← 목록으로
데이터베이스
#Window Function#OVER절#PARTITION BY#순위 함수#분석 함수
최종 업데이트 · 2026-11-13

윈도우 함수(Window Function)

1. 개요

윈도우 함수(Window Function)란 결과 행을 하나로 합치지 않으면서, 현재 행과 논리적으로 연관된 행들의 집합(윈도우, Window)을 대상으로 집계·순위·오프셋 계산을 수행해 각 행마다 하나의 결과값을 반환하는 SQL 분석 함수다. OVER 절로 윈도우의 범위를 명시한다는 점이 일반 집계 함수와 결정적으로 다르다.

전통적인 집계 함수(SUM, AVG, COUNT)는 GROUP BY와 함께 쓰이면 여러 행을 하나의 요약 행으로 접어버린다. 그러나 실무의 분석 질의는 "개별 명세는 그대로 보여주되, 그 옆에 부서 평균이나 누적 합계·순위를 함께 붙이고 싶다"는 요구가 대부분이다. 과거에는 이를 위해 동일 테이블을 셀프 조인하거나 상관 서브쿼리(correlated subquery)를 반복 작성해야 했고, 쿼리는 길고 느리며 가독성이 떨어졌다. 윈도우 함수는 바로 이 간극 — 상세 데이터의 보존과 집계적 통찰의 병행 — 을 단일 구문으로 해결하기 위해 등장했다.

윈도우 함수는 SQL:2003 표준에서 공식 도입된 이후 분석형 질의의 사실상 표준 도구로 자리 잡았다. Oracle은 일찍부터 분석 함수(Analytic Function)로, SQL Server는 순위 함수와 프레임 기능을, PostgreSQL은 8.4 버전부터, MySQL은 비교적 늦은 8.0(2018)부터 지원하면서 오늘날 거의 모든 관계형 DBMS와 분석 엔진이 이를 제공한다. 데이터 웨어하우스·BI·실시간 리포팅의 핵심 연산이며, 기술사 관점에서는 "집계의 표현력을 선언적으로 끌어올려 애플리케이션 로직을 DB로 내린다"는 설계적 함의가 핵심 논점이다.

윈도우 함수가 없던 시절의 분석 질의가 어떤 고통을 겪었는지를 떠올리면 그 필요성이 분명해진다. "각 부서에서 가장 연봉이 높은 사람"을 찾으려면 부서별 최고 연봉을 구하는 서브쿼리를 만들고 그것을 원본과 다시 조인해야 했으며, "누적 매출"을 구하려면 각 행마다 자신 이하의 모든 행을 합산하는 상관 서브쿼리를 작성해 성능을 희생해야 했다. 이런 질의는 작성이 어려울 뿐 아니라 의도를 읽어내기도 힘들었다. 윈도우 함수는 이 반복적이고 오류가 잦은 패턴을 표준화된 선언적 구문으로 대체함으로써, 분석가가 데이터의 질문 자체에 집중할 수 있게 해 주었다는 점에서 생산성 측면의 기여가 크다.

특징을 요약하면 다음과 같다. 첫째, 행의 개수를 보존한다(입력 N행 → 출력 N행). 둘째, OVER 절로 파티션·정렬·프레임을 선언적으로 지정한다. 셋째, SELECT와 ORDER BY 절에서만 쓸 수 있고 WHERE·GROUP BY·HAVING에서는 직접 쓸 수 없다(논리적 실행 순서상 이들 이후에 평가되기 때문). 넷째, 여러 윈도우 함수를 한 질의에서 서로 다른 윈도우로 혼용할 수 있어 표현력이 매우 높다.

