글로벌 고객 사례를 통하여 소개하는 혁신적인 데이터 웨어하우스 - 김형일 (AWS 솔루션즈 아키텍트)

AWS Online Series:
Data, Analytics, and ML Edition
글로벌 고객 사례를 통하여 소개하는 혁신적인
데이터 웨어하우스
김형일, Solutions Architect

© 2019, Amazon Web Services, Inc. or its affiliates. All rights reserved.
강연 중 질문하는 방법
Go to Webinar “Questions” 창에 자신이 질문한
내역이 표시됩니다. 기본적으로 모든 질문은
공개로 답변 됩니다만 본인만 답변을 받고 싶으면
(비공개)라고 하고 질문해 주시면 됩니다.
본 컨텐츠는 고객의 편의를 위해 AWS 서비스 설명을 위해 온라인 세미나용으로 별도로 제작, 제공된 것입니다. 만약 AWS
사이트와 컨텐츠 상에서 차이나 불일치가 있을 경우, AWS 사이트(aws.amazon.com)가 우선합니다. 또한 AWS 사이트 상에서
한글 번역문과 영어 원문에 차이나 불일치가 있을 경우(번역의 지체로 인한 경우 등 포함), 영어 원문이 우선합니다.
AWS는 본 컨텐츠에 포함되거나 컨텐츠를 통하여 고객에게 제공된 일체의 정보, 콘텐츠, 자료, 제품(소프트웨어 포함) 또는 서비스를 이용함으로 인하여 발생하는 여하한 종류의 손해에 대하여
어떠한 책임도 지지 아니하며, 이는 직접 손해, 간접 손해, 부수적 손해, 징벌적 손해 및 결과적 손해를 포함하되 이에 한정되지 아니합니다.
고지 사항(Disclaimer)

Agenda
• 데이터 분석과 관리
• Amazon Redshift의 최신 업데이트 사항
• McDonald’s 사례
• Dow Jones 사례

2012
Analytics
Portfolio
Analytics
Storage
Data
movement
S3
REDSHIFT EMR
DATA PIPELINE
Data warehousing Big data processing

AWS 데이터베이스 및 분석
빌더들을 위해 만들어진 광범위하고 심도 있는 포트폴리오
AWS 마켓플레이스
Redshift
Data warehousing
EMR
Hadoop + Spark
Athena
Interactive analytics
Kinesis Analytics
Real-time
Elasticsearch service
Operational Analytics
RDS
MySQL, PostgreSQL, MariaDB,
Oracle, SQL Server
Aurora
MySQL, PostgreSQL
QuickSight SageMaker
DynamoDB
Key value, Document
ElastiCache
Redis, Memcached
Neptune
Graph
Timestream
Time Series
QLDB
Ledger Database
S3/Glacier
Glue
ETL & Data Catalog
Lake Formation
Data Lakes
Database Migration Service | Snowball | Snowmobile | Kinesis Data Firehose | Kinesis Data Streams | Data Pipeline | Direct Connect
데이터 이동
분석데이터베이스
비즈니스 인텔리전스 & 기계 학습
데이터 레이크
Managed
Blockchain
Blockchain
Templates
블록체인
Comprehend Rekognition Lex Transcribe DeepLens 250+ solutions
730+ Database
solutions
600+ Analytics
solutions
25+ Blockchain
solutions
20+ Data lake
solutions
30+ solutions
RDS on VMWare

데이터
증가
생각보다더 많은
데이터가 있습니다.
15
년
사용기간
요구되는 데이터 플랫폼
1,000x
확장
>10x
5년마다

Hadoop Elasticsearch
이전보다 데이터를
분석할더 많은 방법이
있습니다
Years ago
12 9 6 5
Presto Spark
Didn’t exist

전보다 데이터를
다루는 더 많은
사람들이 있습니다.
데이터 거버넌스를 강제하거나
잘못된 데이터 관리를 방지하는
동시에 데이터에 기반한
의사결정을 가능하게 하는
민주화된 데이터 액세스를 어떻게
제공할까요?
데이터의 민주화
거버넌스와
통제

