의료정보 Big Data - acegate.co.kr

Report
2.1 In-Memory Computing
인메모리 컴퓨팅(In-memory Computing)이란…
기업이 얻게 되는 방대한 데이터들을 인메모리 방식을 통해 실시간으로 처리할 수 있는 단일 데이터베이스에 담아,
이전의 디스크 기반 모델에 비해 수십 배에서 수백 배의 성능 향상을 제공하는 기술
가트너에 따르면, 기업의 약 30%가 향후 5년 내 사내 핵심 애플리케이션의 한 개 이상을 인메모리 데이터베이스로
운영할 예정인 것이며, 2014년쯤이면 분석용 애플리케이션의 30%가 확장성과 연산 속도 향상을 위해 인메모리
기능을 활용할 전망을 제시
The full Gartner top 10 strategic technology trends for 2012 are as follows:
1. Media Tablets
2. Mobile-Centric Applications and Interfaces
3. Contextual and Social User Experience
4. Internet of Things
5. App Stores and Marketplaces
6. Next-Generation Analytics
7. Big Data
8. In-Memory Computing
9. Extreme Low-Energy Servers
10. Cloud Computing
0
2.1 In-Memory Computing
디스크 기반 데이터베이스에서 인메모리 기반 데이터베이스로 BW시스템 전환
Disk DBMS based Data
Architecture
In-Memory DBMS based
Data Architecture
Project Summary
BW시스템 Migration 프로젝트 예시
사용자수: 4,000여명
대상데이터: 6T → 1.6T (구매 비용 및 인보이스 업무
대상)
목표: 데이터로드 프로세스 단축 (DSO activation,
cube to cube staging) 및 질의속도 향상
Effect
중복적으로 유지되던 요약 데이터마트의 제거
빠른 리포팅 성능으로 인한 고객만족도 향상
데이터 적재시간의 단축 (DSO activation시간 최대
90% 감소)
간략화된 시스템 구조를 통한 관리공수의 감소
기존 BW모델, 권한관리 체계의 활용
Next Plan
전체 Global BW 시스템을 BW powered by HANA로
전환
1
2.2 EPM & BSC > EPM
대내외 환경변화에 따른 신속하고 정확한 예측경영으로 선진 경영관리 체계를 구축하고, 현행 경영/사업계획 수립
업무 효율성을 제고하여, 목표이익 달성 및 업무효율 극대화에 기여하고자 경영계획시스템을 구축합니다.
중장기경영계획 수립
ERP
PLM
DW
시뮬레이션
(시나리오 시뮬레이션)
연간경영계획 수립
Y+1 달성목표 (규모 확정)
매출계획
Rolling Forecasting
투자계획
CRM
SCM
Excel
기간계 시스템과
효과적인 인터페이스
비용계획
원가
추정 FS
계획
/ EVA
실적 관리 / 비재무목표관리
Global 수준의
경영계획프로세스
Simulation 및
Rolling Planning
2
계획 vs. 실적
차이분석 보고서
양질의 & 신속한
분석보고서 산출
2.2 EPM & BSC > BSC
전략적 성과관리 기법이자 경영전략 실행을 효과적으로 모니털핑 할 수 있는 도구인 BSC(Balanced ScoreCard)에
기반하여 조직의 미션과 비전, 전략목표와 성과목표, 성과지표 등으로 전략체계를 구성하고, 이를 전사적으로
공유하여 조직이 보다 나은 전략 집중형 조직(Strategy Focused Organization)으로 나아가게 하는 것이 성과관리
시스템의 목적입니다.
Balanced Scorecard Structure
3
2.2 EPM & BSC > BSC
성공적인 성과관리 시스템은 단위 기업실정에 맞도록 유연하게 설계되어야할 뿐만 아니라 전략을 통합적으로
관리하며, 성과를 지속적으로 모니터링하고 분석, 평가하여 공정한 보상체계로 연결할 수 있어야 합니다.
