# 일관성: 구성 시나리오

> 다양한 비즈니스 요구에 맞게 DQS 일관성 분석을 구성하는 방법을 보여주는 세 가지 실용적인 워크스루.

Source: https://dataqualitysense.com/ko/resources/use-cases/consistency-scenarios/
Last updated: 2026-04-16

---

## 이 시나리오가 다루는 내용

이 페이지는 초기 설정부터 스캔 결과 읽기까지 세 가지 실제 일관성 구성을 안내합니다. 각 시나리오는 다른 비즈니스 맥락과 분석 모드를 사용합니다.

이 시나리오는 주요 [일관성](/ko/resources/data-quality/consistency/) 문서에서 다루는 개념과 메트릭을 기반으로 합니다. 적합률, 변형 수, 지배적 값이 새로운 경우 먼저 그것을 읽으십시오.

## 시나리오 1: 발견을 통한 Country 필드 표준화

### 비즈니스 맥락

조직에 3개의 합병된 회사로부터 15,000개의 Account 레코드가 있습니다. `Country` 필드는 자유 텍스트입니다. 지역 대시보드는 단편화된 데이터를 보여줍니다: "United States"가 한 행으로, "USA"가 다른 행으로, "US"가 세 번째로 나타납니다. 영역 배정 규칙은 단일 철자를 필터링하기 때문에 레코드를 놓칩니다. 표준화가 필요하지만 세 가지 레거시 시스템 전반에 어떤 값이 있는지 알지 못합니다.

### 구성 워크스루

허용 값을 정의하기 전에 데이터에 실제로 무엇이 포함되어 있는지 확인하기 위해 **필드에서 가져오기**로 시작하십시오.

1. `Country` 필드에 대한 예상 값 구성을 여십시오.
2. **필드에서 가져오기**를 클릭하십시오. DQS가 라이브 데이터를 쿼리하고 빈도별로 정렬된 별개 값을 반환합니다.
3. 체크리스트를 검토하십시오. 가져오기가 전체 그림을 보여줍니다:

| 값 | 레코드 |
|----|--------|
| United States | 4,500 |
| USA | 2,300 |
| US | 1,800 |
| Canada | 1,400 |
| U.S.A. | 450 |
| United States of America | 150 |
| ... (41개 이상의 변형) | ... |

4. 기준을 결정하십시오. ISO 국가 코드 ("US", "CA", "UK")는 컴팩트하고 업계 표준이며 명확합니다. 가져오기 목록에서 ISO 코드를 확인하십시오.
5. **선택된 항목 추가**를 클릭하여 허용 값을 채우십시오.

나머지 구성 설정:

| 설정 | 값 | 근거 |
|------|----|----|
| 분석 모드 | 고급 적합성 분석 | 정리 범위를 결정하기 위해 변형 수와 지배적 값이 필요 |
| 예상 값 | US, CA, UK, DE, FR, AU, JP | 활성 시장의 ISO 코드 |
| 대소문자 구분 | 끄기 | "us", "Us", "US"를 같은 값으로 포착 |
| 상위 N | 10 | 가장 일반적인 변형 확인 |
| 최소 빈도 | 5 | 일회성 오타 필터링 |

### 스캔 결과

| 메트릭 | 값 |
|--------|-----|
| 적합률 | 12% |
| 적합 수 | 1,800 |
| 비적합 수 | 13,200 |
| 변형 수 | 47 |
| 지배적 값 | 수가 있는 상위 10개 값 (위 가져오기 표 참조) |

### 결과 읽기

**12% 적합성은 예상됩니다.** 데이터가 한 번도 정규화된 적 없는 새로운 기준 (ISO 코드)을 정의했습니다. "US"를 이미 포함하는 1,800개 레코드만 일치합니다. 이것은 나쁜 점수가 아닙니다. 이것이 시작점입니다.

**47개 변형은 단편화의 규모를 보여줍니다.** 세 개의 합병된 시스템이 국가 이름을 표현하는 47가지 다른 방법을 만들어냈습니다. 이 숫자 없이는 정리 노력을 과소평가할 것입니다.

**지배적 값은 집중할 곳을 보여줍니다.** 상위 3가지 변형("United States", "USA", "US")은 8,600개 레코드를 차지합니다. 이 세 가지 값만 표준화하면 적합성이 12%에서 69%로 높아집니다. 거기서 시작하십시오.

**비적합 수 (13,200)는 정확한 정리 범위입니다.** 데이터 스튜어드에게 이제 추측이 아닌 구체적인 프로젝트 규모가 있습니다.

### 다음 조치

지배적 값 출력을 사용하여 값 매핑 표를 구축하십시오. "United States"를 "US"로, "USA"를 "US"로 매핑하는 등. 데이터 정규화를 실행하십시오. 새로운 적합률을 확인하기 위해 재스캔하십시오.

