끊임없는 비즈니스 모멘텀 창출

열역학에 따르면 영구적인 운동은 불가능합니다. 그러나 비즈니스에 꼭 물리적 법칙이 적용되어야 할까요? 데이터를 적절하게 사용하면 영구적으로 지속되고 자체적으로 작동하는 비즈니스 모멘텀을 조직에 구축할 수 있습니다.

플라이휠을 사용해야 하는 이유

Jim Collins 덕분에 유명해진 플라이휠은 장기적인 비즈니스 모멘텀을 구축하기 위해 몇 가지 주요 이니셔티브가 상호간에 서로 밀어주고 끌어주도록 구성된 자체 강화 루프입니다. 1990년대 초반, Jeff Bezos는 Amazon 플라이휠을 사용하여 Amazon.com에 대한 초기 아이디어를 키워냈습니다. 이 플라이휠은 성장과 확장을 통해 더 많은 선택 사항과 저렴한 비용으로 고객 경험을 향상시키는 경제 엔진입니다.

성공적인 데이터 플라이휠 구축

데이터 플라이휠의 가장 독특한 특징 중 하나는 "한 가지"만으로 성능을 발휘할 수 없으므로 근본적인 기초 솔루션만 찾는 조직은 성공을 거두기 어렵다는 것입니다. 데이터 플라이휠은 함께 작동하는 많은 구성 요소를 통해 움직이며, 각 구성 요소가 개별적으로 작동하는 것보다 전체적으로 작동할 때 그 효과가 더 큽니다. 모든 단계에서 가장 관련성이 높은 기술과 절차를 구현하여 이러한 각 구성 요소를 개발하는 데 많은 시간을 투자하는 조직은 데이터 플라이휠을 통해 최대의 효과를 얻을 수 있습니다.

기존 데이터베이스 공급자

  • 높은 비용 부담

    레거시 데이터베이스는 비용 부담이 높고, 라이선스/유지보수/지원 관련 비용을 많이 지불해야 합니다.

  • 독점적

    혁신을 저해하는 독점적 데이터베이스 기능만 사용할 수 있으므로 혁신이 제한됩니다.

  • 종속적

    계약이 종속적이므로 필요하지 않은 것을 구매해야 할 수 있습니다.

  • 엄격한 라이선스

    복잡한 계약 라이선스로 인해 유연성이 제한되고 예기치 않은 비용이 추가됩니다.

  • 예기치 않은 감사

    빈번한 감사로 인해 계획되지 않은 배포 비용이 추가될 수 있습니다.

오픈 소스 데이터베이스로
이동하는 고객들

기존 상용 데이터베이스의 문제로 인해 고객이 빠르게 MySQL, PostgreSQL 및 MariaDB와 같은 오픈 소스로 이동하고 있습니다. 하지만 오픈 소스 데이터베이스의 간편성 및 비용 효율성과 함께 고급 사용 데이터베이스의 성능 및 가용성도 원하고 있습니다.

O’Reilly eBook에서
클라우드 기반 데이터베이스의
이점을 알아봅니다.

eBook 읽기 »

두 모델의 장점을 최대한 활용

AWS를 통해 오픈 소스의 비용 효율성과 간편성, 그리고 상용 데이터베이스의 성능과 가용성을 모두 얻을 수 있습니다. Amazon Aurora는 MySQL 및 PostgreSQL과 호환되고 상용 등급 솔루션의 1/10 비용에 표준 오픈 소스 데이터베이스보다 훨씬 더 빠른 성능을 제공하는 관계형 데이터베이스입니다. Amazon DynamoDB는 어떤 규모에서도 한 자릿수 밀리초의 성능을 제공하는 키-값 및 문서 데이터베이스입니다. Amazon Redshift는 가장 빠르고 가장 비용 효율적인 클라우드 데이터 웨어하우스입니다.

데이터 및 워크로드를 클라우드로
이전한 고객 사례 알아보기

Dow Jones, 혁신을 위한
자금 확보

Dow Jones는 시장 데이터 플랫폼을 Microsoft SQL Servers에서 Amazon Aurora로 마이그레이션하여 비용을 50% 이상 절감했습니다.

