WHOOP, Snowflake 도입으로 AI/ML 기반 재무 예측 및 회원 경험 향상

신체 활동과 휴식 사이의 균형을 맞추는 것은 업무 능률과 운동 수행 능력 그리고 일상 생활 전반의 활력을 위해 매우 중요합니다. WHOOP는 24시간 착용하도록 설계된 첨단 웨어러블 디바이스에서 얻은 생체 데이터를 활용하여 사람들이 더 나은 퍼포먼스를 발휘할 수 있도록 지원합니다. 회원들은 WHOOP 앱을 통해 건강 지표를 모니터링하고, AI 기반 퍼포먼스 코칭 기능인 WHOOP Coach를 이용합니다.

데이터는 이처럼 WHOOP 회원 경험의 핵심적 부분일 뿐만 아니라, 신규 기능 설계, 수익 예측, 고객 유지 등을 담당하는 운영 팀에게도 매우 중요합니다. WHOOP는 Amazon Redshift와 Dremio에서 Snowflake로 전환한 이후, 모든 부서에서 데이터와 인사이트를 더 빠르게 활용할 수 있게 되었습니다. 회원들의 요구 사항을 신속하게 파악할 수 있게 되면서 더 정확한 정보에 입각한 비즈니스 의사 결정이 가능해졌습니다.

WHOOP는 혁신적인 기능 출시, 지속적인 해외 확장, 그리고 무료 평가판의 인기 덕분에 신규 회원이 대거 유입되었고, 그에 따라 처리해야 할 데이터도 기하급수적으로 늘었습니다. WHOOP의 비즈니스 분석 디렉터 Matt Luizzi는 이렇게 말합니다. “이런 초고속 성장 단계에 들어서자 데이터가 매년 2배에서 3배까지 증가했습니다. 회사의 성장에 맞춰 확장할 수 있는 플랫폼이 필요했습니다.”

Snowflake를 사용하기 전 WHOOP의 데이터는 데이터 웨어하우스, 데이터 레이크, 프로덕션 데이터베이스에 걸쳐 분산되어 있었습니다. WHOOP의 이전 데이터 웨어하우스인 Amazon Redshift는 소규모 데이터 팀이 유지 관리하고 규모를 조정하기에는 비용과 운영 측면에서 부담이 컸습니다. 클러스터 규모 조정 작업으로 인해 하루에 두 번씩 15분의 가동 중지 시간이 발생하고, 사용량이 적은 시간대에도 대기 시간이 길어지곤 했습니다. Luizzi는 “분기 말에 늦게까지 일할 때면 데이터 웨어하우스가 꺼졌다가 엄청나게 느려지는 일이 잦아서" 힘들었다면서, “회사가 계속 성장해나가는 과정에서 이 부분이 큰 고충”이었다고 설명했습니다. 대량의 개인 식별 정보(PII)를 포함하여 수백 테라바이트 규모의 데이터에 대한 적절한 데이터 거버넌스를 보장하는 것도 또 다른 애로점이었습니다.

게다가, WHOOP는 데이터 레이크하우스에 있는 Apache Iceberg 테이블을 쿼리하고 관리하기 위해 이용하던 Dremio와는 비용 문제를 겪었습니다. EC2 인스턴스가 항상 활성화되어 있다 보니 추가 인프라 비용과 관리 오버헤드가 발생했기 때문입니다.

변화의 필요성을 인식한 Luizzi는 확장 가능하고 안전한 단일 데이터 플랫폼에 회사의 데이터를 중앙 집중화하기 위해 Snowflake를 선택했습니다. AI 데이터 클라우드의 탄력적인 성능 엔진, 역할 기반 액세스 제어(RBAC)를 포함한 Horizon Catalog의 데이터 거버넌스 기능, 그리고 Apache Iceberg 테이블 지원이 WHOOP의 진화하는 요구 사항을 충족하면서도 예산에 부담을 주지 않았습니다. Snowsight의 비용 모니터링 대시보드는 Snowflake 사용량에 대한 세분화된 가시성을 제공하여 예상치 못한 비용 발생을 방지했습니다. “Snowflake를 도입하고서는 비용 문제를 겪은 적이 한 번도 없습니다. 플랫폼에서 제공하는 충분한 가시성 덕분에 비용 관리가 매우 쉬웠습니다.”라고 Luizzi는 말합니다.

