기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # AWS 분석 서비스 선택 **첫 번째 단계 수행** | | | | --- |--- | | **용도** | 조직에 가장 적합한 AWS 분석 서비스를 결정할 수 있습니다. | | **최종 업데이트 날짜** | 2025년 9월 24일 | | **적용 대상 서비스** | [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/decision-guides/latest/analytics-on-aws-how-to-choose/analytics-on-aws-how-to-choose.html) | ## 소개 데이터는 현대 비즈니스의 기초입니다. 사람과 애플리케이션은 새롭고 다양한 소스에서 가져온 데이터에 안전하게 액세스하고 분석해야 합니다. 또한 데이터 양이 지속적으로 증가하여 조직이 필요한 모든 데이터를 캡처, 저장 및 분석하는 데 어려움을 겪을 수 있습니다. 이러한 문제를 해결하려면 타사 데이터를 포함한 분석 및 인사이트를 위해 모든 데이터 사일로를 세분화하고 조직 내 모든 사람이 엔드 end-to-end 거버넌스를 통해 한 곳에서 액세스할 수 있는 최신 데이터 아키텍처를 구축해야 합니다. 또한 분석 및 기계 학습(ML) 시스템을 연결하여 예측 분석을 활성화하는 것도 점점 더 중요합니다. 이 결정 가이드는 AWS 서비스에 최신 데이터 아키텍처를 구축하기 위한 올바른 질문을 하는 데 도움이 됩니다. 데이터 사일로(데이터 레이크와 데이터 웨어하우스 연결), 시스템 사일로(ML 및 분석 연결) 및 인력 사일로(조직 내 모든 사람이 데이터를 사용할 수 있도록 함)를 세분화하는 방법을 설명합니다. [![AWS Videos](http://img.youtube.com/vi/https://www.youtube.com/embed/9Y1bwAmx0Do?start=397&end=848/0.jpg)](http://www.youtube.com/watch?v=https://www.youtube.com/embed/9Y1bwAmx0Do?start=397&end=848) ## AWS 분석 서비스 이해 최신 데이터 전략은 데이터를 관리, 액세스, 분석 및 처리하는 데 도움이 되는 일련의 기술 구성 요소로 구축됩니다. 또한 데이터 소스에 연결할 수 있는 여러 옵션을 제공합니다. 최신 데이터 전략은 팀이 다음을 수행할 수 있도록 지원해야 합니다. + 선호하는 도구 또는 기법 사용 + 인공 지능(AI)을 사용하여 데이터에 대한 특정 질문에 대한 답변을 찾는 데 도움이 됩니다. + 적절한 보안 및 데이터 거버넌스 제어를 통해 데이터에 액세스할 수 있는 사용자 관리 + 데이터 사일로를 분석하여 데이터 레이크와 특별히 구축된 데이터 스토어를 모두 최대한 활용할 수 있습니다. + 저렴한 비용으로 개방형 표준 기반 데이터 형식으로 원하는 양의 데이터 저장 + 데이터 레이크, 데이터 웨어하우스, 운영 데이터베이스, 애플리케이션 및 페더레이션 데이터 소스를 일관된 전체로 연결 AWS 는 최신 데이터 전략을 달성하는 데 도움이 되는 다양한 서비스를 제공합니다. 다음 다이어그램은이 가이드에서 다루는 분석 AWS 서비스를 보여줍니다. 다음 탭은 추가 세부 정보를 제공합니다. ![\[AWS 분석 서비스를 보여주는 다이어그램\]](http://docs.aws.amazon.com/ko_kr/decision-guides/latest/analytics-on-aws-how-to-choose/images/analytics-services.png) ------ #### [ Unified analytics and AI ] 차세대 [Amazon SageMaker](https://aws.amazon.com/sagemaker/)는 널리 채택된 AWS 기계 학습(ML)과 분석 기능을 결합하여 분석 및 AI에 대한 통합 경험을 제공하고 모든 데이터에 대한 통합 액세스를 제공합니다. [Amazon SageMaker Unified Studio](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/getting-started.html)를 사용하면 소프트웨어 개발을 위한 생성형 AI 어시스턴트인 Amazon Q Developer에 의해 가속화된 모델 개발, 생성형 AI 애플리케이션 개발, 데이터 처리 및 SQL 분석을 위한 친숙한 AWS 도구를 사용하여 더 빠르게 협업하고 구축할 수 있습니다. 엔터프라이즈 보안 요구 사항을 충족하기 위해 내장된 거버넌스를 사용하여 데이터 레이크, 데이터 웨어하우스 또는 타사 및 페더레이션 소스에서 데이터에 액세스합니다. ------ #### [ Data processing ] + [Amazon Athena](https://docs.aws.amazon.com/athena/latest/ug/getting-started.html)는 Amazon S3에 저장된 비정형, 반정형 및 정형 데이터를 분석하는 데 도움이 됩니다. 예를 들면 CSV, JSON 또는 컬럼 방식 데이터 형식(예: Apache Parquet 및 Apache ORC)이 해당됩니다. Athena를 사용하면 데이터를 집계하거나 Athena로 로드할 필요 없이 ANSI SQL을 사용한 임의 쿼리를 실행할 수 있습니다. Athena는 Quick AWS Glue Data Catalog및 [기타 AWS 서비스와](https://docs.aws.amazon.com/athena/latest/ug/athena-aws-service-integrations.html) 통합됩니다. 인프라를 관리할 필요 없이 [Trino](https://trino.io/)를 사용하여 대규모로 데이터를 분석하고 Apache Flink 및 Apache Spark를 사용하여 실시간 분석을 구축할 수도 있습니다. + [Amazon EMR](https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-gs.html)은에서 Apache Hadoop 및 Apache Spark와 같은 빅 데이터 프레임워크 실행을 간소화 AWS 하여 방대한 양의 데이터를 처리하고 분석하는 관리형 클러스터 플랫폼입니다. 이러한 프레임워크와 함께 관련 오픈 소스 프로젝트를 사용하여 분석용 데이터와 비즈니스 인텔리전스 워크로드를 처리할 수 있습니다. 또한 Amazon EMR을 사용하면 Amazon S3와 같은 다른 데이터 스토어 및 데이터베이스 안팎으로 대량의 AWS 데이터를 변환하고 이동할 수 있습니다. + 를 사용하면 100개 이상의 다양한 데이터 소스를 검색 및 연결하고 중앙 집중식 데이터 카탈로그에서 데이터를 관리할 [AWS Glue](https://docs.aws.amazon.com/glue/latest/dg/setting-up.html)수 있습니다. ETL 파이프라인을 시각적으로 생성, 실행 및 모니터링하여 데이터를 데이터 레이크로 로드할 수 있습니다. 