UPDATED. 2021-03-01 13:20 (월)
[Case Study] KCB, IBM 네티자 도입사례
[Case Study] KCB, IBM 네티자 도입사례
  • 임영규 기자
  • 승인 2008.09.03 17:54
  • 댓글 0
이 기사를 공유합니다

“더 빠르게” “더 정확히” 무엇이든 분석한다

개인신용평가 전문회사인 코리아크레딧뷰로(KCB)가 신세계 I&C의 지원을 받아 네티자 제품을 채택해 데이터웨어하우스 및 비즈니스 인텔리전스 시스템을 구축했다.

이번 시스템 구축을 통해 KCB는 고객 원하는 모든 분석정보를 제공할 수 있는 길을 열었다. 또한 데이터 처리 속도를 크게 올려 반복적인 분석 작업을 가능케 해 결과치의 신뢰성을 높였다.

KCB는 이와 같은 성과를 기반으로 고객의 높은 신뢰를 확보했고, 장기적인 비즈니스 수익의 확대에 청신호를 켰다.

구축배경∥포지티브 신용정보 필요성 부각

KCB는 개인에 대한 신용도를 종합적으로 평가하는 개인신용평가 전문회사로 국내 19개 대형 금융회사들이 공동으로 출자해 설립됐다.

지금까지 개인들에 대한 신용평가는 연체정보 등 주로 부정적인 정보에 의존해왔기에 개인들이 과거에 성실히 쌓아온 우량정보는 제대로 평가받지 못했다.

이런 한계를 극복하기 위해 KCB는 한국에선 처음으로 포지티브 정보를 포함한 신용평가 방식을 채택, 연체정보 뿐만 아니라 대출상환 실적, 카드사용 실적 등 다양한 형태의 우량 정보를 활용해 개인에 대한 균형 잡힌 신용평가를 추구하고 있다.

아울러 설립 이후 신용도 변화를 파악할 수 있는 동태적 우량정보까지 포괄하는 개인신용평가 시스템을 구축하는데 관심을 기울였다.

이 같은 그간의 노력을 바탕으로 KCB는 올해 초 종래의 적재 중심의 서비스 제공 방식에서 탈피해, 분석 중심의 데이터 서비스 제공을 위한 KCB 차세대 주력사업을 체계적으로 지원할 수 있는 정보계 시스템 구축을 실행에 옮겼다.

요건분석∥분석정보 제공하는 시스템 구축

회원들에 대한 긍정적인 신용정보 제공을 위해선 개인 신용거래 및 금융거래 데이터를 우선 확보한 데이터에 대한 폭넓은 신용정보의 공유가 꼭 필요하다.

이를 위해 KCB는 금융회사로 구성된 KCB주주회사들로부터 축적된 데이터를 제공받았다. 이후 5년 분량의 개인 거래 데이터에 대한 시계열 분석을 진행하기로 한다.

KCB 주주회사들은 전체 가계여신 점유율의 82%, 신용카드 여신 점유율의 80%의 방대한 데이터를 보유하고 있다. 이로써 정보계 시스템을 구축을 위한 제반 데이터는 확보된 셈이었다.

다량의 데이터를 확보했지만, 고객의 우량 및 불량 점수평가(스코어링) 혹은 권유 상품 분석 등을 진행하기 위해선 각각의 용도에 맞는 데이터 마트를 만들어야 했다.

기존에 구축한 마트도 있었지만, 이를 그대로 활용하면 ‘날짜(데이)’가 왜곡되거나, 변화하는 시장 및 고객 상황을 실시간으로 반영할 수 없는 한계를 갖게 된다.

예를 들면 추가적인 요청사항이 생기면 물리 및 논리적 설계나 또 다른 데이터 마트를 생성해야 한다. 결국 분석의 유연성 확보를 위해 데이터 마트를 무한히 생성해야 하는 불합리한 현상이 발생하게 된다.

