데이터 관리란 무엇인가요?

데이터 관리는 조직의 데이터를 수집, 저장, 보호 및 사용하는 프로세스입니다. 조직은 데이터를 사용하여 거래 처리 및 고객 상호 작용과 같은 운영 프로세스를 지원합니다. 또한 비즈니스 인텔리전스, 분석, AI 및 실시간 의사 결정을 위해 데이터를 통합해야 합니다. 데이터 관리에는 법률 및 규정에서 허용하는 범위 내에서 데이터 유용성을 개선하는 모든 정책, 도구 및 절차가 포함됩니다.

데이터는 오늘날의 조직에 유용한 리소스입니다. 조직은 대용량 및 다양한 데이터 유형에 액세스할 수 있게 되면서 데이터 스토리지 및 관리 인프라에 막대한 투자를 하고 있습니다. 조직은 데이터 관리 시스템을 사용하여 운영 비즈니스 프로세스를 자동화하고 데이터를 분석하여 비즈니스 의사 결정을 내립니다. 데이터 관리의 구체적인 이점은 다음과 같습니다.

운영 효율성

데이터 관리 시스템은 조직이 대량의 트랜잭션과 운영 데이터를 효율적으로 처리할 수 있도록 도와줍니다. 트랜잭션을 정확하게 일관적으로 캡처하여 재무 기록, 인벤토리 업데이트, 고객 계정 및 기타 운영 워크플로의 오류를 최소화합니다. 이러한 시스템은 트랜잭션 처리 외에도 일상적인 비즈니스 운영을 자동화하고 신뢰할 수 있는 기록 보관을 제공하여 실시간 활동에 필요한 일관성을 제공합니다. 데이터 관리 시스템은 이러한 효율성에서의 이점을 통해 조직이 원활한 고객 경험을 제공하고, 신뢰를 유지하며, 일상적인 프로세스를 효율적이고 확장 가능하게 유지할 수 있도록 지원합니다.

수익 및 이익 증대

데이터 분석은 비즈니스의 모든 측면에 대한 심층적인 인사이트를 제공합니다. 이러한 인사이트를 바탕으로 비즈니스 운영을 최적화하고, 정보에 입각한 의사 결정을 촉진하여 수익 증진 및 비용 절감에 도움이 되는 인사이트를 얻을 수 있습니다. 또한 데이터 분석은 의사 결정의 미래 영향을 예측하여 의사 결정 및 비즈니스 계획을 개선할 수 있습니다. 따라서 조직은 데이터 관리 기술을 개선하여 상당한 매출 성장과 수익을 달성하게 됩니다.

데이터 불일치 감소

트랜잭션 처리의 데이터 불일치는 중복 기록, 부정확한 계정 잔고, 일치하지 않는 인벤토리 등의 오류를 초래해 운영을 방해하고 고객 신뢰를 훼손하며 수정 비용을 가중할 수 있습니다. 데이터 분석의 불일치는 데이터 사일로에서 발생할 수 있습니다.

데이터 사일로는 한 부서 또는 그룹만 액세스할 수 있는 조직 내의 원시 데이터 모음입니다. 데이터 사일로는 불일치를 유발하여 데이터 분석 결과의 신뢰성을 저해합니다. 데이터 관리 솔루션은 데이터를 통합하고 중앙 집중식 데이터 보기를 생성하여 더 나은 의사 결정을 내리고 부서 간 협업을 개선합니다.

규정 준수 충족

일반 데이터 보호 규정(GDPR) 및 캘리포니아 소비자 개인 정보 보호법(CCPA)과 같은 법률은 고객 데이터를 보호하기 위해 고안되었습니다. 이러한 데이터 보호법에는 다음과 같은 요구 사항이 포함됩니다.