진화하는 데이터 관리
유연성
오픈 API 및 개방형
데이터 포맷
도구
데이터 이동없이
가장 적합한 분석
도구 사용
확장성
최대 1,000배까지
확장 가능한
플랫폼
보안
완벽한 감사 기능,
접근 제어 및
데이터 거버넌스

AmazonRedshift
우리는 고객에게 가장 중요한 4가지를 혁신하고 있습니다.
속도 확장성 보안단순성

Unload
to Parquet
Amazon Redshift
새로운 기능과 출시될 기능
속도
확장성
WLM
Concurrency
Setting
단순성
AWS Lake
Formation
integration
보안
Auto-Vacuum
& Auto-
Analyze
Auto Data
Distribution
Deferred
Maintenance
Snapshot
Scheduler
Spectrum
Request
Accelerator
10x average
performance
improvement
Elastic resize
Concurrency
Scaling
Improving short
query
acceleration
Support for
stored
procedures

Compiled code cache
Support for lateral column
alias reference
Resource management for
memory-intensive queries
Late materialization
Result caching
Joins involving large numbers of
NULL values in a join key column
Queries with intermediate subquery
results that can be distributed
Cluster
resize operations
Queries that refer to stable functions
with constant expressions
Short query
acceleration
Queries operating over CHAR
and VARCHAR columns
Single-row inserts
속도 개선
Expressions on the partition
columns of external tablesFaster string manipulation
Complex EXCEPT
subqueries
Commit processing
enhancements
DC2 nodes
2x the number of tables
in a cluster
Hash join memory utilization
optimizations and cache line
prefetching
COPY operation when ingesting
data from Parquet
and ORC formats
Performance improvement for
queries that refer to stable functions
over constant expressions
Improvements for the COPY
operation when ingesting data
from Parquet and ORC formats
Query processing
improvements
Query rewrites that pushdown selective joins into a
subquery
Query planning

https://www.amazo
n.com
10배 속도 향상
지난 2년 전 보다
Amazon Redshift
10,000 개 이상의 고객 환경에서 매일 2 엑사바이트 이상을 처리하며 배운 Lessons
Learned로 인해 출시된 200 개 이상의 기능 및 개선사항

실제 워크로드에서의
성능 향상
실제 성능을
어떻게
개선했을까요?
반복적인
쿼리
일괄 삭제 단일 행 삽입 커밋

How we leverage fleet telemetry

쿼리 속도의
성능 향상
- Minero Aoki
Senior Data Engineer, Cookpad Inc.
데이터가 증가했음에도
Redshift의 쿼리 성능과 확장성이
향상되었습니다.
지난 10 개월 동안 비용 증가없이
커밋 성능이 500 % 증가했습니다.

Amazon Redshift는
표준 성능테스트에서
6개월 전보다 3배
이상 빨라졌습니다.
Normalized Queries Per Hour (QPH)
Assuming Redshift’s QPH 6 months ago=100%
Queriesperhour
Asa%ofredshift6monthsago
JUL 2018 AUG 2018 SEP 2018 OCT 2018MAY 2018
100%
181%
237%
284%
350%
높을수록 우수
115%
JUN 2018

Amazon Redshift 빠름up to
높을수록 우수높을수록 우수
Based on the cloud DW benchmark derived
from TPC-DS 3 TB dataset, 4-node cluster
82%
6%
34%
REDSHIFT VENDOR 1 VENDOR 2 VENDOR 3
TPC-DS 3TB 시간당 쿼리수
QueriesPerHour
(Asa%ofAmazonRedshift’sQueriesperhour)
61%
113%
40%
TPC-H 3TB 시간당 쿼리수
QueriesPerHour
(Asa%ofAmazonRedshift’sQueriesperhour)
Based on the cloud DW benchmark derived
from TPC-H 3 TB dataset, 4-node cluster