Amazon,
데이터베이스의 해방 실현

Amazon은 약 7,500개의 Oracle 데이터베이스와 75PB의 데이터를 여러 AWS 데이터베이스 서비스로 마이그레이션하여 데이터베이스 비용을 60% 절감하고 고객이 사용하는 애플리케이션의 지연 시간을 40% 단축했습니다.

완전관리형 데이터베이스를 사용해야 하는 이유

데이터베이스 관리는 비즈니스에 큰 부담이 될 수 있습니다. 하드웨어 및 소프트웨어 설치 이외에 데이터베이스 패치, 백업, 데이터 복제 및 고가용성을 위한 복잡한 클러스터 구성, 번거로운 용량 계획, 컴퓨팅 및 스토리지를 위한 클러스터 확장 등을 고민해야 합니다.

Amazon RDS를 통한 성능 향상 및 시간 절약

많은 기업들이 오픈 소스 엔진(MySQL, PostgreSQL, Oracle Server, SQL Server 등)을 비롯하여 선택한 데이터베이스 엔진을 실행할 수 있는 완전관리형 솔루션인 Amazon Relational Database Service(RDS)로 마이그레이션하여 관리형 서비스로 전환하기 시작했습니다. Amazon RDS는 데이터베이스 확장 및 성능을 개선하고 하드웨어 프로비저닝, 데이터베이스 설정, 패치, 백업과 같은 시간 소모적인 관리 작업을 자동화합니다.

  • 관리 용이성

    하드웨어, OS, 데이터베이스 소프트웨어를 손쉽게 배포 및 유지 관리하세요. 내장된 모니터링 기능을 활용해 보세요.

  • 성능 및 확장성

    몇 번의 클릭으로 컴퓨팅 및 스토리지를 확장합니다.가동 정지 시간은 최소한으로 유지합니다.

  • 가용성 및 내구성

    다중 AZ 데이터 복제, 백업, 스냅샷 및 장애 조치를 자동화합니다.

  • 보안 및 규정 준수

    저장된 데이터와 전송 중인 데이터를 암호화하고 산업 규정 준수 및 보증 프로그램을 활용합니다.

모든 데이터베이스를 클라우드로 이동

훨씬 더 많은 이점을 얻으려면 관계형 데이터베이스와 비관계형 데이터베이스를 모두 클라우드의 완전관리형 서비스로 이동하세요.

이 eBook에서
레거시 데이터 아키텍처의 한계
를 극복하고 데이터를
최대한 활용할 수 있는 방법을 알아봅니다.

eBook 읽기 »

관계형 데이터베이스

비용 부담이 높은 Oracle 및 SQL Server 데이터베이스에서 Amazon Aurora로 마이그레이션하세요. 표준 MySQL 및 PostgreSQL에서 Amazon RDS로 마이그레이션하세요.

비 관계형 데이터베이스

문서 및 키-값 저장소는 Amazon DynamoDB로 이동하고, 문서 데이터베이스(예: MongoDB)는 Amazon DocumentDB로 이동하세요. 그리고 Cassandra 데이터베이스는 Amazon Keyspaces(Apache Cassandra용)로 이동하세요.

완전관리형 분석을 사용해야 하는 이유

데이터베이스 분석 서비스와 마찬가지로 AWS의 완전관리형 분석 서비스는 비용을 절감하고 더 많은 시간을 혁신에 투자할 수 있도록 해줍니다. 또한 동적 확장성, 신속한 처리, 손쉬운 시각화, 높은 가용성 및 복원성, 강력한 보안을 지원합니다.

  • Hadoop 및 Spark

    온프레미스 Hadoop 및 Spark 배포를 Amazon EMR로 이동하면 시간과 비용이 절약됩니다.

  • 운영 분석

    Elasticsearch, Logstash 및 Kibana(ELK) 온프레미스를 Amazon Elasticsearch Service로 이동하면 시간과 비용이 절약됩니다.