또한 Athena, Amazon EMR 및 Amazon Redshift Spectrum을 사용하여 카탈로그화된 데이터를 즉시 검색하고 쿼리할 수 있습니다. + [Amazon Managed Workflows for Apache Airflow](https://docs.aws.amazon.com/mwaa/latest/userguide/what-is-mwaa.html)(MWAA)는 클라우드에서 데이터 워크플로를 더 쉽게 생성, 예약 및 모니터링할 수 있는 Apache Airflow의 완전 관리형 구현입니다. MWAA는 필요에 맞게 워크플로 용량을 자동으로 조정하고 보안 서비스와 통합합니다 AWS . MWAA를 사용하여 데이터 처리, ETL 작업, 기계 학습 파이프라인을 포함한 분석 서비스 전반에서 워크플로를 오케스트레이션할 수 있습니다. ------ #### [ Data streaming ] + [Amazon Managed Streaming for Apache Kafka](https://docs.aws.amazon.com/msk/latest/developerguide/getting-started.html)(Amazon MSK)를 사용하면 Apache Kafka를 사용하여 스트리밍 데이터를 처리하는 애플리케이션을 구축하고 실행할 수 있습니다. Amazon MSK는 클러스터 생성, 업데이트, 삭제와 같은 컨트롤 플레인 작업을 제공합니다. 따라서 데이터 생성 및 소비와 같은 Apache Kafka 데이터 영역 작업을 사용할 수 있습니다. + [Amazon Kinesis Data Streams](https://docs.aws.amazon.com/streams/latest/dev/examples.html)를 사용하면 대규모 데이터 레코드 스트림을 실시간으로 수집하고 처리할 수 있습니다. 사용되는 데이터 유형으로는 IT 인프라 로그 데이터, 애플리케이션 로그, 소셜 미디어, 시장 데이터 피드, 웹 클릭스트림 데이터 등이 있습니다. + [Amazon Data Firehose](https://docs.aws.amazon.com/firehose/latest/dev/what-is-this-service.html)는 Amazon S3, Amazon Redshift, Amazon OpenSearch Service, Splunk 및 Apache Iceberg Tables와 같은 대상으로 실시간 스트리밍 데이터를 제공하기 위한 완전관리형 서비스입니다. Datadog, Dynatrace, LogicMonitor, MongoDB, New Relic, Coralogix, Elastic 등 지원되는 타사 서비스 공급자가 소유한 모든 사용자 지정 HTTP 엔드포인트 또는 HTTP 엔드포인트로 데이터를 전송할 수도 있습니다. + [Amazon Managed Service for Apache Flink](https://docs.aws.amazon.com/managed-flink/latest/java/what-is.html)를 사용하면 Java, Scala, Python 또는 SQL을 사용하여 스트리밍 데이터를 처리하고 분석할 수 있습니다. 스트리밍 소스 및 정적 소스에 대해 코드를 작성하고 실행하여 시계열 분석을 수행하고 실시간 대시보드 및 지표를 제공할 수 있습니다. ------ #### [ Business intelligence ] [Quick](https://docs.aws.amazon.com/quicksight/latest/user/getting-started.html)은 의사 결정자에게 대화형 시각적 환경에서 정보를 탐색하고 해석할 수 있는 기회를 제공합니다. Quick은 단일 데이터 대시보드에서 AWS 데이터, 타사 데이터, 빅 데이터, 스프레드시트 데이터, SaaS 데이터, B2B 데이터 등을 포함할 수 있습니다. Quick Q를 사용하면 자연어를 사용하여 데이터에 대해 질문하고 응답을 받을 수 있습니다. 예: "캘리포니아에서 가장 많이 팔리는 범주는 무엇입니까?" ------ #### [ Search analytics ] [Amazon OpenSearch Service](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/gsg.html)는 OpenSearch 클러스터에 대한 모든 리소스를 프로비저닝하고 시작합니다. 또한 실패한 OpenSearch Service 노드를 자동으로 감지한 다음 교체해 자체 관리형 인프라와 관련된 오버헤드를 줄입니다. OpenSearch Service 다이렉트 쿼리를 사용하여 Amazon S3 및 기타 AWS 서비스의 데이터를 분석할 수 있습니다. ------ #### [ Data governance ] [Amazon DataZone](https://docs.aws.amazon.com/datazone/latest/userguide/getting-started.html)을 사용하면 세분화된 제어를 사용하여 데이터에 대한 액세스를 관리하고 제어할 수 있습니다. 이러한 제어는 적절한 수준의 권한 및 컨텍스트로 액세스를 보장하는 데 도움이 됩니다. Amazon DataZone은 Amazon Redshift, Athena, Quick, AWS Glue온프레미스 소스 및 타사 소스를 포함한 데이터 관리 서비스를 통합하여 아키텍처를 간소화합니다. ------ #### [ Data collaboration ] [AWS Clean Rooms](https://docs.aws.amazon.com/clean-rooms/latest/userguide/setting-up.html)는 원시 데이터에 대한 액세스를 제공하지 않고도 집합 데이터 세트를 분석할 수 있는 안전한 공동 작업 영역입니다. 협업할 파트너를 선택하고, 데이터 세트를 선택하고, 해당 파트너를 위한 개인 정보 보호 강화 제어를 구성하여 다른 회사와 협업할 수 있습니다. 쿼리를 실행하면는 해당 데이터의 원래 위치에서 데이터를 AWS Clean Rooms 읽고 기본 제공 분석 규칙을 적용하여 해당 데이터에 대한 제어를 유지하는 데 도움이 됩니다. ------ #### [ Data lake and data warehouse ] + [차세대 Amazon SageMaker](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/lakehouse-get-started.html)는 Apache Iceberg와 완벽하게 호환되므로 Amazon Simple Storage Service(Amazon S3) 데이터 레이크와 Amazon Redshift 데이터 웨어하우스에서 데이터를 통합할 수 있습니다. 이를 통해 단일 데이터 사본에서 분석 및 AI 및 기계 학습(ML) 애플리케이션을 구축할 수 있습니다. 제로 ETL 통합을 통해 운영 소스의 데이터를 거의 실시간으로 스트리밍하고, 여러 소스에서 페더레이션 쿼리를 실행하고, Apache Iceberg 호환 도구를 사용하여 데이터에 액세스할 수 있습니다. 모든 분석 및 ML 도구 및 엔진에 적용되는 세분화된 권한을 정의하여 데이터를 보호할 수 있습니다. + [Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/GetStartedWithS3.html)는 데이터 레이크 기반에 사용할 수 있는 거의 모든 양과 종류의 데이터를 저장하고 보호할 수 있습니다. Amazon S3는 특정 비즈니스, 조직 및 규정 준수 요구 사항에 맞게 데이터에 대한 액세스를 최적화, 구조화 및 구성할 수 있는 관리 기능을 제공합니다. Amazon S3 Tables는 분석 워크로드에 최적화된 S3 스토리지를 제공합니다. 