📖 약 3분 읽기
「데이터 웨어하우스부터 만들어야 합니까, 마케팅 데이터 마트만 있으면 됩니까?」는 BigQuery 도입을 검토하는 마케팅 조직에서 자주 듣는 질문입니다. 두 용어는 크기의 차이로만 설명되는 경우가 많지만, 실무에서 중요한 것은 데이터의 기준을 어디에서 관리하느냐입니다. 이 글은 두 저장소의 차이를 비교표로 정리하고, 마케팅 분석 환경을 기준으로 구축 순서를 설명합니다.
정의
구글 클라우드는 데이터 웨어하우스를 판매 거래, 마케팅 자동화, 고객 관계 관리(CRM) 같은 여러 원천의 정형·반정형 데이터를 분석하고 보고하는 데 쓰는 전사 시스템으로 설명합니다. 현재 데이터와 과거 데이터를 한곳에 저장해 장기간의 흐름을 보는 비즈니스 인텔리전스의 핵심 구성 요소라는 설명입니다. AWS는 데이터 마트를 조직의 특정 사업 단위에 해당하는 정보를 담는 저장소로, 회사가 더 큰 저장소에 보관하는 데이터 가운데 작고 선별된 일부를 담는다고 설명합니다(두 문서 모두 2026년 11월 16일 확인).
데이터 웨어하우스와 데이터 마트 비교
| 구분 | 데이터 웨어하우스 | 데이터 마트 |
|---|---|---|
| 범위 | 전사. 여러 부서와 원천의 데이터 | 특정 부서나 주제 (예: 마케팅 성과, 주문) |
| 데이터 원천 | 업무 시스템, 광고·분석 도구, CRM 등 여러 원천 | 웨어하우스의 일부(종속형) 또는 원천 직접(독립형) |
| 주 사용자 | 데이터 엔지니어, 분석가, 여러 부서 | 해당 부서의 담당자와 분석가 |
| 테이블 구성 | 원본·정제·통합 테이블이 많음 | 질문에 맞춘 집계 테이블 중심으로 수가 적음 |
| 변경 | 공통 기준을 바꾸면 여러 부서에 영향 | 범위가 작아 바꾸기 쉬움 |
| 대시보드 연결 | 직접 연결보다 마트를 거치는 것이 일반적 | 대시보드와 보고서가 직접 연결하는 층 |
표 1. 데이터 웨어하우스와 데이터 마트의 차이
종속형과 독립형 데이터 마트
| 유형 | 방식 | 장점 | 주의할 점 |
|---|---|---|---|
| 종속형 | 중앙 웨어하우스에서 주제별 데이터를 받아 만듭니다 | 데이터 관리 작업이 웨어하우스에 모여 마트 사용자는 데이터베이스 관리 부담이 적습니다 | 웨어하우스에 장애가 생기면 연결된 마트도 함께 영향을 받습니다 |
| 독립형 | 웨어하우스 없이 원천에서 직접 데이터를 받아 만듭니다 | 작은 조직이나 한 부서만 쓰는 경우 빠르게 만들 수 있습니다 | 마트마다 관리 작업을 따로 해야 하고, 같은 지표의 기준이 마트마다 달라지기 쉽습니다 |
표 2. 데이터 마트 유형 비교 (AWS 「What is a data mart」의 분류를 바탕으로 정리)
마케팅 조직이 처음 시작할 때는 독립형처럼 보이는 구성으로 출발해도 됩니다. 다만 원천 데이터를 가공하지 않은 원본층을 따로 보관해 두면, 나중에 다른 부서의 데이터가 합류할 때 같은 원본에서 웨어하우스 구조로 넓힐 수 있습니다.
구축 순서
- 질문과 지표를 정리합니다. 「광고 채널별로 유입된 고객의 재구매율」처럼 답해야 할 질문을 먼저 적고, 질문마다 필요한 지표와 기준을 정합니다.
