공공 부문 - 사회서비스 수요 평가

고급 분석 기능을 통해 사회서비스의 요구 사항을 이해하고 더 나은 대상별 복지 제공

사회서비스 수요 평가 프로세스는 신체적, 정신적 또는 사회적 문제로 인해 도움이 필요한 개인의 특정 요구 사항을 인식하고 파악함으로써 복지와 지원을 보장하는 데 중요한 역할을 합니다. 개인의 신체적, 정서적, 사회적 요구를 평가함으로써 전문가들은 대상자의 상황을 더 광범위하고 세심하게 파악할 수 있습니다. 이를 통해 각 개인의 고유한 과제를 해결하는 개인화된 의료 계획을 수립할 수 있으며, 보다 효과적이고 고객 중심의 사회서비스 접근 방식을 촉진할 수 있습니다.

평가 프로세스는 다음과 같은 여러 가지 이유로 중요합니다.

• 독립성 증진 및 유지: 의료 기관은 개인이 도움을 필요로 할 수 있는 영역을 파악함으로써 일상 생활에서 자율성을 유지할 수 있도록 지원하는 데 집중할 수 있습니다. 여기에는 일상적인 작업을 수행하는 능력을 향상시키는 지원 시스템 구축이 포함될 수 있으며, 이는 자급자족과 존엄성에 기여할 수 있습니다.
• 비용을 관리하면서 지원 조정: 평가 프로세스는 조기 개입을 위한 수단입니다. 초기 단계에서 잠재적 문제 또는 과제를 파악하면 적시에 표적 개입이 가능하므로 문제가 심각해지지 않도록 막을 수 있습니다. 이러한 사전 예방적 접근 방식은 전반적인 복지 품질을 개선하는 데 도움이 될 뿐만 아니라 보다 광범위하고 비용이 많이 드는 후속 개입을 피함으로써 비용을 절감할 수 있습니다.
• 보건의료 시스템 내 여러 이해관계자 간의 협업 지원: 평가 프로세스는 의료 전문가, 사회복지사 및 기타 관련 당사자 간의 효과적인 의사 소통을 촉진합니다. 이러한 협업 방식은 개인 복지의 모든 측면을 고려하는 데 도움이 되며, 이는 보다 포괄적이고 통합된 의료 계획으로 이어질 수 있습니다.
• 효율적이고 공정하며 공평한 리소스 할당: 개인 또는 코호트가 요구하는 지원 수준을 정확하게 측정함으로써 사회서비스 정책 입안자는 리소스가 더 많이 필요한 영역을 대상으로 리소스를 효율적으로 할당할 수 있습니다. 이는 가용 리소스의 사용을 최적화할 뿐만 아니라 서비스의 언더/오버 프로비저닝을 방지하여 전체 사회서비스 시스템을 보다 지속 가능하고 반응적으로 만드는 데 도움이 됩니다.

사회서비스 리소스는 종종 제한되어 있으며 가장 필요한 사람들에게 효율적으로 할당되어야 합니다. 분석 기반 수요 평가는 가장 필요한 개인 및 커뮤니티를 파악하는 데 도움이 되며, 이를 통해 가장 큰 영향을 미칠 수 있는 대상에 리소스를 제공할 수 있습니다. 사회서비스 수요를 조기에 파악하는 것이 매우 중요합니다. 적시에 개입하고 지원할 수 있기 때문입니다. 조기에 개입하면 문제가 더 심각해지고 해결에 비용이 많이 드는 것을 막을 수 있습니다. 또한 다양한 개입의 결과를 분석하고 개인의 복지에 미치는 영향을 평가함으로써 의료 기관은 접근 방식을 지속적으로 개선 및 최적화할 수 있습니다.

