> ## Documentation Index
> Fetch the complete documentation index at: https://docs.sifi.life/llms.txt
> Use this file to discover all available pages before exploring further.

# 가격 모델 비교

> 이 문서는 **[플랫폼 비교](/blog/guides/platform-comparison/overview)** 섹션의 일부입니다.

## 과금 구조

| 항목          | Databricks                                   | Snowflake                | AWS Redshift                           | BigQuery                                 | MS Fabric          |
| ----------- | -------------------------------------------- | ------------------------ | -------------------------------------- | ---------------------------------------- | ------------------ |
| **과금 단위**   | DBU (Databricks Unit)                        | Credit                   | RPU (Serverless) / 노드 시간 (Provisioned) | Slot (Editions) / 스캔 바이트 (On-demand)     | CU (Capacity Unit) |
| **컴퓨팅 과금**  | 초 단위 과금, 유휴 시 자동 종료                          | 초 단위 (최소 60초), 자동 일시중지   | Serverless: RPU 초단위, Provisioned: 시간당  | On-demand: \$6.25/TB 스캔, Editions: 슬롯 시간 | 시간당 CU 과금          |
| **스토리지 과금** | 클라우드 네이티브 가격 (S3/ADLS/GCS 직접)                | Snowflake 자체 가격 (마크업 포함) | S3 + Redshift Managed Storage          | \$0.02/GB/월                              | OneLake 스토리지 가격    |
| **서버리스 옵션** | Serverless SQL Warehouse, Serverless Compute | 기본 서버리스                  | Redshift Serverless                    | 기본 서버리스                                  | Fabric Capacity    |
| **유휴 비용**   | Zero (자동 종료)                                 | Zero (자동 일시중지)           | Serverless: Zero, Provisioned: 과금      | On-demand: Zero, Editions: 슬롯 유지 비용      | Capacity 유지 비용     |
| **비용 투명성**  | 높음 — 스토리지/컴퓨팅 완전 분리, System Tables로 분석       | 중간 — Credit 기반, 스토리지 마크업 | 중간 — 서비스별 분산                           | 높음 — 쿼리당 명확                              | 중간 — CU 기반         |
| **예약 할인**   | 커밋 사용 할인 (1년/3년)                             | 선불 Capacity (할인)         | Reserved Instance                      | Committed Use (할인)                       | Reserved Capacity  |

## 비용 최적화 포인트

| 최적화 요소        | Databricks                           | Snowflake          | AWS Redshift             | BigQuery         | MS Fabric    |
| ------------- | ------------------------------------ | ------------------ | ------------------------ | ---------------- | ------------ |
| **스토리지 비용**   | 클라우드 네이티브 가격 그대로 — 마크업 없음            | 벤더 마크업 포함          | S3 가격 + 관리 스토리지          | 자체 가격            | OneLake 가격   |
| **쿼리 최적화**    | Predictive I/O, Liquid Clustering 자동 | 자동 Reclustering    | 수동 Sort/Distribution Key | 자동 최적화           | Direct Lake  |
| **비용 모니터링**   | System Tables — 비용을 SQL로 분석/알림       | Resource Monitors  | Cost Explorer            | Budget Alerts    | 비용 관리 대시보드   |
| **데이터 이동 비용** | 오픈 포맷 — 이관 비용 최소                     | 독점 포맷 — 이관 시 높은 비용 | AWS 내부 무료, 외부 과금         | GCP 내부 무료, 외부 과금 | Azure 내부 최적화 |

> **참고**
> **Databricks 비용 투명성**: 스토리지는 고객 클라우드(S3/ADLS/GCS) 직접 과금으로 마크업이 없고, 컴퓨팅은 DBU 기반 초 단위 과금입니다. System Tables를 통해 비용을 SQL로 직접 분석하고, 이상 비용에 대한 알림을 설정할 수 있습니다.