• 데이터 캡처 동의
• 데이터 위치 및 사용에 대한 엄격한 제어권
• 데이터의 안전한 저장 및 요청 시 삭제

따라서 조직에는 데이터를 보호하면서도 데이터 정확성을 유지하는 데 도움이 되는 정확하고 기밀이 유지되는 데이터 관리 시스템이 필요합니다.

데이터 아키텍처와 데이터 모델링은 성공적인 데이터 관리 전략의 기초입니다.

데이터 아키텍처

데이터 아키텍처는 조직의 데이터 수집, 관리 및 사용을 설명하고 관리하는 포괄적인 프레임워크입니다. 데이터 관리 계획에는 데이터 관리 전략을 구현하는 데 가장 적합한 운영 데이터베이스, 데이터 레이크, 데이터 웨어하우스 및 서버와 같은 기술적 세부 정보가 포함됩니다.

데이터 모델링

데이터 모델링은 다양한 유형의 데이터 간 워크플로와 관계를 시각화하는 개념적 및 논리적 데이터 모델을 생성하는 프로세스입니다. 데이터 모델링은 일반적으로 데이터를 개념적으로 표현한 다음 선택한 기술의 맥락에서 다시 표현하는 것으로 시작됩니다. 데이터 전문가는 데이터 설계 단계에서 여러 유형의 데이터 모델을 만듭니다.

데이터 관리 관행은 데이터에 대한 액세스를 제어하기 위해 데이터 거버넌스 외에도 고품질 데이터의 수집 및 배포를 포괄합니다.

데이터 거버넌스에는 조직이 데이터 보안, 무결성 및 책임 있는 데이터 유틸리티를 관리하기 위해 구현하는 정책 및 절차가 포함됩니다. 데이터 관리 전략을 정의하고 누가 어떤 데이터에 액세스할 수 있는지 결정합니다. 또한 데이터 거버넌스 정책은 팀과 개인이 데이터에 액세스하고 사용하는 방식에 대한 책임을 확립합니다. 데이터 거버넌스 기능에는 일반적으로 다음이 포함됩니다.

데이터 프로파일링

데이터 프로파일링은 데이터를 분석하여 구조, 품질 및 특성을 결정하는 진단 프로세스입니다. 이는 기존 데이터세트를 이해하고 사용하기 전에 리팩터링이 필요한지 여부를 결정하는 첫 번째 단계입니다.

데이터 리니지

데이터 리니지는 조직 전체의 데이터 흐름을 추적합니다. 타임스탬프가 지정된 데이터 리니지는 데이터의 출처, 사용 방법, 변환 시기와 방법을 결정하는 데 사용됩니다. 이 데이터 관리 프로세스는 감사 프로세스에서 특히 중요합니다.

데이터 카탈로그

데이터 카탈로그는 조직의 데이터 자산 및 관련 메타데이터의 모음입니다. 모든 데이터 관련 정보를 중앙 카탈로그에 저장하면, 이는 조직 내 기본 데이터 레지스트리가 됩니다. 사용자는 데이터 카탈로그에 모든 데이터 자산에 대한 최신 정보가 포함될 것으로 예상할 수 있습니다.

데이터 보안 및 액세스 제어

데이터 거버넌스는 데이터에 대한 무단 액세스를 방지하고 손상으로부터 데이터를 보호하는 데 도움이 됩니다. 데이터 보안 및 액세스 제어에는 다음과 같은 데이터 보호의 모든 측면이 포함됩니다.

• 우발적인 데이터 이동 또는 삭제 방지
• 네트워크 공격의 위험을 줄이기 위한 네트워크 액세스 보안
• 데이터를 저장하는 물리적 데이터 센터가 보안 요구 사항을 충족하는지 확인
• 직원이 개인 기기에서 데이터에 액세스하는 경우에도 데이터 보안 유지
• 사용자 인증, 권한 부여, 데이터에 대한 액세스 권한의 설정 및 적용
• 저장된 데이터가 해당 데이터가 저장된 국가의 법률을 준수하도록 지원
• 민감한 데이터를 위한 추가 제어 계층 추가

데이터 규정 준수

데이터 규정 준수 정책은 규제에 따른 벌금이나 조치의 위험을 줄입니다. GDPR 및 CCPA와 같은 규정 준수 법률을 준수하는 것은 운영에 필수적입니다.

