데이터웨어하우스와 데이터마트란? DW 4대 특징·OLTP vs OLAP·데이터 품질 6요소 쉽게 이해하기

데이터웨어하우스와 데이터마트란? DW 4대 특징·OLTP vs OLAP·데이터 품질 6요소 쉽게 이해하기#

기업에는 데이터가 매우 많습니다.

쇼핑몰을 예로 들면 다음과 같은 시스템이 각각 따로 존재할 수 있습니다.

회원 시스템

주문 시스템

결제 시스템

배송 시스템

고객센터 시스템

마케팅 시스템

각 시스템은 자신의 업무를 처리하기 위해 데이터를 저장합니다.

문제는 경영자가 다음과 같은 질문을 할 때입니다.

최근 3년간 지역별 매출은 어떻게 변했는가?

VIP 고객의 재구매율은 얼마나 되는가?

광고비 증가가 실제 매출 증가와 연결되었는가?

상품군별 수익성이 어떻게 변하고 있는가?

회원 Database 하나만 봐서는 답하기 어렵습니다.

주문·결제·회원·상품·광고 등 여러 시스템의 데이터를 가져와 분석하기 좋은 형태로 통합하고 오랜 기간 저장해야 합니다.

이 역할을 하는 것이 데이터웨어하우스 Data Warehouse, DW입니다.

1장 데이터웨어하우스란 무엇인가#

데이터웨어하우스는 기업의 의사결정을 지원하기 위해 여러 시스템의 데이터를 통합하여 장기간 저장하고 분석할 수 있도록 구성한 데이터 저장 환경입니다.

ADsP에서는 다음 정의가 핵심입니다.

의사결정 지원

주제 지향적

통합

시계열성

비휘발성

즉 데이터웨어하우스는 단순히 데이터를 많이 저장해둔 Database가 아닙니다.

목적 자체가 다릅니다.

일반 운영 Database
→ 업무를 처리하기 위한 데이터

Data Warehouse
→ 데이터를 분석하고
의사결정을 지원하기 위한 데이터

라고 이해하면 쉽습니다.

2장 왜 일반 데이터베이스와 데이터웨어하우스를 따로 사용할까#

쇼핑몰에서 고객이 주문 버튼을 눌렀다고 생각해봅시다.

운영 시스템은 즉시 다음 작업을 처리해야 합니다.

주문 생성

재고 차감

결제 처리

배송정보 등록

이런 시스템의 가장 중요한 목표는 빠르고 정확하게 현재 업무를 처리하는 것입니다.

반면 회사의 분석 담당자가:

지난 5년간 연령별·지역별·상품군별 매출 추세를 분석해달라.

고 요청했다고 생각해봅시다.

이 분석은:

회원

상품

주문

결제

과거 이력

을 대량으로 읽고 복잡하게 집계해야 합니다.

운영 Database에서 이런 무거운 분석 Query를 계속 실행하면 실제 주문처리 성능에도 영향을 줄 수 있습니다.

그래서 일반적으로:

업무 처리
→ 운영 Database

분석·의사결정
→ Data Warehouse

처럼 목적을 분리합니다.

3장 데이터웨어하우스의 4대 특징#

ADsP에서는 데이터웨어하우스의 대표적인 특징을 다음 네 가지로 정리합니다.

주제 지향적
Subject-Oriented

통합
Integrated

시계열성
Time-Variant

비휘발성
Non-Volatile

시험에서는 이 네 가지를 정확하게 구분할 수 있어야 합니다.

4장 주제 지향적 Subject-Oriented이란 무엇인가#

일반 업무 시스템은 업무 프로세스를 중심으로 데이터를 관리합니다.

예:

주문 처리

결제 처리

배송 처리

회원 가입

반면 데이터웨어하우스에서는 분석하려는 주제 Subject를 중심으로 데이터를 구성합니다.

예:

고객

상품

매출

지역

기간

경영자가 고객 관점의 분석을 하고 싶다면 여러 시스템에 흩어져 있는 고객 관련 데이터를 하나의 분석 주제로 연결할 수 있습니다.

예를 들어#

운영 시스템에는:

회원 DB
→ 고객 기본정보

주문 DB
→ 주문내역

결제 DB
→ 결제금액

고객센터 DB
→ 문의이력

처럼 흩어져 있습니다.

