데이터 유통을 위한 인프라가 만들어져야 데이터 산업이 활성화 될 수 있습니다. 데이터 유통 활성화를 위한 데이터거래소 구축에 대한 논문입니다.

1. 데이터 산업에서 창업 활성화를 위한 데이터 거래소 제안 : 금융거래소형 데이터거래소를 중심으로
- 28 -
데이터 산업에서 창업 활성화를 위한 데이터 거래소 제안
: 금융거래소형 데이터거래소를 중심으로
A Data Exchange Model to Promote Entrepreneurial Activities
in Data Industry : Benchmarking Financial Exchanges
이영환* 전희주** 윤정연***
《 目 次 》
Ⅰ. 서 론
Ⅱ. 선행연구 검토
Ⅲ. 전통적 금융거래소와 데이터
거래소 이론적 모델
Ⅳ. 데이터 장터의 진화 형태에 따른 비교
Ⅴ. 금융거래소형 데이터 거래소의
장점 및 효과
Ⅵ. 결론 및 시사점
참고문헌/Abstract
Ⅰ. 서론
데이터 과학자(data scientist)는 어떤 문제를 해결하기 위해 가설을 설정한 후 데이터 기록
혹은 수집방법을 연구하고 원시데이터를 수집하고 그를 데이터 처리를 한 후 데이터 정제를 거
쳐서 분석하고 결론을 이끌어 내는 사람이라고 정의할 수 있다(O'Neil & Shutt, 2014). 이 정
의처럼 데이터를 직접 수집하고 직접 가공하고 분석하여 소비하는 형태는 산업의 진화라는 입장
에서 본다면 자급자족 형태의 데이터 가공 산업이 된다. 그러나 데이터 과학자가 최종 소비될
때까지 모든 형태의 가공 공정에 개입해야 한다면 그 데이터 과학자의 작업은 매우 힘들고 시간
논문접수일 2015. 04. 06. 수정일 2015. 06. 23. 게재확정일 2015. 06. 25.
* 건국대학교 기술경영학과 조교수, (nicklee@konkuk.ac.kr)
** 동덕여자대학교 정보통계학과 조교수, 교신저자, (hjchun@dongduk.ac.kr)
*** 한국금융연수원 조교수, juneyoon@kbi.or.kr

2. 한국창업학회지 제10권 2호
- 29 -
이 많이 소요될 것이며 효율성은 매우 낮을 것이다. 그래서 데이터 관련 산업은 새로운 융복합
적 학문영역으로서 데이터과학 자체뿐만 아니라, 새로운 산업영역으로서의 발전적인 의미를 가
진다고 할 수 있다(박종헌, 2011). 최근 빅데이터의 의미가 강조되면서 데이터 산업으로서 많은
빅데이터 관련 국내외 학술연구와 정책방향이 제시되고 있으며 데이터 서비스 산업을 위한 다양
한 데이터 기반 융합서비스 창출방안을 제시되고 있다(장병열 등, 2013).
데이터가 생산되어 소비되기까지 그 과정을 자세히 본다면, 생산된 원시 데이터(raw data)들
은 수집(Collect)=> 취합(Integrate)=> 변환(Transform)되고, 정제(Clean) 필터(Filter)를
거쳐 통합(Aggregate)되어 매쉬업(Mash-up)되는 등 여러 가지 데이터 가공 공정을 거치게
된다. 이는 다시 재생산되거나 해석(Interpret) 평가(Evaluate)되고 분석(Analyze)이 되어
최종 소비(Consume) 단계에 이르게 된다. 즉 데이터의 생산부터 소비까지의 과정은 복잡한 다
단계로 연결이 되어있다. 과거의 단순한 자급자족형 데이터 가공 산업에서 최근에는 생산자가
대량으로 데이터를 생산하고 이를 유통하여 최종 소비자와 연결해 주는 일명 “데이터의 장터
(data markets)”가 형성되고 있다. 이러한 데이터 장터에는 생산자와 소비자뿐만이 아니라 수
집상과 판매상, 가공업자 등이 참가하여 데이터를 최종 소비자가 필요한 형태로 가공하고 판매
함으로써 부가적인 가치를 생성하게 된다. 즉, 데이터 장터의 형성을 통해 데이터 유통과 가공
산업이 성장되고 이들을 통해 시장 생태계가 형성되는 식으로 빠르게 진화하고 있는 중이다.
특히 최근 빅데이터와 사물 인터넷 시대가 도래함에 따라 생성되는 정형 데이터뿐만 아니라
비정형 데이터를 유통하고 활용하여 가치를 창출하고 경쟁력을 확보하기 위한 기업들의 경쟁이
전 세계적으로 치열해지고 있다. 해외의 경우 구글, 페이스북, 아마존, 애플 등이 자사 서비스를
통해 데이터를 재수집하는 선순환구조를 구축하여 새로운 서비스 창출을 주도하고 있다. 인터넷
매체인 테크니컬 크런치의 편집자인 길 엘바즈는 2012년 9월 “데이터 장터: 떠오르는 데이터경
제”라는 칼럼에서 새로운 데이터 장터가 계속 진화하고 있고 비즈니스 공동체에 의해 받아들여
지고 있다면서 데이터 장터가 데이터 경제의 중심으로 등장할 것임을 예측하였다.
반면 국내 기업의 빅데이터 도입 현황을 살펴보면 이동통신사와 포털사 등이 자사보유 데이
터를 바탕으로 빅데이터 서비스를 단순히 제공만하는 초기단계이다. 이 초기 단계를 벗어나 데
이터 산업이 활성화되려면 데이터의 생산뿐만이 아니라 유통과 가공 및 관리, 분석, 시각화 등
분야별로 충분히 많은 숫자의 전문 기술 기업들이 등장해야 한다. 그럼에도 불구하고 전문 기술
기업들의 창업, 생존, 성장에 꼭 필요하다고 할 데이터 산업의 생태계가 형성조차 되지 않고 있
는 실정이다. 즉, 데이터 생산자가 소비자를 찾을 수가 없고 데이터 소비자가 가공 서비스 전문
사업자를 찾을 수 없는 것이 실상이다. 따라서 데이터 산업의 활성화와 성장을 위한 데이터 산
업 활성화를 위한 생태계 구축 전략이 시급하다.
본 논문에서는 데이터 생태계의 진화, 즉 데이터 산업에서의 창업 활성화를 위한 전략으로 데
이터거래소 설립을 제안한다. 본 논문의 데이터거래소는 현재의 금융거래소 개념을 반영하여 데
이터 거래를 가능하도록 하는 이른바 ‘금융거래소형 데이터거래소’로서 데이터 장터 분류 방법에