> **주의**
> **경쟁사 가격 강점**: BigQuery On-demand는 쿼리 실행량이 적은 경우 매우 경제적입니다 (쿼리당 과금, 유휴 비용 Zero). Snowflake는 Auto-suspend로 유휴 비용을 쉽게 관리할 수 있으며, Credit 기반 예측이 직관적입니다. MS Fabric은 이미 Microsoft E5 라이선스가 있는 조직에 추가 비용 부담이 적을 수 있습니다.

***

## 부록: 개발자 경험 및 접근성

### 사용자 유형별 접근성

| 사용자 유형         | Databricks                               | Snowflake              | AWS                       | BigQuery              | MS Fabric                    |
| -------------- | ---------------------------------------- | ---------------------- | ------------------------- | --------------------- | ---------------------------- |
| **비즈니스 사용자**   | Genie Spaces + AI/BI Dashboard (자연어 OK)  | Snowsight (SQL 필요)     | QuickSight (설정 복잡)        | Looker Studio         | Power BI (직관적)               |
| **SQL 분석가**    | Databricks SQL + Genie Code              | Snowflake SQL (직관적)    | Redshift + Athena (선택 필요) | BigQuery SQL          | T-SQL in Fabric              |
| **데이터 엔지니어**   | DLT + Notebooks + Assistant (선언적+AI 지원)  | Snowpark (Python/SQL)  | Glue + EMR (복잡한 설정)       | Dataflow (Beam 학습 필요) | Data Factory + Dataflow Gen2 |
| **데이터 사이언티스트** | Notebooks + MLflow + AutoML (End-to-End) | Snowpark ML (제한적)      | SageMaker (별도 서비스)        | Vertex AI (별도 서비스)    | Synapse ML (제한적)             |
| **ML 엔지니어**    | MLflow + Model Serving + AI Dev Kit      | 미지원                    | SageMaker Pipelines       | Vertex AI Pipelines   | 제한적                          |
| **앱 개발자**      | AI Dev Kit + Databricks Apps (로컬→배포)     | Streamlit in Snowflake | Lambda + API Gateway      | Cloud Run             | Power Apps 연동                |

### AI 코딩 도구 비교

| 항목                  | Databricks                                | Snowflake         | AWS                | GCP                | MS Fabric         |
| ------------------- | ----------------------------------------- | ----------------- | ------------------ | ------------------ | ----------------- |
| **플랫폼 내장 AI 어시스턴트** | Databricks Assistant (모든 에디터에 내장)         | Snowflake Copilot | Amazon Q Developer | Gemini Code Assist | Copilot in Fabric |
| **자연어 → 코드 생성**     | Genie Code (SQL + Python 생성 및 실행)         | 미지원               | 미지원                | 미지원                | Copilot (제한적)     |
| **로컬 IDE 통합**       | AI Dev Kit (VS Code) + Databricks Connect | 제한적 IDE 지원        | AWS Toolkit        | Cloud Code         | VS Code 확장        |
| **로컬 Agent 개발**     | AI Dev Kit — 로컬에서 Agent 개발/테스트/배포         | 미지원               | 미지원                | 미지원                | 미지원               |
| **워크스페이스 컨텍스트**     | Unity Catalog 메타데이터 활용 (도메인 인식)           | 스키마 인식            | 서비스별 분리            | 서비스별 분리            | Fabric 메타데이터      |

> **참고**
> **과거 Databricks의 약점으로 여겨졌던 "학습 곡선"은 Genie Code, AI Dev Kit, Databricks Assistant로 완전히 해소** 되었습니다. SQL만 아는 분석가부터 Python 개발자, 비즈니스 사용자까지 — 자연어로 즉시 생산적인 작업이 가능합니다.