예약인스턴스(RI)가격기준
Redshift1년간요금AmazonRedshift는가장비용효율적인clouddatawarehouse입니다.
최고의 가격 대비 성능
예약 인스턴스로 비용 절감이
가능한 유일한 데이터웨어하우스
up to 75%$560,640
$264,902
$944,941
연간 요금
낮을수록 우수

쿼리 대기 시간
<1 minute 15 minutes >20 minutes
일간
클러스터 큐
대기 시간
나머지 13%는 평균 10 분
동안 사용량 증가가 발생
의 Redshift 고객이
대기시간을 경험하지는 않음

Caching Layer
사용자 활동의 증가를 위한 동시성 확장
온디멘드로 더
많은 클러스터
자동 생성
수천 개의 동시
쿼리에서도
일관된 빠른
성능
사전 작업
필요 없음
변화하는 쿼리
작업에 대해
빠른 확장
Backup
Redshift Managed S3

클러스터 사용 중 매 24시간마다
동시 클러스터 사용(concurrent
cluster usage)을 위한 1시간의
크레딧이 제공됩니다.
97%의 사용자는 자동 리소스
확장으로 인한 요금 청구가
없습니다.
0
2000
4000
6000
8000
10000
12000
5 40 80 120 150 180
시간당쿼리(QpH)
동시 활성 사용자 수
동시 사용자에 따라 확장되는 Amazon Redshift의 처리량
처리량은 선형으로 확장됩니다.

동시성 확장은 Amazon Redshift의
강력한 새로운 기능입니다. 우리는
기능의 성능, 특히 우리의 관리
작업 없이도 일시적인 용량을
즉시 추가할 수 있는 기능에 매우
깊은 인상을 받았습니다. Yelp의
Amazon Redshift 관리자로서
동시성 확장(Concurrency
Scaling)은 최대 부하에도 많은
사용자를 만족시킬 것이라고
생각합니다. 동시성 확장은 하루
중 워크로드의 큰 변화를 처리할
수 있는 유연성을 제공합니다.
-Shahid Chohan,
Software engineer,Yelp

Amazon Redshift Elastic Resize
Redshift
클러스터에
노드 추가
몇 분내에
새로운 구성에
데이터 배포
최소의
전환 시간
온디맨드 방식으로
컴퓨트와 스토리지
확장
수분 내에 확장 및 축소
Redshift Cluster
Redshift Managed S3
JDBC/ODBC
Leader Node
CN2CN1 CN3 CN4
Backup

단순성(Simplicity)의
개선
CloudWatch metrics for
Workload Execution
Breakdown
Current and trailing tracks
for release updates
Lateral column alias
reference
CloudWatch metrics for
Query Duration by
WLM Queues
Cluster resize operations
CloudWatch
Query Runtime Breakdown metric
Stream real-time data in
Parquet or ORC formats using
Kinesis Data Firehose
DISTSTYLE AUTO distribution
style
Free upgrade from for DC1
RIs to DC2
Query Monitoring Rules (QMR)
now support 3x more rules
Short query acceleration
is
self-optimizing
Redshift Advisor for best practice
recommendationsCloudWatch metrics for
Query Throughput by
WLM Queues
Cluster resize Query Editor
Enhancements to VACUUM
DELETE
Manage components
of a multi-part query in
the AWS console
Automatic vacuum delete
Efficiency of backup performance
CloudWatch metrics for Query
Throughput, Query Duration

Redshift 쿼리 편집기(Editor)
AWS 콘솔에서 직접
데이터 쿼리
콘솔에서 결과를 즉시
볼 수 있습니다
JDBC / ODBC용 외부
클라이언트를 설치 및
설정할 필요가
없습니다.