규정 준수 활동은 모든 수준에서 법률을 준수할 수 있도록 데이터 모델링, 소프트웨어 제어 및 직원 교육에 중점을 둡니다. 예를 들어, 조직은 데이터 시스템을 개선하기 위해 외부 개발 팀과 협력합니다. 데이터 거버넌스 관리자는 테스트 목적으로 사용하기 위해 외부 팀에 전달하기 전에 모든 개인 데이터가 제거되었는지 확인합니다.

데이터 수명 주기 관리

데이터 수명 주기 관리란 전체 수명 주기 동안 데이터를 관리하는 프로세스를 말합니다. 

예를 들면 다음과 같습니다.

• 수집 시점 및 정기 간격으로 데이터 확인
• 감사 목적으로 데이터를 특정 기간 동안 보관
• 더 이상 필요하지 않은 데이터 삭제

데이터 품질 관리

데이터 사용자는 데이터가 각 사용 사례에 대해 충분히 신뢰할 수 있고 일관성이 있을 것으로 예상합니다.

데이터 품질 관리자는 조직의 데이터 품질을 측정하고 개선합니다. 기존 데이터와 새 데이터를 모두 검토하고 표준을 충족하는지 확인합니다. 또한 저품질 데이터가 시스템에 들어가는 것을 차단하는 데이터 관리 프로세스를 설정할 수도 있습니다. 데이터 품질 표준은 일반적으로 다음과 같은 요소를 확인합니다.

• 주요 정보가 누락되었나요, 아니면 데이터가 완전하나요?(예: 고객이 주요 연락처 정보를 누락함)
• 데이터가 기본 데이터 검사 규칙을 충족하나요? (예를 들어, 전화번호는 특정 자릿수여야 함)
• 시스템에 동일한 데이터가 얼마나 자주 표시되나요?(예: 동일한 고객의 중복 데이터 항목)
• 데이터가 정확한가요?(예: 고객이 잘못된 이메일 주소를 입력함)
• 데이터 품질이 시스템 전반에 걸쳐 일관성이 있나요?(예를 들어, 생년월일이 한 데이터세트에서는 dd/mm/yyyy 형식이지만 다른 데이터세트에서는 mm/dd/yyyy 형식임)

데이터 배포

데이터 배포를 위한 엔드포인트

대부분의 조직에서 데이터는 데이터가 필요한 다양한 엔드포인트 또는 그와 가까운 위치에 배포되어야 합니다. 여기에는 운영 시스템, 데이터 레이크 및 데이터 웨어하우스가 포함됩니다. 네트워크 지연 시간 때문에 데이터 배포는 필수적입니다. 운영 용도로 데이터가 필요한 경우 네트워크 지연 시간으로 인해 이를 신속하게 전달하기에 충분하지 않을 수 있습니다. 로컬 데이터베이스에 데이터 사본을 저장하면 네트워크 지연 문제가 해결됩니다.

데이터 통합에도 데이터 배포가 필요합니다. 데이터 웨어하우스와 데이터 레이크는 다양한 소스의 데이터를 가져와 통합된 정보 보기를 제공합니다. 데이터 웨어하우스는 분석 및 의사 결정에 사용되는 반면, 데이터 레이크는 다양한 사용 사례에 대해 데이터를 추출할 수 있는 통합 허브 역할을 하며, 그 안에 저장된 데이터의 직접적인 분석에 대한 지원 또한 점진적으로 증가하고 있습니다.

데이터 복제 메커니즘 및 일관성에 미치는 영향

데이터 배포 메커니즘은 데이터 일관성에 잠재적인 영향을 미치며 이는 데이터 관리에서 중요한 고려 사항입니다.