3. 데이터 산업에서 창업 활성화를 위한 데이터 거래소 제안 : 금융거래소형 데이터거래소를 중심으로
- 30 -
서의 데이터 장터 진화단계의 최종 모델이다.
Ⅱ. 선행연구의 검토
2.1 데이터산업의 생태계에 관한 연구
빅데이터 산업 생태계를 분석한 연구로는 Dave Feinleib (2012), Matt Turck &
ShivonZilis(2013), Vitria(2012), Sqrrl(2013)가 있다. 김사혁(2013)은 이들의 생태계 지도를
가지고 빅데이터 산업 생태계 비교 분석을 하였다. Dave Feinleib(2012)는 빅데이터와 관련된
글로벌 시장의 모습을 기업, 제품 또는 서비스, 기술들로 구성된 빅데이터 시장과 생태계를 조망
하였으며, 11개의 시장 분류를 제시하였다. Turck & Zilis(2013)의 빅데이터 생태계 관련 지형
도로 인프라(Infrastructure), 분석(Analytics), 애플리케이션 (Application), 데이터 원천
(Data Sources), Cross Infrastructure/Analytics, 오픈소스 프로젝트(Open Source
Projects)로 산업 및 시장을 구분하고 대표적인 기업과 제품, 서비스를 제시하였다. Vitria사
(2012)가 조망한 빅데이터 지형도를 보면, 크게 빅데이터 산업 생태계를 기술(Technologies),
인프라(Infrastructure), 앱(Apps)으로 구분하였으며, 이는 Feinleib(2012)가 제시한 생태계와
매우 유사한 형태로 Fienleib의 연구 자료를 근간으로 작성된 것으로 보인다. Sqrrl(2013)의 빅
데이터 에코시스템 분석은 Feinleib(2012)와 유사한 형태의 분류로 Feinleib의 분석 자료를 토
대로 자신의 시각에서 생태계의 모습을 11개의 분류로 정리하였으며, 이 분류는 기술적인 면을
강조하고, 플랫폼을 구분하여 포함시키는 특성을 가지고 있다.
조지연 등(2012)도 빅데이터 산업 발달을 위한 시사점을 찾고자 데이터 생태계를 분석하였다.
이들은 빅데이터 생태계의 구성 개체를 빅데이터 생산자, 서비스 이용자, 빅데이터 제공자, 빅데
이터 서비스 제공자, 빅데이터 유통자 등으로 구분하였다. 국내 생태계의 경우 수준 높은 정보통
신 인프라를 기반으로 개인의 소셜미디어 이용 활동도 활발하고 기업의 각종 비즈니스 활동 과
정에서도 대용량의 업무 데이터와 소비자 관련 데이터가 발생하며 정부 또한 다양한 대용량 빅
데이터를 보유하고 있어 빅데이터의 생산자는 잘 형성되어 있다고 분석할 수 있다. 하지만 아직
까지 원활하게 데이터가 공유되지 못하고 있다는 한계점이 있고 데이터 산업이 성숙하지 않아
‘빅데이터 서비스 제공’을 전문적으로 하는 기업은 나타나지 않고 원시데이터를 보유한 기업만을
위주로 빅데이터 서비스 제공자로 진화하는 데이터 불균형에 대한 우려가 있다고 하였다. 이들
은 빅데이터 생태계 활성화를 위해서는 생태계 내의 개체들이 이해관계가 다르겠지만 장기적인
관점에서 빅데이터를 통한 가치창출의 목표를 가지고 데이터 공유와 순환을 위한 노력을 해야
한다고 주장하였다. 또한 국내에서 가장 취약한 빅데이터 서비스 제공과 유통 부분에 경쟁력이

4. 한국창업학회지 제10권 2호
- 31 -
필요하며 정부는 기술, 인프라, 정책 제도 등의 외부환경을 잘 조성하는 역할을 해야 한다고 하
였다.
김사혁(2013)은 빅데이터 생태계 성공의 핵심 요인은 스마트 미디어 환경 하에서 빅데이터
생태계 구성자간의 선순환의 상생구도 구축으로 보았다. 이는 빅데이터 생태계 내에서의 산업
간 성장 이슈는 신규 사업모델의 개발 및 신규 시장의 창출이며, 궁극적으로 경쟁과 협력을 통
해 동반성장하는 것으로 본 것이다.
2.2 데이터의 가치와 거래에 관한 연구
안전행정부가 홈페이지에 공개한 “정부 3.0 강의 발표자료”는 기상, 교통, 지리, 특허, 보건의
료, 재해·안전, 교육, 고용·노동, 공공정책 및 재정 등과 관련한 공공데이터를 개방하여 민간의
데이터 산업 참여 활성화를 도모할 경우 15만 명의 일자리 창출과 24조원의 경제적 효과가 있
을 것이라고 설명하고 있다. 정부의 ‘빅데이터’를 활용한 과학적 행정구현과 신규 서비스·산업
창출 의지에 따라 공공정보의 활용가치에 관한 연구는 계속 되고 있어지고 있다. 허필선 등
(2013)은 국내외 공공정보의 개방정책을 비교하고 국내의 개방 현황 및 민간활용 시장전망을 제
시하였다. 또한 이들은 공공정보의 민간활용의 부문별(공공기관, 민간사업자, 이용자, 산업) 가치
와 파급효과를 살펴보았다.
개인정보 가치에 대한 연구는 다음과 같다. 유지연(2013), 정준현(2014)에 따르면 국내에서는
개인정보 이용가치가 추정단계에 머물러 있지만 개인정보를 이미 활발하게 거래되고 있는 미국
에서는 데이터 브로커(data broker)가 개인별로 프로파일링한 데이터를 데이터의 성격에 따라
1인당 0.0005달러부터 0.26달러까지 거래하고 있어 구체적인 수치화가 가능하다 (Financial
Times, 2013. 6. 12). 정준현(2014)은 보다 구체적으로 2012년 10월 8일 개최된 세계경제포럼
(“Unlocking the value of personal data balancing growth and protection")에서 제안된
사항들을 분석함으로써 세계적으로 등장하고 있는 개인정보의 이용가치에 대한 새로운 시각을
정리하였다. 개인정보의 가치가 올바르게 실현되지 않을 것이라는 우려와 위험은 있으나 개인정
보는 혁신, 투자, 지속가능한 경제성장의 추진체가 될 수 있다는 것이 주 골자다.
추병조(2014)는 빅데이터 거래에 대해 검토하고 데이터 거래 시스템을 제시하고 빅데이터 거
래 비즈니스 모델과 빅데이터 거래 시스템의 결합을 시도하였다. 그는 빅데이터 거래시스템이
기존의 빅테이터 활용 문제점을 해결할 수 있다고 보았다. 그는 데이터 제공자에게 판매이익을
제공함으로써 구매자가 원하는 정보를 정확하고 빠르게 얻을 수 있다는 점을 주목하였다.

