IT › 데이터 › 데이터 분석

데이터 웨어하우스Data Warehouse

여러 운영 시스템의 데이터를 주제별로 통합해 시점과 함께 쌓아 두는 분석 전용 데이터베이스다. 운영 업무와 떨어진 곳에서 의사 결정용 조회 · 집계를 처리한다.

1요약

  1. 데이터 웨어하우스는 주제 지향 · 통합 · 시계열 · 비휘발 네 성질(Inmon 1992)을 갖춘 분석용 저장소로, 운영 DB 와 따로 두고 ETL 이 주기마다 채우며, 그 위에서 OLAP 집계 · BI 보고서 · 데이터 마트가 돈다.
  2. 운영 DB 는 키로 수십 행을 읽고 쓰는 짧은 트랜잭션에 맞춰져 있어, 수백만 행을 훑어 조인 · 집계하는 분석 질의를 함께 돌리면 주문 처리가 밀리고 지난 값은 덮어써 남지 않는다 — 1997년 개요 논문은 운영 DB 를 수백 MB ~ 수 GB, 전사 웨어하우스를 수백 GB ~ TB 규모로 적었다(Chaudhuri · Dayal 1997 1절).
  3. 「보고서 숫자가 틀리다」는 원천 행 수 = 적재 + 거부인가(ETL) · 차원을 덮어썼는가(이력) · 사실 표 한 행의 단위(grain)가 섞였는가(모델)로 가른다.

2등장 배경

1980년대 기업은 주문 · 재고 · 회계 시스템마다 같은 고객을 다른 코드로 적었고, 경영 보고서는 시스템마다 따로 뽑은 추출 파일을 사람이 맞춰 만들었다. 추출 파일이 다시 추출을 낳아 같은 「지난달 매출」이 부서마다 달랐고, 분석 질의를 운영 DB 에 바로 돌리면 주문 응답이 느려졌다.

IBM 의 Devlin · Murphy 는 1988년 흩어진 업무 데이터를 정제해 하나의 정보 저장소로 모으는 구조를 IBM Systems Journal 에 실었고(Devlin · Murphy 1988), Inmon 은 1992년 책 『Building the Data Warehouse』에서 지금의 네 성질 정의를 굳혔다. Codd 등은 다차원 분석 제품의 규칙 12개를 OLAP 이라는 이름으로 정리했고, Kimball 은 1996년 『The Data Warehouse Toolkit』에서 사실 표와 차원 표로 짜는 차원 모델링을 내놓았다(Chaudhuri · Dayal 1997 1 · 5절).

2010년 Dixon 은 가공하지 않은 원본을 그대로 쌓는 저장소를 데이터 레이크라 불렀고(Dixon 2010), 2021년 Armbrust 등은 레이크의 열린 파일 위에 트랜잭션 · 버전 · 색인 계층을 얹는 레이크하우스를 제안했다(Armbrust 외 2021 3절). 레이크하우스가 목표로 삼는 기능이 바로 ACID 트랜잭션 · 스키마 강제 같은 웨어하우스의 관리 기능이어서, 검증된 하나의 숫자를 내는 웨어하우스의 역할은 저장 방식이 바뀌어도 남는다.

3쉽게 이해하기 — 지점 장부를 모으는 본사 기록실

동네 지점 세 곳은 낮 동안 계산대 장부에 판매를 적고, 단골이 이사하면 주소 칸을 지우고 새 주소를 쓴다. 밤마다 수거 기사가 그날 적힌 쪽만 베껴 본사 기록실로 가져오고, 기록실 직원은 지점마다 다르게 적힌 상품 이름을 표준 카드 하나로 맞춘 뒤 고객 · 상품 · 매출 서가에 날짜를 붙여 꽂는다. 한 번 꽂은 기록은 낮의 장부처럼 지우고 다시 쓰지 않고, 영업팀 · 재무팀은 자기 일에 필요한 묶음만 작은 서가로 받아 간다. 분석가가 「지난 분기 지역별 매출」을 물으면 지점 장부를 뒤지지 않고 서가에서 바로 뽑는다.

