클라우드 데이터 웨어하우스 비용, 고동시성 BI 워크로드에서 줄이는 방법

작성자: Dave Stone

작성일: 2026년 3월 31일 (본 포스트는 Jack Christie와 Dave Stone이 공동 작성했으며, 2026년 3월 31일 최신 인사이트를 반영하여 업데이트되었습니다.)

최종 수정일: 2026년 9월 7일

클라우드 데이터 웨어하우스의 종량제 과금 모델은 변동성 높은 데이터 엔지니어링 작업에 유용합니다. 그러나 여러 비즈니스 사용자가 동시에 대시보드와 리포트를 조회하고 AI 에이전트까지 쿼리를 생성하는 환경에서는 클라우드 데이터 웨어하우스 비용을 예측하기 어려워질 수 있습니다.

이 글에서는 교보문고 사례와 McKnight Consulting Group의 벤치마크를 바탕으로 고동시성 BI 워크로드의 비용 문제를 살펴봅니다. 또한 Postgres 기반 WarehousePG의 MPP 아키텍처와 용량 기반 요금제가 성능과 비용의 예측 가능성을 어떻게 높이는지 알아봅니다.

비즈니스 데이터 조회가 클라우드 데이터 웨어하우스 비용을 높일 때

“50TB 규모의 클라우드 데이터 웨어하우스를 조회하는 데 드는 막대한 비용 때문에 골머리를 앓고 있습니다.”

이는 교보문고(Kyobo Book Centre) 정흥식 IT 지원팀장의 말입니다. 최근 여러 기업이 이와 비슷한 문제를 겪고 있습니다. 클라우드 데이터 웨어하우스의 종량제(Consumption-based) 과금 모델은 데이터 엔지니어링에 매우 매력적입니다.

하지만 고도화된 동시성 BI 워크로드에서는 상황이 달라집니다. 수백 명의 비즈니스 사용자가 동시에 대시보드를 새로고침하고, 리포트를 심층 분석하며, 실시간 쿼리를 실행하면 비용을 예측하기 어려워집니다.

교보문고의 비즈니스 데이터는 50TB를 넘었고 계속 증가하고 있었습니다. 소규모 분석팀이 Tableau 사용자들을 지원하고 있었으며, 기존 클라우드 데이터 웨어하우스(CDW) 계약도 수년이 남아 있었습니다. 문제는 대시보드를 새로고침하거나 분석가가 쿼리를 실행할 때마다 비용이 청구된다는 점이었습니다.

성능을 유지하려면 끊임없는 최적화가 필요했습니다. 결국 팀은 인사이트 도출보다 비용 관리에 더 많은 시간을 써야 했습니다. 계약 제약으로 당장 마이그레이션할 수도 없었지만, 높은 동시성 워크로드의 비용 부담 때문에 종량제 모델을 그대로 유지하기도 어려웠습니다.

데이터 웨어하우스 동시성: BI 워크로드의 확장 방식이 다른 이유

클라우드 데이터 웨어하우스는 본래 대규모 데이터 엔지니어링과 예약된 분석 워크로드에 탁월합니다. 주기적인 ETL 작업이나 머신러닝(ML) 학습에는 리소스를 사용한 뒤 다시 축소할 수 있는 종량제 모델이 합리적입니다.

모던 비즈니스 인텔리전스 환경의 쿼리 패턴

하지만 최신 분석 환경은 다릅니다. 비즈니스 사용자는 하루 종일 대시보드를 새로고침하고, 데이터 과학자는 탐색적 쿼리를 실행하며, 재무 분석가는 리포트를 생성합니다. 여기에 AI 에이전트까지 대화형 분석을 위한 쿼리를 발생시키며, 이 모든 작업이 동시에 일어납니다.

이 지점에서 최신 클라우드 플랫폼의 아키텍처가 과제를 만듭니다. Nick Akincilar 수석 아키텍트는 수십억 개 행의 데이터셋을 대상으로 다수의 BI 사용자가 쿼리를 동시에 실행하는 환경을 테스트했습니다. 그 결과 플랫폼별 동시성 관리 방식에 뚜렷한 차이가 나타났습니다.