최근 몇 년 동안 사회서비스 분야에서는 데이터 분석을 적용하는 것이 혁신적인 방법으로 부상했습니다. 이를 통해 사회서비스 수요 평가의 효과와 효율성을 향상시킬 수 있는 탁월한 기회를 포착할 수 있습니다. 데이터 분석은 사회서비스 전문가를 위한 강력한 도구 세트를 제공하여 개인의 다양한 요구를 확인, 예측 및 대응하고 정보에 기반한 의사 결정을 내리는 데 필요한 증거 기반 인사이트를 제공합니다.

의료 기관은 사회서비스 수요 평가를 위한 데이터 기반 접근 방식을 통해 세부적이고 정확한 개인화된 개입 전략을 개발하여 서비스의 정확성과 효율성을 높일 수 있습니다. 의료 기록, 사회적 상호 작용 및 인구 통계 정보를 포함한 다양한 출처의 데이터를 집계함으로써 의료 팀은 개인의 상황과 요구를 종합적으로 파악할 수 있습니다. 고급 분석 기능을 통해 신체적 또는 사회적 건강이 악화될 위험이 있는 개인을 식별할 수 있는 예측 모델을 개발할 수 있습니다. 이 모델은 과거 데이터와 패턴을 분석함으로써 간병인이 잠재적 문제가 악화되기 전에 예측할 수 있어, 조기 개입을 가능하게 하고, 위기를 예방하고, 사회서비스에 대한 전반적인 부담을 줄이는 데 도움을 줄 수 있습니다.

또한 데이터 및 고급 분석을 통해 의료진은 개인뿐만 아니라 전반적인 사회서비스 시스템에 도움이 될 수 있는 사회서비스에 대한 사전 예방적 접근 방식을 취할 수 있습니다. 예를 들어, 머신러닝 알고리즘은 방대한 데이터 세트를 분석하여 인간 관찰자가 즉시 포착하기 어려운 패턴과 상관관계를 식별할 수 있습니다. 의료 기관은 이 정보를 사용하여 개인의 현재 요구사항과 향후 문제에 대한 예측에 따라 조정된 개입을 제공할 수 있으며, 이를 통해 보다 역동적이고 반응적인 사회서비스 시스템을 구축할 수 있습니다.

또한 웨어러블 및 스마트 홈 센서 등의 장치에서 발생하는 실시간 데이터 스트림은 개인의 일상 활동 및 진료 상태에 대한 중요한 인사이트를 제공할 수 있으며, 이를 통해 고객의 요구사항과 개입 효과를 실시간으로 지속적으로 모니터링할 수 있습니다. 이를 통해 의료 팀이 변화하는 상황에 대응하여 개입을 조정할 수 있는 반응적 개입과 적응형 계획을 모두 수행할 수 있습니다.

포괄적인 데이터 플랫폼을 통해 대상별로 최적화된 사회서비스 식별 및 제공

의료 요구사항 및 서비스 제공과 관련된 데이터를 수집, 선별, 처리 및 분석할 수 있는 데이터 플랫폼은 개인 및 커뮤니티의 다양하고 증가하는 요구를 인식, 평가 및 해결하는 데 도움이 되는 데이터 기반 인사이트를 제공하여 사회서비스 분야에 종사하는 이해관계자의 역량을 강화할 수 있습니다. 데이터 분석 기술, 인공지능 및 머신러닝은 조직이 리소스 할당을 최적화하고 서비스 제공을 개선하며 궁극적으로 취약 집단을 위한 성과를 개선할 수 있도록 지원합니다. 하단의 아키텍처는 권장 Oracle 구성 요소를 결합하여 분석 아키텍처를 구축하는 방법을 보여줍니다. 전체 데이터 분석 수명 주기를 확인할 수 있으며, 사회서비스 제공자가 고객의 요구를 더 잘 파악할 수 있도록 돕기 위해 디자인되었습니다.

이 이미지는 공공 부문을 위한 Oracle Data Platform을 사용하여 사회서비스 수요 평가를 개선하고 사전 예방적 개입을 수행하는 방법을 보여줍니다.