DW에서는 이를:

고객이라는 주제
↓
회원정보
주문
결제
문의

와 같이 분석하기 좋은 관점으로 구성할 수 있습니다.

핵심#

주제 지향적
→ 업무 처리 중심이 아니라
분석할 주제 중심

입니다.

5장 통합 Integrated이란 무엇인가#

기업에는 여러 시스템이 존재하기 때문에 같은 데이터라도 표현 방식이 다를 수 있습니다.

예를 들어 성별이 시스템마다:

회원 시스템
M / F

마케팅 시스템
남 / 여

기존 시스템
1 / 2

처럼 저장되어 있다고 생각해봅시다.

이 상태에서는 바로 분석하기 어렵습니다.

따라서 데이터웨어하우스로 가져올 때 일정한 기준으로 통합할 필요가 있습니다.

예:

M
남
1

↓

남성

처럼 표준화할 수 있습니다.

날짜도 마찬가지#

처럼 서로 다른 형식이라면 하나의 형식으로 맞출 수 있습니다.

핵심#

통합
→ 여러 출처의 데이터를
일관된 기준으로 결합

입니다.

6장 시계열성 Time-Variant이란 무엇인가#

데이터웨어하우스는 현재 상태만 보는 것이 아니라 시간에 따른 변화와 이력을 분석하는 것이 중요합니다.

예를 들어 현재 고객 등급이 VIP라고 하겠습니다.

운영 시스템에서는 현재 등급만 중요할 수도 있습니다.

현재 등급
VIP

하지만 분석에서는:

2024년
일반

2025년
Gold

2026년
VIP

처럼 시간이 지나면서 어떻게 변화했는지가 중요할 수 있습니다.

그래야:

고객 등급 상승과 구매금액 변화

연도별 매출 추세

월별 재구매율 변화

같은 분석이 가능합니다.

핵심#

시계열성
→ 과거 데이터와 이력을 저장
→ 시간에 따른 변화 분석

입니다.

7장 비휘발성 Non-Volatile이란 무엇인가#

비휘발성은 데이터웨어하우스에 저장된 데이터가 운영 Database처럼 빈번하게 수정·삭제되지 않는 특성을 의미합니다.

운영 Database에서는 다음과 같은 작업이 계속 발생합니다.

INSERT

UPDATE

DELETE

예를 들어:

고객 주소 변경

주문 상태 변경

재고 수량 변경

같은 작업이 빈번합니다.

반면 DW에서는 분석용으로 데이터를 적재한 뒤 과거 이력을 보존하는 것이 중요합니다.

운영 DB
→ 계속 변화

DW
→ 적재된 과거 데이터를
안정적으로 보존

초보자가 주의할 점#

비휘발성을:

절대로 어떤 데이터도
수정하거나 삭제할 수 없다.

라는 절대적인 기술적 의미로 받아들이기보다는, ADsP에서는 운영 DB처럼 빈번한 갱신을 목적으로 하지 않고 분석을 위해 안정적으로 보관한다는 특성으로 이해하는 것이 좋습니다.

8장 데이터웨어하우스 4대 특징 한눈에 보기#

특징	영어	핵심 의미
주제 지향적	Subject-Oriented	고객·매출 등 분석 주제 중심
통합	Integrated	여러 출처의 데이터를 일관되게 통합
시계열성	Time-Variant	시간에 따른 변화와 이력 저장
비휘발성	Non-Volatile	적재 후 빈번한 변경을 하지 않음

가장 간단하게 외우면:

주
통
시
비

입니다.

의미까지 연결하면:

주
→ 주제 중심

통
→ 여러 데이터 통합

시
→ 시간 이력

비
→ 빈번하게 바꾸지 않음

입니다.

9장 OLTP란 무엇인가#

OLTP는 Online Transaction Processing의 약자입니다.

실제 업무에서 발생하는 Transaction을 빠르게 처리하는 시스템입니다.

대표적인 예:

은행 입금

은행 출금

온라인 주문

결제

재고 변경

회원정보 수정

입니다.

쇼핑몰에서 고객이 상품을 주문하면:

주문 생성
↓
결제 처리
↓
재고 감소
↓
배송상태 등록

같은 Transaction이 실행됩니다.