표준 SQL 문을 사용하면 Athena, Amazon Redshift, Apache Spark와 같이 Iceberg를 지원하는 쿼리 엔진으로 테이블을 쿼리할 수 있습니다. + [Amazon Redshift](https://docs.aws.amazon.com/redshift/latest/gsg/new-user.html)는 완전관리형 페타바이트 규모의 데이터 웨어하우스 서비스입니다. Amazon Redshift는 Amazon SageMaker의 데이터 레이크하우스에 연결할 수 있으므로 Amazon Redshift 데이터 웨어하우스 및 Amazon S3 데이터 레이크 전반의 통합 데이터에 강력한 SQL 분석 기능을 사용할 수 있습니다. 자연어를 통해 SQL 작성을 간소화하는 Amazon Redshift에서 Amazon Q를 사용할 수도 있습니다. ------ ## AWS 분석 서비스의 기준 고려 데이터 분석을 구축하는 데는 여러 가지 이유가 있습니다 AWS. 클라우드 마이그레이션 여정의 첫 단계로 그린필드 또는 파일럿 프로젝트를 지원해야 할 수 있습니다. 또는 중단을 최소화하면서 기존 워크로드를 마이그레이션할 수도 있습니다. 어떤 목표를 선택하든 다음과 같은 고려 사항이 유용할 수 있습니다. ------ #### [ Assess data sources and data types ] 사용 가능한 데이터 소스 및 데이터 유형을 분석하여 데이터 다양성, 빈도 및 품질을 포괄적으로 이해합니다. 데이터 처리 및 분석 시 발생할 수 있는 문제를 이해합니다. 이 분석은 다음과 같은 이유로 매우 중요합니다. + 데이터 소스는 다양하며 다양한 시스템, 애플리케이션, 디바이스 및 외부 플랫폼에서 제공됩니다. + 데이터 소스에는 고유한 구조, 형식 및 데이터 업데이트 빈도가 있습니다. 이러한 소스를 분석하면 적절한 데이터 수집 방법 및 기술을 식별하는 데 도움이 됩니다. + 정형, 반정형 및 비정형 데이터와 같은 데이터 유형을 분석하면 적절한 데이터 처리 및 스토리지 접근 방식이 결정됩니다. + 데이터 소스 및 유형을 분석하면 데이터 품질 평가를 용이하게 하고 값 누락, 불일치 또는 부정확성 등 잠재적 데이터 품질 문제를 예측할 수 있습니다. ------ #### [ Data processing requirements ] 데이터를 수집, 변환, 정리 및 분석 준비하는 방법에 대한 데이터 처리 요구 사항을 결정합니다. 주요 고려 사항은 다음과 같습니다. + **데이터 변환:** 원시 데이터를 분석에 적합하게 만드는 데 필요한 특정 변환을 결정합니다. 여기에는 데이터 집계, 정규화, 필터링 및 보강과 같은 작업이 포함됩니다. + **데이터 정리:** 데이터 품질을 평가하고 누락되거나 부정확하거나 일관되지 않은 데이터를 처리하는 프로세스를 정의합니다. 데이터 정리 기술을 구현하여 신뢰할 수 있는 인사이트를 위한 고품질 데이터를 보장합니다. + **처리 빈도:** 분석 요구 사항에 따라 실시간, 거의 실시간 또는 배치 처리가 필요한지 여부를 결정합니다. 실시간 처리는 즉각적인 인사이트를 제공하는 반면 배치 처리는 주기적 분석에 충분할 수 있습니다. + **확장성 및 처리량:** 데이터 볼륨, 처리 속도 및 동시 데이터 요청 수를 처리하기 위한 확장성 요구 사항을 평가합니다. 선택한 처리 접근 방식이 향후 성장을 수용할 수 있는지 확인합니다. + **지연 시간:** 데이터 처리에 허용되는 지연 시간과 데이터 수집부터 분석 결과까지 걸리는 시간을 고려합니다. 이는 실시간 또는 시간에 민감한 분석에 특히 중요합니다. ------ #### [ Storage requirements ] 분석 파이프라인 전체에서 데이터가 저장되는 방식과 위치를 결정하여 스토리지 요구 사항을 결정합니다. 중요한 고려 사항은 다음과 같습니다. + **데이터 볼륨:** 생성 및 수집되는 데이터의 양을 평가하고 향후 데이터 증가를 예측하여 충분한 스토리지 용량을 계획합니다. + **데이터 보존:** 기록 분석 또는 규정 준수를 위해 데이터를 보존해야 하는 기간을 정의합니다. 적절한 데이터 보존 정책을 결정합니다. + **데이터 액세스 패턴:** 데이터에 액세스하고 쿼리하여 가장 적합한 스토리지 솔루션을 선택하는 방법을 이해합니다. 읽기 및 쓰기 작업, 데이터 액세스 빈도 및 데이터 로캘을 고려합니다. + **데이터 보안:** 민감한 정보를 보호하기 위해 암호화 옵션, 액세스 제어 및 데이터 보호 메커니즘을 평가하여 데이터 보안의 우선순위를 지정합니다. + **비용 최적화:** 데이터 액세스 패턴 및 사용량을 기반으로 가장 비용 효율적인 스토리지 솔루션을 선택하여 스토리지 비용을 최적화합니다. + **분석 서비스와의 통합:** 선택한 스토리지 솔루션과 파이프라인의 데이터 처리 및 분석 도구 간의 원활한 통합을 보장합니다. ------ #### [ Types of data ] 데이터 수집 및 수집을 위한 분석 서비스를 결정할 때는 조직의 요구 사항 및 목표와 관련된 다양한 유형의 데이터를 고려하세요. 고려해야 할 수 있는 일반적인 데이터 유형은 다음과 같습니다. + **트랜잭션 데이터:** 고객 구매, 금융 거래, 온라인 주문, 사용자 활동 로그와 같은 개별 상호 작용 또는 거래에 대한 정보를 포함합니다. + **파일 기반 데이터:** 로그 파일, 스프레드시트, 문서, 이미지, 오디오 파일 및 비디오 파일과 같이 파일에 저장된 정형 또는 비정형 데이터를 나타냅니다. 분석 서비스는 다양한 파일 형식의 수집을 지원해야 합니다. + **이벤트 데이터:** 사용자 작업, 시스템 이벤트, 시스템 이벤트 또는 비즈니스 이벤트와 같은 중요한 발생 또는 인시던트를 캡처합니다. 이벤트에는 온스트림 또는 다운스트림 처리를 위해 캡처되는 고속으로 도착하는 모든 데이터가 포함될 수 있습니다. ------ #### [ Operational considerations ] 운영 책임은 사용자와 간에 공유되며 AWS, 책임 분담은 현대화 수준에 따라 달라집니다. 에서 분석 인프라를 자체 관리 AWS 하거나 다양한 서버리스 분석 서비스를 활용하여 인프라 관리 부담을 줄일 수 있습니다. 자체 관리형 옵션을 사용하면 인프라 및 구성을 더 잘 제어할 수 있지만 더 많은 운영 노력이 필요합니다. 서버리스 옵션은 대부분의 운영 부담을 추상화하여 자동 확장성, 고가용성 및 강력한 보안 기능을 제공하므로 사용자는 인프라 및 운영 작업을 관리하는 대신 분석 솔루션을 구축하고 인사이트를 도출하는 데 더 집중할 수 있습니다. 서버리스 분석 솔루션의 이점은 다음과 같습니다. + **인프라 추상화:** 서버리스 서비스는 인프라 관리를 추상화하여 사용자가 프로비저닝, 규모 조정 및 유지 관리 작업에서 벗어날 수 있도록 합니다.는 이러한 운영 측면을 AWS 처리하여 관리 오버헤드를 줄입니다. + **자동 조정 및 성능:** 서버리스 서비스는 워크로드 수요에 따라 리소스를 자동으로 조정하여 수동 개입 없이 최적의 성능을 보장합니다. + **고가용성 및 재해 복구:** AWS 는 서버리스 서비스에 고가용성을 제공합니다.는 데이터 중복성, 복제 및 재해 복구를 AWS 관리하여 데이터 가용성과 신뢰성을 향상시킵니다. + **보안 및 규정 준수:** AWS 업계 표준 및 모범 사례를 준수하면서 서버리스 서비스에 대한 보안 조치, 데이터 암호화 및 규정 준수를 관리합니다. + **모니터링 및 로깅:** AWS 서버리스 서비스에 내장된 모니터링, 로깅 및 알림 기능을 제공합니다. 사용자는 Amazon CloudWatch를 통해 세부 지표 및 로그에 액세스할 수 있습니다. ------ #### [ Type of workload ] 최신 분석 파이프라인을 구축할 때 다양한 분석 요구 사항을 효과적으로 충족하려면 지원할 워크로드 유형을 결정하는 것이 중요합니다. 