1. 1. 데이터 소스, 검색
2. 2. 수집, 변환
3. 3. 유지, 선별, 생성
4. 4. 분석, 학습, 예측
5. 5. 측정, 실행

데이터 소스, 검색 제품군에는 4가지 범주의 데이터들이 포함되어 있습니다.

1. 1. 애플리케이션은 사회서비스 기록, 교육 기록, 고객 인터뷰 및 사례 노트, 아동 복지 데이터에서 수집한 데이터로 구성됩니다.
2. 2. 비즈니스 기록은 고용 데이터, 과세 데이터, 공중 보건 데이터, 커뮤니티 조사, 모집단 분석에서 가져온 데이터로 구성됩니다.
3. 3. 기술 입력은 소셜 데이터에서 가져온 데이터로 구성됩니다.
4. 4. 제3자 데이터는 인구 조사 및 인구 통계 데이터, 환경 데이터로 구성됩니다.

연결, 수집, 변환 제품군은 4가지 기능으로 구성되어 있습니다.

1. 1. 일괄 수집은 OCI Data Integration, Oracle Data Integrator 및 DB 도구를 사용합니다.
2. 2. 일괄 전송은 OCI Fast Connect, OCI Data Transfer, MFT, OCI CLI를 사용합니다.
3. 3. 변경 데이터 캡처는 OCI GoldenGate 및 Oracle Data Integrator를 사용합니다.
4. 4. 스트리밍 수집은 Kafka Connect를 사용합니다.

4가지 기능 모두 유지, 선별, 생성 제품군 내의 서빙 데이터 저장소 및 클라우드 스토리지에 단방향으로 연결됩니다.

또한 스트리밍 수집은 분석, 학습, 예측 부문의 스트림 처리에 연결됩니다.

유지, 선별, 생성 제품군은 5가지 기능으로 구성됩니다.

1. 1. 서빙 데이터 저장소는 Oracle Autonomous Data Warehouse, Exadata Database Cloud Service 및 Exadata Cloud@Customer를 사용합니다.
2. 2. 관리형 Hadoop은 Oracle Big Data Service를 사용합니다
3. 3. 클라우드 스토리지는 OCI Object Storage를 사용합니다.
4. 4. 일괄 처리는 OCI Data Flow를 사용합니다.
5. 5. 거버넌스는 OCI Data Catalog를 사용합니다.

이상의 기능들은 해당하는 제품군 내에서 서로 연결됩니다. 클라우드 스토리지는 서빙 데이터 저장소 및 관리형 Hadoop 둘 다에 단방향으로 연결되고, 일괄 처리와는 양방향으로 연결됩니다.

관리형 Hadoop은 서빙 데이터 저장소에 단방향으로 연결됩니다.

2개의 기능이 분석, 학습, 예측 제품군에 연결됩니다. 서빙 데이터 저장소는 분석 및 시각화 기능은 물론, 데이터 제품, API 기능에도 모두 연결됩니다. 클라우드 스토리지는 머신러닝 기능에 연결됩니다.

분석, 학습, 예측 부문은 4가지 기능으로 구성됩니다.

1. 1. 분석 및 시각화 기능은 Oracle Analytics Cloud, GraphStudio, ISV를 사용합니다.
2. 2. 데이터 제품 및 API는 Autonomous Data Sharing, API Gateway 및 Functions를 사용합니다.
3. 3. 머신러닝은 Oracle Machine Learning 및 Oracle ML Notebooks을 사용합니다.
4. 4. 스트리밍 처리는 OCI Goldengate Stream Analytics 및 타사 솔루션을 사용합니다.

측정, 조치 제품군은 직원 및 파트너별, 사회서비스 분석가별, 개입 경보별로 데이터 분석 기능의 사용 방식을 파악합니다.

사람 및 파트너는 소셜 프로파일링(인구 통계, 사회경제 지표 및 건강 관련 데이터), 위험 평가, 소셜 트렌드 분석, 코호트 분석으로 구성됩니다.

사회서비스 분석가는 근본 원인 분석, 패턴 식별, 자연어 처리 감정 분석, 분류 모델링, 클러스터링, 이상탐지로 구성됩니다.