5. 데이터 산업에서 창업 활성화를 위한 데이터 거래소 제안 : 금융거래소형 데이터거래소를 중심으로
- 32 -
2.3 개인정보 관련 법제
어떤 데이터를 사고 팔 수 있는지는 어느 국가나 매우 민감한 문제이고 여러 가지 법규와 연
관이 있다. 영국의 경우 정보보호국에서는 2012년 12월 제정된 “데이터 보호법”에 의거하여 고
객 데이터베이스를 파는 경우에 대한 정확한 정의를 내리고 있다. 이 법에 의하면 단체는 데이
터베이스를 상업적 판매목적으로 취득한 정보에 대해서 개인 당사자에게 판매된다는 사실을 포
함하여 어떻게 정보가 사용되는지 알 수 있게 한다면 판매할 수 있다고 규정하고 있다. 보통의
경우 개인의 정보가 처음부터 다른 기관에 건네질 수 있다는 사실을 알지 못한다면 데이터베이
스에 있는 개인정보는 판매될 수 없지만 기업이 법정관리에 들어갔다거나 망했다거나, 사업폐쇄
를 하거나 비즈니스가 판매되었을 경우에는 개인정보가 들어있는 데이터베이스를 판매하는 것
을 금지하지는 않는 것이다. 우리나라가 취하고 있는 개인정보에 관련된 법제는 개인정보가 가
지고 있는 가치의 활용을 전제로 하기보다는 보호만을 목적으로 하고 있어 데이터 산업 발달을
가로막고 있다. 관련 연구로 김동환(2014)은 개인정보 보호와 관련된 국내의 최근 법제의 동향
을 개인정보의 수집으로부터 이용, 파기에 이르기까지의 각 단계에서 정보주체인 개인의 개별적
동의를 구하도록 하고 ‘알 권리’와 ‘행할 권리’를 강화하는 동시에 이들 권리를 침해했거나 그럴
개연성이 있는 정보제공·이용자 또는 정보처리자의 행위를 규제하고 보상하는 것으로 요약하였
다. 정준현(2014)은 개인정보의 이용가치와 충돌하는 법익을 정리하고 개인정보에 대한 위험과
개선방향을 제시하였다. 백윤철(2014)은 최근 개인정보자기결정권의 법·제도 현황과 함께 빅데
이터와 잊혀질 권리 등과 같은 제반되는 문제를 다루었다. 이 연구들 모두 개인정보의 보호와
활용을 위한 균형법제의 필요성을 강조하였다.
2.4 자동화 정도에 관한 연구
기술의 진보에 따라 자동화 기술은 컴퓨터 산업 (Sheridan 1992), 기계 산업(Inagaki 1993),
의료 산업(Balogh 2006), 심지어는 보험 (Braunwarth, et al. 2010) 등 다양한 분야에서 적용
되어 왔다. 보통 인간의 작업 수행도는 과거와 비교할 때 비슷한 수준에 머물러 있는 반면 기계
와 컴퓨터는 기술의 진보와 더불어 작업 수행도를 개선해 왔다. 기계 나 컴퓨터의 작업 수행도
가 인간의 작업 수행도 보다 신뢰성이 높으면 자동화 기술이 적용된다. 예컨대 에서 이러한 자
동화기술이 적용되어 왔다.
Sheridan (1992) 자동화의 정도를 10개 고정된 스케일로 구분할 수 있다고 하였다. 또한
Inagaki는 동적으로 유연한 특성을 가지고 있어야 한다고 주장하였다.(Inagaki 1993) Farlex
사전에 의하면 자동화의 정도는 사이클, 작동, 서비스 카테고리로 나누는데 싸이클을 가진 공정
에서 싸이클의 자동화 정도(Cyclic Degree of Automation, Ka.c)는 Ka.c=taut/te 로 나타낼

6. 한국창업학회지 제10권 2호
- 33 -
수 있다. 이때 te는 한 사이클을 수행하는 시간, taut는 기계 작동 시간이다.(Farlex 2014)
본 논문 섹션 IV에서 최근들어 만들어지고 있는 여러 가지 형태의 데이터 시장을 분석하기
위한 이론적 분석 방법으로 Farlex 사전에서 주어진 식을 변형하여 자동화 정도를 비교한다.
Ⅲ. 전통적 금융거래소와 데이터 거래소 이론적 모델
3.1 전통적 금융거래소
세계 여러 도시에 위치하고 있는 금융거래소에서는 주식, 채권 또는 외환, 주식, 채권과 같은
금융자산을 기반으로 하는 파생상품(derivatives)의 거래가 활발하게 이루어지고 있다. 미국의
CME 그룹은 세계 최대의 거래소를 운영하고 있고 그곳에서는 전통적인 금융자산인 외환, 주식,
채권 등을 기초자산으로 하는 파생상품은 물론이고 농축산물, 광물, 에너지 자원 등의 실물상품
(commodities)을 기반으로 한 파생상품의 거래도 활발하게 이루어지고 있다.
파생상품의 시장가치는 기초자산의 가치 변동에 연계되어 있지만 기초자산의 가치와는 다른
수익구조를 가지고 있다. 따라서 파생상품은 금융시장 참가자의 다양한 니즈를 만족시켜주는 역
할을 한다. 이러한 점에서 파생상품 을 유통 가능한 데이터와 연결시켜 생각해 볼 수 있다. 데이
터를 필요로 하는 수요자에게는 원시 데이터가 아닌 본인이 원하는 형태로 가공된 데이터에 대
한 니즈가 있을 것이다. 그리고 가공된 데이터는 원시데이터(들)의 가치와 연계되어 있지만 가
공비용 등이 반영된 공급자와 수요자가 동의하는 가격에서 거래될 것이다. 따라서 본 연구에서
는 여러 종류의 파생상품이 활발하게 거래되고 있으며 오랜 기간 검증된 금융거래소를 데이터
거래소의 벤치마크 대상으로 정하였다.
금융거래소는 투자매매업 및 투자중개업 인가를 받은 금융기관이 회원사이며 투자자는 이 회
원사의 계좌를 통해서 매매 주문을 제출한다. 금융거래소에서는 계약체결을 자동화하고 처리 속
도를 높이기 위해서 고객별 맞춤화 계약이 아닌 표준화된 거래가 이루어지고 있다. 일반적으로
금융거래소는 실물결제가 아닌 차액결제가 이루어져서 헤지를 목적으로 하는 실수요자나 실공
급자가 아닌 투자자도 이익을 취하기 위해서 참여한다. 또한 거래소는 중앙청산소로서 청산과
결제의 기능을 제공하고 있어 거래소의 거래 주체의 포지션이 완벽하게 드러나지는 않지만 거래
상황이 투명하여 거래소 밖에서 이루어지는 거래에 비해 상대적으로 가격 형성을 보기 쉽다. 마
지막으로 금융거래소는 유동성이 풍부하여 기존의 거래를 청산하거나 양도하는 것이 가능하다.
시장의 유동성은 선물옵션 가격을 바탕으로 수익률이 산출되는 파생결합증권, GSCI(Goldman
Sachs Commodity Index)와 같은 실물상품 지수, 펀드 등의 활발한 거래를 통해서 더욱 높아

