현대화 프로젝트를 위한 데이터 품질 평가 프레임워크

데이터 품질 투자에 대한 일반적인 근거는 운영 위험에 기반합니다. 조직의 84%가 데이터 품질 저하로 인해 상당한 운영 차질을 겪고 있으며, 4분의 1 이상이 이로 인해 매년 5백만 달러 이상의 직접적인 손실을 입고 있습니다. 이에 대한 일반적인 대응책은 정확성, 완전성, 일관성, 적시성, 유효성 및 고유성을 지속적인 기준에 따라 측정하는 데이터 품질 관리 프로그램과, 운영 시스템을 통해 흐르는 데이터가 정의된 표준을 충족하는지 여부를 추적하는 지표 대시보드입니다.

이 표준 프레임워크는 현대화 프로젝트를 위해 설계된 것이 아닙니다. COBOL 기반 메인프레임에서 클라우드 네이티브 플랫폼으로 데이터를 이전하는 것은 지속적인 운영 품질 문제가 아닙니다. 이는 특정 사전 마이그레이션 요구 사항, 마이그레이션 시점의 특정 위험, 그리고 마이그레이션 후 검증 요구 사항이 있는 변환 작업이며, 표준 데이터 품질 차원은 이러한 요구 사항을 부분적으로만 다룹니다. 현대화 프로젝트에 적합한 데이터 품질 평가 프레임워크는 운영 모니터링에 적합한 프레임워크와 세 가지 근본적인 측면에서 다릅니다. 첫째, 현재 운영에 대한 적합성이 아닌 마이그레이션에 대한 적합성을 평가해야 합니다. 둘째, 운영 오류율이 아닌 마이그레이션 위험을 평가해야 합니다. 셋째, 변환된 데이터가 원본 데이터와 동일하게 동작하는지 확인하는 마이그레이션 검증 프로세스에 대한 증거를 제공해야 합니다.

표준 데이터 품질 프레임워크가 현대화에 불충분한 이유

DAMA(데이터 관리 지식 체계) 프레임워크의 6가지 차원, 즉 정확성, 완전성, 일관성, 적시성, 유효성 및 고유성은 운영 요구 사항에 대한 데이터 품질을 측정합니다. 정확성 95%, 완전성 98%, 일관성 99%를 충족하는 레코드는 대부분의 시스템에서 운영 품질 기준을 충족합니다. 이러한 레코드는 마이그레이션에 적합할 수도 있고, 대상 시스템에서 정확한 결과를 생성할 수도 있고 그렇지 않을 수도 있습니다.

문제는 치수 자체에 있는 것이 아니라, 그 치수가 무엇을 측정하는지, 그리고 현대화 프로젝트의 특정한 목적에 비추어 볼 때 무엇을 놓치고 있는지에 있습니다.

마이그레이션 적합성은 운영 적합성과는 다릅니다. COBOL에서 올바르게 작동하는 유효한 COMP-3 팩형 십진수 필드를 가진 VSAM 레코드라도 대상 데이터베이스의 필드가 DECIMAL이 아닌 FLOAT로 정의된 경우 마이그레이션이 제대로 되지 않을 수 있습니다. 이는 COBOL 프로그램이 원본 필드를 읽는 COMP-3 표현에서 올바른 결과를 계산하기 때문에 운영 품질 검사는 통과하지만, 부동 소수점 연산을 사용하는 대상 시스템에서는 반올림 오류가 발생하기 때문입니다. 운영 품질 점수는 높았지만 마이그레이션 적합성 점수는 낮았습니다.

소스 시스템의 암묵적인 데이터 계약은 외부 품질 관리 도구에서 감지할 수 없습니다. COBOL 프로그램은 절차적 코드, IF 문의 범위 검사, EVALUATE 블록의 형식 유효성 검사, COMPUTE 문의 계산 규칙 등을 통해 데이터 품질을 보장합니다. 이러한 품질 규칙은 데이터 자체가 아닌 소스 코드에 존재합니다. 데이터를 생성하는 프로그램을 분석하지 않고 데이터를 프로파일링하는 외부 데이터 품질 관리 도구는 이러한 암묵적인 제약 조건을 파악할 수 없으므로 대상 시스템이 동일한 제약 조건을 적용하는지 여부를 판단할 수 없습니다.

