2025년 상위 50개 이상의 데이터웨어하우스 면접 질문과 답변
데이비드 카터
데이터웨어하우스 면접을 준비하고 계신가요? 이제 지식을 갈고닦고 앞으로 닥칠 어려운 과제를 예측할 때입니다. 적절한 데이터웨어하우스 면접 질문을 통해 지원자가 개념을 실제 비즈니스 요구 사항과 얼마나 잘 연결하는지 확인할 수 있습니다.
이 분야의 기회는 무궁무진하며, 기술 전문성, 도메인 전문성, 그리고 실무 경험이 매우 중요하게 여겨지는 산업 전반에 걸쳐 있습니다. 적절한 역량을 갖춘다면 신입, 중간 관리자, 고위 관리자 등 모든 직급의 전문가들은 분석, 기술 전문성, 그리고 실질적인 질문과 답변을 활용하여 면접에서 좋은 성적을 거두고, 경력을 강화하며, 구술 면접 및 시나리오 기반 평가를 통해 고급, 표준, 그리고 기본 지식을 입증함으로써 신뢰를 얻을 수 있습니다.
이 가이드의 신뢰성을 확보하기 위해 60명 이상의 기술 리더들의 통찰력, 45명의 관리자들의 피드백, 그리고 해당 분야에서 활동하는 100명 이상의 전문가들이 공유하는 지식을 참고했습니다. 이러한 폭넓은 내용을 바탕으로 다재다능하고 신뢰할 수 있으며 실용적인 기반을 제공합니다.
최고의 데이터웨어하우스 면접 질문과 답변
1) 데이터웨어하우스란 무엇이고 왜 중요한가요?
데이터웨어하우스는 여러 이기종 소스에서 수집된 통합된 과거 데이터를 저장하는 중앙 집중식 시스템입니다. 데이터웨어하우스의 주요 역할은 일관되고 정제되었으며 쿼리에 최적화된 데이터 세트를 제공하여 의사 결정, 분석 및 보고를 지원하는 것입니다. 일상적인 트랜잭션을 위해 설계된 운영 데이터베이스와 달리, 데이터웨어하우스는 방대한 양의 과거 정보를 검색해야 하는 분석 쿼리를 위해 구조화됩니다.
예: 한 소매업체는 데이터웨어하우스를 활용하여 매장, 온라인 플랫폼, 고객 로열티 프로그램의 판매 데이터를 통합합니다. 이를 통해 분석가는 계절별 구매 추세를 파악하고, 재고 관리를 개선하며, 프로모션을 개인화할 수 있습니다. 데이터웨어하우스의 중요성은 분산된 데이터를 통합하고, 불일치를 해소하며, 경영진에게 "단일한 버전의 진실"을 제공하는 능력에 있습니다.
👉 무료 PDF 다운로드: 데이터웨어하우스 면접 질문 및 답변
2) 데이터웨어하우스는 데이터베이스와 어떻게 다릅니까?
둘 다 데이터를 저장하지만, 데이터베이스는 운영 효율성에 중점을 두는 반면, 데이터 웨어하우스는 분석 성능을 강조합니다.
| 아래 | 데이터베이스 | 데이터웨어 하우스 |
|---|---|---|
| 처리 | OLTP(온라인 거래 처리) | OLAP(온라인 분석 처리) |
| 데이터 범위 | 현재 실시간 거래 | 과거, 집계, 통합 데이터 |
| 쿼리 유형 | 짧고 반복적인 업데이트 | 복잡한 분석 쿼리 |
| 예시 | 은행 시스템 원장 | 은행 전체 수익성 분석 |
슬립폼 공법 선택시 고려사항 데이터베이스는 일상적인 비즈니스 프로세스(예: 주문 입력 시스템)를 지원하는 반면, 창고는 수년간의 데이터를 통합하여 전략적 질문(예: "지난 5년 동안 어느 지역에서 가장 높은 매출 성장률이 나타났는가?")에 답합니다.
3) 예를 들어 ETL 수명 주기를 설명하세요.
ETL 라이프사이클은 데이터를 웨어하우스에 안정적으로 통합하는 것을 보장합니다.
- 추출 ERP 시스템, API, 로그 파일 등 다양한 소스에서 데이터가 검색됩니다.
- 변환: 데이터는 정리, 표준화, 집계되고 비즈니스 규칙에 따라 검증됩니다.
- 하중: 처리된 데이터는 창고에 입력되며, 종종 밤이나 증분 로드로 예약됩니다.
예: 한 항공사는 항공권 예약 데이터를 추출하고, 승객 이름을 표준화된 형식으로 변환하고, 국제 판매에 환율 변환을 적용하고, 그 결과를 중앙 데이터센터에 저장합니다. 이를 통해 분석가는 노선 수익성을 측정하고 수요를 예측할 수 있습니다.
ETL 라이프사이클은 정확성을 유지하고 신뢰할 수 있고 일관된 정보를 기반으로 분석 통찰력을 구축하는 데 매우 중요합니다.
4) 데이터웨어하우스를 사용하는 것의 주요 이점과 단점은 무엇입니까?
이점:
- 비즈니스 인텔리전스에 대한 단일 진실 소스를 제공합니다.
- 대규모 데이터 세트에 대한 과거 및 추세 분석이 가능합니다.
- 정제 및 변환 프로세스를 통해 데이터 품질을 개선합니다.
- 거버넌스 및 규제 표준 준수를 용이하게 합니다.
단점 :
- 인프라, 설계, 유지관리 비용이 높습니다.
- 스트리밍 시스템에 비해 실시간 지원이 제한적입니다.
- 설정 및 최적화에는 전문적인 기술이 필요합니다.
예: 제약 회사는 수년간의 임상 시험 결과를 분석하여 창고를 활용하면 이익을 얻을 수 있지만, 규정 준수를 위해 보관하는 데 비용이 많이 든다는 단점이 있습니다.
5) 어떤 유형의 데이터 웨어하우징 아키텍처가 존재합니까?
널리 알려진 건축적 접근 방식은 세 가지가 있습니다.
- 기본 창고: 일반적으로 소규모 조직에서 사용되는 모든 통합 데이터를 보관하는 중앙 저장소입니다.
- Kimball의 데이터 마트 버스(하향식): 각각 비즈니스 기능을 제공하는 여러 데이터 마트는 규정된 차원을 통해 연결됩니다.
- 인몬의 기업 창고(상향식): 부서별 마트에 데이터를 공급하는 정규화된 기업 전체 저장소입니다.
예: 은행은 기업 전체의 단일 소스를 위해 Inmon 접근 방식을 구현할 수 있는 반면, 전자 상거래 회사는 유연성과 빠른 배포를 위해 Kimball을 선호할 수 있습니다.