  • 실시간 분석

    Apache Kafka 배포를 Amazon Managed Streaming for Apache Kafka(MSK)로 이동할 수 있으며, Amazon Kinesis는 데이터 스트림을 준비하여 데이터 저장소 및 분석 도구로 로드한 후 분석하여 즉시 사용할 수 있습니다.

클라우드의 완전관리형 데이터베이스 및 분석 서비스로의
고객 이동 성공 사례 알아보기

거의 100%의 가동 시간을 달성한 FanDuel

FanDuel은 Amazon Aurora를 사용하여 주요 워크로드를 AWS로 이동하여 약 100%의 가동 시간을 실현했습니다.

Autodesk, 실시간 분석을 통해 새로운 인사이트 확보

Autodesk는 AWS를 통해 로그 데이터를 심층적으로 분석함으로써 문제를 빠르게 파악하고 해결할 수 있습니다.

기존 데이터 웨어하우징에서는 할 수 없는 것

기존 온프레미스 데이터 웨어하우징 전략으로는 현대 비즈니스의 요구 사항을 충족할 수 없습니다.

  • 확장 불가

    스토리지 및 컴퓨팅 용량이 한계에 도달할 때마다 더 크고 더 강력한 하드웨어를 구매하여 설치해야 합니다.

  • 너무 느림

    처리 및 분석하기 전에 데이터를 별도의 분석 시스템으로 이동해야 합니다. 이 과정이 너무 느려서 실시간 분석이 불가능합니다.

  • 비용 부담

    비용 부담이 높고, 독점적이고, 엄격한 라이선스 약관을 부과하는 기존 데이터베이스 공급자로부터 구매해야 합니다.

  • 낮은 유연성

    웹 사이트, 모바일 앱 및 인터넷 연결 디바이스에서 생성되는 새로운 데이터 형식을 적절히 수용할 수 없습니다.

  • 데이터 사일로화

    데이터 레이크 또는 Hadoop에 저장된 데이터를 통합하지 않습니다.

  • 복잡함

    운영 보고가 소규모 BI 전문가가 과거 데이터를 기반으로 실시한 분석으로 제한됩니다.

가장 인기가 많고 가장 빠른 클라우드 데이터 웨어하우스 알아보기

데이터의 가치를 최대한 활용할 수 있도록 Amazon Redshift를 통해 데이터 웨어하우스를 현대화하면 성능, 확장성 및 데이터 레이크와의 심층적 통합을 할 수 있습니다.

분석 기반 조직으로 전환해야 하는 이유와 최신 데이터 웨어하우스 및 데이터 레이크 솔루션이 분석 기반 조직으로 전환하는 데 얼마나 도움이 되는지 알아보세요.

eBook 읽기 »

  • 최고 인기

    수만 명의 고객이 Amazon Redshift를 사용합니다.

  • 통합성

    데이터 웨어하우스, 데이터 레이크 및 운영 데이터베이스 전반에서 페타바이트급 데이터 쿼리가 가능합니다.

  • 신속성

    Amazon Redshift는 다른 클라우드 데이터 웨어하우스보다 최대 3배 더 빠릅니다.

  • 가장 비용 효율적

    Amazon Redshift는 다른 클라우드 데이터 웨어하우스보다 최소 50% 저렴합니다.

현대적 데이터 웨어하우징 성공 사례 알아보기

Nielsen, AWS를 기반으로 클라우드 네이티브 데이터 보고 플랫폼 구축

AWS 데이터 레이크 솔루션으로 마이그레이션한 후, Nielsen의 측정 역량이 매일 4만 가구에서 3천만 가구 이상으로 늘어났습니다.

Equinox, 개인 맞춤형 고객 경험 제공

Equinox는 AWS를 통해 데이터 레이크로 이전하여 강력한 분석 및 유연한 데이터 스토리지를 지원합니다.

애플리케이션 설계 기준의 변경

현대적 애플리케이션의 등장으로 데이터베이스에 대한 새로운 요구 사항이 제기되고 있습니다. 오늘날의 앱은 데이터를 테라바이트에서 페타바이트 규모로 저장하고, 수백만 명의 동시 사용자를 지원하고, 지연 시간이 밀리초 및 마이크로초 이하인 성능을 제공하는 데이터베이스가 필요합니다.