강력한 일관성은 데이터의 동기식 복제에서 비롯됩니다. 이 접근 방식에서는 데이터 값이 변경되면 모든 애플리케이션과 사용자가 변경된 데이터 값을 확인할 수 있습니다. 새 데이터 값이 아직 복제되지 않은 경우 모든 사본이 업데이트될 때까지 데이터에 대한 액세스가 차단됩니다. 동기식 복제는 성능과 데이터 액세스보다 일관성을 우선시합니다. 동기식 복제는 재무 데이터에 자주 사용됩니다.

최종 일관성은 데이터의 비동기식 복제에서 비롯됩니다. 데이터가 변경되면 사본은 최종적으로 업데이트되지만(보통 몇 초 내) 오래된 사본에 대한 액세스는 차단되지 않습니다. 대부분의 사용 사례에서 이는 문제가 되지 않습니다. 예를 들어, 소셜 미디어 게시물, 좋아요 및 댓글에는 강력한 일관성이 필요하지 않습니다. 또 다른 예로, 고객이 한 애플리케이션에서 전화번호를 변경하는 경우 이 변경 사항은 비동기식으로 연쇄 적용될 수 있습니다.

스트리밍과 배치 업데이트 비교

데이터 스트림은 데이터 변경 사항이 발생할 때 연쇄적으로 적용합니다. 이는 거의 실시간 데이터에 대한 액세스가 필요한 경우 선호되는 접근 방식입니다. 데이터는 변경되는 즉시 추출 및 변환되고 대상으로 전달됩니다.

배치 업데이트는 데이터를 전달하기 전에 배치로 처리해야 하는 경우에 더 적합합니다. 예를 들어, 데이터를 요약하거나 통계 분석을 수행하고 결과만 전달합니다. 배치 업데이트는 모든 데이터가 특정 시점에 추출되는 경우 데이터의 특정 시점 내부 일관성을 유지할 수도 있습니다. 추출, 변환, 로드(ETL 또는 ELT) 프로세스를 통한 배치 업데이트는 일반적으로 데이터 레이크, 데이터 웨어하우징 및 분석에 사용됩니다.

마스터 데이터 관리

마스터 데이터 관리는 필수 비즈니스 데이터의 일관성과 동기화를 관리하는 프로세스입니다. 마스터 데이터의 예로는 고객 데이터, 파트너 데이터, 제품 데이터 등이 있습니다. 이러한 기본 데이터는 대체로 영구적이며 자주 변경되지 않습니다. 이러한 데이터를 사용하는 예로는 고객 관계 관리(CRM), 전사적 자원 관리(ERP) 소프트웨어가 있습니다.

마스터 데이터 관리는 업데이트 시 동기화 및 데이터 통합을 포함하여 시스템 전반에서 해당 데이터가 정확한지 확인하는 데 필수적입니다.

빅 데이터는 조직이 단기간에 고속으로 수집하는 대량의 데이터입니다. 소셜 미디어의 비디오 뉴스 피드와 스마트 센서의 데이터 스트림이 빅 데이터의 예시입니다. 운영의 규모, 다양성, 복잡성은 모두 빅 데이터 관리에 어려움을 야기합니다. 예를 들어, 빅 데이터 시스템은 다음과 같은 데이터를 저장합니다.

• 테이블 형식으로 잘 표현되는 정형 데이터
• 문서, 이미지, 비디오와 같은 비정형 데이터
• 앞의 두 유형을 결합하는 반정형 데이터

빅 데이터 관리 도구는 분석을 위해 데이터를 처리하고 준비해야 합니다. 빅 데이터에 필요한 도구와 기술은 일반적으로 데이터 통합, 데이터 스토리지 및 데이터 분석과 같은 기능을 수행합니다.

