# 데이터 품질의 다섯 가지 차원

> 데이터 품질 차원이란 무엇인가? DQS가 측정하는 다섯 가지 핵심 차원(완전성, 유효성, 고유성, 적시성, 일관성)을 알아봅니다.

Source: https://dataqualitysense.com/ko/resources/data-quality/five-dimensions/
Last updated: 2026-07-15

---

## 데이터 품질 차원 이해하기

데이터 품질 차원은 데이터의 신뢰성을 평가하는 기준입니다. 데이터 품질은 다섯 가지 핵심 차원에 걸쳐 측정되며, 각 차원은 데이터에 대한 특정 질문에 답하고, 함께 사용하면 데이터가 목적에 적합한지 여부를 결정합니다.

차원별 측정이 중요한 이유는 실패가 예외가 아니라 규범이기 때문입니다: [Harvard Business Review 연구(Nagle, Redman, Sammon, 2017)](https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards)는 새로 생성된 데이터 레코드의 47%가 최소 하나의 심각한 오류를 포함한다는 것을 발견했습니다. 전체 "품질" 인상이 다섯 차원 중 어느 것이 그 오류를 생성하고 있는지를 숨깁니다.

DQS는 Salesforce 내에서 기본적으로 다섯 가지 차원을 모두 측정합니다.

| 차원 | 핵심 질문 | 예시 문제 |
|------|-----------|-----------|
| 완전성 | 데이터가 존재하는가? | 이메일 주소 누락 |
| 유효성 | 형식이 올바른가? | 잘못된 형식의 전화번호 |
| 고유성 | 각 레코드가 고유한가? | 중복 Contact |
| 적시성 | 데이터가 최신 상태인가? | 오래된 Opportunity 날짜 |
| 일관성 | 데이터가 균일한가? | "USA" vs "United States" |

## 1. 완전성

완전성은 필수 데이터 값이 존재하며 누락되지 않았는지를 측정합니다.

### DQS가 측정하는 것

- **충족률(Fill Rate)**: 비어 있지 않은 값을 가진 레코드의 백분율
- **공백 감지(Blank Detection)**: 빈 문자열 및 공백만 있는 값
- **자리 표시자 감지(Placeholder Detection)**: "N/A", "TBD", "Unknown"과 같은 값

### 완전성이 중요한 이유

불완전한 데이터는 자동화를 방해합니다. 존재하지 않는 이메일 주소가 필요한 워크플로는 실패합니다. Industry 값으로 필터링하는 보고서가 있지만 레코드의 절반에 Industry 값이 없다면, 분석은 일부만 보여줍니다.

### 일반적인 완전성 문제

| 문제 | 예시 | 영향 |
|------|------|------|
| 빈 필드 | 비어 있는 Contact Phone | 잠재 고객에게 전화할 수 없음 |
| 자리 표시자 값 | Company Name에 "TBD" | 보고에 유효하지 않음 |
| 공백만 있는 값 | Description에 "   " | 채워진 것처럼 보이지만 아님 |

> **팁:** 가장 중요한 필드부터 시작하십시오. 모든 필드에서 100% 완전성이 필요한 것은 아니며, 사용 사례에 중요한 필드에서만 필요합니다.

## 2. 유효성

유효성은 데이터 값이 예상 형식과 패턴에 부합하는지를 측정합니다.

### DQS가 측정하는 것

- **형식 유효성 검사(Format Validation)**: 이메일, 전화번호, URL 패턴
- **패턴 매칭(Pattern Matching)**: 사용자 정의 정규식 패턴
- **도메인 유효성 검사(Domain Validation)**: 허용된 값 목록

### 유효성 vs 정확성

유효성과 정확성은 다릅니다. 이메일 주소는 유효할 수 있지만(올바른 형식) 부정확할 수 있습니다(잘못된 사람). DQS는 형식 유효성 검사를 자동화할 수 있기 때문에 유효성을 측정합니다. 정확성은 외부 검증이 필요합니다.

| 검사 | 유효? | 정확? |
|------|-------|-------|
| john@company.com | 예 | 검증 없이는 알 수 없음 |
| john@company | 아니오 | 해당 없음 (형식이 잘못됨) |
| john.smith@oldcompany.com | 예 | 아니오 (회사를 떠난 사람) |

### Salesforce에서 일반적인 유효성 문제

- "@" 또는 도메인이 없는 이메일 주소
- 자릿수가 틀린 전화번호
- 프로토콜(http/https)이 없는 URL
- 선택 목록 값이 예상되는 곳에 자유 텍스트 입력

## 3. 고유성

고유성은 데이터 값이 고유하고 중복되지 않았는지를 측정합니다.

### DQS가 측정하는 것

- **중복 감지(Duplicate Detection)**: 레코드 간 정확한 일치
- **고유값 개수(Distinct Count)**: 필드당 총 고유 값
- **엔트로피 분석(Entropy Analysis)**: 값의 다양성 및 분포

### 중복의 비용

중복 레코드는 스토리지를 낭비하고, 사용자를 혼란스럽게 하며, 부풀린 메트릭을 만들어냅니다. 영업 팀에 같은 회사에 대한 레코드가 두 개 있으면 맥락을 잃고 당혹스러운 중복 연락을 할 위험이 있습니다.