각 워크로드 유형에 대해 고려해야 할 주요 결정 사항은 다음과 같습니다. **배치 워크로드** + **데이터 볼륨 및 빈도:** 배치 처리는 주기적으로 업데이트되는 대용량 데이터에 적합합니다. + **데이터 지연 시간:** 배치 처리로 인해 실시간 처리에 비해 인사이트 제공이 다소 지연될 수 있습니다. **대화형 분석** + **데이터 쿼리 복잡성:** 대화형 분석을 수행하려면 빠른 피드백을 위해 지연 시간이 짧은 응답이 필요합니다. + **데이터 시각화:** 비즈니스 사용자가 데이터를 시각적으로 탐색할 수 있도록 대화형 데이터 시각화 도구의 필요성을 평가합니다. **스트리밍 워크로드** + **데이터 속도 및 볼륨:** 스트리밍 워크로드는 고속 데이터를 처리하기 위해 실시간 처리가 필요합니다. + **데이터 윈도우 설정:** 관련 인사이트를 추출하기 위해 스트리밍 데이터에 대한 데이터 윈도우 설정 및 시간 기반 집계를 정의합니다. ------ #### [ Type of analysis needed ] 비즈니스 목표와 분석에서 도출하려는 인사이트를 명확하게 정의합니다. 분석 유형에 따라 용도가 다릅니다. 예제: + 설명 분석은 기록 개요를 얻는 데 이상적입니다. + 진단 분석은 과거 이벤트의 이유를 이해하는 데 도움이 됩니다. + 예측 분석은 미래 결과를 예측합니다. + 권장 분석은 최적의 작업에 대한 권장 사항을 제공합니다. 비즈니스 목표를 관련 분석 유형과 일치시킵니다. 다음은 올바른 유형의 분석을 선택하는 데 도움이 되는 몇 가지 주요 결정 기준입니다. + **데이터 가용성 및 품질:** 설명 및 진단 분석은 과거 데이터에 의존하는 반면 예측 및 규범적 분석에는 정확한 모델을 구축하기 위한 충분한 과거 데이터와 고품질 데이터가 필요합니다. + **데이터 볼륨 및 복잡성:** 예측 및 규범적 분석에는 상당한 데이터 처리와 컴퓨팅 리소스가 필요합니다. 인프라와 도구가 데이터 볼륨과 복잡성을 처리할 수 있는지 확인합니다. + **결정 복잡성:** 결정에 여러 변수, 제약 조건 및 목표가 포함된 경우 최적의 조치를 안내하는 데 규범적 분석이 더 적합할 수 있습니다. + **위험 허용 범위:** 규범적 분석은 권장 사항을 제공할 수 있지만 관련 불확실성이 수반됩니다. 의사 결정자가 분석 출력과 관련된 위험을 이해해야 합니다. ------ #### [ Evaluate scalability and performance ] 아키텍처의 확장성 및 성능 요구 사항을 평가합니다. 설계는 증가하는 데이터 볼륨, 사용자 요구 및 분석 워크로드를 처리해야 합니다. 고려해야 할 주요 결정 요인은 다음과 같습니다. + **데이터 볼륨 및 성장:** 현재 데이터 볼륨을 평가하고 향후 성장을 예상합니다. + **데이터 속도 및 실시간 요구 사항:** 데이터를 실시간으로 또는 거의 실시간으로 처리하고 분석해야 하는지 결정합니다. + **데이터 처리 복잡성:** 데이터 처리 및 분석 작업의 복잡성을 분석합니다. 컴퓨팅 집약적인 작업의 경우 Amazon EMR과 같은 서비스는 빅 데이터 처리를 위한 확장 가능하고 관리형 환경을 제공합니다. + **동시성 및 사용자 로드:** 동시 사용자 수와 시스템의 사용자 로드 수준을 고려합니다. + **Auto Scaling 기능:** 수요에 따라 리소스가 자동으로 확장 또는 축소될 수 있도록 Auto Scaling 기능을 제공하는 서비스를 고려합니다. 이렇게 하면 효율적인 리소스 사용률과 비용 최적화가 보장됩니다. + **지리적 배포:** 데이터 아키텍처를 여러 리전 또는 위치에 배포해야 하는 경우 글로벌 복제 및 지연 시간이 짧은 데이터 액세스가 가능한 서비스를 고려합니다. + **비용 대비 성능 절충:** 성능 요구 사항과 비용 고려 사항의 균형을 맞춥니다. 성능이 뛰어난 서비스는 더 높은 비용이 발생할 수 있습니다. + **서비스 수준 계약(SLAs):** AWS 서비스에서 제공하는 SLAs를 확인하여 확장성 및 성능 기대치를 충족하는지 확인합니다. ------ #### [ Data governance ] 데이터 거버넌스는 데이터 자산의 효과적인 관리, 품질, 보안 및 규정 준수를 보장하기 위해 구현해야 하는 프로세스, 정책 및 제어 세트입니다. 고려해야 할 주요 결정 사항은 다음과 같습니다. + **데이터 보존 정책:** 규제 요구 사항 및 비즈니스 요구 사항에 따라 데이터 보존 정책을 정의하고 더 이상 필요하지 않은 경우 안전한 데이터 폐기를 위한 프로세스를 설정합니다. + **감사 추적 및 로깅:** 로깅 및 감사 메커니즘을 결정하여 데이터 액세스 및 사용량을 모니터링합니다. 포괄적인 감사 추적을 구현하여 규정 준수 및 보안 모니터링을 위한 데이터 변경, 액세스 시도 및 사용자 활동을 추적합니다. + **규정 준수 요구 사항:** 조직에 적용되는 산업별 및 지리적 데이터 규정 준수 규정을 이해합니다. 데이터 아키텍처가 이러한 규정 및 지침에 부합하는지 확인합니다. + **데이터 분류:** 민감도에 따라 데이터를 분류하고 각 데이터 클래스에 적합한 보안 제어를 정의합니다. + **재해 복구 및 비즈니스 연속성:** 예기치 않은 이벤트 또는 시스템 장애 발생 시 데이터 가용성과 복원력을 보장하기 위해 재해 복구 및 비즈니스 연속성을 계획합니다. + **타사 데이터 공유:** 타사 엔터티와 데이터를 공유하는 경우 보안 데이터 공유 프로토콜 및 계약을 구현하여 데이터 기밀성을 보호하고 데이터 오용을 방지합니다. ------ #### [ Security ] 분석 파이프라인의 데이터 보안에는 파이프라인의 모든 단계에서 데이터를 보호하여 기밀성, 무결성 및 가용성을 보장하는 것이 포함됩니다. 고려해야 할 주요 결정 사항은 다음과 같습니다. + **액세스 제어 및 권한 부여:** 강력한 인증 및 권한 부여 프로토콜을 구현하여 권한이 있는 사용자만 특정 데이터 리소스에 액세스할 수 있도록 합니다. + **데이터 암호화:** 데이터베이스, 데이터 레이크에 저장된 데이터와 아키텍처의 다양한 구성 요소 간 데이터 이동 중에 적절한 암호화 방법을 선택합니다. + **데이터 마스킹 및 익명화:** 특정 분석 프로세스를 계속하면서 PII 또는 민감한 비즈니스 데이터와 같은 민감한 데이터를 보호하기 위해 데이터 마스킹 또는 익명화의 필요성을 고려합니다. + **보안 데이터 통합:** 데이터 이동 중에 데이터 유출 또는 무단 액세스를 방지하여 아키텍처의 다양한 구성 요소 간에 데이터가 안전하게 흐르도록 보안 데이터 통합 관행을 수립합니다. + **네트워크 격리:** 리소스를 퍼블릭 인터넷에 노출하지 않도록 [Amazon VPC 엔드포인트](https://docs.aws.amazon.com/vpc/latest/privatelink/concepts.html)를 지원하는 서비스를 고려합니다. ------ #### [ Plan for integration and data flows ] 분석 파이프라인의 다양한 구성 요소 간의 통합 지점과 데이터 흐름을 정의하여 원활한 데이터 흐름과 상호 운용성을 보장합니다. 고려해야 할 주요 결정 사항은 다음과 같습니다. + **데이터 소스 통합:** 데이터베이스, 애플리케이션, 파일 또는 외부 APIs. 데이터 수집 방법(배치, 실시간, 이벤트 기반)을 결정하여 지연 시간을 최소화하면서 효율적으로 파이프라인으로 데이터를 가져옵니다. + **데이터 변환:** 분석을 위한 데이터를 준비하는 데 필요한 변환을 결정합니다. 