KEDA를 활용한 로그 시스템 오토스케일링 경험담

우아한형제들은 KEDA를 활용하여 100만 TPS의 로그 시스템에 오토스케일링을 성공적으로 적용하였습니다. 이 경험을 통해 로그 처리의 변동성을 관리하며 비용 효율성을 높이는데 기여하게 되었습니다. 본 문서에서는 KEDA 도입 과정과 실제 운영 사례를 통한 운영 환경 개선 방안에 대해 설명합니다. KEDA 적용을 통한 로그 시스템 아키텍처 변화 KEDA를 도입하기 전, 우아한형제들은 기존 HPA를 이용하여 로그 시스템의 오토스케일링을 시도했습니다. 하지만 평균 CPU 및 메모리 사용량을 기준으로 스케일링이 진행되면서 한계에 봉착하게 되었습니다. KEDA의 도입 이후, 이벤트 기반으로 스케일링을 설정함으로써, 로그 시스템의 아키텍처를 유연하게 설계할 수 있었습니다. KEDA는 다양한 이벤트 소스를 지원하여 로그 시스템의 특성에 맞는 스케일링 기준을 설정할 수 있게 해줍니다. 예를 들어, Fluentd의 버퍼 사용률을 기준으로 스케일링 트리거를 설정함으로써, 시스템이 실제로 부하를 받기 시작하기 전에 프로세스를 조정할 수 있었습니다. 이는 로그 처리의 안정성을 크게 향상시켰고, 유연한 리소스 관리로 비용을 줄일 수 있는 기반을 마련하였습니다. 이러한 변화는 로그 시스템 아키텍처의 효율성을 높이고, 운영 환경을 개선하는 데에 결정적인 역할을 했습니다. 다양한 메트릭을 조합하여 스케일링 미세 조정이 가능해짐으로써, 시스템 부하가 예상되는 피크 시간대에도 원활하게 처리할 수 있는 역량을 갖추게 되었습니다. KEDA 도입을 통한 메트릭 기반 스케일링 효과 KEDA의 도입은 로그 시스템의 메트릭 기반 스케일링을 가능하게 하였습니다. 기존 HPA와 달리, KEDA는 프로메테우스를 이용해 다양한 지표를 직접적으로 활용할 수 있게 해줍니다. 이를 통해 CPU 및 메모리 사용량 외에도 Fluentd 버퍼와 같은 중요한 메트릭을 스케일링 기준으로 설정할 수 있었습니다. Fluentd의 버퍼가 일정 사용률을 초과할 경우 이를 위기 상황으로 간주하여 스케일 아웃을...

B마트 OMS를 통한 퀵커머스 출고 최적화


우아한형제들이 운영하는 B마트의 OMS(Order Management System)는 퀵커머스 출고 최적화를 통해 물류 운영을 혁신했습니다. 이를 통해 고객, 라이더, 현장 작업자의 경험을 모두 개선하는 통합적인 솔루션을 제공하며, 서비스의 신뢰도를 높였습니다. 본 글에서는 B마트 OMS의 기능과 성과를 살펴보겠습니다.

B마트 OMS의 역할과 중요성

B마트의 OMS는 단순한 주문 처리 시스템을 뛰어넘어 전체 물류 운영을 관리하는 효율적인 플랫폼입니다. 이 시스템은 고객의 주문이 어떻게 처리되는지를 전방위적으로 최적화하여, 고객에게 물리적이고 심리적으로 신뢰 있는 경험을 제공합니다. 즉, OMS는 주문 흐름 제어, 판매 재고의 통합 관리, 그리고 작업 효율 데이터를 분석하여 배송 서비스의 질을 높이는 데 기여합니다.


이 시스템의 중요한 기능 중 하나는 주문 흐름의 체계적인 제어입니다. 이를 통해 고객의 주문이 어떻게 처리되는지를 실시간으로 확인할 수 있으며, 이는 고객에게 더욱 높은 신뢰를 줍니다. OMS는 가용 재고를 실시간으로 반영하여, 고객이 품절 상태에서 오는 불만을 줄여줍니다. 특히, 피크타임에는 출고 요청이 일시에 몰리는 경향이 있어, 출고 인력이 부족한 상태에서 혼란이 발생할 수 있기 때문에 OMS는 피크 매니지먼트를 위해 예약 배달 주문을 유휴 시간대에 분산 처리하는 방식으로 효율성을 극대화합니다.


예약배달의 효율적인 출고 최적화

2025년 상반기에는 예약배달의 출고 요청을 유휴 시간대에 분산시키기 위한 피크매니지먼트 프로젝트가 진행되었습니다. 이 프로젝트의 주요 목적은 피크 시간대에 몰리는 주문의 수를 줄이며 효율적인 출고 환경을 조성하는 것이었습니다. 이를 위해서 OMS는 기존의 출고 요청과 배달 요청을 분리하여, 고객의 수령 시각에 맞춰 배송을 조정하는 데 초점을 맞췄습니다.


