11장. 분석하는 사람을 위한 ChatGPT

분석 업무는 자주 오해받는다. 많은 사람이 분석가를 "숫자를 빨리 계산하는 사람"이라고 생각한다. 하지만 실제로 좋은 분석가는 숫자를 계산하는 사람이 아니라, 숫자가 무엇을 뜻하는지 끝까지 따지는 사람이다.

그래서 ChatGPT가 분석 업무에 들어오면 가장 먼저 바뀌는 것은 속도가 아니다. 역할이다. 이제 우리는 합계, 분류, 차트, 요약 같은 반복 작업을 더 빨리 처리할 수 있다. 대신 더 중요해진 일이 있다. 무엇을 물을지, 어디까지 믿을지, 어떤 해석에 사인할지를 정하는 일이다.

이 장의 핵심은 단순하다. 분석에서 중요한 것은 계산을 맡기는 것이 아니라, 해석과 검증의 책임을 어디까지 남길지 정하는 일이다. ChatGPT는 아주 부지런한 주니어 분석가처럼 일할 수 있다. 하지만 마지막 서명란에는 여전히 당신 이름이 들어간다.

분석가는 덜 계산하고 더 판단한다

예전의 분석 업무는 이런 식으로 흘러갔다. 엑셀 파일을 열고, 날짜 형식을 맞추고, 지역명이 KR, Korea, 대한민국으로 제각각 적힌 것을 통일하고, 피벗 테이블을 만들고, 차트를 그린 다음, 겨우 마지막에 "그래서 무슨 뜻이지?"를 생각했다. 하루의 절반이 숫자와 씨름하는 데 쓰였고, 정작 해석은 퇴근 20분 전에 급히 붙는 경우가 많았다.

ChatGPT를 쓰면 이 순서가 바뀐다. 자연어로 질문해 스프레드시트 내용을 탐색하고, 수식 대신 질문으로 데이터를 정리하고, 업로드한 파일에서 표와 차트를 바로 만들 수 있다.¹² 덕분에 분석가는 손이 아니라 머리를 더 많이 쓰게 된다.

이 변화는 작아 보여도 결정적이다. 잘못된 수식을 고치는 데 시간을 덜 쓰는 대신, 어떤 지표가 실제 문제를 설명하는지 더 오래 생각할 수 있기 때문이다. 즉, 분석가의 경쟁력은 이제 "엑셀을 얼마나 잘 다루는가"만이 아니라 "어떤 질문을 설계하는가"로 이동한다.

스프레드시트에서 시작할 때, 먼저 데이터 모양부터 바로잡아라

ChatGPT에게 파일을 올리기 전에 해야 할 일은 의외로 단순하다. 데이터를 예쁘게 꾸미는 것이 아니라, 기계가 헷갈리지 않게 만드는 것이다.

좋은 분석용 스프레드시트는 거의 늘 비슷한 모습을 하고 있다. 한 행은 하나의 관측치이고, 한 열은 하나의 변수이며, 첫 줄에는 분명한 헤더가 있고, 병합 셀이나 장식용 공백이 없다. 날짜 형식은 한 가지로 통일되어 있고, 숫자는 정말 숫자여야 하며, 같은 범주는 같은 철자로 적혀 있어야 한다.³

이 원칙은 단순하지만 강력하다. 사람이 보기 좋은 보고서용 시트와, AI가 읽기 좋은 분석용 시트는 다르기 때문이다. 보고서용 시트는 합쳐진 셀과 강조 색이 많을수록 보기 좋을 수 있다. 하지만 분석용 시트는 그럴수록 오히려 읽기 어려워진다.

또 하나 잊지 말아야 할 점이 있다. 파일을 올리기 전, 민감 정보는 익명화하거나 제거하는 습관을 들여야 한다. 이 장에서는 보안을 깊게 다루지 않겠지만, 분석이 편하다는 이유로 고객 이름, 주민등록번호, 카드 정보, 계약 단가 원본을 그대로 넘기는 것은 좋은 습관이 아니다.³

분석의 품질은 도구보다 데이터 모양에서 먼저 갈린다. 엉킨 장바구니를 아무리 좋은 계산대에 올려도 계산은 계속 느리다.