7. 데이터 산업에서 창업 활성화를 위한 데이터 거래소 제안 : 금융거래소형 데이터거래소를 중심으로
- 34 -
진다.
이러한 금융거래소 모델을 데이터거래소에 적용시키는데 있어서 글로벌 금융거래소 변화양상
과 연구하고 시사점을 제시한 이인형 등(2012), 국내에서 부진한 상품선물거래소의 활성화 방안
을 제시한 엄경식 등(2014)에서 데이터거래소의 정착과 활성화를 위한 시사점을 찾을 수 있을
것이다.
3.2 금융거래소형 데이터거래소 이론적 모델
금융거래소형 데이터거래소 모델은 매수자가 매수(Bid) 가격을 내고 매도자가 매도(Ask) 가
격을 호가하여 매도가격과 매수가격이 교차하는 점에서 매매가 성립되는 방법을 채택하고 있으
며 이를 서비스로 제공하는 비즈니스 모델이라고 정의할 수 있다.
회원제로 운영이 되며 모든 거래는 회원사를 통하여 거래가 이루어지게 하여 회원사들이 고
객에게서 거래 증거금을 확보하여 거래의 안전을 보증하도록 한하는 금융거래소와 비슷한 형태
로 [그림 1]에서 보듯이 데이터 거래소도 마찬가지로 회원사들을 통하여 거래가 이루어지도록
거래시스템을 구성한다. 회원사는 데이터 거래를 위한 매수자 및 매도자들의 관리와 증거금 관
리를 하고 거래 대금의 청산을 보증하게 된다.
모든 데이터의 생산, 가공 및 분석, 심지어는 소비에 참여하는 모든 개인 및 기업이 매수자 및
매도자로써의 역할을 하고 일반 투자 스페큘레이터(speculator)까지도 참여하는 데이터의 생태
계를 구축하는 것이 가장 최종적인 데이터거래소의 비전이다.
따라서 데이터 생산, 수집(Collect), 취합(Integrate), 변환(Transform), 정제(Clean), 필터
(Filter), 통합(Aggregate), 매쉬업(Mash-up) 등 데이터 가공업, 데이터의 평가 및 분석 사업
등에 관련된 전문 업체 및 개인들은 종래의 헤지플레이어* 의 역할을 할 것이며 이들과 함께
시장에 유동성을 가져오고 거래가격이 형성될 수 있도록 하는 것이 투자자 즉, 스페큘레이터**
의 역할을 할 것이다. 이들 모두가 참여할 수 있는 비즈니스 구조이다.
* 헤지플레이어: 전통적인 금융거래에서는 현물가격의 변동위험을 피하고 투자 위험을 최소화하기 위해
거래하는 방식의 투자자들을 말하는데 데이터 거래소에서는 현물을 생산하거나 소비하는 모든 종류의
데이터 실수요자와 실공급자를 헤지플레이어로 생각할 수 있다.
** 스페큘레이터: 전통적 금융거래소에서 선물가격의 변동에 의한 시세차익을 목적으로 투자하는 투자자들
을 말한다. 데이터 거래소에서도 금융거래소와 마찬가지로 데이터의 시세차익을 목적으로 데이터에 투
자하는 그룹을 말한다.

8. 한국창업학회지 제10권 2호
- 35 -
3.3 금융거래소형 데이터거래소 모델의 시스템 구성
[그림 1]에서 보는 바와 같이 금융거래소형 데이터 거래소 모델의 시스템은 크게 4개의 데이
터베이스(민감정보DB, 신용품질평가DB, 매도스케줄DB, 매수스케줄DB)와 청산시스템으로 구
성되어 있다.
청산시스템은 주문체결부, 민감정보필터부, 정산부, 신용품질평가부, 예약주문체결부로 구성된
다. 각 구성요소들에 대한 설명은 다음과 같다.
Ÿ 주문체결부: 주문체결부는 매수와 매도 주문을 비교하여 가격이 매칭되는 주문에 대해서 주
문 체결을 시행한다.
Ÿ 민감정보필터부: 모든 민감정보, 즉 개인정보 및 저작권 등이 수록된 데이터를 필터링 하거
나 특별정산을 할 수 있도록 한다.
Ÿ 신용품질평가부: 모든 거래는 거래 후 데이터의 품질과 거래 신용을 평가하고 DB에 수록하
여 추후 주문체결 시 이러한 정보를 바탕으로 직접적인 이익이나 불이익을 준다.
Ÿ 정산부: 체결된 모든 매수와 매도의 정산이 이루지게 한다.
Ÿ 예약주문체결부: 데이터의 생산과 매매가 발생되는 미래의 날짜가 미리 정해지는 경우나 혹
은 일정한 주기로 데이터가 발생하는 경우 예약주문 혹은 구독주문을 통해 데이터를 미리
구매하거나 미리 판매할 수가 있도록 한다. 이를 위하여 매수스케줄과 매도스케줄을 각각의
DB에 저장하고 미리 매매체결을 한 후 정해진 날짜에 매매가 이루어지도록 한다.
[그림 1] 데이터 거래소 시스템 구성도 및 서비스 흐름도

9. 데이터 산업에서 창업 활성화를 위한 데이터 거래소 제안 : 금융거래소형 데이터거래소를 중심으로
- 36 -
3.4 금융거래소형 데이터거래소 서비스의 흐름
금융거래소형 데이터 거래소의 경우 주문체결 서비스, 신용품질평가 서비스, 예약주문체결 서
비스 등의 3가지 데이터 서비스를 제공한다. 그 각각의 서비스 흐름은 다음과 같다.
3.4.1 주문체결 서비스
주문체결의 경우 시스템에서 서비스 흐름은 [그림 1]에서 다음과 같은 순서로 확인할 수 있다.*
① 매수자의 매수 주문 요청문이 주문 체결부에 등록됨.
➁ 매도자의 매도 주문 요청문이 주문 체결부에 등록됨.
③ 매도자로부터 제공된 데이터가 민감정보 필터부를 거칠 때 민감데이터가 있는 경우 필터
링 하거나 특별 정산하도록 조치한 후 매수자에게 전달함. 이 때 민감정보 필터부는 데이
터거래소 내에 존재하는 민감 정보DB에 저장된 데이터베이스에 근거하여 데이터를 확인
하게 됨.
④ 데이터가 전달된 후 체결된 금액이 정산부를 거쳐 매도자에게로 전달됨.
3.4.2 신용·품질평가 서비스
모든 매매가 체결되고 난 후 데이터가 전달되고 데이터 가격이 지불된 후에는 데이터의 품질
평가가 이루어지고 추가적으로 금액지급에 대한 신용평가가 이루어진다. 데이터의 품질평가는
사용자 이외에는 알 수가 없으므로 이에 대한 평가는 의무적으로 이루어지게 된다. 신용평가의
경우 각 회원사가 고객관리차원에서 증거금관리와 지불보증을 하게 되므로 거래소의 신용평가
는 만일의 경우 회원사의 기능이 순조롭지 못할 경우를 대비하여 옵션으로 행하게 할 수 있다.
신용평가 서비스는 다음과 같은 순서로 이루어진다.
① 매매가 완결된 후 매수자와 매도자는 각각 데이터품질과 신용평가를 하게 된다. 이 데이터
는 신용품질평가DB에 저장된다.
➁ 신용품질평가DB에 저장된 평가정보는 주문체결 알고리즘에 반영되어 평가가 좋은 매도자
나 매수자가 매매체결의 우선순위를 갖도록 반영한다.
3.4.3 예약주문체결 서비스
많은 데이터는 주기적으로 정해진 날짜에 발생하게 된다. 가령 신용카드 사용정보 등은 매월
* [그림 2]에서 회원사의 역할은 서비스를 간결하게 표시하기 위하여 생략되었다.