AI 준비성은 운영 및 마이그레이션 적합성 외에 세 번째 차원을 도입합니다. 가트너는 AI 준비 데이터가 뒷받침되지 않는 AI 프로젝트의 60%가 2026년까지 중단될 것으로 예측합니다. "AI 준비 데이터"는 운영 정의에서 "정제된 데이터"와 동일하지 않습니다. AI 모델은 재무 시스템의 "매출"에는 환불이 제외되지만 CRM의 "매출"에는 환불이 포함된다는 사실을 알지 못하고, 두 가지를 동일한 지표로 취급하여 이러한 불일치를 기반으로 작동합니다. AI 또는 분석 전환의 일환으로 진행되는 현대화 프로젝트는 세 번째 기준, 즉 마이그레이션된 데이터가 후속 AI 및 분석 워크로드에서 신뢰할 수 있는 결과를 생성할 수 있는지 여부를 기준으로 데이터 품질을 평가해야 합니다.

현대화 관련 데이터 품질 차원

현대화 프로젝트를 위한 데이터 품질 평가 프레임워크는 표준 6가지 차원에 마이그레이션 관련 5가지 평가 항목을 추가합니다.

(이주 맥락에 적용된) 표준 6가지 차원

정확성데이터가 실제 세계의 개체 또는 사건을 얼마나 정확하게 나타내는지를 나타내는 정도입니다. 마이그레이션 맥락에서 정확도는 소스 시스템의 표현과 대상 시스템의 표현 모두를 기준으로 평가해야 합니다. 저장된 금융 금액은 다음과 같습니다. PIC S9(11)V99 COMP-3 COBOL에서 는 팩형 십진수 형식으로 두 개의 암시적 소수 자릿수를 갖는 값을 나타냅니다. 대상 데이터베이스에 DECIMAL(13,2)로 저장된 동일한 양은 동일한 값을 나타냅니다. FLOAT(8)로 저장된 동일한 양은 이진 부동 소수점으로 정확하게 표현할 수 없는 값에 대해 대략적으로 정확하지만 동일하지는 않은 값을 나타냅니다.

완전성이란 필요한 모든 데이터가 존재하는 정도를 나타냅니다. COBOL 프로그램은 SQL의 NULL 의미 체계와 직접적으로 일치하지는 않지만, 기능적으로 NULL과 유사한 역할을 하는 필러 필드, 패딩 바이트, 그리고 센티널 값(공백, 0, 높은 값)을 자주 사용합니다. 마이그레이션을 위한 완전성 평가에서는 이러한 기능적 NULL 값(물리적으로는 존재하지만 의미 있는 데이터의 부재를 나타내는 값)을 식별하고, 대상 시스템의 NULL 처리 방식에 어떻게 매핑되는지 파악해야 합니다.

일관성은 데이터 세트 간 또는 데이터 세트 내에서 데이터가 얼마나 모순 없이 존재하는지를 나타내는 정도입니다. 메인프레임 데이터의 경우, 프로그램 간 일관성이 특히 중요합니다. 동일한 비즈니스 엔티티(고객, 계정, 정책)가 서로 다른 프로그램에서 관리하는 여러 VSAM 파일이나 DB2 테이블에 표현될 수 있기 때문입니다. 각 프로그램은 해당 엔티티의 현재 상태에 대한 자체 기록을 가지고 있습니다. 일관성 평가는 이러한 표현들이 일치하는지 여부를 평가하거나, 마이그레이션을 통해 일관된 대상 데이터 세트를 생성하기 전에 해결해야 할 불일치를 식별해야 합니다.

