# 결과 이해하기

> DQS 스캔 결과를 해석하고, 차원 점수를 읽고, 영향을 받은 레코드까지 드릴다운하고, 정리 작업을 위해 데이터를 내보내는 방법을 알아봅니다.

Source: https://dataqualitysense.com/ko/resources/using-dqs/understanding-results/
Last updated: 2026-06-03

---

## 결과 개요

스캔이 완료되면 DQS는 대시보드 형태로 결과를 보여 줍니다. 대시보드는 여러 수준의 점수를 표시합니다.

1. **Overall Score(전체 점수)** - 전체 데이터 품질을 나타내는 단일 수치
2. **Dimension Scores(차원 점수)** - 각 역량(Completeness, Validity 등)에 대한 점수
3. **Field Scores(필드 점수)** - 분석된 각 필드에 대한 점수
4. **Record Details(레코드 세부 정보)** - 특정 영향 레코드까지 드릴다운

## 결과 대시보드

### 대시보드 레이아웃

```
┌─────────────────────────────────────────────────────────────────┐
│                     OVERALL QUALITY SCORE                        │
│                           85%                                    │
│                     ▲ +3% from last scan                         │
├──────────────────────┬──────────────────────┬───────────────────┤
│    COMPLETENESS      │      VALIDITY        │    UNIQUENESS     │
│        92%           │        78%           │       95%         │
├──────────────────────┼──────────────────────┼───────────────────┤
│    TIMELINESS        │    CONSISTENCY       │   AI READINESS    │
│        88%           │        82%           │       76%         │
└──────────────────────┴──────────────────────┴───────────────────┘
```

### 결과에 접근하기

1. App Launcher에서 DQS를 엽니다
2. 목록에서 Definition을 찾습니다
3. Definition 이름을 클릭합니다
4. **Results** 탭을 선택합니다
5. 볼 스캔 날짜를 선택합니다

기본적으로 가장 최근 스캔이 표시됩니다.

## Overall Quality Score(전체 품질 점수)

전체 점수는 모든 차원 점수의 가중 평균입니다.

### 계산 방법

DQS는 각 차원에 기본 가중치를 사용합니다.

| 차원 | 기본 가중치 |
|-----------|---------------|
| Completeness(완전성) | 25% |
| Validity(유효성) | 20% |
| Uniqueness(고유성) | 20% |
| Timeliness(시의성) | 15% |
| Consistency(일관성) | 20% |

공식: Overall = (Completeness x 0.25) + (Validity x 0.20) + (Uniqueness x 0.20) + (Timeliness x 0.15) + (Consistency x 0.20)

AI Readiness 점수는 별도로 표시되며 Data Quality 전체 점수에는 영향을 주지 않습니다.

### 점수 해석

| 점수 범위 | 품질 수준 | 조치 |
|-------------|---------------|--------|
| 90-100% | 우수(Excellent) | 현재 관행 유지 |
| 80-89% | 양호(Good) | 특정 취약 영역 개선 |
| 70-79% | 보통(Fair) | 개선 우선순위 설정 |
| 60-69% | 미흡(Poor) | 즉각적인 주의 필요 |
| 60% 미만 | 심각(Critical) | 대대적인 데이터 정리 필요 |

### 추세 표시기

점수 옆에는 추세 화살표가 표시됩니다.

- **녹색 위쪽 화살표** - 지난 스캔보다 점수 상승
- **빨간색 아래쪽 화살표** - 지난 스캔보다 점수 하락
- **회색 대시** - 점수 변동 없음

백분율은 변화량을 나타냅니다.

## Dimension Scores(차원 점수)

차원 카드를 클릭하면 세부 메트릭을 볼 수 있습니다.

### Completeness 메트릭

| 메트릭 | 유형 | 의미 |
|--------|------|---------------|
| Completeness Rate | 백분율 | 값이 채워진 필드 |
| Populated Count | 정수 | 데이터가 있는 레코드 |
| Incomplete Count | 정수 | 데이터가 누락된 레코드 |
| Null Rate | 백분율 | NULL인 필드 |
| Blank Rate | 백분율 | 비어 있거나 공백뿐인 값 |
| Placeholder Rate | 백분율 | N/A, TBD, Unknown 값 |

**해석 예시:**
- Completeness Rate 85%는 레코드의 15%에 값이 누락되어 있음을 의미합니다
- Placeholder Rate가 높으면 사용자가 실제 데이터 대신 "TBD"를 입력하고 있음을 시사합니다

### Validity 메트릭

| 메트릭 | 유형 | 의미 |
|--------|------|---------------|
| Validity Rate | 백분율 | 기대 형식에 부합하는 값 |
| Valid Count | 정수 | 올바른 형식의 레코드 |
| Invalid Rate | 백분율 | 형식에 부합하지 않는 값 |
| Invalid Count | 정수 | 형식 오류가 있는 레코드 |

