데이터 레이크하우스 정의
데이터 레이크하우스는 데이터 레이크와 데이터 웨어하우스의 기능을 결합한 통합 데이터 관리 아키텍처로, 구조화된 데이터와 비구조화된 데이터를 모두 저장하고 분석할 수 있습니다. 유연한 데이터 수집, 고급 분석 및 기계 학습을 지원하며, 데이터 보안과 최적화된 성능을 보장합니다.
데이터 레이크하우스란?
데이터 레이크하우스의 이점과 구현 프로세스에 대한 개요를 알아보세요.
핵심 사항
- 데이터 레이크하우스 모델에 대한 개요와 오늘날 데이터 중심의 환경에서 중요한 이유를 알아보세요.
- 확장성, 강화된 보안, 더 나은 성능 및 다양한 데이터 분석 지원 등 데이터 레이크하우스의 이점을 탐색하세요.
- 데이터 레이크하우스 아키텍처를 구성하는 주요 구성 요소에 대해 알아보세요.
- 데이터 레이크하우스 아키텍처를 구현하는 가장 좋은 방법에 대한 단계별 가이드를 확인하세요.
- 세계 최고의 조직에서 성능을 향상시키기 위해 데이터 레이크하우스 아키텍처를 어떻게 활용하고 있는지 살펴보세요.
데이터 레이크하우스 개요
오늘날 데이터 중심의 조직들은 데이터를 활용할 혁신적인 방법을 끊임없이 찾고 있습니다. 최근 발전 중 하나는 데이터 레이크하우스로, 데이터 레이크와 데이터 웨어하우스의 강점을 하나의 플랫폼으로 원활하게 통합한 아키텍처 프레임워크입니다. 이 모델을 통해 조직은 구조화된 데이터, 반구조화된 데이터 및 비구조화된 데이터를 대량으로 저장할 수 있으며, 따라서 광범위한 데이터 변환 없이도 처리, 분석 및 인사이트를 도출할 수 있습니다.
데이터 레이크하우스는 요즘 시대의 데이터 전략에 필수적이며, 다양한 사용 사례를 지원할 만큼 유연합니다. 데이터 팀은 원시 데이터를 사용하여 복잡한 쿼리와 기계 학습 모델을 직접 실행할 수 있어, 기업이 인사이트를 도출하고 데이터 중심의 의사 결정을 내리는 데 용이합니다. 데이터 레이크하우스는 데이터 스트림을 연결하기 쉽게 하여 사일로를 없애고 더 큰 협업을 촉진합니다. 이 모든 과정에서 데이터 거버넌스, 보안 및 성능과 같은 필수 기능을 유지합니다.
데이터 레이크하우스는 요즘 시대의 데이터 전략에 필수적이며, 다양한 사용 사례를 지원할 만큼 유연합니다. 데이터 팀은 원시 데이터를 사용하여 복잡한 쿼리와 기계 학습 모델을 직접 실행할 수 있어, 기업이 인사이트를 도출하고 데이터 중심의 의사 결정을 내리는 데 용이합니다. 데이터 레이크하우스는 데이터 스트림을 연결하기 쉽게 하여 사일로를 없애고 더 큰 협업을 촉진합니다. 이 모든 과정에서 데이터 거버넌스, 보안 및 성능과 같은 필수 기능을 유지합니다.
데이터 레이크하우스의 이점
데이터 관리의 확장성과 유연성
데이터 레이크하우스는 다양한 데이터 유형에 걸쳐 증가하는 데이터 양을 수용할 수 있도록 원활하게 확장할 수 있어 기업이 변화하는 데이터 환경에 적응할 수 있는 민첩성을 제공합니다.Fabric의 Microsoft OneLake는 무한 확장이 가능하고, 구조화된 데이터와 비구조화된 데이터를 수집하며, 방대한 양의 데이터를 처리할 수 있는 오픈 데이터 레이크입니다. 또한 분석 엔진 전반에 걸쳐 성능을 최적화합니다.
강화된 데이터 거버넌스 및 보안 기능
데이터 레이크하우스는 중요한 데이터를 보호하기 위한 강력한 보안 조치를 통합합니다. 예를 들어, OneLake는 업계 최고의 보안 및 거버넌스 도구를 사용하여 여러분의 조직의 데이터의 품질을 보장하고, 적절한 사람들이 적절한 데이터에 액세스할 수 있도록 합니다. 이로 인해 조직은 산업 규정을 준수하고 무단 액세스로부터 보호받을 수 있습니다.
