Snowflake Summit 2026: Whatnot은 초고속 성장 데이터를 어떻게 명확한 비즈니스 인사이트로 전환했나

방대한 데이터 플랫폼 내부에서 매 순간 실제로 무슨 일이 벌어지는지 궁금했던 적이 있으신가요?

많은 기업에서 데이터 인프라는 마치 블랙박스처럼 운영됩니다. 수백만 개의 데이터 포인트가 유입되고, 복잡한 쿼리가 실행되며, 최종적으로 보고서가 생성됩니다. 하지만 성능이 저하되거나 비용이 급증하고, 중요한 대시보드가 갑자기 작동하지 않을 때는 근본 원인을 찾는 일이 마치 어둠 속을 더듬는 것처럼 어렵습니다.

이 과제와 관련된 사례를 공유하고자 라이브 커머스 플랫폼 Whatnot은 Snowflake Summit 2026에서 Snowflake와 함께 무대에 올랐습니다. Whatnot은 초고속 성장 기업의 경험과 AI 기반 자동 분석, 그리고 투명한 플랫폼 모니터링을 결합한 새로운 엔터프라이즈 데이터 운영 모델을 소개했습니다. 이 파트너십은 현대적인 데이터 플랫폼이 대규모 실시간 트래픽 환경에서도 고객 경험을 안정적이고 원활하게 유지하면서 전체 시스템을 완벽하게 가시화할 수 있음을 보여줍니다.

초고속 성장의 현실: 수십억 개의 이벤트, 단 한 번의 오류도 허용되지 않는 환경

Whatnot은 설립 몇 년 만에 eBay와 Amazon 같은 기존 전자상거래 기업들의 성장 속도를 뛰어넘으며 가장 빠르게 성장한 마켓플레이스 가운데 하나로 자리 잡았습니다. 현재는 북미, 영국, 호주, 유럽을 아우르는 대표적인 라이브 커머스 플랫폼으로 성장했습니다. 현재 Whatnot은 북미, 영국, 호주, 유럽 전역을 대표하는 라이브 쇼핑 플랫폼으로 자리 잡았습니다.

다음 지표는 Whatnot의 압도적인 운영 규모와 데이터 인프라가 처리하는 막대한 볼륨을 보여 줍니다.

• 80억 달러 달성: 2025년 전 세계 라이브 총거래액(GMV) 기준

• 신규 계정 2,000만 개 이상: 2025년 전체 시장 기준

• 전년 대비 285% 증가: 2025년 최초 구매자 수 기준

• 매주 55만 시간 이상의 라이브스트리밍 진행: 활성 시청자는 하루 평균 95분 이상 앱 이용

• 2026년, 미국 라이브 커머스 스트리밍 역사상 최대 규모의 라이브 방송 진행: 동시 시청자 58만 3,000명, 사용자 55만 5,000명이 같은 경품 이벤트에 동시 참여

그 이면에서는 경매 입찰, 채팅 메시지, 거래가 매일 수십억 개의 데이터 포인트를 생성합니다. 이 모든 데이터는 Snowflake에서 집계되어 즉각적인 사용자 경험을 강화합니다.

"Whatnot에서 데이터는 단순히 과거를 분석하기 위한 것이 아니라 라이브 앱 경험을 움직이는 핵심 요소입니다." Whatnot의 엔지니어링 매니저인 Alice Leach는 설명합니다. "고객이 라이브 스트리밍에서 상품을 구매하면, 머신러닝 알고리즘은 며칠이 아니라 몇 분 안에 관련 상품을 추천해야 합니다. 데이터 처리에 지연이 발생하면 구매자와 판매자 모두에게 직접적인 영향을 미칩니다."

초기에는 Whatnot도 dbt를 활용해 중앙 데이터팀이 모든 데이터를 관리했습니다. 하지만 회사가 폭발적으로 성장하면서 이러한 구조는 점차 병목이 되었습니다. 이를 해결하기 위해 Whatnot은 모듈식 데이터 스택으로 전환했습니다. 코드형 인프라(IaC)를 활용해 사기 방지나 공급업체 분석 같은 각 비즈니스 유닛이 필요할 때 전용 Snowflake 웨어하우스를 온디맨드로 생성하고 자체 파이프라인을 관리할 수 있는 자율성을 확보했습니다.

이러한 탈중앙화는 조직의 병목을 해소했지만, 새로운 과제를 만들었습니다. 각 팀에 데이터 파이프라인 운영의 자율성을 부여하면서도 회사 전체의 가시성, 비용 관리, 성능 품질은 어떻게 유지할 것인가?

