[이제와서 시작하는 Metabase 마스터하기 #8] 데이터 모델링 - Models, Metrics, Segments

학습 목표

이 포스트를 마치면 다음을 할 수 있습니다:

• Semantic Layer의 개념과 중요성 이해
• Models로 복잡한 데이터를 단순화
• Metrics로 일관된 비즈니스 지표 정의
• Segments로 자주 사용하는 필터 재사용
• 데이터 모델링 Best Practices 적용
• 조직 전체의 데이터 일관성 확보

Semantic Layer란?

Semantic Layer(의미론적 계층)는 원본 데이터와 비즈니스 사용자 사이의 추상화 계층입니다.

graph TB
    A[Business Users] --> B[Semantic Layer]
    B --> C[Models]
    B --> D[Metrics]
    B --> E[Segments]
    C --> F[Raw Tables]
    D --> F
    E --> F

    style B fill:#e1f5ff
    style C fill:#fff4e1
    style D fill:#e8f5e9
    style E fill:#fce4ec

왜 필요한가?

문제점 (Semantic Layer 없이):

Analyst A:
  매출 = SUM(total) WHERE status = 'completed'

Analyst B:
  매출 = SUM(subtotal - discount) WHERE payment_status = 'paid'

→ 같은 "매출"이지만 다른 숫자!

해결책 (Semantic Layer 사용):

중앙에서 정의:
  Revenue Metric = SUM(total) WHERE status = 'completed'

모든 분석가가 동일한 정의 사용
→ 일관된 분석 결과

Metabase의 Semantic Layer

graph LR
    A[Raw Data] --> B[Models]
    B --> C[Metrics]
    B --> D[Segments]
    C --> E[Questions]
    D --> E
    E --> F[Dashboards]

3가지 구성 요소:

1. Models: 정제된 데이터 뷰
2. Metrics: 비즈니스 지표 정의
3. Segments: 재사용 가능한 필터

Models (모델)

개념

Model은 복잡한 쿼리를 단순한 테이블처럼 사용할 수 있게 하는 저장된 Question입니다.

-- Raw tables (복잡함)
SELECT
  o.id,
  o.created_at,
  o.total,
  c.name as customer_name,
  c.state,
  p.name as product_name
FROM orders o
JOIN customers c ON o.customer_id = c.id
JOIN order_items oi ON o.id = oi.order_id
JOIN products p ON oi.product_id = p.id

-- Model: "Order Details" (간단함)
SELECT * FROM order_details

Model 생성하기

방법 1: Question을 Model로 변환

1. Question 생성 (SQL 또는 GUI)
2. Save 후
3. ... menu > "Turn into a model"
4. Collection 선택
5. Create

방법 2: 직접 Model 생성

1. New > Model
2. SQL 작성
3. Save

Model 예제

Model 1: Clean Orders

-- Purpose: 완료된 주문만, 필요한 필드만
CREATE MODEL clean_orders AS
SELECT
  o.id as order_id,
  o.created_at as order_date,
  o.total as order_total,
  o.subtotal,
  o.tax,
  o.discount,
  c.id as customer_id,
  c.name as customer_name,
  c.email as customer_email,
  c.state as customer_state,
  c.created_at as customer_signup_date
FROM orders o
JOIN customers c ON o.customer_id = c.id
WHERE o.status = 'completed'
  AND o.created_at >= '2024-01-01'

사용:

New Question > Data: "Clean Orders" model

이제 복잡한 조인 없이 바로 사용 가능

Model 2: Product Performance

CREATE MODEL product_performance AS
SELECT
  p.id as product_id,
  p.name as product_name,
  p.category,
  p.price as current_price,
  COUNT(DISTINCT o.id) as order_count,
  SUM(oi.quantity) as units_sold,
  SUM(oi.quantity * oi.price) as total_revenue,
  AVG(r.rating) as avg_rating,
  COUNT(DISTINCT r.id) as review_count
FROM products p
LEFT JOIN order_items oi ON p.id = oi.product_id
LEFT JOIN orders o ON oi.order_id = o.id AND o.status = 'completed'
LEFT JOIN reviews r ON p.id = r.product_id
WHERE p.is_active = true
GROUP BY p.id, p.name, p.category, p.price

