지난 11월 25일, Snowflake 공식 파트너사 SPH가 ❄️Snowflake Intelligence 웨비나 <데이터, 요청하지 말고 AI에게 ‘질문’하세요>를 진행했습니다. 이번 웨비나에서는 Snowflake Intelligence 기능을 중심으로, AI 시대에 데이터 분석 패러다임이 어떻게 변화하고 있는지 그리고 이를 실제 비즈니스에 어떻게 적용할 수 있는지를 데모와 함께 소개했습니다.

데이터 요청 없이 모든 직무에서 AI에게 자연어로 질문하고 분석 결과까지 바로 확인하는 Self-AI 기반 분석 환경을 비즈니스 전략에 어떻게 활용할 수 있는지 다양한 인사이트를 공유했습니다. 특히 리테일 산업 사례를 중심으로 기업들이 직면한 실제 비즈니스 과제와, 이를 해결하기 위해 Snowflake Intelligence가 어떤 가치를 제공하는지 확인하는 자리였습니다.

웨비나 다시보기와 주요 세션 내용을 포함해 Q&A까지 정리했습니다. 개인적인 일정으로 아쉽게 웨비나를 놓치신 분들, 혹은 발표 내용과 질문 답변이 궁금하신 분들은 이 글을 끝까지 읽어보세요! 👩🏻‍🏫  (웨비나 자료 다운로드는 글 맨 아래에 준비되어 있어요! 📘) 

📚 목차

1. AI 시대의 데이터 분석 전략, BI를 위한 셀프AI

2. AI 기반 데이터 분석 플랫폼, Snowflake Intelligence

3. 리테일 기업 경쟁력 완성 : 데이터·AI · 협업 통합 전략

4. Q&A

1. AI 시대의 데이터 분석 전략, BI를 위한 셀프AI 💡

첫 번째 세션은 SPH 세일즈팀 박주영 이사가 AI 시대에 필요한 셀프AI 전략을 소개했습니다.

전통적인 BI는 데이터 요청부터 가공, 시각화까지 많은 시간과 인력이 소요되며, 경영진과 실무진은 복잡한 차트를 해석할 여유가 부족합니다. 이로 인해 신속한 의사결정, 성과 모니터링, 운영 효율화 등 본래의 BI 목표 달성이 어려웠습니다.

AI 시대의 BI는 복잡한 툴 없이 대화하듯 질문하고 즉시 분석 결과를 얻는 '셀프AI(Self-AI) 분석 환경'을 지향합니다. AI는 변화의 원인과 의미, 액션 플랜까지 제시하며 반복 분석 작업을 자동화합니다. 

이를 위해서는 정형·비정형 데이터를 통합하고, 누구나 쉽게 분석 결과를 이해할 수 있으며, 보안과 거버넌스가 철저히 유지되는 플랫폼이 필요합니다. SPH는 Snowflake 기반 데이터 통합과 GranData 외부 데이터 연계를 통해 기업의 데이터 환경을 구축하고, 셀프AI 환경이 실제 비즈니스 문제 해결로 연결될 수 있도록 지원하고 있습니다.

기업은 '단순 분석을 넘어 즉시 활용 가능한 인사이트와 실행 가능성'을 확보하기 위해 데이터 접근성, 분석 자동화, 통합 데이터 구조, 보안·통제 환경을 모두 갖춘 플랫폼을 선택해야 합니다.

2. AI 기반 데이터 분석 플랫폼, Snowflake Intelligence ❄️

두 번째 세션은 Snowflake 조동규 상무가 Snowflake Intelligence에 대해 소개했습니다.

많은 기업이 방대한 데이터를 보유하고 있지만, 구성원들은 특정 분석 담당자나 데이터 팀에 의존하며 요청 지연과 파편화된 인사이트 문제를 겪고 있습니다. 이로 인해 데이터 팀은 과중한 업무에 시달리고, 비즈니스 사용자는 적시에 답변을 얻지 못해 차선의 결정을 내리게 됩니다.

이런 문제를 해결하기 위해서는 누구나 자연어로 질문하고 즉시 '무엇(What)'뿐 아니라 '왜(Why)'와 '어떻게(How)'까지 설명받을 수 있는 엔터프라이즈 인텔리전스 에이전트가 필요합니다. 그러나 이를 직접 구축하기 위해서는 정제된 데이터, 권한 관리, 시맨틱 모델링, 모델 오케스트레이션, UI/UX 개발 등 많은 요소가 필요해 대부분의 기업이 감당하기 어렵습니다..