강남 지점 주문 DB 수원 지점 매장 POS 웹 몰 웹 몰 DB 1 밤 수거 기사 그날 쪽만 베낌 ETL 본사 기록실 데이터 웨어하우스 2 이름 통일 통합 3 주제별 서가 주제 지향 날짜 붙여 보관 시계열 · 비휘발 4 영업팀 서가 데이터 마트 재무팀 서가 데이터 마트 5 분석가 BI · OLAP 「지난 분기 지역별 매출은?」 서가에서 바로 뽑음 배지 = 실제 기술 이름 · 번호 = 아래 이야기 순서

그림 1 · 지점 장부는 밤마다 수거 기사를 거쳐 본사 기록실에 이름이 맞춰진 채 날짜와 함께 쌓이고, 부서 서가를 거쳐 분석가에게 간다.

낮 장부지점이 판매를 적음
밤 수거그날 쪽만 베껴 옴
이름 통일다른 이름을 카드 하나로
날짜 붙여 꽂기지우고 다시 쓰지 않음
부서 서가필요한 묶음만 나눠 줌
질문에 답서가에서 바로 뽑음
비유 — 지점 장부 표준 카드 실제 — 통합 단계 강남 지점 장부 콜라 1.5 · 2박스 수원 지점 장부 COLA-15 · 24개 웹 몰 장부 C015 · 24병 표준 상품 카드 P-0077 콜라 1.5L 단위 = 병 24 + 24 + 24 = 72병 코드 대응표 COLA-15 · C015 → 77 단위 환산 1박스 = 12병 대리 키 77 product_key 결과 — 세 장부의 같은 상품이 키 하나로 모여 「콜라 1.5L 72병」 한 줄이 된다 맞추지 않으면 같은 상품이 세 줄(2 · 24 · 24)로 따로 집계된다

그림 2 · 지점마다 다르게 적힌 같은 상품이 표준 카드 한 장으로 모여야 합계 72병이 한 줄로 나온다.

비유 속 역할실제 이름실제로 하는 일
지점 계산대 장부운영 DB(OLTP)주문 · 결제를 한 건씩 기록하고 지금 값으로 덮어쓴다
밤 수거 기사추출(Extract)지난 적재 뒤에 바뀐 행만 원천에서 읽어 온다
표준 카드로 맞추기정제 · 변환(Transform)코드 · 단위 · 이름을 하나로 맞추고 틀린 행을 거른다
주제별 서가사실 표 · 차원 표업무 프로그램이 아니라 고객 · 상품 · 매출 주제로 묶는다
날짜 붙여 꽂기적재(Load) · 시계열행마다 시점이 붙고 지난 행은 그대로 둔다
지우지 않는 기록비휘발분석 쪽은 읽기만 하고 갱신은 적재 작업만 한다
부서별 작은 서가데이터 마트한 부서 · 주제만 떼어 둔 부분 집합
분석가의 질문OLAP · BI차원별로 묶고 펼쳐 집계한다(롤업 · 드릴다운)

⚠ 비유가 맞지 않는 곳: 실제 적재는 밤 한 번에 그치지 않고 몇 분 주기의 작은 적재나 원천의 변경 기록을 따라가는 방식(CDC)으로 거의 실시간에 채우기도 한다. 기록실 직원이 사람 손으로 맞추는 이름도 실제로는 코드 대응표 · 변환 규칙이 자동으로 맞춘다.

4구조 — 원천에서 데이터 마트까지

웨어하우스는 원천 → ETL → 통합 저장소 → 데이터 마트 → OLAP · BI 순서로 이어지고, 운영 DB 와 따로 둔다. 운영 트랜잭션은 기본 키로 수십 행을 읽고 쓰지만 분석 질의는 수백만 행을 훑어 조인 · 집계하기 때문이다(Chaudhuri · Dayal 1997 1절). 전사 통합 저장소를 먼저 세우고 마트를 떼어 내면 Inmon 의 하향식, 열 이름 · 값을 맞춘 공통 차원으로 마트를 이어 붙이면 Kimball 의 상향식이다(Kimball 공통 차원).

