데이터 분석이란 무엇인가요?

데이터 분석은 원시 데이터를 실행 가능한 인사이트로 변환합니다. 여기에는 데이터를 사용해 추세를 찾아서 문제를 해결하는 데 사용되는 도구, 기술, 프로세스가 포함됩니다. 데이터 분석을 통해 비즈니스 프로세스를 구성하고, 의사 결정을 개선하며, 비즈니스 성장을 증진할 수 있습니다.

데이터 분석이 중요한 이유는 무엇인가요?

데이터 분석을 통해 기업은 프로세스와 서비스에 대한 가시성을 높이고 더 깊이 이해할 수 있습니다. 고객 경험과 고객 문제에 대한 상세한 인사이트를 제공합니다. 인사이트를 행동으로 연결하기 위해 데이터를 넘어 패러다임을 전환함으로써 기업은 개인화된 고객 경험을 만들고 관련 디지털 제품을 구축하고 운영을 최적화하고 직원 생산성을 높일 수 있습니다.

빅 데이터 분석이란 무엇인가요?

빅 데이터는 대량으로 빠르게 계속해서 생성되는 정형, 비정형, 반정형 등 다양한 데이터의 대규모 집합을 의미합니다. 빅 데이터는 일반적으로 테라바이트 또는 페타바이트 단위로 측정됩니다. 1페타바이트는 1,000,000기가바이트와 같습니다. 이를 기준으로, HD 영화 1편에 약 4기가바이트의 데이터가 들어 있다고 가정하면 1페타바이트는 영화 250,000편에 해당합니다. 대규모 데이터 세트는 수백에서 수천, 수백만 페타바이트에 달합니다.

빅 데이터 분석은 방대한 데이터 세트에서 패턴, 추세 및 관계를 찾는 프로세스입니다. 이러한 복잡한 분석에는 규모를 지원하는 특정 도구와 기술, 연산 능력 및 데이터 스토리지가 필요합니다.

빅 데이터 분석은 어떻게 작동하나요?

빅 데이터 분석은 다음과 같은 5단계로 큰 데이터 세트를 분석합니다. 

  1. 데이터 수집
  2. 데이터 스토리지
  3. 데이터 처리
  4. 데이터 정리
  5. 데이터 분석

데이터 수집

여기에는 데이터 소스 식별과 데이터 수집이 포함됩니다. 데이터 수집은 ETL 또는 ELT 프로세스를 따릅니다.

ETL – 추출, 전환, 적재

ETL에서는 생성된 데이터가 먼저 표준 형식으로 전환된 다음 스토리지에 적재됩니다.

ELT – 추출, 적재, 전환

ELT에서는 데이터가 먼저 스토리지에 적재된 다음 필요한 형식으로 전환됩니다.

데이터 스토리지

데이터의 복잡성에 따라 클라우드 데이터 웨어하우스 또는 데이터 레이크와 같은 스토리지로 데이터를 이동할 수 있습니다. 필요할 때 비즈니스 인텔리전스 도구에서 데이터에 액세스할 수 있습니다.

데이터 레이크와 데이터 웨어하우스 비교

데이터 웨어하우스는 트랜잭션 시스템과 비즈니스 애플리케이션에서 오는 관계형 데이터를 분석하도록 최적화된 데이터베이스입니다. 데이터 구조와 스키마는 빠른 검색 및 보고에 최적화되도록 미리 정의됩니다. 데이터는 사용자가 신뢰할 수 있는 "단일 정보 소스" 역할을 하도록 정제, 강화 및 전환됩니다. 데이터 예에는 고객 프로필과 제품 정보가 포함됩니다.

데이터 레이크는 추가 처리 없이 정형 데이터와 비정형 데이터를 모두 저장할 수 있다는 점에서 다릅니다. 데이터 또는 스키마의 구조는 데이터가 캡처될 때 정의되지 않습니다. 이는 신중한 설계 없이 모든 데이터를 저장할 수 있음을 의미하며, 데이터의 향후 사용을 알 수 없는 경우에 특히 유용합니다. 데이터의 예로 소셜 미디어 콘텐츠, IoT 디바이스 데이터 및 모바일 앱의 비관계형 데이터가 있습니다.

조직에는 일반적으로 데이터 분석을 위해 데이터 레이크와 데이터 웨어하우스가 모두 필요합니다. AWS Lake FormationAmazon Redshift가 데이터 요구 사항을 처리할 수 있습니다.