데이터 인터프리터는 무엇을 대신해 주는가

ChatGPT의 데이터 분석 기능, 흔히 데이터 인터프리터나 Advanced Data Analysis라고 부르는 기능은 단순히 "설명 잘하는 챗봇"이 아니다. 파일을 업로드하면 서버 측의 샌드박스 Python 환경에서 코드를 만들고 실행해 결과를 돌려준다. 그래서 판다스 기반 전처리, 통계 요약, 차트 생성, 간단한 모델링, 파일 변환 같은 작업이 가능하다.⁴

쉽게 말하면, 평소라면 분석가가 직접 하던 일을 이렇게 바꿔준다.

• 엑셀 필터를 걸고 피벗을 만들던 작업은 질문 한 줄로 바뀐다.

• 파이썬 코드를 짜서 결측치를 세던 작업은 요청과 검토로 바뀐다.

• 차트를 만든 뒤 축 이름을 고치던 작업은 "색을 바꾸고, 범례를 오른쪽으로 옮겨줘" 같은 후속 지시로 바뀐다.

OpenAI 도움말에서도 업로드한 데이터로 정적·인터랙티브 표와 차트를 만들 수 있다고 설명한다.¹ 즉, 이 기능의 장점은 계산 자체보다도 분석 대화를 끊기지 않게 이어 준다는 데 있다. 숫자를 보고, 바로 다시 묻고, 다른 시각화로 바꾸고, 정리된 파일을 내려받는 흐름이 하나의 작업 창 안에서 이어진다.

다만 이 기능은 만능이 아니다. 일반적인 파일 업로드 기반 분석에서는 세션이 영구적으로 유지되지 않으며, 중간 산출물을 내려받지 않으면 대화가 끝난 뒤 사라질 수 있다. 또 스프레드시트 파일 크기나 문맥 길이의 현실적인 한계가 있고, 대규모 실시간 데이터베이스에 직접 붙어 장기적으로 반복 실행하는 용도로는 적합하지 않다.⁴

이 말은 중요하다. 데이터 인터프리터는 당신의 분석 시스템 전체를 대체하는 엔진이 아니라, 분석 과정 중 마찰이 큰 구간을 크게 줄여 주는 작업실에 가깝다.

첫 질문이 결과를 정한다

많은 사람이 파일을 올린 뒤 이렇게 말한다. "이 데이터 분석해줘." 그러면 ChatGPT는 친절하게 뭔가를 시작한다. 문제는 그 친절함이 종종 위험하다는 데 있다. 분석에서 가장 중요한 것은 빨리 대답하는 것이 아니라, 잘못된 전제를 늦추는 것이다.

처음에는 분석이 아니라 진단을 시켜야 한다. 즉, 답을 내리게 하기 전에 데이터 상태를 먼저 보게 해야 한다. Tilburg의 가이드도 비슷한 흐름을 권한다. 먼저 데이터셋 요약, 정제 이슈 식별, 문제의 규모 파악을 시키고, 정제 작업은 추가 지시 전에는 하지 않도록 경계를 세우는 방식이다.⁵

실무에서는 첫 요청을 이런 식으로 바꾸면 좋다.

당신은 선임 데이터 분석가다. 업로드한 파일을 먼저 진단해라.

1. 행 수, 열 수, 열 이름, 자료형을 요약하고

2. 결측치, 중복, 형식 불일치, 이상치 가능성이 있는 열을 찾아라

3. 분석 전에 수정이 필요한 문제를 우선순위로 정리하고

4. 내 승인 없이 원본 값을 바꾸지 말라

5. 이 데이터로 확인할 만한 핵심 질문 5개를 제안하라

이 요청의 좋은 점은 두 가지다. 첫째, ChatGPT가 바로 결론으로 뛰어들지 못하게 막는다. 둘째, 사용자가 아직 무엇을 봐야 할지 모를 때도, 분석 질문 후보를 먼저 뽑아낼 수 있다.

좋은 분석은 언제나 "답"보다 "질문 목록"에서 시작한다.

스프레드시트에서 보고서까지 가는 실제 흐름

이제 본격적으로 작업 흐름을 보자. 분석 업무를 ChatGPT와 함께할 때는 보통 다섯 단계로 생각하면 편하다. 정리, 탐색, 계산, 해석, 보고서다. 중요한 것은 이 다섯 단계가 한 번에 끝나는 직선이 아니라, 앞뒤로 계속 왕복하는 대화라는 점이다.