원천 스테이징 통합 저장소 부서 · 분석 주문 DB(OLTP) ERP CSV 파일 ETL 추출 — 변경분 정제 — 코드 검사 변환 — 키 · 단위 적재 — 사실 · 차원 거부 행 표 데이터 웨어하우스 사실 표 + 차원 표 주제 — 고객 · 상품 · 매출 시점별 이력 · 지우지 않음 대리 키 원천 코드와 별개 읽기 전용(적재 작업만 씀) 영업 마트 재무 마트 OLAP · BI 롤업 · 드릴다운 메타데이터 — 원천 대응 · 적재 시각 · 행 수 · 거부 수(모든 단계가 남김) 적재 방향 → (원천은 이 흐름 동안에도 주문을 받는다) 원천 업무 변환 규칙 거부 통합 데이터 키 부서 사본(마트)

그림 3 · 원천 데이터는 ETL 한 곳을 지나야 웨어하우스에 들어가고, 부서 마트와 BI 는 그 통합본만 읽는다.

요소단위역할값근거
원천운영 DB · ERP · 파일업무 데이터를 만든다갱신 = 덮어씀Chaudhuri · Dayal 1997 1절
ETL추출 · 정제 · 변환 · 적재 · 갱신원천을 통합 형태로 바꿔 싣는다갱신 주기 = 매일 · 매주 등Chaudhuri · Dayal 1997 3절
사실 표한 행 = 선언한 grain 하나측정값과 차원 키를 담는다수량 · 금액 · 행 수가 가장 많음Kimball 4단계 설계
차원 표한 행 = 고객 · 상품 · 날짜 한 판묶고 거르는 속성을 담는다유효 시작 · 끝 · 현재 표시Kimball Type 2
대리 키1부터 차례로 매기는 정수원천 코드와 무관한 행 식별이력 행마다 새 값Kimball 대리 키
데이터 마트부서 · 주제 하나웨어하우스의 부분 집합빨리 세우지만 범위가 좁음Chaudhuri · Dayal 1997 1절
OLAP · BIROLAP · MOLAP 서버롤업 · 드릴다운 · 슬라이스 · 피벗SQL ROLLUP · CUBEPostgreSQL 18 7.2.4절

사실 표 하나를 차원 표가 둘러싼 모양이 스타 스키마이고, 차원 안의 계층(상품 → 범주)을 다시 정규화해 따로 떼어 낸 모양이 눈송이 스키마다(Chaudhuri · Dayal 1997 5절). 눈송이는 차원 관리가 쉬워지는 대신 질의마다 조인이 하나씩 늘어, Kimball 은 펼친 차원을 쓰라고 권한다(Kimball 눈송이 차원).

한 행 = 주문 줄 하나(grain) fact_sales — 사실 표 date_key store_key product_key customer_key quantity · amount dim_date date_key 20261103 날짜 · 월 · 분기 · 요일 dim_store store_key 12 지점 · 시 · 권역 dim_customer customer_key 90412 고객 번호 · 시 · 유효 기간 dim_product product_key 77 상품명 · 범주명 dim_category 눈송이 — 조인 +1 차원 키(대리 키) 실선 = 스타(차원 하나에 조인 한 번) · 점선 = 눈송이로 떼어 낸 표

그림 4 · 사실 표는 키와 측정값만 갖고 설명은 차원 표에 두며, 눈송이는 차원을 한 번 더 쪼개 조인을 늘린다.

5동작 — 하룻밤 적재와 이력 보존

아래 값은 설명용 가정 값이다 — 매장 둘과 웹 몰을 둔 소매점이 2026-11-04 새벽에 전날(11-03) 판매를 싣는다.

