How Datacor built self-service rental analytics with Amazon Quick Sight

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Datacor는 TrackAbout에 Amazon Quick Sight를 통합하고 자동화된 데이터 파이프라인과 고객별 접근 통제를 구축해, 가스·용접 유통업체가 임대 데이터를 직접 분석하고 자연어로 질문할 수 있게 했다.

📌 핵심 요약

• TrackAbout 고객들은 총 2,750만 개의 자산과 월 72만 5,000건 이상의 청구서를 관리하지만, 기존에는 맞춤형 SSRS 보고서나 데이터 추출을 지원팀에 요청한 뒤 며칠에서 수 주를 기다려야 했다.
• Datacor는 Amazon Quick Sight의 대화형 대시보드와 생성형 BI 자연어 검색을 TrackAbout에 내장해, 표준 분석에서 IT 개입 없이 자산 가동률, 청구 예외, 수익 회수 추세 등을 탐색하도록 했다.
• Azure SQL 데이터를 Azure Data Factory로 추출해 Amazon S3로 보내고, AWS Glue와 Apache Iceberg로 증분 변경을 병합하며, AWS Step Functions로 행 수를 검증한 뒤 성공한 실행마다 SPICE 데이터셋을 새로 고친다.
• 고객별 데이터 격리는 행 수준 보안인 RLS로 대시보드와 자연어 질의에 동일하게 적용한다. 고객당 15~30분이 걸릴 수 있던 온보딩은 TrackAbout에서 자동화했고, 자연어 질의에는 업계 용어·동의어·사전 정의 지표와 실제 고객 질문을 반영했다.
• 2025년 7월 데이터 파이프라인 구축을 시작하고 기존 SSRS 환경과 병행 검증한 뒤, 9월 고객 6~7곳을 대상으로 시험 운영하고 11월 임대 기능을 사용하는 고객에게 출시했다. Datacor는 수익 데이터에 대한 자신 있는 오답의 위험을 강조했으며, 제공된 본문에는 도입 후 수익 개선의 정량 성과가 제시되지 않는다.

🧩 주요 포인트

1. 정적인 SSRS 보고서와 긴 요청 대기 → 고객별로 다른 임대 조건을 직접 탐색하고 요율 결정에 필요한 후속 분석을 수행할 필요성이 커졌다.
2. 교차 클라우드 파이프라인·행 수 검증·RLS → 데이터 갱신과 고객별 접근 통제를 갖춘 기반 위에 자연어 분석을 제공하는 구조다.
3. 단계적 출시·온보딩 자동화·업계 용어 설정 → 정확성을 검증하면서 고객 확대와 사용 편의성을 지원했지만, 실제 수익 개선 효과는 추가 확인이 필요하다.

🧠 상세 정리

1. 임대 수익 규모와 데이터 접근의 병목

가스·용접 유통업체에서 실린더와 대형 탱크 같은 자산의 임대 청구는 전체 매출의 상당 부분을 차지하며, 원문은 TrackAbout 고객에게 이를 가장 중요한 수익원으로 설명한다. Datacor는 공정 제조, 화학 유통, 엔지니어링 분야의 소프트웨어와 전문성을 제공하고, TrackAbout은 공급망 전반의 실린더와 용기 자산 추적·관리를 지원한다. 고객들이 합쳐서 관리하는 규모는 자산 2,750만 개와 월 72만 5,000건 이상의 청구서에 이른다. 그러나 필요한 데이터는 서로 단절된 운영 시스템에 묶여 있어 IT를 거쳐야 접근할 수 있었고, 기존 보고서로는 자산 가동률과 요율 성과, 수익 회수 상태를 충분히 파악하기 어려웠다. 이 규모에서 데이터 접근의 제약은 단순한 불편을 넘어 청구하지 못한 임대 일수와 회수하지 못한 수익으로 이어지는 문제였다.

2. 정적 보고서의 한계와 신뢰성에 대한 기준

고객은 Datacor 지원팀에 맞춤형 SSRS 보고서나 원시 데이터 추출을 요청하고 며칠, 때로는 수 주를 기다려야 했으며, 결과물은 처음 제기한 질문에만 답하는 정적 자료였다. 후속 질문이 생기면 같은 요청 과정을 반복해야 했고, 양쪽의 기술 인력이 필요했으므로 아세틸렌 요율을 5% 올리는 경우처럼 수익에 직접 영향을 주는 분석을 당일에 수행하기 어려웠다. 자산 규모, 제품 구성, 지역, 청구 구조가 유통업체마다 달라 하나의 표준 보고서로 해결할 수도 없었고, 수작업 방식으로 개별 요구를 모두 지원하기도 어려웠다. Datacor의 Chief AI Officer인 Sundar Kuppuswamy는 자연어 기능에 앞서 교차 클라우드 수집, 행 수 검증, 감사 가능한 고객별 격리 모델을 마련하는 일이 중요했다고 설명했다. 그는 고객이 같은 회의에서 요율 변경 질문의 답을 얻는 것을 목표로 제시하면서도, 수익 데이터에 대한 자신 있는 오답은 답이 없는 것보다 나쁘다는 이유로 적용 범위를 보수적으로 정한다고 밝혔다.