비용 효율성과 성능 효율성
데이터 레이크하우스는 비용 효율적인 클라우드 저장소와 최적화된 데이터 처리를 통해 구조화된 데이터와 비구조화된 데이터를 대규모로 저장하고 분석하는 저렴한 솔루션을 제공합니다. Microsoft Fabric은 모든 작업 부하에 사용할 수 있는 단일 용량 및 저장소 풀을 제공하여 비용을 더욱 절감합니다.
다양한 데이터 분석 및 기계 학습 애플리케이션 지원
데이터 레이크하우스는 데이터 과학자와 분석가에게 스트리밍 데이터에 대한 실시간 분석을 수행할 수 있는 능력을 부여함으로써 조직이 변화하는 조건에 맞춰 신속하고 능동적으로 대응할 수 있도록 합니다. Fabric 실시간 인텔리전스와 같은 작업 부하는 스트리밍 데이터를 수집하고 변환하며, 실시간으로 쿼리하고, 반응하여 작업을 트리거할 수 있습니다.
데이터 레이크하우스 아키텍처
데이터 레이크하우스 아키텍처는 데이터를 관리하고 분석하기 위한 통합 시스템을 만들기 위해 함께 작동하는 여러 주요 구성 요소로 구성됩니다. 각 구성 요소에 대한 자세한 설명은 다음과 같습니다.
1. 수집. 수집 계층은 데이터베이스, 애플리케이션, IoT 디바이스 및 외부 API를 포함한 다양한 출처에서 데이터를 일괄 및 실시간으로 수집하는 역할을 합니다. Fabric 데이터 팩터리는 다양한 소스에서 데이터를 수집하고 준비하며 변환하기 위한 데이터 흐름과 파이프라인을 구현할 수 있도록 도와줍니다. 이 계층은 모든 관련 데이터(구조화된 데이터, 반구조화된 데이터 및 비구조화된 데이터)가 분석에 사용할 수 있게 하여 조직의 환경에 대한 종합적인 뷰를 제공합니다.
2. 저장소. 저장 계층은 데이터 레이크하우스의 기초로, 대량의 원시 데이터를 처리하는 확장 가능하고 비용 효율적인 저장 솔루션을 제공합니다. 이 계층은 데이터가 원시 형식으로 저장될 수 있도록 하여 텍스트, 이미지, 비디오와 같은 다양한 데이터 유형을 수용하고, 데이터의 확장 가능성을 더 높이기 위해 엄격한 스키마의 필요성을 없앱니다.
3. 메타데이터. 메타데이터 계층은 데이터 자산을 카탈로그화하고 스키마 정보를 유지하여 효과적으로 쿼리할 수 있도록 데이터 품질을 보장합니다. 데이터 팀은 작업하는 데이터의 컨텍스트와 구조를 이해할 수 있어 더 효과적인 인사이트를 도출할 수 있습니다.
4. API. API 계층은 개발자, 데이터 과학자 및 분석가가 데이터에 액세스하고 상호작용하는 데 사용하는 인터페이스를 제공합니다. 이 계층은 다양한 애플리케이션과 사용자가 기본 아키텍처에 대한 깊은 기술 지식 없이도 데이터 작업을 할 수 있게 해주기 때문에 매우 중요합니다.
5. 사용량. 사용량 계층에는 각 사용자가 데이터를 분석하고 시각화할 수 있는 도구와 플랫폼이 포함됩니다. 여기에는 Power BI와 같은 BI(비즈니스 인텔리전스) 도구는 물론, 레이크하우스 내 저장된 데이터를 사용하는 Fabric 데이터 과학과 같은 데이터 과학 및 기계 학습 작업 부하가 포함되어 있습니다. 사용량 계층은 원시 데이터를 실행 가능한 인사이트로 전환하여, 전체 조직의 이해관계자들이 데이터에 기반한 의사 결정을 내릴 수 있도록 합니다.