Model 3: Customer 360

CREATE MODEL customer_360 AS
SELECT
  c.id as customer_id,
  c.name,
  c.email,
  c.state,
  c.created_at as signup_date,
  -- Order metrics
  COUNT(DISTINCT o.id) as total_orders,
  SUM(o.total) as lifetime_value,
  AVG(o.total) as avg_order_value,
  MAX(o.created_at) as last_order_date,
  MIN(o.created_at) as first_order_date,
  DATEDIFF('day', MAX(o.created_at), CURRENT_DATE) as days_since_last_order,
  -- Behavioral
  SUM(CASE WHEN o.created_at >= CURRENT_DATE - 90 THEN 1 ELSE 0 END) as orders_last_90d,
  -- Segmentation
  CASE
    WHEN SUM(o.total) >= 1000 THEN 'VIP'
    WHEN SUM(o.total) >= 500 THEN 'Regular'
    ELSE 'Casual'
  END as customer_segment
FROM customers c
LEFT JOIN orders o ON c.id = o.customer_id AND o.status = 'completed'
GROUP BY c.id, c.name, c.email, c.state, c.created_at

Model 메타데이터 설정

Description:

Model: Customer 360

Description:
통합된 고객 프로필 with 주문 이력 및 행동 지표

Update frequency: Daily at 2 AM
Owner: Analytics Team
Use cases:
  - Customer segmentation
  - Lifetime value analysis
  - Churn prediction

Important notes:
  - lifetime_value는 completed 주문만 포함
  - customer_segment는 전체 기간 기준

Column descriptions:

1. customer_id: 고유 고객 ID
2. lifetime_value: 총 구매액 (완료된 주문만)
3. days_since_last_order: 마지막 주문 이후 일수 (재구매 분석용)
4. customer_segment: VIP(>$1000) / Regular($500-1000) / Casual(<$500)

Model 관리

Caching:

Model settings > Caching
- Cache TTL: 24 hours (매일 새벽 갱신)
- Refresh schedule: Daily at 2:00 AM

Permissions:

Model settings > Permissions
- View: All users
- Edit: Analytics team only
- 이유: 비즈니스 로직의 일관성 유지

Metrics (메트릭)

개념

Metric은 비즈니스 지표의 표준 정의입니다.

예시:
  - Monthly Recurring Revenue (MRR)
  - Customer Acquisition Cost (CAC)
  - Net Promoter Score (NPS)
  - Conversion Rate

Metric 생성

1. Model 선택
2. "Add a metric" 클릭
3. 이름, 정의, 설명 작성
4. Save

Metric 예제

Metric 1: Total Revenue

Name: Total Revenue
Model: Clean Orders
Definition: Sum of order_total
Description:
  완료된 주문의 총 매출액
  Excludes: 취소, 환불, 보류 주문
  Includes: 세금 포함 금액

Metric 2: Active Customers

Name: Active Customers (90-day)
Model: Customer 360
Definition: Count of distinct customer_id WHERE orders_last_90d > 0
Description:
  지난 90일 내 1회 이상 구매한 고객 수
  Use: 월간 활성 사용자 추적

Metric 3: Average Order Value (AOV)

Name: Average Order Value
Model: Clean Orders
Definition: Average of order_total
Description:
  주문 건당 평균 금액
  Calculation: Total Revenue / Number of Orders
  Benchmark: Industry average $75

Metric 4: Customer Lifetime Value (LTV)

Name: Customer Lifetime Value
Model: Customer 360
Definition: Average of lifetime_value
Description:
  고객 1명당 평균 총 구매액
  Use: CAC와 비교하여 ROI 계산
  Target: LTV:CAC ratio > 3:1