클라우드 데이터 관리(CDM)는 데이터를 저장, 처리 또는 전송 중일 때 클라우드에서 엔터프라이즈 데이터를 관리하는 것입니다. 기존 데이터 관리와 동일한 관행 중 상당수가 클라우드의 데이터 관리에도 적용됩니다.

클라우드 환경은 표준 온프레미스 환경과 다르기 때문에 데이터를 처리하는 방법도 약간 다릅니다. 클라우드 스토리지, 클라우드 컴퓨팅, 클라우드 네트워킹은 최신 클라우드 데이터 관리 서비스와 함께 작동하여 데이터 관리 기대치를 충족합니다.

클라우드 스토리지

클라우드 서비스 제공업체는 운영 데이터베이스, 데이터 레이크, 클라우드 데이터 웨어하우스와 같은 여러 제품 및 서비스에 걸쳐 데이터 스토리지를 제공합니다. 이러한 데이터 스토리지 솔루션은 클라우드 네이티브이고, 클라우드 인스턴스에서 실행되며, 모든 사용 사례에 맞는 가상화된 스토리지 구성을 제공합니다. 클라우드 스토리지 인스턴스는 데이터 표준을 충족하도록 구성해야 합니다.

클라우드 컴퓨팅

클라우드 컴퓨팅 인스턴스는 저장된 클라우드 데이터를 처리하도록 설계되었습니다. 또한 이러한 컴퓨팅 인스턴스는 트랜잭션 처리, 프로세스 자동화, 비즈니스 인텔리전스, 분석, 기계 학습 및 AI와 같이 각각 서로 약간 다른 유형의 워크로드에 대해 다양한 구성을 제공합니다. 클라우드 데이터 관리와 관련된 내부 규칙에 맞게 클라우드 컴퓨팅 인스턴스를 구성해야 합니다.

클라우드 네트워킹

가상 프라이빗 클라우드(VPC), 가상 프라이빗 네트워크(VPN)와 같은 클라우드 네트워킹 솔루션은 소프트웨어 기반 네트워크를 제공합니다. 클라우드 네트워킹은 리소스를 세분화하고 워크로드를 안전하게 분리하여 무단 액세스로부터의 보호를 보장함으로써 격리 기능을 제공합니다. 이러한 네트워크를 거치는 전송 중 데이터는 제품 제어 및 네트워크 보안 제품을 함께 사용하여 관리해야 합니다.

클라우드 데이터 관리 도구

각 클라우드 제공업체는 환경 전반에 걸쳐 클라우드 데이터 관리를 위한 다양한 솔루션을 제공합니다. 이러한 데이터 관리 기능에는 다음과 같은 요소가 포함될 수 있습니다.

• 데이터 레이크 및 데이터 웨어하우스와 같은 데이터 통합 서비스
• 규정 준수 관리와 같은 데이터 보안 서비스
• 유효한 고품질 데이터를 확인하기 위한 데이터 품질 서비스
• AI 및 기계 학습을 사용하여 민감한 데이터를 식별하는 데이터 인벤토리 솔루션

각 클라우드 데이터 관리 솔루션은 클라우드에서 제공되는 기본 데이터 저장, 처리 및 전송 서비스를 보완하도록 설계되었습니다.

공동 책임 모델

보안 및 규정 준수는 클라우드 서비스 제공업체와 고객 간의 공동 책임입니다. AWS에서는 이를 공동 책임 모델이라고 합니다. 

이 공동 모델은 클라우드 제공업체가 호스트 운영 체제 및 가상화 계층에서 서비스가 운영되는 시설의 물리적 보안에 이르기까지 구성 요소를 운영, 관리 및 제어하므로 고객의 운영 부담을 경감할 수 있습니다. 클라우드 데이터 관리 제공업체와 고객은 모델에 따른 데이터 관리 및 보안 의무를 이해해야 합니다.