오늘날의 애플리케이션 요구 사항

  • 사용자: 100만 명 이상
  • 데이터 볼륨: TB–PB–EB
  • 지역: 전 세계
  • 성능: 밀리초~마이크로초
  • 요청 속도: 초당 수백만
  • 액세스: 웹, 모바일, IoT, 디바이스
  • 확장성: 확장/축소, 출력/입력
  • 경제성: 실제 사용한 만큼 지불
  • 개발자 액세스: 즉각적인 API 액세스

모든 데이터 저장 및 유지

  • 전략 변경

    모든 상황을 전부 처리하는 데이터베이스를 사용하려는 접근 방식은 더 이상 충분하지 않습니다.

  • 복잡한 앱 세분화

    적절한 아키텍처와 확장성을 보장하려면 모든 애플리케이션 구성 요소를 검사해야 합니다.

  • 고도로 분산된 애플리케이션 구축

    복잡한 애플리케이션을 마이크로서비스로 세분화합니다.

워크로드에 가장 적합한 데이터베이스는 무엇인가요?

작업에 가장 적합한 도구는 일반적으로 사용 사례에 따라 다릅니다. 개발자들이 다양한 용도로 특별히 구축된 데이터베이스를 사용하여 고도로 분산된 애플리케이션을 구축해야 하는 이유가 여기에 있습니다.

아래에서 가장 일반적인 애플리케이션 워크로드의 장점과 사용 사례를 살펴보세요.

더 자세한 정보가 필요하신가요? 적절한 데이터베이스를 찾는 데 도움이 되는 소개 안내서를 다운로드하세요.

시작하기 »

관계형 데이터베이스 관리 시스템(RDBMS)에서 데이터는 테이블 형식의 열과 행으로 저장되며 SQL(Structured Query Language)을 사용하여 쿼리됩니다. 테이블의 각 열은 속성을 나타내고 테이블의 각 행은 레코드를 나타내고 테이블의 각 필드는 데이터 값을 나타냅니다. 관계형 데이터베이스는 1) 기본 스키마를 몰라도 SQL을 배우고 사용하기 쉽고 2) 전체 본문을 지정하지 않고 데이터베이스 항목을 수정할 수 있기 때문에 널리 사용됩니다.

장점

  • 정형 데이터에 매우 적합

  • ACID 트랜잭션 및 복잡한 조인 지원

  • 데이터 무결성 기본 제공

  • 데이터 정확성 및 일관성

  • 무제한 인덱싱

사용 사례

  • ERP

  • CRM

  • 재무

  • 트랜잭션

  • 데이터 웨어하우징

키-값 데이터베이스는 간단한 키-값 방법을 사용하여 키가 고유 식별자 역할을 하는 키-값 페어 모음으로 데이터를 저장합니다. 키와 값은 단순한 객체에서 복잡한 복합 객체에 이르기까지 다양합니다. 증가하거나 예측할 수 없는 워크로드를 충족시키기 위해 즉각적인 확장이 필요한 애플리케이션에 적합합니다.

장점

  • 간단한 데이터 형식으로 쓰기 및 읽기 속도 향상

  • JSON, 유연한 스키마 등, 모든 종류의 값 사용 가능

사용 사례

  • 실시간 입찰

  • 장바구니

  • 제품 카탈로그

  • 고객 선호도

문서 데이터베이스에서 데이터는 JSON과 유사한 문서에 저장되며 JSON 문서는 데이터베이스 내에서 최고 수준의 객체입니다. 문서는 데이터 유형이나 값이 아닙니다. 문서는 데이터베이스의 핵심 설계 포인트입니다. 이러한 데이터베이스는 개발자가 데이터를 더 쉽게 저장하고 쿼리할 수 있도록 개발자가 애플리케이션 코드에서 사용하는 것과 동일한 문서 모델 형식을 사용합니다.