3. TrackAbout 안에서 제공하는 셀프서비스 분석

Datacor는 AWS와 협력해 Amazon Quick Sight의 대화형 대시보드와 자연어 검색창을 TrackAbout에 직접 통합한 멀티테넌트 임대 분석 솔루션을 구축했다. Amazon Quick Sight는 Amazon Quick의 임베디드 분석 기능이며, 이 솔루션은 표준 분석에서 IT의 도움 없이 비즈니스 사용자가 임대 성과를 탐색하도록 설계됐다. 중심 기능인 Amazon Q in Quick Sight는 정기적으로 갱신되는 데이터셋을 바탕으로 자연어 질문에 맥락에 맞는 답을 제공하는 생성형 BI 도우미로 소개된다. 질문 예시는 지난 분기의 제품 유형별 임대 수익, 이번 달 미반납 실린더가 가장 많은 고객, 상위 20개 계정의 자산 유형별 평균 임대 요율, 반출된 지 90일이 넘은 실린더 수 등이다. 대시보드는 자산 가동률, 청구 예외 요약, 수익 회수 추세, 고객별 자산 경과 기간을 비즈니스 사용자가 이해하기 쉬운 시각적 형태로 제시한다.

4. 교차 클라우드 수집과 데이터 검증의 흐름

TrackAbout의 운영 데이터는 Azure SQL 데이터베이스에 저장되며, Azure Data Factory 파이프라인이 원본 테이블을 Apache Parquet 파일로 추출해 Amazon S3로 전송한다. 전체 적재와 증분 적재를 모두 지원하고, 증분 실행에서는 변경 추적을 사용해 수정된 행만 옮긴다. Amazon S3에 새 데이터가 도착하면 AWS Lambda, AWS Glue, Amazon DynamoDB로 구성한 오케스트레이션 계층이 테이블별 처리 작업을 배정하고 순서를 지키는 단일 스레드 실행을 적용한다. AWS Glue 작업은 증분 변경을 Amazon S3의 Apache Iceberg 테이블에 병합하며, AWS Step Functions 워크플로는 행 수를 검증하고 최종 BI용 테이블을 만든다. Datacor는 각 실행이 성공한 뒤 Amazon Quick Sight의 인메모리 계산 엔진인 SPICE 데이터셋을 갱신하므로, 대시보드는 이러한 갱신 과정을 거친 최근 운영 데이터를 반영한다.

5. 고객별 데이터 격리와 애플리케이션 내 통합

TrackAbout은 여러 고객이 사용하는 SaaS 애플리케이션이므로 분석 계층에서도 요청한 고객의 데이터만 보이도록 Amazon Quick Sight의 행 수준 보안인 RLS를 적용한다. 각 SPICE 데이터셋에는 사용자 신원과 테넌트 식별자를 연결하는 RLS 데이터셋이 있으며, 질의 시 이 연결에 따른 접근 제한이 자동으로 적용된다. 이 방식은 대시보드와 자연어 질의에 일관되게 작동하고, 새 고객을 추가할 때 대시보드 정의를 바꾸거나 고객별로 데이터셋과 대시보드를 복제하지 않고도 수백 테넌트로 확장할 수 있도록 설계됐다. 화면 통합에는 Amazon Quick Sight Embedding SDK를 사용하며, 사용자가 분석 영역을 열면 애플리케이션 서버가 API를 호출해 해당 사용자 신원에 한정된 단기 유효 서명 임베딩 URL을 생성한다. 자연어 질의에는 비즈니스 용어를 데이터셋 필드와 연결하는 생성형 BI 토픽을 설정해, 고객이 실제로 사용하는 표현을 분석 대상 데이터와 연결했다.

6. 기존 보고서와 병행한 단계적 출시

Datacor는 통합 위험을 줄이고 SaaS의 멀티테넌트 요구를 충족하면서 점진적으로 가치를 제공하기 위해 솔루션을 여러 단계로 출시했다. 2025년 7월 시작한 첫 단계는 교차 클라우드 수집, 데이터 품질 검증, 과거 기록의 SPICE 적재 등 데이터 파이프라인 기반을 마련하는 데 집중했다. 이 작업은 기존 SSRS 보고 환경과 병행해 진행했으며, 기존 보고서를 폐기하기 전에 새 결과의 정확성을 검증할 수 있도록 했다. 두 번째 단계에서는 2025년 9월 고객 6~7곳에 내장 대시보드를 제공하고 시험 운영의 피드백과 추가 검증 결과를 반영했다. 이후 2025년 11월 TrackAbout의 임대 기능을 사용하는 고객에게 출시했으며, 원문은 고객들이 임대 데이터를 새로운 관점에서 볼 수 있다는 점에 긍정적으로 반응했다고 전하지만 실제 수익 증가나 분석 시간 단축의 정량 성과는 제시하지 않는다.