• 리소스 확장: 동일한 워크로드에서도 플랫폼에 따라 2개에서 5개까지 서로 다른 수의 클러스터가 가동되었습니다.
• 대기 시간: 리소스 할당 과정의 대기 시간이 즉시 실행부터 30초 이상까지 다양했습니다.
• 쿼리 실패율: 연결 관리 문제로 실패율이 4%에 육박하는 플랫폼도 있었습니다.
• 비용 차이: 자동 확장 방식의 차이만으로 동일한 워크로드에서 비용이 73%까지 차이 났습니다.

Akincilar 수석 아키텍트는 다음과 같이 지적합니다. “데이터 엔지니어링 비용 1달러를 아끼려다 리소스에 4달러를 더 쓰게 됩니다. 게다가 현업 부서의 대시보드 성능 불만까지 듣게 되는 최악의 상황이 발생합니다.”

AI 시대에 데이터 웨어하우스 동시성이 중요한 이유

최신 분석 트렌드의 핵심은 에이전틱 분석(Agentic Analytics)입니다. 자율 AI 에이전트가 사람처럼 분석 데이터베이스에 쿼리를 수행합니다. 이는 단순한 사용자 증가를 넘어 데이터 웨어하우스에 훨씬 큰 동시성 부하를 일으킵니다.

AI 에이전트가 만드는 대규모 쿼리 트래픽

각 에이전트는 수초 만에 수백 개의 쿼리를 작성하고 실행한 뒤 추가 쿼리가 필요한지 스스로 평가할 수 있습니다. 클라우드 데이터 웨어하우스가 이러한 속도를 처리하더라도 예산이 먼저 소진될 수 있습니다.

이 문제는 NVIDIA GTC 2026에서도 핵심 이슈였습니다. 기반 데이터 인프라가 기업의 AI 확장 수준을 결정한다는 공감대가 형성되었습니다. EDB의 자체 연구에 따르면 프로덕션 규모의 에이전틱 배포를 달성한 기업은 13%에 불과하지만, 이들은 5배 더 높은 ROI를 거두고 있습니다. 비즈니스 프로세스당 에이전트 밀도도 2배 높습니다. 병목 현상의 원인은 AI 모델이 아니라 데이터입니다.

데이터 웨어하우스 아키텍처가 BI 비용에 미치는 영향

최신 클라우드 데이터 웨어하우스는 탄력적 워크로드를 위해 구축되었습니다. 갑작스러운 수요 증가가 발생하면 추가 클러스터를 가동하고 사용한 만큼 비용을 청구합니다.

새벽 2시의 배치 작업이나 매주 진행되는 ML 학습에는 이러한 방식이 적합합니다. 변동성이 큰 작업에는 변동 요금제가 효과적이기 때문입니다.

예측 가능한 BI 워크로드와 탄력적 요금제의 불일치

하지만 BI 워크로드는 변동성이 크지 않습니다. AI 에이전트를 도입하더라도 전반적인 패턴은 비교적 예측할 수 있습니다. 업무 시간 동안 몇 명이 데이터를 조회할지 대략 파악할 수 있기 때문입니다.

탄력적 요금제는 일시적이고 대규모인 수요 증가에 최적화되어 있습니다. 반면 AI 에이전트의 트래픽은 기본 동시성이 예측 가능하고 지속적으로 증가하는 형태에 가깝습니다.

핵심 문제는 여기서 발생합니다. 변동성 워크로드용 플랫폼이 예측 가능한 동시성 패턴을 만나면 비용이 오히려 예측 불가능해집니다. 실제 사용 패턴이 변하지 않고 동시 접속자만 늘어도 클러스터가 추가되어 청구 금액이 증가할 수 있습니다.

McKnight Consulting Group의 2026년 2월 벤치마크가 이를 수치로 보여줍니다. 최고 동시성 처리를 위해 Snowflake를 3개의 멀티 클러스터로 확장했을 때 연간 비용은 $351,953에 달했습니다. 이는 동일한 분석 워크로드를 처리한 WarehousePG의 $222,886보다 58% 높은 금액입니다.

탄력적 인프라는 탄력적인 비용 구조를 만듭니다. 이를 탄력적이지 않은 워크로드에 적용하면 아키텍처와 비용 구조 사이에 근본적인 불일치가 발생합니다.