10. 한국창업학회지 제10권 2호
- 37 -
같은 날짜에 데이터가 생산되어야 의미를 갖게 된다. 주기적으로 정해진 날짜에 발생하는 데이
터를 매번 주문하고 체결하는 것을 해결하기 위해 예약주문체결부가 존재한다. 예약주문체결부
는 예약하거나 구독(Subscription)이 필요한 데이터를 처리하기 위해 존재한다. 서비스는 다음
과 같은 순서로 이루어진다.
① 매도자나 매수자는 주기적으로 발생하는 데이터를 매수 신청하거나 매도 신청한다. 매도자
는 데이터 종류와 데이터 발행일을 명기하여 매도 스케줄 신청을 한다. 매수자 역시 마찬
가지로 데이터 종류와 데이터 발행 요청일을 명기하여 매수 스케줄을 신청한다.
➁ 각각의 매도스케줄 신청과 매수스케줄 신청이 되면 시스템은 이를 매도 혹은 매수 스케줄
DB에 등록된 후 상품번호를 공지한다. 이 상품번호를 가지고 예약주문체결부에 매도자는
매도 주문을 할 수 있고 매수자 역시 매수 주문을 할 수 있게 된다.
3.5 데이터거래 언어
데이터거래소는 회원사들이 관계형 데이터베이스 쿼리 언어인 SQL을 확장한 형태의 가칭
SQL-Exchange를 사용하는 것을 전제로 한다. 예를 들어, [그림 2]에서 보여주는 것과 같이
매수자는 SQL-Exchange를 사용하여 매수 주문을 내고 매도자는 매도 요청문을 내게 된다.*
[그림 2]에서 매수자는 학점 B 이상인 학생을 백만 건 단위로 203불에 사겠다는 매수 주문을
내고 매도자도 역시 학점 B 이상인 학생을 백만 건 단위로 203불에 팔겠다는 매도 주문을 내고
있다. 이럴 경우 매수 주문과 매도 주문이 서로 일치하였으므로 매매가 성립하게 되고 주문이
체결된다.
* SQL의 또 다른 확장 쿼리 언어인 SPARQL을 원용하여 예제를 구성하였다. [그림 3]에 예시
된 가칭 SQL-Exchange는 거래소와 회원사간의 사용되는 언어의 예시일 뿐 일반 사용자는
SQL을 사용할 필요가 없다.

11. 데이터 산업에서 창업 활성화를 위한 데이터 거래소 제안 : 금융거래소형 데이터거래소를 중심으로
- 38 -
[그림 2] SQL-Exchange를 사용한 매수자의 매수 요청 주문서
Ⅳ. 데이터 장터의 진화 형태에 따른 비교
데이터 산업은 여러 가지 형태로 형성되고 있다. 즉, 원시 데이터는 생산자에 의해서 생산되고
가공되고 정제되고 난 후 분석되어 보고서로 형태로 최종 소비자에게 전달되어 소비되는 형태로
유통되고 있다. 원활한 데이터 유통을 위해 여러 가지 형태의 데이터 장터가 형성되고 구축되고
진화되고 있는 중이다. 본 장에서는 지금까지 구축된 여러 가지 데이터 장터를 생산성과 효율성
이라는 관점에서 비교해보고자 한다. 특히 앞에서 이론적 장터 모델로 소개된 데이터 거래소를
중심으로 여러 데이터 장터를 비교해보고자 한다.
데이터 유통 과정을 시장의 진화와 산업의 발전단계에 대입하면 다음과 같은 구분이 가능하다.
가. 자급자족 형태: 생산자가 생산단계부터 각종 데이터의 가공 등을 스스로 수행하고 평가
분석하고 자신이 최종 소비하는 형태이다.
나. 가내 수공업 형태: 생산자와 데이터분석가, 최종소비자가 존재하나 데이터의 모든 수집,

12. 한국창업학회지 제10권 2호
- 39 -
취합, 변환, 정제 등의 모든 단계를 전문가가 아닌 생산자나 분석가 혹은 최종소비자가 처
리하는 형태다. 생산자가 데이터를 생산한 후 분석가에 판매하고 판매된 데이터는 평가 분
석된 후 최종소비자에게 전달되는 형태이다. 데이터의 수집, 취합, 변환, 정제, 필터, 통합,
매쉬업 등 여러 가지 형태의 데이터 가공공정을 생산자나 분석가가 수행하는 경우이다.
다. 대량 거래 형태: 생산자는 생산만을 담당하고 거래시장에서 생산된 데이터만 판매한다.
거래시장에는 데이터를 수집하고, 취합하고, 변환하고, 정제하고, 필터하고, 통합하고, 매쉬
업하는 등 부가가치를 창조하는 다수의 전문가나 기업들이 개입하고 유통하여 분석가들이
평가하고 분석할 때 생산성이 올라가도록 한다.
[그림 3] 데이터 가공 및 소비의 단계
어떤 데이터가 생산되면 수집(Collect), 취합(Integrate), 변환(Transform), 정제(Clean), 필
터(Filter), 통합(Aggregate), 매쉬업(Mash-up)되는 등 하나 이상 여러 개의 가공공정을 거치
면서 분석시장에 적합한 형태로 만들어져 거래된다.* 가공된 데이터는 분석되거나 평가되어 최
종 소비되거나 다시 재생산된 후 유통되게 된다. 그림 5는 이를 반영하고 생산과 소비 사이에
데이터 가공공정** 단계와 데이터분석단계가 있다는 사실을 반영하여 도시한 것이다.
① 데이터 가공공정 단계: 데이터생산 후 이를 수집하고 유사 데이터를 취합하고 분석 가능
* [그림 3]에서 데이터 가공공정은 그림에서 보여준 대로 사이클로 순차적으로 일어나거나 일
어날 필요는 없다. 편의상 모든 공정이 순차적으로 순환하며 일어난다고 가정했다.
** 편의상 이 논문에서는 가공공정뿐만이 아니고 원으로 표시된 모든 작업 단계를 공정
(Process)라고 호칭한다.

13. 데이터 산업에서 창업 활성화를 위한 데이터 거래소 제안 : 금융거래소형 데이터거래소를 중심으로
- 40 -
한 형태로 변환해주고 데이터에 내재하는 에러나 노이즈를 지워서 정제하고 민감데이터
등을 필터하고 타 데이터와 통합 혹은 매쉬업 등의 여러 가지 가공공정을 거친다고 가정
하고 이를 가공공정 단계라고 정의한다. 가공공정 단계에서는 하나 혹은 여러 가지의 가공
을 거친다고 한다. 본 연구에서는 각 가공공정마다 어느 정도의 부가가치가 발생한다고 가
정하였다.
② 데이터 분석 단계: 가공공정을 거친 데이터는 데이터 분석가의 손에서 평가되고 분석된
후 보고서의 형식으로 만들어져 최종 소비되거나 다시 데이터의 형식으로 만들어져서 재
생산되어 데이터 가공공정에 다시 되돌려져 거래된다.
본 장에서는 서로 다른 형태의 데이터 마트를 비교하기 위하여 데이터 생산부터 최종 소비될
때까지 사용될 수 있는 척도를 정의하고자 다음과 같은 가정들을 세우고 척도를 정의하여 비교
해 보았다.
가정 1: 하나의 공정에서 다음 공정 혹은 하나의 단계에서 다음 단계로 데이터의 형태가 바뀌
어서 전달될 때마다 거래가 이루어지도록 할 수 있다. 즉, 그림 5에서 도시된 모든 화살표마다
거래가 이루어지도록 할 수 있다.
가정 2: 데이터가 생산되어 최종 소비될 때까지 모든 공정에서 부가가치가 발생한다. 즉 그림
5에서 소비를 제외한 원으로 표시된 모든 단계 (생산, 수집, 취합, 변환, ...)마다 부가가치가 발
생한다. 번째의 공정을 거칠 때 생성되는 부가가치를 라고 표시한다.
▶ 척도 1: 데이터장터의 거래 자동화 정도(Trading Degree of Automation in Data
Markets, Kac)는 데이터가 각 공정에서 자동적으로 유통되는 정도로 다음과 같은 식으로 정의
할 수가 있다. (위 섹션 2.4에서 소개한 사이클 자동화정도(Cylic Degree of Automation)를
다소 변형한 형태이다.)
여기서, = 처리된 데이터 공정
= 데이터가 생성되어 최종 소비되는 데까지 유통에 걸리는 시간
▶ 척도 2: 데이터장터의 부가가치 생성 정도 (Degree of Added Values)는 여러 정의된 공
정을 거치면서 부가 가치가 발생하는 총량으로 다음과 같은 식으로 정의할 수 있다.
여기서,  = 각 단계에서 생성된 부가가치