***

## TCO (Total Cost of Ownership) 분석 프레임워크

### TCO 구성 요소

플랫폼 비용 비교 시 **컴퓨팅/스토리지 비용만** 보면 안 됩니다. **숨은 비용** 을 포함한 전체 TCO를 평가해야 합니다.

| TCO 구성 요소        | 설명                           | Databricks         | Snowflake                  | AWS 조합                      | BigQuery      |
| ---------------- | ---------------------------- | ------------------ | -------------------------- | --------------------------- | ------------- |
| **컴퓨팅 비용**       | SQL, ETL, ML 실행 비용           | DBU × 단가           | Credit × 단가                | 서비스별 합산                     | Slot/TB 과금    |
| **스토리지 비용**      | 데이터 저장 비용                    | 클라우드 직접 (마크업 Zero) | **벤더 마크업 포함**              | S3 + 관리형                    | 자체 가격         |
| **데이터 이동 비용**    | 플랫폼 간 데이터 복사                 | Zero (단일 플랫폼)      | Snowflake↔SageMaker 복사     | 서비스 간 전송                    | GCP→외부 전송     |
| **거버넌스 도구 비용**   | 카탈로그, 리니지, 감사                | 포함 (Unity Catalog) | 포함 (Horizon)               | Lake Formation + CloudTrail | Dataplex (추가) |
| **3rd Party 도구** | dbt, Fivetran, Monte Carlo 등 | 최소화 가능             | dbt 필요 (Dynamic Tables 한계) | 다수 필요                       | 다수 필요         |
| **인력 비용**        | 플랫폼 운영/개발 인력                 | 1개 플랫폼 = 적은 인력     | 2-3개 플랫폼 조합 = 많은 인력        | 5-10개 서비스 = 가장 많음           | 중간            |
| **교육/학습 비용**     | 팀 온보딩, 교육                    | 1개 플랫폼 학습          | SQL 중심 (빠른 온보딩)            | 서비스별 별도 학습                  | SQL 중심        |
| **플랫폼 의존 비용**    | 미래 이관 비용                     | 최소 (오픈 포맷)         | **높음 (독점 포맷)**             | 중간 (AWS 종속)                 | 중간-높음         |
| **다운타임 비용**      | 장애 시 비즈니스 영향                 | 서비스별 SLA           | 높은 가용성                     | 서비스별 SLA                    | 높은 가용성        |

### 3년 TCO 시나리오 비교

**시나리오: 데이터 + AI 통합 플랫폼 (중견기업, 50TB 데이터)**

| 비용 항목                 | Databricks       | Snowflake + SageMaker                    | AWS 조합 (Redshift + Glue + SageMaker) |
| --------------------- | ---------------- | ---------------------------------------- | ------------------------------------ |
| **컴퓨팅 (3년)**          | \$540,000        | \$720,000                                | \$648,000                            |
| **스토리지 (3년)**         | \$27,000 (S3 직접) | \$54,000 (마크업)                           | \$27,000 (S3)                        |
| **데이터 이동 (3년)**       | \$0              | \$36,000 (Snowflake↔SageMaker)           | \$18,000 (서비스 간)                     |
| **3rd Party 도구 (3년)** | \$36,000 (최소)    | \$108,000 (dbt + Fivetran + Monte Carlo) | \$72,000 (dbt + 기타)                  |
| **인력 (3년, 추가 인력)**    | \$0 (기존 팀)       | \$360,000 (1명 추가)                        | \$720,000 (2명 추가)                    |
| **교육 비용**             | \$30,000         | \$45,000 (2개 플랫폼)                        | \$60,000 (3-5개 서비스)                  |
| **이관 리스크 (NPV)**      | \$0              | \$150,000                                | \$75,000                             |
| **3년 TCO 합계**         | **\$633,000**    | **\$1,473,000**                          | **\$1,620,000**                      |
| **연간 TCO**            | **\$211,000**    | **\$491,000**                            | **\$540,000**                        |

> **주의**
> **주의**: 위 수치는 가상 시나리오이며, 실제 비용은 워크로드, 데이터 크기, 리전, 계약 조건에 따라 크게 달라집니다. **PoC를 통한 실제 비용 측정** 을 권장합니다.