이러한 성질 덕분에 윈도우 함수는 단순한 문법적 편의를 넘어 분석 질의의 패러다임을 바꾼 기술로 평가된다. 과거 상세 데이터와 집계 통찰을 함께 얻으려면 절차적 사고(커서를 돌며 누적 변수를 갱신하는 방식)로 되돌아가거나 복잡한 중첩 질의를 작성해야 했으나, 윈도우 함수는 "무엇을 계산할지"만 선언하면 "어떻게 계산할지"는 옵티마이저가 책임지는 선언형 접근을 완성한다. 기술사 답안에서는 이 점을 "집합 지향(set-oriented) SQL의 표현력 확장"이라는 맥락으로 제시하면 설득력이 높다.

2. 윈도우 함수의 구성과 동작 원리

윈도우 함수는 질의의 논리적 처리 파이프라인에서 FROM·WHERE·GROUP BY·HAVING을 모두 거친 뒤, 결과 집합이 거의 확정된 단계에서 평가된다. 이 위치 때문에 WHERE 절에서 윈도우 함수 결과로 필터링하려면 반드시 서브쿼리나 CTE로 한 번 감싸야 한다는 실무적 제약이 생긴다. 아래 구조도는 윈도우 함수가 평가되는 시점을 보여준다.

flowchart TB
    A["FROM / JOIN<br/>(소스 집합 구성)"] --> B["WHERE<br/>(행 필터링)"]
    B --> C["GROUP BY / 집계<br/>(그룹 요약)"]
    C --> D["HAVING<br/>(그룹 필터링)"]
    D --> E["윈도우 함수 평가<br/>(OVER 절: 파티션·정렬·프레임)"]
    E --> F["SELECT 투영"]
    F --> G["ORDER BY / LIMIT"]
    style E fill:#e1f5ff,stroke:#0288d1

구조도가 보여주듯 윈도우 함수는 SELECT 투영 직전, 그러나 그룹 집계 이후에 동작한다. 따라서 GROUP BY로 이미 요약된 결과 위에 다시 윈도우 함수를 얹어 "그룹별 소계를 계산한 뒤 그 소계들의 순위를 매기는" 2단 분석도 가능하다. 이 실행 순서를 이해하지 못하면 "윈도우 함수를 WHERE에서 썼더니 오류가 난다"는 흔한 실수를 반복하게 된다.

이 제약을 우회하는 표준 패턴이 바로 CTE(공통 테이블 표현식)나 인라인 뷰로 한 겹 감싸기다. 안쪽 질의에서 윈도우 함수로 순위·누적값을 계산해 컬럼으로 만든 뒤, 바깥 질의의 WHERE에서 그 컬럼을 필터링한다. 예컨대 "각 부서 1위만" 같은 Top-N 질의는 안쪽에서 ROW_NUMBER를 매기고 바깥에서 WHERE rn = 1을 적용하는 2단 구조로 작성된다. 이 패턴을 체화하면 윈도우 함수의 실행 위치 제약은 한계가 아니라 오히려 "분석 단계를 명시적으로 분리하는" 가독성 좋은 구조로 전환된다.

가. OVER 절의 세 구성요소

윈도우 함수의 동작은 전적으로 OVER 절의 세 요소 — 파티션(PARTITION BY), 정렬(ORDER BY), 프레임(Frame) — 에 의해 결정된다. 이 셋을 조합해 "현재 행을 중심으로 어떤 행들을 볼 것인가"를 정밀하게 제어한다.

PARTITION BY(파티션 분할) 는 전체 결과 집합을 지정한 컬럼 값에 따라 여러 독립적인 구획으로 나눈다. 각 파티션은 서로 완전히 격리되어, 윈도우 함수는 같은 파티션 안의 행들만 계산 대상으로 삼는다. 예를 들어 PARTITION BY dept는 부서별로 경계를 그어 부서 내부에서만 순위·누적을 계산하게 한다. PARTITION BY를 생략하면 결과 집합 전체가 하나의 파티션이 된다. 개념적으로는 GROUP BY와 닮았지만, GROUP BY가 그룹을 하나의 행으로 접는 것과 달리 PARTITION BY는 행을 보존한 채 계산 범위만 한정한다는 결정적 차이가 있다. 여기서 주의할 것은 PARTITION BY가 테이블의 물리적 저장 분할(파티셔닝)과는 전혀 다른 개념이라는 점이다 — 전자는 질의 실행 시점의 논리적 계산 구획이고, 후자는 디스크상의 데이터 배치 전략으로, 이름이 같아 혼동하기 쉬우나 층위가 완전히 다르다.