  1. 추출 — 01:00 에 원천 세 곳에서 updated_at 이 지난 적재 시각(11-03 01:00) 뒤인 주문 줄 18,240행을 스테이징 표로 읽는다.
  2. 정제 — 상품 코드가 대응표에 없는 37행을 거부 표 etl_reject 로 옮기고 사유 unknown_product 를 적는다.
  3. 변환 — 남은 18,203행의 원천 코드(COLA-15 · C015)를 상품 대리 키 77로, 박스 단위를 병(× 12)으로 바꾼다.
  4. 차원 갱신 — 고객 c-5521 의 시가 수원에서 대전으로 바뀌어, 옛 행(키 81130)의 유효 끝을 2026-11-02 · 현재 N 으로 닫고 새 행(키 90412 · 대전 · 현재 Y)을 더한다(Kimball Type 2).
  5. 사실 적재 — fact_sales 에 18,203행을 더하고 기존 사실 행은 하나도 고치지 않는다. c-5521 의 11-03 주문 줄은 새 키 90412 를 받는다.
  6. 대조 — 원천 18,240행 = 적재 18,203 + 거부 37, 금액 412,880,000원 = 412,310,500 + 569,500 이 맞는지 적재 기록 표 etl_load_log 에 남긴다.
  7. 집계 — GROUP BY ROLLUP(month, category) 한 질의로 (월, 범주) · (월) · 전체 세 수준 합계를 만들어 영업 마트를 새로 고친다(PostgreSQL 18 7.2.4절).
시각(가정) 단계 남는 값 1 01:00 추출 — updated_at > 11-03 01:00 스테이징 18,240행 2 01:06 정제 — 상품 코드 대응표 검사 etl_reject 37행 3 01:09 변환 — 코드 → 키 · 박스 → 병 18,203행 · product_key 77 4 01:15 차원 갱신 — c-5521 수원 → 대전 새 행 customer_key 90412 5 01:18 사실 적재 — fact_sales 에 추가만 추가 18,203행 · 수정 0행 6 01:25 대조 — 행 수 · 금액 합계 18,240 = 18,203 + 37 7 01:30 집계 — ROLLUP(month, category) 세 수준 합계 · 영업 마트 데이터 행 거부 변환 규칙 키 검증(굵은 테두리 = 판정 상자) 보고 · 마트

그림 5 · 하룻밤 적재는 행 수를 단계마다 남겨, 마지막에 원천 = 적재 + 거부로 맞춰 본다.

시계열 · 비휘발은 4 · 5단계에서 생긴다. 운영 DB 는 c-5521 의 시를 덮어써 수원을 잃지만, 웨어하우스는 차원 행을 하나 더 만들고 사실 행이 적재될 때 그 시점에 유효한 키를 받게 해 지난 매출을 그때의 지역에 묶어 둔다.

운영 DB customer c-5521 · 수원 11-03 덮어씀 c-5521 · 대전 수원은 이 표에서 사라짐 dim_customer — 행 추가(Type 2) customer_key 고객 번호 시 유효 시작 유효 끝 현재 81130 c-5521 수원 2025-03-02 2026-11-02 N 90412 c-5521 대전 2026-11-03 9999-12-31 Y 옛 행은 유효 끝 · 현재 표시만 바뀌고 남는다 fact_sales — 적재 때 그 시점의 키를 받음 2026-10-28 주문 · 52,000원 → 81130 2026-11-03 주문 · 31,000원 → 90412 행 추가(Type 2) 집계 10월 수원 52,000 · 11월 대전 31,000 덮어쓰기(Type 1)였다면 10월 52,000 도 대전으로 바뀜 굵은 테두리 = 바뀐 값 · 새 행 · 점선 테두리 = 이력을 잃는 경우

그림 6 · 차원 행을 더하면 10월 매출은 수원, 11월 매출은 대전으로 남고, 덮어쓰면 10월 매출까지 대전으로 옮겨 간다.

🔑 운영 DB 는 고객의 지금 주소만 남기고, 웨어하우스는 차원 행을 하나 더 만들어 지난 매출을 그때의 주소로 남긴다 — 시계열은 사실 표가 아니라 차원 표의 이력 행이 만든다.