OLTP의 핵심#

T
=
Transaction

OLTP
→ 거래·업무 처리

입니다.

10장 OLAP란 무엇인가#

OLAP는 Online Analytical Processing의 약자입니다.

대량의 데이터를 여러 관점에서 분석해 의사결정을 지원하는 데 초점을 둡니다.

예를 들어:

최근 5년 매출 추세

지역별 매출 비교

고객 등급별 평균 구매액

상품군별 수익률

월별 재구매율

같은 분석을 수행할 수 있습니다.

OLAP의 핵심#

A
=
Analysis

OLAP
→ 분석·의사결정

로 기억하면 쉽습니다.

11장 OLTP와 OLAP의 차이는 무엇인가#

ADsP에서 매우 중요한 비교입니다.

구분	OLTP	OLAP
중심	Transaction	Analysis
목적	일상 업무 처리	분석·의사결정
데이터	현재 업무 데이터 중심	과거·통합 데이터 중심
작업	삽입·수정·삭제 빈번	조회·집계 중심
Query	짧고 반복적인 거래	복잡한 분석 Query
대표 사례	주문·결제	매출 추세 분석

초보자는 다음 두 글자만 기억해도 됩니다.

OLTP
→ T = Transaction

OLAP
→ A = Analysis

즉:

OLTP
→ 일을 처리한다.

OLAP
→ 데이터를 분석한다.

입니다.

12장 일반 DB와 데이터웨어하우스는 어떻게 다른가#

ADsP 자료에서는 일반 운영 DB와 데이터웨어하우스를 다음 관점에서 비교합니다.

구분	일반 운영 DB	데이터웨어하우스
주요 목적	일상 업무 처리	의사결정 지원
주요 데이터	현재 데이터	과거·통합·요약 데이터
갱신	빈번	상대적으로 적음
대표 처리	OLTP	OLAP

이를 쇼핑몰 사례로 바꾸면 쉽게 이해할 수 있습니다.

운영 Database#

지금 주문이 들어왔는가?

결제가 완료되었는가?

재고가 몇 개인가?

데이터웨어하우스#

지난 3년간 매출은 어떻게 변했는가?

어떤 고객군이 가장 많이 구매하는가?

어느 지역의 매출 성장률이 가장 높은가?

즉 질문 자체가 다릅니다.

13장 데이터마트란 무엇인가#

데이터마트 Data Mart는 특정 조직이나 팀, 업무 영역에서 사용할 목적으로 구성한 상대적으로 범위가 좁은 분석용 데이터 집합입니다.

예를 들어 회사 전체 Data Warehouse가 다음 데이터를 가지고 있다고 하겠습니다.

회원

매출

상품

재고

광고

인사

재무

물류

마케팅팀에서는 이 모든 데이터가 필요하지 않을 수 있습니다.

마케팅에 필요한:

고객

광고

Campaign

구매이력

을 중심으로 별도의 분석 영역을 구성할 수 있습니다.

이것이 Data Mart입니다.

14장 데이터웨어하우스와 데이터마트 차이#

가장 쉽게 구분하면:

Data Warehouse
→ 전사적 범위

Data Mart
→ 특정 조직·부서·업무 범위

입니다.

예를 들어:

기업 전체 DW
├─ 마케팅 Data Mart
├─ 영업 Data Mart
├─ 재무 Data Mart
└─ 물류 Data Mart

처럼 생각할 수 있습니다.

시험 핵심#

Data Mart
→ 전사 전체 데이터를 위한 것이 아니라
특정 조직·팀 중심

이라는 점을 기억합니다.

15장 데이터마트는 왜 필요한가#

회사 전체 DW에는 매우 많은 데이터가 존재할 수 있습니다.

마케팅 담당자가 필요한 것은:

고객 특성

광고 노출

Campaign 반응

구매 데이터

인데 인사나 생산 데이터까지 항상 모두 볼 필요는 없습니다.

필요한 영역만 별도로 제공하면:

사용이 쉬워지고

분석범위가 명확해지고

업무별 분석환경을 구성하기 쉬워집니다.

즉 Data Mart는 특정 업무의 분석 편의성을 높이는 역할을 할 수 있습니다.

16장 DW와 Data Mart를 쇼핑몰로 이해하기#

대형 쇼핑몰 회사가 있다고 생각해봅시다.