예를 들어, 클라우드 제공업체는 고객의 클라우드 인스턴스를 지원하는 기본 인프라를 보호하기 위한 조치를 취해야 합니다. 클라우드 제공업체는 하드웨어가 패치되었고, 예상대로 작동하는지 확인합니다. 그런 다음 고객은 인스턴스에서 실행되는 운영 체제가 최신 상태인지 확인해야 합니다.

고객은 영역 및 데이터 백업 전반에 적절한 인스턴스 복제본이 있는지 확인해야 합니다. 이렇게 하면 데이터 일관성을 향상하고 재해 복구가 필요한 이벤트 발생 시 데이터를 검색할 수 있습니다.

일반적인 데이터 관리 문제는 다음과 같습니다.

규모 및 성능

조직에는 규모와 관계없이 효율적으로 작동하는 데이터 관리 소프트웨어가 필요합니다. 데이터의 기하급수적 증가에 따라 최대 응답 시간을 유지하려면 데이터 관리 인프라를 지속적으로 모니터링하고 재구성해야 합니다. 또는 데이터 볼륨 및 워크로드의 변화에 따라 용량을 자동으로 조정하는 서버리스 데이터 관리 소프트웨어를 사용해야 합니다.

요구 사항 변경

규정 준수 규제는 복잡하고 시간이 지나면서 바뀌게 됩니다. 마찬가지로 고객 요구 사항과 비즈니스 요구 사항도 빠르게 변합니다. 조직은 사용할 수 있는 데이터 관리 플랫폼에서 선택의 폭이 넓어지지만 IT 민첩성, 법률 준수 및 비용 절감을 위해 인프라 의사 결정을 지속적으로 평가해야 합니다.

직원 교육

어느 조직에서나 데이터 관리 프로세스를 시작하는 것은 어려울 수 있습니다. 엄청난 양의 데이터를 감당하기 어려울 수 있으며, 부서 간 정보 단절이 발생할 수도 있습니다. 새로운 데이터 관리 전략을 계획하고 직원이 새로운 시스템과 프로세스를 수용하도록 하려면 시간과 노력이 필요합니다.

데이터 관리 모범 사례는 성공적인 데이터 전략의 기초를 형성합니다. 강력한 데이터 기반을 구축하는 데 도움이 되는 일반적인 데이터 관리 원칙은 다음과 같습니다.

팀 협업

비즈니스 사용자와 기술 팀은 조직의 데이터 요구 사항을 충족할 수 있도록 협업해야 합니다.

자동화

성공적인 데이터 관리 전략은 대부분의 데이터 처리 및 준비 태스크에 자동화를 통합합니다. 데이터 변환 작업을 수동으로 수행하는 것은 지루할 뿐만 아니라 시스템에 오류를 유발할 수 있습니다. 매주 배치 작업 실행과 같은 제한된 수의 수동 태스크로도 시스템 병목 현상이 발생할 수 있습니다. 데이터 관리 소프트웨어는 더 빠르고 효율적인 조정을 지원할 수 있습니다.

클라우드 컴퓨팅

기업에는 광범위한 기능을 제공하는 최신 데이터 관리 솔루션이 필요합니다. 클라우드 솔루션은 성능 저하 없이 대규모로 데이터 관리의 모든 측면을 관리할 수 있습니다. 예를 들어, AWS는 단일 계정 내에서 데이터베이스, 데이터 레이크, 분석, 데이터 접근성, 데이터 거버넌스 및 보안과 같은 광범위한 기능을 제공합니다.

AWS는 현대적 클라우드 데이터 관리 전략을 수립하는 데 사용할 수 있는 글로벌 데이터 관리 플랫폼입니다. AWS 데이터베이스는 비즈니스와 고객을 위한 가치를 창출하는 생성형 AI 솔루션과 데이터 기반 애플리케이션을 구동하기 위한 고성능의 안전하고 신뢰할 수 있는 기반을 제공합니다. AWS 고성능 데이터베이스는 타사 대비 처리량이 3~5배 빠른 관계형 데이터베이스, 지연 시간이 마이크로초 단위인 목적별 데이터베이스, 처리 속도가 가장 빠르고 재현율이 가장 높은 내장형 벡터 데이터베이스 기능 등 모든 워크로드 또는 사용 사례를 지원합니다.

