데이터 웨어하우스

최신 SaaS 데이터 웨어하우스는 클라우드 네이티브 ELT(Extract, Load, Transform) 아키텍처를 사용합니다. 원시 데이터는 전용 커넥터(Fivetran, Airbyte, Stitch)를 통해 소스 시스템(Salesforce, Zendesk, Stripe, Amplitude, PostgreSQL application database)에서 추출되어 원시 형태로 웨어하우스(Snowflake, BigQuery 또는 Redshift가 클라우드 웨어하우스를 제공)에 로드된 다음, 변환 계층(dbt — data build tool — 이 지배적)을 사용하여 구조화된 분석 모델로 변환됩니다. 결과적으로 깨끗하게 모델링된 데이터는 셀프 서비스 분석을 위해 BI tools(Looker, Metabase, Tableau)에 제공됩니다. Product Ops 및 Support Ops는 미리 구축된 대시보드를 통해 여기에 액세스하며, 분석가는 SQL로 직접 쿼리합니다. 웨어하우스는 단일 운영 시스템으로는 답변할 수 없는 질문을 가능하게 합니다: "첫 30일 동안 5개 이상의 티켓을 보유한 고객의 CSAT 점수는 플랜 등급별로 어떻게 되나요?"

데이터 웨어하우스는 운영 도구가 지원할 수 없는 교차 시스템 분석 사용 사례를 가능하게 합니다. Support Ops의 주요 사용 사례: 티켓 볼륨 예측(과거 helpdesk 데이터와 제품 출시 일정 및 계절 패턴 결합), 상담원 성과 추세 분석(시간 경과에 따른 CSAT 및 AHT의 통계적 유의성), 그리고 이탈 모델링(도움말 센터 문서 읽기와 후속 티켓 회피 상관 관계 분석). Product Ops의 주요 사용 사례: 코호트 유지 분석(제품 이벤트 데이터와 billing 데이터를 결합하여 기능 채택이 갱신율에 미치는 영향 연구), 활성화 퍼널 분석(이메일 클릭부터 활성화, 전환까지의 전체 퍼널), 그리고 기능 영향 측정(실험 전후 행동 metrics 비교). 통합적인 주제: 이러한 분석은 3개 이상의 소스 시스템에서 데이터를 결합해야 하며, 이는 중앙 집중식 웨어하우스를 통해서만 가능합니다.

데이터 거버넌스는 웨어하우스가 서로 다른 정의를 사용하는 다른 팀의 상충되는 숫자 대신 신뢰할 수 있고 일관된 metrics를 제공하도록 보장합니다. 핵심 거버넌스 관행: metric 정의 레지스트리(모든 Key Metric에 대한 문서화되고 합의된 정의 — "CSAT"는 이 테이블의 이 필드를 이런 방식으로 계산한다는 의미); 데이터 카탈로그(모든 테이블과 그 목적에 대한 검색 가능한 인덱스, 테이블 소유자가 유지 관리하는 필드 수준 설명 포함); 데이터 품질 모니터링(주요 metric 값이 과거 패턴에서 비정상적으로 벗어날 때 자동 알림); 액세스 제어(민감한 데이터에 대한 행 및 열 수준 보안); 그리고 데이터 계약 프로세스(소스 시스템에서 데이터를 사용하는 팀은 모델을 손상시킬 수 있는 스키마 변경 전에 통보받음). Product Ops는 일반적으로 Data Engineering 팀과 데이터 거버넌스를 공동 소유합니다.