# 문제점
기지국 커버리지 데이터(CellDB)가 복잡한 지리공간 및 시간 기반으로 구성되어 있어 분석 난이도가 높음
수집된 신호 품질/강도 데이터가 다양한 소스에 분산되어 있어 실시간 분석이 어렵고 정확도가 낮음
안테나 조정이나 위치 변경이 실제 네트워크 품질에 미치는 영향을 정량적으로 파악하기 어려움
커버리지 최적화를 위한 분석 프로세스가 비효율적이고 처리 속도도 느림

# 프로젝트 목표
빅데이터 및 머신러닝 기반으로 커버리지 품질 분석 자동화
신호 강도 및 품질 예측의 정확도를 높이고, 실시간 대시보드 기반 모니터링 체계 구축
안테나 구성 변경의 효과를 정량화하기 위한 A/B 테스트 설계
데이터 파이프라인 최적화를 통해 전반적인 분석 속도 개선

# 주안점
Airflow 및 AWS MWAA 기반 자동화된 워크플로우 설계
지리정보 기반 통계 모델 적용 (ex: 셀 커버리지 히트맵)
SQL 최적화, FBI 인덱싱, Bulk Insert 로직 적용을 통한 성능 개선
전체 분석 실행 시간 75.2% 단축 (6시간 56분 → 1시간 43분)

1) 포트폴리오 소개
서비스 카테고리: 통신/AI/빅데이터
메인 타깃: 무선 네트워크 운영 담당자 및 최적화 엔지니어
간략 소개: 무선 기지국(CellDB) 커버리지에 대한 정밀 분석 및 안테나 구성 최적화를 위한 통신사 내부 전용 데이터 분석 시스템 구축

2) 작업 범위
서버 구축 및 데이터 파이프라인 설계
실시간 분석 대시보드 개발 (MWAA)
머신러닝 기반 신호 품질 예측 모델 개발
SQL 최적화 및 병목 개선
지원환경: AWS 기반 클라우드 환경, 반응형 웹 대시보드 (내부 전용)

3) 주요 업무
커버리지별 신호 강도, 품질 예측 및 시각화
안테나 구성 변경에 따른 A/B 테스트 기능 구현
통화 중단(Call Drop) 비율, 커버리지율 등 핵심 통신 지표 추적
실행 시간 최적화를 위한 ETL/ELT 고도화

4) 주안점
대용량 통신 데이터를 처리하기 위한 데이터 흐름 최적화
Airflow DAG 및 Bulk Insert 적용으로 성능 75% 이상 개선
네트워크 성능 모니터링 자동화로 업무 효율 향상