14. 한국창업학회지 제10권 2호
- 41 -
위의 두 가지 척도에 따라 데이터 유통 마켓은 다음과 같이 구분할 수 있는데 구조적으로 볼
때 초기 형태의 마켓이 Tailor-Made 형이며 가장 진화된 형태의 마켓은 금융거래소형으로 생
각할 수 있다.
4.1. Tailor-Made 형
고객이 원하는 데이터를 데이터 분석가(Data Analysts)가 재단하여 보고서 형식으로 공급
해주는 가내 수공업 형태이다. 데이터 분석가가 일일이 개입하여 데이터를 재단하고 분석하여야
하므로 경제적이지 못하지만 반면 다수의 창의적인 분석이 필요한 비정형데이터를 분석하기에
적합한 형태이다. 정형데이터 보다는 비정형데이터 분석에 더 많은 집중을 하여 분석 작업에 특
화된 형태의 데이터 마켓이다. 이 유형의 장터는 Data.com, InfoChimps.com, Kaggle.com 등
이 있다.
4.2. 포털 형
포털 형은 데이터를 기존의 포털처럼 만들고 파일 형식으로 저장하여 사용자들이 포털에 와
서 데이터를 찾아 파일을 다운로드하는 식으로 운영되는 데이터 장터이다. 이 유형은 Grocery
형과 DIY형의 두 가지로 구분하여 생각할 수 있다.
4.2.1 Grocery 형
데이터를 어떻게 사용할 지에 대한 고려가 없고 툴이 없어서 사용자들은 사용에 대한 고려가
다소 부족한 반면 사용자들이 충분히 데이터를 요리할 줄 안다는 전제 하에 데이터만 판매하는
형태의 비즈니스 모델이다. 철물점이 툴을 함께 제공하는데 비해서 쉽게 사용할 수 있는 데이터
만 판매해야 하는 이유 때문에 좀 더 정형화된 데이터를 제공하게 된다. 이 유형의 예는
DataMarket.com, DB 스토어 (DBStore.or.kr) 등이 있다. 이 유형에는 각 국에 만들어지고
있는 공공정보공개 포탈이나 디지털리소스뱅크 등이 있다.
4.2.2 DIY 형
비정형데이터를 사용하여 분석할 수 있는 형태의 툴과 함께 데이터를 공급하는 형태의 마켓
이다. 종래의 철물점에서 톱과 망치를 포함하여 목재까지 공급하여 고객이 DIY

15. 데이터 산업에서 창업 활성화를 위한 데이터 거래소 제안 : 금융거래소형 데이터거래소를 중심으로
- 42 -
(do-it-yourself) 형태로 가구 등의 재료를 사서 자신의 가구를 조립하고 만들었던 것처럼 비정
형데이터 또는 정형데이터에 상관없이 고객이 궁극적으로 데이터를 가공하고 분석할 것이라는
DIY의 전제를 하는 데이터 판매 형태이다. 판매되는 데이터 분석 툴이 일반인들로서는 사용이
다소 어렵다는 단점이 있지만 비정형데이터 분석을 위한 약간의 노하우를 익히면 매우 유용할
수 있다. 다수의 비정형 데이터를 판매하고 구매하기에 적합하다. 이 유형의 예는 MS Azure
Data Marketplace, 한국 EBS 클립뱅크(ClipBank) 등의 예가 있다.
4.2.3 금융거래소 형
데이터 거래에 있어 자동화를 중요시하여 비정형데이터가 아닌 정형데이터의 유통에 집중한
형태로 자동화 정도가 매우 높은 특징이 있다. 데이터의 가공 공정에 집중하여 부가가치를 높이
는 장점이 있다. 이 모델은 비정형데이터를 파일 형식으로 거래할 수 있으므로 포털형 보다는
진화된 형태이다. 거래소 유형은 아직까지 구축된 적이 없고 본 연구에서 이상적 거래시장의 모
델로 제시한다.
이와 같이 데이터의 생산에 따른 활용의 필요성에 따라 여러 가지 형태로 만들어지고 진화하
고 있는 데이터 장터를 자동화 정도와 부가가치 생성 정도 척도 측면에서 보면 모두 다음과 같
은 진화단계의 부등식을 얻을 수 있다.
진화단계: Tailor-Made형 < Grocery형 < DIY형 < 금융거래소형
[그림 4] 자동화 정도와 부가가치 생성 정도에 따른 마켓 유형의 진화

16. 한국창업학회지 제10권 2호
- 43 -
위의 두 부등식을 도시하면 [그림 4]과 같이 시장의 진화를 도시할 수 있다. 여러 종류의 거래
장터 중 금융거래소형 데이터 거래소가 부가가치 생성 정도가 가장 크고 자동화 정도가 많이 되
어 가장 진화된 형태라는 것을 알 수 있다.
Ⅴ. 금융거래소형 데이터 거래소의 장점 및 효과
앞에 제시된 바와 같이 금융거래소형 데이터 거래소는 이론적으로 부가가치가 가장 크게 생
성되는 동시에 가장 자동화된 거래형태로서 생산성과 효율성을 모두 가진 거래소임을 증명하였
다. 그 이외 금융거래소형 데이터 거래소는 다음과 같은 장점을 가지고 있다.
5.1 개인정보 보호법 준수의 장점
데이터 거래에서 개인정보 등의 민감정보를 보호하는 동시에 거래가 이루어지게 하는 것은
매우 중요하다. 제시된 데이터 거래소는 민감정보를 포함한 데이터를 필터링해주거나 특별정산
을 가능하게 함으로써 개인정보 보호법 등을 준수하는 동시에 데이터 거래를 최대한 자유롭게
해주는 장점이 있다.
개인정보 유출 사건은 2008년 9월 GS칼텍스 1100만 고객명단 유출, 2011년 7월 SK커뮤니
케이션즈 3500만 회원 개인정보 유출사건, 2012년 7월 KT의 1200만 건 개인정보 유출, 2014
년 1월 KB국민카드, 롯데카드, NH농협카드 3개 신용카드사의 고객정보 1억 여건 유출 사건,
2014년 4월 SC은행과 씨티은행 19만 여건 유출 사건 등과 같이 꾸준히 증가하고 있고 그에 대
한 정보보안 정책은 갈수록 강화되는 현상을 보이고 있다. 하지만 법적으로 개인정보 보호적인
측면에서 개인정보 보안을 더욱 강화한다 하더라도 개인정보에 대한 수요자가 존재하는 한 개인
정보 유출은 사라지지 않고 계속 발생할 것이다. 그러나 현재 빅데이터 시대 또는 정부 3.0시대
를 맞아 개인정보 보호 중심의 관점의 데이터사용을 바라보는 측면에서 개인정보 보호와 이용의
균형적인 측면으로 개인정보의 이용과 활용을 바라보는 것이 필요하다. 건강관리 관련 개인정보
데이터의 활용은 질병으로 죽어가는 환자들을 살릴 수 있으며, 전자상거래나 물류산업에서의 개
인정보의 활용은 새로운 수요창출을 가능하게 하며 자원의 효율적인 활용과 배분으로 이어져 사
회적 잠재적 부존자본으로서 부가가치를 높일 수 있을 것이다.
개인정보의 이용의 경제적인 이용과 보호의 균형적인 측면에서 데이터거래소를 통한 합법적
인 개인정보의 유통과 거래는 정보주체의 공급자와 정보사용자인 수요자에게 다음과 같은 긍정
적인 면을 제공할 것이다. 첫째로, 데이터거래소는 정보주체의 공급자와 정보사용자인 수요자 사
이의 개인정보 데이터와 사용에 대한 믿음과 신뢰를 제공하게 하여 개인정보의 사용을 허가한