1. 수집. 수집 계층은 데이터베이스, 애플리케이션, IoT 디바이스 및 외부 API를 포함한 다양한 출처에서 데이터를 일괄 및 실시간으로 수집하는 역할을 합니다. Fabric 데이터 팩터리는 다양한 소스에서 데이터를 수집하고 준비하며 변환하기 위한 데이터 흐름과 파이프라인을 구현할 수 있도록 도와줍니다. 이 계층은 모든 관련 데이터(구조화된 데이터, 반구조화된 데이터 및 비구조화된 데이터)가 분석에 사용할 수 있게 하여 조직의 환경에 대한 종합적인 뷰를 제공합니다.
2. 저장소. 저장 계층은 데이터 레이크하우스의 기초로, 대량의 원시 데이터를 처리하는 확장 가능하고 비용 효율적인 저장 솔루션을 제공합니다. 이 계층은 데이터가 원시 형식으로 저장될 수 있도록 하여 텍스트, 이미지, 비디오와 같은 다양한 데이터 유형을 수용하고, 데이터의 확장 가능성을 더 높이기 위해 엄격한 스키마의 필요성을 없앱니다.
3. 메타데이터. 메타데이터 계층은 데이터 자산을 카탈로그화하고 스키마 정보를 유지하여 효과적으로 쿼리할 수 있도록 데이터 품질을 보장합니다. 데이터 팀은 작업하는 데이터의 컨텍스트와 구조를 이해할 수 있어 더 효과적인 인사이트를 도출할 수 있습니다.
4. API. API 계층은 개발자, 데이터 과학자 및 분석가가 데이터에 액세스하고 상호작용하는 데 사용하는 인터페이스를 제공합니다. 이 계층은 다양한 애플리케이션과 사용자가 기본 아키텍처에 대한 깊은 기술 지식 없이도 데이터 작업을 할 수 있게 해주기 때문에 매우 중요합니다.
5. 사용량. 사용량 계층에는 각 사용자가 데이터를 분석하고 시각화할 수 있는 도구와 플랫폼이 포함됩니다. 여기에는 Power BI와 같은 BI(비즈니스 인텔리전스) 도구는 물론, 레이크하우스 내 저장된 데이터를 사용하는 Fabric 데이터 과학과 같은 데이터 과학 및 기계 학습 작업 부하가 포함되어 있습니다. 사용량 계층은 원시 데이터를 실행 가능한 인사이트로 전환하여, 전체 조직의 이해관계자들이 데이터에 기반한 의사 결정을 내릴 수 있도록 합니다.
데이터 레이크하우스 구현하기
데이터를 마이그레이션하든 완전히 새로운 솔루션을 설정하든, 데이터 레이크하우스를 구현하는 데는 여러 중요한 단계가 포함됩니다. 여기에는 주요 고려 사항이 포함되며, 프로세스 단계는 다음과 같습니다.
1. 환경 평가. 먼저, 데이터베이스, 애플리케이션 및 외부 피드를 포함한 모든 기존 데이터의 출처를 식별해야 합니다. 저장소 요구 사항을 이해하기 위해, 해당 출처의 데이터를 구조화된 데이터, 반구조화된 데이터 또는 비구조화된 데이터로 분류해야 합니다.
2. 요구 사항 및 목표 정의. 다음으로, 목표를 명확히 정리하는 것이 중요하며, 이는 예상되는 데이터의 양과 성장에 따라 필요한 내용을 결정하는 데 도움이 됩니다. 중요한 데이터를 보호하려면 준수해야 하는 규정 관련 요구 사항을 확인해야 합니다.
3. 기술 스택 선택. 클라우드 또는 온-프레미스 저장소 솔루션을 선택하여 데이터 레이크하우스 요구 사항을 지원한 후, 데이터 처리 및 분석 옵션을 평가하세요. 카탈로그화, 거버넌스 및 데이터 계보 추적에 사용할 도구를 선택해야 합니다.
4. 마이그레이션 전략 개발. 마이그레이션 전략을 개발할 때 중단을 최소화하려면 덜 중요한 데이터부터 단계적 마이그레이션을 계획해야 합니다. 데이터 품질을 평가하고, 필요한 정리 또는 변환 작업을 식별하며, 데이터 무결성을 보장하기 위한 백업 전략을 수립해야 합니다.
