이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
데이터 파이프라인 공부를 통해 데이터웨어하우스(DW) 설계 원칙에 대해 기본기를 다졌습니다. 팀 프로젝트에서 간단한 분석용 데이터 저장소를 만들면서 운영 DB 구조를 그대로 쓰면 분석 쿼리가 느려지는 문제를 직접 경험했습니다. 그 이후 주제 중심으로 데이터를 재구성하는 스타 스키마 방식을 공부했는데, 팩트 테이블과 디멘션 테이블을 분리하면 집계 쿼리 성능이 크게 개선됐습니다.
DW 설계의 핵심은 데이터 저장 방식이 아니라 어떤 분석 질문에 답해야 하는가를 먼저 정의하는 것이었는데, 요구사항 없이 설계하면 나중에 구조를 뒤집는 비용이 컸습니다. 지금도 데이터 모델 설계 전에 주요 쿼리 패턴을 먼저 정의하는 방향을 따릅니다.
데이터웨어하우스 초기 설계에서 여러 소스 시스템의 집계 단위가 다른 것을 고려하지 않아 팩트 테이블의 숫자가 맞지 않는 문제가 발생했습니다. 일별 집계와 월별 집계를 같은 테이블에 섞어 넣은 것이 원인이었습니다. 저는 그레인(Grain) 정의를 가장 먼저 확정하는 원칙을 세우고, 팩트 테이블을 일별 거래 단위와 월별 요약 단위로 분리해 재설계했습니다. 또한 각 팩트 테이블의 그레인을 README 형태의 메타 문서로 명시해, 이후 쿼리 작성자가 그레인을 잘못 이해해 발생하는 집계 오류를 사전에 방지했습니다. 이 경험에서 DW 설계의 핵심은 그레인 정의 없이 테이블 구조를 결정하지 않는 것임을 배웠습니다.
마케팅 팀에서 과거 특정 시점의 회원 등급 분포를 분석하고 싶다는 요구가 있었는데, 기존 DW는 현재 회원 속성만 유지하고 있어 이력 분석이 불가능한 상태였습니다. 저는 회원 차원 테이블에 SCD(Slowly Changing Dimension) Type 2 방식을 적용해, 속성 변경 시 유효 시작일과 종료일을 기록하는 새 레코드를 추가하는 구조로 변경했습니다.
is_current 플래그로 현재 레코드를 빠르게 조회할 수 있게 했고, 과거 시점 분석은 valid_from, valid_to 컬럼으로 AS OF 쿼리를 지원했습니다. 이 설계 이후 3년치 회원 등급 변화 추이 분석이 처음으로 가능해졌고, 마케팅 캠페인 타겟팅 정확도가 향상됐습니다. DW 설계에서 변경 이력을 어떻게 보존할지가 분석 깊이를 결정한다는 것을 이 경험에서 확인했습니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 핀다 DBA 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.