이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
Data Lake는 원시 데이터를 구조화 없이 저장하는 저장소이고, Data Warehouse는 분석 목적에 맞게 정제·구조화된 데이터를 보관합니다. Lake는 스키마 온 리드(schema-on-read) 방식이라 읽을 때 구조를 정의하고, Warehouse는 쓸 때 구조를 맞추는 스키마 온 라이트입니다. Data Lake는 어떤 분석에 쓰일지 모르는 로그나 이벤트 데이터를 저장할 때 적합하고, Warehouse는 정기 리포트나 BI 대시보드처럼 반복적이고 예측 가능한 쿼리에 최적화됩니다. 데이터 엔지니어링 수업 프로젝트에서 두 시스템을 연결하는 파이프라인을 설계하면서, 원시 데이터는 Lake에 보존하고 정제된 버전은 Warehouse로 보내는 구조가 가장 유연하다는 걸 배웠습니다.
두 구조 중 하나만 고르기보다 실시간과 배치 요구가 동시에 있는 경우에는 Lambda 아키텍처처럼 병렬로 운영하는 방식이 자주 나옵니다. 실시간 스트리밍 처리는 Kafka나 Flink로 빠른 레이어(speed layer)에서 처리하고, 배치 집계는 Data Lake에 쌓인 원시 데이터로 주기적으로 수행합니다. 최종 서비스는 두 레이어의 결과를 합쳐서 보여줍니다. 이 구조는 복잡성이 높아서 운영 비용이 크지만, 실시간 알림과 집계 분석을 동시에 제공해야 할 때는 현실적인 선택입니다.
요구사항 복합도가 구조 복잡도를 결정합니다. 실시간과 배치는 다른 레이어입니다. Lambda는 복잡도를 대가로 유연성을 얻습니다. 요구사항이 아키텍처 선택을 결정합니다.
최근에는 Data Lake와 Data Warehouse의 장점을 합친 Lakehouse 패턴이 주목받고 있습니다. Delta Lake나 Apache Iceberg 같은 포맷을 사용하면 원시 데이터를 유연하게 저장하면서도 ACID 트랜잭션과 스키마 관리가 가능해집니다. 선택 기준으로 보면, 데이터 거버넌스와 일관성이 중요한 환경에서는 Warehouse, 다양한 형태의 데이터를 분석 목적으로 탐색할 때는 Lake가 적합하고, 두 요건이 동시에 있다면 Lakehouse를 고려합니다.
단순히 비용과 성능이 아닌 데이터 거버넌스 성숙도가 선택 기준이 됩니다. 거버넌스 요건이 구조 선택을 결정합니다. Lakehouse는 절충안입니다. 데이터 요건이 아키텍처를 결정합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 삼성전자 데이터 엔지니어 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.