제품선정∥철저한 BMT 거쳐 네티자 DW 결정

이와 같은 문제점을 극복하기 위해선 로우 레벨 데이터(low level data)에 직접 접근해, 데이터 마이닝 작업을 수행하고, 다양한 요구를 수용할 수 있는 다이나믹 마트를 확보해야 한다. 이를 위해선 먼저 고성능 및 대용량의 스트리밍 처리가 꼭 필요하다.

KCB는 이 같은 다양한 요건을 충족하는 제품을 찾기 위해 시중에 나와 있는 다양한 데이터웨어하우스(DW) 제품을 탐색했다.

이를 통해 몇몇 DW 제품을 1차적으로 선정한 후, 이들을 대상으로 실제 KCB 데이터와 업무요건 등을 반영한 벤치마킹테스트(BMT)를 꼼꼼히 진행했다.

이런 과정을 거쳐 KCB는 BMT에서 가장 높은 평가를 받은 네티자의 ‘DW 어플라이언스’ 제품을 최종 선정했다.

구축목표∥고객이 원하는 분석정보 모두 제공

비즈니스 관점으로 볼 때 KCB 사업의 방향성은 명확했다. 고객들이 최근 요구하는 다양한 신용정보를 분석해 제공하는 것이었다. 

즉 금융회사로부터 받은 데이터를 기반으로 의미 있는 정보를 찾아 이를 분석해 고객들이 원하는 다양한 정보를 제공해 고객만족도를 높이는 것을 최우선 목표로 설정했다.

KCB의 정보시스템부 서정진 과장은 “이 같은 고객의 요구사항을 만족하기 위해선 기존 정보시스템에서 제공하는 데이터 외에 다양한 정보를 뽑아 낼 수 있는 BI가 필요하다는 것을 깨달았다”고 밝혔다.

IT관점에서 CB(크레딧뷰로) 정보계 DW 구축의 목표 또한 매우 간결했다. 기존 배치시스템 환경을 획기적으로 개선하고, 데이터 및 업무규칙 검증의 효율화를 추구했던 것.

또한 데이터와 서비스의 일관성 및 정확성을 유지하고, 종래엔 없었던 DW/BI 환경의 토대를 마련하는데 노력을 집중했다.

이외에도 IT 자원의 부가가치를 높이는데 신경을 썼다. 특히 기존엔 정보계 인력의 업무 중 33%를 자료를 추출하는데 치중돼 있어, 리소스 활용도란 기준으로 볼 때 문제점이 많았다.

솔루션 선정 작업 및 구축목표를 명확히 정의한 KCB는 2007년 7월부터 2개월 간에 걸쳐 구축계획을 수립했다. 이 시기 KCB는 다양한 사례와 대안들을 검토하고 외부 금융전문 컨설팅인력의 자문도 받아 정보계 구축 계획 초안을 수립했다.

구축과정∥정보 서비스 효율성 확보 총력

KCB는 2007년 10월부터 본격적인 인프라 구축 작업에 본격 착수했다. KCB는 인프라 도입을 위해 다양한 제품들 놓고 BMT를 실시한 후 ‘네티자 퍼포먼스 서버(Netezza Performance Server)’를 최종적으로 선정했다.

KCB의 정보시스템부 서정진 과장은 “솔루션 선정 당시 네티자를 포함해 다양한 업체의 제품을 대상으로 벤치마킹테스트(BMT)를 진행했다”며 “테스트 결과 네티자의 DW제품이 속도가 빠르고 시스템 구성 또한 매우 심플한 것으로 판명됐다”고 밝혔다.

이어 “네티자 제품은 국내 레퍼런스가 없었지만 데이터 로딩이나 정형, 비정형 쿼리,  대용량 데이터 조회 면에서 뛰어난 성능우위를 보였고, 이런 점을 높게 평가했다”고 설명했다.

그는 또 “이러한 장점에 힘입어 앞서 수립했던 정보계 구축계획에서 추정했던 구축비용, 특히 데이터모델 설계 및 ETL 응용프로그램 개발 등 프로젝트 과제들을 수행하는 데에 투입되는 공수를 대폭 줄일 수 있을 것으로 판단했다”고 덧붙였다.