**해석 예시:**
- Email 필드의 Validity Rate 78%는 22%에 형식 문제가 있음을 의미합니다
- 흔한 문제: @ 누락, 공백, ".con" 같은 오타

### Uniqueness 메트릭

| 메트릭 | 유형 | 의미 |
|--------|------|---------------|
| Uniqueness Rate | 백분율 | 전체 대비 고유 값 |
| Distinct Count | 정수 | 고유한 값의 수 |
| Entropy | 소수 | 값의 다양성 (높을수록 더 다양함) |
| Max Frequency | 정수 | 가장 흔한 값의 출현 횟수 |
| Rarity | 백분율 | 값이 얼마나 희소하게 분포하는지 |

**해석 예시:**
- Uniqueness Rate 95%는 5%가 중복임을 의미합니다
- Entropy가 낮으면 많은 레코드가 동일한 값을 공유함을 시사합니다

### Timeliness 메트릭

| 메트릭 | 유형 | 의미 |
|--------|------|---------------|
| Freshness Rate | 백분율 | 최신성 기간(freshness window) 이내의 레코드 |
| Staleness Rate | 백분율 | 최신성 기간을 지난 레코드 |
| Average Age | 일(days) | 날짜 값의 평균 경과 기간 |
| Recency Rate | 백분율 | 최근에 업데이트된 레코드 |
| Future Rate | 백분율 | 미래 날짜가 있는 레코드 (오류) |
| Overdue Rate | 백분율 | 예상 업데이트 시점을 지난 레코드 |

**해석 예시:**
- Staleness Rate 30%는 레코드의 30%가 최신성 기간 내에 변경되지 않았음을 의미합니다
- Future Rate가 0%를 초과하면 데이터 입력 오류를 나타냅니다

### Consistency 메트릭

| 메트릭 | 유형 | 의미 |
|--------|------|---------------|
| Conformance Rate | 백분율 | 기대 패턴에 부합하는 값 |
| Conformance Count | 정수 | 기준에 부합하는 레코드 |
| Non-Conforming Count | 정수 | 변형이 있는 레코드 |
| Variant Count | 정수 | 발견된 서로 다른 값 변형의 수 |
| Dominant Values | JSON | 상위 값과 그 개수 |

**해석 예시:**
- Country 필드의 Variant Count 15는 입력이 일관되지 않음을 시사합니다 (USA vs United States vs US)
- Dominant Values는 어떤 변형이 가장 흔한지 보여 줍니다

### AI Readiness 메트릭

**PII Detection:**
| 메트릭 | 의미 |
|--------|---------------|
| Records with PII | 패턴이 일치한 레코드의 절대 수 (개선 범위 산정용) |
| PII Exposure Rate | PII를 포함한 레코드의 백분율 (컴플라이언스 보고용) |

## 필드 수준 세부 정보

차원을 클릭하면 필드별 분석을 볼 수 있습니다.

### 필드 점수 표

| 필드 | 점수 | 문제 | 작업 |
|-------|-------|--------|---------|
| Email | 92% | 234건 무효 | View Records |
| Phone | 78% | 1,456건 무효 | View Records |
| MailingCity | 95% | 180건 누락 | View Records |

### 필드 점수 읽기

각 필드는 다음을 표시합니다.
- **Score** - 해당 필드의 성능
- **Issues** - 문제가 있는 레코드 수
- **Actions** - 드릴다운 및 내보내기 링크

### 문제 필드 식별

점수(가장 낮은 순)로 필드를 정렬하면 다음을 찾을 수 있습니다.
- 문제가 가장 많은 필드
- 즉각적인 주의가 필요한 필드
- 관련 필드 전반의 패턴

> **팁:** 영향력이 큰 필드부터 집중하십시오. Email 유효성을 10% 개선하는 것이 거의 사용되지 않는 필드를 완벽하게 만드는 것보다 비즈니스 가치가 더 큽니다.

## 레코드 드릴다운

**View Records**를 클릭하면 영향을 받은 데이터를 볼 수 있습니다.

### 레코드 목록 보기

드릴다운은 문제가 있는 레코드를 보여 줍니다.

| Name | Email | 문제 | Created Date |
|------|-------|-------|--------------|
| John Smith | `john.smith@example` | Invalid format | 2026-01-15 |
| Jane Doe | `jane.doe@mail,com` | Invalid format | 2026-01-20 |

### 레코드 목록 필터링

다음 기준으로 필터링합니다.
- 문제 유형 (누락, 무효, 중복 등)
- 날짜 범위
- 소유자(Owner)
- 사용자 정의 필드 값

### 레코드 직접 접근

레코드를 클릭하면 Salesforce에서 바로 엽니다. 직접 수정하거나 적절한 팀원에게 할당하십시오.