연구에 따르면 다음과 같습니다.
- B2B 데이터베이스에는 평균적으로 10~30%의 중복 레코드가 포함됩니다.
- 각 중복은 낭비된 이메일 발송, 혼란스러운 보고, 분산된 고객 이력으로 인해 조직에 비용을 초래합니다.

### 중복 예방 vs 감지

DQS는 이미 존재하는 중복을 파악하는 데 도움이 되는 감지에 집중합니다. 예방(생성 시 중복 방지)은 Salesforce 설정의 유효성 검사 규칙 및 매칭 규칙이 필요합니다.

## 4. 적시성

적시성은 데이터가 의도된 용도에 충분히 최신 상태인지를 측정합니다.

### DQS가 측정하는 것

- **신선도 비율(Freshness Rate)**: 허용 가능한 기간 내의 레코드 백분율
- **낡음 감지(Staleness Detection)**: 임계값을 초과한 레코드
- **평균 나이(Average Age)**: 날짜 필드 값의 평균 나이
- **미래 날짜 감지(Future Date Detection)**: 미래의 유효하지 않은 날짜

### 신선도 임계값 설정

데이터 유형에 따라 신선도 요구 사항이 다릅니다.

| 데이터 유형 | 일반적인 임계값 | 이유 |
|-------------|-----------------|------|
| Lead 마지막 활동 | 30일 | 차가운 리드는 가치를 잃음 |
| 연락처 정보 | 90일 | 사람들이 직장을 바꿈 |
| Opportunity 마감일 | 현재 분기 | 예측 정확도 |
| Account 연간 수익 | 1년 | 연간 업데이트 예상 |

### 적시성이 AI에 중요한 이유

AI 및 ML 모델은 데이터에서 학습합니다. 데이터가 오래되면 AI는 시대에 뒤떨어진 패턴을 학습합니다. 예를 들어, Agentforce는 Salesforce 데이터를 사용하여 응답을 알립니다. 오래된 연락처 정보는 잘못된 권고로 이어집니다.

## 5. 일관성

일관성은 데이터 값이 균일하고 표준화되어 있는지를 측정합니다.

### DQS가 측정하는 것

- **적합률(Conformance Rate)**: 예상 패턴과 일치하는 백분율
- **변형 감지(Variant Detection)**: 동일한 값의 다른 표현
- **지배적 값 분석(Dominant Value Analysis)**: 필드당 가장 일반적인 값

### 불일치의 유형

| 유형 | 예시 | 문제 |
|------|------|------|
| 형식 변형 | "USA" vs "United States" vs "US" | 필터링 및 그룹화를 방해함 |
| 철자 변형 | "Acme Corp" vs "ACME Corporation" | 가짜 중복을 만들어냄 |
| 대소문자 변형 | "new york" vs "New York" | 보고서에서 비전문적으로 보임 |

### 일관성이 AI에 중요한 이유

AI 모델은 "USA"와 "United States"를 다른 값으로 취급합니다. 레코드에 두 가지가 모두 사용된다면 AI는 이를 올바르게 그룹화할 수 없습니다. 불일치한 데이터는 AI의 이해를 분산시키고 신뢰할 수 없는 결과를 만들어냅니다.

### 일관성 달성

- 가능한 경우 자유 텍스트 대신 선택 목록 사용
- 각 필드에 대해 단일 형식으로 표준화
- DQS 일관성 검사를 구성할 때 선택 목록 값에서 가져오기

## 차원 간 균형 잡기

모든 사용 사례에서 모든 차원이 똑같이 중요한 것은 아닙니다. 필요한 것을 고려하십시오.

| 사용 사례 | 우선순위 차원 |
|-----------|---------------|
| 마케팅 캠페인 | 완전성, 유효성 (전달 가능성을 위해) |
| 영업 예측 | 적시성, 완전성 |
| 고객 서비스 | 고유성 (단일 진실 원천) |
| AI/Agentforce | 다섯 가지 모두, 그리고 AI 준비 검사 |

## DQS 차원 적용 범위

DQS는 포괄적인 기능으로 다섯 가지 차원을 모두 측정합니다.

| 차원 | DQS가 측정하는 것 |
|------|-------------------|
| 완전성 | 충족률, 널 감지, 공백 감지, 자리 표시자 감지, 맥락적 로직 |
| 유효성 | 형식 유효성 검사, 사용자 정의 정규식 패턴, 유효하지 않은 레코드 식별 |
| 고유성 | 중복 감지, 엔트로피 분석, 빈도 분포 |
| 적시성 | 신선도 비율, 낡음 감지, 평균 나이, 미래 날짜 감지 |
| 일관성 | 적합성 검사, 변형 발견, 지배적 값 분석 |

## 다음 단계

이제 다섯 가지 차원을 이해했으므로:

1. [AI 준비 평가](/ko/ai-readiness/)를 통해 현재 점수를 확인하십시오.
2. 기본 데이터 품질을 넘어선 추가 검사를 위해 [Agentforce 준비](/ko/resources/ai-readiness/agentforce-preparation/)에 대해 읽어보십시오.
3. [Definition Builder](/resources/using-dqs/definition-builder/)를 사용하여 첫 번째 스캔을 구성하는 방법을 알아보십시오.