Snowflake Intelligence는 이를 해결하기 위한 Ready-to-Run AI 분석 플랫폼으로, 모든 구성원이 정형·비정형 데이터를 기반으로 즉시 통찰력을 얻을 수 있는 단일 허브를 제공합니다. 매출 분석, 고객 이슈 탐지, 트렌드 요약 등 다양한 비즈니스 질문을 자연어로 질의할 수 있으며, 고품질 분석 결과를 신뢰할 수 있는 형태로 제공합니다.

3. 리테일 기업 경쟁력 완성 : 데이터·AI · 협업 통합 전략 🛒

마지막 세션에서는 SPH BigData팀 이승재 차장이 리테일 기업 A가 상권 분석 고도화를 위해 Snowflake 기반 데이터·AI 환경을 구축한 사례를 소개했습니다.

리테일 기업 A사는 내부 데이터만으로는 변화하는 상권을 파악하기 어려워, SPH의 GranData를 도입하여 외부 데이터 분석을 시도했습니다. Snowflake를 활용해 별도 ETL 구축 없이 외부 데이터를 즉시 연동하여 시간과 비용을 절감했으며, 내부 매출·프로모션 데이터와 외부 상권 데이터를 결합해 시맨틱 레이어 기반 Cortex Analyst 모델로 '리테일 AI Agent'를 구축했습니다.

사용자는 자연어 질문을 통해 멀티턴 대화 기반 매출 분석, 유동인구 분석, 보고서 자동 생성 등 의사결정 업무를 자동화할 수 있게 되었으며, Snowflake Intelligence는 핵심 인사이트 요약으로 리포트 작성 과정을 대폭 단축했습니다. Snowflake Agent는 BI(Sigma Computing) 도구와 협업툴(Microsoft Teams)로 확장되어, 계정 없이도 조직 구성원이 AI를 활용할 수 있는 환경을 제공합니다.

이번 사례는 Snowflake 생태계가 데이터 통합부터 AI 분석, 협업 확장까지 하나의 플랫폼에서 완성되는 구조를 보여주며, DT/AX 조직이 AI 기반 의사결정 체계를 빠르게 구축하는 데 Snowflake Agent가 효과적인 도구임을 확인할 수 있었습니다.

4. Q&A 📌

🤔 인텔리전스를 자체 구축하는 경우와 파트너사 도움을 받는 경우, 어떤 차이가 있나요?

💬 스노우플레이크 인텔리전스 구축은 더 이상 전문 업체의 솔루션 전문가만 할 수 있는 영역이 아닙니다. 이제는 조금만 노력하면 고객사 담당자도 충분히 구축할 수 있을 만큼 간단해졌습니다.
하지만 실제 기업 환경에서는 경영진과 실무진 모두 본연의 업무로 바쁘기 때문에, 구축부터 운영, 유지보수까지 내부 인력만으로 처리하기가 쉽지 않습니다. 특히 핵심 담당자가 이직하거나 부서 이동을 하게 되면 관리 공백이 생길 수 있다는 리스크도 있습니다.
따라서 사내 인력으로 모든 것을 직접 관리하는 것도 하나의 방법이지만, 리스크를 분산하기 위해 일부 영역은 전문 파트너사의 도움을 받는 것도 현명한 선택이 될 수 있습니다.

🤔 프롬프트를 얼마나 효과적으로 작성하느냐에 따라 결과물이 달라질 것 같은데요, 프롬프트를 최적화할 수 있는 도움이나 가이드를 받을 수 있나요?

💬 프롬프트 최적화는 크게 두 가지 레벨로 접근할 수 있습니다.
1️⃣ 시스템 레벨 최적화입니다. Agent 구성 시 Orchestration Instructions와 Response Instructions에 기업의 비즈니스 용어, 계산 규칙, 응답 형식 등을 미리 정의해두면, 사용자가 간단한 질문만으로도 정확한 답변을 받을 수 있습니다. 이 부분은 초기 구축 단계에서 SPH가 함께 설계해 드립니다.
2️⃣ 사용자 레벨 최적화입니다. 일반 사용자들도 몇 가지 팁만 알면 훨씬 효과적으로 질문할 수 있습니다. 예를 들어 “매출 분석해 줘”보다는 “2024년 7월 제품 카테고리별 매출 상위 5개를 알려줘”처럼 기간·대상·지표를 명확히 하면 결과 품질이 크게 높아집니다.

도입 시에는 효과적인 질문 방법에 대한 가이드를 함께 제공하여, 사용자들이 빠르게 적응할 수 있도록 지원하고 있습니다.

🤔 AI로 매출 분석 및 매출을 올릴 수 있는 마케팅 전략이나 문구를 어디까지 믿고 쓸 수 있을까요?