5. 파이프라인 생성. 마이그레이션 전략을 수립했다면 API를 사용하여 일괄 및 실시간으로 데이터를 수집할 소스를 설정해야 합니다. 데이터 수집을 더욱 간소화하기 위해, Microsoft Power Automate와 같은 자동화 도구를 구현하는 것을 고려할 수 있습니다. 이를 통해 수동 개입을 줄일 수 있습니다.
6. 스토리지 관리 구성. 저장소 시스템을 구성할 때 각 데이터 유형에 대해 정의된 구조에 따라 구성해야 합니다. 데이터 검색 가능성을 보장하기 위해 메타데이터 관리 행위를 설정해야 하며, 데이터 보호를 위한 액세스 권한 및 보안 프로토콜을 정의해야 합니다.
7. 분석 프레임워크 수립. 이제 Power BI와 같은 BI 및 분석 도구를 연결하여 보고 및 시각화를 진행해 봅시다. 개발자에게 기계 학습 및 고급 분석에 필요한 프레임워크, 도구 및 액세스 포인트를 제공해야 합니다.
8. 모니터링, 최적화 및 반복. 구현이 완료되면 성능을 정기적으로 평가하고, Fabric에서 제공하는 엔드투엔드 모니터링 기능을 사용하여 저장소 및 처리 능력을 평가해야 합니다. 사용자와 피드백 메커니즘을 구축하여 개선 및 최적화가 필요한 영역을 식별해야 합니다.
1. 환경 평가. 먼저, 데이터베이스, 애플리케이션 및 외부 피드를 포함한 모든 기존 데이터의 출처를 식별해야 합니다. 저장소 요구 사항을 이해하기 위해, 해당 출처의 데이터를 구조화된 데이터, 반구조화된 데이터 또는 비구조화된 데이터로 분류해야 합니다.
2. 요구 사항 및 목표 정의. 다음으로, 목표를 명확히 정리하는 것이 중요하며, 이는 예상되는 데이터의 양과 성장에 따라 필요한 내용을 결정하는 데 도움이 됩니다. 중요한 데이터를 보호하려면 준수해야 하는 규정 관련 요구 사항을 확인해야 합니다.
3. 기술 스택 선택. 클라우드 또는 온-프레미스 저장소 솔루션을 선택하여 데이터 레이크하우스 요구 사항을 지원한 후, 데이터 처리 및 분석 옵션을 평가하세요. 카탈로그화, 거버넌스 및 데이터 계보 추적에 사용할 도구를 선택해야 합니다.
4. 마이그레이션 전략 개발. 마이그레이션 전략을 개발할 때 중단을 최소화하려면 덜 중요한 데이터부터 단계적 마이그레이션을 계획해야 합니다. 데이터 품질을 평가하고, 필요한 정리 또는 변환 작업을 식별하며, 데이터 무결성을 보장하기 위한 백업 전략을 수립해야 합니다.
5. 파이프라인 생성. 마이그레이션 전략을 수립했다면 API를 사용하여 일괄 및 실시간으로 데이터를 수집할 소스를 설정해야 합니다. 데이터 수집을 더욱 간소화하기 위해, Microsoft Power Automate와 같은 자동화 도구를 구현하는 것을 고려할 수 있습니다. 이를 통해 수동 개입을 줄일 수 있습니다.
6. 스토리지 관리 구성. 저장소 시스템을 구성할 때 각 데이터 유형에 대해 정의된 구조에 따라 구성해야 합니다. 데이터 검색 가능성을 보장하기 위해 메타데이터 관리 행위를 설정해야 하며, 데이터 보호를 위한 액세스 권한 및 보안 프로토콜을 정의해야 합니다.
7. 분석 프레임워크 수립. 이제 Power BI와 같은 BI 및 분석 도구를 연결하여 보고 및 시각화를 진행해 봅시다. 개발자에게 기계 학습 및 고급 분석에 필요한 프레임워크, 도구 및 액세스 포인트를 제공해야 합니다.
8. 모니터링, 최적화 및 반복. 구현이 완료되면 성능을 정기적으로 평가하고, Fabric에서 제공하는 엔드투엔드 모니터링 기능을 사용하여 저장소 및 처리 능력을 평가해야 합니다. 사용자와 피드백 메커니즘을 구축하여 개선 및 최적화가 필요한 영역을 식별해야 합니다.