데이터 처리

데이터가 준비되면 분석 쿼리에서 정확한 결과를 얻을 수 있도록 데이터를 변환하고 구성해야 합니다. 이를 위한 다양한 데이터 처리 옵션이 있습니다. 데이터 처리에 사용할 수 있는 컴퓨팅 및 분석 리소스에 따라 접근 방식을 선택합니다.

중앙 집중식 처리 

모든 처리는 모든 데이터를 호스팅하는 전용 중앙 서버에서 이루어집니다.

분산 처리 

데이터는 서로 다른 여러 서버에 분산되고 저장됩니다.

배치 처리 

데이터 조각은 시간 경과에 따라 누적되고 배치로 처리됩니다.

실시간 처리

데이터는 지속적으로 처리되며 컴퓨팅 태스크는 몇 초 만에 끝납니다. 

데이터 정리

데이터 정리에는 중복, 불일치 또는 잘못된 형식과 같은 오류에 대한 스크럽이 포함됩니다.  또한 데이터 정리는 분석을 위해 원치 않는 데이터를 필터링하는 데 사용됩니다.

데이터 분석

이 단계에서 원시 데이터가 실행 가능한 인사이트로 변환됩니다. 다음은 네 가지 유형의 데이터 분석입니다.

1. 기술 분석

데이터 사이언티스트는 데이터를 분석하여 데이터 환경에서 무슨 일이 일어났는지 또는 무슨 일이 일어나고 있는지 파악합니다. 파이 차트, 막대 차트, 선 그래프, 테이블 또는 생성된 내러티브와 같은 데이터 시각화를 특징으로 합니다.

2. 진단 분석

진단 분석은 문제가 발생한 이유를 이해하기 위한 심층 분석 또는 상세한 데이터 분석 프로세스입니다. 드릴다운, 데이터 검색, 데이터 마이닝, 상관 관계 등의 기술을 특징으로 합니다. 이러한 각 기술에서 원시 데이터를 분석하기 위해 여러 데이터 작업과 변환이 사용됩니다.

3. 예측 분석

예측 분석은 과거 데이터를 사용하여 미래 추세에 대한 정확한 예측을 수행합니다. 기계 학습, 예측, 패턴 일치 및 예측 모델링과 같은 기술을 특징으로 합니다. 이러한 각 기술에서 컴퓨터는 데이터의 인과 관계 연결을 리버스 엔지니어링하도록 훈련됩니다.

4. 처방 분석

처방 분석은 예측 데이터를 한 단계 발전시킵니다. 일어날 가능성이 있는 일을 예측할 뿐만 아니라 그 결과에 대한 최적의 응답을 제안합니다. 다양한 선택 사항의 잠재적 영향을 분석하고 최상의 조치를 제안할 수 있습니다. 그래프 분석, 시뮬레이션, 복잡한 이벤트 처리, 신경망 및 권장 사항 엔진을 특징으로 합니다.

다른 데이터 분석 기술로 무엇이 있나요?

데이터 분석에는 많은 컴퓨팅 기술이 사용됩니다. 다음은 가장 일반적인 기술 중 일부입니다.

자연어 처리

자연어 처리는 컴퓨터가 말과 문자로 된 인간의 언어를 이해하고 응답하도록 하는 기술입니다. 데이터 분석가는 이 기술을 사용하여 구술한 기록, 음성 명령 및 채팅 메시지와 같은 데이터를 처리합니다.

텍스트 마이닝

데이터 분석가는 텍스트 마이닝을 사용하여 이메일, 트윗, 연구 및 블로그 게시물과 같은 텍스트 데이터의 추세를 파악합니다. 뉴스 콘텐츠, 고객 피드백 및 고객 이메일을 정렬하는 데 데이터 마이닝을 사용할 수 있습니다.

센서 데이터 분석

센서 데이터 분석은 서로 다른 여러 센서에서 생성된 데이터를 조사하는 것입니다. 예측 머신 유지 보수, 배송 추적 및 기계가 데이터를 생성하는 기타 비즈니스 프로세스에 사용됩니다.

이상치 분석

이상치 분석 또는 이상 탐지는 데이터의 나머지 부분에서 벗어나는 데이터 포인트와 이벤트를 식별합니다.

데이터 분석을 자동화할 수 있나요?