## 시나리오 2: Lead 등급 유효성 검사

### 비즈니스 맥락

Lead 등급 필드 (`Rating__c`)는 "Hot", "Warm", 또는 "Cold"를 허용하는 텍스트 필드입니다. 영업 관리자는 파이프라인 보고서에서 이상한 값을 보고합니다. `Rating = "Hot"` 필터는 예상보다 적은 레코드를 반환합니다. 필드에 있는 것과 정리가 필요한 레코드 수를 확인하기 위해 빠른 적합성 감사가 필요합니다.

### 구성 워크스루

스캔을 구성하기 전에 실제 값을 보기 위해 **필드에서 가져오기**로 시작하십시오.

1. `Rating__c`에 대한 예상 값 구성을 여십시오.
2. **필드에서 가져오기**를 클릭하십시오. 가져오기가 반환합니다:

| 값 | 레코드 |
|----|--------|
| Hot | 284 |
| Warm | 198 |
| Cold | 156 |
| Very High | 23 |
| 240 km/h | 12 |
| N/A | 8 |

처음 세 가지 값이 실제 등급입니다. "Very High"는 다른 선택 목록에서 왔습니다 (누군가가 잘못된 필드에서 붙여넣었습니다). "240 km/h"는 명확히 완전히 잘못된 필드의 데이터입니다. "N/A"는 자리 표시자입니다.

3. "Hot", "Warm", "Cold"를 확인하십시오. 나머지는 체크하지 않은 상태로 두십시오.
4. **선택된 항목 추가**를 클릭하십시오.

나머지 구성 설정:

| 설정 | 값 | 근거 |
|------|----|----|
| 분석 모드 | 적합성 확인 | 심층 분석이 아닌 예/아니오 답변이 필요 |
| 예상 값 | Hot, Warm, Cold | 세 가지 유효한 등급 |
| 대소문자 구분 | 끄기 | "hot", "HOT", "Hot"을 일치로 포착 |

### 스캔 결과

| 메트릭 | 값 |
|--------|-----|
| 적합률 | 93.7% |
| 적합 수 | 638 |

### 결과 읽기

**93.7%가 적합합니다.** 즉, 43개 레코드에 잘못된 데이터가 있습니다. 빠른 감사의 경우 적합성 확인 모드가 고급 메트릭을 계산하지 않고 빠르게 답변을 제공합니다.

**필드에서 가져오기 단계가 이미 잘못된 데이터의 모습을 보여줬습니다.** "Very High" (잘못된 선택 목록 값에서 23개 레코드), "240 km/h" (잘못된 필드 데이터가 있는 12개 레코드), "N/A" (8개 자리 표시자 항목). 가져오기가 이미 스캔 전에 분류를 제공했기 때문에 여기서 지배적 값이 필요하지 않습니다.

**43개 레코드는 관리 가능한 정리입니다.** 이것은 데이터 마이그레이션 프로젝트가 아닙니다. 30분 수동 수정 또는 단일 데이터 업데이트 작업입니다.

### 다음 조치

43개 비적합 레코드를 수정하십시오. 그런 다음 향후 문제를 방지하기 위해 `Rating__c`를 텍스트 필드에서 선택 목록으로 변환하십시오. API로 생성된 레코드는 선택 목록 유효성 검사를 우회하므로 주기적인 일관성 스캔을 실행하여 통합에서 발생하는 새로운 변형을 포착하십시오.

## 시나리오 3: 페르소나 타겟팅을 위한 직함 적합성

### 비즈니스 맥락

마케팅팀이 "VP 이상" Contact을 대상으로 페르소나 기반 캠페인을 실행합니다. `Title` 필드는 수천 가지 변형이 있는 자유 텍스트입니다. 모든 캠페인 전에 누군가 제목 키워드를 수동으로 검색하고, 절반의 변형을 놓치며, 불완전한 청중 목록을 구축합니다. 팀은 "우리는 VP+ contact이 몇 명이나 있습니까?"와 "나머지 contact은 어떤 직함을 가지고 있습니까?"라는 두 가지 질문에 데이터 기반 답변이 필요합니다.

### 구성 워크스루

1. Contact의 `Title` 필드에 대한 예상 값 구성을 여십시오.
2. **필드에서 가져오기**를 클릭하십시오. 가져오기가 수백 개의 값을 반환합니다. 개별적으로 확인하기에는 너무 많지만 빈도 수가 맥락에 유용합니다.
3. 페르소나 매핑을 기반으로 허용 값을 정의하십시오. 팀이 "VP 이상"으로 간주하는 직함 값을 확인하거나 입력하십시오:

```
VP, Vice President, SVP, Senior Vice President, EVP,
Executive Vice President, Director, Senior Director,
CEO, CFO, CTO, CIO, CMO, COO, President
```

4. **선택된 항목 추가**를 클릭하십시오.

