Data Warehouse

정의

데이터 웨어하우스(Data Warehouse) 는 여러 소스 시스템에서 발생한 데이터를 한곳에 모아, 분석과 리포팅에 최적화된 형태로 저장하는 중앙 집중형 데이터 저장소입니다. 주문 시스템, CRM, 광고 플랫폼, CS 툴, 물류 시스템 등에서 흩어져 있는 데이터를 추출(Extract)·변환(Transform)·적재(Load)하는 ETL/ELT 파이프라인을 거쳐 통합합니다.

DTC/이커머스 관점에서 데이터 웨어하우스는 단순한 “DB”가 아니라, 고객 단위(LTV, 코호트, 재구매율), 상품 단위(마진, 회전율), 채널 단위(ROAS, CAC, 기여매출) 를 하나의 기준으로 계산할 수 있게 해주는 의사결정 인프라입니다.

핵심 특징은 다음과 같습니다.

- 주제 지향(Subject-oriented): 주문, 고객, 상품, 마케팅 등 분석 주제별로 정리

- 통합(Integrated): 서로 다른 채널·툴의 코드/용어/시간대를 표준화

- 시계열(Time-variant): “언제 기준 데이터인가”를 유지해 과거 시점 재현 가능

- 비휘발성(Non-volatile): 원천 데이터를 덮어쓰기보다 이력 보존 중심

비유: “브랜드의 중앙 물류창고”

데이터 웨어하우스는 브랜드의 중앙 물류창고와 비슷합니다. 각 판매 채널(자사몰, Amazon, TikTok Shop, 오프라인 팝업)에서 들어온 상품을 매장마다 제각각 쌓아두면 전체 재고를 알 수 없습니다. 하지만 중앙 창고에 동일한 SKU 코드, 동일한 입고 기준, 동일한 로케이션 규칙으로 정리해두면, “이번 주 베스트셀러”, “특정 국가에서의 반품률”, “광고 채널별 실제 기여마진”을 한 번에 볼 수 있습니다.

데이터 웨어하우스도 마찬가지입니다. 원천 시스템은 주문 1건, 클릭 1회, CS 티켓 1건을 각각 다르게 저장하지만, 웨어하우스에서는 고객 ID, 주문 ID, 상품 ID, 날짜 키를 기준으로 재정렬됩니다. 이때 스타 스키마(Star Schema) 나 스노우플레이크 스키마(Snowflake Schema) 같은 모델링이 사용됩니다.

공식

데이터 웨어하우스에서 자주 쓰이는 핵심 계산 공식은 다음과 같습니다.

1) ROAS (광고 수익률)

ROAS = \frac{\text{광고 기여 매출}}{\text{광고비}}

예: 광고비 3,000,000원, 기여 매출 12,000,000원 → ROAS = 4.0 (400%)

2) CAC (고객 획득 비용)

CAC = \frac{\text{마케팅 총비용}}{\text{신규 고객 수}}

예: 마케팅비 9,000,000원, 신규 고객 300명 → CAC = 30,000원

3) LTV:CAC 비율

LTV:CAC = \frac{\text{고객 생애 가치}}{\text{CAC}}

예: LTV 120,000원, CAC 30,000원 → 4:1

4) 재구매율(Repeat Purchase Rate)

재구매율 = \frac{\text{2회 이상 구매 고객 수}}{\text{전체 구매 고객 수}} \times 100

예: 전체 5,000명 중 1,250명 → 25%

5) 데이터 신선도(Data Freshness)

Freshness = \text{현재 시각} - \text{최종 적재 시각}

예: 현재 14:00, 최종 적재 13:45 → 15분

비교표

구분	데이터 웨어하우스 (DW)	데이터 레이크 (Lake)	OLTP DB (운영 DB)
목적	분석·리포팅	원시 데이터 저장·ML	주문/결제 처리
데이터 형태	정제·모델링됨	원시(Raw)	트랜잭션
스키마	스키마 온 라이트	스키마 온 리드	고정 스키마
대표 질문	“이번 달 LTV는?”	“무엇이든 일단 저장”	“주문 상태 변경”
사용자	분석가, 마케터	데이터 사이언티스트	개발자, 운영
지연	분~시간	분~시간	밀리초
DTC 예시	채널별 기여마진	클릭스트림 원본	자사몰 주문 테이블

적용 시나리오

1) 채널별 진짜 수익성 파악

자사몰, Amazon, TikTok Shop, Meta 광고 데이터를 통합하면 “매출은 TikTok이 높지만, 반품·CS·배송비를 반영한 기여마진은 자사몰이 더 높다”는 결론을 얻을 수 있습니다.

2) 코호트 분석

가입 월별 코호트로 30일·90일·180일 재구매율을 계산해, 신규 유입 캠페인의 장기 가치를 평가합니다. 예: 1월 코호트 90일 재구매율 18%, 3월 코호트 24% → 개선 신호.

3) 재고·발주 최적화

SKU별 판매 속도, 리드타임, 반품률을 결합해 안전재고를 산정합니다. 예: 일평균 판매 120개, 리드타임 14일, 안전계수 1.5 → 권장 재고 2,520개.

4) 개인화·CRM

RFM(Recency, Frequency, Monetary) 세그먼트를 웨어하우스에서 계산해, “최근 30일 내 2회 이상 구매 & AOV 8만원 이상” 고객에게 VIP 캠페인을 자동 발송합니다.

5) 광고 예산 배분

ROAS, CAC, LTV:CAC를 채널·캠페인·크리에이티브 단위로 계산해, LTV:CAC 3:1 미만 채널은 예산을 축소하고 4:1 이상 채널은 증액합니다.

흔한 오해

- “웨어하우스만 있으면 다 해결된다” → 아닙니다. 데이터 정의(지표 거버넌스), ID 매핑, 파이프라인 모니터링이 없으면 숫자가 매일 달라집니다.

- “매출 = 웨어하우스 매출” → 채널별로 매출 인식 기준(결제일 vs 배송일), 환불 처리, 부가세 포함 여부가 다릅니다. 단일 진실 공급원(Single Source of Truth) 정의가 필수입니다.

- “실시간이 항상 좋다” → 아닙니다. 배치(Batch)로 충분한 리포트도 많고, 실시간은 비용과 복잡도를 크게 높입니다. Freshness 요구사항을 먼저 정의하세요.

- “ETL만 하면 끝” → 데이터 품질 테스트(중복, NULL, 급증/급감), 데이터 계보(Lineage) , 접근 권한 관리가 지속적으로 필요합니다.

- “작은 브랜드는 필요 없다” → 월 주문 1,000건 이상, 채널 3개 이상이면 웨어하우스(또는 그에 준하는 통합 레이어)의 ROI가 빠르게 나옵니다.

정의

비유: “브랜드의 중앙 물류창고”

공식

비교표

적용 시나리오

흔한 오해

관련 용어

🔗 관련 용어