KCB는 이 같은 테스트 결과를 갖고 본격적인 시스템 구축에 착수했다. 선정 후 구축을 위한 사전 작업 단계부터 신세계 아이앤씨와 네티자의 기술 인력이 본격적으로 참여하기 시작했다.

KCB는 2008년 1월부터 마스터DB 및 데이터 마트 구축에 돌입했으며, 확보된 데이터에 대한 검증 작업을 병행했다. 이 작업은 올 5월에 마무리 됐다.

마스터DB 및 데이터 마트 구축 작업은 기존 운영DB인 크레딧DB(CreditDB)를 대체하기 위한 것이었다.

이 작업엔 KCB의 IT인력을 비롯해 신세계 아이앤씨, BA컨설팅 등의 외부 개발인력이 함께 참여했다. 특히 마스터DB 구축 과정에서 발생하는 네티자의 기술적 문제 지원을 위해 신세계 아이앤씨와 네티자코리아의 기술지원 인력이 상주하는 열의를 보였다.

4월부터는 대략 한 달 간에 걸쳐 올랩(OLAP) 서비스 구축을 진행했다. 올랩 구축을 위해선 정보계의 대용량 데이터 추출할 수 있는 성능이 최적화된 사용자 도구가 필요했다.

또한 현업이 적시에 필요한 데이터를 추출할 수 있는 인프라 구현이 가능해야 했다.

KCB는 이 두 가지 요건을 수용할 수 있는 솔루션인 마이크로스트레티지(MSTR)의 올랩 제품을 선정했다.

서정진 과장은 “R올랩 제품인 MSTR은 네티자에 관계형 데이터모델로 구현된 원천데이터를 그대로 사용하면서 집계를 용이하게 하기 위한 큐브형태의 물리적 데이터 마트의 구축이 필요치 않고, 또한 비정형 쿼리 작성에 매우 효과적인 솔루션”이라고 밝혔다.

이어 “이 같은 장점을 가진 MSTR 솔루션 적용을 통해 단기간에 효과적인 올랩 서비스 구현이 가능했다”고 덧붙였다.

 

 

      비즈니스 성과∥“고객이 원하는 분석 기능 모두 제공”

KCB는 이번 시스템 구축 과정에서 고객들이 원하는 정보를 시스템에서 뽑아내기 위해 BI 기능 구현에 관심을 집중했다.

이는 엔드유저의 요구 사항이 많아, 정형화된 패턴으로 정보를 추출하는 기존 리포팅 기능의 한계를 느끼고 있었기 때문이다.

서정진 과장(사진)은 “리포팅의 한계를 극복하기 위해 고객이 원하는 정보는 모두 뽑아낸다는 개념을 잡고,

이를 실현할 수 있는 BI 도입에 매진했다”고 밝혔다.

시스템 구축으로 KCB는 이 같은 목표를 달성했다. 시스템 도입 후 회원사의 이용자들이 원하는 다양한 정보를 집적 분석할 있게 시스템을 꾸며 놨다. 또한 회원사를 지원하는 분석 담당자들이 전산 인력의 도움 없이 직접 분석할 수 있게 했다.

“회원사로부터 정보 제공 신뢰성 확보”

전수검사를 통한 분석 작업을 가능케 한 것도 성과로 꼽힌다. 기존엔 샘플링 방식을 채택해 분석을 진행했지만, 결과치의 신뢰성 확보에 적지 않은 어려움이 있었던 것.

이 같이 전수검사를 할 수 있게 된 것은 데이터 처리속도 향상으로 때문이다. 서정진 과장은 “분석의 신뢰성은 통상 분석범위와 다수의 분석 시도를 통해 확보된다. 즉 적절한 규모의 분석대상을 바탕으로 다양한 분석 이력을 통해 결과 값의 신뢰성을 높일 수 있다”고 밝혔다.

이어 “이전엔 대부분의 분석이 하루 꼬박 걸려 한 가지 분석을 했지만, 지금은 하루에 수차례 혹은 수십 차례 분석이 가능하게 돼 분석의 신뢰성을 크게 높였다.”고 강조했다.