6) OLTP는 OLAP과 어떻게 다릅니까?
| 요인 | OLTP | 올랩 |
|---|---|---|
| 목표 | 사업 거래 관리 | 분석 및 의사 결정 지원 |
| 데이터 양 | 더 작고 실시간 | 대규모의 역사적 데이터 세트 |
| 행정부 | 삽입, 업데이트, 삭제 | 집계, 슬라이스, 다이스, 드릴다운 |
| 예시 | 온라인 티켓 예약 | 연도별, 지역별 티켓 판매량 분석 |
슬립폼 공법 선택시 고려사항 OLTP는 일상적인 비즈니스 운영의 효율성과 무결성을 보장하는 반면, OLAP는 기업이 과거 데이터에 대한 심층적인 분석 쿼리를 수행할 수 있도록 지원합니다. 두 시스템은 상호 보완적입니다.
7) 스타 스키마란 무엇인가요?
스타 스키마는 중앙 팩트 테이블이 여러 차원 테이블에 연결되는 간단하면서도 강력한 웨어하우스 스키마입니다. 비정규화된 구조는 쿼리 성능을 향상시켜 비즈니스 인텔리전스 시스템에서 가장 널리 채택되는 디자인입니다.
예: 소매 창고에서:
- 사실표: 매출 및 할인율 등의 지표를 활용한 판매 거래.
- 치수: 고객, 제품, 시간, 지리.
장점:
- 이해하고 질문하기 쉽습니다.
- 조인이 적어 성능이 높습니다.
- 간단한 BI 도구 통합을 지원합니다.
8) 스노우플레이크 스키마란 무엇이고, 스타 스키마와 어떻게 다른가요?
스노우플레이크 스키마는 차원 테이블을 여러 개의 관련 하위 테이블로 정규화하여 중복성을 줄이지만 복잡성을 증가시킵니다.
| 아래 | 스타 스키마 | 눈송이 스키마 |
|---|---|---|
| 표준화 | 비정규 화 | 정규화 |
| 쿼리 속도 | 빠른 | 더 느림(더 많은 조인) |
| 스토리지 | 더 높은 | 낮 춥니 다 |
| 복잡성 | 단순, 간단, 편리 | 더 복잡한 |
예: 눈송이 스키마에서 "제품" 차원은 제품 → 범주 → 부서로 분할될 수 있습니다. 저장 효율성은 높지만, 스타 스키마에 비해 쿼리 시간이 증가할 수 있습니다.
9) 갤럭시(사실 Ca 위상) 스키마를 설명해 주시겠습니까?
팩트 별자리라고도 하는 갤럭시 스키마는 공통 차원 테이블을 공유하는 여러 팩트 테이블을 포함합니다. 여러 비즈니스 프로세스를 동시에 분석하는 조직에 적합합니다.
예: 통신 회사는 두 개의 팩트 테이블을 유지 관리합니다.
- 사실 1 : 통화 기록(통화 시간, 요금)
- 사실 2 : Bill레코드(송장, 지불). 둘 다 고객, 시간, 지역과 같은 공유 차원에 연결됩니다.
장점:
- 복잡한 비즈니스 프로세스를 포착합니다.
- Promo공유 차원의 재사용성 테스트.
- 다양한 주제에 대한 분석(예: 사용량 + 수익 추세)을 지원합니다.
10) 팩트 테이블이란 무엇이고, 어떤 유형이 있나요?
팩트 테이블은 비즈니스 프로세스의 정량적 측정값을 포함합니다. 스키마의 중심 테이블 역할을 하며 일반적으로 차원과 연결되는 키를 포함합니다.
사실의 종류:
- 첨가 정보: 모든 차원(예: 판매 금액)에서 합산 가능합니다.
- 반첨가적 사실: 일부 차원(예: 계정 잔액)에서는 합산이 가능하지만 모든 차원(예: 계정 잔액)에서는 합산이 불가능합니다.
- 비첨가성 사실: 합산이 불가능하여 특별한 처리가 필요합니다(예: 비율, 백분율).
예: 금융 서비스 창고는 사실 표에 이자율(비가산)과 함께 대출 지급 금액(가산)을 저장할 수 있습니다.
11) 차원표란 무엇인가요?
차원 테이블은 팩트 테이블에 저장된 팩트에 대한 설명적 맥락을 제공합니다. 수치적 측정값 대신 이름, 범주 또는 지리적 세부 정보와 같은 속성을 포함합니다. 이러한 속성을 통해 사용자는 팩트를 세분화하고 분석하여 의미 있는 분석을 수행할 수 있습니다.
예: "고객" 차원에는 이름, 나이, 성별, 도시, 충성도 등이 포함될 수 있습니다. 분석가는 고객 위치 또는 연령대별로 수익을 필터링할 수 있습니다.
형질:
- 일반적으로 사실표보다 작습니다.
- 텍스트적이고 낮은 카디널리티 속성을 포함합니다.
- 계층적 분석을 활성화합니다(예: 국가 → 주 → 도시).
차원 테이블은 분석 쿼리에서 "누구, 무엇, 어디, 언제"라는 맥락을 제공하는 데 중요합니다.
12) 느리게 변화하는 차원(SCD)은 어떻게 작동합니까?
Slowly Changing Dimensions는 시간 경과에 따른 속성 값의 변화를 처리하여 과거 정확성을 보장합니다.
유형 :
- SCD 유형 1: 기록이 없는 기존 값을 덮어씁니다.
- SCD 유형 2: 타임스탬프나 서로게이트 키를 사용하여 각 변경 사항에 대한 새 행을 추가합니다.
- SCD 유형 3: 새 값과 함께 이전 값에 대한 열을 추가합니다.
- 하이브리드 SCD: 속성의 중요도에 따라 다양한 접근 방식을 혼합합니다.
예: 고객이 도시를 옮기는 경우:
- 유형 1: 오래된 도시가 새로운 도시로 대체됨.
- 유형 2: 기존 행을 유지하면서 새 도시에 대한 새 행이 생성됩니다.
- 유형 3: "이전 도시" 열이 추가되었습니다.
이를 통해 창고는 정확한 보고를 위해 현재 및 과거 보기를 모두 보존할 수 있습니다.
13) 스노우플레이크 스키마와 비교했을 때 스타 스키마의 장단점을 설명하세요.
| 요인 | 스타 스키마 | 눈송이 스키마 |
|---|---|---|
| 성능 | 조인이 적어 높음 | 정규화된 조인으로 인해 낮아짐 |
| 스토리지 | 더 높은 (비정규화) | 낮음(정규화) |
| 간단 | 분석가에게는 쉽습니다 | 설계 및 쿼리가 더 복잡함 |
| 최고의 사용 | 빠른 BI 쿼리 | 복잡한 데이터 환경 |
슬립폼 공법 선택시 고려사항 쿼리 속도와 단순성이 중요한 경우에는 스타 스키마가 선호되는 반면, 스노우플레이크 스키마는 저장 효율성과 정규화된 데이터 무결성이 우선시되는 시나리오에 적합합니다.