ORDER BY(윈도우 정렬) 는 각 파티션 내부에서 행들의 순서를 정한다. 순위 함수(ROW_NUMBER, RANK 등)와 오프셋 함수(LAG, LEAD)는 이 순서가 있어야 의미를 가지며, 누적 집계(running total) 역시 정렬 순서를 따라 값을 쌓아간다. 주의할 점은 OVER 절 안의 ORDER BY는 질의 최종 결과의 정렬을 보장하지 않는다는 것이다 — 그것은 어디까지나 윈도우 계산용 순서일 뿐, 최종 출력 정렬은 별도의 최상위 ORDER BY로 지정해야 한다. 또한 정렬 키에 NULL이 섞여 있을 때는 NULLS FIRST/NULLS LAST 지정에 따라 순위와 오프셋 결과가 달라지므로, 명세에 NULL 정렬 규칙을 명시하는 것이 결함을 예방하는 길이다.

프레임(Frame, 윈도우 틀) 은 정렬된 파티션 안에서 "현재 행을 기준으로 실제 계산에 포함할 행의 범위"를 더 좁게 지정하는 장치다. ROWS BETWEEN ... AND ...(물리적 행 수 기준), RANGE BETWEEN ...(정렬 키 값 기준), GROUPS BETWEEN ...(동순위 그룹 기준) 세 가지 모드가 있다. 예컨대 ROWS BETWEEN 2 PRECEDING AND CURRENT ROW는 직전 2개 행과 현재 행, 즉 3개 행을 창(窓)으로 삼아 이동평균을 계산한다. 프레임을 명시하지 않으면 기본 프레임이 적용되는데, ORDER BY가 있으면 RANGE BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW(처음부터 현재 행까지)가, 없으면 파티션 전체가 기본값이다.

OVER 요소 역할 생략 시 동작
PARTITION BY 계산 범위를 구획으로 분할 전체가 단일 파티션
ORDER BY 파티션 내 행 순서 지정 순서 없음(순위·오프셋 무의미)
Frame(ROWS/RANGE/GROUPS) 현재 행 기준 포함 범위 한정 ORDER BY 유무에 따라 기본 프레임

이 기본 프레임 규칙은 실무에서 가장 악명 높은 함정의 원천이다. LAST_VALUE(x) OVER (ORDER BY d)가 "파티션의 마지막 값"이 아니라 "현재 행의 값"을 반환하는 이유가 바로 기본 프레임이 현재 행에서 끊기기 때문이다. 올바르게 쓰려면 ROWS BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING으로 프레임을 전체로 열어야 한다. 윈도우 함수를 제대로 쓴다는 것은 곧 프레임의 기본값과 명시값을 정확히 이해한다는 뜻이다.

ROWS와 RANGE의 의미 차이도 설계 시 반드시 구분해야 한다. ROWS는 정렬된 물리적 행 번호를 기준으로 범위를 세므로 "직전 3개 행"처럼 개수 기반 창을 만들지만, RANGE는 정렬 키의 값을 기준으로 삼아 "현재 행과 같은 정렬값을 가진 동순위(peer) 행들"을 한 덩어리로 묶는다. 따라서 동일 날짜가 여러 건인 테이블에서 RANGE로 누적합을 구하면 같은 날짜의 모든 행이 동일한 누적값을 공유하게 되는데, 이것이 의도라면 올바르지만 "행 단위 순차 누적"을 원했다면 버그가 된다. 정렬 키에 중복이 있을 때 두 모드의 결과가 갈린다는 점을 테스트로 검증해야 한다.

