데이터와 스프레드시트 활용

숫자를 다루는 AI는 '계산기'가 아니라 '분석 보조자'다

엑셀 파일을 열었는데 열이 40개, 행이 3만 개쯤 있다고 상상해보자. 날짜는 2026-01-03, 1/3/26, 2026년 1월 3일이 뒤섞여 있고, 매출액에는 ₩1,200,000과 1200000이 함께 들어 있다. 고객명은 ABC Inc., ABC, A.B.C처럼 제각각이고, 중간중간 빈칸도 보인다. 이 파일을 보고 상사가 말한다.

"이번 주 안에 제품별 매출 추이랑 고객 피드백 요약 좀 뽑아주세요."

예전 같으면 피벗테이블을 만들고, 수식을 검색하고, 오류가 나면 다시 고치고, 차트를 만들다가 한숨을 쉬었을 것이다. 이제는 ChatGPT, Claude, Gemini 같은 AI에게 파일을 올리거나 스프레드시트 안에서 직접 AI를 호출해 상당 부분을 맡길 수 있다. OpenAI는 스프레드시트 안에서 ChatGPT가 기존 수식과 구조를 활용해 모델을 만들고 분석하고 업데이트할 수 있는 ChatGPT for Excel을 베타로 공개했고, ChatGPT 스프레드시트 앱 역시 자연어 설명만으로 설문 분석, 재무 모델, 사업계획서용 시트 등을 만들 수 있다고 소개한다.¹ Google도 Gemini in Sheets에서 데이터에 대한 질문에 답하고, 추세와 상관관계를 찾고, 차트를 생성하는 기능을 제공한다.²

하지만 여기서 가장 중요한 원칙이 있다. AI는 숫자 업무를 빠르게 만들어주지만, 숫자의 책임까지 대신 져주지는 않는다. 글쓰기에서 AI의 문장이 어색하면 고치면 된다. 그러나 매출 합계가 틀리면 의사결정이 틀어진다. 고객 세그먼트가 잘못 나뉘면 마케팅 예산이 엉뚱한 곳으로 간다. 그래서 데이터와 스프레드시트 작업에서 AI를 쓸 때는 "분석해줘"가 아니라 "어떤 기준으로 정리하고, 무엇을 계산하고, 어떻게 검증할 것인가"를 함께 설계해야 한다.

이 장의 목표는 엑셀을 AI로 대체하는 것이 아니다. 엑셀, 구글 시트, CSV, 피벗테이블, 차트, 함수, 고객 피드백 분석을 AI와 함께 운영하는 법을 익히는 것이다. AI를 옆자리 분석 보조자처럼 쓰되, 최종 승인자는 항상 당신이어야 한다.

데이터 분석은 질문이 아니라 청소에서 시작된다

많은 사람이 AI에게 파일을 올리자마자 이렇게 묻는다.

이 데이터에서 인사이트를 찾아줘.

운이 좋으면 그럴듯한 요약이 나온다. 문제는 그 요약이 맞는지 알 수 없다는 데 있다. 데이터가 지저분하면 AI는 지저분한 데이터를 바탕으로 그럴듯한 결론을 만든다. 지역명이 서울, Seoul, SEOUL, 서울시로 섞여 있으면 AI가 이를 하나의 지역으로 묶을 수도 있고, 서로 다른 값으로 계산할 수도 있다. 매출액 열에 부가세 포함 금액과 제외 금액이 섞여 있으면 아무리 멋진 차트를 그려도 의미가 없다.

그래서 AI 데이터 분석의 첫 단계는 분석이 아니라 전처리다. 전처리는 원본 데이터를 분석 가능한 상태로 정리하는 작업이다. 어렵게 들리지만 핵심은 단순하다. 같은 것은 같게 만들고, 비어 있는 것은 표시하고, 이상한 것은 따로 빼놓는 것이다.

AI에게 파일을 올린 뒤 처음 요청해야 할 일은 "결론"이 아니라 "데이터 상태 점검"이다.

이 파일을 분석하기 전에 데이터 품질을 먼저 점검해줘.