6비교 — 운영 DB · 데이터 레이크 · 레이크하우스

기준운영 DB(OLTP)데이터 웨어하우스데이터 레이크레이크하우스
주 작업키로 수십 행을 읽고 쓰는 짧은 트랜잭션수백만 행 스캔 · 조인 · 집계원본 보관 · 대량 처리 · 기계 학습BI 와 기계 학습을 한 저장소에서
스키마 시점쓸 때쓸 때(schema-on-write)읽을 때(schema-on-read)쓸 때 강제 · 원본도 보관
데이터 형태정형정제 · 통합한 정형정형 · 반정형 · 비정형 원본셋 다
저장 형식DBMS 내부 형식제품 전용 형식Parquet · ORC 같은 열린 파일열린 파일 + 트랜잭션 · 버전 계층
이력지금 값(덮어씀)차원 이력 행 · 시점별 사실파일을 쌓아 둠 · 품질 관리는 뒤로 미룸표 버전 기록
신선도즉시적재 주기만큼 늦음원본은 바로 · 정제본은 늦음레이크 → 웨어하우스 ETL 을 줄여 늦음을 줄임

분석매출 · 재무처럼 «검증된 하나의 숫자»를 내야 하면 웨어하우스, 쓸 곳이 아직 정해지지 않은 로그 · 영상 · 문서를 싸게 쌓아 두려면 레이크, 둘을 다 쓰면서 ETL 을 두 번 도는 비용 · 지연이 문제이면 레이크하우스를 검토한다. 근거는 표의 「스키마 시점」 · 「신선도」 행 — Armbrust 등은 레이크 + 웨어하우스 두 단계 구조가 ETL 을 두 번 거쳐 지연과 실패 지점을 늘린다고 적었다(Armbrust 외 2021 1절).

7실무 진단 — 틀린 보고서 숫자의 원인 가르기

분석원천 대조 → 차원 이력 → 사실 표 grain → 질의 순서로 본다. 행 수가 맞지 않으면 뒤 단계 검사가 모두 맞아도 숫자가 틀리므로, 아래 표 1행의 대조식을 가장 먼저 확인한다.

#증상의심 원인단계확인 명령판정 기준(근거)
1보고서 합계가 원천 화면보다 적다거부 행 · 추출 조건 누락ETLSELECT count(*), sum(amount) FROM fact_sales WHERE date_key = 20261103; 와 원천 · etl_reject 같은 날 값원천 ≠ 적재 + 거부이면 추출 조건, 같으면 거부 사유를 본다(Chaudhuri · Dayal 1997 3절)
2지난달 지역별 매출이 이번 달에 바뀌었다차원을 덮어씀차원SELECT customer_id, count(*) FROM dim_customer GROUP BY customer_id HAVING count(*) > 1;주소가 바뀐 고객이 한 행뿐이면 이력이 없다(Kimball Type 2)
3매출이 실제의 두세 배로 나온다grain 이 다른 표끼리 조인(주문 줄 × 배송 줄)모델EXPLAIN ANALYZE 의 조인 노드 actual rows조인 뒤 행 수 > 사실 표의 그날 행 수이면 부풀림(Kimball 4단계 설계 2단계 grain)
4월별 집계 질의가 몇 분 걸린다사실 표 전체 스캔 · 집계표 없음질의EXPLAIN ANALYZE 의 Seq Scan · Buffers read사실 표 Seq Scan 의 읽은 블록이 대부분이면 날짜 분할 · 집계표 검토(PostgreSQL 18 EXPLAIN)

대조 값은 적재 작업이 etl_load_log 에 매번 남겨야 나중에 다시 셀 수 있다. PostgreSQL 18 은 EXPLAIN ANALYZE 에 버퍼 정보(Buffers: shared hit · read)를 따로 켜지 않아도 붙인다(PostgreSQL 18 EXPLAIN).