- 원천 목록을 만듭니다. GA4 내보내기, 광고 매체 비용, 주문, 회원(CRM)처럼 원천마다 관리 부서, 갱신 주기, 가져오는 방법(커넥터·API·CSV)을 적습니다.
- 원본층에 적재합니다. 원천 데이터를 변형하지 않고 날짜별로 보관합니다. 문제가 생겼을 때 다시 계산할 수 있는 기준이 됩니다.
- 정제·통합층을 만듭니다. 이벤트·세션·사용자 단위로 정리하고, 주문 번호·회원 번호처럼 원천을 잇는 키와 코드 값을 표준화합니다.
- 마트층을 만듭니다. 마케팅 성과 마트, 주문 마트처럼 주제별로 집계 테이블을 만들고, 대시보드는 이 층에만 연결합니다.
- 품질 검사와 갱신 일정을 정합니다. 예약 쿼리로 정해진 주기에 갱신하고, 건수·합계가 원천과 맞는지 확인하는 검사를 넣습니다.
- 권한과 문서를 정리합니다. 층마다 누가 읽고 쓸 수 있는지 정하고, 테이블 명세서에 컬럼 정의와 계산 기준을 적습니다.
BigQuery에서는 층마다 데이터 세트를 나눠 권한을 관리하는 방식이 일반적입니다. 마트층의 집계 테이블은 대시보드 조회 비용을 줄이는 데에도 쓰입니다. 비용 구조는 BigQuery 비용 구조와 비용 관리 방법에, 마트를 대시보드에 연결하는 절차는 루커 스튜디오(데이터 스튜디오) 대시보드 구축 순서에 정리했습니다. BigQuery로 데이터 마트를 만드는 예시는 원하는 정보만 쏙쏙, BigQuery로 만드는 데이터마트에서 다뤘습니다.
인트렌치컨설팅이 하는 일
인트렌치컨설팅은 GA4 내보내기 원본을 이벤트·세션·사용자 단위 분석 테이블로 정리하고, 광고 매체 비용, 주문·회원(CRM), 오프라인 전환을 결합한 BigQuery 데이터 모델을 테이블 명세서와 함께 전달합니다. 예약 쿼리로 분석 테이블을 정해진 주기에 갱신하고, 파티셔닝·클러스터링과 조회 기간 제한으로 쿼리 처리량을 관리하는 기준도 함께 정리합니다.
마케팅 데이터 통합 범위를 확인하시려면
함께 읽을 글
출처
모두 2026년 11월 16일에 확인했습니다. 구글 클라우드 「What is a data warehouse?」, AWS 「What is a data mart?」.
자주 묻는 질문 (FAQ)
데이터 웨어하우스와 데이터 마트의 가장 큰 차이는 무엇입니까?
범위입니다. 데이터 웨어하우스는 여러 부서와 원천의 데이터를 전사 단위로 모아 분석·보고에 쓰고, 데이터 마트는 그중 특정 부서나 주제에 필요한 부분만 질문에 맞춘 집계 테이블 중심으로 모읍니다.
종속형과 독립형 데이터 마트는 어떻게 다릅니까?
종속형은 중앙 웨어하우스에서 주제별 데이터를 받아 만들어 관리 작업이 한곳에 모이지만, 웨어하우스에 장애가 생기면 함께 영향을 받습니다. 독립형은 원천에서 직접 데이터를 받아 빠르게 만들 수 있지만 마트마다 관리 작업을 따로 해야 하고 지표 기준이 달라지기 쉽습니다.
마케팅 조직은 웨어하우스부터 만들어야 합니까?
처음에는 마케팅 마트 중심으로 시작해도 됩니다. 다만 원천 데이터를 가공하지 않은 원본층을 따로 보관해 두면, 다른 부서의 데이터가 합류할 때 같은 원본에서 웨어하우스 구조로 넓힐 수 있습니다.