## 시간에 따른 결과 비교

### 추세 차트

DQS는 다음을 보여 주는 추세 차트를 표시합니다.
- 시간에 따른 전체 점수
- 시간에 따른 차원 점수
- 시간에 따른 필드 점수

차트는 다음에 도움이 됩니다.
- 개선 진행 상황 추적
- 하락하는 영역 식별
- 정리 작업의 효과 측정

### 스캔 비교

임의의 두 스캔을 비교할 수 있습니다.

1. Results 탭에서 **Compare**를 클릭합니다
2. 기준 스캔(이전 것)을 선택합니다
3. 비교 스캔(최신 것)을 선택합니다
4. 메트릭을 나란히 봅니다

비교는 다음을 강조합니다.
- 개선된 메트릭 (녹색)
- 하락한 메트릭 (빨간색)
- 변동 없는 메트릭 (회색)

### 개선 목표 설정

과거 데이터를 활용해 현실적인 목표를 설정하십시오.

| 현재 점수 | 현실적인 90일 목표 |
|---------------|------------------------|
| 60% 미만 | 70-75% |
| 60-70% | 75-82% |
| 70-80% | 82-88% |
| 80-90% | 90-94% |
| 90% 초과 | 유지 또는 95%+ |

## 데이터 내보내기

오프라인 분석 및 정리 작업 흐름을 위해 결과를 내보낼 수 있습니다.

### CSV 내보내기

내보내기 옵션:
- **Summary Export** - 점수와 메트릭만
- **Affected Records Export** - 문제가 있는 레코드 전체 목록
- **Field Detail Export** - 필드별 분석

### 내보내기 방법

1. 스캔 결과를 엽니다
2. **Export**(다운로드 아이콘)를 클릭합니다
3. 내보내기 유형을 선택합니다
4. 형식(CSV)을 선택합니다
5. 파일을 다운로드합니다

### 내보내기 내용

**Affected Records Export에는 다음이 포함됩니다.**
- Record ID
- Record Name
- 문제가 있는 필드
- 문제 유형
- 현재 값
- 권장 조치

**예시 행:**
```
0031x00000ABC123,John Smith,Email,INVALID_FORMAT,john.smith@example,Fix email domain
```

### 정리 작업에 내보내기 활용

1. 영향을 받은 레코드를 CSV로 내보냅니다
2. Excel 또는 Google Sheets에서 엽니다
3. 값을 검토하고 수정합니다
4. Data Loader를 사용해 Salesforce를 업데이트합니다
5. 스캔을 다시 실행해 개선을 확인합니다

> **팁:** 정리 작업 할당 워크플로를 만드십시오. 레코드를 내보내고, Account 또는 Region을 기준으로 담당자를 지정하고, 수정 사항을 추적하십시오.

## 결과 공유

### 공유 옵션

이해관계자와 결과를 공유하십시오.

1. **링크 공유** - 스캔 결과 URL 복사
2. **스크린샷** - 발표용 대시보드 화면
3. **내보내기** - 상세 분석용 CSV
4. **이메일 요약** - 자동화된 보고서

### 경영진을 위한 보고서 작성

경영진 발표에서는 다음에 집중하십시오.
- 전체 점수와 추세
- 이전 기간 대비 개선
- 상위 3개 문제 영역
- 일정이 포함된 실행 계획

메트릭 세부 정보로 압도하지 마십시오. 스토리를 먼저 제시하십시오.

## 점수 변화 이해하기

### 점수가 변하는 이유

| 변화 | 흔한 원인 |
|--------|---------------|
| 점수 상승 | 정리 작업, 더 나은 데이터 입력 |
| 점수 하락 | 문제 있는 신규 데이터, 임곗값 변경 |
| 큰 폭 상승 | 대량 데이터 정리 완료 |
| 큰 폭 하락 | 품질 문제가 있는 데이터 가져오기 |

### 변화 조사하기

점수가 예기치 않게 변하면:

1. 스캔을 비교해 어떤 메트릭이 변했는지 식별합니다
2. 필드 수준까지 드릴다운합니다
3. 최근 데이터 변경(가져오기, 연동)을 검토합니다
4. Definition 구성이 변경되었는지 확인합니다

## 다음 단계

- [Definition Builder 가이드](/ko/resources/using-dqs/definition-builder/): 발견 결과를 바탕으로 임곗값 조정하기
- [스캔 실행](/ko/resources/using-dqs/running-scans/): 정기 스캔 예약하기
- [데이터 품질 측정](/ko/resources/best-practices/measuring-data-quality/): 품질 스코어카드 구축하기