그림 1: Snowflake 멀티 클러스터 비용은 주당 20시간의 과부하 상태를 가정했습니다. 3개의 웨어하우스로 확장한 연간 1,040시간과 10TB의 원시 데이터를 압축한 환경을 기준으로 합니다. EMR Hive와 Trino 조합은 동시성 워크로드 테스트를 완료하지 못해 비용 스냅샷에서 제외되었습니다.

Postgres 데이터 웨어하우스의 대안: 예측 가능한 성능과 비용

Postgres 기반 데이터 웨어하우스는 근본적으로 다른 방식으로 접근합니다. 대규모 병렬 처리(Massively Parallel Processing, MPP) 아키텍처를 기반으로 다중 클러스터 오케스트레이션 없이도 동시성 워크로드를 처리합니다.

그림 2: MPP 아키텍처는 여러 독립적인 세그먼트 호스트에 데이터와 작업을 분배해 성능을 확장합니다. 세그먼트 코디네이터가 최적의 실행 계획을 수립하고 각 세그먼트가 할당된 데이터를 동시에 처리합니다. 예를 들어 16개 세그먼트가 각각 100만 개 행을 처리할 수 있습니다.

데이터 웨어하우스 동시성 벤치마크 결과

McKnight Consulting Group은 2026년 2월 10TB TPC-DS 데이터셋을 사용해 벤치마크 테스트를 진행했습니다. WarehousePG를 Snowflake, Databricks, Redshift, Hive on Apache Iceberg와 비교했습니다.

동시성 부문에서 WarehousePG는 가장 낮은 성능 저하율인 2.7배를 기록했습니다. 이는 동시 사용자가 1명에서 5명으로 증가했을 때의 결과입니다. 반면 Snowflake는 3.9배, Redshift는 4.0배, Databricks는 4.1배의 성능 저하를 보였습니다. 둔화율이 낮다는 것은 분석가와 에이전트가 증가해도 사용자 경험을 비교적 일관되게 유지한다는 의미입니다.

그림 3: 테스트된 클라우드 플랫폼에는 모두 유사한 엔터프라이즈급 구성을 적용했습니다. Hive on Iceberg는 메모리 오류로 실패해 동시성 테스트에서 제외되었습니다.

미션 크리티컬 운영 환경에서는 이러한 안정성이 매우 중요합니다. 대형 커넥티드 TV 광고 기술 플랫폼 MNTN은 페타바이트 규모의 데이터를 관리하며 오랫동안 Postgres 기반 데이터 웨어하우스를 사용해 왔습니다. 오픈소스 대안과 엔터프라이즈 파트너가 필요했던 MNTN은 EDB Postgres AI for WarehousePG를 선택했습니다.

MNTN 데이터 부문 총괄 Greg Spiegelberg는 다음과 같이 평가합니다. “성능도 뛰어나고 안정성도 높습니다. 기술 지원도 매우 즉각적입니다. 한밤중에 장애를 복구하느라 홀로 오픈소스를 고치지 않아도 된다는 점이 정말 만족스럽습니다.”

예측 가능한 BI 워크로드에는 단순한 비용 구조가 필요합니다

매일 반복되는 대시보드 새로고침과 정기적인 리포팅처럼 일관된 BI 워크로드가 있다면 리스크가 큰 인프라 교체가 반드시 필요한 것은 아닙니다. 중요한 차이는 성능과 비용의 ‘예측 가능성’입니다.

종량제와 용량 기반 데이터 웨어하우스 요금제 비교

• 종량제 플랫폼: 변동성 워크로드에 최적화되어 있습니다. 사용량에 따라 과금되지만 자동 확장 수준, 대기 시간, 생성되는 클러스터 수와 같은 변수에 따라 비용이 달라집니다.
• 용량 기반 플랫폼: 알려진 워크로드에 최적화되어 있습니다. 동시성 요구에 맞춰 코어를 프로비저닝하며, 쿼리 수와 관계없이 동일한 비용을 지불합니다. 피크 시간에 다른 플랫폼이 추가 클러스터를 가동하더라도 비용을 일정하게 유지할 수 있습니다.