AI 솔루션: 데이터 요청에서 대화형 분석으로

인프라를 분산하면서 엔지니어링 측면의 문제는 해결됐지만, 또 다른 병목이 드러났습니다. 바로 데이터 사이언티스트의 부담이었습니다. 비즈니스 리더들이 일상적인 의사결정을 더 빠르게 내려야 하는 상황에서, 데이터 사이언티스트들은 Slack을 통해 끊임없이 들어오는 애드혹 데이터 요청에 응답하는 데 대부분의 시간을 쓰게 되었습니다.

Whatnot은 정말 "불편할 정도로 빠르게" 움직이려면 진입 장벽을 낮춰 누구나 타이핑하는 속도로 데이터를 활용할 수 있어야 한다는 결론에 도달했습니다.

가상 분석가의 진화

분석을 확장하기 위한 Whatnot의 여정은 세 단계로 발전했습니다:

1. 2024년(경직된 Slackbot): Whatnot은 SQL 쿼리를 자동 생성하는 AI Slack 봇(@databot)을 구축했습니다. 간단한 요청은 처리할 수 있었지만, 지속적인 유지 관리와 사람의 검증이 필요했습니다.

2. 2025년(탈중앙화 도구): Whatnot은 Sigma, Glean 같은 다목적 앱 전반에 Snowflake 시맨틱 뷰를 통합했습니다. Snowflake를 선도적인 고급 LLM과 결합한 결과, Whatnot 내부 테스트에서 text-to-SQL 정확도는 90%를 넘어섰습니다. 하지만 생태계에는 일관된 "프런트 도어"가 없었습니다.

3. 2026년(에이전틱 분석 시대): Whatnot은 Snowflake Cortex Agents 기반의 사용자 지정 데이터 어시스턴트인 Hex Threads를 출시했습니다. 사용자가 데이터베이스 테이블의 위치를 기억하거나 SQL 오류를 직접 해결할 필요 없이 AI가 데이터 환경을 안전하게 탐색하며 대화형 분석을 지원합니다.

비즈니스 영향

투박한 수동 데이터 추출 방식에서 에이전틱 AI 기반 분석으로 전환하면서 회사의 업무 방식도 문화는 완전히 달라졌습니다.

• 폭넓은 활용: 출시 후 90일 만에 Whatnot 직원 1,000여명 가운데 80% 이상이 에이전틱 솔루션을 적극적으로 사용했습니다.

• 전사적인 액세스 확보: 17개 부서가 100% 활성 활용률에 도달했습니다. 퍼포먼스 마케팅, 인재 채용, 비즈니스 운영 등 다양한 조직이 데이터 활용에서 완전한 자립성을 확보했습니다.

• 더 깊어진 전략적 분석: 단순히 정적인 목록을 조회하는 수준을 넘어, 대화형 AI를 활용해 주간 글로벌 트렌드 분석, 정리되지 않은 데이터 필드 매칭, 판매자 이탈 예측 모델 구축과 같은 복잡한 업무를 수행하고 있습니다.

• 비즈니스 및 제품 분석의 빠른 반복: 이전에는 몇 주 전부터 별도의 애드혹 데이터 요청이 필요했던 작업이 이제는 질문을 입력하는 즉시 수행할 수 있는 수준으로 바뀌었습니다. 그 결과 기술적 마찰이 크게 줄어 제품 팀은 엔지니어링 대기열을 기다리지 않고도 SQL 실행 점검, 피드 생성 로직 테스트, 판매자 이탈 같은 예측 모델의 빠른 반복 개선을 수행할 수 있게 되었습니다.
   

Whatnot은 현재 이와 동일한 기능을 일반 사용자에게도 제공하고 있습니다. Whatnot Seller Hub를 통해 라이브 스트리머는 독립적인 비즈니스 경영자처럼 운영할 수 있습니다. 데이터가 비공개로 안전하게 보호되도록 설계된 엄격한 행 수준 보안을 Cortex Agents에 내장함으로써, 판매자는 앱에 자연스럽게 메시지를 보내 다음과 같은 실시간 업데이트를 확인할 수 있습니다. "지난 30일 동안 내 상위 구매자를 보여줘."

기술 인프라: 빠르고 경제적이며 누구에게나 열린 모니터링

수백 명의 내부 직원과 수천 명의 외부 판매자가 자유롭게 데이터를 쿼리하고 웨어하우스를 생성할 수 있게 되면, 예상치 못한 비용 증가와 플랫폼 오류를 관리해야 하는 고유한 운영 과제가 발생합니다.

분산형 AI가 제공하는 높은 민첩성을 유지하면서도 이를 안정적으로 운영하기 위해 Whatnot은 빠르고, 비용 효율적이며, 누구나 이해하기 쉬운 모니터링 환경을 구축하는 것을 목표로 삼고 있습니다.

로깅 병목 해소

과거에는 플랫폼 상태를 실시간으로 추적하는 일이 매우 어려웠습니다. 표준 사용률 로그는 3~4시간이나 늦게 제공되어 실시간 파이프라인 오류를 포착하기에는 턱없이 느렸습니다. 이를 보완하려면 15분마다 대규모 진단 쿼리를 실행해야 했는데, 이는 컴퓨팅 비용을 크게 증가시켰고 로그를 확인하는 데 엄격한 관리자 보안 권한이 필요했습니다.