개입 경보는 스트림 처리에 연결됩니다.

3가지 주요 제품군(수집 및 변환, 유지, 선별 및 생성, 분석, 학습 및 예측)에는 인프라, 네트워크, 보안 솔루션, IAM 등이 지원됩니다.

데이터의 연결, 수집 그리고 변환

Oracle의 솔루션은 3가지 주요 제품군으로 구성되어 있으며, 각각 특정 데이터 플랫폼 기능들을 지원합니다. 첫 번째 제품군은 데이터의 연결, 수집, 변환 관련 기능을 제공합니다.

서비스 제공 조직이 사회적 요구를 파악하고 평가할 수 있도록 아키텍처에 데이터를 삽입하는 세 가지 주요 방법이 있습니다.

• 프로세스를 시작하려면 실시간 또는 실시간에 가까운 빈번한 추출을 실행해야 하며, 이는 사례 관리, 개입 관리 및 교육 기록 시스템과 같은 운영 시스템에서 특정 이벤트 또는 개입 요구 사항을 식별하는 데 일반적으로 필요합니다. Oracle Cloud Infrastructure(OCI) GoldenGate를 사용하여 사례 관리, HCM/리소스 및 서비스 시스템에서 데이터를 수집합니다. 이벤트 데이터, 서비스 가용성 및 자격 요건은 사회서비스 제공자가 필요한 서비스를 파악하고 제공할 수 있도록 거의 실시간으로 수집해야 합니다("적시" 수집이라고도 함). 이 데이터는 일반적으로 관계형 데이터이며 엔터프라이즈 애플리케이션에서 추출됩니다. OCI GoldenGate는 변경 데이터 캡처를 사용해 서비스 대상 운영 프로세스를 제공하는 시스템의 기반 구조에 변경이 발생하면 이를 감지합니다(예: 사례 생성, 고객 문제 플래그 지정, 개입 등). 그리고 이 데이터를 실시간으로 지속성 계층 및/또는 스트리밍 계층으로 전송합니다. OCI GoldenGate는 완료된 작업/트랜잭션의 로그 파일을 처리하고 수집된 변경 사항을 데이터베이스와 별도로 외부 추적 파일에 저장하여 소스 변경 사항을 비침습적으로 처리할 수 있는 변경 데이터 캡처 메커니즘을 제공합니다. 이후 변경 사항은 스테이징 데이터베이스로 안정적으로 전송됩니다. Journaling Knowledge Module(JKM)은 Oracle Data Integrator에서 관리하는 메타데이터를 사용하여 모든 OCI GoldenGate 구성 파일을 생성하고 스테이지 영역에서 OCI GoldenGate가 감지한 모든 변경사항을 처리합니다. 이러한 변경사항은 Oracle Data Integrator의 선언적 변환 매핑을 사용하여 대상 데이터 웨어하우스로 로드됩니다. 이 아키텍처를 사용하면 데이터를 로드하고 분석 데이터 웨어하우스 테이블로 변환하는 것 외에도 정규화된 스테이지 영역 테이블에 대한 별도의 실시간 보고가 가능합니다.