예, 데이터 분석가는 프로세스를 자동화하고 최적화할 수 있습니다. 자동화된 데이터 분석은 컴퓨터 시스템을 사용하여 사람의 개입이 거의 또는 전혀 없이 분석 태스크를 수행하는 방식입니다. 이러한 메커니즘은 복잡성이 다양합니다. 즉, 간단한 스크립트 또는 코드 줄에서 데이터 모델링, 기능 검색 및 통계 분석을 수행하는 데이터 분석 도구에 이르기까지 다양합니다.

예를 들어, 사이버 보안 회사는 자동화를 사용하여 방대한 웹 활동에서 데이터를 수집하고 추가 분석을 수행한 다음 데이터 시각화를 사용하여 결과를 보여주고 비즈니스 결정을 지원할 수 있습니다.

데이터 분석을 아웃소싱할 수 있나요?

예, 회사는 데이터 분석을 위해 외부 도움을 받을 수 있습니다. 데이터 분석을 아웃소싱하면 경영진이 비즈니스의 다른 핵심 운영에 집중할 수 있습니다. 전담 비즈니스 분석 팀은 해당 분야의 전문가입니다. 그들은 최신 데이터 분석 기술을 알고 있으며 데이터 관리의 전문가입니다. 즉, 데이터 분석을 보다 효율적으로 수행하고, 패턴을 식별하고, 미래 추세를 성공적으로 예측할 수 있습니다. 그러나 아웃소싱 시 지식 이전 및 데이터 기밀성으로 인해 비즈니스 문제가 발생할 수 있습니다.

데이터 분석으로 고객 인사이트 향상

다음과 같은 다양한 고객 데이터 소스의 데이터 세트에 대해 데이터 분석을 수행할 수 있습니다.

• 타사 고객 설문조사
• 고객 구매 로그
• 소셜 미디어 활동
• 컴퓨터 쿠키
• 웹 사이트 또는 애플리케이션 통계

분석을 통해 고객 선호도, 웹 사이트의 인기 페이지, 고객이 탐색하는 데 걸리는 시간, 고객 피드백, 웹 사이트 양식과의 상호 작용과 같은 숨겨진 정보를 확인할 수 있습니다. 이를 통해 기업은 고객의 요구에 효율적으로 대응하고 고객 만족도를 높일 수 있습니다.

사례 연구: Nextdoor가 데이터 분석을 사용하여 고객 경험을 개선한 방법

Nextdoor는 신뢰할 수 있는 연결과 유용한 정보, 상품, 서비스의 교환을 위한 이웃 허브입니다. 지역 사회의 힘으로 Nextdoor는 사람들이 더 행복하고 의미 있는 삶을 살 수 있도록 돕습니다. Nextdoor는 Amazon 분석 솔루션을 사용하여 고객 참여와 권장 사항의 효율성을 평가했습니다. 데이터 분석을 통해 고객은 더 나은 연결을 구축하고 실시간으로 관련성이 더 높은 콘텐츠를 볼 수 있었습니다.

효과적인 마케팅 캠페인을 알려주는 데이터 분석

데이터 분석은 마케팅, 제품 개발, 콘텐츠 생성 및 고객 서비스에서 추측을 없앱니다. 이를 통해 기업은 대상 콘텐츠를 배포하고 실시간 데이터를 분석하여 미세 조정할 수 있습니다. 데이터 분석은 또한 마케팅 캠페인이 어떻게 수행되고 있는지에 대한 귀중한 인사이트를 제공합니다. 타겟팅, 메시지 및 크리에이티브는 모두 실시간 분석을 기반으로 조정할 수 있습니다. 분석은 전환을 늘리고 광고 낭비를 줄이기 위해 마케팅을 최적화할 수 있습니다.

사례 연구: Zynga가 데이터 분석을 사용하여 마케팅 캠페인을 강화한 방법

Zynga는 Words With Friends, Zynga Poker 및 FarmVille 등의 인기 게임을 출시한 세계에서 가장 성공한 모바일 게임 회사 중 하나입니다. 전 세계에서 10억 명이 넘는 플레이어가 이들 게임을 설치했습니다. Zynga의 수익은 인앱 구매에서 나오므로 Amazon Managed Service for Apache Flink를 사용해 실시간 게임 내 플레이어 행동을 분석하여 보다 효과적인 게임 내 마케팅 캠페인을 계획합니다.

데이터 분석으로 운영 효율성 향상

기업은 데이터 분석을 통해 프로세스를 간소화하고 손실을 줄이고 수익을 높일 수 있습니다. 예측 유지 보수 일정, 최적화된 직원 명단, 효율적인 공급망 관리는 비즈니스 성과를 기하급수적으로 향상시킬 수 있습니다.