데이터 레이크하우스의 예
세계 최고의 조직들이 데이터 레이크하우스 아키텍처를 사용하여 데이터 활용을 최적화하고, 의사 결정을 강화하며, 운영 전반에 걸쳐 혁신을 주도하고 있습니다. 주목할 만한 성공 사례 몇 가지를 소개합니다.
1. 단일 정보 소스
네덜란드에 본사를 둔 식품 공급망 회사인 Flora Food Group은 여러 분석 도구를 하나의 더 효율적인 플랫폼으로 통합할 방법을 찾고 있었습니다. 그러다 Fabric을 발견하게 되었고 데이터 엔지니어링, 데이터 과학 및 보안 채널을 하나의 솔루션으로 통합하고자 했습니다. 모든 데이터 스트림을 연결함으로써 이 회사는 플랫폼 아키텍처를 단순화하고, 비용을 절감하였으며, 고객에게 더 상세하고 시기적절한 인사이트를 제공하여 서비스 제공 및 고객 만족도를 향상시킬 수 있었습니다.
2. 고급 분석 및 기계 학습
호주에서 두 번째로 바쁜 공항인 멜버른 공항은 운영 효율성과 승객의 경험을 개선하기 위해 데이터 분석 기능을 업그레이드해야 했습니다. Fabric을 도입함으로써 조직은 주차, 판매 및 공항 운영 시스템을 포함한 방대한 데이터 출처의 데이터를 통합할 수 있었고, 기술 및 비기술 비즈니스 사용자 모두에 대해 데이터에 기반한 인사이트에 대한 접근성을 확장할 수 있었습니다. 그 결과, 공항은 모든 데이터 관련 운영에서 성능 효율성을 30% 향상시켰습니다.
3. AI 및 딥 러닝
디지털 혁신 회사인 Avanade는 AI 기술을 사용하여 조직 내 전략적 의사 결정 프로세스를 향상시키고자 했습니다. Avanade는 Fabric으로 데이터 자산을 통합하고 10,000명 이상의 직원을 데이터 분석 교육을 통해 AI를 더 쉽게 채택할 수 있는 기반을 마련했습니다. 사용자는 배운 기술을 활용하여 자연어 및 Power BI의 Copilot을 기반으로 한 다양한 대시보드를 포함한 맞춤형 AI 솔루션을 개발할 수 있었습니다.
4. 실시간 인사이트
Dener Motorsport는 Porsche Carrera Cup Brasil의 주요 주최자로서 엔지니어와 고객 모두에게 자동차 성능 및 수리에 대한 포괄적이고 최신 데이터를 제공해야 하는 임무를 맡았습니다. Fabric을 채택하고 실시간 분석, 스토리지 및 보고 기능을 구현함으로써 조직은 이해관계자에게 실행 가능한 실시간 인사이트를 더 효과적으로 지원할 수 있었습니다. 최근 레이스에서 엔지니어들은 Porsche 레이싱 카의 엔진 고장을 확인하고 안전을 위해 해당 차량을 제외할 수 있었습니다.
1. 단일 정보 소스
네덜란드에 본사를 둔 식품 공급망 회사인 Flora Food Group은 여러 분석 도구를 하나의 더 효율적인 플랫폼으로 통합할 방법을 찾고 있었습니다. 그러다 Fabric을 발견하게 되었고 데이터 엔지니어링, 데이터 과학 및 보안 채널을 하나의 솔루션으로 통합하고자 했습니다. 모든 데이터 스트림을 연결함으로써 이 회사는 플랫폼 아키텍처를 단순화하고, 비용을 절감하였으며, 고객에게 더 상세하고 시기적절한 인사이트를 제공하여 서비스 제공 및 고객 만족도를 향상시킬 수 있었습니다.
2. 고급 분석 및 기계 학습
호주에서 두 번째로 바쁜 공항인 멜버른 공항은 운영 효율성과 승객의 경험을 개선하기 위해 데이터 분석 기능을 업그레이드해야 했습니다. Fabric을 도입함으로써 조직은 주차, 판매 및 공항 운영 시스템을 포함한 방대한 데이터 출처의 데이터를 통합할 수 있었고, 기술 및 비기술 비즈니스 사용자 모두에 대해 데이터에 기반한 인사이트에 대한 접근성을 확장할 수 있었습니다. 그 결과, 공항은 모든 데이터 관련 운영에서 성능 효율성을 30% 향상시켰습니다.