KCB는 이와 같은 정밀한 정보 분석역량 확보를 통해 KCB는 회원사들에 대한 신뢰를 확보했다.

서정진 과장은 “KCB는 종전 분석 방식을 유지하고 있는 경쟁사보다 훨씬 다양한 그리고 신뢰도를 높인 정보를 고객에게 제공할 수 있다”며 “이는 장기적인 서비스 품질제고와 다양화로 이어질 것이어서, 기업의 이윤창출에 직접적인 기여할 하게 될 것”이라고 밝혔다.

“전산 운영인력 최소 투입 성과”

운영 관리 측면에서도 상당한 효과를 거둔 것으로 확인됐다. KCB의 내부 전산 인력은 애플리케이션 개발 등을 담당하는 IT 개발 인력과, 시스템 운용을 담당하는 운영인력으로 나뉜다.

서정진 과장은 “전통적인 DW 개발 방식이었다면, 시스템 개발을 진행하면서 운영인력 부문에서 개발에 대한 지원이 꼭 필요했을 것이지만, 시스템 개발 과정이 매우 간결해 인력지원을 필요치 않았다”고 밝혔다.

이어 “역시 전통적인 DW이었다면, 시스템을 구축한 후 운영 인력을 추가로 투입해야 할 것이지만, 기존 운영인력을 그대로 가져가면서 새로 구축한 DW를 운영하고 있다”고 덧붙였다.

“물리적 마트 없이 신속한 데이터 추출”

물리적인 마트를 만들지 않은 것은 시스템 구축의 또 다른 성과로 꼽을 수 있다. KCB는 데이터를 논리적으로 요약해서 ‘뷰’를 통해 정보를 보여주는 형태를 선택했다.

서정진 과장은 “전통적인 DW 구축 방식에선 대개 데이터에 대한 다차원 모델을 정의하고 ETL 작업을 진행하는데 70%의 공수가 투입되지만, KCB의 경우 뷰로 데이터를 확인할 수 있게 시스템을 구축한 까닭에 ETL 작업을 생략할 수 있었다”고 밝혔다.

즉, 원천 데이터를 직접 추출해서 이를 뷰로 보여 주는 형식을 채택, 불과 몇 분 이내에 데이터 결과 값을 알 수 있게 했다는 설명이다.

전통적인 방식은 보통 원천 데이터베이스에서 데이터를 DW로 끌어오고, 이를 차원과 팩트로 분석해 이를 테이블로 정의하는 매우 복잡한 방식을 채택한다. 이렇게 되면 데이터를 가져오는 속도가 느려져, 이에 대한 대안으로 흔히 요약 마트를 만든다.

그러나 “도입한 네티자 제품이 데이터 처리 속도가 빨라 마트를 만들지 않아도 결과 값을 쉽게 알 수 있다”고 서정진 과장은 밝혔다.

이어 “네티자 DW는 인덱스를 생략하는 등 속도에 최대한 초점을 맞춰 개발된 제품”으로 평가했다.

     기술적 성과∥“혁신적 신기술 DW 모두 담았다”

- 이번 사업에서 눈에 띠는 성과는 정보계의 실제 구축 시간을 종래 방식보다 크게 줄인 것인데요. 이런 것이 가능했던 이유를 설명해 주십시오.

“철저한 사전준비 단계와 적절한 컨설팅 인프라를 통해 구축의 방향을 정확히 설정했습니다. 또한 구축 인프라의 적절한 선정으로 구축 준비기간을 최소화했습니다. 이를 통해 정보계 구축을 3개월 만에 끝냈습니다.”

<Interview 신세계I&C 김병철 부장>

 

- 개발과정도 기술적으로 종래 방식과 다른 점이 있었다고 들었습니다.

“기존 운영 DB와 유사한 3차 정규화 구조를 사용했습니다. 특히 네티자의 경우 ansi표준 SQL을 준수하고 있어 기존의 개발된 SQL문을 활용해 DBMS에 의존적인 일부 쿼리문을 변경해 적용하는 형태의 개발을 진행했습니다.”

