데이터 분석 플랫폼

문서 기준: 2026년 8월

개요

OLTP vs OLAP — 왜 분리하는가

운영 데이터베이스(관리형 RDB, NoSQL)는 트랜잭션 처리(OLTP)에 최적화되어 있습니다. 대량 데이터를 집계·분석하려면 별도의 분석 플랫폼(OLAP)이 필요합니다.

비유: 운영 DB는 매장 계산대(빠른 개별 거래 처리)이고, 웨어하우스는 본사 경영분석팀(전 매장 데이터를 모아서 추이 분석)입니다. 계산대에서 경영분석을 하면 줄이 길어집니다.

운영 DB에서 대량 집계 쿼리를 돌리면:

트랜잭션 처리 성능 저하 (주문이 느려짐)
정규화된 스키마에서 분석 쿼리는 JOIN이 수십 개 → 느리고 복잡
그래서 운영 DB → ETL → 분석 전용 DB(웨어하우스)로 분리

구분	OLTP (운영 DB)	OLAP (분석 플랫폼)
목적	개별 트랜잭션 처리 (주문, 결제)	대량 데이터 집계·분석 (매출 추이, 사용자 행동)
쿼리 패턴	소량 행 읽기/쓰기 (ms 단위)	대량 행 스캔·집계 (초–분 단위)
데이터 크기	GB–TB	TB–PB
스키마	정규화 (3NF)	비정규화 (Star/Snowflake) 또는 스키마리스

벤더별 분석 플랫폼 비교

벤더	데이터 웨어하우스	특징	과금 모델
AWS	Amazon Redshift	클러스터 기반 + Serverless 옵션. S3 데이터 직접 쿼리(Spectrum)	노드 시간 또는 RPU(Serverless)
Azure	Azure Synapse Analytics	통합 분석 플랫폼 (SQL + Spark + Data Explorer). 서버리스 SQL 풀	DWU(전용) 또는 쿼리 데이터 처리량(서버리스)
Google Cloud	BigQuery	완전 서버리스. 인프라 관리 불필요. ML 내장(BQML)	쿼리 스캔량 또는 슬롯(용량 예약)
OCI	OCI Analytics Cloud + Autonomous Data Warehouse	Oracle DB 기반 자동 튜닝. BI 시각화 통합	OCPU 시간

핵심 차이점

BigQuery (Google Cloud) — 완전 서버리스로 클러스터 관리가 불필요합니다. 쿼리 스캔 데이터량 기반 과금이며, BigQuery ML로 SQL 기반 ML 학습을 지원합니다. Gemini 3.1 Flash Lite / 3.5 Flash 모델이 GA되어 생성형 AI 함수에서 직접 사용할 수 있으며, Conversational Analytics(프리뷰)로 자연어 기반 데이터 분석이 가능합니다. MCP(Model Context Protocol) 통합으로 에이전트 기반 분석 워크플로우를 구축할 수 있습니다.

Redshift (AWS) — 클러스터 기반과 Serverless 옵션을 모두 제공합니다. S3의 데이터를 Redshift Spectrum으로 직접 쿼리할 수 있어 데이터 레이크와 통합이 용이합니다. Serverless에서 AI 기반 자동 스케일링이 신규 워크그룹의 기본값으로 적용됩니다(2026.04). 3년 예약(Serverless Reservations)으로 비용을 추가 절감할 수 있습니다. 스냅샷 복원 시 zero-ETL/S3 이벤트 통합이 자동 보존됩니다(2026.07).

Synapse (Azure) — SQL 분석, Apache Spark, Data Explorer를 하나의 플랫폼에서 제공합니다. 서버리스 SQL 풀로 데이터 레이크를 직접 쿼리할 수 있으며, Power BI와 네이티브 통합됩니다. Microsoft Fabric으로의 통합이 진행 중이며, Fabric은 VS Code 통합 강화, 노트북 복원력 개선, ML·거버넌스 기능 확장, 실시간 데이터 처리 등 지속적으로 기능을 추가하고 있습니다(Fabric April 2026 Feature Summary 등).