장점

  • 유연성, 반정형, 계층적

  • 데이터베이스가 애플리케이션 요구에 따라 진화

  • 쉬운 계층적 및 반정형 데이터 표현

  • 빠른 쿼리를 위한 강력한 인덱싱

  • 문서가 객체 지향 프로그래밍에 자연스럽게 매핑됨

  • 영구 계층으로의 보다 쉬운 데이터 흐름

  • 문서용으로 작성된 쿼리 표현 언어

  • 문서 전체에서 애드혹 쿼리 및 집계

사용 사례

  • 카탈로그

  • 콘텐츠 관리 시스템

  • 사용자 프로필/개인화

  • 모바일 앱

실시간 애플리케이션의 증가로 데이터에 빠르게 액세스할 수 있는 인 메모리 데이터베이스의 인기가 상승하고 있습니다. 인 메모리 데이터베이스는 주로 데이터 스토리지, 관리 및 조작을 위해 기본 메모리를 사용합니다. 인 메모리는 메모리 캐싱을 위한 오픈 소스 소프트웨어로 대중화되었으며, 외부 데이터 원본을 쿼리해야 하는 횟수를 줄이기 위해 데이터를 캐싱하여 동적 데이터베이스 속도를 높일 수 있습니다.

장점

  • 밀리초 미만의 지연 시간

  • 초당 수백만 개의 작업 수행 가능

  • 디스크를 사용하는 경우보다 3~4배 이상의 성능 향상

  • 간단한 명령 세트

  • 풍부한 명령 세트 지원

  • 모든 유형의 데이터베이스(관계형 또는 비관계형) 또는 스토리지 서비스에 적합

사용 사례

  • 캐싱(사용 사례의 50% 이상에서 캐싱 중)

  • 세션 스토어

  • 리더보드

  • 지리 공간 앱(예: 차량 공유 서비스)

  • 게시/구독

  • 실시간 분석

그래프 데이터베이스는 의미 체계 쿼리에 그래프 구조를 사용하는 NoSQL 데이터베이스입니다. 그래프는 기본적으로 인덱스 데이터 구조입니다. 주어진 쿼리와 관련 없는 데이터를 로드하거나 작업할 필요가 없습니다. 그래프 데이터베이스에서 데이터는 노드, 엣지 및 속성의 형태로 저장됩니다.

장점

  • 빈번한 스키마 변경 기능

  • 방대한 양의 데이터 관리 가능

  • 실시간 쿼리 응답 시간

  • 크고 작은 관련 데이터 쿼리를 위한 탁월한 성능

  • 보다 지능적인 데이터 활성화 요구 사항 충족

  • 숨겨진 가정 없이 각 쿼리에 대한 명시적 의미

  • 유연한 온라인 스키마 환경

사용 사례

  • 부정 행위 탐지

  • 소셜 네트워킹

  • 추천 엔진

  • 지식 그래프

시계열 데이터베이스(TSDB)는 타임스탬프 또는 시계열 데이터에 최적화되어 있습니다. 시계열 데이터는 일반적으로 시간 순서 형식으로 도착하고, 데이터 추가만 가능하며, 쿼리가 항상 시간 간격을 두고 발생한다는 점에서 다른 데이터 워크로드와는 매우 다릅니다.

장점

  • 시간의 흐름에 따라 추적, 모니터링, 집계되는 측정이나 이벤트에 적합

  • 시계열 데이터를 빠르게 축적하기 위한 높은 확장성

  • 데이터 보존 정책, 연속적인 쿼리, 유연한 시간 집계와 같은 많은 기능을 위한 강력한 사용성

사용 사례:

  • DevOps

  • 애플리케이션 모니터링

  • 산업용 원격 측정

  • IoT 애플리케이션

원장 데이터베이스는 투명하고 변경 불가능하고 암호화 방식으로 검증 가능한 트랜잭션 로그를 제공하며 중앙의 신뢰할 수 있는 기관이 소유합니다. 많은 조직은 애플리케이션 데이터의 정확한 내역을 유지하기 위해 원장과 유사한 기능을 가진 애플리케이션을 구축합니다.