14) 데이터 웨어하우징에서 메타데이터란 무엇인가?
메타데이터는 종종 "데이터에 대한 데이터"로 설명됩니다. 웨어하우스에서는 저장된 데이터의 출처, 구조, 변환 및 용도를 문서화합니다.
유형 :
- 기술 메타데이터: 스키마 정의, 데이터 유형, ETL 매핑.
- 비즈니스 메타데이터: 사업체 이름, 정의 및 소유자.
- Opera국가별 메타데이터: 데이터 로드 일정, 오류 로그.
예: 메타데이터는 "Customer_DOB" 속성이 CRM 시스템에서 생성되어 ETL을 통해 변환되고 "Customer Age" 차원에서 사용된다고 지정할 수 있습니다.
메타데이터는 거버넌스를 보장하고 투명성을 높이며 ETL 문제 해결에 도움을 줍니다. 또한 비즈니스 사용자가 데이터 계보와 맥락을 이해할 수 있도록 지원하므로 셀프서비스 BI에서도 중요한 역할을 합니다.
15) 차원 모델링은 어떻게 작동합니까?
차원 모델링은 데이터를 팩트와 차원으로 구성하여 검색 및 분석이 용이하도록 구조화합니다. 쿼리 성능의 단순성과 속도를 강조합니다.
차원 모델링의 단계:
- 모델링할 비즈니스 프로세스를 식별합니다(예: 판매).
- 사실표(정량적 지표)를 정의합니다.
- 차원 테이블(설명적 속성)을 정의합니다.
- 스키마(Star 또는 Snowflake)를 빌드합니다.
예: 병원에서는 "환자 방문"을 의사, 시간, 치료, 부서 등의 차원을 포함하는 사실 테이블로 모델링할 수 있습니다.
가장 큰 장점은 실제 분석 요구 사항과 일치하여 BI 보고의 초석이 된다는 점입니다.
16) 란 무엇입니까? Opera국가 데이터 저장소(ODS)?
An OperaODS(국가 데이터 저장소)는 여러 시스템의 현재 운영 데이터를 통합하도록 설계된 실시간 또는 준실시간 저장소입니다. 데이터웨어하우스와 달리 과거 데이터가 아닌 자주 업데이트되는 트랜잭션 데이터를 보관합니다.
형질:
- 세부적이고 최신의 데이터를 저장합니다.
- 자주 또는 지속적으로 업데이트됩니다.
- 보고 및 가벼운 분석을 제공합니다.
예: 은행은 ODS를 사용하여 다양한 시스템의 계좌 잔액을 통합하여 고객 서비스 담당자가 업데이트된 잔액을 즉시 볼 수 있도록 합니다.
ODS는 장기 저장을 위해 데이터를 창고에 넣기 전의 스테이징 영역으로 특히 가치가 있습니다.
17) 데이터마트의 개념을 설명하세요.
데이터 마트는 부서 또는 기능별 용도에 맞춰 구성된 데이터 웨어하우스의 주제별 하위 집합입니다. 더 빠른 분석을 위해 관련 데이터에 대한 간편한 액세스를 제공합니다.
유형 :
- 종속 데이터 마트: 기업 창고에서 공급되었습니다.
- 독립 데이터 마트: 운영 시스템에서 직접 구축되었습니다.
- 하이브리드 데이터 마트: 두 가지 접근 방식을 결합한 것입니다.
예: 마케팅 부서는 캠페인 데이터에 중점을 둔 마트를 운영하고, 재무 부서는 비용 보고에 전념하는 또 다른 마트를 운영할 수 있습니다.
데이터 마트는 쿼리 복잡성을 줄이고 비즈니스 팀의 사용성을 향상시켜 성능을 개선합니다.
18) 데이터 정규화란 무엇이고, 언제 적용되나요?
정규화는 중복을 줄이고 데이터 무결성을 향상시키기 위해 데이터베이스를 구조화하는 과정입니다. 큰 테이블을 더 작고 관련된 테이블로 나눕니다.
사용 사례:
- OLTP 시스템에 적용되어 이상 현상과 중복을 방지합니다.
- 비정규화가 쿼리 성능을 향상시키므로 창고에서는 거의 적용되지 않습니다.
예: "고객" 테이블을 "고객_세부 정보"와 "고객_주소"로 분할하면 여러 고객의 주소가 중복되는 것을 방지할 수 있습니다.
정규화를 통해 운영 시스템의 일관성을 보장하는 반면, 창고에서는 정규화보다 속도를 우선시하는 경우가 많습니다.
19) 정크 차원이란 무엇입니까?
정크 차원은 팩트 테이블의 혼란을 피하기 위해 낮은 기수 속성, 플래그 또는 표시기를 단일 차원 테이블로 결합합니다.
예: 판매 팩트 테이블에서 "주문 우선 순위", "선물 포장 표시기", "배송 유형"과 같은 속성은 정크 차원에 함께 저장될 수 있습니다.
장점:
- 사실표를 간소화합니다.
- 불필요한 조인을 줄입니다.
- 다양한 데이터를 논리적으로 그룹화합니다.
이 디자인 패턴은 별도의 차원을 보장하지 않는 작은 속성이 많이 있는 경우에 특히 유용합니다.
20) 구체화된 뷰란 무엇이고, 뷰와 어떻게 다릅니까?
| 아래 | 관측 | 구체화된 뷰 |
|---|---|---|
| 스토리지 | 가상, 물리적 저장소 없음 | 물리적으로 저장된 결과 |
| 성능 | 쿼리 시간에 다시 계산됨 | 미리 계산된 더 빠른 쿼리 |
| 유지보수 | 새로 고침이 필요하지 않습니다 | 새로고침 전략이 필요합니다 |
| 적용 사례 | 임시 쿼리 | 자주 접근하는 요약 |
예: "일일 판매 요약" 구체화된 뷰는 총액을 미리 계산하여 보고 속도를 높이는 반면, 표준 뷰는 실행할 때마다 다시 계산합니다.
구체화된 뷰는 성능과 스토리지의 균형을 맞춰 주므로, 빈도가 높은 BI 쿼리에 매우 유용합니다.
21) 활성 데이터 웨어하우스란 무엇입니까?
액티브 데이터 웨어하우스는 기존의 일괄 분석뿐만 아니라 운영 의사 결정을 위한 실시간에 가까운 데이터 업데이트를 지원하는 시스템입니다. 데이터를 주기적으로 업데이트하는 기존 웨어하우스와 달리, 액티브 웨어하우스는 지속적인 데이터 피드를 통합하여 최신 비즈니스 활동 상태를 반영합니다.