Balanced Scorecard Based Performance Management
Balanced Scorecard
Performance Assessment
Compensation
Strategy & KPL
Management
Performance
Analysis
KPI
Management
Organizational
Assessment
Personal
Assessment
Compensation
Strategy Register
Strategy
Performance
Searching
Strategy Task
Management
Organizational Task
Assessment
Personal Task
Assessment
Set Gross Labor
Cost
Organizational Task
Management
Quantitative
Assessment
Project Assessment
Set Pay Mix
Schedule / Cost
Management
Qualitative
Assessment
KPI Relation
Management
Common Task
Assessment
KPI & Goal
Register
Strategy Structure
Management
KPI Performance
Management
Strategy
Performance
Analysis
Organizational
Performance
Analysis
Legacy Data
Searching
Task Assessment
Aggregate
Management By
Objectives
Personal
Contributiveness
Personal Capacity
Assessment
Common / Job /
Leader Assessment
Multi-Dimensional
Performance
Analysis
Atypical Analysis
Reporting
4
Set Basic Annual
Salary
Set Bonus
2.3 DW/OLAP > EDW
DW(Data Warehouse)는 정보(data)와 창고(warehouse)의 합성어로써, 기업의 정보 자산을 효율적으로 활용하기
위한 하나의 패러다임입니다.
기업의 전략적 관점에서 효율적인 의사 결정을 지원하기 위해, 데이터 웨어하우스는 방대한 조직 내에서 분산
운영되는 각각의 데이터 베이스 관리 시스템들을 효율적으로 통합하여 조정ㆍ관리하며, 효율적인 의사 결정
시스템을 위한 기초를 제공하는 실무적인 활용 방법론입니다.
ERP
Data Warehouse
PLM
DW
Staging
ODS
CRM
ER-Model
SCM
Excel
5
Multi-Dimension
Model
2.3 DW/OLAP > OLAP
다양한 정보 분석 요구에 대한 정형, 비정형 분석 자료를 Web환경을 통해 사용자가 쉽게 접근하여 사용할 수 있는
분석 환경을 제공합니다. 또한 임원진, 파워유저와 일반 현업 등 데이터의 성격과 업무 권한에 따른 사용자 별 권한
등을 철저히 관리하여 시스템의 효율성을 높일 수 있도록 구축합니다
Executive
Data Warehouse
Dash Board, EWS,
예외사항 관리, KPIs
Data Mart
Power User & Analyst
분석 보고서, Ad-Hoc 분석,
부서별 KPIs
Multi-Dimension
Model
Common User
정형 보고서, 현황 상세
보고서, 개인화 Dash Board,
Office
6
2.4 Data Mining
데이터 마이닝은 이전에는 발전되지 않았던 데이터들간의 상호관계를 분석하는 것입니다.
데이터 마이닝의 활용 분야는 매우 다양합니다. 마케팅 분야에서는 고객의 구매 패턴을 분석하여 주요 고객에게
집중적으로 판촉활동을 하는 타게팅(Target Marketing) 및 고객 관계 관리(Customer Relationship Management)
등을, 금융 분야에서는 신용 평가, 신용카드 사기 탐지, 증권가격 예측, 포트폴리오 평가 등을 하고 있다. 통신
분야에서는 고객 이탈 방지, 문자/패턴 인식, 보안 관리 등에, 의료 분야에서는 질병 진단 및 유전자 분석 등에,
에너지 분야에서는 전력수요 예측 및 자원 탐사 등에, 제조업에서는 불량 예지, 공장 자동화, 재고 및 수요 관리 등에
활용하고 있습니다.
Regression
Classification
Decision Tree
Logistics
Correlation Analysis
Neural Network
7
2.5 Big Data
BIG DATA의 세가지 요소 (Variety, Volume, Velocity)를 기반으로 Value를 창출하기 위해서는, 데이터의 저장 및 처리
뿐만 아니라 기업 내/외 데이터에 대한 다각적, 통합적, 그리고 무엇보다 신속한 분석을 통한 Insight의 창출이
핵심입니다.
Volume
(용량)
다양한 정보 소스 처리
• 업무관련 정형 데이터
• 기업 내/외 비정형 데이터
• 소셜데이터 처리
• Sentiment 분석 능력
Variety
(다양성)
인사이트 확보를 통한 가치창출
• 정보 해석의 정확성
• 실시간 데이터 분석을 통한 단기
예측력 강화
• 다양한 속성을 고려한 종합분석력
확보
BIG DATA
Insight /
Value
(가치)
8
대용량 데이터 처리 및 분석
• 소셜 데이터의 등장
• 전산화, 통합화에 따른 기업 내 데이터의 급증
• 다양한 속성에 대한 관리 필요성 증대
Velocity
(속도)
신속한 분석을 통한 적시성
확보
• 변화의 속도에 맞춘 분석력
• 돌발상황에 대처할 수 있는
실행력을 위한 시뮬레이션
능력
• 의사결정 소요시간 단축
2.5 Big Data > SAP Big Data 기술 = Social Data + App Data 통합
BIG DATA의 세가지 요소 (Variety, Volume, Velocity)를 기반으로 Value를 창출하기 위해서는 데이터의 저장 및 처리
뿐만 아니라 신속한 분석, 기업내외 정보의 통합 연계 분석이 필수적입니다.