1. 정리: 데이터 품질부터 점검한다

첫 단계에서는 똑똑한 해석을 기대하지 말고, 지저분한 부분부터 드러내게 해야 한다. 예를 들어 매출 데이터라면 날짜 열이 실제 날짜인지, 금액 열에 쉼표나 통화 기호가 섞여 있는지, 취소 주문이 음수인지 별도 상태값인지부터 확인해야 한다.

이 단계에서 ChatGPT는 특히 잘한다. 각 열의 자료형을 설명하고, 결측 비율을 세고, 중복 의심 행을 찾고, 지역명이나 제품군처럼 사람이 입력한 범주의 표기 흔들림을 발견하는 일은 매우 빠르다.⁴

하지만 여기서 중요한 원칙이 하나 있다. 자동 수정은 늦게, 보고는 먼저다.

예를 들어 결측값이 있다고 해서 무조건 평균값으로 채우게 해서는 안 된다. 어떤 열은 빈칸이 단순 누락이 아니라 "해당 없음"일 수도 있고, 어떤 열은 그 자체가 중요한 신호일 수도 있다. 데이터 정리는 청소가 아니라 해석의 첫 단계다. 그러니 먼저 "무엇이 문제인지"를 보게 하고, 그다음 "어떻게 처리할지"를 당신이 결정해야 한다.

2. 탐색: 숫자보다 패턴을 먼저 본다

데이터가 어느 정도 정리되면, 다음은 탐색적 분석이다. 이 단계의 목적은 정답을 선언하는 것이 아니라, 눈에 띄는 구조를 찾는 것이다.

여기서 ChatGPT에게 맡기기 좋은 일은 많다. 열별 기초 통계량 요약, 분포 확인, 카테고리별 비교, 상관관계 히트맵, 시계열 추이, 상위·하위 그룹 추출 같은 일이다.¹⁴ 사람이 직접 하면 자잘한 클릭이 많은데, ChatGPT는 몇 번의 요청으로 훨씬 빠르게 훑는다.

이때 요령은 "무엇을 보여달라"와 "무엇을 묻고 싶은가"를 함께 주는 것이다. 예를 들어 이렇게 말할 수 있다.

"월별 매출 추이를 선 그래프로 보여주고, 전월 대비 증감률이 큰 구간을 표시해줘. 단, 환불 건은 별도 색으로 구분해줘."

이 요청은 단순 시각화가 아니다. 사용자의 비즈니스 관심사가 이미 들어가 있다. 차트는 예쁜 그림이 아니라 질문을 드러내는 도구여야 한다.

3. 계산: 계산은 맡기되, 지표 정의는 직접 한다

많은 실무자가 여기서 실수한다. ChatGPT에게 "고객 이탈률 계산해줘"라고 말하고, 나온 숫자를 그대로 믿는다. 그런데 이탈률은 회사마다 정의가 다르다. 30일 미사용을 이탈로 볼지, 90일 미구매를 이탈로 볼지, 무료 사용자도 포함할지, 복귀 고객은 어떻게 셀지에 따라 값이 크게 달라진다.

즉, 계산 자체보다 먼저 필요한 것은 지표의 정의다.

지표를 맡길 때는 적어도 다음 네 가지를 분명히 해야 한다.

• 모수는 누구인가

• 기간은 어디까지인가

• 제외 조건은 무엇인가

• 최종 산식은 어떻게 되는가

이 네 가지가 빠지면 AI는 대개 "그럴듯한 기본값"으로 채워 넣는다. 그리고 그 기본값이 당신 회사의 정의와 맞을 가능성은 생각보다 낮다.

분석에서 AI가 잘하는 것은 계산이다. 하지만 어떤 계산이 맞는 계산인지를 정하는 일은 여전히 사람의 몫이다.

4. 해석: 숫자가 말하는 것과 사람이 읽는 것은 다르다

이제부터가 진짜 분석이다. 평균값, 상관계수, 증가율, 세그먼트 분류는 결과가 아니다. 재료다. 분석의 핵심은 그 재료를 가지고 어떤 의미를 읽어낼 것인지 정하는 데 있다.

이 구간에서 ChatGPT는 의외로 쓸모가 크다. 숫자 자체를 만들어내는 것보다, 여러 가능성을 나란히 놓고 설명하게 할 때 강하다. 예를 들어 "3월 이탈률이 상승한 이유에 대해 가능한 가설을 세 가지 제시하고, 각 가설을 검증하기 위해 추가로 필요한 데이터를 말해줘"라고 요청하면, 해석을 성급한 결론이 아니라 검증 가능한 가설 형태로 바꿔준다.