운영 시스템#

각 시스템은 실시간 업무를 처리합니다.

회원 DB

주문 DB

결제 DB

배송 DB

상품 DB

Data Warehouse#

각 시스템의 데이터를 통합합니다.

회원 ──┐
주문 ──┤
결제 ──┼→ Data Warehouse
배송 ──┤
상품 ──┘

여기에서 장기간의 통합 분석을 할 수 있습니다.

Marketing Data Mart#

마케팅팀에 필요한 부분을 제공합니다.

고객

Campaign

구매

접속

재무 Data Mart#

재무팀에서는:

매출

비용

결제

정산

을 중심으로 사용할 수 있습니다.

전체 흐름은:

업무 System
↓
Data Warehouse
↓
부서별 Data Mart
↓
분석·의사결정

처럼 이해하면 쉽습니다.

17장 데이터웨어하우스에서 데이터 품질이 중요한 이유#

데이터를 여러 시스템에서 가져와 통합한다고 해서 자동으로 좋은 데이터가 되는 것은 아닙니다.

다음과 같은 문제가 있을 수 있습니다.

고객 이름 오타

주소 누락

중복 회원

잘못된 날짜 형식

서로 다른 시스템의 고객등급 불일치

너무 오래된 데이터

이런 데이터로 분석하면 결과 역시 잘못될 수 있습니다.

이를 흔히 다음처럼 표현하기도 합니다.

잘못된 데이터
↓
잘못된 분석
↓
잘못된 의사결정

따라서 데이터웨어하우스와 데이터 분석에서는 데이터 품질 Data Quality이 매우 중요합니다.

18장 데이터 품질 6요소#

제공된 ADsP 학습자료에서는 데이터 품질을 다음 여섯 요소로 정리합니다.

정확성
Accuracy

완전성
Completeness

일관성
Consistency

유효성
Validity

유일성
Uniqueness

적시성
Timeliness

암기법은:

정완일유유적

입니다.

19장 정확성 Accuracy란 무엇인가#

정확성은 데이터가 실제 사실과 정확하게 일치하는가를 의미합니다.

예를 들어 실제 고객 나이가 35세인데 Database에:

53세

라고 저장되어 있다면 정확성에 문제가 있습니다.

또:

상품가격
실제 50,000원

DB
500,000원

이라면 분석 결과도 크게 왜곡될 수 있습니다.

핵심#

정확성
→ 틀린 값이 없는가?

입니다.

20장 완전성 Completeness란 무엇인가#

완전성은 분석이나 업무에 필요한 데이터가 빠짐없이 존재하는가를 의미합니다.

예:

고객ID	이름	지역
101	김민수	서울
102	이지현	NULL

두 번째 고객의 지역정보가 빠져 있습니다.

이 경우 완전성 문제가 있습니다.

핵심#

완전성
→ 필요한 값이 빠지지 않았는가?

입니다.

시험에서는 특히:

완전성
→ 누락

유일성
→ 중복

을 반드시 구분합니다.

21장 일관성 Consistency란 무엇인가#

일관성은 같은 의미의 데이터가 여러 위치나 시스템에서 서로 충돌하지 않고 동일하게 유지되는가를 의미합니다.

예를 들어:

회원 시스템
고객 등급 = VIP

CRM
고객 등급 = 일반

이면 어느 것이 맞는지 알기 어렵습니다.

이런 상황이 일관성 문제입니다.

또 다른 예#

주문 DB
배송완료

배송 DB
배송중

처럼 같은 주문의 상태가 시스템마다 다르다면 일관성이 깨져 있습니다.

핵심#

일관성
→ 같은 데이터가
시스템마다 서로 다르지 않은가?

입니다.

22장 유효성 Validity란 무엇인가#

유효성은 데이터가 미리 정한 형식·규칙·범위에 맞는가를 의미합니다.

예를 들어 생년월일 형식을:

YYYY-MM-DD

로 정했다고 생각해봅시다.

정상:

2026-09-27

비정상:

2026/99/81

처럼 실제 날짜로도 성립하지 않는 값이 들어가면 유효성 문제가 발생합니다.