Metric 5: Conversion Rate

Name: Checkout Conversion Rate
Model: Funnel Events
Definition:
  (Count of purchases / Count of checkout starts) * 100
Description:
  체크아웃 시작 대비 구매 완료 비율
  Optimization target: > 70%

Metric 사용하기

Question에서:

1. New Question
2. Data: Clean Orders
3. Summarize: "Total Revenue" (미리 정의된 Metric)
4. Group by: order_date (Month)
5. Visualization: Line chart

장점:

✅ 정의 일관성: 모두가 같은 계산식 사용
✅ 업데이트 간편: Metric 정의 변경 시 모든 Question 자동 반영
✅ 문서화: 계산 로직이 명시적

Metric Catalog

조직의 Metric 카탈로그 구축:

# Revenue Metrics

## Total Revenue
- **Definition**: Sum(order_total) WHERE status = 'completed'
- **Owner**: Finance Team
- **Update**: Real-time
- **Target**: $1M/month

## Net Revenue
- **Definition**: Total Revenue - Returns - Refunds
- **Owner**: Finance Team
- **Update**: Daily
- **Target**: 95% of Total Revenue

# Customer Metrics

## Active Customers
- **Definition**: Distinct customers with orders in last 90 days
- **Owner**: Growth Team
- **Update**: Daily
- **Target**: 10% MoM growth

## Customer Retention Rate
- **Definition**: (Customers this month who ordered last month) / Customers last month
- **Owner**: CRM Team
- **Update**: Monthly
- **Target**: > 80%

Segments (세그먼트)

개념

Segment는 자주 사용하는 필터 조합을 저장한 것입니다.

예시:
  - VIP Customers (lifetime_value > $1000)
  - Recent Orders (created_at >= CURRENT_DATE - 30)
  - High-Value Products (price > $100)
  - Churned Customers (days_since_last_order > 180)

Segment 생성

1. Model 선택
2. "Add a segment" 클릭
3. 필터 조건 설정
4. 이름 및 설명 작성
5. Save

Segment 예제

Segment 1: VIP Customers

Name: VIP Customers
Model: Customer 360
Filter:
  customer_segment = 'VIP'
  OR lifetime_value >= 1000

Description:
  고가치 고객 세그먼트
  Criteria: 총 구매액 $1,000 이상
  Count: ~500 customers (5% of total)
  Special treatment: 전용 할인, 우선 배송

Segment 2: At-Risk Customers

Name: At-Risk Customers
Model: Customer 360
Filter:
  total_orders >= 3
  AND days_since_last_order > 90
  AND days_since_last_order <= 180

Description:
  이탈 위험 고객
  과거 활동: 3회 이상 구매 (loyal)
  현재 상태: 90-180일 미구매
  Action: 재참여 캠페인 대상

Segment 3: High-Value Orders

Name: High-Value Orders
Model: Clean Orders
Filter:
  order_total >= 200

Description:
  고액 주문 세그먼트
  Threshold: $200 이상
  Use: 특별 배송 추적, 감사 메시지 발송

Segment 4: New Customers (First 30 Days)

Name: New Customers
Model: Customer 360
Filter:
  DATEDIFF('day', signup_date, CURRENT_DATE) <= 30

Description:
  신규 가입 고객 (30일 이내)
  Use: 온보딩 모니터링, 초기 경험 최적화
  Target conversion: 첫 구매 전환율 > 30%

Segment 5: Mobile Shoppers

Name: Mobile Shoppers
Model: Clean Orders
Filter:
  device_type = 'mobile'
  OR device_type = 'tablet'

Description:
  모바일 디바이스 주문
  Use: 모바일 UX 최적화 분석
  Trend: 전체 주문의 60% (증가 추세)

Segment 사용하기

Question에서:

1. New Question
2. Data: Customer 360
3. Segment: "VIP Customers" 선택 (자동으로 필터 적용됨)
4. Summarize: Count
5. Group by: state

→ VIP 고객의 지역별 분포

조합 사용:

1. Data: Clean Orders
2. Segment: "High-Value Orders" + "Mobile Shoppers"
3. → 모바일에서 발생한 고액 주문만 분석

데이터 모델링 Best Practices

1. 명명 규칙

Models:

✅ 좋은 이름:
  - clean_orders (상태: clean, 대상: orders)
  - customer_360 (컨셉: 360도 뷰, 대상: customer)
  - product_performance (컨셉: 성과, 대상: product)

❌ 나쁜 이름:
  - model1
  - temp_query
  - johns_analysis

Metrics:

✅ 좋은 이름:
  - Total Revenue (명확한 비즈니스 용어)
  - Customer Lifetime Value
  - Monthly Active Users

❌ 나쁜 이름:
  - sum_total (기술적 용어)
  - metric_2
  - revenue_v3

Segments:

✅ 좋은 이름:
  - VIP Customers (명확한 기준)
  - At-Risk Customers
  - Recent Orders (Last 30 Days)

❌ 나쁜 이름:
  - segment_a
  - test_filter
  - customers_1

2. 문서화 템플릿

Model Documentation:

# Model: Customer 360

## Purpose
통합된 고객 프로필 및 행동 지표

## Data Sources
- customers (primary)
- orders (aggregated)
- customer_events (behavioral)

## Update Schedule
Daily at 2:00 AM UTC

## Key Fields
- customer_id: Unique identifier
- lifetime_value: Total purchase amount (completed orders only)
- customer_segment: VIP / Regular / Casual
- days_since_last_order: Recency indicator

## Business Rules
- Only includes customers with verified email
- lifetime_value excludes refunds and returns
- customer_segment updates daily based on total spend

## Usage Examples
- Customer segmentation analysis
- LTV prediction models
- Churn risk scoring

## Owner
Analytics Team (analytics@company.com)

## Version History
- v1.0 (2025-01-01): Initial release
- v1.1 (2025-02-15): Added customer_segment field
- v1.2 (2025-03-01): Optimized for better performance

Metric Documentation:

# Metric: Monthly Recurring Revenue (MRR)

## Definition
```sql
SUM(subscription_amount)
WHERE subscription_status = 'active'
  AND billing_period = 'monthly'

Business Logic

• Includes only active monthly subscriptions
• Excludes trial periods and annual plans (use ARR for those)
• Calculated at the end of each month

Targets

• Q1 2025: $100K
• Q2 2025: $150K
• Annual: $1.2M

Related Metrics

• Annual Recurring Revenue (ARR)
• Customer Lifetime Value (LTV)
• Churn Rate

Owner

Revenue Operations Team

Approved By

CFO, 2025-01-15

### 3. 폴더 구조

Models/ ├── Core/ │ ├── clean_orders │ ├── customer_360 │ └── product_catalog ├── Marketing/ │ ├── campaign_performance │ ├── attribution_model │ └── lead_scoring ├── Finance/ │ ├── revenue_recognition │ └── cost_analysis └── Experimental/ ├── ml_predictions └── test_models

Metrics/ ├── Revenue/ │ ├── Total Revenue │ ├── Net Revenue │ └── MRR ├── Customer/ │ ├── Active Customers │ ├── LTV │ └── CAC └── Product/ ├── Conversion Rate └── Average Order Value

### 4. 버전 관리

**Metric 변경 시:**

1. 새 버전 생성: Old: “Total Revenue” New: “Total Revenue v2”

2. 테스트 기간:
   • 두 버전 병행 사용 (1-2주)
   • 결과 비교 및 검증

3. 공지: “Total Revenue 정의 변경 예정: 변경 사항: 환불 제외 로직 추가 적용일: 2025-04-01 영향: 약 3% 감소 예상 문의: analytics@company.com”

4. 마이그레이션:
   • 모든 Question 업데이트
   • Old version deprecate
   • 문서 업데이트
5. Old version 삭제 (3개월 후) ```

5. 성능 최적화

Model 최적화:

-- ❌ 느린 Model
CREATE MODEL slow_model AS
SELECT *
FROM orders o
LEFT JOIN customers c ON o.customer_id = c.id
LEFT JOIN products p ON o.product_id = p.id
-- 모든 컬럼, 모든 행

-- ✅ 빠른 Model
CREATE MODEL fast_model AS
SELECT
  o.id,
  o.created_at,
  o.total,
  c.name,
  p.category
FROM orders o
JOIN customers c ON o.customer_id = c.id  -- INNER JOIN (필요한 것만)
JOIN products p ON o.product_id = p.id
WHERE o.created_at >= '2024-01-01'  -- 필터링
  AND o.status = 'completed'
-- 필요한 컬럼만, 필요한 행만

캐싱 전략:

자주 사용하는 Model:
  - Cache TTL: 1 hour
  - Update: 매 시간

일일 리포트 Model:
  - Cache TTL: 24 hours
  - Update: Daily at 2 AM

실시간 Model:
  - Cache TTL: 5 minutes
  - Update: 실시간

6. 거버넌스

Approval 프로세스:

1. 제안:
   Analyst가 새 Metric 제안

2. 리뷰:
   Analytics team 리뷰
   - 정의 명확성
   - 비즈니스 가치
   - 기술적 타당성

3. 승인:
   Stakeholder 승인 (Finance, Marketing 등)

4. 배포:
   공식 Metric catalog에 추가

5. 교육:
   팀 교육 및 문서화

정기 감사:

분기별:
  - 사용되지 않는 Model/Metric 제거
  - 중복 제거
  - 성능 리뷰

연간:
  - 비즈니스 목표 정렬 확인
  - Metric 정의 업데이트
  - 사용자 만족도 조사

실전 연습 문제

연습 1: Model 생성 (초급)

과제: 판매 분석을 위한 “Sales Summary” Model 생성

요구사항:

• Orders, Customers, Products 테이블 조인
• 완료된 주문만
• 2024년 이후 데이터만

해답 보기

CREATE MODEL sales_summary AS
SELECT
  o.id as order_id,
  o.created_at as order_date,
  o.total as order_total,
  c.id as customer_id,
  c.name as customer_name,
  c.state as customer_state,
  p.id as product_id,
  p.name as product_name,
  p.category as product_category,
  oi.quantity,
  oi.price as unit_price,
  oi.quantity * oi.price as line_total
FROM orders o
JOIN customers c ON o.customer_id = c.id
JOIN order_items oi ON o.id = oi.order_id
