 제안하였다. 지하철 교통카드의 로그 데이터가 이 시스템의 원시데이터로 사용되었고, 다차원 모델링을 통해 데이터마트를 설계.구현하였으며, 다차원분석도구를 이용하여 탐색된 지하철 인구이동 패턴과 맵을 예시하였다.

• 한국정보시스템학회지:정보시스템연구
• /
• 제16권1호
• /
• pp.65-90
• /
• 2007

전통적인 비용수익 분석법 (CBA approach) 과 활동기준원가계산 방법 (ABC approach)과 같은 지금까지의 방법으로는 전략적 정보시스템이나 정보 하부구조를 효과적으로 평가하고 정당화하는데 한계가 있다고 지적되어왔다. 따라서, 본 논문은 정보시스템의 하부구조를 이루고 있는 데이터 웨어하우징을 스물여섯 개의 데이터 웨어하우징 성공사례 분석을 통해서 데이터 웨어하우징이 가치사슬 모델의 각 활동에 어떻게 활용되고 있는지를 분석하고, 경쟁우위적 관점에서 이들 사례들의 공통점을 찾아내어, 데이터 웨어하우징을 경쟁우위적 관점에서 보다 효과적으로 정당화할 수 있는 모델을 제시하고 있다. 이 모델은 기존의 정보시스템 정당화에 사용되어왔던 방법들의 단점을 보완하여, 기업들이 데이터 웨어하우징이나 경쟁우위를 확보하기 위해서 구축하는 다른 정보시스템들을 경쟁우위적 관점에서 정당화하고자 할 때 유용한 도구로써, 기존의 방법들과 병행해서 사용하면 보다 효과적으로 정보시스템들을 평가하고 정당화할 수 있으리라 생각된다.

• 한국정보처리학회논문지
• /
• 제7권1호
• /
• pp.20-28
• /
• 2000

분산 데이터베이스 시스템은 여러 곳에 이질적인 데이터 소스가 존재하는 정보환경에서 데이터가 처리되는 시스템이다. OMG에 의하여 제시된 CORBA는 이 기종의 분산 환경 하에서 플랫폼에 대해 독립성을 가지고 응용프로그램들을 통합하여 상호 연동할 수 있는 표준으로 제시되었다. 본 논문은 이러한 환경에서 CORBA 객체를 통해 인터페이스 방식에 의한 코드생성을 통하여 분산된 관계형 데이터베이스의 상호작동을 돕는 소프트웨어 도구를 개발한다. 본 논문에서 개발된 도구는 관계형 데이터베이스의 스키마를 관리하고, 스키마에 해당하는 테이블에 대한 CORBA IDL 인터페이스를 생성하며, $C^{++}$ stub에 따른 비교 등 인터페이스 방식에 관한 몇 가지 성능을 실험하고 평가하였다. 개발된 도구는 관계형 데이터베이스 상호 연동에 필요한 코드를 제공함으로써 분산 정보검색 시스템, 데이터 웨어하우징 등의 응용에 사용할 수 있다.

• Journal of Information Processing Systems
• /
• 제13권2호
• /
• pp.204-214
• /
• 2017

Artificial intelligence, especially deep learning technology, is penetrating the majority of research areas, including the field of bioinformatics. However, deep learning has some limitations, such as the complexity of parameter tuning, architecture design, and so forth. In this study, we analyze these issues and challenges in regards to its applications in bioinformatics, particularly genomic analysis and medical image analytics, and give the corresponding approaches and solutions. Although these solutions are mostly rule of thumb, they can effectively handle the issues connected to training learning machines. As such, we explore the tendency of deep learning technology by examining several directions, such as automation, scalability, individuality, mobility, integration, and intelligence warehousing.