Autonomous DW (OCI) — Oracle Database 기반으로 자동 튜닝, 자동 스케일링을 제공합니다. 기존 Oracle 워크로드와 호환성이 높습니다.

데이터 레이크 vs 데이터 웨어하우스 vs 레이크하우스

아키텍처	특징	적합한 경우
데이터 레이크	원시 데이터를 그대로 저장 (S3/ADLS/GCS). 스키마 온 리드	다양한 형식의 대량 데이터 저장, ML 학습 데이터
데이터 웨어하우스	정제된 데이터를 구조화하여 저장. 스키마 온 라이트	정형 데이터 분석, BI 리포트, 대시보드
레이크하우스	레이크 위에 웨어하우스 기능 추가 (Delta Lake, Iceberg)	두 가지를 통합하고 싶을 때

벤더별 레이크하우스 접근:

벤더	레이크하우스 접근
AWS	S3 + Glue Catalog + Redshift Spectrum + Athena (Apache Iceberg 지원)
Azure	ADLS Gen2 + Synapse + Delta Lake (Microsoft Fabric으로 통합)
Google Cloud	GCS + BigQuery (BigLake로 외부 테이블 통합)
OCI	Object Storage + Autonomous DW + OCI Data Flow (Spark)

BI 시각화 도구

분석 결과를 사람이 보려면 BI(Business Intelligence) 도구가 필요합니다.

벤더	BI 도구	특징
AWS	Amazon Quick Sight	Amazon Quick 산하 BI 기능 (구 QuickSight). AI 에이전트 기반 자연어 질의, 대시보드, 분석. Quick Desktop 앱에서도 접근 가능
Azure	Power BI	가장 넓은 사용자 기반, Excel 친화적, Copilot 통합
Google Cloud	Looker / Looker Studio	LookML 기반 시맨틱 레이어, Looker Studio는 무료
OCI	OCI Analytics Cloud	Oracle 네이티브, 셀프서비스 시각화
3rd party	Tableau, Metabase, Apache Superset	벤더 중립, 멀티클라우드 환경에서 유용

BI 도구가 중요한 이유:

SQL 모르는 비즈니스 사용자도 데이터 활용 가능
대시보드로 실시간 모니터링
셀프서비스 분석 → 데이터팀 병목 해소

선택 기준

기준	권장
인프라 관리 최소화 + 쿼리 기반 과금	BigQuery
기존 AWS 데이터 레이크(S3)와 통합	Redshift + Spectrum
SQL + Spark + BI 통합 플랫폼	Synapse / Microsoft Fabric
Oracle DB 워크로드 + 자동 튜닝	OCI Autonomous DW
비용 예측 가능성 (고정 용량)	Redshift 클러스터 / BigQuery 슬롯 예약
간헐적 분석 (비용 최소화)	BigQuery 온디맨드 / Redshift Serverless / Synapse 서버리스

자주 하는 실수

운영 DB에서 직접 분석 쿼리 실행 — OLTP와 OLAP을 분리하지 않으면 분석 쿼리가 트랜잭션 처리 성능을 저하시킵니다. 반드시 분석 전용 플랫폼으로 분리하세요.
쿼리 스캔량 기반 과금에서 SELECT * 남용 — BigQuery 등 스캔량 과금 모델에서 필요한 컬럼만 지정하지 않으면 비용이 수십 배 증가합니다.
데이터 레이크에 거버넌스 없이 데이터 적재 — 스키마 관리, 접근 제어, 데이터 카탈로그 없이 쌓으면 “데이터 늪(Data Swamp)“이 됩니다.

체크리스트

OLTP(운영)와 OLAP(분석) 워크로드가 물리적으로 분리되어 있는가
분석 플랫폼의 과금 모델(스캔량/슬롯/노드)을 이해하고 비용 상한을 설정했는가
데이터 카탈로그와 접근 제어 정책이 구성되어 있는가