Redshift Advisor
클러스터의
96% 이상
맞춤형 피드백 제공
자동 추천 제공
데이터베이스 성능
최적화 및 운영 비용 절감
WLM
복사, 보관, 및 시스템
유지관리 조언
지속적인 워크로드
분석에 기반한 튜닝
지능형 추천

Amazon Redshift 지능형 관리
성능 향상 및 디스크
공간 활용을 위해
테이블의 데이터
배포를 자동화합니다.
지속적인 워크로드 분석을
기반으로 튜닝에 대한 지능적인
권장 사항을 제공합니다.
전체
keyA keyB keyC keyD
Node 1
Slice 1 Slice 2
Node 2
Slice 3 Slice 4
균등
Node 1
Slice 1 Slice 2
Node 2
Slice 3 Slice 4
키
Node 1
Slice 1 Slice 2
Node 2
Slice 3 Slice 4분산키 추천
이제는 더이상 복잡한
distkeys 관리가 필요
없습니다!
Advise

Amazon Redshift 지능형 유지관리
VacuumAnalyze 워크로드관리
(WLM)
동시성 설정
AutoAuto Auto
Vacuum과 Analyze 같은
유지 관리 프로세스는
백그라운드에서 자동으로
실행됩니다.
Redshift는 WLM 동시성 설정을 자동으로
조정하여 최적의 처리량을 제공합니다.
유지관리가 더이상
필요 없도록 합니다.
Coming Soon!

Amazon Redshift에서 저장 프로시저 실행
기존 저장 프로시저를
가져와서 Redshift에서
실행하십시오.
Redshift는 PL/pgSQL 형식의 저장
프로시저를 지원하므로 기존 저장 프로
시저를 Redshift로 가져올 수 있습니다.
Redshift로
마이그레이션이 훨씬
쉬워졌습니다!
ETL 및 데이터 유효성
검사, 사용자 비즈니스
로직을 효율적으로
실행할 수 있습니다.

확장성 개선
데이터레이크와완벽하게통합
DATE data type
Retrieving metadata for late-binding
viewsSupport for Enhanced VPC Routing
IN-list predicate processing in
Spectrum scans
Query external tables during
a resize operation
Specify the root of an S3
bucket as the source for
an existing table
Spectrum queries with aggregations
on partition columns
Renaming external
table columns
Table property to specify the file compression
type for external tables
Push the LENGTH()
string function to
Spectrum
ALTER TABLE ADD/DROP COLUMN for
external tables is now supported via
standard JDBC calls
Map datatypes in
Spectrum to contain
arrays
Support for Parquet, ORC, Avro, CSV,
and other open file formats
New Spectrum
regions
Spectrum support for
JSON and ION
Spectrum support for
nested data
Arrays of arrays and
arrays of maps

Redshift Spectrum
query engine
Query across Redshift
and S3
Redshift
data
S3
data lake
로딩 불 필요
컴퓨팅 및 스토리지를 개별적으로 확장
S3에 저장된 데이터 직접 쿼리
Parquet, ORC, Avro, Grok 및 CSV 데이터 포맷
 Parquet 형식 언로드(Unload)
Coming
Soon!
Amazon Redshift Spectrum
데이터 웨어하우스를 S3 Data Lake의 엑사바이트 규모로 확장

Amazon Redshift는 확장 가능합니다.
Redshift Spectrum: 3분 안에 Exa 바이트 데이터 레이크 쿼리
압축
컬럼기반 파일 포맷
2500개 노드 스캐닝
고정 파티션 제거
동적 파티션 제거
Amazon Redshift 쿼리 최적화
* Query used a 20 node DC1.8XLarge Amazon Redshift cluster
* Not actual sales data—generated for this demo based on data format used by Amazon Retail.
시애틀 서점의 관리자라고 가정 해보십시오. 한
작가가 인기있는 시리즈로 8번째 책을 발표했습니다.
몇 권의 책을 주문해야하는지 파악해야합니다.
Amazon S3에
이전 도서 판매
데이터가
있습니다
Redshift Spectrum
3분 이하
5X
10X
2,500X
2X
350X
40X
지난 20 년 동안 매일 약 140TB의
고객의 제품 주문 세부 사항 레코드
S3의 15,000 개 파티션에 걸쳐 1억
9천만 개의 파일
미국 및 기타 국가에 대한 매일 1 개의
파티션
엑사바이트를 초과하는 데이터