이러한 접근 방식은 고객에게도 긍정적인 영향을 미쳤습니다. 고객이 선택한 수령 시각을 절대적으로 보장하면서, 출고 현장의 작업 효율을 높이는 동시에 높은 품질의 서비스를 제공할 수 있었습니다. 결과적으로 이 시스템은 평균 출고 처리 시간을 약 19% 단축시키며 고객의 만족도를 크게 향상시켰습니다. 이렇게 출고 최적화는 단순히 고객에게 신뢰를 제공하는 데 그치지 않고, 각 현장 작업자의 피로도도 감소시키는 다면적인 효과를 가져왔습니다.


동적 출고예정시각의 개선 효과

또한, OMS에서는 라이더의 대기 시간을 최소화하기 위해 출고예정시각을 동적으로 산정하는 로직이 개발되었습니다. 기존의 고정된 출고예정시각 방식은 현장의 실제 여건을 전혀 반영할 수 없었기 때문에, 많은 불만을 초래했습니다. 이러한 문제를 해결하기 위해 출고 가능 인원과 생산성을 기반으로 실시간으로 예상 소요 시간을 계산하는 시스템을 구축하였습니다.


이 시스템은 라이더와 고객 모두에게 긍정적인 경험을 제공했습니다. 라이더가 픽업하러 왔을 때 대기하는 시간이 현저히 줄어들었으며, 실제로 라이더의 평균 대기 시간을 86.67% 이상 감소시킨 성과를 가져왔습니다. 또한, 출고예정시각과 실제 출고 완료 간의 편차를 크게 줄여, 서비스의 신뢰성을 한층 더 높이는 결과를 얻었습니다. 이는 B마트의 전체 배송 품질을 향상시키는 중요한 요소 중 하나로 자리잡았습니다.