Business
Analytics
NoSQL
Real Time
Replication
Mapreduce
Mining
Analytics
Social
Data
App
Data
Business
Intelligence
Social Media Analytics on
SAP HANA
Entity Extraction / 자연어 처리
/ Sentiment Analysis
Ad-Hoc 모델링, Social data 와
App데이터와의 실시간 연계 분석
i.e. Sell-thru 정보와 SNS 상의 제품
평판 정보의 실시간 연계 분석
9
기업 내 증가된 App
Data의 효율적 분석
2.5 Demanding Forecasting / Optimization > Demanding Forecasting
수요예측 방법은 크게 '정성적(qualitative)인 방법'과 '정량적(quantitative) 방법'으로 나누어 볼 수 있습니다.
정성적인 방법은 과거 데이터가 없거나, 수리적 모델링이 불가능한 상황에서 사용되는데 전문가들의 지식과 의견에
따라 예측하는 것으로, Delphi 방법이 가장 많이 알려져 있습니다.
정량적인 방법은 크게 시계열 분석(time-series analysis) 방법과 인과 분석(causal analysis) 방법이 있습니다. 시계열
분석 방법이란 변수 하나를 선정한 후에, 해당 변수의 과거 데이터를 근거로 해당 변수의 미래 값을 예측하는
방법입니다. 인과 분석은 어떤 변수의 값이, 다른 변수들에 의해 영향을 받아 결정될 때에 다른 변수들의 과거 값과
해당 변수의 관계를 모델링하여 원하는 변수의 미래값을 추정하는 방법입니다.
Delphi Method
Time-Series Analysis
10
Causal Analysis
2.5 Demanding Forecasting / Optimization > Optimization
새로운 모델의 영향도를 객관적으로 평가하기 위하여 기존 모델과 새로운 모델을 동일한 환경에서 실행한 후, 보다
우수한 모델을 채택하는 테스트 프로세스를 의미합니다.
기존 모델(Champion)과 함께 새로운 모델(Chanllenger)을 일정 기간 동일한 데이터로 운영한 후, 새로운 모델이
기존보다 성과가 우수한 경우, 주 모델로 사용하게 됩니다.
최적화는 모델의 성과 악화 시점, 즉 모델 최적화 주기 및 시점의 인지가 매우 중요함으로, 모니터링, 분석, 모델링,
시뮬레이션, 테스트, 오퍼레이팅의 절차를 수립하여, 주기적으로 운용할 수 있는 프로세스 정립과 시스템 기반이
중요합니다.
Optimization
Optimal Goal
Simulation
(Champion-Challenger)
Monitoring
Operating
Champion
Test
Optimization
Process
Champion
Challenger
Challenger
Challenger
Challenger
Champion
Analysis
Simulation &
Evaluation
Challenger
Challenger
11
Re-Modeling
2.7 CDW (Clinical Data Warehouse)
빅데이터 분석 기술을 도입한 차세대 임상데이터웨어하우징(CDW: Clinical Data Warehouse)은 빅데이터 분석을
통해 시간 단축 및 의료정보표준화 기능을 강화할 수 있을 것으로 기대하고 있습니다.
대용량 데이터 분석 및 의료정보표준화로 의료진의 연구 검색 활성화, 자료제공 업무 요청 대기 시간 단축을 통한
효율성 증대, CDW 재설계를 통한 데이터 검색 정확성 개선, 연구 지원 생산성 향상 등의 효과를 거둘 수 있습니다.
OCS
의료정보 분석 Infra
PACS
의료정보 Big Data
EMR
Clinical
Data
CRM
Warehouse
ABC
…
ICD-10
의료정보표준
SNOMED
12
2.8 CRM (Customer Relationship Management)
Customer Relationship Management의 약자로 고객관계관리를 의미합니다.
기업이 고객과 관련된 내외부 자료를 분석·통합해 고객 중심 자원을 극대화하고 이를 토대로 고객특성에 맞게
마케팅 활동을 계획·지원·평가하는 과정입니다.