*Since re:Invent 2015
보안성 개선
Encrypt your previously unencrypted
cluster with 1-click
Enhanced VPC
Routing
SAS integration
enhancements
Superusers to grant users
access to all rows in selected
system tables
Encrypt unloaded data using S3
server-side encryption with AWS
KMS keys IAM roles with COPY and
UNLOAD commands
Tag-based
permissionsDefault access
privileges
Federated
authentication with
single sign-on
Cross-region backups for
KMS-encrypted clusters

내장된 보안
Select compliance certifications*
10 GigE (HPC)
Customer
VPC
Internal
VPC
JDBC/ODBC
Compute
Nodes
Leader
Node
네트워크 분리
종단간 암호화
AWS Key Management
Service와 통합
Amazon S3

AWS Lake Formation과 통합
KinesisSocial Web
Sensors Devices
LOBCRM
ERPOLTP
IAM KMS
Data
Catalog
Athena
EMR
Elasticsearch
AI Services
QuickSight
Redshift

가용성 향상
NOV DEC JAN FEB MAR APR JUN JUL AUG SEP OCT NOV
20182017
Weekly Database Restarts

100개 이상 국가에서 매일
백만 주문
전세계 인구의
가 매일 소비합니다.
다양한 제품
과 무한 변형

변화 요인
고객
의 디지털화
경험
은 음식만큼 중요
McDelivery
/UberEats
글로벌
메뉴

데이터가 가진 문제점
제한된 데이터 가용성
격리된
데이터
빠른 데이터 요구에
제한된 확장성 및 높은
고정 비용
제한된
확장성
대부분 발생한 것에
중점을 둔 설명적 분석
(Descriptive Analytics)
제한된
분석
IT가 데이터를
수집하고 유지관리
부족한
셀프서비스

문제점 해결을 위한 클라우드 모델
제거
데이터 사일로(Silos)와 데이터 이동 필요성 제거
확장성
테라 바이트에서 엑사 바이트로
사용성
통찰력을 얻는 다양한 분석 엔진
통합된 접근
과 거버넌스
셀프서비스 모델
Analytical engines
of choice

솔루션 선택에서 고려한
탄력성 비용 성숙도 빠른 구현
유연성 셀프서비스 반복적인 어프로치

AWS로 마이그레이션
• 우리의 목표는 4가지
핵심 역량을 가능하게
하는데 중점을 둔
을
구축하는 것입니다.
Well Architected 플랫폼
셀프서비스 역량
거버넌스 및 데이터 품질
데이터 카탈로그 및 검색

글로벌 데이터 분석 플랫폼
데이터레이크 운영 / 알려진 워크로드
데이터 과학 / 분석 워크로드
RedshiftEMR
셀프 서비스
워크로드
Athena
EMR SageMaker
v
데이터
카탈로그
AWS Glue
Amazon
Kineses Data
Firehose
운영리포트 및
대시보드 사용자
애드혹 및
셀프서비스
사용자
데이터
사이언티스트,
ML/AI 사용자
Amazon EC2

글로벌 데이터 레이크의 구성
소스 시스템의
배치 및 실시간
원시데이터
로직이나 비즈니스
규칙 없음
주제 영역별 폴더
데이터에 적용되는
비즈니스 규칙
셀프서비스를
가능하게 하는 데이터
파일의 메타데이터
주제 영역별 폴더
플랫폼의 아웃 바운드
데이터 피드
써드파티 폴더

글로벌 데이터 레이크의 이점
Data Lake
onAWS
Redshift EMR Athena
AI
Services 수집 및 저장
어떤 규모의 데이터도 낮은 비용으로 수집/저장 가능
분리된 구조(De-couple)
스토리지와 컴퓨팅 분리
유연성
사례나 워크로드에 맞는 데이터엔진 사용