예: 항공 업계에서는 항공편 예약 데이터가 거의 실시간으로 업데이트됩니다. 활성 데이터 웨어하우스를 통해 분석가는 좌석 점유율을 모니터링하고 항공권 가격을 동적으로 조정할 수 있습니다.
이점:
- 실시간 의사결정 지원이 가능합니다.
- 운영 BI 대시보드를 지원합니다.
- OLTP와 OLAP 간의 격차를 메웁니다.
이러한 디자인은 소매, 전자상거래, 은행업 등 신속한 대응이 필요한 산업에서 점점 더 중요해지고 있습니다.
22) 파티셔닝은 어떻게 데이터 웨어하우징의 성능을 향상시키나요?
파티셔닝은 대규모 데이터베이스 테이블을 더 작고 관리하기 쉬운 세그먼트로 나누어 쿼리 효율성과 데이터 관리를 개선합니다.
파티셔닝 유형:
- 범위 분할: 값 범위(예: 날짜)를 기준으로 합니다.
- 목록 분할: 특정 값(예: 지역 코드)을 기준으로 합니다.
- 해시 파티셔닝: 해시 함수를 통해 행을 균등하게 분산합니다.
- 복합 분할: 방법을 결합합니다(예: 범위 + 해시).
예: 연도별로 분할된 판매 사실 테이블을 사용하면 분석가는 수십 년 분의 데이터를 스캔하는 대신 최근 3년 동안만 쿼리할 수 있어 쿼리 시간을 크게 줄일 수 있습니다.
또한, 파티셔닝은 오래된 파티션을 독립적으로 보관하거나 삭제할 수 있도록 하여 유지 관리성을 향상시킵니다.
23) 데이터 웨어하우징에서 인덱싱은 어떤 역할을 하나요?
인덱싱은 데이터에 대한 빠른 접근 경로를 제공하여 쿼리 성능을 향상시킵니다. 웨어하우스 환경에서는 분석 쿼리가 종종 대형 테이블을 스캔하는 작업을 포함하기 때문에 인덱스가 매우 중요합니다.
일반적인 인덱스 유형:
- 비트맵 인덱스: 낮은 기수 열(예: 성별)에 효율적입니다.
- B-트리 인덱스: 높은 기수 속성(예: 고객 ID)에 적합합니다.
- 인덱스 조인: 팩트 테이블과 차원 테이블 간의 조인을 미리 계산합니다.
예: "제품 카테고리"에 대한 비트맵 인덱스는 "카테고리별 총 수익"과 같은 쿼리의 속도를 높여주며, 특히 카테고리가 제한되어 있는 경우에 유용합니다.
잘 설계된 인덱스는 쿼리 성능과 스토리지 오버헤드의 균형을 맞춰 웨어하우스에서 효율적으로 분석을 제공할 수 있도록 보장합니다.
24) 데이터 웨어하우징에서 집계란 무엇입니까?
집계는 쿼리 응답 시간을 단축하기 위해 상세 데이터 요약을 미리 계산합니다. 요약 테이블이나 구체화된 뷰에 저장됩니다.
예: 수백만 건의 거래에서 일일 매출 총액을 즉시 계산하는 대신, 사전 집계된 테이블에 결과를 저장하여 몇 초 만에 쿼리를 실행할 수 있습니다.
장점:
- 쿼리 처리 시간이 단축됩니다.
- 대화형 대시보드와 BI 보고서를 지원합니다.
- OLAP 작업에서 드릴다운과 롤업이 가능합니다.
집계는 사용자가 "지역별 월별 수익"과 같은 요약된 지표를 자주 요청할 때 특히 유용합니다.
25) 데이터웨어하우스에서 데이터 거버넌스의 중요성은 무엇입니까?
데이터 거버넌스는 웨어하우스 환경 내에서 데이터의 정확성, 보안성, 그리고 규정 준수를 보장합니다. 데이터 거버넌스에는 데이터를 효과적으로 관리하기 위한 정책, 프로세스 및 역할이 포함됩니다.
핵심 요인:
- 품질 : 일관성과 정확성을 강화합니다.
- 보안 : 민감한 정보에 대한 액세스를 제어합니다.
- 규제준수: 법적 및 규제 표준(예: GDPR)을 충족합니다.
- 혈통: 데이터 출처와 변환을 추적합니다.
예: 의료 서비스 제공자는 창고에 있는 환자 기록이 HIPAA 규정을 준수하도록 거버넌스를 구현해야 합니다.
효과적인 거버넌스는 데이터에 대한 신뢰를 구축하고 의사 결정의 신뢰성을 향상시킵니다.
26) 데이터 웨어하우징에서 흔히 발생하는 보안 문제는 무엇입니까?
데이터웨어하우스는 민감하고 가치가 높은 정보를 저장하기 때문에 보안 위험의 대상이 될 수 있습니다.
도전 과제 :
- 내부 또는 외부 사용자의 무단 접근.
- 암호화가 약해 데이터 침해가 발생합니다.
- 특권 계정으로부터의 내부 위협.
- 규제된 데이터를 처리할 때 규정 준수 실패가 발생합니다.
예: 금융 서비스 창고에 적절한 역할 기반 액세스가 없으면 분석가가 실수로 기밀 고객 데이터에 액세스할 수 있습니다.
완화 전략:
- 역할 기반 및 속성 기반 액세스 제어를 구현합니다.
- 저장 중과 전송 중에 암호화를 사용합니다.
- 감사 추적을 통해 활동을 모니터링합니다.
27) 클라우드 데이터 웨어하우스는 온프레미스 웨어하우스와 어떻게 다릅니까?
| 아래 | 전제에 | 클라우드 DW |
|---|---|---|
| 비용 | 높은 선불 CapEx | 사용량에 따른 OpEx |
| 확장성 | 하드웨어에 의해 제한됨 | 사실상 무제한 |
| 유지보수 | 사내 IT에서 관리 | 공급자가 관리함 |
| 예 | 테라데이타, Oracle 엑사데이터 | Snowflake, BigQuery, Redshift |
슬립폼 공법 선택시 고려사항 클라우드 웨어하우스는 탄력성, 유지 관리 감소, 그리고 비용 유연성을 제공하여 현대 기업에 매력적입니다. 온프레미스 시스템은 엄격한 데이터 상주 또는 규정 준수 요건을 갖춘 산업 분야에서 여전히 인기가 높습니다.
28) 클라우드 데이터 웨어하우스의 장점과 단점은 무엇입니까?
장점:
- 탄력적 확장은 다양한 작업 부하를 지원합니다.