> **성공**
> **핵심 메시지**: 컴퓨팅 비용만 보면 플랫폼 간 차이가 크지 않을 수 있습니다. 하지만 **데이터 이동, 3rd party 도구, 추가 인력, 플랫폼 의존 비용** 을 포함하면 Databricks의 **단일 플랫폼 전략** 이 TCO 기준으로 가장 경제적입니다.

***

## 워크로드별 비용 비교 시나리오

### 시나리오 1: SQL 분석 전용 (소규모 팀)

| 조건         | 값               |
| ---------- | --------------- |
| **팀 규모**   | 분석가 5명          |
| **일일 쿼리**  | 200건, 평균 스캔 5GB |
| **데이터 크기** | 5TB             |
| **사용 시간**  | 일 8시간, 주 5일     |

| 플랫폼                                        | 월 비용 (추정) | 비고                |
| ------------------------------------------ | --------- | ----------------- |
| **BigQuery On-demand**                     | \~\$130   | 쿼리당 과금, **가장 저렴** |
| **Databricks DBSQL Serverless (2X-Small)** | \~\$800   | ML/AI 확장 가능       |
| **Snowflake (X-Small)**                    | \~\$1,200 | SQL 편의성 최고        |
| **Redshift Serverless**                    | \~\$1,000 | AWS 생태계 통합        |

**결론**: SQL만 필요하고 쿼리 빈도가 낮으면 BigQuery On-demand가 가장 경제적. 다만 ML/AI 확장 가능성을 고려하면 Databricks가 장기적으로 유리.

### 시나리오 2: ETL + SQL 분석 (중규모 팀)

| 조건         | 값                  |
| ---------- | ------------------ |
| **팀 규모**   | 엔지니어 5명 + 분석가 10명  |
| **일일 ETL** | 500GB 처리           |
| **일일 쿼리**  | 1,000건, 평균 스캔 10GB |
| **데이터 크기** | 50TB               |
| **스트리밍**   | Kafka 소스 3개 (24/7) |

| 플랫폼                             | 월 비용 (추정)  | 비고                                |
| ------------------------------- | ---------- | --------------------------------- |
| **Databricks (DLT + DBSQL)**    | \~\$8,000  | 단일 플랫폼, 스트리밍 포함                   |
| **Snowflake + dbt**             | \~\$12,000 | Snowflake Credit + dbt Cloud 라이선스 |
| **AWS (Glue + Redshift + MSK)** | \~\$15,000 | 3개 서비스 조합, 운영 복잡                  |
| **BigQuery + Dataflow**         | \~\$10,000 | Dataflow 운영 비용 높음                 |

### 시나리오 3: 데이터 + AI 풀스택 (대규모 조직)

| 조건         | 값                                      |
| ---------- | -------------------------------------- |
| **팀 규모**   | 엔지니어 10명 + 분석가 20명 + DS 5명 + ML Eng 3명 |
| **일일 ETL** | 2TB 처리                                 |
| **일일 쿼리**  | 5,000건                                 |
| **ML 학습**  | GPU 클러스터 (주 3회, 각 4시간)                 |
| **모델 서빙**  | 3개 모델 24/7                             |
| **Agent**  | 1개 Agent 운영                            |
| **데이터 크기** | 200TB                                  |

| 플랫폼 조합                                                                | 월 비용 (추정)  | 인력   | 총 비용           |
| --------------------------------------------------------------------- | ---------- | ---- | -------------- |
| **Databricks (All-in-One)**                                           | \~\$35,000 | 기존 팀 | **\~\$35,000** |
| **Snowflake + SageMaker + Bedrock**                                   | \~\$40,000 | +1명  | **\~\$55,000** |
| **AWS Full (Redshift + Glue + SageMaker + Bedrock + Lake Formation)** | \~\$38,000 | +2명  | **\~\$68,000** |
| **BigQuery + Vertex AI**                                              | \~\$36,000 | +1명  | **\~\$51,000** |