Amazon Redshift 데이터엔진
Redshift Data Lake
Glue Data Catalog
SensorsWebDevicesLOBCRMERPOLTP
많은 AWS 데이터 엔진 중 하나이며
Donald’s 워크로드에는 많은 AWS 데이터 엔진이 사용 중
Redshift 는
운영보고서 및 대시 보드를 위한 워크로드를 실행
McDonald’s 는
Redshift’s 제품 로드맵에 기여
계획되지 않고 알려지지 않은 워크로드
Data Lake, Glue Data Catalog 및 Athena를 사용해
Redshift에서 분리된 실행
Redshift
Queries
Athena

통합되고 신뢰할 수 있는 데이터 플랫폼
설명, 예측 및 예방 분석
셀프 서비스 딜리버리 모델
몇 주/월이 아닌 몇 시간/일이 걸립니다
데이터로 더 빠른 비즈니스 통찰력과 성장 가능
클라우드 및 사용 기반 비용 구조의 온 디맨드 확장
주요 결과

What’s next?
최적화
클라우드 워크로드를
일시적이며 서버리스
처리가 가능하도록하고
성능 및 셀프서비스 개선
자동화
배포
한번의 클릭으로
데이터 관련
애플리케이션의
글로벌 배포 가능
Implement
chargeback model

Dow Jones가 고객 데이터에서 직면한 데이터 문제
여러 버전의
의 데이터 포인트
동일한 메트릭의
다양한 버전이
있습니다.
제한된 가시성
을 가진 성과 데이터
시간 낭비
데이터를 찾는데 소비
통찰력 누락
으로 의사결정에 영향
세분화가 어려운
고객정보
영업팀과 동료
그룹의 실적을 잘
모르겠습니다.
고객의 사용 패턴을
분석하는 데
4일이나 걸립니다.
우리가 확보한
고객의 가치를
결정하는데
어려움이 있습니다
얼마나 많은
비즈니스 연관자가
있는지 여전히 알
수 없습니다

세계적 수준의 데이터 플랫폼 구축
• 주요 목표
절감
운영비용 절감
새로운
새로운 수익원과 기존 수익원
모두를 가능
개선
타겟팅 커뮤니케이션을 통해
고객 경험을 향상
의사결정 촉진
보다 현명한
의사결정을 촉진

플랫폼 진화
PredictStage Visualize Trend Cluster
인터랙티브
및 비주얼
데이터 스냅샷을
기반으로 통찰력
시각화
이력 분석
과거 데이터로
복잡한 분석
(예 : 막대차트)
통합 통찰력
세그먼트
분석의 고급
기능
단일 저장소
동일한 장소에서
액세스 가능한
모든 고객 데이터
3
21
4
5
고급 모델링
및 예측

데이터 레이크는
고유의(native)
형식으로 방대한 양의
원시 데이터를 보유하는
저장소
우리는 데이터가 매일 올바르게
로드되는지 확인합니다. 회원들에게
발생되는 모든 고객 관련 이벤트를
수집하는 것을 목표로 합니다.

고객데이터이해를위해
이해하기쉬운(easy-
to-understand)
데이터마트를구성
셀프서비스 도구 및 애드혹 분석에 의해
소비될 수 있는 상태로 데이터를 정규화

데이터 플랫폼
데이터 처리 및
저장을 위해 전통적인
데이터 웨어하우스
방식을 사용
소스 데이터를 준비하고
표준화하고 카탈로그를
생성하여 데이터 레이크로
사용할 수 있도록 스테이징
영역을 활용
데이터웨어하우스 계층에서
중간 테이블을 준비하고
집계 데이터마트에 저장
Copy 명령을
사용해 Amazon
Redshift로
데이터를 푸시
Staging Transformations
Sources /
Producers
Warehouse
Transformations
Data Lake Landing (S3)
Landing Logs
Data Lake Landing (S3)
Staging Logs
Data Lake Warehouse (S3)
Warehouse Logs
Mart Pre-Load (S3)
Marts Logs
Data Marts (Redshift)
Staging Indexes Warehouse
Indexes
Marts Indexes Marts Indexes
Mart
Transformations
Copy

