F&B 특화 통합 데이터 거버넌스 구축

📉 핵심 매출원 분석의 구조적 한계

시기적으로 제가 합류한 2022년 말은 엔데믹으로 오프라인 매출 비중이 회복되던 시기였습니다. 그러나 레거시 인프라는 오직 배달앱 기준으로만 개발되어 있어, 온-오프라인 통합 분석을 위해서는 애초부터 물리적 매장과 POS 데이터를 고려한 설계 변경이 필요했습니다.

⚠️ 내부 운영 부담과 비효율

초기 서비스 인프라는 MySQL과 Tableau에 대한 의존도가 매우 높았습니다. 고객이 늘어나면서 전처리 및 비즈니스 로직 고도화가 필요해졌지만, 기존 아키텍처의 낮은 성능과 높은 전처리 의존도는 데이터 팀의 운영 부담으로 직결되었습니다.

🧱 서비스 확장성의 부재

단순 매출 분석을 넘어 광고 효율, 식자재(SCM) 비용까지 분석해야만 높은 사용자 가치를 제공할 수 있습니다. 이를 위해서는 브랜드-매장-메뉴-레시피-식자재 등 이종 데이터를 효과적으로 통합하고 목적별 데이터 마트를 운영할 수 있는 구조 개편이 필수적이었습니다.

📍 A. 주소 정제 기반 매장 식별자 통합

• ■

  Master Table 구축: 배민, 요기요, 쿠팡이츠, POS, SCM 등 20여개 채널 데이터의 통합을 위해 주소(위도/경도) 및 사업자번호를 활용한 마스터 식별 체계를 수립했습니다.
• ■

  Geocoding & Dictionary: 네이버 지오코딩 API를 활용해 비정형 주소 데이터에서 정확한 행정구역과 위치를 추출하고, 사업자등록번호와 결합하여 매장 사전(Dictionary)을 구성했습니다.
• ■

  Rule-based Filtering: 고객마다 브랜드명 포함/제외 조건(Include/Exclude Condition)을 관리할 수 있는 브랜드 사전을 통해 원천 데이터 식별 로직을 정교화했습니다.

🏗️ B. 채널 독립적 표준 데이터 모델 도입

• ■

  Service-Centric Identifier: 계정 기반(배달앱)과 단말기 기반(POS) 코드를 모두 수용하면서도 고유성을 유지하는 서비스용 식별자(Service ID)를 도입했습니다.
• ■

  Standardized Schema: 채널별 상이한 주문 데이터를 '주문(Order)', '결제(Payment)'의 공통 속성으로 추상화하여, 개별 채널이 아닌 표준 모델로 통합 관리했습니다.
• ■

  Supply Chain Model: 매입(공급) 데이터 또한 아이템, 과세여부, 공급가액 등의 공통 속성을 추출하여 브랜드 차원의 물류 공급 내역 모델을 재설계했습니다.

⚙️ C. Snowflake + Airflow + Slack 결합 Ops 구축

• ■

  Layered Pipeline: Snowflake를 도입하여 DEV -> STG -> PROD 의 3단계 데이터 레이어를 구성, 데이터가 단계적으로 검증되고 서비스에 반영되도록 했습니다.
• ■

  Observability: Airflow로 파이프라인을 오케스트레이션하고, 처리 현황과 로그를 Slack으로 전송하여 누구나 진행 상황을 모니터링할 수 있도록 했습니다.
• ■

  Real-time Alerting: 매장 수, 매출, 매입 추세가 임계치를 벗어날 경우 즉시 Slack Alert을 발송하여, 고객 문의 전 선제적 대응이 가능한 체계를 갖췄습니다.

🔧 운영 효율의 극대화

수동 매핑 작업이 거의 사라지며 데이터 운영 리소스가 80% 절감 되었습니다.

🛡️ 비즈니스 신뢰도 회복

고객사(대형 프랜차이즈)에게 제공되는 리포트의 결항률이 0%에 수렴하며, "업계 최고 수준의 데이터 정합성을 가진 회사" 라는 신뢰 자산을 쌓았습니다.

🚀 확장 가능한 기반 마련

안정된 마스터 데이터를 기반으로, 이후 SCM 분석 프로젝트와 같은 고부가가치 프로젝트를 즉시 시작할 수 있는 데이터 인프라를 구축하였습니다.