• 다음으로 모델 학습 및 서비스 제공 분석을 위해 과거 운영 트랜잭션 데이터의 일괄 전송을 사용으로 설정합니다. 일괄 전송 서비스는 대량의 데이터를 최초로 Oracle Cloud Infrastructure로 이전해야 하는 경우 사용됩니다(예: 기존 온프레미스 분석 저장소 또는 타 클라우드 소스의 데이터 이전). 어떤 일괄 전송 서비스를 사용하게 될지는 데이터의 위치와 전송 빈도에 따라 달라집니다. 예를 들어 과거 계획 또는 데이터 웨어하우스 저장소로부터 대량의 온프레미스 데이터를 로드할 때 OCI Data Transfer 서비스 또는 OCI Data Transfer Appliance를 사용할 수 있습니다. 대량의 데이터를 지속적으로 이전해야 하는 경우, 고객사의 데이터 센터와 OCI 간의 고대역폭 전용 프라이빗 네트워크 연결을 제공하는 OCI FastConnect 사용이 권장됩니다.
• 여러 소스의 커뮤니티, 코호트 또는 고객 데이터를 실시간으로 분석하는 기능은 조기 개입 기회 파악을 위해 점점 더 중요해지고 있습니다. 이 사용 사례에서는 스트리밍 수집을 사용해 모바일 상호 작용, 사물인터넷, 머신 간 커뮤니케이션 및 기타 수단을 통해 고객 또는 내부 이벤트로부터 읽어온 모든 데이터를 수집합니다. 스트림은 다양한 내부(텔레매틱스 및 모니터링) 및 외부(소셜) 소스에서 생성될 수 있으며, 위치 데이터, 고객 상호 작용 데이터, 이동 데이터 및 소셜 미디어 데이터를 포함할 수 있습니다. 수집된 데이터(이벤트)는 몇 가지 기본적인 변환/집계 처리를 거친 후 OCI Object Storage에 저장됩니다. 추가 스트리밍 분석을 사용하여 상관관계가 있는 위치 이벤트를 식별하고, 고객 개입과 같은 작업을 시작할 수 있으며, 식별된 패턴은 OCI Data Science를 사용한 원시 데이터의 조사를 위해 (수동으로) 피드백될 수 있습니다.
• 실시간 처리에 대한 니즈가 증가하고 있긴 하지만, 사례, 트랜잭션, 리소스 관리, 고객, 인구 통계, 위험 및 규정 준수 관리 시스템에서 가장 흔한 형태의 추출은 ETL 프로세스를 사용한 일종의 일괄 수집 방식입니다. 일괄 수집은 데이터 스트리밍을 지원할 수 없는 시스템으로부터 데이터를 임포트할 때 사용됩니다(예: 대부분의 레거시 사례 관리 시스템 및 레지스터). 10분 또는 15분 간격으로 자주 데이터를 수집할 수도 있지만, 개별 트랜잭션이 아닌 트랜잭션 그룹 단위로 데이터를 추출 및 처리하는 만큼 본질적으로는 일괄 수집에 해당하는 방식입니다. OCI는 전용 OCI Data Integration 및 OCI Compute 인스턴스에서 구동되는 Oracle Data Integrator와 같이 다양한 일괄 수집 서비스를 제공합니다. 어떤 서비스를 선택할지는 주로 기술적 요구 사항이 아닌 고객 선호도를 기반으로 결정됩니다.