장점

  • 애플리케이션 데이터의 정확한 내역 유지

  • 변경 불가능하고 투명함

  • 암호화 방식으로 검증 가능

  • 뛰어난 확장성

사용 사례:

  • 재무 - 대변 및 차변과 같은 원장 데이터 추적

  • 제조 - 공급망 시스템 간에 데이터를 조정하여 전체 제조 내역 추적

  • 보험 - 클레임 거래 내역 추적

  • HR 및 급여 - 직원 세부 정보 기록 추적 및 유지

와이드 컬럼 데이터베이스는 테이블 형식의 영구적인 다차원 희소 행렬 매핑을 사용하는 NoSQL 데이터베이스입니다. 최대 PB 이상의 대규모 수집 데이터를 저장할 수 있습니다. 관계형 데이터베이스와 마찬가지로 와이드 컬럼 데이터베이스도 테이블, 행 및 열을 사용합니다. 하지만 관계형 데이터베이스와 달리 동일한 테이블에서 열의 이름과 형식이 행마다 다를 수 있습니다.

장점

  • 대용량 데이터에 유용

  • 매우 빠른 쓰기 속도

  • 복잡한 쿼리를 빠르게 반환

  • 손쉬운 데이터 압축, 공간 및 비용 절약

  • 기존 시스템과의 원활한 통합

사용 사례:

  • 다음 용도의 대규모 산업 애플리케이션:

    • 장비 관리
    • 플릿 관리
    • 경로 최적화
  • 데이터 로그

  • 지리적 데이터

클라우드 데이터베이스 성공 사례 알아보기

클라우드를 통한 Airbnb 여행

Airbnb는 주요 MySQL 데이터베이스를 클라우드로 이동하여 유연성과 응답성을 향상시켰습니다.

데이터베이스를 능숙하게 활용하는 Duolingo

Duolingo에서는 3,100만 항목 클라우드 데이터베이스에서 초당 24,000건의 읽기를 처리합니다.

기하급수적으로 증가하는 데이터

데이터는 다루기가 어렵습니다. 데이터가 기하급수적으로 증가하고, 새로운 소스가 생겨나고, 더 다양해지고, 점점 더 처리하기 어려워지고 있습니다. 이 모든 것을 고려할 때 경쟁력을 유지하기에 충분한 속도로 데이터를 캡처, 저장, 분석하려면 어떻게 해야 할까요?

데이터를 효율적으로 저장, 분석, 활용하는 방법을 알아보세요.

eBook 읽기 »

데이터 레이크를 통한 데이터 활용

데이터 레이크 아키텍처는 데이터 웨어하우징과 고급 분석(기계 학습 기반 솔루션 포함)을 결합하여 데이터로부터 더 많은 가치를 창출할 수 있도록 도와줍니다. 데이터 레이크를 사용하면 중앙 집중식 단일 리포지토리에서 데이터를 수집하여 저장할 수 있습니다. 따라서 최적의 확장성, 유연성, 내구성 및 가용성을 제공합니다. 무엇보다 데이터 레이크는 모든 데이터를 빠르게 분석하고 해당 데이터로부터 인사이트를 얻는 데 걸리는 시간을 줄여줍니다.

까다로운 보안 데이터 레이크 구축 절차

최적의 생산성을 제공하는 데이터 레이크를 수동으로 생성하여 구현하려면 수 개월 동안 번거롭고 복잡한 작업을 수행해야 합니다. 대용량 데이터를 처리하고, 다양한 소스에서 데이터를 수집하여 구성하고, 데이터를 정리하여 사용할 준비를 하고, 복잡한 보안 정책을 구성하여 적용하고, 데이터를 손쉽게 찾을 수 있도록 스토리지를 설정해야 합니다. 다행히도 빠르고 쉬운 솔루션이 있습니다.

차별화된 AWS의 데이터 레이크

AWS Lake Formation은 레이크 생성 프로세스를 간소화하고 많은 단계를 자동화하여 보안 데이터 레이크를 겨우 며칠 만에 설정할 수 있도록 지원합니다.

  • 빠른 설치

    데이터 이동, 저장, 카탈로그 작성 및 정리를 가속화하고 자동화합니다.

  • 광범위한 보안

    여러 서비스에 대해 보안 정책을 적용합니다.