💬 매우 중요한 질문입니다. AI 분석 결과를 무조건 맹신해서는 안 됩니다. AI의 할루시네이션(Hallucination)은 분명히 존재하며, 특히 정확한 수치 분석이 필요한 상황에서는 치명적인 오류로 이어질 수 있습니다. 따라서 직접 사용하면서 주기적인 관리와 검증이 필요합니다.

Snowflake Intelligence의 강점은 할루시네이션을 최소화하는 여러 장치를 갖추고 있다는 점입니다:
1️⃣ 데이터 투명성: 외부 생성형 AI와 달리, Intelligence는 여러분의 실제 데이터만을 기반으로 답변하며, 어떤 테이블에서 어떤 쿼리를 실행했는지 모두 투명하게 보여줍니다.
2️⃣ 검증 가능성: SQL 쿼리도 함께 제공되어 사용자가 직접 검증할 수 있습니다.
3️⃣ 시맨틱 뷰 최적화: 잘못된 답변을 방지하기 위해 시맨틱 뷰를 지속적으로 튜닝해야 합니다. 특히 시맨틱 뷰에 Fact 컬럼이 많거나 실시간 집계 방식이 복잡해질수록 오류 가능성이 높아지므로, 시맨틱 뷰를 최대한 간결하게 작성하는 것이 핵심입니다.

다만 AI가 제안하는 매출 향상 전략이나 마케팅 문구는 어디까지나 참고용 아이디어이므로, 최종 의사결정은 반드시 도메인 전문가가 해야 합니다. 매출 분석 같은 팩트 기반 분석은 높은 신뢰도로 활용하시고, 전략이나 문구 같은 크리에이티브 제안은 아이디어 발굴 도구로 활용하되, 반드시 도메인 전문가의 검토를 거치시기 바랍니다.

🤔 해당 기능 도입 이후 유지보수에 공수가 많이 소요되면 효익이 떨어질 수도 있는데, 유지보수 측면이 궁금합니다.

💬 기존 BI 도구들은 새로운 분석 요구가 생길 때마다 대시보드를 만들고 수정하는 작업이 필요했지만, Intelligence는 데이터만 잘 정리되어 있으면 자연어로 바로 질의하고 분석할 수 있습니다.

유지보수가 필요한 경우는 크게 세 가지로 볼 수 있습니다.
1️⃣ 새로운 데이터 소스 추가 시 시맨틱 뷰에 테이블을 추가하는 작업,
2️⃣ 비즈니스 용어나 규칙 변경 시 메타데이터 업데이트 하는 작업
3️⃣ 실제 사용하면서 나오는 사용자들의 피드백 반영하는 작업입니다. 

하지만 이 모든 작업은 UI에서 클릭만으로 처리가 가능하며, 코드 수정이 필요 없어 기존 BI 시스템 대비 유지보수 공수가 오히려 대폭 줄어듭니다. 실제로 많은 Snowflake 고객사들이 내부에서 자체적으로 관리하고 있습니다.
또한 클라우드 기반 서비스이기 때문에, 기존 On-Premise 시스템에서 관리해야 했던 보안 정책, 스토리지 관리, 권한 설정, 백업 정책 등의 인프라 유지보수 공수도 대폭 줄어들게 됩니다.

🤔 사내 데이터에 대해 권한별 접속이 제한되어 있다면, Snowflake에서 AI를 활용할 때도 제한된 데이터만 사용하는 건가요? 이런 경우 어떻게 접속 통제를 하는지 궁금합니다.

💬 네, Snowflake는 역할(Role) 기반으로 데이터 접근을 제한할 수 있습니다. Agent가 여러 개인 경우, 각 Agent를 사용할 수 있는 역할과 데이터에 대한 접근 권한을 가진 역할을 동일하게 맞춰주면 접근 통제가 가능합니다.

🤔 Snowflake 이용으로 어떤 혜택이 있는지 명확하게 알고 싶습니다. SQL DB 쿼리는 AI를 활용하여 이미 어느 정도 수준은 데이터 요청 없이도 진행되고 있다고 알고 있는데, 웨비나 내용에 포함된 Snowflake의 기능에서는 특별한 장점이 무엇인가요?

💬 단순한 테이블 구조뿐 아니라 테이블 간 Join 및 윈도우 함수 사용이 가능합니다. 또한 별도의 지정 없이 AI가 스스로 테이블 안에 데이터를 확인하고 쿼리를 직접 수정 합니다.일반적인 Text-to-SQL의 경우 컬럼 안의 데이터가 어떤 것들이 들어가 있는지 별도로 정의를 해줘야 하는데, Snowflake의 경우 Agent가 스스로 컬럼 안의 데이터를 확인하여 SQL을 생성합니다. 또한 비정형 데이터의 경우 별도의 복잡한 작업 없이 Snowflake의 Cortex Search 기능을 이용하면 손쉽게 구성할 수 있다는 점도 큰 장점입니다.