8시험 대비

출제 정보 정보관리(121회, 118회, 114회, 93회, 80회, 74회, 72회) · 컴퓨터시스템응용(122회, 87회, 78회, 72회, 69회, 68회)문제 원문 — 큐넷 자료실 「기출문제(기술사)」 www.q-net.or.kr

시험에서는 원천 · ETL · 저장소 · 마트 · OLAP 의 구성과 네 특징을 그리게 하는 구조 · 구성형, 스타 스키마로 분석 모델을 짜게 하는 구현 · 설계형이 나올 수 있고, OLTP · 데이터 레이크 · 레이크하우스와 견주는 비교형으로 이어지기도 한다. 구성형이면 그림 3 과 네 특징을 한 표로, 설계형이면 grain 선언 → 차원 → 사실 순서와 Type 2 이력을 함께 쓴다.

다른 답안과 차이를 내는 한 가지는 그림 6 처럼 «덮어쓰면 10월 매출이 대전으로 옮겨 간다»는 값으로 시계열 · 비휘발의 뜻을 보이는 것이다.

답안 목차
  1. 개요 — 정의(주제 지향 · 통합 · 시계열 · 비휘발) · OLTP 와 따로 두는 이유(수십 행 ↔ 수백만 행 · Chaudhuri · Dayal 1997)
  2. 구성 — 그림 3 구조(원천 · ETL · 웨어하우스 · 마트 · OLAP · 메타데이터) + 요소 표 · Inmon 하향식 ↔ Kimball 상향식
  3. 데이터 모델 — 그림 4 스타 스키마(사실 · 차원 · 대리 키 · grain) · 눈송이와 조인 수 차이
  4. ETL 과 이력 — 그림 5 적재 순서(원천 = 적재 + 거부 대조) + 그림 6 Type 2 행 추가 결과
  5. OLAP 연산 — 롤업 · 드릴다운 · 슬라이스 · 다이스 · 피벗 · SQL ROLLUP · CUBE(차원 N개 → 묶음 2^N)
  6. 동향 — 데이터 레이크(2010) · 레이크하우스(2021) 비교표 6행 · 선택 기준

꼭 쓸 키워드
주제 지향통합시계열비휘발ETL스타 스키마눈송이 스키마사실 표차원 표SCD Type 2

9오해와 사실

  • 오해데이터 마트는 늘 완성된 웨어하우스에서 떼어 낸다.
    사실부서 마트를 먼저 세우고 열 이름 · 값을 맞춘 공통 차원으로 이어 붙이는 상향식도 있고(Kimball 공통 차원), 공통 차원 없이 따로 세운 마트끼리는 같은 「고객 수」가 서로 달라진다(Chaudhuri · Dayal 1997 1절).
  • 오해비휘발이면 웨어하우스 데이터는 한 번 넣으면 어떤 값도 바뀌지 않는다.
    사실비휘발은 운영 갱신이 지난 값을 덮어쓰지 않는다는 뜻이고, 적재 작업은 Type 2 차원 옛 행의 유효 끝 날짜 · 현재 표시처럼 정해진 열을 고친다(Kimball Type 2).
  • 오해레이크하우스가 나왔으니 웨어하우스 설계는 쓸모가 없어진다.
    사실레이크하우스는 ACID 트랜잭션 · 버전 · 색인 같은 웨어하우스 관리 기능을 레이크 위에서 내는 것을 정의로 삼으며(Armbrust 외 2021 3절), 그 위의 표도 사실 · 차원 모델로 짠다.

10핵심 정리

구분맡는 일단위 · 키갱신 방식대표 기술 · 명령
원천 OLTP업무 처리원천 코드덮어씀주문 DB · ERP
ETL추출 · 정제 · 변환 · 적재행 수 · 거부 수주기 적재 · CDC거부 표 · 적재 기록 표
사실 표측정값 보관grain 한 행 · 차원 키추가만수량 · 금액
차원 표묶고 거르는 속성대리 키Type 2 행 추가유효 시작 · 끝 · 현재 표시
데이터 마트부서 · 주제 분석공통 차원웨어하우스에서 새로 고침영업 마트 · 재무 마트
OLAP다차원 집계차원 계층읽기만ROLLUP · CUBE · ROLAP · MOLAP
데이터 레이크원본 보관파일 · 객체쌓기 · 읽을 때 스키마Parquet · ORC