Code 값#

허용된 상태값이:

WAIT

PAID

CANCEL

세 개인데:

DONE123

같은 값이 들어갔다면 규칙을 위반한 것입니다.

핵심#

유효성
→ 정해진 규칙에 맞는가?

입니다.

23장 유일성 Uniqueness란 무엇인가#

유일성은 동일한 데이터가 불필요하게 중복 저장되어 있지 않은가를 의미합니다.

예를 들어 고객 Database에:

회원ID	이름	이메일
101	김민수	kim@example.com
205	김민수	kim@example.com

같은 사람이 두 번 등록되었다면 중복 가능성을 의심할 수 있습니다.

핵심#

유일성
→ 같은 데이터가 중복되지 않는가?

입니다.

완전성과 비교#

완전성
→ 빠진 값이 없는가

유일성
→ 중복 값이 없는가

이 둘을 혼동하지 않는 것이 중요합니다.

24장 적시성 Timeliness란 무엇인가#

적시성은 데이터를 필요한 시점에 최신 상태로 사용할 수 있는가를 의미합니다.

예를 들어 경영자가 오늘 매출현황을 확인하고 싶은데 데이터웨어하우스에 일주일 전 데이터까지만 들어 있다면 문제가 있습니다.

오늘
9월 27일

DW 최신 데이터
9월 20일

데이터 자체는 정확할 수 있지만 현재 의사결정에는 너무 오래된 데이터입니다.

핵심#

적시성
→ 필요한 시점에
최신 데이터를 사용할 수 있는가?

입니다.

25장 데이터 품질 6요소 비교표#

요소	영어	핵심 질문
정확성	Accuracy	값이 맞는가
완전성	Completeness	빠진 값이 없는가
일관성	Consistency	시스템마다 값이 충돌하지 않는가
유효성	Validity	규칙과 형식에 맞는가
유일성	Uniqueness	중복되지 않는가
적시성	Timeliness	필요한 시점에 최신인가

암기:

정
완
일
유
유
적

입니다.

26장 하나의 고객 데이터로 품질 6요소 이해하기#

고객정보가 다음과 같다고 하겠습니다.

회원ID: 1001
이름: 김민수
생년월일: 1990-05-10
지역: 서울
등급: VIP

정확성 문제#

실제 이름은 김민수인데:

김민소

라고 저장됨.

완전성 문제#

지역 = NULL

일관성 문제#

회원 DB
VIP

CRM
일반

유효성 문제#

생년월일
1990-19-50

유일성 문제#

동일 고객이 두 번 등록됨.

적시성 문제#

지난달 고객 등급만 반영되어 현재 변경사항이 아직 반영되지 않음.

이렇게 하나의 데이터만 가지고도 여섯 품질요소를 구분할 수 있습니다.

27장 데이터 품질에서 가장 많이 헷갈리는 차이#

정확성과 유효성#

둘 다 잘못된 데이터처럼 보일 수 있습니다.

정확성
→ 실제 사실과 맞는가?

유효성
→ 정해진 규칙에 맞는가?

예를 들어:

나이 = 25

가 형식상 정상이라도 실제 사람이 35세라면 유효할 수 있지만 정확하지 않을 수 있습니다.

반대로:

나이 = ABC

라면 숫자라는 규칙부터 위반하므로 유효성 문제가 있습니다.

완전성과 유일성#

완전성
→ 누락 없음

유일성
→ 중복 없음

입니다.

정확성과 일관성#

두 Database에 똑같이:

고객 나이
99세

라고 저장되어 있다면 두 시스템 사이에는 일관성이 있을 수 있습니다.

그러나 실제 나이가 30세라면 정확성은 낮습니다.

즉 데이터 품질 요소들은 서로 다른 문제를 평가합니다.

28장 데이터웨어하우스에 데이터는 어떻게 들어올까#

기업의 데이터는 여러 시스템에 흩어져 있기 때문에 그대로 Data Warehouse에 저장하기 어렵습니다.

개념적으로는 다음 과정으로 생각할 수 있습니다.

운영 Database

외부 데이터

Log

File
↓
추출
↓
정리·변환
↓
통합
↓
Data Warehouse

이 과정에서:

날짜형식 통일

Code 통합

중복 제거

오류값 정리

등의 데이터 정제가 이루어질 수 있습니다.