JOIN products p ON oi.product_id = p.id
WHERE o.status = 'completed'
  AND o.created_at >= '2024-01-01'

-- Column descriptions:
-- order_total: 주문 총액 (세금 포함)
-- line_total: 상품 라인별 금액
-- quantity: 구매 수량

연습 2: Metrics 정의 (중급)

과제: 핵심 비즈니스 Metrics 정의

1. Gross Merchandise Value (GMV)
2. Average Items per Order
3. Repeat Purchase Rate (30일 내 재구매 비율)

해답 보기

Metric 1: Gross Merchandise Value
Name: GMV
Model: Sales Summary
Definition: SUM(order_total)
Description:
  총 거래액 (환불 전)
  Use: 플랫폼 전체 규모 측정
  Note: Net Revenue와 구분 (환불 제외는 Net Revenue)

Metric 2: Average Items per Order
Name: Avg Items per Order
Model: Sales Summary
Definition: AVG(quantity)
Description:
  주문당 평균 상품 개수
  Benchmark: 2.5 items
  Optimization: Cross-sell, Bundle 제안

Metric 3: Repeat Purchase Rate
Model: Customer 360
Definition:
  COUNT(DISTINCT customer_id WHERE orders_last_30d >= 2)
  / COUNT(DISTINCT customer_id WHERE orders_last_30d >= 1)
  * 100
Description:
  30일 내 2회 이상 구매한 고객 비율
  Target: > 25%
  Driver: Customer satisfaction, loyalty programs

연습 3: Segments 활용 (고급)

과제: 고객 라이프사이클 Segments 생성

1. New (첫 구매 후 30일 이내)
2. Active (30-90일 내 구매)
3. At Risk (90-180일 미구매)
4. Churned (180일 이상 미구매)

해답 보기

Segment 1: New Customers
Model: Customer 360
Filter:
  DATEDIFF('day', first_order_date, CURRENT_DATE) <= 30
Description:
  첫 구매 후 30일 이내
  Action: 온보딩 캠페인, 첫 리뷰 유도

Segment 2: Active Customers
Model: Customer 360
Filter:
  days_since_last_order <= 90
  AND DATEDIFF('day', first_order_date, CURRENT_DATE) > 30
Description:
  최근 90일 내 구매, 신규 아님
  Action: 정기 프로모션, 추천 상품

Segment 3: At-Risk Customers
Model: Customer 360
Filter:
  days_since_last_order > 90
  AND days_since_last_order <= 180
  AND total_orders >= 2
Description:
  과거 구매 있으나 90-180일 미구매
  Action: Win-back 캠페인, 특별 할인

Segment 4: Churned Customers
Model: Customer 360
Filter:
  days_since_last_order > 180
Description:
  180일 이상 미구매
  Action: 대대적 재참여 캠페인 or 리스트 정리

-- Dashboard 활용:
각 세그먼트별:
  - 고객 수
  - 비율
  - 평균 LTV
  - 추세 (지난 분기 대비)

다음 단계

데이터 모델링을 마스터했습니다. 다음 포스트에서는:

• 자동화와 알림: Pulses, Alerts로 정기 리포트 자동화
• Subscriptions: 이메일, Slack으로 대시보드 전송
• Scheduled Exports: 정기 데이터 내보내기

요약

Semantic Layer 구성 요소

graph TD
    A[Semantic Layer] --> B[Models]
    A --> C[Metrics]
    A --> D[Segments]

    B --> B1[데이터 단순화]
    B --> B2[조인 추상화]

    C --> C1[지표 일관성]
    C --> C2[비즈니스 정의]

    D --> D1[필터 재사용]
    D --> D2[세그먼트 분석]

체크리스트

Model 생성:

• 명확한 비즈니스 목적 정의
• 필요한 필드만 포함
• 필터로 데이터 범위 제한
• Column descriptions 작성
• Caching 설정
• 권한 설정

Metric 정의:

• 비즈니스 용어로 명명
• 계산 로직 문서화
• 목표치 설정
• Owner 지정
• 관련 Metrics 연결
• Stakeholder 승인

Segment 생성:

• 명확한 기준 정의
• 비즈니스 가치 검증
• 사용 사례 문서화
• 정기 리뷰 계획

다음 포스트에서는 이렇게 만든 분석을 자동화하고 팀과 공유하는 방법을 배웁니다!

📚 시리즈 전체 목차

🚀 기초편 (1-5화)

1. Metabase 소개와 핵심 개념
2. 설치와 초기 설정
3. 샘플 데이터 둘러보기
4. 첫 차트 만들기 - 실습 완전정복
5. 대시보드 만들기 - 한 화면에 모으기

💪 활용편 (6-10화)

1. 필터와 파라미터
2. SQL 네이티브 쿼리
3. [데이터 모델링] (현재 글)
4. 자동화와 알림
5. 권한과 보안

🎯 고급편 (11-16화)

1. 임베딩과 공유
2. 성능 최적화
3. 멀티 데이터소스
4. 커스터마이징
5. 운영과 모니터링
6. 실전 프로젝트