Tradeshift가 Amazon Quick의 에이전틱 AI로 레거시 BI를 대체해 쿼리 속도 최대 30배·TCO 40% 절감

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

Tradeshift는 자체 개발한 레거시 BI 도구가 쿼리·리포트 규모와 유지보수 부담 때문에 대규모 분석 요구를 충족하지 못하자 AWS의 agentic AI 워크스페이스인 Amazon Quick를 도입해 대화형 질의 응답, 코드 없는 워크플로우(Flows), 다중 소스 기반 리서치 엔진을 통합했다. 도입 아키텍처는 자연어 질의의 쿼리 변환과 워크플로 오케스트레이션을 결합해 자동으로 데이터셋을 갱신하고 리포트를 배포하도록 구성되었으며 그 결과 쿼리 응답 시간은 최대 30배 빨라지고 총 소유 비용은 40% 줄었다. 이 변화는 엔지니어의 반복적 보고 작업을 크게 줄여 제품 혁신 자원을 확보했고 외부 고객에게 셀프서비스 분석 경로를 열어 임베디드 분석을 수익화하는 결과로 이어졌다.

섹션별 상세

Tradeshift는 내부에서 개발한 기존 BI 도구가 데이터 증가와 고객 요구를 감당하지 못해 심각한 운영 병목을 겪었다는 문제가 있었다. 해당 도구는 쿼리당 최대 10,000행, 예약 리포트 25MB 상한, 역사 데이터 보존 6개월 제한을 가지고 있어 대규모 추세 분석이나 이상치 탐지, 예측 모델링을 수행할 수 없었다. 유지보수에 한 명의 전일제 인력 시간의 약 50%가 소모되어 엔지니어링 자원이 제품 혁신에서 분산되었고, 결과적으로 외부 고객의 심층 분석 요청은 수동 CSV 익스포트와 매크로, 커스텀 리포트에 의존하는 병목을 만들었다. 이 상황은 사용자 접근성을 높이고 운영 부담을 줄이는 플랫폼 전환 필요성을 촉발했다.

근거

레거시 도구는 쿼리당 최대 10,000행, 예약 리포트 25MB 상한, 역사 데이터 보존 6개월 제한을 가졌고 유지보수에 약 절반의 전일제 인력 시간이 소모되었다. — 본문 'Limitations of our legacy analytics tool' 단락에서 제시된 운영 제약과 유지보수 인력 소모 수치

Amazon Quick는 애플리케이션·툴·데이터를 연결하는 agentic AI 워크스페이스로서 대화형 질의 응답, 코드 없는 다단계 자동화 워크플로우(Flows), 다중 소스 기반 장문 분석 리포트(Research)를 제공하는 아키텍처를 기반으로 도입되었다. 도입 과정에서 Flows는 데이터셋 새로고침 스케줄링과 리포트 배포를 자동으로 조정하고, 대화형 챗 에이전트는 자연어 질의를 해석해 문서 메트릭과 운영 데이터를 즉시 조회하도록 동작했다. 그 결과 쿼리 응답 시간은 최대 30배 빨라졌고 총 소유 비용은 40% 감소했으며 임베디드 분석이 제품 기능으로 전환되어 수익 창출 경로가 열렸다. 이러한 변화는 비기술 사용자에게 자체적으로 인사이트에 접근할 수 있는 능력을 제공하고 엔지니어의 반복적 보고 업무를 크게 줄였다.

근거

Amazon Quick 도입으로 쿼리 응답 시간이 최대 30배 빨라졌고 총 소유 비용이 40% 감소했다. — 도입 효과를 요약한 본문 초반의 수치적 결과 언급
Amazon Quick Flows가 데이터셋 새로고침, 리포트 배포, 반복 분석 작업을 자동화하고 Amazon Quick Research가 다중 소스 기반의 장문 분석 리포트를 생성하도록 활용되었다. — 본문에서 Flows와 Research 기능이 워크플로 자동화와 심층 분석 리포트 생성에 사용되었다는 기술적 설명

도입 후 운영 측면에서는 레거시 시스템에서 발생하던 수작업 보고 프로세스가 자동화 워크플로우로 대체되어 주간 수동 보고 업무와 커스텀 리포트 요청이 크게 감소했다. 외부 고객은 더 이상 엔지니어나 BI팀에 의존하지 않고 셀프서비스로 심층 분석을 실행할 수 있게 되었으며, 이로 인해 분석 기능 자체를 제품화해 추가 매출원을 확보했다. 기술적으로는 스케줄링·오케스트레이션·자연어-쿼리 매핑이 통합된 파이프라인이 유지보수 부담을 줄이고 대량 데이터 처리를 가능하게 만든 점이 핵심적인 운영 개선 포인트였다.

용어 해설

Agentic AI: — Agentic AI는 여러 애플리케이션과 데이터를 연결해 사람이 개입하던 반복 작업을 워크플로우로 자동화하고, 자연어 명령을 실행하며 복합 작업을 조정하는 방식의 시스템이다. 입력으로는 사용자 질의·스케줄·이벤트가 들어가고 내부적으로 도구 호출·데이터 조회·상태 관리가 조합된 뒤 외부 API 호출이나 리포트 생성으로 출력이 발생한다. 반복 업무 자동화와 비전문가의 데이터 접근성을 높여 BI 운영 비용과 응답 지연을 줄이는 데 중요하다.
Conversational Analytics: — 대화형 분석은 자연어 질의를 해석해 데이터베이스 쿼리·집계·시각화 작업을 자동으로 수행하고 사용자가 문장으로 요구한 통계나 트렌드를 즉시 반환하는 상호작용적 접근 방식이다. 내부적으로는 질의 해석 → 쿼리 생성 → 집계 실행 → 결과 요약의 파이프라인으로 작동하며, 문서와 메트릭을 결합해 설명형 응답을 생성한다. 비기술 사용자에게 실시간 인사이트를 제공해 보고서 요청 병목을 해소하는 데 기여한다.
Embedded Analytics: — 임베디드 분석은 애플리케이션 내부에 분석 기능과 대시보드를 통합해 외부 도구 없이 제품 화면에서 바로 인사이트를 조회하고 리포트를 배포하게 하는 설계 방식이다. 기술적으로는 애플리케이션 권한·데이터 연결·렌더링 레이어를 결합해 사용자화된 쿼리와 시각화를 내장한다. 제품화하면 새로운 수익원으로 전환될 수 있어 분석 기능의 확장과 고객 셀프서비스를 동시에 달성한다.
Workflow Orchestration: — 워크플로 오케스트레이션은 데이터 갱신, 리포트 배포, 이벤트 트리거 등 여러 단계 작업을 의존성에 따라 자동으로 스케줄링하고 실행하는 체계이다. 구현은 이벤트 리스너 → 태스크 스케줄러 → 상태 관리 → 재시도/알림 메커니즘으로 구성되며, 코드 작성 없이도 복합 절차를 자동화할 수 있게 한다. 반복적 수작업을 제거해 운영 비용을 낮추고 분석 파이프라인의 일관성을 확보하는 데 중요하다.