3. 윈도우 함수의 유형

윈도우 함수는 크게 순위 함수, 오프셋(분석) 함수, 집계 윈도우 함수의 세 부류로 나뉜다. 각 부류는 프레임에 대한 민감도와 전형적 용도가 다르다. 아래 세부도는 정렬된 파티션 위에서 프레임이 현재 행을 따라 이동하며 집계가 누적되는 과정을 보여준다.

flowchart LR
    subgraph P["파티션: 부서 A (판매액 정렬)"]
      direction LR
      R1["행1<br/>100"] --> R2["행2<br/>150"] --> R3["행3<br/>200"] --> R4["행4<br/>250"]
    end
    R3 -. "현재 행" .-> CUR["프레임:<br/>UNBOUNDED PRECEDING ~ CURRENT ROW<br/>누적합=450"]
    style R3 fill:#ffe0b2,stroke:#e65100
    style CUR fill:#e1f5ff,stroke:#0288d1

가. 순위 함수(Ranking Functions)

순위 함수는 정렬된 파티션 안에서 각 행에 등수를 부여한다. ROW_NUMBER() 는 동률과 무관하게 1, 2, 3…의 유일 일련번호를 매기고, RANK() 는 동률에 같은 등수를 주되 다음 등수를 건너뛰며(1, 1, 3), DENSE_RANK() 는 동률에 같은 등수를 주되 건너뛰지 않는다(1, 1, 2). NTILE(n) 은 파티션을 n개의 균등한 버킷으로 나눠 분위수(사분위·십분위 등)를 계산하고, PERCENT_RANK()·CUME_DIST() 는 백분위 위치와 누적 분포를 반환한다.

이 미묘한 차이는 실무에서 결정적이다. 예컨대 "부서별 매출 상위 3명만 추출"하는 Top-N 질의에서, 동률 처리 정책에 따라 결과 인원이 달라진다. ROW_NUMBER는 동점자가 있어도 정확히 3명을, RANK나 DENSE_RANK는 3위 동점자를 모두 포함해 3명 이상을 반환한다. 온라인 쇼핑몰이 "카테고리별 베스트셀러 10개"를 뽑을 때 동률 상품을 모두 노출할지 임의로 10개만 자를지가 바로 이 선택의 문제다. Top-N 패턴은 윈도우 함수가 상관 서브쿼리를 대체한 가장 대표적 사례로, PARTITION BY category ORDER BY sales DESC로 순위를 매긴 뒤 외부에서 WHERE rnk <= 10으로 거르는 2단 구조가 정석이다.

순위 함수는 또한 중복 제거(deduplication) 의 표준 기법으로도 쓰인다. 자연키가 중복된 테이블에서 "가장 최근 레코드만 남기기"는 ROW_NUMBER() OVER (PARTITION BY 자연키 ORDER BY 갱신시각 DESC)로 각 키 그룹에 번호를 매긴 뒤 1번 행만 취하는 방식으로 깔끔하게 해결된다. 데이터 적재(ingestion) 파이프라인에서 늦게 도착한 중복 이벤트를 걸러내는 로직이 바로 이 관용구이며, DISTINCT나 그룹 집계로는 "어떤 행을 대표로 남길지"를 제어할 수 없는 반면 윈도우 함수는 정렬 기준을 통해 대표 행 선택 규칙을 명시할 수 있다는 점에서 우월하다. NTILE은 고객을 소비액 십분위로 나눠 등급을 부여하는 세그멘테이션에, CUME_DIST는 성적·연봉의 백분위 위치 산출에 각각 활용된다.