17. 데이터 산업에서 창업 활성화를 위한 데이터 거래소 제안 : 금융거래소형 데이터거래소를 중심으로
- 44 -
개인들에게 개인정보의 사용과 보호는 법적인 측면과 시스템적인 측면에서 모두 더욱 보장될 것
이다. 그래서 데이터거래소를 통한 투명한 거래와 유통은 불법적인 개인정보관련 데이터 거래는
줄어들게 할 것이다. 둘 째, 개인정보 주체인 개인의 참여가 배제된 이전과는 달리 데이터거래
소의 투명한 거래와 유통 절차를 통해 개인이 개인정보를 통한 가치창출의 과정에 실질적으로
참여하는 적극적인 지위와 위치를 가질 것이다.
5.2 SQL을 이용한 데이터 거래의 장점
SQL 형식의 문장을 사용하는 큰 강점은 잘 정리된 표준화 관련 기술이 존재하여 최소한의
확장만으로도 거래언어로 사용할 수 있다는 것이다. 특히 이해하기 쉬운 형태이면서 풍부하고
다양한 방법으로 데이터를 표현할 수 있다는 장점이 있다. 따라서 데이터 거래자들 사이에서 가
장 정확한 방법으로 데이터를 사고 팔 수 있다는 장점을 제공한다.
풍부한 데이터의 표현력이 거래에 있어서 유동성의 확보를 위한 거래상품의 표준화와 상충될
수 있다는 우려가 제기될 수 있다. 그러나 종전의 금융거래소보다는 데이터 거래소는 진보된 기
술력을 적용할 수 있다는 점에서 장점으로 작용할 것으로 본다.
5.3 데이터 품질에 대한 신뢰와 소유권 보장
데이터가 유통되는 과정에서 불확실한 정보가 포함되는 경우 상호 간 신뢰가 확보되지 못하
고 데이터 유통을 저해할 수 있다. 데이터 거래소는 신용·품질평가 서비스를 포함하고 있으므로
이에 대한 이슈가 해결될 수 있다. 국내에서는 아직 활성화되지 않은 서비스 시장이지만 원시
데이터가 가공되고 유통되는 산업이 형성된다면 데이터의 소유권 분쟁이 발행할 수 있다. 이 또
한 데이터 거래를 총괄하는 역할을 하는 데이터 거래소의 매수·매도 시스템의 기록을 통해서 소
유권 설정 문제에 대한 해답을 찾을 수 있을 것이라고 본다.
5.4 경제적 효과
안전행정부의 “정부 3.0 강의 발표자료”에 의하면, 기상, 교통, 지리, 특허, 보건의료, 재해⋅
안전, 교육, 고용⋅노동, 공공정책 및 재정 등과 관련한 공공데이터를 개방하여 민간 활성화를

18. 한국창업학회지 제10권 2호
- 45 -
도모할 경우에는 적어도 15만 명의 일자리 창출과 데이터 실물 시장에서 24조원의 경제적 효과
가 창출될 것이라고 한다.
빅데이터가 가지는 가장 큰 특징은 원시 데이터 저장형태, 구조, 수집 빈도가 상이하다는 것이
다. 이에 데이터를 저장, 수집, 가공하는 복잡한 과정이 필요할 것이다. 데이터 거래소 설립으로
데이터의 유통이 활발해지면 이와 동시에 전문적인 서비스와 가치 창출을 위해 전혀 다른 분야
의 상이한 데이터들이 자유롭게 융합하고자 하는 수요가 생기면서 관련 기업들이 생겨나 예측하
는 것보다 더 큰 경제적인 효과가 생길 수 있다고 본다.
Ⅵ. 결론 및 시사점
데이터 생태계 구축은 시장견인과 기술주도의 동인들로 인해 데이터산업의 창업 활성화를 불
러 일으킬 것으로 사료된다. 시장견인 측면에서는 최근 스마트폰 등 모바일 기기의 확산, 소셜
미디어의 확장 등으로 인한 소비자 수요의 다양화 및 고도화, 빅데이터 분석을 통한 기존 비즈
니스 효율화, 개인화 그리고 미래 예측력을 통한 혁신 아이템 증대를 가져올 것이다. 기술주도
측면에서는 향상된 데이터 저장 ․ 처리 분석기술 등을 통해 이제까지 보지 못했던 방대한 규
모의 데이터를 분석하는 기술 ․ 서비스 제공이 가능해졌고, 특히 모바일 및 스마트 생태계의
진화는 이러한 융합을 가속화할 것이다. 결국 이러한 데이터 생태계를 통해 소비자들의 수요를
충족시키고, 기술적 혁신의 가능성을 효과적으로 활용하기 위해 다양한 유형의 창업 비즈니스
모델들이 시도될 것으로 사료된다.
본 연구에서는 데이터 생태계 속에서 데이터 장터의 여러 가지 유형 및 형태를 분석하고 부가
가치 생성 정도와 거래 자동화라는 척도에 따라 데이터 시장의 진화 형태를 분류하였고, 데이터
생태계 내에서 시장진화의 최종 형태는 데이터거래소임을 확인하였다. 본 논문에서 제안된 데이
터거래소는 자동화 정도가 높은 정도로 진화되고 부가가치 생성 정도가 높다는 것이 특징으로
데이터거래소가 실제로 구축될 경우 데이터 생태계를 구성하는 구성요소들이 각자의 역할과 책
임을 원활하게 수행할 수 있도록 지원해줄 수 있음을 보여 주었다. 이를 통하여 데이터 산업에
서 창업이 활성화 될 수 있도록 만드는 해법이 될 수 있을 것이다.
본 연구에서 제안하는 이론적 데이터 장터의 모델인 데이터거래소는 대략 네 가지 면에서 빅
데이터 시대에 데이터 생태계 선순환 구조를 형성하고 데이터 산업에서 창업이 활성하게 만드는
해법이 될 수 있다. 첫째로, 개인정보 보안이나 민감정보 보호 측면의 안전장치이다. 안전하게
개인정보 보안이 보증된 데이터거래소의 운영은 데이터 수요자와 공급자에게 투명한 데이터 사
용에 대한 믿음과 신뢰를 제공할 수 있을 것이다. 둘째로, 데이터 가공과 서비스 산업의 발달 등