유연성 세금(Flexibility Tax)의 함정

McKnight 보고서는 세분화된 Best-of-breed 스택을 유지할 때 발생하는 비용을 “유연성 세금”이라고 표현합니다. 이러한 비용이 점차 데이터에서 얻는 인사이트의 가치를 압도할 수 있다는 의미입니다.

에이전틱 워크로드가 늘어날수록 이 비용도 커집니다. AI 에이전트의 확장은 청구 금액만 높이는 것이 아니라, 비용 급증을 피하기 위해 현업의 데이터 분석 자체를 제한하게 만들 수 있습니다. 보고서는 이를 “고장 난 계량기” 효과라고 설명합니다.

무중단 마이그레이션과 데이터 통제권 확보

전환을 위해 기존 인프라를 완전히 교체할 필요는 없습니다. WarehousePG는 Postgres 기반이므로 기존 팀의 SQL 기술을 즉시 활용할 수 있습니다. 이미 Greenplum을 운영하고 있다면 몇 시간 만에 무중단 바이너리 교체(Zero-migration Binary Swap)가 가능합니다.

유럽의 대형 시장 인프라 기업 Euronext FX도 벤더 종속을 해소하기 위해 이 방식을 선택했습니다. 전 세계 4개 데이터센터에서 원활한 시스템 교체를 완료하고 데이터 통제권과 엔터프라이즈 지원을 함께 확보했습니다.

데이터 레지던시 규제가 엄격해지는 현대 비즈니스 환경에서 통제권은 필수적입니다. 성능을 희생하지 않으면서 데이터의 정확한 위치와 접근 권한을 파악할 수 있어야 합니다.

또한 대규모 BI 워크로드도 안정적으로 실행할 수 있습니다. 워크로드 관리 기능은 핵심 쿼리를 우선 처리하며, pgvector를 통해 데이터를 이동하지 않고 AI 모델을 직접 학습시킬 수 있습니다. 데이터 레이크 연합 쿼리를 사용하면 복잡한 ETL 없이 데이터 사일로를 연결할 수 있습니다.

클라우드 데이터 웨어하우스 비용 최적화를 위한 선택지

동시성이 높은 BI 환경에서 예측할 수 없는 비용 문제를 겪는 기업은 적지 않습니다. 데이터 엔지니어링에 적합했던 종량제 모델이 BI 환경에서는 전혀 다른 경제성을 만들 수 있기 때문입니다.

기업이 검토할 수 있는 선택지는 다음 세 가지입니다.

1. 현재 플랫폼 최적화: 워크로드 관리와 자동 확장 정책 등을 조정합니다.
2. 변동 비용 수용: 클라우드 유연성에 따른 비용 변화를 수용합니다.
3. 용량 기반 요금제 도입: 검증된 아키텍처를 통해 비용의 예측 가능성을 확보합니다.

교보문고는 세 번째 방식을 선택했습니다. 데이터 통제권을 유지하기 위해 데이터는 기존 클라우드의 VPC에 그대로 두고, 분석 쿼리만 코어당 요금제인 EDB Postgres AI for WarehousePG를 거치도록 라우팅했습니다.

그 결과 비용을 예측할 수 있게 되었고 소규모 팀의 운영도 단순해졌습니다. Tableau 직접 연결을 통해 성능을 크게 높였으며, AI 기반 고객 경험 서비스로 확장할 수 있는 인프라도 갖추었습니다.

최신 클라우드 플랫폼의 확장성은 분명합니다. 다만 실제로 검토해야 할 질문은 “예측 가능한 성능과 비용이 필요한 환경에서도 여러 클러스터의 탄력적 확장 비용을 지불해야 하는가?”입니다.

벤치마크 결과가 보여주는 대안은 하이브리드 접근 방식입니다. 대규모 데이터 과학과 탐색적 분석에는 클라우드 네이티브 플랫폼을 활용하고, 일상적으로 가동되는 고동시성 BI 워크로드는 WarehousePG로 처리하는 방식입니다.

Postgres 기반 분석 환경이 고동시성 워크로드를 처리하는 방법을 자세히 알아보거나 현재 데이터 웨어하우스의 워크로드 진단이 필요하다면 EDB 전문가에게 문의해 보십시오.

클라우드 데이터 웨어하우스 비용과 BI 동시성 FAQ

메일: salesinquiry@enterprisedb.com