AWS는 필요에 따라 즉시 확장하여 용량을 관리할 필요가 없는 서버리스 옵션을 제공합니다. AWS 데이터베이스는 저장 시와 전송 시 암호화, 네트워크 격리, 인증, 이상 징후 해결, 엄격한 규정 준수를 통해 독보적인 보안을 제공합니다. 데이터가 AWS 리전 내 여러 가용 영역에 자동으로 복제되기 때문에 신뢰성이 매우 높습니다. 애플리케이션의 데이터 모델에 최적화된 15개 이상의 데이터베이스 엔진을 갖춘 AWS 완전관리형 데이터베이스는 획일적이고 부담스러운 데이터베이스 관리 작업을 줄여줍니다.

AWS는 모든 분석 워크로드를 위한 포괄적인 기능 세트를 제공합니다. 데이터 처리 및 SQL 분석부터 스트리밍, 검색, 비즈니스 인텔리전스까지, AWS는 거버넌스가 기본 제공되는 독보적인 가격 대비 성능과 확장성을 제공합니다. Amazon SageMaker를 사용하여 특정 워크로드에 최적화된 목적별 서비스를 선택하거나 데이터 및 AI 워크플로를 간소화하고 관리할 수 있습니다. 데이터 여정을 시작하든, 통합 경험을 원하든, AWS는 데이터로 비즈니스를 혁신하는 데 도움이 되는 적절한 분석 기능을 제공합니다.

최신 클라우드 데이터 인프라를 구축하는 데 도움이 될 수 있는 서비스는 다음과 같습니다.

Amazon DataZone은 AWS, 온프레미스 및 타사 소스에 걸쳐 저장된 데이터를 고객이 더 빠르고 쉽게 카탈로그화, 검색, 공유 및 관리할 수 있게 해주는 데이터 관리 서비스입니다.

AWS Glue는 더 저렴한 비용으로 더 간편하고 빠르게 데이터를 통합할 수 있는 서버리스 서비스입니다. 100여 개의 다양한 데이터 소스를 찾아서 연결하고, 중앙 집중식 데이터 카탈로그에서 데이터를 관리하며, 데이터를 데이터 레이크, 데이터 웨어하우스 및 레이크하우스에 로드하는 데이터 파이프라인을 시각적으로 생성, 실행, 모니터링할 수 있습니다.

Amazon Simple Storage Service(Amazon S3)는 업계 최고 수준의 확장성, 데이터 가용성, 보안 및 성능을 제공하는 객체 스토리지 서비스입니다. 규모, 업종과 관계없이 수백만 명의 고객이 데이터 레이크, 클라우드 네이티브 애플리케이션, 모바일 앱 등 거의 모든 사용 사례에서 모든 양의 데이터를 저장, 관리, 분석, 보호하고 있습니다.

AWS Lake Formation으로 분석 및 기계 학습을 위한 데이터를 중앙에서 관리, 보호 및 공유할 수 있습니다. AWS Lake Formation을 사용하면 세분화된 데이터 액세스 권한을 중앙에서 관리 및 조정하고 조직 내외에서 자신 있게 데이터를 공유할 수 있습니다.

Amazon Relational Database Service(Amazon RDS)는 총 소유 비용에 최적화되고 쉽게 관리할 수 있는 관계형 데이터베이스 서비스입니다.

Amazon Virtual Private Cloud(VPC)를 사용하면 논리적으로 격리된 가상 네트워크에서 AWS 리소스를 정의하고 시작할 수 있습니다.

지금 바로 AWS 계정을 만들어 AWS에서 클라우드 데이터 관리 솔루션의 구축을 시작하세요.