  • 향상된 인사이트

    분석가와 데이터 사이언티스트가 새로운 인사이트를 얻고 관리할 수 있도록 지원합니다.

다양한 유형의 분석을 지원하는 데이터 레이크

회귀 분석 및 보고에서 실시간 처리, 예측 분석에 이르기까지 데이터 레이크는 여러 분야에 매우 적합합니다.

  • 운영 및 로그 분석

  • 데이터 웨어하우징

  • 빅 데이터 처리

  • 스트리밍 및 실시간 분석

  • 예측 분석

최종 사용자가 데이터를 보고 시각화할 수 있도록 지원

조직을 위한 대화식 대시보드를 구축 중이든 애플리케이션 또는 웹 사이트에 분석을 포함하든 상관없이 최종 사용자에게 손쉽게 인사이트를 제공합니다. Amazon QuickSight는 ML Insights를 포함하는 빠른 클라우드 기반 비즈니스 인텔리전스 서비스입니다. QuickSight를 사용하면 서버 또는 인프라 용량을 관리할 필요가 없습니다. QuickSight의 서버리스 아키텍처를 사용하면 수만 명의 사용자로 손쉽게 확장할 수 있고, 유연한 세션별 지불 요금 옵션을 선택하여 사용한 만큼만 비용을 지불하면 됩니다.

Amazon QuickSight 개요(2:01)

기계 학습을 통해 향상된 인사이트 얻기

기계 학습의 잠재 능력은 아직 모두 드러나지 않았고 이제 막 티핑 포인트에 들어선 단계입니다. 클라우드를 통해 모든 규모의 기업에서 기계 학습을 이용할 수 있게 되었습니다.

모두를 위한 기계 학습

가장 광범위하고 심도 있는 기계 학습 기능을 갖춘 AWS를 이용하면 모든 기술 수준의 개발자와 데이터 과학자가 사전 경험이 전혀 없더라도 정교한 모델을 구축할 수 있습니다. 오늘날 수만 개 기업에서 AWS를 사용하여 강력하고 정확한 예측 및 분석을 수행하고 있으며 시간이 지날수록 점점 더 스마트한 인사이트를 제공합니다.

  • 가장 광범위하고 심도 있는 기능

    컴퓨터 비전, 언어, 권장 사항, 예측 등 정교한 AI 기반 애플리케이션을 손쉽게 빌드합니다.

  • 기계 학습의 사전 경험 필요 없음

    Amazon SageMaker는 각 기계 학습 프로세스 단계의 부담을 덜어 주어 모델을 손쉽게 구축, 훈련, 조정, 배포할 수 있도록 해줍니다.

  • 높은 신뢰성

    기계 학습에 최적화된 가장 정교한 클라우드 플랫폼인 AWS를 기반으로 구축되므로 안심하고 사용할 수 있습니다.

실제 고객이 구현한 분석 사용 사례 알아보기

INVISTA, AWS를 통해 빠르게 혁신

INVISTA는 AWS 데이터 레이크를 통해 데이터 검색 시간을 몇 개월에서 몇 분으로 단축하고 더 많은 사용자가 데이터에 액세스할 수 있도록 했습니다.

Zappos, 획기적인 고객 경험 창출

Zappos는 AWS 분석 및 기계 학습 서비스를 사용하여 고객 참여를 유도하고 반품을 줄이는 맞춤형 경험을 제공합니다.

Woot, 운영 비용 90% 절감

"Amazon QuickSight를 사용하면 SQL에 대한 지식이 없어도 누구나 끌어서 놓기를 사용하여 그래프와 기타 시각화를 만들 수 있습니다."

레거시 데이터베이스를 벗어날 준비가 되셨나요?
AWS의 데이터베이스에 대해 자세히 알아보세요.

AWS 관리형
데이터베이스 및 분석 서비스를 시작할 준비가 되셨나요?

Amazon Redshift를 통해 현대화를 진행할 준비가 되셨나요?

AWS로 특별히 구축한 데이터베이스를 구현할 준비가 되셨나요?

데이터 레이크
및 기계 학습을 통해 향상된 인사이트를 얻을 준비가 되셨나요?