나. 오프셋·분석 함수(Offset / Value Functions)

오프셋 함수는 현재 행을 기준으로 앞뒤 특정 위치의 값을 직접 참조한다. LAG(x, n) 은 n행 이전의 값을, LEAD(x, n) 은 n행 이후의 값을 가져와, 셀프 조인 없이 기간 대비 증감 분석을 가능케 한다. 예를 들어 월별 매출 테이블에서 매출 - LAG(매출,1) OVER (ORDER BY 월)은 전월 대비 증감액을 한 줄로 계산한다. FIRST_VALUE·LAST_VALUE·NTH_VALUE 는 프레임 내 특정 위치의 값을 반환해, 각 그룹의 기준값(예: 부서 최고 연봉자의 이름) 대비 상대 비교에 쓰인다.

실제 사례로, 금융 데이터 분석에서 주가의 전일 대비 수익률은 (종가 - LAG(종가) OVER (PARTITION BY 종목 ORDER BY 일자)) / LAG(종가) OVER (...)로 표현되며, 과거에는 날짜를 이어붙이는 복잡한 셀프 조인이 필요했던 계산이 단일 구문으로 압축된다. 사용자 이탈 분석에서도 LEAD(접속일) - 접속일로 다음 접속까지의 간격을 구해 휴면 전환을 탐지하는 데 널리 쓰인다.

오프셋 함수는 특히 세션화(sessionization) 와 시계열 구간 분할의 핵심 도구다. 웹 로그 분석에서 동일 사용자의 연속 이벤트 사이 간격을 이벤트시각 - LAG(이벤트시각)으로 계산해, 그 간격이 30분을 넘으면 새 세션으로 끊는 로직은 윈도우 함수 없이는 작성하기 지난하다. 이렇게 계산한 "세션 경계 플래그"에 다시 누적합을 적용하면 세션 번호를 부여할 수 있어, 오프셋 함수와 집계 윈도우 함수를 단계적으로 조합하는 분석 엔지니어링의 전형적 관용구가 된다. 수치로 보면, 수천만 건의 로그를 절차적 코드로 세션화할 때 수십 분이 걸리던 작업이 윈도우 함수 기반 SQL로는 분석 엔진에서 수십 초 수준으로 처리되는 경우가 보고된다.

다. 집계 윈도우 함수(Aggregate Window Functions)

SUM, AVG, COUNT, MIN, MAX 등 기존 집계 함수에 OVER 절을 붙이면 집계 윈도우 함수가 된다. 프레임을 어떻게 지정하느냐에 따라 누적 합계(running total), 이동 평균(moving average), 그룹 내 비중(각 행 값 / 파티션 합계) 등 다양한 분석이 가능하다. 누적 매출은 SUM(매출) OVER (ORDER BY 일자), 7일 이동평균은 AVG(매출) OVER (ORDER BY 일자 ROWS BETWEEN 6 PRECEDING AND CURRENT ROW)로 표현된다.

산업 적용 예로, 소매업의 일별 판매 대시보드는 당일 매출·누적 매출·최근 7일 이동평균을 한 화면에 보여주는데, 이 세 지표가 모두 동일 테이블에 대한 집계 윈도우 함수 한 벌로 산출된다. 통신사의 데이터 사용량 리포트에서 "이번 달 누적 사용량이 전체 요금제 평균의 몇 %인가"를 계산할 때도 SUM(...) OVER (PARTITION BY 가입자 ...) / AVG(...) OVER () 형태로 분자·분모를 서로 다른 윈도우로 지정해 단일 질의로 해결한다.

세 부류 중 어느 것을 쓸지는 "현재 행을 중심으로 무엇을 알고 싶은가"로 판가름된다. 상대적 위치(등수·분위)가 궁금하면 순위 함수, 앞뒤 특정 행의 값이 궁금하면 오프셋 함수, 연관 행들의 합·평균 같은 요약이 궁금하면 집계 윈도우 함수를 고른다. 실제 대시보드 하나에는 세 부류가 뒤섞여 쓰이는 경우가 많아, 각 함수의 프레임 민감도를 이해하고 적절히 조합하는 설계 역량이 분석 질의 품질을 좌우한다.