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ An Overview of Data Warehousing and OLAP Technology (ACM SIGMOD Record 26(1)) — Inmon 정의 · OLTP 와 따로 두는 이유 · ETL · 스타와 눈송이 스키마를 한 논문으로 볼 때
    Surajit Chaudhuri · Umeshwar Dayal · 1997-03 · doi.org/10.1145/248603.248616 · 확인 2026-11-04
  3. ★ Four-Step Dimensional Design Process (Kimball Dimensional Modeling Techniques) — 업무 과정 → grain → 차원 → 사실 순서로 분석 모델을 설계할 때
    Kimball Group · 2026-11 · www.kimballgroup.com/data-warehouse-business-intelligence-resources/kimball-techniques/dimensional-modeling-techniques/four-4-step-design-process/ · 확인 2026-11-04
  4. ★ Type 2: Add New Row (Kimball Dimensional Modeling Techniques) — 차원이 바뀔 때 새 행 · 대리 키 · 유효 기간으로 이력을 남기는 법을 볼 때
    Kimball Group · 2026-11 · www.kimballgroup.com/data-warehouse-business-intelligence-resources/kimball-techniques/dimensional-modeling-techniques/type-2/ · 확인 2026-11-04
  5. ★ Lakehouse: A New Generation of Open Platforms that Unify Data Warehousing and Advanced Analytics (CIDR 2021) — 웨어하우스 · 데이터 레이크 · 레이크하우스 세대 구분과 두 단계 구조의 문제를 볼 때
    Michael Armbrust · Ali Ghodsi · Reynold Xin · Matei Zaharia · 2021-01 · www.cidrdb.org/cidr2021/papers/cidr2021_paper17.pdf · 확인 2026-11-04
  6. ★ PostgreSQL 18 Documentation 7.2.4 GROUPING SETS, CUBE, and ROLLUP — ROLLUP · CUBE 가 어떤 묶음 집합으로 펼쳐지는지 SQL 로 볼 때
    PostgreSQL Global Development Group · 2026-11 · www.postgresql.org/docs/current/queries-table-expressions.html · 확인 2026-11-04
  7. 본문 근거
  8. An architecture for a business and information system (IBM Systems Journal 27(1) 60-80) — Barry A. Devlin · Paul T. Murphy · 1988-01 · dblp.org/rec/journals/ibmsj/DevlinM88.html · 확인 2026-11-04
  9. Data Cube: A Relational Aggregation Operator Generalizing Group-By, Cross-Tab, and Sub-Totals (Data Mining and Knowledge Discovery 1(1)) — Jim Gray · Surajit Chaudhuri · Adam Bosworth 외 · 1997-03 · arxiv.org/abs/cs/0701155 · 확인 2026-11-04
  10. Pentaho, Hadoop, and Data Lakes — James Dixon · 2010-10 · jamesdixon.wordpress.com/2010/10/14/pentaho-hadoop-and-data-lakes/ · 확인 2026-11-04
  11. Snowflaked Dimensions (Kimball Dimensional Modeling Techniques) — Kimball Group · 2026-11 · www.kimballgroup.com/data-warehouse-business-intelligence-resources/kimball-techniques/dimensional-modeling-techniques/snowflake-dimension/ · 확인 2026-11-04
  12. Conformed Dimensions (Kimball Dimensional Modeling Techniques) — Kimball Group · 2026-11 · www.kimballgroup.com/data-warehouse-business-intelligence-resources/kimball-techniques/dimensional-modeling-techniques/conformed-dimension/ · 확인 2026-11-04
  13. Dimension Surrogate Keys (Kimball Dimensional Modeling Techniques) — Kimball Group · 2026-11 · www.kimballgroup.com/data-warehouse-business-intelligence-resources/kimball-techniques/dimensional-modeling-techniques/dimension-surrogate-key/ · 확인 2026-11-04
  14. PostgreSQL 18 Documentation EXPLAIN — PostgreSQL Global Development Group · 2026-11 · www.postgresql.org/docs/current/sql-explain.html · 확인 2026-11-04