“또한 구축한 업무영역을 먼저 현업사용자들에게 개방해 친근감을 주고 사용률을 높였습니다. 특히 개방형 인터페이스를 기반으로 구성해, 기존 운영 시스템 자산을 그대로 사용할 수 있게 했고 향후 BI 고도화 작업도 유리하게 만들었습니다.”

- 새로운 방식으로 DW 구축하는 것이어서, 데이터의 신뢰도에 대한 관심이 쏠리고 있는데요. 검증 작업은 어떻게 진행했습니까.

“데이터 전수 검증 기간 1개월을 통해 기존 업무 규칙을 검증하고 데이터의 일관성, 정확성을 향상시켰습니다.”

- DW 현업의 요구를 신속히 수용할 있는 유연성을 갖춰야 합니다. 이를 위해선 DW 다양한 요구를 적절히 수용할 있는 확장성을 보장해야 하는데요.

“일반적인 DW는 업무영역별로 물리적 데이터마트를 구축하고 이를 바탕으로 분석결과를 내는 구조로 신규 업무 추가 시 물리적, 논리적 데이터마트의 구축시간이 충분히 요구되어집니다.”

“KCB의 DW는 논리적 뷰와 메타DB에 등록된 비즈니스 로직으로 구성돼 물리적으로 저장된 집계 테이블을 필요치 않습니다. 이를 통해 유연하고 신속한 분석이 가능하게 만들었습니다.”

- 데이터 조회 성능을 크게 높였다고 들었습니다. 같은 성과가 가능했던 이유는 무엇입니까.

“네티자는 비대칭 초병렬 데이터 처리 방식인 ‘AMPP 구조(Asymmetric Massively Parallel Processing)를 갖고 있습니다. 이 처리 방식은 데이터를 공유하지 않은 상태에서 분산된 상태로 SPU(데이터저장공간)에 데이터를 저장하는 구조입니다. 이렇게 되면 데이터의 입출력(I/O) 과정이 필요하지 않아, 데이터 처리 시간을 크게 줄일 수 있습니다.”

- 네티자 솔루션은 경쟁 DB 달리 인덱스 설정이 필요 없다고 들었습니다. 인덱스 설정을 하지 않으면 설계나 관리 측면에서 여러 가지 장점이 있을 텐데요.

“일반 DB의 경우엔 인덱스를 설정하는 과정에서 원하는 수준의 데이터가 나오지 않으면 최악의 경우 인덱스를 재설계해야 합니다. 또한 운영 과정에서도 현업의 요구사항에 맞춰 인덱스를 재설정하는 작업을 반복해야 하는 불편이 있습니다.”

“네티자는 SPU에 데이터를 저장하는 초병렬 데이터 처리 구조을 채택하고 있어 인덱스란 개념이 없습니다. 이에 따라 DB 설계 및 운영 과정에서 인덱스 설정이 필요 없습니다. 이에 따라 현업의 요구를 DW에 신속히 반영할 수 있고, 경쟁 DB와 달리 DW운영에 필요한 관리자도 요구하지 않습니다.”

- 네티자 만이 가진 분산키의 역할과 효과에 대해 설명해 주십시오.

“네티자의 분산키는 테이블을 생성할 때 함께 설정해주는 것으로, 저장할 데이터를 SPU에 할당하는 기능을 수행합니다. 즉, 분산키를 통해 SPU로 데이터가 효율적으로 분산되어 저장됩니다. DB관리자들은 적절한 분산키 설정을 통해 데이터 처리 성능을 높일 수 있습니다.”

- 관리자들은 분산키를 어떤 방식으로 설정하고 관리해야 합니까.

“분산키는 분산의 균등성 원칙에 의해 결정되며 전체성능을 좌우합니다. 업무적 성격이 강하므로 개발 현업이 분산키를 결정합니다. 특히 빈번하게 결합되는 테이블의 조인(join)절의 ‘where’ 조건에 해당되는 칼럼을 분산키로 지정하는 것이 좋습니다.”