집계 윈도우 함수의 또 다른 강점은 그룹 내 비중과 전체 비중을 동시에 계산할 수 있다는 점이다. 매출 / SUM(매출) OVER (PARTITION BY 부서)는 부서 내 기여도를, 매출 / SUM(매출) OVER ()는 전사 기여도를 같은 행에 나란히 보여준다. 이는 파레토 분석(상위 20%가 전체의 몇 %를 차지하는가)이나 ABC 재고 분류처럼 "개별 값과 누적 비중을 함께 봐야 하는" 분석에서 특히 유용하다. 이동평균의 경우 프레임 폭을 7일·28일로 달리 지정하면 단기·중기 추세선을 한 질의로 뽑아 노이즈를 제거한 추세 비교가 가능하며, 이상 탐지(실제값이 이동평균 대비 임계치 이상 벗어나는 구간 표시)의 기초 지표로도 활용된다.

4. GROUP BY·서브쿼리와의 비교

윈도우 함수의 가치를 이해하려면 그것이 대체하는 전통적 기법과의 차이가 생기는 이유를 짚어야 한다. 핵심은 "행을 보존하느냐"와 "스캔을 몇 번 하느냐"에 있다.

GROUP BY는 그룹을 하나의 행으로 접으므로, 상세 행과 집계값을 함께 보려면 원본 테이블과 집계 결과를 다시 조인해야 한다. 윈도우 함수는 이 조인을 없애고 한 번의 논리적 스캔으로 상세와 집계를 동시에 반환한다. 상관 서브쿼리 방식은 바깥 질의의 각 행마다 안쪽 집계를 반복 실행하므로 원리상 O(N²)에 가까운 비효율이 발생하지만, 윈도우 함수는 정렬 후 한 번의 순차 처리로 끝나 일반적으로 훨씬 효율적이다. 실측 사례에서 수백만 행의 누적 합계를 상관 서브쿼리로 계산하면 수십 초가 걸리던 것이 윈도우 함수로는 수 초 이내로 단축되는 경우가 흔하다.

구분 GROUP BY 집계 상관 서브쿼리 윈도우 함수
행 보존 아니오(접힘) 예 예
상세+집계 동시 추가 조인 필요 가능하나 반복 실행 단일 구문
성능 특성 양호 O(N²) 경향 정렬 후 단일 패스
가독성 보통 낮음(중첩) 높음(선언적)

다만 윈도우 함수가 항상 우월한 것은 아니다. 단순히 "그룹별 합계 한 줄"만 필요하다면 GROUP BY가 더 간결하고, 정렬 비용(sort)이 큰 대용량에서는 윈도우 함수의 정렬 단계가 병목이 될 수 있다. 따라서 "상세를 보존해야 하는가, 집계만 필요한가"라는 목적에 따라 도구를 선택하는 것이 실무적 함의다.

또 하나 주목할 차이는 NULL과 빈 그룹의 처리다. GROUP BY는 집계 대상이 없으면 해당 그룹 자체가 결과에 나타나지 않지만, 윈도우 함수는 모든 상세 행을 보존하므로 값이 없는 구간도 명시적으로 드러난다. 이는 "데이터가 없는 날은 매출 0으로 보여야 하는" 연속 시계열 리포팅에서 중요한데, 윈도우 함수와 달력 테이블(calendar table)을 조인하면 결측 구간까지 포함한 완전한 추세선을 그릴 수 있다. 반대로 상관 서브쿼리는 이런 요구를 충족하려 할수록 중첩이 깊어져 유지보수가 어려워진다. 결국 세 기법의 선택은 단순한 성능 문제가 아니라 분석 의도(상세 보존·연속성·대표 행 선택)를 SQL로 얼마나 정확히 표현하느냐의 문제로 귀결된다.