파이프라인을 통해 이동하는 데이터를 정리, 집계, 정규화 또는 보강할 도구와 프로세스를 결정합니다. + **데이터 이동 아키텍처:** 파이프라인 구성 요소 간의 데이터 이동에 적합한 아키텍처를 선택합니다. 실시간 요구 사항과 데이터 볼륨에 따라 배치 처리, 스트림 처리 또는 둘의 조합을 고려합니다. + **데이터 복제 및 동기화:** 모든 구성 요소에서 데이터를 up-to-date 유지하기 위해 데이터 복제 및 동기화 메커니즘을 결정합니다. 데이터 최신성 요구 사항에 따라 실시간 복제 솔루션 또는 주기적 데이터 동기화를 고려합니다. + **데이터 품질 및 검증:** 데이터 품질 확인 및 검증 단계를 구현하여 파이프라인을 통해 이동하는 데이터의 무결성을 보장합니다. 알림 또는 오류 처리와 같이 데이터 검증에 실패할 때 수행할 작업을 결정합니다. + **데이터 보안 및 암호화:** 전송 중 및 저장 시 데이터를 보호하는 방법을 결정합니다. 데이터 민감도에 따라 필요한 보안 수준을 고려하여 파이프라인 전체에서 민감한 데이터를 보호하기 위한 암호화 방법을 결정합니다. + **확장성 및 복원력:** 데이터 흐름 설계가 수평 확장성을 허용하고 늘어난 데이터 볼륨과 트래픽을 처리할 수 있는지 확인합니다. ------ #### [ Architect for cost optimization ] 에서 분석 파이프라인을 구축하면 다양한 비용 최적화 기회가 AWS 제공됩니다. 비용 효율성을 보장하려면 다음 전략을 고려하세요. + **리소스 크기 조정 및 선택:** 실제 워크로드 요구 사항에 따라 리소스의 크기를 조정합니다. 오버프로비저닝을 방지하면서 워크로드 성능 요구 사항에 맞는 AWS 서비스 및 인스턴스 유형을 선택합니다. + **Auto Scaling:** 다양한 워크로드를 경험하는 서비스에 Auto Scaling을 구현합니다. Auto Scaling은 수요에 따라 인스턴스 수를 동적으로 조정하여 트래픽이 적은 기간 동안 비용을 절감합니다. + **스팟 인스턴스:** 중요하지 않고 내결함성이 뛰어난 워크로드에 Amazon EC2 스팟 인스턴스를 사용합니다. 스팟 인스턴스는 온디맨드 인스턴스에 비해 비용을 크게 절감할 수 있습니다. + **예약 인스턴스:** 예측 가능한 사용량으로 안정적인 워크로드에 대한 온디맨드 요금보다 상당한 비용 절감을 달성하려면 예약 인스턴스 구매를 AWS 고려하세요. + **데이터 스토리지 계층화:** 데이터 액세스 빈도에 따라 다양한 스토리지 클래스를 사용하여 데이터 스토리지 비용을 최적화합니다. + **데이터 수명 주기 정책:** 수명 및 사용 패턴에 따라 데이터를 자동으로 이동하거나 삭제하도록 데이터 수명 주기 정책을 설정합니다. 이를 통해 스토리지 비용을 관리하고 데이터 스토리지를 가치에 맞게 조정할 수 있습니다. ------ ## AWS 분석 서비스 선택 이제 분석 요구 사항을 평가하는 기준을 알았으므로 조직 요구 사항에 적합한 AWS 분석 서비스를 선택할 준비가 되었습니다. 다음 표는 공통 기능 및 비즈니스 목표에 맞게 서비스 세트를 정렬합니다. **** [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/ko_kr/decision-guides/latest/analytics-on-aws-how-to-choose/analytics-on-aws-how-to-choose.html) ## AWS 분석 서비스 사용 이제 비즈니스 목표와 데이터 파이프라인 구축을 시작하기 위해 수집 및 분석할 데이터의 양과 속도를 명확하게 이해할 수 있습니다. 사용 방법을 탐색하고 사용 가능한 각 서비스에 대해 자세히 알아보기 위해 각 서비스의 작동 방식을 탐색할 수 있는 경로를 제공했습니다. 다음 섹션에서는 기본 사용부터 고급 심층 분석까지 시작할 수 있는 심층 설명서, 실습 자습서 및 리소스에 대한 링크를 제공합니다. ------ #### [ Amazon Athena ] + **Amazon Athena 시작하기** Amazon Athena를 사용하여 데이터를 쿼리하고 Amazon S3에 저장된 샘플 데이터를 기반으로 테이블을 생성하고, 테이블을 쿼리하고, 쿼리 결과를 확인하는 방법을 알아봅니다. [자습서 시작하기](https://docs.aws.amazon.com/athena/latest/ug/getting-started.html) + **Athena에서 Apache Spark 시작하기** Athena 콘솔에서 간소화된 노트북 환경을 사용하여 Python 또는 Athena 노트북 APIs. [자습서 시작하기](https://docs.aws.amazon.com/athena/latest/ug/notebooks-spark.html) + **Amazon SageMaker 레이크하우스 아키텍처를 사용하여 Athena 페더레이션 쿼리 카탈로그 작성 및 관리** Amazon SageMaker의 데이터 레이크하우스를 통해 Amazon Redshift, DynamoDB 및 Snowflake에 저장된 데이터에 대한 페더레이션 쿼리를 연결, 관리 및 실행하는 방법을 알아봅니다. [블로그 읽기](https://aws.amazon.com/blogs/big-data/catalog-and-govern-amazon-athena-federated-queries-with-amazon-sagemaker-lakehouse/) + **Athena를 사용하여 Amazon S3의 데이터 분석** 사전 정의된 형식의 텍스트 파일로 생성된 Elastic Load Balancer의 로그에서 Athena를 사용하는 방법을 알아봅니다. 테이블을 생성하고, Athena에서 사용하는 형식으로 데이터를 분할하고, Parquet으로 변환하고, 쿼리 성능을 비교하는 방법을 보여줍니다. [블로그 게시물 읽기](https://aws.amazon.com/blogs/big-data/analyzing-data-in-s3-using-amazon-athena/) ------ #### [ AWS Clean Rooms ] + **설정 AWS Clean Rooms** 계정 AWS Clean Rooms 에서 AWS 를 설정하는 방법을 알아봅니다. [가이드 읽기](https://docs.aws.amazon.com/clean-rooms/latest/userguide/setting-up.html) + **기본 데이터를 공유 AWS Clean Rooms 하지 않고에서 Entity Resolution을 사용하여 AWS 다자간 데이터 세트에서 데이터 인사이트 잠금 해제** 준비 및 매칭을 사용하여 공동 작업자와의 데이터 매칭을 개선하는 방법을 알아봅니다. [블로그 게시물 읽기](https://aws.amazon.com/blogs/industries/unlock-data-insights-across-multi-party-datasets-using-aws-entity-resolution-on-aws-clean-rooms-without-sharing-underlying-data/) + **개별 수준에서 데이터를 공개하지 않고 차등 프라이버시를 통해 인사이트를 얻는 방법** AWS Clean Rooms 차등 프라이버시가 차등 프라이버시 적용을 간소화하고 사용자의 프라이버시를 보호하는 데 어떻게 도움이 되는지 알아봅니다. [블로그 읽기](https://aws.amazon.com/blogs/industries/how-differential-privacy-helps-unlock-insights-without-revealing-data-at-the-individual-level/) ------ #### [ Amazon Data Firehose ] + **자습서: 콘솔에서 Firehose 스트림 생성** AWS Management Console 또는 AWS SDK를 사용하여 선택한 대상으로 Firehose 스트림을 생성하는 방법을 알아봅니다. [가이드 읽기](https://docs.aws.amazon.com/firehose/latest/dev/basic-create.html) + **Firehose 스트림으로 데이터 전송** 다양한 데이터 소스를 사용하여 Firehose 스트림으로 데이터를 전송하는 방법을 알아봅니다. [가이드 읽기](https://docs.aws.amazon.com/firehose/latest/dev/basic-write.html) + **Firehose에서 소스 데이터 변환** Lambda 함수를 호출하여 수신 소스 데이터를 변환하고 변환된 데이터를 대상으로 전송하는 방법을 알아봅니다. [가이드 읽기](https://docs.aws.amazon.com/firehose/latest/dev/data-transformation.html) ------ #### [ Amazon DataZone ] + **Amazon DataZone 시작하기 ** Amazon DataZone 루트 도메인을 생성하고, 데이터 포털 URL을 가져오고, 데이터 생산자 및 데이터 소비자를 위한 기본 Amazon DataZone 워크플로를 안내하는 방법을 알아봅니다. [자습서 시작하기](https://docs.aws.amazon.com/datazone/latest/userguide/getting-started.html) + **차세대 Amazon SageMaker 및 Amazon DataZone에서 데이터 계보의 일반 가용성 발표 ** Amazon DataZone이 자동 계보 캡처를 사용하여 AWS Glue 및 Amazon Redshift에서 계보 정보를 자동으로 수집하고 매핑하는 데 초점을 맞추는 방법을 알아봅니다. [블로그 읽기](https://aws.amazon.com/blogs/aws/announcing-the-general-availability-of-data-lineage-in-the-next-generation-of-amazon-sagemaker-and-amazon-datazone/) ------ #### [ Amazon EMR ] + **Amazon EMR 시작하기** Spark를 사용하여 샘플 클러스터를 시작하는 방법과 Amazon S3 버킷에 저장된 간단한 PySpark 스크립트를 실행하는 방법을 알아봅니다. [자습서 시작하기](https://docs.aws.amazon.com/emr/latest/ManagementGuide/emr-gs.html) + **Amazon EKS에서 Amazon EMR 시작하기** 가상 클러스터에 Spark 애플리케이션을 배포하여 Amazon EMR on Amazon EKS 사용을 시작하는 방법을 보여줍니다. [가이드 살펴보기](https://docs.aws.amazon.com/emr/latest/EMR-on-EKS-DevelopmentGuide/getting-started.html) + **EMR Serverless 시작하기** Amazon EMR Serverless가 최신 오픈 소스 프레임워크를 사용하는 분석 애플리케이션의 운영을 간소화하는 서버리스 런타임 환경을 제공하는 방법을 알아봅니다. [자습서 시작하기](https://docs.aws.amazon.com/emr/latest/EMR-Serverless-UserGuide/getting-started.html) ------ #### [ AWS Glue ] + **시작하기 AWS Glue DataBrew** 첫 번째 DataBrew 프로젝트를 생성하는 방법을 알아봅니다. 샘플 데이터 세트를 로드하고, 해당 데이터 세트에서 변환을 실행하고, 해당 변환을 캡처하는 레시피를 빌드하고, 변환된 데이터를 Amazon S3에 쓰는 작업을 실행합니다. [자습서 시작하기](https://docs.aws.amazon.com/databrew/latest/dg/getting-started.html) + **를 사용하여 데이터 변환 AWS Glue DataBrew** 데이터 분석가와 데이터 과학자가 쉽게 데이터를 정리하고 정규화하여 분석 및 기계 학습을 준비할 수 있는 AWS Glue DataBrew시각적 데이터 준비 도구에 대해 알아봅니다. 를 사용하여 ETL 프로세스를 구성하는 방법을 알아봅니다 AWS Glue DataBrew. [랩 시작하기](https://catalog.workshops.aws/introduction-to-analytics-on-aws/en-US/lab-guide/transform-glue-databrew) + **AWS Glue DataBrew 침묵의 날** 를 사용하여 분석 및 기계 학습 AWS Glue DataBrew 을 위한 데이터를 정리하고 정규화하는 방법을 알아봅니다. [워크숍 시작하기](https://catalog.us-east-1.prod.workshops.aws/workshops/6532bf37-3ad2-4844-bd26-d775a31ce1fa/en-US) + **시작하기 AWS Glue Data Catalog** Amazon S3 버킷을 데이터 소스로 AWS Glue Data Catalog사용하는 첫 번째를 생성하는 방법을 알아봅니다. [자습서 시작하기](https://docs.aws.amazon.com/glue/latest/dg/start-data-catalog.html) + **의 데이터 카탈로그 및 크롤러 AWS Glue** 데이터 카탈로그의 정보를 사용하여 ETL 작업을 생성하고 모니터링하는 방법을 알아봅니다. [가이드 살펴보기](https://docs.aws.amazon.com/glue/latest/dg/catalog-and-crawler.html) ------ #### [ Amazon Kinesis Data Streams ] + **Amazon Kinesis Data Streams 자습서 시작하기** 실시간 주식 데이터를 처리하고 분석하는 방법을 알아봅니다. [자습서 시작하기](https://docs.aws.amazon.com/streams/latest/dev/examples.html) + **Amazon Kinesis Data Streams를 사용한 실시간 분석을 위한 아키텍처 패턴, 1부** 시계열 데이터 분석과 이벤트 기반 마이크로서비스라는 두 가지 사용 사례의 일반적인 아키텍처 패턴에 대해 알아봅니다. [블로그 읽기](https://aws.amazon.com/blogs/big-data/architectural-patterns-for-real-time-analytics-using-amazon-kinesis-data-streams-part-1/) + **Amazon Kinesis Data Streams를 사용한 실시간 분석을 위한 아키텍처 패턴, 2부** 실시간 생성형 비즈니스 인텔리전스, 실시간 추천 시스템, 사물 인터넷 데이터 스트리밍 및 추론의 세 가지 시나리오에서 Kinesis Data Streams를 사용하는 AI 애플리케이션에 대해 알아봅니다. [블로그 읽기](https://aws.amazon.com/blogs/big-data/architectural-patterns-for-real-time-analytics-using-amazon-kinesis-data-streams-part-2-ai-applications/) ------ #### [ Amazon Managed Service for Apache Flink ] + **Amazon Managed Service for Apache Flink란 무엇인가요?