결론적으로, B마트 OMS는 물류 운영을 효율적으로 개선하기 위한 강력한 도구로 기능하고 있으며, 고객과 라이더, 작업자 모두에게 높은 가치를 제공합니다. 이어지는 단계에서는 OMS의 지속적인 발전을 통해 더욱 빠르고 정확한 서비스를 제공할 수 있는 방안을 모색하고 있습니다.

```

이 블로그의 인기 게시물

우아한형제들의 실시간 알림 혁신: SSE(Server-Sent Events)로 이룬 효율성과 안정성

이미지
운영 효율성의 혁신 기존의 MQTT 기반 실시간 알림 시스템은 빠르지만, 운영의 복잡성과 네트워크 제약이 존재했습니다. MQTT는 별도의 포트를 필요로 하기 때문에 방화벽 이슈가 잦았고, 각 클라이언트별 Polling 로직은 서버 트래픽을 불필요하게 증가시켰습니다. 이러한 문제는 인프라 비용 증가로 직결되었습니다. 우아한형제들은 이 문제를 해결하기 위해 Server-Sent Events(SSE)를 도입했습니다. SSE는 HTTP 표준 포트를 이용해 통신하므로 방화벽 문제를 근본적으로 해결했습니다. 또한 Polling 구조가 제거되면서 네트워크 요청 횟수가 급감하고, 서버 처리 부하 역시 현저히 감소했습니다. 결과적으로 서버 대수가 줄고, 일평균 약 4천만 건 이상의 이벤트를 안정적으로 처리할 수 있게 되었습니다. 개인적인 견해로는, 단순한 기술 교체를 넘어 “운영 효율성”이라는 비즈니스 가치로 확장된 사례라 평가할 수 있습니다. 개발 효율이 인프라 절감과 사용자 만족을 동시에 이끈 대표적인 케이스입니다. 안정적인 메시지 전달 체계 구축 SSE의 도입은 단순한 비용 절감이 아니라, 메시지의 신뢰성과 안정성을 강화한 기술적 진화이기도 합니다. SSE는 서버에서 클라이언트로 단방향 실시간 스트림을 유지하여, 연결 상태가 유지되는 한 발생하는 모든 이벤트를 즉시 전달할 수 있습니다. 특히 우아한형제들은 Last-Event-ID 기능을 적극 활용했습니다. 이 기능은 클라이언트가 잠시 연결이 끊겼다가 재접속하더라도, 마지막으로 받은 이벤트 이후의 메시지를 재전송받을 수 있도록 합니다. 덕분에 프린트 명령 등과 같은 중요한 이벤트가 유실되는 일이 사라졌습니다. 모든 메시지는 Kafka와 같은 고성능 메시지 브로커를 통해 순서가 보장된 상...
자세한 내용 보기

물어보새의 진화와 지식 공유 확장

이미지
1. 물어보새의 지속적인 진화 ‘물어보새’의 시작점은 구성원이 데이터에 쉽게 접근하고, 이를 통해 업무 효율성을 높이는 것이었습니다. 초기 모델은 단순한 데이터 조회 중심의 기능을 제공했지만, 시간이 지남에 따라 사용자 요구에 맞춰 고도화되었습니다. 이제는 질문의 맥락과 의도를 파악해, 다양한 부서의 실제 업무 흐름에 맞춘 답변을 제시할 수 있게 되었습니다. 발전 과정은 크게 네 가지 축으로 이루어졌습니다. 첫째, 지식의 확장 입니다. 단일 데이터베이스 중심에서 벗어나, 사내 Wiki·Confluence·Jira 등 다양한 비정형 정보원을 통합하여 한 번의 질문으로 여러 지식 자원에서 답변을 도출할 수 있습니다. 이를 통해 구성원은 더 이상 여러 플랫폼을 이동하지 않고도 필요한 정보를 한 곳에서 즉시 확인할 수 있습니다. 둘째, 기억 기능의 도입 입니다. 과거의 대화 이력을 기반으로 질문의 맥락을 이해하고, 연속된 대화처럼 응답하는 시스템이 구축되었습니다. 사용자는 이전 대화의 내용을 기억한 상태에서 후속 질문을 이어갈 수 있으며, ‘물어보새’는 질문이 많아질수록 더 정교하게 학습된 응답을 제공합니다. 이러한 ‘기억 기반 대화 구조’는 사용자 경험을 한층 풍부하게 만들어줍니다. 셋째, 맥락 분석 강화 입니다. 단순 키워드 매칭이 아닌 의미 기반 검색(Semantic Search)을 적용하여, 사용자의 질문 의도에 따라 적합한 데이터 세트를 자동으로 선택합니다. 이로써 데이터 분석 결과가 더 구체적이고 실무에 적용 가능한 형태로 제공됩니다. 마지막으로, 자기 학습 시스템(Self-learning) 이 도입되었습니다. 구성원의 질문 패턴과 피드백 데이터를 활용해, 시스템이 스스로 정확도를 향상시키며 더 자연스러운 응답을 제공합니다. 이를 통해 ‘물어보새’는 시간이 지날수록 조직...
자세한 내용 보기

우아한 디버깅 툴 개선으로 QA 업무 효율화

이미지
세션 리플레이로 이슈 재현 시간 단축 QA 업무의 핵심은 “문제를 얼마나 정확하게 재현하느냐”입니다. 과거에는 문제가 발생한 상황을 영상으로 녹화하고, 동일한 조건을 맞추는 데 많은 시간이 소요됐습니다. 그러나 **세션 리플레이** 기능이 도입되면서 상황이 완전히 달라졌습니다. DOM 스냅샷, 사용자 클릭, 입력 이벤트 등 모든 상호작용이 자동 기록되어 마치 영상을 돌려보듯 확인이 가능합니다. 이제 QA 담당자는 반복적인 수동 재현 작업에서 벗어나 보다 분석 중심의 업무에 집중할 수 있게 되었죠. 저는 특히 이 기능이 단순한 자동화 이상의 의미를 가진다고 생각합니다. 문제를 ‘정확히’ 보여줄 수 있다는 점에서, 개발자와 QA 간의 오해를 줄이고 문제 해결의 속도를 높여줍니다. 이처럼 시각적 정보 기반의 재현 방식은 QA 효율을 끌어올리는 중요한 도약점이 되었습니다. 슬랙 DM 알림으로 신속한 정보 전달 QA 업무의 또 다른 어려움은 정보를 제때 전달하는 문제였습니다. 이슈 발생 후 기록방 링크를 수동으로 공유하고, 개발자가 확인하기까지 지연이 발생하는 경우가 많았습니다. 이 불편을 해소하기 위해 **슬랙 DM 자동 알림** 기능이 도입되었습니다. 테스트 디바이스 정보를 입력하면 자동으로 관련 기록방 링크와 로그 정보가 개발자에게 전달됩니다. 덕분에 QA는 더 이상 “공유 늦음”이나 “링크 누락” 문제로 시간을 낭비하지 않게 되었습니다. 물론 구현 과정은 간단하지 않았습니다. 사용자별로 계정과 디바이스가 달라 연결 구조를 만드는 것이 까다로웠기 때문입니다. 이를 해결하기 위해 구글 시트를 연동하여 Slack ID와 디바이스를 매칭하는 방식을 적용했습니다. 이 결과, 알림 전송 속도와 정확성이 개선되었고 QA-개발 간 커뮤니케이션이 실시간으로 이어졌습니다. 개인적으로 이런 자동화 기능은 “툴이 사람의 시간을 되돌려주는” 대표 사례라 생각합니다. 티켓 생성 기능으...
자세한 내용 보기