Snowflake 도입으로 느린 쿼리 및 인프라 문제 해결에 소요되는 시간이 줄어들자 WHOOP의 데이터 팀은 전사적으로 데이터 액세스를 확대하는 데 더 많은 시간을 할애할 수 있었습니다. Snowflake는 WHOOP에서 데이터 기반 실험을 위한 촉매제가 되었고, 그 결과 WHOOP의 데이터 통합 수준이 한층 높아졌습니다. “회사 데이터 100%가 Snowflake에서 쿼리 가능하도록 만들기 위해” 많은 노력을 기울였다고 Luizzi는 말합니다.

Snowflake로 회사의 데이터 웨어하우스 및 데이터 레이크 워크로드를 처리한다는 것은 조달, 관리 및 지원해야 할 인프라가 줄어든다는 의미입니다. Snowflake로 통합하고 Apache Iceberg 테이블을 사용함으로써 워크로드 관리가 쉬워지고 성능도 향상되자, 매일 20시간의 컴퓨팅 시간을 절약할 수 있게 되었습니다. 더 좋은 점은 이제 WHOOP의 데이터 사이언티스트, 엔지니어, 제품 개발자, 마케팅 담당자 등 모든 비즈니스 사용자가, 신뢰할 수 있는 데이터를 쉽게 찾을 수 있다는 점입니다. Luizzi는 이렇게 말합니다. “우리의 주안점은 제품 분석입니다. “제품에 탑재된 각 기능에 대한 회원들의 선호도를 파악하면 어디에 더 노력을 기울여야 할지 알게 되고, 전반적인 회원 경험도 향상시킬 수 있습니다."

미국 캘리포니아주 샌머테이오에 있는 Snowflake 고객 경험 센터 방문을 계기로 Luizzi는 WHOOP의 재무 책임자들과 협력하여 수익 예측을 간소화할 방도를 찾아보자는 생각을 하게 되었습니다. 이들은 Snowpark와 Snowflake 파트너인 Hex를 활용하여 회사 재무 데이터 내의 패턴과 추세를 자동으로 식별하는 자동화된 AI/ML 코호트 모델을 신속하게 구축하였습니다. 이 새로운 모델로 WHOOP는 CSV 파일에 대한 의존도를 줄이고, 모델 차원을 3배로 늘려 모델 정확도, 성능 및 확장성을 높일 수 있었습니다. 이러한 개선을 통해 WHOOP의 재무 예측은 더 간편해지고, 회원들에 대한 이해는 더 깊어졌습니다.  

앞으로 WHOOP는 Snowflake의 AI/ML 기능을 Streamlit in Snowflake와 함께 사용할 계획입니다. 현재 분석 팀은 모든 직원이 원하는 데이터를 쉽게 구하고, 지표를 더 잘 이해할 수 있도록 그들의 질문에 대한 답을 제공할 대규모 언어 모델(LLM) 챗봇을 개발하고 있습니다. 

Snowflake Cortex AI는 WHOOP의 지원 티켓 분류 솔루션을 위한 개념 증명 테스트에 유용했습니다. Luizzi는 이렇게 말합니다. “Cortex LLM 함수를 사용하여 세 가지 LLM을 동시에 실행해서 어떤 LLM이 가장 좋은 결과를 내는지 확인할 수 있었습니다. “실험 결과, 사람이 직접 하루에 수백 건의 티켓을 처리하는 것보다 정확하더군요. 이걸 Snowflake에서 바로 사용할 수 있다는 점이 정말 큰 강점입니다.”

Apache Iceberg 테이블을 위한 오픈소스 카탈로그인 Polaris Catalog도 분석 팀에게 데이터에 대한 한 차원 높은 선택의 폭, 유연성 및 제어 기능을 제공할 것입니다. Luizzi는 이렇게 말합니다. “Apache Iceberg와 Apache Polaris 오픈소스 프로젝트의 유연성과 공급업체 중립적인 제어 기능은 상호운용성을 보장하고 공급업체 종속을 방지한다는 점에서 매우 매력적입니다. 우리 분석 팀은 Polaris에 대한 기대가 아주 큽니다.”