적시성은 데이터가 허용 가능한 시간 범위 내에서 현재 상황을 얼마나 정확하게 반영하는지를 나타내는 정도입니다. 배치 처리되는 메인프레임 데이터의 경우 적시성은 배치 주기에 따라 결정됩니다. 월별 배치 처리는 한 달 이내의 최신 데이터를 생성합니다. 그러나 대상 시스템은 분석 워크로드에 거의 실시간 데이터가 필요할 수 있는데, 이는 소스 시스템이 지원하도록 설계되지 않았기 때문에 마이그레이션만으로는 해결할 수 없는 적시성 격차가 발생합니다.

유효 기간데이터가 정의된 형식 및 유형 제약 조건에 얼마나 잘 부합하는지를 나타내는 정도입니다. COBOL의 88단계 조건 이름은 데이터 유형 시스템에서 포착되지 않는 의미론적 유효성 제약 조건을 생성합니다. 예를 들어 다음과 같이 정의된 필드가 있습니다. PIC 9(2) COBOL 프로그램에서 해당 필드는 01~12(월) 또는 01~31(일) 범위의 값을 포함할 때만 유효하며, 유효성은 88 레벨 조건에 의해 강제됩니다. 필드를 프로파일링하는 외부 데이터 품질 도구는 두 자리 숫자 필드로 인식하며, 00, 13~99 값을 문맥상 유효하지 않게 만드는 의미론적 제약 조건을 인식하지 못합니다.

고유성은 데이터 엔티티가 단 한 번만 표현되는 정도를 나타냅니다. COBOL 데이터의 고유성 차원을 이해하려면 VSAM KSDS 파일이 파일 수준에서 기본 키의 고유성을 강제한다는 점을 알아야 하지만, 동일한 논리적 엔티티가 서로 다른 프로그램에서 서로 다른 키를 사용하여 관리하는 여러 VSAM 파일에 나타날 수 있다는 점도 이해해야 합니다. 파일 간 엔티티 해석, 즉 CUSTMSTR.VSAM 파일의 CUSTOMER-RECORD와 ACTHLD.VSAM 파일의 ACCOUNT-HOLDER가 동일한 실제 인물을 나타내는지 여부를 판단하는 것은 각 파일을 개별적으로 검사해서는 평가할 수 없는 고유성 문제입니다.

이주와 관련된 다섯 가지 핵심 요소

구조적 무결성은 데이터의 물리적 레이아웃이 프로그램이 예상하는 스키마 정의와 일치하는 정도를 나타냅니다. COBOL 데이터는 PIC 절 사양에 따라 저장되며, 프로그램이 데이터를 올바르게 해석하려면 디스크 또는 VSAM 레코드의 물리적 바이트가 이러한 사양을 준수해야 합니다. 구조적 무결성 오류는 COMP-3 필드에 팩형 십진수에 유효하지 않은 비트 패턴이 포함되거나 숫자 필드에 숫자가 아닌 문자가 포함된 레코드에서 발생하며, 이러한 오류는 레거시 데이터에서 흔히 발견되지만, 유효하지 않은 값을 사용하지 않는 프로그램에서는 감지되지 않습니다. 그러나 변환 도구가 이러한 필드를 읽으려고 시도할 때 마이그레이션 오류가 발생합니다.

스키마 변형 커버리지란 데이터 품질 점수가 소스 스키마의 모든 REDEFINES 변형을 얼마나 잘 반영하는지를 나타내는 정도입니다. VSAM 파일 구조 분석에서 논의된 바와 같이, VSAM 레코드는 REDEFINES 절을 통해 정의된 여러 개의 중복되는 레이아웃을 가질 수 있습니다. 기본 레코드 레이아웃을 프로파일링하는 표준 데이터 품질 평가는 REDEFINES 변형의 품질 특성을 간과합니다. 여기에는 각 레코드에 적용되는 변형을 결정하는 식별자 필드의 값과 적절한 조건에서 각 변형 필드 값의 유효성이 포함됩니다.