사례 연구: BT Group이 데이터 분석을 사용하여 운영을 간소화한 방법

BT Group은 180개국의 고객에게 서비스를 제공하는 영국의 선도적인 통신 및 네트워크입니다. BT Group의 네트워크 지원 팀은 Amazon Managed Service for Apache Flink를 사용하여 영국 전역의 네트워크에서 이루어진 통화를 실시간으로 확인했습니다. 네트워크 지원 엔지니어와 오류 분석가는 시스템을 사용하여 네트워크의 문제를 발견하고 대응하며 성공적으로 해결합니다.

사례 연구: Flutter가 데이터 분석을 사용하여 게임 운영을 가속화한 방법

Flutter Entertainment는 세계 최대의 온라인 스포츠 및 게임 제공업체 중 하나입니다. 그들의 임무는 안전하고 책임감 있고 지속 가능한 방식으로 1,400만 명이 넘는 고객에게 엔터테인먼트를 제공하는 것입니다. 지난 몇 년 동안 Flutter는 대부분의 소스 시스템에서 점점 더 많은 데이터를 수집했습니다. 볼륨과 지연 시간의 조합으로 인해 지속적인 문제가 발생합니다. Amazon Redshift는 Flutter가 늘어나는 요구 사항과 일관된 최종 사용자 경험에 맞게 확장할 수 있도록 지원합니다.

데이터 분석으로 제품 개발 정보 제공

조직은 데이터 분석을 사용하여 제품 개발을 위한 새로운 기능을 식별하고 우선순위를 지정합니다. 그들은 고객 요구 사항을 분석하고, 더 짧은 시간에 더 많은 기능을 제공하고, 더 빠르게 신제품을 출시할 수 있습니다.

사례 연구: GE가 데이터 분석을 사용하여 제품 제공을 가속화한 방법

GE Digital은 General Electric의 자회사입니다. GE Digital은 다양한 업종에서 많은 소프트웨어 제품과 서비스를 보유하고 있습니다. Proficy Manufacturing Data Cloud라는 제품이 있습니다. Amazon Redshift는 고객에게 더 많은 기능을 제공할 수 있게 데이터 변환 및 데이터 지연 시간을 크게 개선할 수 있도록 지원합니다. 

데이터 분석으로 데이터 작업 조정 지원

데이터 분석은 마이그레이션, 준비, 보고 및 통합과 같은 여러 데이터 태스크에 자동화를 도입합니다. 수동의 비효율성을 제거하고 데이터 작업을 완료하는 데 필요한 시간과 공수를 줄입니다. 이는 조정을 지원하고 새로운 아이디어를 빠르게 확장할 수 있도록 합니다.

사례 연구: FactSet이 데이터 분석을 사용하여 클라이언트 통합 프로세스를 간소화한 방법

FactSet의 사명은 콘텐츠와 분석 모두를 위한 최고의 개방형 플랫폼이 되는 것입니다. 데이터 이동에는 대규모 프로세스, 클라이언트 측의 여러 팀원, FactSet 측의 여러 개인이 포함됩니다. 문제가 있을 때마다 프로세스의 어느 부분에서 데이터 이동이 잘못되었는지 파악하기 어려웠습니다. Amazon Redshift는 프로세스를 간소화하고 FactSet의 클라이언트가 더 빠르게 조정하고 요구 사항을 충족하기 위해 더 많은 데이터를 가져올 수 있도록 지원했습니다.

비즈니스에서 데이터 분석은 어떻게 사용되나요?

비즈니스는 다수의 고객 대면 및 내부 채널에서 통계, 정량적 데이터 및 정보를 수집합니다. 그러나 핵심 인사이트를 찾으려면 엄청난 양의 데이터를 세밀하게 분석해야 합니다. 이것은 작은 일이 아닙니다. 데이터 분석과 데이터 과학으로 비즈니스에 가치를 더하는 방법에 대한 몇 가지 예를 살펴보세요.

데이터 분석으로 고객 인사이트 향상

다음과 같은 다양한 고객 데이터 소스의 데이터 세트에 대해 데이터 분석을 수행할 수 있습니다.