🤔 Databricks의 Medallion Architecture처럼 데이터 레이크하우스를 생성하는 구조가 Snowflake도 유사한가요? 예를 들어 Delta Lake나 Parquet처럼 비슷한 구성 요소를 활용하고 있는지 궁금합니다. 그리고 Trino 등의 SQL 엔진과는 어떻게 연계되는지도 알고 싶습니다.

💬 Medallion Architecture는 사실 RAW → DW → MART로 구성된 전통적인 데이터 아키텍처와 동일한 개념입니다. Snowflake 또한 Dynamic Table, Task, Stream 등의 기능을 통해 이러한 아키텍처에 최적화된 환경을 제공하며, 3단계 레이어를 가장 쉽게 구성할 수 있을 뿐만 아니라 데이터 흐름에 대한 뛰어난 모니터링 기능도 함께 제공합니다.

Parquet은 Twitter와 Netflix에서 개발한 가장 성공적인 Open Data Format입니다. Snowflake 또한 이러한 Open Data Format을 적극적으로 활용하고 있으며, Polaris Catalog 및 AWS Glue Catalog 등 외부 시스템과 연계할 수 있는 다양한 방안을 제공합니다. (한가지 예로 unity catalog의 경우는 폐쇄적인 운영으로 인해서 glue catalog 등 외부 시스템 연결에 대한 기능을 제공하지 않습니다.)

Trino 등 Federation 엔진과의 연계는 Push-down(쿼리 위임) 방식으로 동작하도록 구성되어 있습니다. 이러한 방식은 별도의 메타 정보 획득이나 Join 과정이 생략되어 많은 사례에서 매우 효율적으로 동작하며, 특히 최근 LLM을 활용한 대화형 분석에서 뛰어난 성능을 나타내고 있습니다.

🤔 Teams와 Snowflake Agent를 연동할 때 Teams 앱 검색에서 Snowflake Cortex Agents가 검색되는데, 앱 연동에 M365 관리자의 승인이 필요한지 궁금합니다. 연결이 된다면 Snowflake Agent를 어떻게 바인딩하면 되는지도 알고 싶습니다.

💬 네, M365 관리자의 승인이 필요합니다.
먼저 Azure Portal에서 Entra ID와 Snowflake 간 연동 설정을 해야 합니다. 외부 인증 제공자 및 SCIM을 구성하고 연동할 사용자를 지정해야 합니다. 이후 Snowflake에서 External OAuth Security Integration을 설정하고, EMAIL 또는 LOGIN_NAME 기반으로 사용자 매칭을 구성하면 지정된 사용자가 Teams에서 Snowflake Cortex Agents 앱으로 연결할 수 있습니다.각 사용자는 Entra ID와 Snowflake 계정 정보가 일치하고 해당 Agent 사용 권한이 있으면 사용 가능하며, Teams 화면에서 권한 있는 Agent를 선택해서 사용하는 방식입니다.

자세한 설정 방법은 https://docs.snowflake.com/ko/ja/user-guide/snowflake-cortex/cortex-agents-teams-integration 를 참고하시면 됩니다.

웨비나에서 공유된 Q&A와 주요 내용을 통해, 여러분은 어떤 인사이트를 얻으셨나요?🙌 

데이터를 요청하고 기다리던 방식에서 벗어나, 이제는 AI에게 질문하고 바로 답을 얻는 시대가 열렸습니다. 이번 Snowflake Intelligence 웨비나에서는 자연어 기반 Self-AI 분석 환경이 실무에서 어떻게 작동하는지, 그리고 리테일 산업의 실제 사례를 통해 비즈니스 의사결정에 어떤 가치를 더할 수 있는지 생생하게 확인하는 시간이 되셨기를 바랍니다.

Snowflake Intelligence를 활용한 데이터 기반 의사결정 체계 구축, 정형·비정형 데이터 통합, AI 분석 고도화 등은 기업마다 요구사항이 다르며, SPH는 이러한 과정에서 가장 현실적인 방향을 함께 고민하고 있습니다.

웨비나에서 다 풀리지 않은 궁금증이 있거나 Snowflake Intelligence PoC, 데이터 분석·시각화, GranData 활용에 관심이 있다면 언제든지 SPH에 문의해 주세요.
여러분의 데이터가 의사결정의 속도와 품질을 높이는 자산이 될 수 있도록 도와드리겠습니다.

✅ 웨비나 자료 다운 받기

✅ 스노우플레이크 더 알아보기
✅ 스노우플레이크 인텔리전스 문의하기