- 존맵(Zone-map) 기능을 통해  데이터 스캔 속도를 크게 높였다고 들었습니다.

“익스텐트(Extent)는 SPU에서 최소 단위의 디스크 할당을 의미하는 것으로, 하나의 익스템트는 디스크에서 3MB로 설정되어 있습니다. 네티자의 존맵은 익스텐트 레벨에서 테이터의 상속 순서를 사용합니다. 존맵을 통해, 참조되지 않는 행은 스캔(데이터를 읽는 작업)되지 않아 데이터 처리 속도를 크게 높여줍니다. 존맵은 대량으로 그룹화됐거나 대부분 순서가 있는 데이터의 처리능력과 응답 시간의 향상을 위해 자동으로 생성 및 업데이트됩니다.”

- 존맵의 기능을 구체적으로 설명해 주십시오.

“존맵은 제한된 스캔 쿼리에서 ‘WHERE’ 절의 시작 및 종료 범위 외의 레코드를 제거하므로 데이터 검색에 필요한 디스크 스캔 작동을 줄여줍니다. NPS 스토리지 관리자는 존맵을 사용해, 스캔할 익스텐트를 제거해 원하는 행이 포함되지 않은 테이블의 일부를 생략해 주어, 검색 시간, 디스크 경합 및 디스크 입출력(I/O)을 획기적으로 줄여줍니다.”

 

     기존 DW의 한계 및 DW 어플라이언스 등장배경

“정보량 증가 쫒는 느림보 DW

기업이 취급하는 데이터 볼륨이 최근 빠른 속도로 늘어나고 있지만, 데이터웨어하우스(DW)가 이를 적시에 반영하지 못하고 있다는 지적 또한 꾸준히 제기되고 있다.

시장조사기관인 IDC의 최근 자료에 따르면, 조사대상 기업의 40% 가량은 데이터 볼륨이 매년 50%씩 급증하고 있다. 그러나 웨어하우스는 규모 면에서 18%만 매년 증가하고 있다.

이 같은 조사결과와 관련 신세계 I&C의 김병철 부장은 “기업들이 취급해야 할 데이터 용량이 급증하고 있고 이에 따른 DW 구축 요구가 커지고 있지만, 기존 DW 솔루션의 발전 속도가 기업들의 요구에 따르지 못한다는 것을 의미한다”고 해석했다.

이 같은 불일치의 원인 중 한 가지는 기존 DW 개발 및 구축 과정이 몇 가지 한계점을 갖고 있기 때문이다.

“기존 DW, 개발과정 심히 복잡하다”

먼저 기존 DW의 개발과정은 매우 복잡한 과정을 거쳐 이뤄진다. 먼저 질의 처리 및 결과의 최적 경로 비용을 찾아내는 옵티마이저를 셋팅해야 한다. 또한 DW 프로젝트의 성패를 가름하는 물리 및 논리모델링 작업을 진행해야 한다.

이외에도 상당 기간의 테스트 과정과 시간을 들여 최적화된 인덱스 설정하는 것을 비롯해, 업무에 적합한 마트설계 등의 과정을 거쳐야 한다.

그러나 이런 복잡한 과정을 거쳐도 종래의 방식은 업무가 정형화돼 있을 때만 DW 프로젝트의 성공을 보장할 수 있다는 단점을 갖고 있다.

하지만 실제 현업의 요구사항은 규정된 범위 내에 존재하지 않는 경우가 많다. 또한 개발 기간에는 도출되지 않았던 문제점들이 개발 이후 유지보수 과정에서 끊임없이 나타날 수 있다.

“비즈니스 반영 한계, 데이터 품질 저하”

결국 과거의 레가시 방식으로 DW를 구축하면 현업의 다양한 요구사항은 적절히 또한 신속히 반영할 수 없는 한계를 갖게 된다.