Amazon AthenaVs. Amazon Redshift
Amazon Redshift 데이터
접근
모든 데이터는 Amazon
S3에 저장되지만
Amazon Redshift에서
외부 테이블로
생성됩니다.
Copy 명령을 사용하여
Amazon S3에서
Amazon Redshift로
물리적 테이블로
데이터를 복사합니다.
가장 비용효율적인 방법
Redshift Spectrum으로 쿼리최고 성능
성능이 비용보다 우선하는 경우
사례별 적용

사용자는 Redshift의 기능을 활용할 수
있는 데이터 사전과 일련의 지침을
갖추게 됩니다.
Redshift에 JDBC/ODBC 연결이
지원된다면 사용자가 원하는 도구를
다운로드하여 사용할 수 있습니다.
사용자는 Redshift에 직접 연결하여 테이블에
쿼리하고 자체 통찰력을 가질 수 있습니다
Analytics tools
사용자를 위한 맞춤형
대시보드 생성을 위해
Redshift에 직접 연결
여러가지 데이터 세트를 결합하여
비즈니스 파트너를 위한 맞춤형
통찰력을 제공하는 BI 계층을 생성
데이터레이크와 데이터마트 모두를
활용할 역량

준비 및 정리
수집한 고객 데이터를 준비하고 정리하며
고객 데이터 레이크를 완성
카탈로그와 정제
머신러닝과 예측분석을 위해 사용될 수 있도록
카탈로그를 만들고 정제
머신러닝 사용
데이터 웨어하우스 및 데이터 마트 변환 단계에서
일치율 향상을 위해 제외된 레코드를 선별하고
재처리하기 위해 모델을 학습
다음 단계 :
진화의 마지막 단계로
진입하고 있는 플랫폼

플랫폼 사용자
주요 결과
이해관계자 지원을
위한
다양한 대시보드
운영
대시보드는
개의 다양한 팩트(fact)
및 디멘전(dimension)
테이블로 강력해짐
데이터 웨어하우스 전체 보유량
of Data users

데이터웨어하우스
워크로드에
사용중입니다.
Amazon
Redshift

Try it out for yourself:
현대적인
데이터웨어하우징
AWS ebook
성능 문제에 대한
블로그:
Amazon Redshift는
이제 실제
워크로드에서 최대
3.5 배 더 빠릅니다.
동시성 확장
적용
클라우드에서의
Amazon Redshift의
성능 최적화 기술
by Werner Vogels
Amazon Redshift
고객 사례
Amazon Redshift
Proof of Concept
구축
AmazonRedshift
에관한
더많은정보

aws-korea-marketing@amazon.com
twitter.com/AWSKorea
facebook.com/amazonwebservices.ko
youtube.com/user/AWSKorea
slideshare.net/awskorea
twitch.tv/aws
캠페인 온라인 세미나: Data, Analytics, and ML Edition
참석해주셔서 대단히 감사합니다.
저희가 준비한 내용, 어떻게 보셨나요?
더 나은 세미나를 위하여 설문을 꼭 작성해 주시기 바랍니다.

글로벌 고객 사례를 통하여 소개하는 혁신적인 데이터 웨어하우스 - 김형일 (AWS 솔루션즈 아키텍트)

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to 글로벌 고객 사례를 통하여 소개하는 혁신적인 데이터 웨어하우스 - 김형일 (AWS 솔루션즈 아키텍트)

Similar to 글로벌 고객 사례를 통하여 소개하는 혁신적인 데이터 웨어하우스 - 김형일 (AWS 솔루션즈 아키텍트) (20)

More from Amazon Web Services Korea

More from Amazon Web Services Korea (20)

글로벌 고객 사례를 통하여 소개하는 혁신적인 데이터 웨어하우스 - 김형일 (AWS 솔루션즈 아키텍트)