> **참고**
> **핵심 포인트**: 워크로드가 SQL만이면 BigQuery/Snowflake가 경쟁력 있습니다. 하지만 **ETL + SQL + ML + AI를 모두 수행** 하는 경우, Databricks의 단일 플랫폼 전략이 **인력 비용 포함 TCO에서 가장 경제적** 입니다.

***

## 비용 최적화 전략

### Databricks 비용 최적화 체크리스트

| 최적화 영역                      | 전략                                         | 예상 절감                 |
| --------------------------- | ------------------------------------------ | --------------------- |
| **Serverless 전환**           | Classic → Serverless SQL Warehouse/Compute | 20-40% (유휴 비용 제거)     |
| **Spot Instance 활용**        | Worker 노드에 Spot/Preemptible 인스턴스           | 40-70% (인스턴스 비용)      |
| **Job Cluster 사용**          | All-Purpose → Job Cluster (배치 작업)          | 30-50% (DBU 단가 차이)    |
| **Auto-terminate 설정**       | 유휴 클러스터 자동 종료 (30분)                        | 변동 (유휴 시간에 비례)        |
| **Liquid Clustering**       | 수동 OPTIMIZE/Z-ORDER 대체                     | 10-30% (I/O 감소)       |
| **커밋 사용 계약**                | 1년/3년 선약 할인                                | 25-40%                |
| **Photon 활성화**              | SQL 워크로드 Photon 활용                         | 성능 3-8x → 동일 작업 비용 절감 |
| **System Tables 분석**        | 비용 이상 탐지 + 최적화 기회 식별                       | 지속적 개선                |
| **Predictive Optimization** | AI 기반 자동 최적화 (OPTIMIZE, VACUUM, ANALYZE)   | 10-20% (수동 관리 비용 제거)  |

### 경쟁사별 비용 최적화 대응

| 플랫폼           | 주요 최적화 전략                                          | 한계                                   |
| ------------- | -------------------------------------------------- | ------------------------------------ |
| **Snowflake** | Warehouse 크기 최적화, Auto-suspend, Resource Monitors  | Credit 기반으로 세밀한 제어 어려움, 스토리지 마크업 불가피 |
| **Redshift**  | Reserved Instance, Concurrency Scaling 제어, AQUA 활용 | Provisioned는 유휴 비용 발생, 수동 최적화 필요     |
| **BigQuery**  | On-demand vs Editions 선택, Partitioning, Clustering | On-demand는 대규모에서 비용 폭증, 슬롯 예측 어려움    |
| **Fabric**    | Capacity 크기 최적화, Reserved Capacity                 | Capacity 고정 비용, 탄력성 부족               |

***

## 숨은 비용 분석

### 직접 비교에서 놓치기 쉬운 비용

| 숨은 비용                | Databricks                       | Snowflake                  | AWS 조합                   | BigQuery            |
| -------------------- | -------------------------------- | -------------------------- | ------------------------ | ------------------- |
| **스토리지 마크업**         | 없음 (클라우드 직접)                     | **있음 (\~2-3x 마크업)**        | 없음 (S3 직접)               | 있음 (자체 가격)          |
| **데이터 이동**           | Zero (단일 플랫폼)                    | **Snowflake↔SageMaker 복사** | 서비스 간 전송                 | GCP→외부 Egress       |
| **3rd Party ETL**    | 불필요 (Lakeflow)                   | dbt Cloud (\~\$100/user/월) | 선택적                      | Fivetran/Airbyte 필요 |
| **3rd Party 데이터 품질** | 불필요 (DLT Expectations + Monitor) | Monte Carlo (\~\$10K+/월)   | Deequ/Great Expectations | 별도 도구               |
| **추가 인력**            | 최소 (1개 플랫폼)                      | 중간 (2-3개 도구)               | 높음 (5-10개 서비스)           | 중간                  |
| **플랫폼 의존 탈출 비용**     | 최소 (오픈 포맷)                       | **높음 (독점 → UNLOAD → 재적재)** | 중간 (AWS 종속)              | 중간-높음               |
| **컨설팅/파트너 비용**       | Databricks 파트너 에코시스템             | Snowflake 파트너              | AWS 파트너                  | GCP 파트너             |
| **Reclustering 비용**  | 없음 (Liquid Clustering)           | **Snowflake Credit 소모**    | 수동 VACUUM                | 자동 (무료)             |