김병철 부장은 “실제로 대용량 데이터를 축적하고 있는 은행 및 카드사 등의 금융권을 비롯해 인터넷 포털, 대형 제조 및 유통 업체, 대형병원 등은 실시간 데이터 통합이나 전사데이터 통합에 적극 나서고 있지만, 데이터 품질의 저하 때문에 DW로부터 정확한 의사결정 정보를 전달받지 못하는 사례가 빈번히 발생하고 있다”고 설명했다.

몇 가지 조사결과는 이 같은 데이터 품질저하 현황을 잘 보여준다. 한국데이터베이스진흥센터 조사에 따르면 국내 기업 중 데이터 품질관리를 수행하고 있는 곳은 30%에 불과했다. 가트너그룹도 50% 이상의 DW와 CRM 프로젝트가 불량 데이터로 문제점을 노출할 것으로 예측한 바 있다.

“해법은 네티자 DW 어플라이언스”

이런 문제점을 해결하기 위해 비교적 최근 등장한 개념이 ‘DW 어플라이언스’다. 이 제품은 DBMS와 서버, 스토리지를 하나로 묶어 DW를 구현하는 형식을 취하고 있다.

예를 들면 네티자의 DW 어플라이언스가 이 같은 통합 형식으로 설계된 제품이 있다. 네티자 DW는 인덱스를 설정할 필요가 없고, 물리 모델에서 자유로운 것을 비롯해 다양한 장점을 갖고 있다.

특히 데이터 튜닝 포인트 제로인 네티자는 데이터 아키텍처 등의 비즈니스 요구 사항을 유연하게 받아들이고 월등한 물리적 데이터 조회속도를 구현할 있다.

이런 장점 때문에 현업 사용자들의 DW 이용률을 높이고, 물리적 데이터 아키텍처 설계부분에 있어 분석의 제약을 벗어나 활용도를 크게 높일 수 있다.

             네티자 NPS 10200 솔루션 사양

 

 

 

 

 

  

 

 

 

  하드웨어

- 2 Racks

- HP Proliant DL585 *2

- HP MSA500 (공유스토리지)

- 224 SPU (216 Active / 8 Hot-Spare)

- CiscoSwitch RPS 675

- SFI (Snippet Fabric Interface) * 16

- SPUs

      . 400GBSataDiskDrive

      . Power PC 440GX Embedded Processor

      . 1GB Memory

      . 1M Gate FPGA

      . Dual 1GB Ethernet

 

 

  소프트웨어

 

- SAS DB Connector

- Data Stage Connector

- ODBC/JDBC Driver

- Admin Installer

                        

               KCB CB 정보계 구축 과정 및 단계별 내용

 

1월 7일

 

- 네티자 장비 배송 및 장비 세팅 2일(총 14시간 소요)

 

- 어플라이언스 제품의 특성상 네트워크 셋팅 등 최소 작업만으로 바로 구동 가능

 

- 사용가능 25TB(전체 84TB) 테이블 스캔능력 0.8TB/1분

 

- 데이터 로딩 시간당 500GB

 

1월 17일

 

- CB정보계 구축 프로젝트팀 결성

- 네티자 기술인력 진행 아래 네티자 기본 사용교육 1일 진행

 

1월 18일

~

4월 16일

 

- 각 업무별 개발 진행

 

- 개발된 것부터 개방하는 XP방법론 도입으로 현업의 적응력을 높임

 

- XP방법론에 입각해 각 업무별로 KCB 인원과 신세계 개발 인원을  2인1조로 구성해 개발 진행, 이를 통해 개발 기간 단축

 

- 기존 크레딧 DB를 주제 중심으로 모델링해 마스터 DB를 통해 ETL로 이관하고, 이 로우(raw) 데이터를 표준SQL을 통해 메타 데이터로 재구성

 

- 메타데이터는 신세계 자체 프레임웍(C++개발)을 통해 배치잡으로 구성

 

- 데이터 품질 확보를 위해 데이터 전수 검사를 진행, 데이터 검증에 1개월 투입

 

- 기존 운영 시스템의 3~4월 정기 서비스 산출 결과와 새로 개발된 결과물의 전수 비교 (3680만 고객 기준 100% 일치)