** Amazon Managed Service for Apache Flink의 기본 개념을 이해합니다. [가이드 살펴보기](https://docs.aws.amazon.com/managed-flink/latest/java/what-is.html) + **Amazon Managed Service for Apache Flink 워크숍** 이 워크숍에서는 Amazon Managed Service for Apache Flink를 사용하여 Flink 애플리케이션을 배포, 운영 및 확장하는 방법을 알아봅니다. [가상 워크숍 참석](https://catalog.us-east-1.prod.workshops.aws/workshops/2437ee74-38ed-4817-94b9-45b920cb168a/en-US) ------ #### [ Amazon MSK ] + **Amazon MSK 시작하기** Amazon MSK 클러스터를 생성하고, 데이터를 생성 및 소비하고, 지표를 사용하여 클러스터의 상태를 모니터링하는 방법을 알아봅니다. [가이드 시작하기](https://docs.aws.amazon.com/msk/latest/developerguide/getting-started.html) + **Amazon MSK 워크숍** 이 실습용 Amazon MSK 워크숍을 자세히 살펴보세요. [워크숍 시작하기](https://catalog.us-east-1.prod.workshops.aws/workshops/c2b72b6f-666b-4596-b8bc-bafa5dcca741/en-US) ------ #### [ Amazon MWAA ] + **Amazon MWAA 시작하기** 첫 번째 MWAA 환경을 생성하고, Amazon S3에 DAG를 업로드하고, 첫 번째 워크플로를 실행하는 방법을 알아봅니다. [자습서 시작하기](https://docs.aws.amazon.com/mwaa/latest/userguide/get-started.html) + **Amazon MWAA를 사용하여 데이터 파이프라인 구축** Glue, EMR, Redshift와 같은 다른 AWS 분석 서비스를 오케스트레이션하는 end-to-end 데이터 파이프라인을 구축하는 방법을 알아봅니다. 이 블로그 게시물에서는 Amazon Redshift에서 변환을 실행하는 작업과 함께 MWAA 및 Cosmos를 사용하여 dbt Core 작업을 오케스트레이션하는 간소화된 구성 기반 접근 방식을 살펴봅니다. [블로그 게시물 읽기](https://aws.amazon.com/blogs/big-data/build-data-pipelines-with-dbt-in-amazon-redshift-using-amazon-mwaa-and-cosmos/) + **Amazon MWAA 워크숍** 실습을 살펴보고 데이터 워크플로 오케스트레이션에 Amazon MWAA를 배포, 구성 및 사용하는 방법을 알아봅니다. [워크숍 시작하기](https://catalog.workshops.aws/amazon-mwaa-for-analytics/en-US) + **Amazon MWAA 모범 사례** 분석 워크플로에서 Amazon MWAA 사용에 대한 아키텍처 패턴과 모범 사례를 알아봅니다. [가이드 읽기](https://docs.aws.amazon.com/mwaa/latest/userguide/best-practices.html) ------ #### [ OpenSearch Service ] + **OpenSearch Service 시작하기 ** Amazon OpenSearch Service를 사용하여 테스트 도메인을 생성하고 구성하는 방법을 알아봅니다. [자습서 시작하기](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/gsg.html) + **OpenSearch Service 및 OpenSearch Dashboards를 사용하여 고객 지원 통화 시각화** 기업이 몇 가지 고객 지원 전화를 받고 이를 분석하려는 상황을 전체적으로 살펴봅니다. 각 통화의 주제는 무엇입니까? 긍정적인 내용은 몇 통이었습니까? 부정적인 내용은 몇 통이었습니까? 관리자가 이러한 통화의 녹취록을 검색하거나 검토하려면 어떻게 해야 합니까? [자습서 시작하기](https://docs.aws.amazon.com/opensearch-service/latest/developerguide/walkthrough.html) + **Amazon OpenSearch Serverless 워크숍 시작하기** 콘솔에서 AWS 새 Amazon OpenSearch Serverless 도메인을 설정하는 방법을 알아봅니다. 사용 가능한 다양한 유형의 검색 쿼리를 살펴보고, 매력적인 시각화를 설계하고, 할당된 사용자 권한을 기반으로 도메인과 문서를 보호하는 방법을 알아봅니다. [워크숍 시작하기](https://catalog.us-east-1.prod.workshops.aws/workshops/f8d2c175-634d-4c5d-94cb-d83bbc656c6a/en-US) + **비용 최적화 벡터 데이터베이스: Amazon OpenSearch Service 양자화 기법 소개** OpenSearch Service가 스칼라 및 제품 양자화 기술을 지원하여 메모리 사용량을 최적화하고 운영 비용을 절감하는 방법을 알아봅니다. [블로그 게시물 읽기](https://aws.amazon.com/blogs/big-data/cost-optimized-vector-database-introduction-to-amazon-opensearch-service-quantization-techniques/) ------ #### [ Quick ] + **빠른 데이터 분석 시작하기** 첫 번째 분석을 생성하는 방법을 알아봅니다. 샘플 데이터를 사용하여 단순 분석 또는 고급 분석을 생성합니다. 또는 자체 데이터에 연결하여 분석을 생성할 수 있습니다. [가이드 살펴보기](https://docs.aws.amazon.com/quicksight/latest/user/getting-started.html) + **빠른 시각화** 를 사용하여 비즈니스 인텔리전스(BI) 및 데이터 시각화의 기술적 측면을 알아봅니다 AWS. 대시보드를 애플리케이션 및 웹 사이트에 내장하고 액세스 및 권한을 안전하게 관리하는 방법을 알아봅니다. [과정 시작하기](https://explore.skillbuilder.aws/learn/course/internal/view/elearning/41/visualizing-with-quicksight) + **빠른 워크숍** 워크숍을 통해 빠른 여정 시작하기 [워크숍 시작하기](https://catalog.workshops.aws/quicksight/en-US) ------ #### [ Amazon Redshift ] + **Amazon Redshift Serverless 시작하기** Amazon Redshift Serverless의 기본 흐름을 이해하여 서버리스 리소스를 생성하고, Amazon Redshift Serverless에 연결하고, 샘플 데이터를 로드한 다음 데이터에 대한 쿼리를 실행합니다. [가이드 살펴보기](https://docs.aws.amazon.com/redshift/latest/gsg/new-user-serverless.html) + **Amazon Redshift 심층 분석 워크숍** 사용자가 Amazon Redshift 플랫폼 사용을 시작하는 데 도움이 되는 일련의 연습을 살펴봅니다. [워크숍 시작하기](https://catalog.us-east-1.prod.workshops.aws/workshops/380e0b8a-5d4c-46e3-95a8-82d68cf5789a/en-US) ------ #### [ Amazon S3 ] + **Amazon S3 시작하기** 첫 번째 DataBrew 프로젝트를 생성하는 방법을 알아봅니다. 