데이터의 지속, 처리, 선별

데이터 지속성 및 처리는 3개의 구성 요소를 기반으로 구축됩니다. 모든 구성 요소를 사용하는 고객도 있고, 하위 구성 요소만 선택하는 고객도 있습니다. 데이터의 양 및 유형에 따라 데이터를 객체 스토리지로 로드하거나, 영구적 저장을 위해 정형 관계형 데이터베이스로 직접 로드할 수 있습니다. 데이터 과학 기능의 적용이 예상되는 경우, 데이터 소스로부터 원시 형식(처리되지 않은 원시 파일 또는 추출)으로 검색된 데이터를 캡처하여 트랜잭션 시스템에서 클라우드 스토리지로 로드하는 것이 보다 일반적인 방식입니다.

• 클라우드 스토리지는 Oracle의 데이터 플랫폼에 사용되는 가장 일반적인 데이터 지속성 계층입니다. 또한 정형 및 비정형 데이터 저장에도 사용할 수 있습니다. OCI Object Storage, OCI Data Flow, Oracle Autonomous Data Warehouse(ADW)가 그 기본 구성 요소입니다. 데이터 소스에서 원시 형식으로 검색된 데이터는 캡처된 뒤 OCI Object Storage로 로드됩니다. OCI Object Storage는 기본 데이터 지속성 계층이고, OCI Data Flow의 Spark는 기본 일괄 처리 엔진입니다. 일괄 처리는 기본 노이즈 처리, 누락된 데이터 관리, 사전 정의된 아웃바운드 데이터 세트에 기반한 필터링을 비롯한 여러 작업으로 구성된 과정입니다. 처리된 데이터는 요구되는 처리 방식 및 사용된 데이터 유형에 따라 객체 스토리지의 다양한 계층 또는 영구 관계형 저장소에 다시 작성됩니다.
• 이제 서빙 데이터 저장소를 사용해 선별된 데이터를 쿼리 성능에 최적화된 형식으로 유지하고 사회서비스 수요 및 니즈에 대한 포괄적인 뷰를 제공할 수 있습니다. 서빙 데이터 저장소는 SQL 기반 도구를 활용하여 최종 사용자에게 직접 선별된 고품질 데이터를 제공하기 위해 사용되는 영구 관계형 계층을 제공합니다. 본 솔루션에서 Oracle Autonomous Data Warehouse는 엔터프라이즈 데이터 웨어하우스의 서빙 데이터 저장소로, 필요한 경우 보다 특화된 도메인 레벨 데이터 마트로서 인스턴스화됩니다. 또한 데이터 과학 프로젝트의 데이터 소스, 또는 Oracle Machine Learning에 필요한 저장소로서의 기능도 수행합니다. 서빙 데이터 저장소로는 Oracle MySQL HeatWave, Oracle Database Exadata Cloud Service, Oracle Exadata Cloud@Customer를 비롯한 다양한 서비스 중 하나를 채택할 수 있습니다.

데이터 분석, 학습 및 예측

분석, 학습, 예측 기능은 3가지 기술 접근 방식을 기반으로 구축됩니다.

• 고급 분석 기능은 현재 및 미래의 사회서비스 요구를 파악하는 데 중요합니다. 본 사용 사례에서는 Oracle Analytics Cloud를 사용하여 분석 및 시각화 작업을 수행합니다. 이를 통해 기술 분석(현재의 추세를 히스토그램 및 차트로 설명), 예측 분석(미래 이벤트 예측, 추세 파악, 불확실한 결과의 발생 가능성 추산), 처방 분석(최적의 의사결정 지원을 위해 적합한 조치 제안)을 활용할 수 있습니다.
  