결국 데이터웨어하우스의 통합 Integrated이라는 특징은 단순히 여러 데이터를 한 Server에 넣는 것보다 분석할 수 있도록 의미와 형식을 일관되게 만드는 것에 가깝습니다.

29장 Data Lake와 Data Warehouse는 같은 것인가#

데이터 분야를 공부하다 보면 Data Lake라는 용어도 만날 수 있습니다.

두 개념은 동일하지 않습니다.

아주 단순하게 비교하면:

Data Warehouse
→ 분석 목적에 맞게
정리·통합된 데이터 중심

Data Lake
→ 다양한 형태의 원천 데이터를
대규모로 저장할 수 있는 환경

정도로 이해할 수 있습니다.

ADsP의 이 영역에서는 Data Warehouse의 주제지향·통합·시계열·비휘발성을 먼저 정확하게 익히는 것이 중요합니다.

30장 데이터웨어하우스 시험에서 자주 나오는 함정#

함정 1. DW는 현재 데이터만 저장한다#

DW의 중요한 특징 중 하나는 시계열성입니다.

과거 이력
+
현재 데이터
→ 변화 분석

이 중요합니다.

함정 2. DW는 계속 수정되는 운영 Database다#

운영 Database보다 빈번한 갱신을 목적으로 하지 않습니다.

DW
→ 비휘발성

을 기억합니다.

함정 3. Data Mart는 전사 데이터를 모두 저장한다#

Data Mart는 특정 조직이나 업무영역을 위한 데이터입니다.

함정 4. OLTP와 OLAP를 반대로 기억#

OLTP
→ Transaction

OLAP
→ Analysis

입니다.

함정 5. 완전성은 중복이 없는 것#

정확한 구분은:

완전성
→ 누락 없음

유일성
→ 중복 없음

입니다.

함정 6. 데이터 품질 요소에 신뢰성이 포함#

제공된 ADsP 학습 범위에서 외워야 할 여섯 요소는:

정확성
완전성
일관성
유효성
유일성
적시성

입니다.

31장 ADsP 시험 핵심 비교표#

Data Warehouse 4대 특징#

Subject-Oriented
→ 주제 지향

Integrated
→ 통합

Time-Variant
→ 시계열

Non-Volatile
→ 비휘발

OLTP vs OLAP#

OLTP	OLAP
Transaction	Analysis
업무 처리	분석
현재 데이터 중심	과거·통합 데이터 활용
갱신 빈번	조회·분석 중심

Data Warehouse vs Data Mart#

DW
→ 전사적 분석환경

Data Mart
→ 특정 부서·업무 분석환경

데이터 품질#

정확성
→ 맞는가

완전성
→ 빠짐없는가

일관성
→ 서로 같은가

유효성
→ 규칙에 맞는가

유일성
→ 중복 없는가

적시성
→ 최신인가

32장 시험 직전 30초 암기#

Data Warehouse

의사결정 지원

주제 지향
통합
시계열
비휘발

OLTP

T = Transaction
→ 업무·거래 처리

OLAP

A = Analysis
→ 분석·의사결정

Data Mart

→ 특정 조직·팀·업무
→ 전사 전체 X

데이터 품질

정
완
일
유
유
적

정확성
→ 오류 없음

완전성
→ 누락 없음

일관성
→ 충돌 없음

유효성
→ 규칙 준수

유일성
→ 중복 없음

적시성
→ 최신 데이터

데이터웨어하우스와 데이터마트 FAQ#

데이터웨어하우스란 무엇인가#

기업의 의사결정을 지원하기 위해 여러 시스템의 데이터를 주제 중심으로 통합하고 시간에 따른 이력을 보관하여 분석할 수 있도록 구성한 데이터 저장 환경입니다.

데이터웨어하우스의 4대 특징은 무엇인가#

다음 네 가지입니다.

주제 지향적

통합

시계열성

비휘발성

주제 지향적이라는 것은 무슨 뜻인가#

주문·결제 같은 개별 업무 프로세스보다는 고객·상품·매출처럼 분석하려는 주제를 중심으로 데이터를 구성한다는 의미입니다.

통합이란 무엇인가#

서로 다른 시스템에서 가져온 데이터를 일관된 이름, Code, 형식 등으로 맞추어 함께 분석할 수 있도록 구성하는 것을 의미합니다.