프로그램 간 일관성 이란 동일한 비즈니스 엔티티에 대한 중복 표현을 유지하는 프로그램들 간의 데이터 값 일관성 정도를 나타냅니다. 이 차원은 동일한 엔티티가 공유 데이터 세트를 통해 여러 프로그램에서 관리되는 메인프레임 환경에 특화되어 있습니다. 두 프로그램에서 비즈니스 규칙이 다르게 구현된 경우, 예를 들어 규칙이 변경되었을 때 한 프로그램은 업데이트되었지만 다른 프로그램은 업데이트되지 않은 경우, 프로그램 간 불일치가 발생하며 이는 단일 프로그램 데이터 품질 평가에서는 감지되지 않습니다.

정밀도 인식 품질은 숫자 데이터를 대상 시스템에서 동일한 정밀도로 표현할 수 있는 정도를 나타냅니다. 이 차원은 특히 COBOL 프로그램에서 흔히 사용되며 정밀도를 고려한 대상 유형 매핑이 필요한 COMP-3, COMP 및 COMP-5 필드를 다룹니다. 모든 숫자 필드를 식별하고 해당 값이 대상 필드 유형의 범위 및 정밀도 내에 있는지 평가하는 품질 평가는 표준 프로파일링 도구에서 수행하지 않는 마이그레이션 관련 품질 검사입니다.

마이그레이션 준비 점수는 각 데이터 엔티티가 현재 상태 그대로 마이그레이션할 준비가 되었는지, 마이그레이션 전 수정이 필요한지, 또는 대상 측에서 동일한 동작을 구현하기 위한 변환이 필요한지를 종합적으로 평가한 값입니다. 마이그레이션 준비 점수는 앞서 언급한 여러 요소들을 종합하여 산출됩니다. 정확성, 완전성, 일관성, 유효성, 고유성, 구조적 무결성, 스키마 변형 적용 범위, 프로그램 간 일관성, 정밀도 인식 품질 측면에서 높은 점수를 받은 레코드는 마이그레이션 준비가 완료된 것으로 간주합니다. 이러한 요소 중 하나라도 충족하지 못하는 레코드는 처리, 정리, 변환, 제외 또는 문서화된 위험을 감수하고 변경 사항을 수용하는 등의 조치가 필요합니다.

종합 품질 점수 계산

현대화 프로젝트의 종합 데이터 품질 점수는 각 차원 점수의 가중 평균이며, 가중치는 특정 마이그레이션 컨텍스트에서 각 차원의 상대적 중요도를 반영합니다.

외형 치수	표준 무게	재무 데이터 조정	분석 목표에 대한 조정
정확성	25%	30% (정밀도 중요)	20%
완전성	20%	15%	25% (AI에는 완전한 기능이 필요합니다)
일관성	15%	20% (규제)	20%
유효 기간	15%	15%	10%
고유성	10%	10%	15% (AI용 중복 제거)
적시	5%	5%	10% (모델용 신선도 유지)
구조적 무결성	5%	2%	0% (전환 후)
스키마 변형 적용 범위	3%	2%	0%
프로그램 간 일관성	1%	1%	0%
정밀도를 중시하는 품질	1%	1%	0%

각 항목은 0점에서 100점까지 점수가 매겨지며, 종합 점수는 가중 합산됩니다. 이 종합 점수를 기준으로 마이그레이션 준비 상태를 분류합니다.

종합 점수	이주 준비	권장 처분
90-100	준비	표준 유효성 검사를 사용하여 마이그레이션
75-89	모니터링 준비 완료	향상된 마이그레이션 후 유효성 검사 기능을 사용하여 마이그레이션하세요.
60-74	가정 어구	마이그레이션 전에 특정 차원의 오류를 수정하십시오.
40-59	준비되지 않음	마이그레이션 전 상당한 사전 복구 작업이 필요합니다.
40 아래	심각한 품질 문제	근본 원인 분석 및 해결이 완료될 때까지 마이그레이션을 진행하지 마십시오.