  • 서드 파티 고객 설문조사
  • 고객 구매 로그
  • 소셜 미디어 활동
  • 컴퓨터 쿠키
  • 웹 사이트 또는 애플리케이션 통계

분석을 통해 고객 선호도, 웹 사이트의 인기 페이지, 고객이 탐색하는 데 걸리는 시간, 고객 피드백, 웹 사이트 양식과의 상호 작용과 같은 숨겨진 정보를 확인할 수 있습니다. 이를 통해 기업은 고객의 요구에 효율적으로 대응하고 고객 만족도를 높일 수 있습니다.

사례 연구: Nextdoor가 데이터 분석을 사용하여 고객 경험을 개선한 방법

Nextdoor는 신뢰할 수 있는 연결과 유용한 정보, 상품, 서비스의 교환을 위한 이웃 허브입니다. 지역 사회의 힘으로 Nextdoor는 사람들이 더 행복하고 의미 있는 삶을 살 수 있도록 돕습니다. Nextdoor는 Amazon 분석 솔루션을 사용하여 고객 참여와 권장 사항의 효율성을 평가했습니다. 데이터 분석을 통해 고객은 더 나은 연결을 구축하고 실시간으로 관련성이 더 높은 콘텐츠를 볼 수 있었습니다.

효과적인 마케팅 캠페인을 알려주는 데이터 분석 

데이터 분석은 마케팅, 제품 개발, 콘텐츠 생성 및 고객 서비스에서 추측을 없앱니다. 이를 통해 기업은 대상 콘텐츠를 배포하고 실시간 데이터를 분석하여 미세 조정할 수 있습니다. 데이터 분석은 또한 마케팅 캠페인이 어떻게 수행되고 있는지에 대한 귀중한 인사이트를 제공합니다. 타겟팅, 메시지 및 크리에이티브는 모두 실시간 분석을 기반으로 조정할 수 있습니다. 분석은 전환을 늘리고 광고 낭비를 줄이기 위해 마케팅을 최적화할 수 있습니다.

사례 연구: Zynga가 데이터 분석을 사용하여 마케팅 캠페인을 강화한 방법

ZyngaWords With Friends, Zynga PokerFarmVille 등의 인기 게임을 출시한 세계에서 가장 성공한 모바일 게임 회사 중 하나입니다. 전 세계에서 10억 명이 넘는 플레이어가 이들 게임을 설치했습니다. Zynga의 수익은 인앱 구매에서 나오므로 Amazon Managed Service for Apache Flink를 사용해 실시간 게임 내 플레이어 행동을 분석하여 보다 효과적인 게임 내 마케팅 캠페인을 계획합니다.

데이터 분석으로 운영 효율성 향상

기업은 데이터 분석을 통해 프로세스를 간소화하고 손실을 줄이고 수익을 높일 수 있습니다. 예측 유지 보수 일정, 최적화된 직원 명단, 효율적인 공급망 관리는 비즈니스 성과를 기하급수적으로 향상시킬 수 있습니다.

사례 연구: BT Group이 데이터 분석을 사용하여 운영을 간소화한 방법

BT Group은 180개국의 고객에게 서비스를 제공하는 영국의 선도적인 통신 및 네트워크입니다. BT Group의 네트워크 지원 팀은 Amazon Managed Service for Apache Flink를 사용하여 영국 전역의 네트워크에서 이루어진 통화를 실시간으로 확인했습니다. 네트워크 지원 엔지니어와 오류 분석가는 시스템을 사용하여 네트워크의 문제를 발견하고 대응하며 성공적으로 해결합니다.

사례 연구: Flutter가 데이터 분석을 사용하여 게임 운영을 가속화한 방법

Flutter Entertainment는 세계 최대의 온라인 스포츠 및 게임 제공업체 중 하나입니다. 그들의 임무는 안전하고 책임감 있고 지속 가능한 방식으로 1,400만 명이 넘는 고객에게 엔터테인먼트를 제공하는 것입니다. 지난 몇 년 동안 Flutter는 대부분의 소스 시스템에서 점점 더 많은 데이터를 수집했습니다. 볼륨과 지연 시간의 조합으로 인해 지속적인 문제가 발생합니다. Amazon Redshift는 Flutter가 늘어나는 요구 사항과 일관된 최종 사용자 경험에 맞게 확장할 수 있도록 지원합니다.

데이터 분석으로 제품 개발 정보 제공

조직은 데이터 분석을 사용하여 제품 개발을 위한 새로운 기능을 식별하고 우선순위를 지정합니다. 그들은 고객 요구 사항을 분석하고, 더 짧은 시간에 더 많은 기능을 제공하고, 더 빠르게 신제품을 출시할 수 있습니다.