5. 심화: 성능 최적화와 최신 동향

실무에서 윈도우 함수의 성능은 거의 전적으로 정렬 비용에 좌우된다. PARTITION BY와 ORDER BY 컬럼에 정렬 순서가 일치하는 인덱스가 있으면 DB는 추가 정렬 없이 인덱스 순서를 그대로 활용(인덱스 전략)해 비용을 크게 줄일 수 있다. 반대로 정렬 키가 인덱스와 어긋나면 대규모 정렬과 임시 공간(temp spill)이 발생해 성능이 급락한다. 같은 질의 안에서 여러 윈도우 함수가 동일한 OVER 명세를 공유하면 대부분의 옵티마이저가 정렬을 한 번만 수행하므로, 윈도우 정의를 통일하거나 WINDOW 절(명명 윈도우)로 재사용하는 것이 효과적이다. RANGE 프레임은 동일 정렬값 그룹을 매번 탐색하므로 ROWS 프레임보다 비쌀 수 있어, 의미가 같다면 ROWS를 선호한다.

명명 윈도우(WINDOW 절)는 성능뿐 아니라 가독성에도 기여한다. 동일한 PARTITION BY ... ORDER BY ... 정의를 여러 함수가 반복 참조할 때, 질의 끝에 WINDOW w AS (...)로 한 번만 정의하고 각 함수에서 OVER w로 재사용하면 질의가 짧아지고 정의 변경 시 한 곳만 고치면 된다. 대규모 분석 질의일수록 이 관용구가 유지보수성을 크게 높인다.

최신 동향 측면에서, 분석 특화 컬럼형 엔진(ClickHouse, DuckDB, Apache Spark, Snowflake, BigQuery 등)은 윈도우 함수를 벡터화·병렬 실행으로 가속해 수십억 행 규모에서도 실시간 분석을 제공한다. SQL 표준도 진화해 GROUPS 프레임 모드와 프레임 제외(EXCLUDE) 옵션 등이 추가되었고, PostgreSQL 11 이상이 이를 지원한다. 또한 윈도우 함수는 데이터 웨어하우스의 ELT 패턴에서 변환 로직을 SQL로 끌어내리는 핵심 수단이 되어, dbt 같은 분석 엔지니어링 도구의 모델에서 누적·순위·세션화 로직을 표현하는 표준 관용구로 자리 잡았다. 스트리밍 처리(예: Apache Flink)에서도 시간 윈도우 기반 분석 함수가 배치 SQL의 윈도우 개념을 이어받아 실시간 집계를 담당한다.

다만 스트리밍 환경의 윈도우는 배치 SQL의 윈도우 함수와 의미가 미묘하게 다르다는 점에 유의해야 한다. 배치 윈도우 함수는 이미 확정된 유한한 결과 집합 위에서 정렬·프레임을 적용하지만, 스트리밍의 시간 윈도우(텀블링·슬라이딩·세션 윈도우)는 끝없이 흐르는 무한 스트림을 시간 축으로 잘라 집계하며 워터마크(watermark)로 지연 도착 데이터를 다룬다. 두 개념이 같은 "윈도우"라는 용어를 공유하기에 혼동하기 쉬우나, 전자가 분석적 질의의 표현력 문제라면 후자는 상태 관리와 시간 의미론(event-time vs processing-time)의 문제라는 점에서 접근이 다르다. 기술사 답안에서 이 구분을 짚으면 개념의 깊이를 드러낼 수 있다.

6. 고려사항 및 시사점

기술사 관점에서 윈도우 함수의 도입과 활용은 다음을 종합적으로 고려해야 한다.