- 온프레미스에 비해 사전 비용이 낮습니다.
- 클라우드 생태계와의 원활한 통합.
- 높은 가용성과 재해 복구.
단점 :
- 공급업체에 대한 종속 위험.
- 하이브리드 시나리오의 데이터 전송 비용.
- 규정 준수 및 주권 문제.
예: 스타트업은 비용 효율성을 위해 BigQuery를 선택할 수 있지만, 정부 기관은 주권 규칙 때문에 주저할 수 있습니다.
조직에서는 유연성과 장기적인 통제 및 규정 준수 고려 사항을 비교 검토해야 합니다.
29) ELT란 무엇이고, ETL과 어떻게 다른가요?
ELT(추출, 로드, 변환)는 원시 데이터를 먼저 웨어하우스에 로드하고 그 내부에서 변환을 수행하여 기존 ETL 프로세스를 반대로 구현합니다.
차이점 :
- ETL: 적재 전 변형 가능; 현장 창고에 적합합니다.
- 영어: 로드 후 변환; 클라우드 DW 컴퓨팅 파워를 활용합니다.
예: Snowflake를 사용하면 원시 클릭스트림 데이터가 먼저 로드된 다음 SQL 변환이 플랫폼 내에서 직접 적용됩니다.
ELT의 장점:
- 더 빠른 로드 시간.
- 비정형 또는 반정형 데이터에 대한 확장성이 향상되었습니다.
- 현대 환경에서 데이터 파이프라인 설계를 간소화합니다.
30) 데이터웨어하우스에서 비가산적 사실이란 무엇입니까?
비가산적 사실은 어떤 차원에서도 합산될 수 없는 측정값입니다. 가산적 사실이나 반가산적 사실과 달리, 분석 과정에서 특별한 처리가 필요합니다.
예 :
- 비율(예: 이익률).
- 백분율(예: 이탈률).
- 평균(예: 평균 티켓 가격).
취급 전략: 비가산적 사실은 종종 쿼리 시점에 계산되거나 정확한 집계를 위해 추가적인 컨텍스트와 함께 저장됩니다.
예: 통신 창고에는 "고객 만족도 점수"가 저장되어 있을 수 있는데, 이는 단순히 합산할 수 없으며, 모든 고객 세그먼트의 평균을 구해야 합니다.
31) 데이터 레이크는 데이터 웨어하우스와 어떻게 다릅니까?
데이터 레이크와 데이터 웨어하우스는 종종 혼동되지만, 두 용어는 서로 다른 목적을 갖습니다.
| 아래 | 데이터웨어 하우스 | 데이터 레이크 |
|---|---|---|
| 데이터 형식 | 구조화되고 큐레이팅됨 | 원시, 구조화된 + 구조화되지 않은 |
| 개요 | 쓰기 스키마 | 스키마 온 리드 |
| 사용자 | 비즈니스 분석가 | 데이터 과학자, 엔지니어 |
| 성능 | SQL 쿼리에 최적화됨 | 빅데이터 탐색에 최적화됨 |
| 예시 | 판매 보고 | IoT 센서 데이터 저장 |
슬립폼 공법 선택시 고려사항 웨어하우스는 비즈니스 인텔리전스를 위해 관리되고 즉시 사용 가능한 데이터를 제공하는 반면, 레이크는 고급 분석 및 머신러닝을 위해 방대한 양의 원시 데이터를 저장합니다. 기업들은 이 두 가지를 함께 사용하는 경우가 점점 늘어나고 있습니다.
32) 데이터 레이크하우스란 무엇이고, 어떤 이점을 가지고 있나요?
데이터 레이크하우스는 데이터 레이크의 확장성과 데이터 웨어하우스의 거버넌스 및 성능을 결합한 최신 아키텍처입니다.
형질:
- 구조화된 데이터와 구조화되지 않은 데이터를 저장합니다.
- 신뢰성을 위해 ACID 규정을 준수합니다.
- BI(SQL 쿼리)와 AI/ML(빅데이터 처리)을 모두 지원합니다.
예: Databricks Lakehouse나 Snowflake Unistore와 같은 도구를 사용하면 데이터 과학자가 분석가가 BI 대시보드를 실행하는 동일한 플랫폼에서 ML 교육을 실행할 수 있습니다.
이점:
- 데이터 사일로를 줄입니다.
- 모든 분석에 하나의 플랫폼을 사용할 수 있습니다.
- 별도의 시스템을 유지하는 것에 비해 비용 효율적입니다.
33) ETL과 ELT 중 어떤 것을 사용할지 결정하는 요소는 무엇입니까?
ETL과 ELT 중 어떤 것을 선택할지는 여러 가지 고려 사항에 따라 달라집니다.
- 데이터 볼륨 및 유형: ELT는 반구조화/비구조화 데이터에 더 적합합니다.
- 인프라 : ETL은 온프레미스 시스템에 적합하고, ELT는 클라우드 기반 웨어하우스에 적합합니다.
- 변환 복잡성: ETL은 제어된 사전 로드 변환을 허용하지만 ELT는 웨어하우스 컴퓨팅에 의존합니다.
- 규제준수: ETL은 로딩하기 전에 민감한 데이터를 정리하는 데 더 많은 제어 기능을 제공합니다.
예: 엄격한 규정 준수 규칙이 있는 은행은 PII를 로딩하기 전에 ETL을 사용하여 삭제하는 것을 선호할 수 있는 반면, BigQuery를 사용하는 SaaS 스타트업은 민첩성을 위해 ELT를 도입할 수 있습니다.
34) 실시간 데이터웨어하우징은 어떻게 달성됩니까?
실시간 웨어하우징은 스트리밍 데이터 파이프라인을 기존의 일괄 처리 중심 시스템에 통합합니다.
기법:
- 변경 데이터 캡처(CDC): 점진적인 변화를 포착합니다.
- 스트림 처리 도구: 아파치 카프카, Spark 스트리밍, 플링크.
- 마이크로 배칭: 매일 밤 일괄 처리하는 대신 소량씩 자주 처리합니다.
예: 전자상거래 사이트는 CDC를 사용하여 거의 실시간으로 재고 가용성을 업데이트하여 고객이 정확한 재고 수준을 확인할 수 있도록 합니다.
실시간 창고는 즉각적인 의사결정을 가능하게 하지만 수집 및 모니터링을 위한 견고한 인프라가 필요합니다.
35) 머신 러닝 모델은 데이터웨어하우스를 어떻게 활용할 수 있나요?
머신 러닝 모델은 정제되고, 과거 기록되고, 통합된 데이터 세트를 제공하므로 웨어하우스의 이점을 누릴 수 있습니다.
사용 사례:
- 거래 내역을 통해 고객 이탈을 예측합니다.