실질적인 측정: 평가 워크플로

현대화 프로젝트에 대한 데이터 품질 점수 평가는 운영 품질 모니터링과는 다른 특정 워크플로를 따릅니다.

1단계: 스키마 검색 및 문서화. 데이터에 점수를 매기기 전에 해당 데이터를 정의하는 스키마를 알아야 합니다. 메인프레임 데이터의 경우, 각 데이터 세트에 접근하는 모든 COBOL 프로그램에서 FD 항목, COPY 멤버 및 SELECT 절을 분석해야 합니다. 스키마 검색 단계에서는 데이터 유형, 길이 및 COMP 사양을 포함한 전체 필드 목록, 모든 REDEFINES 계층 구조 및 해당 판별 조건, 88단계 조건 이름 및 의미 제약 조건, 그리고 PROCEDURE DIVISION 논리에 포함된 프로그램 수준의 데이터 품질 규칙을 생성합니다.

2단계: 발견된 스키마에 대한 데이터 프로파일링. 각 데이터 세트는 1단계에서 발견된 스키마를 기준으로 프로파일링해야 하며, 가정된 스키마나 문서화된 스키마를 기준으로 해서는 안 됩니다. 프로파일링 항목은 다음과 같습니다. 널(null) 값의 빈도(공백, 0, 널 의미가 의도된 필드에서 높은 값); 88단계 제약 조건에 대한 값 범위 분포; 구조적 무결성(유효한 COMP-3 비트 패턴, 유효한 COMP-5 표현); 필드 간 일관성(날짜 필드에서 일 값이 해당 월의 최대값을 초과하는 경우); 레코드 간 일관성(공유 속성에 대해 일치해야 하지만 일치하지 않는 관련 레코드).

3단계: 프로그램 간 일관성 평가. 여러 프로그램 또는 데이터 세트에 걸쳐 표현되는 각 비즈니스 엔티티에 대해 표현 방식 간의 일관성을 평가합니다. 이를 위해서는 다음 단계를 수행해야 합니다. 종속성 매핑을 통해 중복 표현을 유지하는 프로그램을 식별하고, 각 엔티티의 각 표현 방식에 대한 레코드를 추출하고, 일관성이 유지되어야 하는 값을 비교하고, 불일치 사항과 그 빈도 및 심각도를 문서화합니다.

4단계: 정밀도 영향 분석. 모든 COMP-3 및 이진 숫자 필드에 대해 대상 필드 유형 매핑으로 인한 정밀도 영향을 계산합니다. 구체적으로, 소스 데이터에서 대상 필드 유형으로 정확하게 표현할 수 없는 값을 식별하고, 유형 변환으로 인해 발생하는 반올림 오차를 정량화하며, 하위 사용 사례(규제 보고와 내부 분석은 허용 오차 임계값이 다름)를 고려하여 반올림 오차가 허용 가능한지 여부를 판단합니다.

5단계: 차원 점수 및 복합 점수 계산. 데이터 유형 및 마이그레이션 대상 컨텍스트에 따라 차원 점수를 적용하고 가중치를 부여합니다. 각 데이터 세트와 전체 포트폴리오에 대한 복합 점수 및 마이그레이션 준비 상태 분류를 생성합니다.

6단계: 복구 계획 수립. 마이그레이션 준비 임계값 미만 점수를 받은 데이터 세트의 경우, 다음 사항을 명시하는 복구 계획을 수립합니다. 품질 검사에 실패한 특정 데이터 요소, 영향을 받는 레코드 수, 실패를 수정할 비즈니스 규칙 또는 변환, 그리고 복구가 완료되었는지 확인하는 유효성 검사.

데이터 품질 측정을 위한 SQL 패턴

실질적인 품질 평가를 위해서는 실행 가능한 측정이 필요합니다. 다음 SQL 패턴은 기존 시스템에서 스테이징 환경으로 추출된 데이터에 대해 가장 일반적인 현대화 관련 품질 검사를 구현합니다.

