10,000행의 한계를 깨고 Amazon Quick으로 전환한 배경

자체 개발한 내부 도구는 초기 도입 비용이 낮지만, 데이터가 쌓이면 유지보수 인건비라는 고정비 지출이 발생한다. AI 기반 매입채무 및 전자송장 준수 플랫폼인 Tradeshift 역시 자체 비즈니스 인텔리전스(BI) 도구의 한계에 직면했다. 데이터 규모가 커지면서 기존 시스템은 고객의 요구사항과 처리량을 감당하지 못했고, 결국 에이전틱 AI 기반의 Amazon Quick으로 플랫폼을 교체했다.

기존 도구는 쿼리당 최대 10,000행까지만 데이터를 불러올 수 있었고, 예약 리포트 용량은 25MB, 데이터 보관 주기는 6개월로 제한되어 대규모 추세 분석이나 예측 모델링이 불가능했다. 이로 인해 고객 성공팀과 데이터 분석팀은 매주 CSV 파일을 내려받아 엑셀 매크로로 리포트를 조립하는 수동 작업에 많은 시간을 허비했다.

Tradeshift는 유지보수 부담을 없애고 엔터프라이즈급 성능을 확보하기 위해 Amazon Quick을 도입했다. 이 플랫폼은 자연어로 질문하고 답을 얻는 채팅 에이전트, 코딩 없이 다단계 워크플로우를 자동화하는 Flows(플로우), 여러 소스에서 심층 분석 리포트를 생성하는 Research(리서치) 기능을 제공한다. 이를 통해 기술적 숙련도가 낮은 재무 담당자도 BI 팀의 도움 없이 복잡한 통계 분석과 데이터 처리를 직접 수행할 수 있는 환경을 구축했다.

전환 과정은 단계별로 진행되었다. 2024년 초 개념 증명(PoC)을 시작으로, 2024년 8월부터 2025년 3월까지 임베디드 분석 MVP를 개발했다. 이후 2025년 6월에 구매자와 판매자를 위한 정식 리포팅 및 분석 앱을 출시했으며, 2025년 8월에 내부 BI 도구를 완전히 대체하며 조직 내 채택률 98%를 달성했다.

3계층 분석 아키텍처와 14,000개의 RLS 보안 설계

Tradeshift는 iFrame 방식으로 제공되는 16개의 QuickSight 대시보드를 통해 1계층 분석 환경을 구축했다. 이 시스템은 송장 처리, 구매 주문, 네트워크 연결, 사용자 활동, 컴플라이언스 및 이상 징후 탐지 등 9개 영역에서 100만 건에서 최대 1억 건의 트랜잭션 기록을 처리한다. 응답 시간은 3초 미만으로, 기존 도구의 45~90초 대비 처리 속도를 대폭 높였다.

단순 수치 확인을 넘어 사용자가 직접 분석 모델을 만드는 2, 3계층 구조를 추가했다. 2계층은 대화형 AI 인터페이스로, SQL 지식 없이 자연어로 질문하면 즉시 시각적 응답을 제공한다. 3계층은 권한에 따라 데이터 자율성을 차등 부여한다. 기본 필터와 CSV 내보내기만 제공하는 Standard 티어와, 사용자가 직접 대시보드를 설계하고 가상 시나리오를 분석하는 What-If 모델링이 가능한 Premium 티어로 구분해 운영한다.

대규모 다중 사용자 환경에서 데이터 격리를 보장하기 위해 4단계 보안 스택을 적용했다. Okta SSO로 사용자 신원을 확인하고, 커스텀 네임스페이스로 테넌트별 데이터를 격리한다. 이후 세션 시간이 제한된 Signed URL로 임베딩 접근 권한을 제어하며, 최종적으로 약 14,000개의 RLS(행 수준 보안) 규칙을 적용해 개별 사용자가 자신의 데이터만 조회하도록 설계했다. 상세한 다중 테넌트 설계 방식은 Support multi-tenant applications for SaaS environments using Amazon Quick Sight 문서에서 확인할 수 있다.

TCO 40% 절감과 리포트 배포 주기 75% 단축의 실질적 효과

Tradeshift의 내부 지원팀은 매주 8.5시간의 수동 리포트 작업 시간을 줄였으며, 외부 구매자 유저는 1인당 주당 6~8시간을 절감했다. 엑셀 매크로나 VLOOKUP 등 수동 데이터 조작 비중은 80% 감소했고, 운영 병목 구간을 찾아내는 시간은 기존 1~2일에서 5초 미만으로 단축되었다.

전체 소유 비용(TCO)은 이전 솔루션 대비 40% 감소했다. 인프라 비용은 35% 줄었는데, 이는 쿼리를 운영 데이터베이스에서 분리해 SPICE라는 인메모리 데이터 엔진으로 처리해 DB 부하를 줄인 결과다. 파편화되어 있던 BI 도구 라이선스 비용은 30% 통합되었으며, 도구 유지보수에 투입되던 인력은 0.5 FTE(정규직 직원 1인분 환산 수치) 수준으로 낮아져 해당 자원을 제품 혁신 업무에 투입했다.

커스텀 엔터프라이즈 리포트의 시장 출시 기간(Time-to-market)은 75% 개선되었다. 기존에 4~6주가 소요되던 신규 리포트 배포 주기가 약 1주로 단축되어 고객 요구사항에 빠르게 대응하는 체계를 갖췄다.

분석 도구의 제품화: ARR 2% 확장과 리텐션 10% 상승

Tradeshift는 내부용 분석 역량을 고객 대상 유료 서비스로 전환했다. 프리미엄 리포팅 티어를 도입해 기존 구매자 계정으로부터 연간 반복 매출(ARR)을 2% 추가로 확장했다. 데이터 분석 권한과 고도화된 리포팅 기능을 상품화해 비즈니스 모델에 편입시킨 결과다.

분석 기능의 제품화는 고객 유지율에도 영향을 주었다. 임베디드 분석 기능을 사용하는 계정은 그렇지 않은 계정보다 12개월 리텐션이 10% 더 높게 측정됐다. 실제 도입 1년 내에 타겟 엔터프라이즈 구매자의 50%가 월간 활성 사용자(MAU)로 전환되었으며, 데이터에 직접 접근하고 시각화하는 경로를 제공함으로써 고객 이탈을 방지했다.

데이터 접근성 확대는 내부 리소스 최적화로 이어졌다. SQL 작성 능력이 없는 비기술 직원의 분석 도구 활용도가 2배 증가했으며, 과거 BI 팀에 의존했던 분석 관련 지원 티켓 접수 건수가 80% 감소했다. 이는 분석 요청 대기 시간이 사라졌음을 의미하며, 내부 분석 도구를 수익 모델로 전환한 구체적인 성과를 보여준다.

데이터 분석을 위해 BI 팀에 리포트를 요청하고 며칠을 기다리거나 엑셀 매크로와 씨름하던 불편함은 결국 데이터 접근 권한과 처리 속도의 문제다. Tradeshift는 SPICE 인메모리 엔진과 3단계 분석 아키텍처를 통해 쿼리 응답 시간을 30배 단축하고 TCO를 40% 절감하며 이를 해결했다.

내부 분석 도구의 가치는 단순한 비용 절감이 아니라, 이를 제품화하여 수익으로 연결하는 비즈니스 모델의 전환에 있다. 실제 구현을 위해서는 본문에서 언급한 다중 테넌트 설계 문서를 기준으로 자사 데이터 권한 계층을 재설계하는 것부터 시작하면 된다.