사례 연구: GE가 데이터 분석을 사용하여 제품 제공을 가속화한 방법

GE Digital은 General Electric의 자회사입니다. GE Digital은 다양한 업종에서 많은 소프트웨어 제품과 서비스를 보유하고 있습니다. Proficy Manufacturing Data Cloud라는 제품이 있습니다.

Amazon Redshift는 고객에게 더 많은 기능을 제공할 수 있게 데이터 변환 및 데이터 지연 시간을 크게 개선할 수 있도록 지원합니다.

데이터 분석으로 데이터 작업 조정 지원

데이터 분석은 마이그레이션, 준비, 보고 및 통합과 같은 여러 데이터 태스크에 자동화를 도입합니다. 수동의 비효율성을 제거하고 데이터 작업을 완료하는 데 필요한 시간과 공수를 줄입니다. 이는 조정을 지원하고 새로운 아이디어를 빠르게 확장할 수 있도록 합니다.

사례 연구: FactSet이 데이터 분석을 사용하여 클라이언트 통합 프로세스를 간소화한 방법

FactSet의 사명은 콘텐츠와 분석 모두를 위한 최고의 개방형 플랫폼이 되는 것입니다. 데이터 이동에는 대규모 프로세스, 클라이언트 측의 여러 팀원, FactSet 측의 여러 개인이 포함됩니다. 문제가 있을 때마다 프로세스의 어느 부분에서 데이터 이동이 잘못되었는지 파악하기 어려웠습니다. Amazon Redshift는 프로세스를 간소화하고 FactSet의 클라이언트가 더 빠르게 조정하고 요구 사항을 충족하기 위해 더 많은 데이터를 가져올 수 있도록 지원했습니다.

AWS는 데이터 분석에 관해 어떤 도움을 줄 수 있나요?

AWS는 포괄적이고 안전하며 확장 가능하고 비용 효율적인 데이터 분석 서비스를 제공합니다. AWS 분석 서비스는 모든 데이터 분석 요구 사항에 부합하며 모든 규모와 산업의 조직이 데이터로 비즈니스를 재창조하도록 지원합니다. AWS는 데이터 이동, 데이터 스토리지, 데이터 레이크, 빅 데이터 분석, 기계 학습 등 최고의 가격 대비 성능을 제공하는 목적별 서비스를 제공합니다. 

  • Amazon Kinesis Data Analytics는 Apache Flink를 통해 실시간으로 스트리밍 데이터를 변환하고 분석할 수 있는 간소화된 방법입니다. 고급 분석을 위해 스트리밍 데이터를 필터링, 집계 및 변환하는 기본 기능을 제공합니다.
  • Amazon Redshift를 사용하면 데이터 웨어하우스, 운영 데이터베이스 및 데이터 레이크에서 엑사바이트 규모의 정형 데이터 및 반정형 데이터를 쿼리하고 결합할 수 있습니다.
  • Amazon QuickSight는 클라우드용 구축형 확장 가능한 서버리스의, 임베드 가능 기계 학습 기반 비즈니스 인텔리전스(BI) 서비스입니다. QuickSight를 사용하면 기계 학습 기반 인사이트가 포함된 대화형 BI 대시보드를 쉽게 만들고 게시할 수 있습니다.
  • Amazon OpenSearch Service를 사용하면 대화형 로그 분석, 실시간 애플리케이션 모니터링, 웹 사이트 검색 등을 쉽게 수행할 수 있습니다.

다음을 사용하여 디지털 트랜스포메이션 여정을 시작할 수 있습니다.

  • AWS Data Lab – 데이터 및 분석 이니셔티브를 가속화하기 위한 고객과 AWS 기술 리소스 간의 공동 엔지니어링 계약입니다. 
  • AWS D2E 프로그램 – 더 빠르고, 더 정확하고, 훨씬 더 야심 찬 범위로 이동하기 위한 AWS와의 파트너십입니다.

무료 계정에 가입하거나 자세히 알아보려면 당사에 문의하세요.

 

AWS의 다음 단계

제품 관련 추가 리소스 확인
무료 분석 서비스 보기 
무료 계정 가입

AWS 프리 티어에 즉시 액세스할 수 있습니다. 

가입 
콘솔에서 구축 시작

AWS 관리 콘솔에서 AWS로 구축을 시작하세요.

로그인