CRM은 최근에 등장한 데이터베이스 마케팅(DB marketing)의 일대일 마케팅(One-to-One marketing),
관계마케팅(Relationship marketing)에서 진화한 요소들을 기반으로 등장하게 되었습니다.
CRM에 대한 기본적인 분류는 주로 메타그룹의 CRM 산업보고서(The Customer Relationship Management
Ecosystem 1999)에 대한 분류기준을 따른다. 메타그룹의 분류에 따르면 CRM은 프로세스 관점에 따라
분석(Analytical) CRM, 운영(Operational) CRM, 협업(Collaborative) CRM로 구분됩니다.
 영업/마케팅/서비스 측면에서 고객정보를 활용하기 위해 고객 데이터를 추출, 분석하는 시스템
분석
(Analytical)
CRM
 사업에 필요한 고객/시장 세분화, 고객 프로파일링, 제품 컨셉의 발견, 캠페인 관리, 이벤트 계획,
프로모션 계획 등의 기회 및 방법에 대한 아이디어 도출
 고객 데이터의 과학적인 분석을 위하여 데이터 마이닝 기술이 매우 중요
 다른 구성요소인 Operational CRM, Collaborative CRM과 밀접하게 연관되도록 Closed-Loop을 구성
운영
(Operational)
CRM
협업
(Collaborative)
CRM
(e-CRM)
 CRM의 구체적인 실행을 지원하는 시스템
 기존의 ERP 시스템이 조직 내부의 관리 효율화를 담당하는 시스템(Back-end)임에 반하여,
Operational CRM은 조직과 고객간의 관계 향상, 즉 조직의 전방위 업무를 지원하는 시스템(Front-end)
 주로 영업과 서비스를 위한 시스템
 인터넷을 기반으로 한 비즈니스의 성장 및 오프라인 기업의 온라인화가 가속화되면서 인터넷에
대응하는 신 개넘의 CRM
 협업은 분석과 운영 시스템의 통합을 의미
 e-비즈니스 환경에서 각 고객별로 차별화된 서비스를 제공하는 웹 개인화 서비스 시스템이 대표적
13
2.9 ISP (Information Strategy Planning) / BPR (Business Process Re-engineering)
관리기법/1 방법론을 기반으로 본 사업의 특성에 적합한 추진방법론을 적용합니다. 사업 목적, 범위 및 기간을
고려하여, 해당 단계를 전략적으로 Tailoring합니다.
관리기법/1 정보전략계획의 전략적 Tailoring
착수
정보계획 수립
구현계획 수립
종료
**업무 관련 법/제도 분석 생략 가능
업무 및
경쟁력 평가
데이터 및
응용계획
160G
120G
범위 정의
및 편성
110G
현황평가
130G
정보기술
전략
150G
정보기술
가능성
140G
**기술 관련 타사사례 수집/분석 생략 가능
조직계획
170G
정보실행
계획
기술계획
180G
**Technical 분석 생략 가능
14
190G
프로젝트
정의 및
계획수립
200G
프로젝트
종료
210G
2.10 FDS (Fraud Detection System)
Heuristic 기반의 FDS는 보험사기방지업무에 대한 업무지식, 경험, 문서, 노하우에서 보험사기방지지식을 수집하고
정립하여 추론엔진기반의 지식모델을 생성합니다. 통계부분의 Score Card를 반영하여 지식모델을 보다 정교화하여
보험사기 적발력을 향상하며, 보험사기방지업무 Process 상의 필요한 정보를 제공합니다.
청구심사자
(본부)
의사결정자
(임원)
청구심사자
(지사)
• 사전예방
• 위험 자가 진단
• 노하우 활용
• 전사 위험수준 모니터링
정보관리자
(조사부)
정보관리자
• 의심건 색출
• 사건조사 및 처리
• 부정수급정보 관리
FDS: Fraud Detecting System)
보험사기정보조회
정밀분석
인지모델모니터링
인지모델검증
인지모델적용관리
시스템관리
자격정보 조회
관리도 분석
지식모델 모니터링
지식모델 시뮬레이션
지식모델 적용관리
기초코드 관리
급여정보 조회
추세 분석
계량모델 모니터링
계량모델 리모델링
계량모델 적용관리
인터페이스 관리
보상정보 조회
유형별 분석
모델성능 평가
고위험자 관리
데이터 품질관리
손해율 조회
다차원 정밀분석
사용자 권한관리
지표 조회
관계자 연관분석
공지사항 관리
15

similar documents