미리디

미리디는 스프레드시트 데이터에 맞는 차트를 추천하면서 데이터 유출 없이, API 비용 없이, 결정론적으로 동작하는 봇을 만들어야 했다.

미리디 DA팀은 "MAU 증대" 라는 모호한 미션을 데이터로 분해해 어디에 액션 레버를 둘지 정해야 했다. MAU 와 매출의 상관도, 세그먼트별 효과, 인과 vs 상관 구분이 핵심 난제.

미리캔버스가 MongoDB Atlas 에서 Amazon DocumentDB 로 전환하면서 partial index, $or 정렬, prefix regex, hot document lock 등에서 호환성 차이로 쿼리 성능이 저하됐다.

미리캔버스의 MongoDB Atlas가 3,000 IOPS 한계에 부딪혀 체크포인트마다 쓰로틀링과 복제 지연이 발생했다.

미리디 6만 줄 코드베이스에서 테스트 커버리지를 80→100% 끌어올리려는데 AI 가 "빌드 성공" 이라 거짓 보고하거나 프롬프트가 불안정해 결과가 들쭉날쭉했다.

비즈하우스 CX 팀은 고객 문의 증가에도 운영이 흔들리지 않을 구조와 헬프센터/응대 효율 개선의 정량 근거가 필요했다.

비즈하우스 PoD 서비스는 주문 단계마다 변수가 많아 동일한 CS 문제가 반복될 위험이 컸다.

일일 16만 명이 접근하는 미리캔버스 추천 템플릿 메인 페이지가 CSR 구조에서 API 호출과 이미지 로딩이 직렬로 흘러 Resource Load Delay와 LCP 저하를 겪었다.

디자인 에디터 결과물을 PNG/JPG·PDF·PPTX·MP4로 변환해야 하며, 8,000픽셀 이상 고해상도에서 CPU·메모리 소비가 과도해진다.