Chapter 22. 측정기반 비용 최적화(Metric-Driven Cost Optimization)
측정기반 비용 최적화(Metric-Driven Cost Optimization, MDCO)는 최적화 기회를 측정하고 목표(target)를 기반으로 최적화 작업을 실행하는 접근법입니다. 예를 들어, 예약 인스턴스(Reserved Instances) 구매 시, 최적의 시점을 메트릭을 통해 정확히 판단하고 행동을 취하게 됩니다.
MDCO는 가끔 “게으른 사람을 위한 클라우드 비용 관리법”이라 불리기도 합니다. MDCO의 가장 중요한 원칙은 “메트릭 없이는 아무 행동도 취하지 않는다”는 것입니다. 최적화를 하더라도 실제 비용 절감 효과를 메트릭으로 확인할 수 없으면 MDCO가 아닙니다.
이 장에서는 MDCO를 통해 정확한 비용 최적화를 수행하는 방법을 알아봅니다.
🔑 핵심 원칙(Core Principles)
MDCO의 핵심 원칙은 다음과 같습니다.
- 자동화된 측정(Automated measurement): 측정 작업은 사람이 아니라 컴퓨터가 자동 수행합니다.
- 명확한 목표(Targets): 목표가 없는 메트릭은 의미 없는 그래프일 뿐입니다.
- 달성 가능한 목표(Achievable goals): 현실적인 결과를 얻기 위해 정확한 데이터 이해가 필요합니다.
- 데이터 기반 행동(Data driven): 행동이 데이터를 만드는 것이 아니라, 데이터가 행동을 유도합니다.
1️자동화된 측정 (Automated Measurement)
클라우드 비용 데이터 처리, 보고서 생성 및 추천 사항 생성 등은 모두 자동화되어야 합니다.
수작업은 느리고, 실수를 유발하기 때문에 자동화가 필수입니다.
이를 통해 FinOps 담당자는 최적화 전략을 더욱 정교하게 개선하는 데 집중할 수 있습니다.
2️명확한 목표 (Targets)
목표(Target)는 MDCO의 핵심입니다.
목표선(target line)이 없는 그래프는 그저 정보일 뿐이며, 목표선을 통해 실제 업무 목표와 연결됩니다.
- 목표선을 기준으로 알림과 행동을 트리거할 수 있습니다.
3️달성 가능한 목표 (Achievable Goals)
각 최적화 작업마다 비용 절감 효과는 다릅니다. 따라서 각 메트릭은 동일한 가치를 가지지 않으며, 달성 가능한 목표 설정이 중요합니다.
예시로 예약 인스턴스(RI)의 커버리지(commitment coverage)를 살펴봅시다.
🔸 예약 커버리지(commitment coverage)
커버리지는 할인이 적용된 자원의 사용 비율을 측정하는 메트릭입니다. 일반적으로 커버리지 목표는 90%로 설정됩니다.
- 잘못된 예 (총 사용시간 기반 계산):
- 정확한 예 (할인이 가능한 시간만 계산):
🔸 가중치를 반영한 정확한 커버리지 측정 (실질적 비용 기준)
실제로 각 시간별 사용 비용이 다르므로, 시간을 균등하게 계산하지 않고 비용을 가중치로 사용해 측정하는 것이 정확합니다.
- 가중치를 반영한 실제 커버리지 계산 예시:
📊 데이터 기반 (Data Driven)
MDCO는 최적화 성과를 명확히 측정하고 성과가 나오지 않으면 즉시 대응할 수 있도록 합니다.
메트릭을 기반으로 최적화가 실제 효과가 있는지 평가하고, 필요하면 수정하거나 철회할 수 있습니다.
🔄 MDCO vs. 주기적 최적화(Cadence-Driven)
예약 인스턴스를 구매할 때, 많은 조직은 월간/분기별/연간 등 정해진 일정대로 수행합니다.
그러나 MDCO는 정해진 일정이 아니라, 실제 데이터(메트릭)에 따라 최적의 시점에 예약 인스턴스를 구매합니다.
- 주기적 최적화의 문제점:
- MDCO 기반 최적화의 이점(메트릭에 따라 유동적으로 대응):
🚦 행동 실행 (Taking Action)
- MDCO의 성공은 명확한 프로세스와 책임 소재에 따라 달라집니다.
- 일정 금액까지 FinOps 팀에 미리 구매 승인을 부여하여 빠른 최적화를 가능하게 합니다.
- 사전 승인된 프로세스 구축으로 대응 속도를 높입니다.
🎯 결론 및 핵심 요약
- MDCO는 모든 FinOps 주기를 아우르며 메트릭과 목표를 중심으로 최적화를 실행합니다.
- 자동화는 반복적이고 일관된 프로세스를 보장합니다.
- 정확한 메트릭 설정과 목표 설정을 통해 최적화 작업을 정확히 판단하고 실행할 수 있습니다.
- 데이터가 변할 때만 최적화를 수행하여 최적의 효율성을 유지합니다.