샘플 데이터 세트를 로드하고, 해당 데이터 세트에서 변환을 실행하고, 해당 변환을 캡처하는 레시피를 빌드하고, 변환된 데이터를 Amazon S3에 쓰는 작업을 실행합니다. [가이드 시작하기](https://docs.aws.amazon.com/AmazonS3/latest/userguide/GetStartedWithS3.html) ------ #### [ Amazon SageMaker ] + **SageMaker 시작하기** 프로젝트를 생성하고, 구성원을 추가하고, 샘플 JupyterLab 노트북을 사용하여 빌드를 시작하는 방법을 알아봅니다. [가이드 읽기](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/userguide/getting-started.html) + **차세대 Amazon SageMaker 소개: 모든 데이터, 분석 및 AI의 중심** 데이터 처리, 모델 개발 및 생성형 AI 앱 개발을 시작하는 방법을 알아봅니다. [블로그 읽기](https://aws.amazon.com/blogs/aws/introducing-the-next-generation-of-amazon-sagemaker-the-center-for-all-your-data-analytics-and-ai/) + **SageMaker Unified Studio란 무엇인가요?** SageMaker Unified Studio의 기능과 Amazon SageMaker를 사용할 때 액세스하는 방법에 대해 알아봅니다. [가이드 읽기](https://docs.aws.amazon.com/sagemaker-unified-studio/latest/adminguide/what-is-sagemaker-unified-studio.html) + **Amazon SageMaker의 레이크하우스 아키텍처 시작하기** Amazon SageMaker에서 프로젝트를 생성하고 비즈니스 사용 사례에 대한 데이터를 검색, 업로드 및 쿼리하는 방법을 알아봅니다. [가이드 읽기](https://docs.aws.amazon.com/sagemaker-lakehouse-architecture/latest/userguide/lakehouse-get-started.html) + **Amazon SageMaker의 레이크하우스 아키텍처의 데이터 연결** 레이크하우스 아키텍처가 AWS 서비스 및 엔터프라이즈 애플리케이션 전반의 데이터 연결을 관리하는 통합 접근 방식을 제공하는 방법을 알아봅니다. [가이드 읽기](https://docs.aws.amazon.com/sagemaker-lakehouse-architecture/latest/userguide/lakehouse-data-connection.html) + **SageMaker 레이크하우스 아키텍처를 사용하여 Athena 페더레이션 쿼리 카탈로그 작성 및 관리** Amazon SageMaker 프로젝트를 위해 Amazon Redshift, DynamoDB 및 Snowflake에 저장된 데이터에 대한 페더레이션 쿼리를 연결, 관리 및 실행하는 방법을 알아봅니다. [블로그 읽기](https://aws.amazon.com/blogs/big-data/catalog-and-govern-amazon-athena-federated-queries-with-amazon-sagemaker-lakehouse/) ------ ## AWS 분석 서비스를 사용하는 방법 살펴보기 ------ #### [ Editable architecture diagrams ] **참조 아키텍처 다이어그램** 분석 솔루션을 개발, 확장 및 테스트하는 데 도움이 되는 아키텍처 다이어그램을 살펴보세요 AWS. [ 분석 참조 아키텍처 살펴보기](https://aws.amazon.com/architecture/reference-architecture-diagrams/?achp_navlib4&ams%23interactive-card-vertical%23pattern-data--366709333.filter=%257B%2522search%2522%253A%2522analytics%2522%257D) ------ #### [ Ready-to-use code ] **** | | | | --- |--- | | *추천 솔루션* **에서 Apache Druid를 사용한 확장 가능한 분석 AWS** 비용 효율적이고 가용성이 높으며 복원력이 뛰어나고 내결함성이 뛰어난 호스팅 환경 AWS인 Apache Druid를 설정, 운영 및 관리하는 데 도움이 되는 배포 AWS빌드 코드입니다. [이 솔루션 살펴보기](https://aws.amazon.com/solutions/implementations/scalable-analytics-using-apache-druid-on-aws/) | **AWS 솔루션** 사전 구성되고 배포 가능한 솔루션과 이를 기반으로 구축된 구현 가이드를 살펴봅니다 AWS. [모든 AWS 보안, 자격 증명 및 거버넌스 솔루션 살펴보기](https://aws.amazon.com/architecture/?nc2=h_ql_le_arc&cards-all.sort-by=item.additionalFields.sortDate&cards-all.sort-order=desc&awsf.content-type=content-type%23solution&awsf.methodology=*all&awsf.tech-category=tech-category%23analytics&awsf.industries=*all&awsf.business-category=*all) | ------ #### [ Documentation ] **** | | | | --- |--- | | **분석 백서** 조직에 가장 적합한 분석 서비스를 선택, 구현 및 사용하는 방법에 대한 추가 인사이트와 모범 사례를 알아보려면 백서를 살펴보세요. [분석 백서 살펴보기 ](https://aws.amazon.com/whitepapers/?ams%23interactive-card-vertical%23pattern-data-1858756679.filter=%257B%2522filters%2522%253A%255B%257B%2522id%2522%253A%2522GLOBAL%2523aws-tech-category.and%2522%252C%2522value%2522%253A%255B%2522analytics%2522%255D%257D%255D%257D) | **AWS 빅 데이터 블로그** 특정 빅 데이터 사용 사례를 다루는 블로그 게시물을 살펴보세요. [AWS 빅 데이터 블로그 살펴보기](https://aws.amazon.com/blogs/big-data/) | ------