SQL

-- 1. Completeness: detect functional nulls (spaces/zeros as NULL equivalents)
SELECT
    COUNT(*)                                          AS total_records,
    SUM(CASE WHEN TRIM(CUSTOMER_NAME) = ''
             THEN 1 ELSE 0 END)                       AS functional_null_name,
    SUM(CASE WHEN ACCOUNT_BALANCE = 0
             AND ACCOUNT_STATUS NOT IN ('ACTIVE','CLOSED')
             THEN 1 ELSE 0 END)                       AS suspicious_zero_balance,
    ROUND(100.0 * SUM(CASE WHEN TRIM(CUSTOMER_NAME) = ''
                           THEN 1 ELSE 0 END)
              / COUNT(*), 2)                          AS functional_null_pct
FROM staging_customer_master;

-- 2. Validity: check 88-level equivalent constraints (month range)
SELECT
    COUNT(*)                                          AS total_records,
    SUM(CASE WHEN TRANSACTION_MONTH NOT BETWEEN 1 AND 12
             THEN 1 ELSE 0 END)                       AS invalid_month_count,
    SUM(CASE WHEN TRANSACTION_DAY NOT BETWEEN 1 AND 31
             THEN 1 ELSE 0 END)                       AS invalid_day_count,
    SUM(CASE WHEN TRANSACTION_YEAR < 1900
              OR TRANSACTION_YEAR > 2100
             THEN 1 ELSE 0 END)                       AS invalid_year_count
FROM staging_transaction_header;

-- 3. Precision impact: identify values that lose precision in FLOAT conversion
SELECT
    RECORD_KEY,
    ORIGINAL_AMOUNT,
    CAST(CAST(ORIGINAL_AMOUNT AS FLOAT) AS DECIMAL(13,2)) AS float_roundtrip,
    ABS(ORIGINAL_AMOUNT -
        CAST(CAST(ORIGINAL_AMOUNT AS FLOAT) AS DECIMAL(13,2)))
                                                      AS precision_loss
FROM staging_financial_amounts
WHERE ABS(ORIGINAL_AMOUNT -
          CAST(CAST(ORIGINAL_AMOUNT AS FLOAT)
               AS DECIMAL(13,2))) > 0.005
ORDER BY precision_loss DESC;

-- 4. Cross-program consistency: compare entity representations across programs
SELECT
    a.CUSTOMER_ID,
    a.CUSTOMER_NAME        AS name_in_custmstr,
    b.ACCOUNT_HOLDER_NAME  AS name_in_acthld,
    a.CUSTOMER_ADDRESS     AS addr_in_custmstr,
    b.MAILING_ADDRESS      AS addr_in_acthld,
    CASE WHEN a.CUSTOMER_NAME <> b.ACCOUNT_HOLDER_NAME
         THEN 'NAME_MISMATCH' ELSE 'OK' END           AS name_consistency,
    CASE WHEN TRIM(a.CUSTOMER_ADDRESS) <> TRIM(b.MAILING_ADDRESS)
         THEN 'ADDRESS_MISMATCH' ELSE 'OK' END        AS addr_consistency
FROM staging_customer_master a
JOIN staging_account_holder b
    ON a.CUSTOMER_ID = b.CUSTOMER_ID
WHERE a.CUSTOMER_NAME <> b.ACCOUNT_HOLDER_NAME
   OR TRIM(a.CUSTOMER_ADDRESS) <> TRIM(b.MAILING_ADDRESS)
ORDER BY a.CUSTOMER_ID;

-- 5. Uniqueness: identify duplicates on logical keys
SELECT
    CUSTOMER_ID,
    COUNT(*)   AS occurrence_count,
    MIN(RECORD_TIMESTAMP) AS first_occurrence,
    MAX(RECORD_TIMESTAMP) AS last_occurrence
FROM staging_customer_master
GROUP BY CUSTOMER_ID
HAVING COUNT(*) > 1
ORDER BY occurrence_count DESC;

마이그레이션 웨이브를 위한 품질 게이트 프레임워크

현대화 프로그램은 일반적으로 애플리케이션과 데이터 세트 그룹이 함께 이동하는 일련의 단계로 진행됩니다. 데이터 품질 평가 프레임워크는 이러한 단계 구성에 대한 결정을 내리는 데 중요한 역할을 합니다.