이를 해결하기 위해 Snowflake는 Snowflake Trail을 통해 차세대 이벤트 테이블 기반의 네이티브 텔레메트리 엔진을 도입했습니다. 이 업데이트로 이벤트 수집 속도는 10배 빨라졌고, 포괄적인 로깅에 따르던 비용 부담도 해소되었습니다.

복잡한 코드에서 자연어 알림으로 전환

이전에는 고품질 시스템 경고를 설정하려면 데이터 엔지니어가 100줄이 넘는 정교한 SQL 코드를 작성해야 했습니다. 이러한 기술적 장벽 때문에 비즈니스 분석가나 운영 담당자는 시스템 모니터링에 직접 참여하기 어려웠습니다.

이제 사용자는 Snowflake의 AI 지원 옵저버빌리티 워크플로우를 사용해 Snowsight UI의 CoCo에 다음과 같은 대화형 요청을 입력하는 것만으로 자동화된 인프라 모니터링을 구축할 수 있습니다.

"웨어하우스에서 성능 이상이나 갑작스러운 비용 급증이 발생하면 이를 감지하는 경고를 만들고, 요약 내용을 매일 이메일로 보내줘."

이 요청이 입력되면 내장된 AI가 사용자의 의도를 분석하고, 관련 플랫폼 뷰를 탐색해 필요한 코드 로직을 생성한 뒤, 알림 채널까지 자동으로 구성합니다.

앞으로의 방향: 인식론적 위생과 선제적 데이터 운영

Whatnot의 궁극적인 목표는 과거 문제를 진단하는 수준을 넘어, 문제를 능동적으로 예방하는 단계로 전환하는 것입니다.

하지만 AI 기반 분석을 조직 전체로 확장하면서 중요한 교훈도 얻었습니다. 기술적 장벽이 낮아질수록 조직적 문제는 더욱 분명하게 드러난다는 점입니다. 데이터를 질문만으로 즉시 활용할 수 있게 되자 데이터 모델링, 데이터 소유권, 지표 정의의 미비점이 빠르게 드러났습니다. 또한 분산형 AI 시스템은 명확한 지침 없이 방치될 경우 "에이전트 난립" 문제에 빠질 수 있습니다.

데이터의 신뢰성을 유지하기 위해 Whatnot은 AI 네트워크 전반에 인식론적 위생과 에이전트 운영 지침을 엄격하게 적용합니다.

• 확률적 표현 사용: 에이전트는 기본적으로 신중하고 확률적인 표현("이는 ...일 가능성이 높습니다", "데이터는 ...와 일치합니다")을 사용해야 하며, "이것이 입증합니다" 또는 "이것은 명확히 보여줍니다" 같은 단정적 표현은 명시적으로 금지됩니다.

• 관찰 vs. 해석: AI는 가공 전 데이터에 나타난 사실과 주관적인 비즈니스 해석을 명확히 분리해야 합니다.

• 인과 관계 단정 금지: 에이전트는 단순한 관측 데이터만으로 인과관계를 단정해서는 안 되며, 기본적으로 "관련이 있음" 또는 "상관관계가 있음"과 같은 표현을 사용해야 합니다.

Whatnot은 이러한 엄격한 운영 원칙과 함께 Unified Observability Hubs를 통한 중앙 집중식 비용 추적, AI 기반 스마트 알림 추천 등 Snowflake의 새로운 기능을 활용해 소프트웨어 엔지니어, 데이터 사이언티스트, 비즈니스 관리자의 역할 간 경계를 점차 허물어가고 있습니다.

모듈식 데이터 스택, 비용 효율적인 실시간 이벤트 로그, 대화형 AI를 도입함으로써 Whatnot 같은 기업은 인프라 블랙박스를 강력한 경쟁 우위로 전환하고 있습니다. 그 결과 데이터 팀은 사용자 지정 로깅 스크립트 작성에 쓰는 시간을 줄이고, 라이브 쇼핑 이용자는 매끄러운 실시간 경험을 누릴 수 있습니다.

모든 통계는 2026년 7월 27일 기준 Whatnot의 내부 분석 자료를 기반으로 합니다.

미래 전망 진술

본 페이지에는 당사의 향후 제품 제공과 관련된 미래 전망 진술이 포함되어 있으며, 이는 어떠한 제품 제공에 대한 약속이나 보장을 의미하지 않습니다. 실제 결과 및 제공 내용은 다를 수 있으며, 알려지거나 알려지지 않은 위험 및 불확실성의 영향을 받을 수 있습니다. 자세한 내용은 최신 10-Q를 참조하세요.