> **주의**
> **Snowflake 숨은 비용 주의**: (1) 스토리지 마크업은 대규모 데이터에서 수천만 원 차이가 납니다. (2) Automatic Reclustering은 백그라운드에서 Credit을 소모합니다. (3) ML 워크로드 추가 시 SageMaker + 데이터 복사 비용이 발생합니다. (4) 독점 포맷이므로 이관 시 UNLOAD + 재적재 비용이 큽니다.

***

## 비용 모니터링 도구 비교

### System Tables vs 경쟁사 비용 관리 도구

| 항목         | Databricks System Tables   | Snowflake Resource Monitors | AWS Cost Explorer | BigQuery Budget | Fabric Cost Mgmt |
| ---------- | -------------------------- | --------------------------- | ----------------- | --------------- | ---------------- |
| **분석 방식**  | SQL (자유로운 분석)              | UI + 알림                     | UI + API          | UI + 알림         | UI               |
| **세분화**    | SKU/워크스페이스/클러스터/사용자별       | Warehouse별                  | 서비스/태그별           | 프로젝트/데이터셋별      | Capacity별        |
| **실시간성**   | 준실시간 (\~15분)               | 준실시간                        | 수 시간 지연           | 준실시간            | 지연 있음            |
| **커스텀 알림** | SQL 기반 자유 설정 (Slack/Email) | Credit 한도 알림                | Budget 알림         | Budget 알림       | 기본 알림            |
| **예측**     | SQL로 추세 분석 가능              | 미지원                         | 비용 예측             | 미지원             | 미지원              |
| **BI 통합**  | AI/BI Dashboard 또는 외부 BI   | 내장 UI                       | QuickSight        | Looker Studio   | Power BI         |
| **추가 비용**  | 없음                         | 없음                          | 없음                | 없음              | 없음               |

### 비용 거버넌스 베스트 프랙티스

| 단계      | 활동                            | Databricks 도구                   |
| ------- | ----------------------------- | ------------------------------- |
| **가시화** | 워크스페이스/팀/사용자별 비용 대시보드         | System Tables + AI/BI Dashboard |
| **알림**  | 일/주/월 비용 임계치 초과 시 알림          | System Tables + SQL Alert       |
| **할당**  | 팀별 비용 태깅 및 차지백(Chargeback)    | Custom Tags + System Tables     |
| **최적화** | 비효율 클러스터/쿼리 식별 및 개선           | Query History + Cluster Events  |
| **예측**  | 월말/분기말 비용 예측                  | System Tables 추세 분석             |
| **정책**  | 클러스터 크기 제한, Auto-terminate 강제 | Cluster Policies                |

> **성공**
> **SA/SE 핵심 메시지**: Databricks는 **비용 투명성이 업계 최고** 입니다. (1) 스토리지는 클라우드 직접 과금으로 마크업 Zero. (2) System Tables로 DBU 단위까지 비용을 SQL로 분석. (3) 비용 이상 감지를 자동화. Snowflake는 Credit 기반으로 실제 비용 매핑이 어렵고, AWS는 5-10개 서비스의 비용을 각각 모니터링해야 합니다.