마이그레이션 웨이브 참여 자격 기준: 데이터 세트는 종합 품질 점수가 해당 웨이브의 최소 임계값을 초과하는 경우에만 마이그레이션 웨이브에 참여할 수 있습니다. 1단계(핵심 업무용) 애플리케이션의 경우 최소 임계값은 85점이고, 2단계 애플리케이션의 경우 75점입니다. 이는 핵심 업무용 애플리케이션이 적절한 검증을 거치지 않은 데이터를 사용하는 것을 방지하기 위함입니다.

마이그레이션 실행 전 품질 검사: 각 단계가 시작되기 전에 최종 품질 검사를 통해 초기 평가 이후 데이터 품질 점수가 저하되지 않았는지 확인합니다. 소스 시스템이 계속 실행되어 평가 시 확인된 품질 기준을 충족하지 않는 새로운 레코드가 누적될 경우 초기 평가와 마이그레이션 실행 사이에 데이터 품질이 저하될 수 있습니다.

마이그레이션 후 동등성 검증: 각 마이그레이션 단계가 완료되면 품질 프레임워크는 비교 기준선을 제공합니다. 소스 데이터에서 계산된 모든 차원 점수는 마이그레이션된 데이터에서 다시 계산되며, 소스 점수와 대상 점수 간의 차이가 마이그레이션 품질 보고서가 됩니다. 마이그레이션 결과 대상 데이터 세트의 정확도, 완전성 또는 프로그램 간 일관성이 소스 데이터 세트보다 낮은 경우, 품질 저하가 발생한 것으로 간주하여 다음 단계로 진행하기 전에 해당 문제를 조사해야 합니다.

방법 SMART TS XL 현대화를 위한 데이터 품질 점수 평가를 지원합니다.

마이그레이션 관련 품질 차원, 스키마 변형 범위, 프로그램 간 일관성, 정밀도 인식 품질 및 구조적 무결성은 모두 표준 데이터 품질 도구가 갖추지 못한 수준의 소스 애플리케이션 코드에 대한 이해에 달려 있습니다. 이러한 요소들은 데이터를 생성하는 프로그램이 유효한 것으로 정의하는 것이 무엇인지, 어떤 필드가 COMP-3이며 정밀도 인식 대상 매핑이 필요한지, 그리고 어떤 프로그램이 동일한 비즈니스 엔티티에 대해 중복 표현을 유지하는지 등을 파악해야 합니다.

SMART TS XL의 정적 코드 분석 이 기능은 스키마 검색 계층을 제공합니다. COBOL 포트폴리오 전체의 모든 함수 정의(FD) 항목, COPY 멤버 및 SELECT 절을 구문 분석하여 완전한 스키마 인벤토리, 모든 필드 정의, 모든 REDEFINES 계층 구조, 모든 88단계 제약 조건 및 모든 COMP-3 정밀도 사양을 생성합니다. 이 인벤토리는 마이그레이션별 품질 차원에 필요한 기반이며 데이터 자체에서는 도출할 수 없습니다.

애플리케이션 종속성 매핑을 통해 프로그램 간 일관성 평가를 수행할 수 있습니다. 어떤 프로그램이 어떤 데이터를 관리하는지, 어떤 프로그램이 어떤 VSAM 데이터 세트에 기록하는지, 어떤 데이터 세트에 동일한 비즈니스 엔티티에 대한 중복 표현이 포함되어 있는지 등을 파악하는 매핑을 구축함으로써, 프로그램 간 일관성 평가가 필요한 쌍과 그룹을 식별할 수 있습니다. 이 매핑이 없으면 평가자는 어떤 프로그램과 데이터 세트가 동일한 엔티티를 나타내는지 알 수 없으므로 프로그램 간 일관성 차원을 평가할 수 없습니다.