나머지 구성 설정:

| 설정 | 값 | 근거 |
|------|----|----|
| 분석 모드 | 고급 적합성 분석 | 어떤 직함이 존재하는지 보기 위해 전체 값 분포가 필요 |
| 예상 값 | (위에 나열된 16개 직함 값) | VP+ 페르소나 정의 |
| 대소문자 구분 | 끄기 | "vp of sales", "VP of Sales", "VP OF SALES" 포착 |
| 상위 N | 20 | 존재하는 것의 광범위한 분포 확인 |
| 최소 빈도 | 5 | "Chief Happiness Officer"와 같은 일회성 항목 필터링 |

### 스캔 결과

| 메트릭 | 값 |
|--------|-----|
| 적합률 | 34% |
| 적합 수 | 3,400 |
| 비적합 수 | 6,600 |
| 변형 수 | 312 |

**지배적 값 (상위 20):**

| 순위 | 값 | 수 |
|------|----|----|
| 1 | Manager | 820 |
| 2 | Sales Representative | 650 |
| 3 | Account Executive | 480 |
| 4 | Director of Marketing | 340 |
| 5 | VP of Sales | 290 |
| 6 | Senior Manager | 275 |
| 7 | Consultant | 240 |
| 8 | Engineer | 210 |
| 9 | CEO | 195 |
| 10 | Head of Operations | 180 |
| ... | (10개 이상) | ... |

### 결과 읽기

**34% 적합성은 실패가 아닙니다.** 데이터 품질 문제가 아닙니다. 즉, Contact의 34%가 VP+ 직함을 보유하고 있으며 이것이 캠페인 타겟 청중입니다. 이 숫자가 마케팅팀이 추측해온 질문에 답합니다.

**312개 변형 수는 자유 텍스트 Title이 매우 단편화되어 있음을 확인합니다.** 10,000개의 Contact에 걸쳐 312개의 별개 직함 값. 이것은 자유 텍스트 필드에서는 정상이며 수동 검색이 사람들을 놓치는 이유를 설명합니다.

**지배적 값은 contact이 실제로 어떤 직함을 가지고 있는지 보여줍니다.** 상위 값 중 많은 것이 VP 수준 이하입니다 (Manager, Sales Rep, Account Executive). 그것은 예상됩니다. 이 contact들은 유효한 직함을 가진 유효한 레코드입니다. 그들은 타겟 페르소나에서 벗어납니다.

**비적합 수 (6,600)는 정리 범위가 아닙니다.** Country 시나리오와 달리 이것들은 더러운 레코드가 아닙니다. 그들은 VP+ 필터 외부의 직함을 가진 contact입니다. "Manager"는 데이터 오류가 아닌 실제 직함입니다. 비적합 수를 "이 페르소나 외부의 contact"으로 취급하십시오, "수정할 레코드"가 아닌.

**진정한 인사이트:** 이제 데이터 기반 청중 규모가 있습니다. 실제 데이터를 스캔하여 확인된 3,400명의 VP+ contact. 더 이상 수동 키워드 검색이 없습니다.

### 다음 조치

VP+ 캠페인 청중 규모로 적합 수 (3,400)를 사용하십시오. 놓친 직함에 대한 지배적 값 목록을 검토하십시오. "Senior Manager" (275개 레코드)와 "Head of Operations" (180개 레코드)는 경계선입니다. 이러한 역할이 캠페인에 적합하다면 허용 값에 추가하고 재스캔하십시오.

## 구성 선택

| 필요한 것... | 시작점 | 핵심 설정 |
|------------|--------|----------|
| 제어된 필드 (선택 목록, 등급, 상태) 감사 | 필드에서 가져오기, 그런 다음 적합성 확인 | 가져오기의 예상 값, 대소문자 구분 끄기 |
| 단편화된 필드 (국가, 산업) 표준화 | 필드에서 가져오기, 그런 다음 고급 적합성 분석 | 목표 기준으로 예상 값, 상위 N 10+, 최소 빈도 5+ |
| 자유 텍스트 데이터에서 청중 또는 세그먼트 규모 결정 | 필드에서 가져오기, 그런 다음 고급 적합성 분석 | 세그먼트 정의로 예상 값, 상위 N 20, 최소 빈도 5 |
| 정리 프로젝트 전 빠른 기준선 획득 | 필드에서 가져오기, 그런 다음 적합성 확인 | 데이터 기준에서 예상 값 |

6가지 일관성 메트릭, 분석 모드, 구성 입력에 대한 전체 설명은 주요 [일관성](/ko/resources/data-quality/consistency/) 문서로 돌아가십시오.

자체 데이터 품질을 측정할 준비가 되었습니까? 일관성 점수 및 그 이상을 보려면 [AI 준비성 평가](/ko/ai-readiness/)를 받으십시오.