- 집계된 계좌 활동을 사용하여 사기를 감지합니다.
- 구매 행동을 기반으로 훈련된 추천 시스템.
예: 소매업체는 창고에서 고객 구매 내역을 내보내 개인화된 제안을 제안하는 ML 모델을 학습시킵니다.
최신 클라우드 웨어하우스는 ML 기능을 직접 통합하는 경우가 많습니다(예: BigQuery ML, Snowflake Snowpark). 이를 통해 데이터를 내보낼 필요성이 줄어듭니다.
36) 데이터웨어하우스 프로젝트의 일반적인 수명주기는 무엇입니까?
수명 주기에는 성공적인 배포를 보장하기 위한 구조화된 단계가 포함되어 있습니다.
- 요구 사항 분석 : 목표, 소스, KPI를 정의합니다.
- 데이터 모델링: 디자인 스키마(사실/차원).
- ETL/ELT 개발: 파이프라인을 구축합니다.
- 구현 : 창고에 물건을 채우고 품질을 테스트합니다.
- 전개: 기업 사용자에게 출시합니다.
- 유지 보수 : 성능을 모니터링하고 업데이트를 관리합니다.
예: 창고를 구현하는 의료 기관은 설계 및 ETL 개발로 넘어가기 전에 규제 보고 요구 사항을 정의하는 것으로 시작할 수 있습니다.
기술 빌드를 비즈니스 목표에 맞춰 조정하려면 수명 주기 관리가 필수적입니다.
37) 실시간에 가까운 창고의 장점과 단점은 무엇입니까?
장점:
- 빠른 의사결정을 위한 최신 통찰력을 제공합니다.
- 고객 경험을 향상시킵니다(예: 사기 감지).
- 운영 대시보드를 지원합니다.
단점 :
- 인프라 및 모니터링 비용이 높아집니다.
- 파이프라인 설계의 복잡성이 증가했습니다.
- 지연 문제로 인해 데이터 불일치가 발생할 위험이 있습니다.
예: 신용카드 회사는 실시간에 가까운 창고 시스템을 활용해 사기 거래를 즉시 표시하지만, 스트림 처리 인프라에 많은 투자를 해야 합니다.
38) 현대적 데이터웨어하우스의 특징은 무엇입니까?
현대 창고는 기존 시스템과 상당히 다릅니다.
형질:
- 클라우드 기반이며 확장성이 뛰어납니다.
- 구조화된 데이터, 반구조화된 데이터, 구조화되지 않은 데이터를 지원합니다.
- 유연성을 위해 컴퓨팅과 스토리지를 분리합니다.
- AI/ML 프레임워크와의 통합.
- 고급 거버넌스 및 보안 기능.
예: Snowflake는 컴퓨팅 클러스터의 자동 확장을 허용하는 반면, BigQuery는 최소한의 설정으로 페타바이트 규모의 데이터를 쿼리할 수 있습니다.
이러한 기능은 현대식 창고를 분석 중심 기업의 중앙 플랫폼으로 자리매김합니다.
39) 조직에서는 창고의 데이터 품질을 어떻게 보장합니까?
신뢰할 수 있는 분석을 위해서는 데이터 품질이 필수적입니다.
기법:
- 검증 규칙: 범위, 데이터 유형, 고유성을 확인합니다.
- 클렌징: 중복을 제거하고 형식을 표준화하세요.
- 모니터링 : 데이터 품질 대시보드를 구현합니다.
- 마스터 데이터 관리(MDM): 시스템 전반에서 일관성을 유지하세요.
예: 정규식 패턴을 사용하여 고객 전화번호를 검증하는 통신 창고는 마케팅 캠페인의 일관성을 보장합니다.
고품질 데이터는 신뢰를 구축하고 잘못된 사업 결정을 예방합니다.
40) 갤럭시 스키마의 장점과 단점은 무엇입니까?
장점:
- 하나의 스키마에 여러 비즈니스 프로세스를 캡처합니다.
- Promo공유 차원의 재사용 테스트.
- 기능 간 분석(예: 판매 + 재고)이 가능합니다.
단점 :
- 별/눈송이 스키마보다 더 복잡합니다.
- 성능 병목 현상을 피하기 위해 신중한 설계가 필요합니다.
예: 동일한 제품 및 고객 차원에 연결된 별도의 "판매" 및 "반품" 팩트 테이블이 있는 소매 기업은 공유 분석의 이점을 얻지만 쿼리 복잡성이 더 높습니다.
41) 데이터 웨어하우스의 수명 주기는 데이터베이스의 수명 주기와 어떻게 다릅니까?
데이터베이스 수명 주기는 트랜잭션 효율성에 초점을 맞추는 반면, 데이터 웨어하우스 수명 주기는 장기적인 분석 요구 사항을 강조합니다.
| 아래 | 데이터베이스 수명 주기 | 데이터웨어하우스 수명주기 |
|---|---|---|
| 초점 | OLTP 최적화 | OLAP 및 분석 |
| 업데이트 | 빈번하고 실시간 | 배치 또는 증분 로드 |
| 디자인 | 엔티티-관계 모델 | 차원 모델(별, 눈송이) |
| 성공 요인 | 가동 시간, 속도 | 데이터 품질, 역사적 무결성 |
예: 은행 데이터베이스 수명 주기는 ATM 인출을 위한 지속적인 가동 시간을 강조하는 반면, 창고 수명 주기는 고객 지출 추세에 대한 정확한 장기 보고에 중점을 둡니다.
42) ETL과 ELT 중 어떤 것을 사용할지에 영향을 미치는 요소는 무엇입니까?
조직에서는 결정을 내리기 전에 다음 사항을 고려합니다.
- 인프라 : 온프레미스는 ETL을 선호하고, 클라우드는 ELT를 선호합니다.
- 데이터 형식: ELT는 반구조화/비구조화 데이터를 더 잘 지원합니다.
- 지연 시간 요구 사항: ETL을 사용하면 로딩 전에 제어된 변환이 가능합니다.
- 비용 : ELT는 클라우드 컴퓨팅을 활용하지만 ETL에는 미들웨어가 필요할 수 있습니다.
예: 규제된 의료 서비스 제공자는 ETL을 사용하여 민감한 환자 데이터를 저장하기 전에 정리하는 반면, SaaS 회사는 BigQuery를 사용하여 민첩성을 높이기 위해 ELT를 선호합니다.
43) Snowflake나 BigQuery와 같은 클라우드 기반 웨어하우스의 장점은 무엇입니까?
클라우드 기반 플랫폼은 탄력성, 확장성, AI/ML 생태계와의 통합을 제공합니다.
이점:
- 탄력적 확장: 수요에 맞춰 자동 크기 조정을 계산합니다.