좋은 해석은 보통 세 층으로 나뉜다.

• 관측: 무엇이 실제로 일어났는가

• 해석: 왜 그렇게 보일 수 있는가

• 결정: 그래서 무엇을 할 것인가

문제는 많은 보고서가 이 세 층을 섞어 쓴다는 점이다. "전환율이 떨어졌으므로 광고 메시지가 약해졌다"는 문장은 사실처럼 보이지만, 앞부분은 관측이고 뒷부분은 해석이다. ChatGPT에게 보고서 초안을 시킬 때는 이 구분을 명시해야 한다.

예를 들어 이렇게 지시하면 좋다.

관측된 사실, 가능한 해석, 추가 검증이 필요한 가설, 실행 제안을 구분해서 작성하라. 단정 표현 대신 근거 수준을 표시하라.

이 한 줄이 들어가면 보고서의 품질이 달라진다. 숫자는 같아도, 문장의 책임감이 달라지기 때문이다.

5. 보고서: 숫자를 요약하는 것이 아니라 의사결정을 돕는다

분석 보고서는 숫자 모음집이 아니다. 읽는 사람이 "그래서 뭘 알아야 하지?"를 덜 묻게 만드는 문서다.

ChatGPT는 보고서 초안을 만드는 데 특히 유용하다. 표와 차트를 바탕으로 경영진 요약, 팀 공유용 메모, 회의용 발표 문안, 이메일 초안까지 빠르게 만들 수 있다. 다만 여기서도 원칙은 같다. 초안은 맡기되, 관점은 넘기지 않는다.

좋은 보고서를 위해 ChatGPT에 줄 수 있는 지시는 생각보다 구체적이어야 한다. 예를 들어 이렇게 말할 수 있다.

"임원 보고용 1페이지 요약으로 작성해줘. 핵심 메시지는 3개만 남기고, 각 메시지마다 근거 수치 1개와 시사점 1개를 붙여줘. 확정 사실과 가설은 문장 수준에서 구분해줘."

이 요청은 단순한 문장 다듬기가 아니다. 무엇을 버리고 무엇을 남길지 선택하는 편집 지시다. 분석가는 숫자를 읽는 사람인 동시에, 숫자를 압축하는 편집자이기도 하다.

데이터 인터프리터를 믿어도 되는 범위

ChatGPT를 분석에 잘 쓰는 사람은 "뭘 시킬까" 못지않게 "어디까지만 믿을까"를 분명히 정한다.

실무적으로 보면 데이터 인터프리터는 새 CSV를 빠르게 훑는 탐색적 분석, 정리용 코드 생성, 기본 시각화, 요약 통계, 간단한 SQL 초안, 반복적인 파일 변환에 매우 유용하다.⁴ 반면, 아주 큰 데이터셋, 실시간 데이터, 여러 세션에 걸친 반복 분석, 복잡한 운영 환경 의존성이 있는 작업에는 약하다.⁴

더 중요한 한계도 있다. 숫자 분석에서의 실패는 대개 "모르겠습니다"가 아니라 "확신에 찬 오답"으로 나타난다.⁴ 시계열 데이터의 결측 구간을 눈치채지 못하거나, 전년 대비 계산에서 분모가 0인 경우를 매끄럽게 넘겨버리거나, 조인 기준이 어긋난 상태에서 그럴듯한 비교표를 내놓을 수 있다.

즉, 믿어도 되는 범위는 대략 이렇다.

초기 탐색과 작업 가속에는 강하게 믿어도 된다. 최종 숫자와 비즈니스 해석에는 반드시 검증을 붙여야 한다.

이 선을 모르면, AI는 시간을 아껴 주다가도 한 번에 신뢰를 잃게 만든다.

검증 워크플로우를 따로 만들어라

분석에서 검증은 마지막에 하는 덤이 아니다. 처음부터 설계해야 하는 작업이다. 가장 좋은 방법은 ChatGPT를 쓰기 전보다 검증 절차를 더 단순하고 반복 가능하게 만드는 것이다.

실무에서 유용한 검증 흐름은 다음과 같다.