영향 분석 기능을 통해 품질 게이트 프레임워크를 대규모로 운영할 수 있습니다. 특정 데이터 세트에서 품질 문제가 발견되면 영향 분석을 통해 해당 데이터 세트에 의존하는 모든 애플리케이션, 프로그램 및 비즈니스 프로세스를 식별하고, 품질 문제가 미치는 하위 영향의 범위를 파악하며, 영향을 받는 종속 프로그램의 수를 기준으로 개선 우선순위를 지정합니다.

엔터프라이즈 검색 기능을 통해 마이그레이션 프로그램 전반에 걸쳐 품질 인벤토리를 조회할 수 있습니다. 특정 VSAM 파일을 읽는 모든 프로그램(프로그램 간 일관성 평가 범위 설정용), COMP-3으로 정의된 모든 필드(정밀도 인식 품질 인벤토리 구축용), 88단계 조건 이름(외부 도구가 인식할 수 없는 의미론적 유효성 제약 조건 열거용) 등을 검색할 수 있습니다. 이 검색 기능은 초기 품질 평가와 지속적인 모니터링을 모두 지원하여 평가와 마이그레이션 실행 사이에 품질 저하가 발생하지 않도록 보장합니다.

조직이 수행하는 경우 레거시 현대화 프로그램 SMART TS XL본 분석은 운영 모니터링을 위해 설계된 데이터 품질 프레임워크와 현대화 프로젝트의 성공 여부를 결정하는 마이그레이션별 품질 요구사항 간의 격차를 해소합니다. 표준 데이터 품질 차원은 필수적이며, 마이그레이션별 확장 기능은 이러한 차원을 충분조건으로 만들어 줍니다.

결론: 마이그레이션 품질이 운영 품질과 같지는 않다

2026년의 데이터 품질 환경은 운영 데이터 관리를 위해 설계된 다양한 프레임워크, 도구 및 지표로 가득 차 있습니다. DAMA 차원은 이미 잘 정립되어 널리 구현되고 있습니다. Great Expectations, Monte Carlo, Collibra, dbt와 같은 도구들도 상당한 발전을 이루었습니다. 품질 규칙 정의, 데이터 프로파일링, 임계값 대비 모니터링이라는 표준 접근 방식은 설계된 목적에 부합하는 운영 환경에서 효과적으로 작동합니다.

현대화 프로젝트에는 기존과는 다른 접근 방식이 필요합니다. 운영 적합성이 아닌 마이그레이션 적합성을 평가하는 품질 점수 체계가 필요하며, 데이터 자체뿐 아니라 데이터를 생성하는 소스 코드에 대한 이해가 필수적입니다. 또한 정밀도를 고려한 수치 필드 분석, REDEFINES 변형 커버리지, 프로그램 간 일관성 평가와 같은 요소들이 요구되는데, 운영 시스템에서는 이러한 요소들이 필요하지 않기 때문에 기존 품질 프레임워크에서는 다루지 않는 부분입니다.

마이그레이션에서 올바른 결과를 도출하는 조직은 마이그레이션이라는 특정 목적에 맞춰 데이터 품질 평가 프레임워크를 구축한 후, 이를 운영 모니터링에 적용하는 조직입니다. 마이그레이션을 위한 데이터 품질은 운영 데이터 품질 관리의 하위 개념이 아닙니다. 마이그레이션을 위한 데이터 품질은 그 자체로 고유한 차원, 기준, 검증 요건을 갖춘 독립적인 분야이며, 이를 명확하게 구분하여 접근하는 것이 현대화 프로그램이 기술적 목표를 달성하는 비결입니다.