  • 적용 전략(로직의 DB 내재화): 순위·누적·세션화 같은 분석 로직을 애플리케이션 코드에서 DB의 윈도우 함수로 내리면, 데이터 이동량이 줄고 선언적 표현으로 유지보수성이 향상된다. 다만 과도한 비즈니스 로직의 DB 집중은 DBMS 종속성과 확장 한계를 낳을 수 있어, 집계·분석 성격의 로직에 한정하는 경계 설정이 필요하다.

  • 성능 트레이드오프(정렬 비용 대 표현력): 윈도우 함수는 표현력이 높지만 정렬·프레임 평가 비용을 수반한다. 파티션·정렬 키에 정합한 인덱스 설계, 동일 윈도우 공유, ROWS 프레임 선호, 대용량 시 컬럼형·분석 엔진 활용 등으로 비용을 관리해야 하며, "단순 집계면 GROUP BY, 상세 보존이 필요하면 윈도우 함수"라는 선택 기준을 세워야 한다.

  • 정확성과 함정 관리: 기본 프레임으로 인한 LAST_VALUE 오류, WHERE에서 윈도우 결과를 직접 참조할 수 없는 제약, 동률 처리 정책(RANK vs ROW_NUMBER)에 따른 결과 차이 등은 설계 단계에서 명시적으로 검증해야 할 함정이다. 테스트 케이스에 동률·경계·NULL 정렬(NULLS FIRST/LAST) 상황을 반드시 포함한다.

  • 표준화와 이식성: 윈도우 함수는 SQL 표준에 기반하지만 DBMS별로 지원 범위와 문법(특히 프레임 옵션)이 다르다. 멀티 클라우드·이기종 DB 환경에서는 표준 공통 부분집합을 쓰거나, dbt 등 추상화 계층으로 방언 차이를 흡수하는 전략이 요구된다.

  • 거버넌스와 재현성: 순위·세그먼트·비중 같은 지표가 윈도우 함수로 정의될수록, 동률 처리·프레임·정렬 규칙의 미세한 차이가 지표 수치를 바꾼다. 따라서 핵심 지표의 윈도우 정의를 메트릭 계층(semantic layer)에 한 번만 정의해 전사가 공유하고, 정의 변경을 형상관리로 추적하는 거버넌스가 수치의 재현성과 신뢰를 보장하는 관건이 된다.

  • 연계 기술 전망: 윈도우 함수는 데이터 레이크하우스·실시간 분석·분석 엔지니어링(ELT)의 핵심 연산으로, 컬럼형 저장·벡터화 실행·스트리밍 SQL과 결합하며 그 중요성이 커지고 있다. 향후 생성형 AI 기반 자연어-SQL 변환에서도 순위·추세 질의가 가장 빈번히 윈도우 함수로 귀결되므로, 분석 질의 설계 역량의 기초로서 가치가 지속된다.

예상 출제 방향으로는 ① GROUP BY와 윈도우 함수의 차이와 선택 기준, ② OVER 절 세 요소(파티션·정렬·프레임)의 역할과 기본 프레임 함정, ③ 순위 함수 3종(ROW_NUMBER/RANK/DENSE_RANK)의 차이와 Top-N·중복 제거 활용, ④ 누적합·이동평균 등 집계 윈도우의 실무 질의 작성, ⑤ 정렬 비용과 인덱스를 통한 성능 최적화가 자주 다뤄진다. 답안 구성 시에는 "왜 상세 보존형 집계가 필요한가"라는 배경에서 출발해, OVER 절의 동작 원리와 구체 질의·수치 사례로 깊이를 더한 뒤, 전통 기법과의 비교·성능·최신 동향으로 마무리하는 흐름이 설득력 있다.

참고자료


한 줄 요약: 윈도우 함수는 OVER 절의 파티션·정렬·프레임으로 현재 행과 연관된 행 집합을 지정해 상세 데이터를 보존한 채 순위·누적·이동평균을 계산하는 SQL 분석의 핵심 도구로, 셀프 조인·상관 서브쿼리를 대체해 표현력과 성능을 동시에 끌어올린다.