  과거 데이터에 예측 모델을 적용하면 다음과 같은 방식으로 사회서비스 수요 평가를 개선할 수 있는 상당한 잠재력이 있습니다.
  • 미래 수요 예측: 예측 분석 알고리즘은 사회서비스 활용도, 인구 통계 추세 및 사회경제 지표에 대한 과거 데이터를 분석하여 다양한 서비스에 대한 미래 수요를 예측할 수 있습니다. 커뮤니티의 예상 수요에 대한 이해는 사회서비스 제공자가 이러한 요구 사항을 효율적으로 충족하기 위해 사전에 자원을 계획하고 할당하는 데 도움이 될 수 있습니다.
  • 위험 집단 파악: 서비스 제공자는 예측 분석을 사용하여 연령, 소득 수준, 건강 상태, 과거 서비스 활용 패턴 등의 요소 조합을 기반으로 사회서비스가 필요할 위험이 높은 개인 또는 커뮤니티를 파악할 수 있습니다. 이러한 위험 집단에 대한 개입을 목표로 함으로써, 사회서비스 제공 기관은 위기를 예방하고 잠재적인 문제 완화를 위한 조기 지원을 제공하기 위해 조치를 취할 수 있습니다.
  • 개입 조정: 사회서비스 제공 기관은 예측 분석을 사용하여 개인의 특정 요구 및 특성에 따라 가장 적절하고 효과적인 개입을 파악함으로써 서비스 제공을 최적화할 수 있습니다. 각 개인 또는 그룹의 고유한 요구 사항에 맞게 서비스를 조정하면 사회서비스 제공 기관이 개입의 영향을 극대화하고 성과 개선을 지원하며 프로그램의 비용 효율성을 높일 수 있습니다.
  • 리소스 할당 최적화: 사회복지사는 분석 기능을 통해 서비스가 가장 필요한 서비스를 파악하여 리소스 할당 및 전략 계획을 알릴 수 있습니다. 이러한 수요 높은 영역에 대한 투자 우선 순위를 정함으로써 사회서비스 제공 기관은 커뮤니티 내에서 가장 시급한 과제를 해결하기 위해 리소스를 효율적이고 효과적으로 할당할 수 있습니다.
  • 증가하는 의료 요구 사항에 적응: 예측 분석을 통해 사회서비스 제공 기관은 실시간 데이터 및 피드백을 기반으로 개입을 지속적으로 모니터링하고 개선할 수 있습니다. 변화하는 요구와 상황에 대응하여 결과를 분석하고 전략을 조정함으로써 조직은 커뮤니티의 요구의 변화에 따라 사회서비스 프로그램의 효과와 응답성을 관리할 수 있습니다.
• 고급 및 스트리밍 분석 외에도 데이터 과학, 머신러닝, 인공지능 등의 기술을 활용하여 이상 징후를 파악하고, 프로세스 지연이 발생할 수 있는 위치를 예측하고, 고객 경험 및 결과를 최적화하는 사례가 늘고 있습니다. 예를 들어 머신러닝 모델은 고객 맥락 식별, 모집단 분석 및 결과 세분화에 사용할 수 있습니다. 새로운 데이터를 통해 학습을 거듭하는 이 모델들은 시간이 지날수록 적응력이 높아지고, 성과가 개선됩니다. 이는 운영 효율성 향상과 보다 나은 의사결정을 지원합니다. OCI Data Science, OCI AI Services, Oracle Machine Learning이 데이터베이스에서 사용될 수 있습니다.
  
  우리는 머신러닝과 데이터 과학을 사용해 우리의 예측 모델을 구축하고 훈련시킵니다. 이후 해당 머신러닝 모델들은 API를 통해 점수 부여용으로 배포되거나, OCI GoldenGate 스트림 분석 파이프라인의 일부로서 내장될 수 있습니다. 경우에 따라 Oracle Machine Learning Services REST API를 사용하여 해당 모델들을 데이터베이스에 배포할 수도 있습니다(Open Neural Network Exchange 형식 모델에 한해 가능). 또한 Jupyter/Python 중심 노트북용 OCI Data Science, 또는 Zeppelin 노트북 및 머신러닝 알고리즘용 Oracle Machine Learning을 서빙 또는 트랜잭션 데이터 저장소에 배포할 수 있습니다. 마찬가지로 Oracle Machine Learning 및 OCI Data Science를 단독으로, 또는 함께 사용하여 권장/결정 모델을 개발할 수 있습니다. 이러한 모델들은 서비스 형식으로 배포 가능하고, Oracle은 해당 모델들을 OCI API Gateway를 통해 배포함으로써 '데이터 제품' 및 서비스 형식으로 제공할 수 있습니다. 마지막으로, 머신러닝 모델들은 운영 결정 시스템의 일환인 애플리케이션에 배포될 수 있습니다(허용되는 경우).
• 마지막 주요 구성요소는 데이터 거버넌스입니다. 데이터 거버넌스는 데이터 플랫폼 생태계의 모든 데이터 소스에 대한 데이터 거버넌스 및 메타데이터 관리(기술 및 비즈니스 메타데이터 모두 해당)를 제공하는 무료 서비스인 OCI Data Catalog를 통해 제공됩니다. 또한 OCI Data Catalog는 저장 방식에 관계없이 모든 데이터를 빠르게 검색할 수 있는 방법을 제공하기 때문에 Autonomous Data Warehouse에서 OCI Object Storage로의 쿼리를 위한 중요한 구성 요소이기도 합니다. 이를 통해 최종 사용자, 개발자, 데이터 과학자는 아키텍처 내의 모든 영구 데이터 저장소에서 공통의 액세스 언어(SQL)를 사용할 수 있습니다.