첫째, 핵심 지표 하나는 반드시 다른 방식으로 다시 계산한다. ChatGPT가 계산한 전환율을 엑셀 피벗이나 원본 SQL로 다시 맞춰 보는 식이다. 중요한 숫자는 늘 두 번 계산되어야 한다.

둘째, 샘플 행을 직접 본다. 집계표가 맞아 보여도, 실제 원본 20행만 보면 잘못된 매핑이나 날짜 필터 오류가 바로 드러나는 경우가 많다.

셋째, 사용한 코드와 처리 과정을 확인한다. 데이터 인터프리터는 종종 내부에서 실행한 코드나 세부 단계를 보여준다. 이 기능은 단순한 호기심용이 아니다. 무엇을 기준으로 결측치를 처리했고, 어떤 열을 숫자로 바꿨는지, 어떤 행을 제외했는지 확인하는 감사 로그에 가깝다.⁵

넷째, 제외 조건과 정의를 문서화한다. "환불 제외", "테스트 계정 제외", "한국 기준 월말 집계", "첫 구매 고객만 포함" 같은 조건을 보고서 어딘가에 남겨야 한다. 그래야 다음 달 보고서와 숫자가 달라졌을 때 이유를 추적할 수 있다.

다섯째, 최종 문서는 사실과 해석을 나눠 쓴다. 이 원칙 하나만 지켜도 AI가 만든 그럴듯한 문장이 조직 안에서 과장된 사실로 떠도는 일을 크게 줄일 수 있다.

검증은 AI를 못 믿어서 하는 일이 아니다. 사람도 틀리고, 엑셀도 틀리고, SQL도 틀린다. 검증은 분석을 믿을 수 있게 만드는 유일한 절차다.

자주 생기는 착각 세 가지

분석 업무에서 ChatGPT를 처음 잘못 쓰는 사람은 비슷한 착각을 한다.

첫 번째 착각은, 차트가 있으면 분석이 끝났다고 믿는 것이다. 아니다. 차트는 시각적 요약일 뿐이다. 중요한 것은 왜 그 모양이 나왔는지 설명하는 구조다.

두 번째 착각은, 평균과 상관계수를 보면 원인을 안다고 생각하는 것이다. 아니다. 대부분의 숫자는 현상을 보여줄 뿐, 원인을 증명하지 못한다. AI는 특히 이 틈을 그럴듯한 문장으로 메우는 데 능하다.

세 번째 착각은, 자동화가 많이 될수록 분석가의 역할이 줄어든다고 느끼는 것이다. 실제로는 반대다. 반복 작업이 줄수록 정의, 해석, 검증, 설명의 비중이 커진다. 결국 분석가의 일은 사라지지 않는다. 단순 노동에서 책임 노동으로 이동할 뿐이다.

분석가는 이제 숫자의 통역사다

좋은 분석가는 숫자를 대신 계산하는 사람이 아니라, 숫자가 조직 안에서 오해되지 않게 만드는 사람이다. ChatGPT는 이 일을 훨씬 빠르게 도와준다. 스프레드시트를 정리하고, 차트를 만들고, 보고서 초안을 쓰고, 반복 계산을 대신해 준다. 이 정도만으로도 생산성은 크게 오른다.

하지만 정말 중요한 것은 그다음이다. 어떤 질문을 먼저 던질지, 어떤 숫자를 끝까지 의심할지, 어느 문장을 사실로 승인할지 결정하는 일. 바로 그 지점에서 사람의 가치가 생긴다.

분석을 맡긴다는 것은 생각을 포기한다는 뜻이 아니다. 오히려 반대다. 기계에게 계산을 맡겼기 때문에, 이제 당신은 더 많이 판단해야 한다.

그리고 좋은 분석의 마지막 문장은 늘 비슷하다.

"이 숫자는 여기까지는 사실이고, 여기서부터는 해석이며, 이 결정을 내리기 전에 이것만 더 확인하자."

그 문장을 쓸 수 있다면, 당신은 이미 ChatGPT를 계산기 이상으로 쓰고 있는 것이다.

참고

¹ChatGPT로 데이터 분석 - OpenAI Help Center

²Use ChatGPT with spreadsheets

³How to Generate Reports from Excel Data Using ChatGPT

⁴ChatGPT for Data Analysis: A Practical Guide with Real Examples (2026)

⁵How to Use ChatGPT Code Interpreter: Complete Workflow for Data Analysis — Tilburg.ai Blog