- 컴퓨팅과 스토리지 분리: 비용이 절감됩니다.
- 네이티브 ML/AI 지원: 예: BigQuery ML.
- 글로벌 가용성: 인터넷이 있는 곳이라면 어디서나 접속 가능.
예: 스타트업은 인프라를 재설계하지 않고도 하룻밤 사이에 기가바이트에서 페타바이트 규모의 데이터 분석 규모를 확장할 수 있습니다.
44) 데이터웨어하우스에서 흔히 발생하는 보안 문제는 무엇입니까?
주요 위험으로는 무단 접근, 데이터 유출, 규정 위반 등이 있습니다.
도전 과제 :
- 인증 메커니즘이 약함.
- 저장 중이거나 전송 중인 데이터의 암호화가 취약합니다.
- 특권 사용자로부터의 내부 위협.
- GDPR 또는 HIPAA 준수 실패.
완화:
- 역할 기반 및 속성 기반 액세스 제어.
- 감사 추적을 통한 지속적인 모니터링.
- 강력한 암호화 표준.
예: 금융 기관은 행 수준 보안을 시행하고 계좌 번호와 같은 중요한 속성을 마스킹하여 고객 데이터를 보호합니다.
45) 쿼리 성능을 위해 파티셔닝 전략을 최적화하려면 어떻게 해야 합니까?
파티셔닝은 쿼리 패턴에 맞춰야 합니다.
모범 사례:
- 날짜 기반 범위 분할 시계열 데이터의 경우.
- 신청 목록 분할 지역과 같은 범주형 데이터의 경우.
- 고용 복합 분할 여러 요소가 쿼리를 주도하는 경우.
예: 영업 창고는 사실 테이블을 연도 및 지역별로 분할하여 "와 같은 쿼리를 보장합니다.Rev2023년 유럽의 enue” 관련 파티션만 스캔합니다.
46) 실시간에 가까운 데이터 웨어하우징의 장점과 단점은 무엇입니까?
이점:
- 최신 통찰력을 제공합니다.
- 사기 감지 및 동적 가격 책정을 지원합니다.
- 고객 경험을 향상시킵니다.
단점 :
- 복잡한 ETL/ELT 파이프라인.
- 인프라 비용이 높아짐.
- 모니터링 요구 사항 증가.
예: 신용카드 회사는 거의 실시간으로 거래를 분석하여 사기 거래를 방지하지만, 스트리밍 처리를 위해 높은 인프라 비용이 발생합니다.
47) 창고 데이터를 사용하여 머신 러닝을 어떻게 적용할 수 있나요?
창고는 ML 모델에 적합한 정리된 과거 데이터를 제공합니다.
어플리케이션 :
- 예측 분석(이탈, 수요 예측)
- 사기 탐지.
- 추천 시스템.
예: Netflix 데이터웨어하우스 입력을 활용하여 콘텐츠를 추천하는 ML 모델을 학습하고, 과거 시청 데이터와 실시간 행동을 결합합니다.
최신 클라우드 플랫폼(Snowflake Snowpark, BigQuery ML)을 사용하면 웨어하우스 내에서 직접 ML을 개발할 수 있으므로 데이터 이동이 줄어듭니다.
48) ETL 파이프라인을 테스트하는 다양한 방법은 무엇입니까?
테스트는 정확성, 성능, 데이터 품질을 보장합니다.
ETL 테스트 유형:
- 데이터 완전성 테스트: 모든 소스 데이터가 올바르게 로드되는지 확인하세요.
- 데이터 변환 테스트: 비즈니스 규칙을 검증합니다.
- 회귀 테스트 : 새로운 변경 사항으로 인해 파이프라인이 손상되지 않도록 합니다.
- 성능 시험: 대규모 데이터 세트로 속도를 평가합니다.
예: CRM에서 고객 데이터를 가져오는 ETL 파이프라인은 완전성 테스트를 거쳐 소스의 모든 레코드가 창고와 일치하는지 확인합니다.
49) 조직이 데이터 웨어하우스 대신 데이터 레이크하우스를 도입해야 하는 경우는 언제인가요?
호숫가 주택은 다음과 같은 경우에 적합합니다.
- 구조화된 데이터와 구조화되지 않은 데이터가 모두 필요합니다.
- AI/ML 워크로드에는 원시 데이터에 대한 액세스가 필요합니다.
- 비용 효율성이 우선입니다(호수 + 창고 대신 단일 플랫폼).
예: 한 미디어 회사는 구조화된 청중 분석과 함께 원시 비디오 파일(ML 자막 모델용)을 하나의 시스템에 저장하기 위해 레이크하우스를 도입했습니다.
50) 성공적인 데이터웨어하우스 구현을 정의하는 특징은 무엇입니까?
성공은 기술 설계, 거버넌스, 비즈니스 정렬에 달려 있습니다.
형질:
- 명확한 사업 목표.
- 고품질의 일관된 데이터.
- 확장 가능한 아키텍처(클라우드 또는 하이브리드).
- 강력한 데이터 거버넌스와 보안.
- 적극적인 이해관계자 참여.
예: 소매업체는 창고를 마케팅 요구 사항(캠페인 분석)과 운영(공급망 최적화)에 맞춰 조정하여 성공을 달성합니다.
🔍 실제 시나리오와 전략적 대응을 포함한 최고의 데이터웨어하우스 면접 질문
아래는 신중하게 선정된 10개의 면접 질문과 예시 답변입니다. 이 질문들은 다음을 포함합니다. 지식 기반, 행동 적및 상황에 따른 데이터웨어하우스 역할에서 전문가에게 일반적으로 요구되는 내용을 반영한 범주입니다.
1) OLAP과 OLTP 시스템의 차이점을 설명해 주시겠습니까?
후보자에게 기대하는 것: 면접관은 당신이 데이터 시스템의 기본 개념과 그 사용 사례를 이해하고 있는지 보고 싶어합니다.
예시 답변:
OLTP 시스템은 POS(판매 시점 관리) 시스템이나 은행 시스템과 같이 빈번한 삽입, 업데이트, 삭제가 발생하는 거래 데이터를 처리하도록 설계되었습니다. 반면 OLAP 시스템은 복잡한 쿼리와 분석에 최적화되어 있습니다. 데이터 웨어하우스는 일반적으로 OLAP에 속하며, 일상적인 작업보다는 과거 분석, 추세 및 보고에 중점을 둡니다.
2) 일반적인 데이터웨어하우스 아키텍처에는 어떤 것이 있고, 어떤 것을 선호하시나요?
후보자에게 기대하는 것: 면접관은 지원자의 기술적 전문성과 추론 능력을 평가하고 싶어합니다.