커뮤니티 요구사항을 종합적으로 파악하고 증거 기반의 사전 예방적 의사 결정 지원

사회서비스 요구에 고급 분석 기능을 적용하는 데이터 기반 접근 방식을 활용하면 개인과 커뮤니티의 요구 사항을 충족하기 위해 사회서비스가 개발, 제공 및 맞춤화되는 방법을 개선할 수 있습니다. 데이터 기반 분석을 통해 커뮤니티의 다양한 인구 통계 그룹의 요구를 보다 철저하게 파악할 수 있습니다. 사회서비스 제공자는 건강 기록, 커뮤니티 설문 조사, 사회 지원 프로그램 데이터, 인구 조사 데이터 등 다양한 데이터 소스를 사용하여 건강 지표, 사회경제적 결정 요인, 인구 통계학적 추세 및 서비스 활용 패턴에 대한 중요한 인사이트를 얻을 수 있습니다. 전체적인 관점을 채택함으로써 조직은 서비스 제공 격차를 정확히 파악하고, 소외된 그룹에 대한 개입에 집중하며, 가장 긴급한 요구를 충족하기 위해 리소스를 보다 현명하게 배포할 수 있습니다.

다음은 모던 데이터 플랫폼이 조직에서 사회서비스 수요 평가 및 서비스 제공의 품질, 효율성, 효과를 개선할 수 있도록 지원하는 몇 가지 방법입니다.

• 인구 조사 데이터, 공중 보건 기록, 사회 지원 프로그램 데이터, 커뮤니티 설문 조사 등 다양한 소스의 다양한 데이터 세트를 통합합니다. 이러한 데이터 세트를 중앙 집중식 저장소로 통합하면 모든 정보를 보다 쉽게 분석하고 여러 변수 간의 상관관계를 파악할 수 있습니다.
• 예측 모델링 및 데이터 시각화 도구와 같은 고급 분석 기능을 통해 의사결정 담당자는 사회서비스 수요의 추세, 패턴 및 차이를 파악할 수 있습니다. 예를 들어 예측 모델링 기술은 인구 통계 및 사회경제적 요인에 따라 특정 사회서비스에 대한 미래 수요를 예측할 수 있습니다.
• 머신러닝 알고리즘은 대량의 데이터를 분석하여 기존 분석 방법을 통해 명확하게 확인할 수 없는 숨겨진 패턴과 관계를 파악할 수 있습니다. 이러한 알고리즘은 유사한 사회서비스 요구를 가진 개인으로 이루어진 집단을 감지하거나 특정 문제가 발생할 위험이 있는 개인을 예측하여 사전 예방적 개입 전략을 수립할 수 있습니다.
• 지리 공간 분석 도구를 사용하면 지도상에서 사회서비스 수요를 시각화할 수 있으므로, 정책 입안자는 취약 인구가 집중되거나 사회서비스에 대한 접근이 제한적인 지리적 영역을 확인할 수 있습니다. 이러한 공간적 이해를 통해 리소스 할당 및 서비스 계획을 세울 수 있습니다.
• 사회서비스 지표를 실시간으로 모니터링하면 적시에 개입하고 서비스 제공 전략을 조정할 수 있습니다. 지속적인 피드백 루프를 통해 사회서비스 제공자는 관찰된 결과에 따라 개입 효율성을 평가하고 사회복지 프로그램을 개선할 수 있습니다.
• 민감한 개인 정보 보호를 위한 엄격한 윤리적 지침 및 개인정보 보호 규정을 준수하도록 데이터 수집, 저장 및 분석 과정에서 보안을 강화하기 위한 조치를 취해야 합니다. 모던 데이터 플랫폼에는 강력한 보안 조치 및 익명화 기술이 포함되어 있어 조직이 사회서비스 수요 평가를 위해 데이터를 활용할 때 프라이버시를 보호할 수 있습니다.