7. 온보딩 자동화와 업계 언어에 맞춘 설정

새 고객을 등록하려면 Amazon Quick Sight 사용자 신원 생성, RLS 권한 설정, 적절한 SPICE 데이터셋 연결이 필요하며, 수동으로 처리하면 고객당 15~30분이 걸릴 수 있었다. Datacor는 초기 고객 50곳을 넘어 더 넓은 TrackAbout 고객층으로 확대할 수 있도록 이 과정을 애플리케이션 안에서 완전히 자동화했다. 사용자가 처음 접근하면 기존 역할을 바탕으로 신원을 만들고, RLS 설정에 테넌트 식별자를 추가하며, 구독 등급에 맞는 대시보드를 배정한다. 자연어 기능은 제품팀과 TrackAbout 분야 전문가가 협력해 turnaround time, lost cylinders, demurrage, fill cycle 같은 가스·용접 업계 표현을 이해하는지 검증했다. 또한 열마다 친숙한 필드 이름과 동의어를 정의하고 평균 임대 기간과 수익 회수율을 사전 정의 지표로 구성했으며, 실제 고객 질문 모음으로 토픽의 대응 범위를 시험해 사용자가 내부 데이터 모델을 몰라도 질문할 수 있도록 했다.

8. 업무 질문 중심의 대시보드와 제공 본문의 범위

Datacor는 가스·용접 사업을 관리하는 사용자가 일상적으로 쓰는 TrackAbout 안에서 특정 업무 질문에 답하도록 각 대시보드를 설계했다. 원시 데이터를 범용 도구에 노출하는 방식 대신, 사용자가 담당하는 임대 업무와 연결된 지표와 시각적 표현을 제공하는 데 초점을 맞췄다. Rental Summary 대시보드는 경영진과 관리자가 임대 상태와 추세를 파악하도록 돕고, 고객이 화면을 조정할 수 있어 보고 요구가 서로 다른 유통업체도 하나의 대시보드를 활용할 수 있다고 설명한다. 여기에 자연어 질의를 통합해 사용자가 평이한 영어로 질문할 수 있도록 했지만, 제공된 본문은 즉시 받는 시각화 결과를 설명하던 문장 중간에서 끝난다. 따라서 이후 기능이나 다른 업무 영역으로의 확장 결과는 이 자료에서 확인할 수 없으며, 확인 가능한 내용은 임대 분석의 데이터 기반, 접근 통제, 출시 과정과 대시보드 설계까지다.

🧾 핵심 주장 / 시사점

• 자연어 분석의 신뢰성은 AI 기능 자체뿐 아니라 데이터 수집·검증과 감사 가능한 고객별 격리를 먼저 갖추는 데 달려 있다는 것이 Datacor가 강조한 교훈이다.
• 고객마다 다른 임대 조건은 표준 보고서만으로 대응하기 어렵기 때문에, 고객이 직접 후속 질문을 이어갈 수 있는 분석 접근성이 요율 결정의 중요한 기반이 된다.
• 온보딩 자동화는 고객 확대의 운영 부담을 줄이고 업계 용어 설정은 사용자 이해를 돕지만, 이러한 설계상의 이점을 실제 수익 개선 성과와 구분해 평가할 필요가 있다.

✅ 액션 아이템

• TrackAbout의 자산 가동률·청구 예외·수익 회수 추세를 직접 탐색해 요율 결정에 필요한 후속 분석 수행.
• 교차 클라우드 파이프라인의 행 수 검증과 SPICE 갱신, RLS의 대시보드·자연어 질의 적용 일관성 확인.
• Datacor의 단계적 출시와 온보딩 자동화가 고객 확대 및 실제 수익 개선에 미친 효과 확인.

❓ 열린 질문

• TrackAbout의 셀프서비스 분석은 기존 SSRS 보고서 요청의 며칠에서 수 주에 이르는 대기 시간을 실제로 얼마나 줄였는가?
• 행 수 검증과 업계 용어·실제 고객 질문을 반영한 설정은 수익 데이터에 대한 자연어 질의의 오답을 어느 정도 줄였는가?
• 2025년 11월 출시 이후 자산 가동률과 수익 회수 추세에서 정량적으로 확인된 개선은 무엇인가?