시계열성이란 무엇인가#

현재 값뿐 아니라 과거의 변화와 이력을 함께 저장하여 시간에 따른 변화를 분석할 수 있다는 의미입니다.

비휘발성이란 무엇인가#

운영 Database처럼 데이터가 빈번하게 수정·삭제되는 것이 아니라 분석을 위해 적재된 데이터를 비교적 안정적으로 보존하는 특성입니다.

OLTP와 OLAP의 차이는 무엇인가#

OLTP는 주문·결제 같은 Transaction을 처리하는 데 초점을 두고, OLAP는 대량 데이터를 분석해 의사결정을 지원하는 데 초점을 둡니다.

OLTP
→ 거래

OLAP
→ 분석

로 기억하면 쉽습니다.

데이터마트란 무엇인가#

특정 부서·팀·업무 영역에서 분석에 사용하기 위해 구성한 데이터 집합입니다.

데이터웨어하우스와 데이터마트는 무엇이 다른가#

Data Warehouse는 전사적인 통합 분석환경이고 Data Mart는 특정 조직이나 업무를 위한 제한된 분석환경이라는 차이가 있습니다.

데이터 품질 6요소는 무엇인가#

정확성
완전성
일관성
유효성
유일성
적시성

입니다.

완전성과 유일성은 무엇이 다른가#

완전성은 필요한 값의 누락 여부, 유일성은 동일한 값의 중복 여부를 봅니다.

정확성과 유효성은 무엇이 다른가#

정확성은 실제 사실과 값이 맞는지 평가하고 유효성은 데이터가 정해진 형식이나 규칙을 준수하는지를 평가합니다.

자기 점검#

다음 질문에 바로 답할 수 있는지 확인해봅니다.

데이터웨어하우스의 목적을 설명할 수 있는가?
데이터웨어하우스의 4대 특징을 모두 말할 수 있는가?
주제 지향성과 통합의 차이를 설명할 수 있는가?
시계열성이 왜 분석에 필요한지 설명할 수 있는가?
비휘발성을 운영 DB와 비교해서 설명할 수 있는가?
OLTP와 OLAP를 구분할 수 있는가?
Data Warehouse와 Data Mart의 범위 차이를 설명할 수 있는가?
Data Mart가 전사 데이터 전체를 위한 것이 아니라는 점을 알고 있는가?
데이터 품질 6요소를 모두 말할 수 있는가?
정확성과 유효성을 구분할 수 있는가?
완전성과 유일성을 구분할 수 있는가?
일관성이 어떤 문제를 의미하는지 사례로 설명할 수 있는가?
적시성이 왜 최신 데이터와 관련되는지 설명할 수 있는가?

이 글을 마치며#

데이터웨어하우스는 단순히 많은 데이터를 보관하는 거대한 Database가 아닙니다.

핵심 목적은 여러 업무 시스템에 흩어진 데이터를 분석 가능한 형태로 통합하여 더 나은 의사결정을 지원하는 것입니다.

운영 시스템에서는:

지금 주문을 처리한다.

가 중요합니다.

데이터웨어하우스에서는:

지난 몇 년 동안
주문이 어떻게 변했는가?

가 중요합니다.

그래서:

OLTP
→ 현재 업무 처리

OLAP
→ 데이터 분석

이라는 차이가 만들어집니다.

데이터웨어하우스의 성격은 다음 네 단어로 정리할 수 있습니다.

주제
통합
시간
보존

즉:

주제 지향
↓
여러 데이터를 통합
↓
시간에 따른 이력을 보관
↓
분석을 위해 안정적으로 유지

하는 것입니다.

필요하다면 여기에서 특정 팀을 위한:

Data Mart

를 구성할 수 있습니다.

그리고 아무리 좋은 분석 시스템을 갖추더라도 데이터 자체가 틀리고 누락되고 중복되어 있다면 올바른 결과를 기대하기 어렵습니다.

따라서 마지막으로 다음 여섯 단어까지 함께 기억하면 됩니다.

정확
완전
일관
유효
유일
적시

시험에서는:

DW
→ 주통시비

품질
→ 정완일유유적

두 묶음을 확실하게 구분해 기억하면 이 영역의 핵심을 빠르게 정리할 수 있습니다.