예시 답변:
“일반적인 아키텍처에는 Kimball 차원 모델, Inmon Corporate Information Factory 및 Data가 포함됩니다. Vault각각 장점이 있습니다. 예를 들어, Kimball의 스타 스키마는 사용자 친화적이고 효율적인 보고 기능을 제공하는 반면, Inmon의 접근 방식은 전사적 통합을 제공합니다. 제가 이전에 맡았던 업무에서는 하이브리드 모델을 선호했는데, 보고의 유연성과 전사적 데이터 관리의 일관성을 모두 지원할 수 있었기 때문입니다.
3) 당신이 작업했던 도전적인 데이터웨어하우스 프로젝트에 대해 설명하고 어떻게 성공을 거두었는지 설명하세요.
후보자에게 기대하는 것: 면접관은 지원자의 문제 해결 능력, 리더십, 적응력을 평가하고 싶어합니다.
예시 답변:
이전 직장에서는 기존 온프레미스 데이터 웨어하우스를 클라우드 기반 시스템으로 마이그레이션하는 과정에서 어려움을 겪었습니다. 주요 문제는 데이터 중복과 성능 튜닝이었습니다. 자동화된 데이터 검증 스크립트를 도입하고, DevOps 팀과 긴밀히 협력하여 파이프라인 최적화를 진행했으며, 증분 테스트를 수행했습니다. 이를 통해 마이그레이션 오류를 줄이고 프로젝트를 예정보다 2주 앞당겨 완료할 수 있었습니다.
4) 데이터웨어하우스에서 데이터 품질을 어떻게 보장합니까?
후보자에게 기대하는 것: 면접관은 정확성, 완전성, 신뢰성을 유지하기 위한 접근 방식을 보고 싶어합니다.
예시 답변:
"저는 데이터 프로파일링, 검증 규칙 구현, 그리고 오류 로깅 및 감사 기능을 갖춘 ETL 프레임워크 사용에 중점을 두고 있습니다. 이전 직책에서는 스테이징 계층에서 실시간 데이터 품질 검사를 구현하여 다운스트림 보고 오류를 30% 이상 줄였습니다."
5) 경영진이 대시보드 속도 저하에 대해 불평하는 상황을 상상해 보세요. 이 성능 문제에 어떻게 접근하시겠습니까?
후보자에게 기대하는 것: 면접관은 문제 해결 및 최적화 프로세스를 보고 싶어합니다.
예시 답변:
"먼저 병목 현상이 ETL 프로세스, 데이터 웨어하우스 설계, 또는 보고 계층에 있는지 파악합니다. 여기에는 쿼리 실행 계획 검토, 인덱스 추가 또는 요약 테이블 도입이 포함될 수 있습니다. 이전 업무에서는 자주 쿼리되는 보고서에 대해 구체화된 뷰를 구현하여 유사한 문제를 해결했는데, 그 결과 대시보드 로드 시간이 50% 단축되었습니다."
6) 여러 이해관계자의 상충되는 요구 사항을 어떻게 처리하시나요?
후보자에게 기대하는 것: 면접관은 지원자의 의사소통 능력과 협상 능력을 알고 싶어합니다.
예시 답변:
"저는 먼저 공동 요구사항 회의를 통해 중복과 갈등을 파악합니다. 그런 다음 비즈니스 영향도를 기준으로 요구사항의 우선순위를 정하고 이해관계자들과 상충 관계에 대해 투명하게 소통합니다. 이를 통해 모든 사람이 결정의 근거를 이해할 수 있습니다. 이전 직장에서는 이러한 접근 방식을 통해 재무팀과 영업팀을 공통 KPI에 맞춰 조정하고 보고 시스템 중복을 방지하는 데 도움이 되었습니다."
7) 데이터 웨어하우스에 대해 스타 스키마와 스노우플레이크 스키마를 어떻게 결정합니까?
후보자에게 기대하는 것: 면접관은 지원자의 기술적 추론 능력을 평가하고 싶어합니다.
예시 답변:
스타 스키마는 일반적으로 쿼리 효율이 높고 비즈니스 사용자 친화적인 반면, 스노우플레이크 스키마는 차원 테이블을 정규화하여 저장 공간 최적화를 지원합니다. 쿼리 성능과 단순성이 중요하다면 스타 스키마를 권장합니다. 데이터 일관성과 중복성 감소가 중요하다면 스노우플레이크 스키마가 더 좋습니다. 이전에는 계층적 제품 속성이 많기 때문에 소매 프로젝트에 스노우플레이크 스키마를 권장했습니다.
8) 여러 프로젝트를 진행하면서 촉박한 마감일을 처리해야 했던 경험을 설명해 주세요. 어떻게 해결하셨나요?
후보자에게 기대하는 것: 면접관은 지원자의 우선순위를 정하고 스트레스를 관리하는 능력을 테스트하고 있습니다.
예시 답변:
이전 업무에서는 매달 임원용 대시보드 업데이트와 데이터 웨어하우스 스키마 업데이트를 같은 주에 진행하는 업무를 맡았습니다. 먼저 종속성을 평가하고, 중요하지 않은 업무를 위임하고, ETL 프로세스에서 반복적인 작업을 자동화했습니다. 효과와 효율성에 집중함으로써 두 프로젝트 모두 품질 저하 없이 기한 내에 완료할 수 있었습니다.
9) 빠르게 성장하는 전자상거래 회사를 위해 데이터 웨어하우스를 설계해야 한다면, 가장 먼저 고려해야 할 사항은 무엇입니까?
후보자에게 기대하는 것: 면접관은 확장성, 유연성, 미래 지향적인 접근 방식을 보고 싶어합니다.
예시 답변:
"저의 우선순위는 확장성, 다양한 데이터 소스 처리, 그리고 실시간에 가까운 분석 지원입니다. 스토리지와 컴퓨팅이 분리된 클라우드 기반 솔루션을 선택하고, 증분형 ETL 파이프라인을 구현하며, 제품, 고객 및 판매 분석에 최적화된 스키마를 설계할 것입니다. 이를 통해 회사 성장에 따라 시스템을 유연하게 조정할 수 있을 것입니다."
10) 새로운 데이터웨어하우스 기술과 모범 사례에 대한 최신 정보를 어떻게 얻으시나요?
후보자에게 기대하는 것: 면접관은 지속적인 학습 습관을 찾습니다.
예시 답변:
"저는 정기적으로 기술 블로그를 구독하고, 웨비나에 참석하고, TDWI와 같은 전문가 커뮤니티에도 참여합니다. 또한 샌드박스 환경에서 새로운 도구들을 테스트하여 그 기능을 파악합니다. 예를 들어, 이전 직장에서 컬럼형 스토리지 데이터베이스의 성능을 분석하고 스토리지 비용을 25% 절감하는 데이터베이스를 추천한 적이 있습니다."