3. AI 및 딥 러닝
디지털 혁신 회사인 Avanade는 AI 기술을 사용하여 조직 내 전략적 의사 결정 프로세스를 향상시키고자 했습니다. Avanade는 Fabric으로 데이터 자산을 통합하고 10,000명 이상의 직원을 데이터 분석 교육을 통해 AI를 더 쉽게 채택할 수 있는 기반을 마련했습니다. 사용자는 배운 기술을 활용하여 자연어 및 Power BI의 Copilot을 기반으로 한 다양한 대시보드를 포함한 맞춤형 AI 솔루션을 개발할 수 있었습니다.
4. 실시간 인사이트
Dener Motorsport는 Porsche Carrera Cup Brasil의 주요 주최자로서 엔지니어와 고객 모두에게 자동차 성능 및 수리에 대한 포괄적이고 최신 데이터를 제공해야 하는 임무를 맡았습니다. Fabric을 채택하고 실시간 분석, 스토리지 및 보고 기능을 구현함으로써 조직은 이해관계자에게 실행 가능한 실시간 인사이트를 더 효과적으로 지원할 수 있었습니다. 최근 레이스에서 엔지니어들은 Porsche 레이싱 카의 엔진 고장을 확인하고 안전을 위해 해당 차량을 제외할 수 있었습니다.
결론
진화하는 데이터 분석 환경
데이터의 기하급수적 성장과 실시간 인사이트에 대한 수요 증가에 따라 점점 더 많은 조직이 기존 데이터 웨어하우스에서 더 유연한 솔루션으로 전환하고 있습니다.
데이터 레이크하우스는 더 큰 민첩성, 확장성, 운영 효율성 및 데이터 팀 간의 협업을 촉진하여 기업이 데이터의 잠재력을 최대한 실현할 수 있도록 합니다. 사일로를 없애고 다양한 데이터 유형에 대한 액세스를 용이하게 함으로써 데이터 레이크하우스는 조직이 혁신하고 시장 변화에 신속하게 대응할 수 있는 능력을 제공합니다. 이는 현재 데이터 관리에서 필수적입니다.
Fabric 무료 평가판 시작
AI 시대에 변혁과 혁신을 추진하기 위한 통합 데이터 관리 및 분석 플랫폼인 Microsoft Fabric을 통해 조직의 역량을 강화하세요.
시작은 간단하고 쉽습니다. Azure 계정은 필요하지 않지만 대신 Fabric 플랫폼에 직접 가입할 수 있습니다.
자세한 정보
시작은 간단하고 쉽습니다. Azure 계정은 필요하지 않지만 대신 Fabric 플랫폼에 직접 가입할 수 있습니다.
자세한 정보
리소스
추가 리소스
데이터 레이크하우스의 성공을 지원하도록 설계된 도구, 리소스, 모범 사례를 살펴보세요.
자주 묻는 질문
- 기존의 데이터 웨어하우스는 주로 구조화된 데이터를 매우 조직적인 방식으로 처리하는 반면, 데이터 레이크하우스는 다양한 출처의 구조화된 데이터, 반구조화된 데이터 및 비구조화된 데이터를 수용하여 보다 유연한 데이터의 수집 및 처리를 허용합니다.
- 데이터 레이크하우스의 데이터는 데이터 분석가, 데이터 과학자, 비즈니스 인텔리전스 전문가 및 의사 결정자 등 조직 내 다양한 이해관계자들이 인사이트를 얻고, 정보에 기반한 결정을 내리며, 비즈니스의 가치를 창출하는 데 사용될 수 있습니다.
- 데이터 허브는 보고 및 비즈니스 인텔리전스를 목적으로 다양한 출처의 데이터를 통합하는 중앙 리포지토리입니다. 데이터 레이크하우스는 구조화된, 반구조화된 및 비구조화된 데이터를 저장하여 실시간 인사이트, 기계 학습 및 기타 고급 분석을 지원하는 보다 포괄적인 플랫폼입니다.
- 데이터 레이크하우스의 원시 데이터는 일반적으로 수정이나 변환 없이 원래 형식으로 분산 파일 시스템(예: Apache Hadoop)에 저장됩니다. 이는 대량의 다양한 데이터를 처리할 때 더 큰 유연성과 확장성을 제공합니다.
Microsoft Fabric 팔로우