19. 데이터 산업에서 창업 활성화를 위한 데이터 거래소 제안 : 금융거래소형 데이터거래소를 중심으로
- 46 -
데이터 활용의 연쇄적인 부가가치 창출로 데이터가 효율적인 잠재적 부존자본으로서 부가가치
를 더욱 증가시킬 것이다. 셋째로, 데이터거래소는 자동화정도와 부가가치 생성정도에 있어서 가
장 진화된 이상적인 모델이라는 것이다. 마지막으로 빅데이터 시대와 사물인터넷 시대의 도래로
가져오게 될 부가가치 증대와 일자리 생성 등의 엄청난 경제적 효과의 창출이다.
데이터의 거래에서 제기되는 가장 큰 문제 중의 하나는 개인 정보 등 민감 데이터의 처리이
다. 과거 데이터거래는 주로 당사자 간 필요에 의하여 매매되어 왔고, 개인정보보호법과 저작권
법 등 관련 법적으로 거래가 불가능한 데이터가 내재되어 있는 경우에도, 불법적인 데이터 거래
가 이루어질 수도 있다는 단점이 있었다. 더욱이 표준 품질의 보증과 계약 이행의 문제, 데이터
안전성의 보증, 법적으로 개인정보보호법과 저작권법 등의 문제 등이 데이터거래에 있어 항상
발생할 수 있는 위험이 상존하고 있었다. 현재 빅데이터가 사회의 빅 이슈로 대두됨에 따라 효
율적이고 시장 친화적이며 동시에 적법한 데이터 거래가 필요한 것이다. 결국 데이터거래소에서
의 데이터거래는 전통적 거래소의 방식을 데이터 거래에 적용하여 역사적으로 검증된 해법을 제
시하고자 하였다.

20. 한국창업학회지 제10권 2호
- 47 -
참고문헌
<국내문헌>
김동환(2014), “개인정보 보호와 관련된 법계 동향과 시사점”, 주간금융브리프 , 제23권 15호,
pp.3-9.
김사혁(2013), “빅데이터 산업 생태계 분석 동향”, 정보통신정책연구원, 방송통신정책 25권
13호, pp.77-87.
박종헌(2011), “IT산업의 패러다임 변화와 산업공학 ; 데이터과학과 산업공학”, IE 매거진 , 제
18권 4호. pp.22-24.
백윤철(2014), “최근 개인정보자기결정권의 동향”, 법학논총 , 제38권 3호, pp.27-51.
엄경식, 박철호, 김준석, 빈기범(2014), “실물상품 연계 금융거래와 상품선물거래소의 경제적 중
요성 및 활성화에 관한 연구”, 한국재무관리연구 , 제31권 2호, pp.193-242.
유지연(2013), “미국 데이터 브로커(Data Broker) 현황”, 방송통신정책 , 제25권, 제13호,
pp.88-95.
이인형, 강소현, 김준석(2012), 「글로벌 거래소 변화양상과 시사점」, 자본시장연구원
정준현(2014), “개인정보의 보호와 이용의 균형을 위한 법적 문제와 개선방향”, 법학논총 , 제
38권 1호, pp.125-154.
장병열, 김영돈, 최지선(2013), 「빅데이터 기반 융합 서비스산업 창출방안」, 정책연구
조지연, 김예진, 박건철, 이봉규(2012), “생태계 관점에서의 빅데이터 활성화를 위한 구조 연구”,
한국IT서비스학회지 , 제11권, 제4호, pp.277-294.
추병조(2014), “빅데이터 분석 : 빅데이터 거래 서비스 시스템 구축방안”, 정보처리학회지 , 제
21권 3호, pp.68-75.
허필선, 박광만, 박원주, 조기성, 류원(2013), “공공정보 민간활용 시장 및 파급효과”, 전자통신
동향분석 , 제28권 제4호, pp.118-131.
<국외문헌>
Balogh, I., Ohlsson, K., Hansson, G. A., Engström, T., and S. Skerfving(2006),
“Increasing the degree of automation in a production system: Consequences for
the physical workload,” International Journal of Industrial Ergonomics, 36(4),
353–365.
Braunwarth, K. S., Kaiser, B. S. M., and B. S. A. L. Müller(2010), "Economic

21. 데이터 산업에서 창업 활성화를 위한 데이터 거래소 제안 : 금융거래소형 데이터거래소를 중심으로
- 48 -
Evaluation and Optimization of the Degree of Automation in Insurance
Processes," Business & Information Systems Engineering, 2(1), 29-39.
Farlex (2015). “Degree of Automation.” The Free Dictionary by Farlex.
http://bit.ly/1IDAHvg 검색일: 2015.6.30.
Feinleib, D. (2014). The big data landscape. In Big Data Bootcamp (pp. 15-34).
Apress.
O'Neil, C., and R. Shutt(2014). “Doing Data Science.”
Information Commissioner’s Office(2012), “Buying and Selling Customer Databases”,
http://bit.ly/1S1qN7d 검색일:2015.6.30.
Inagaki, T.(1993). “Situation Adaptive Degree of Automation for System Safety,”
IEEE International Workshop on Robot and Human Communication.
Turck, Matt & Shivon Zilis (2013). “The Big Data Landscape(Version 2.0)”.
http://bit.ly/1Uq6mVs 검색일: 2015.6.30.
Sheridan, T. B.(2003) Telerobotics, Automation, and Human Supervisory Control.
Cambridge: MIT Press.
Sqrrl(2015). “Sqrrl’s Take on the Big Data Ecosystem”. http://bit.ly/1CjPvy8 검색
일:2015.6.30.
Vitria (2012). “Vitria Added To The Big Data Landscape”. http://bit.ly/1NKr1iC 검색
일:2015.6.30.

22. 한국창업학회지 제10권 2호
- 49 -
A Data Exchange Model to Promote Entrepreneurial Activities
in Data Industry : Benchmarking Financial Exchanges
Nick Lee* · Jun Hui-ju** · Yoon Jeongyeon***
<Abstract>
As data markets sprout up all around the world, we, the researchers, propose a
methodology to classify data markets hoping to be developed for the theory of them.
In particular, we pay attention to the evolutionary nature of rapid market
advancements and development. Although many data markets are vastly different in
their characteristics as they serve different markets and customers, they share
common attributes to determine the advancements, in their added values and
automation. Therefore, to classify markets according to the relative status of
evolution, two measurements to compare how advanced markets are defined: the
degree of value added and the degree of automation. Given the measurements, we
classify the markets into four different types: Tailor-Made, Do-It-Yourself, Grocery,
and Financial-Exchange. As for the first three types of the four, a large number of
instances can be found in the real world. Yet, the last one, Financial-Exchange type
data market, which is theoretically the most advanced type, does not globally exist.
Thus, we have investigated and a possible theoretical model of it for the sake of the
completeness of the research. In this paper, we present the model for a possible
implementation as a new business model. We find that the model offers many
advantages over other types of data markets, especially in the area of data security
and privacy information protection. Finally, we investigated how the theoretical
model may be viable as a business model of its own kind.
Key words : Data Markets, Data Exchange, Data Exchange as a Financial Exchange
* Assistant Professor, Konkuk University(nicklee@konkuk.ac.kr)
** Assistant Professor, Dongduk Women University,(hjchun@dongduk.ac.kr), corresponding author
*** Assistant Professor, Korea Banking Institute(juneyoon@kbi.or.kr)