확인할 항목:
- 전체 행 수와 열 수
- 각 열의 의미 추정
- 날짜, 금액, 수량처럼 형식 통일이 필요한 열
- 누락값이 있는 열과 개수
- 중복으로 보이는 행
- 이상치로 의심되는 값
- 분석 전에 정리해야 할 문제

아직 인사이트를 내지 말고, 먼저 데이터 점검 보고서 형태로 정리해줘.

이 요청은 AI에게 "성급하게 결론 내지 말라"는 안전장치를 건다. 데이터 분석에서 가장 위험한 순간은 AI가 너무 빨리 똑똑해 보일 때다. 표를 조금 훑고 곧바로 "주요 인사이트 5가지"를 말하기 시작하면, 우리는 그럴듯함에 속기 쉽다. 먼저 데이터의 모양, 빈칸, 중복, 단위, 기간을 확인해야 한다.

데이터 전처리에서 AI에게 맡기기 좋은 작업은 다음과 같다.

특히 날짜와 금액은 조심해야 한다. 03/04/2026은 3월 4일일 수도 있고, 4월 3일일 수도 있다. 1.200은 어떤 나라에서는 1.2가 아니라 1,200을 뜻할 수도 있다. AI가 형식을 "알아서" 바꿀 때가 가장 편해 보이지만, 바로 그때가 가장 위험하다.

업로드형 분석과 시트 안 호출을 구분하라

AI로 스프레드시트를 다루는 방식은 크게 두 가지다. 하나는 ChatGPT나 Claude에 엑셀·CSV 파일을 업로드하고 대화로 분석하는 방식이다. 다른 하나는 Excel이나 Google Sheets 안에서 AI 애드인, 사이드바, 함수 형태로 직접 호출하는 방식이다.

파일 업로드형 분석은 전체 데이터를 한꺼번에 살펴보고 패턴을 찾는 데 유리하다. 예를 들어 월별 매출 추이, 지역별 성과 비교, 고객 세그먼트 분석, 설문 응답 요약처럼 "전체 그림"을 보고 싶을 때 좋다. AI가 파일을 읽고, 필요한 계산을 수행하고, 표와 차트를 만들어주며, 때로는 새로운 CSV나 엑셀 파일을 생성해준다.

시트 안 호출 방식은 반복되는 행 단위 작업에 강하다. 예를 들어 고객 리뷰 5,000개를 긍정·부정·중립으로 분류하거나, 회사명을 표준화하거나, 콜노트에서 불만 키워드를 추출하거나, 각 행마다 맞춤 메시지를 만드는 일에 적합하다. Google Sheets의 Gemini처럼 사이드 패널에서 데이터에 대한 질문을 던지고 차트를 요청할 수도 있고, 특정 애드인을 통해 셀 안에서 AI 함수를 호출할 수도 있다.²

둘 중 하나만 고집할 필요는 없다. 좋은 데이터 업무 흐름은 보통 이렇게 섞인다.

먼저 파일 업로드형 AI로 데이터의 구조와 품질을 점검한다. 그다음 엑셀이나 구글 시트에서 필요한 열을 추가하고 수식, 피벗테이블, 조건부 서식을 만든다. 반복 분류나 텍스트 요약이 필요하면 시트 안 AI 함수를 사용한다. 마지막으로 다시 AI에게 정리된 결과를 보여주고 리포트 초안을 만들게 한다. 이 흐름은 "AI가 다 해주는 분석"이 아니라 "AI와 스프레드시트가 각자 잘하는 일을 나눠 하는 분석"이다.

엑셀 함수는 외우는 것이 아니라 설명하게 만들면 된다

VLOOKUP, XLOOKUP, IF, SUMIFS, INDEX-MATCH, 피벗테이블. 이름만 들어도 머리가 아픈 사람이 많다. 하지만 AI 시대에는 함수를 모두 외우는 것보다, 내가 원하는 계산을 정확히 설명하는 능력이 더 중요하다.

예를 들어 제품별 매출 합계를 구하고 싶다고 하자. 예전에는 SUMIF인지 SUMIFS인지 검색하고, 범위 순서를 헷갈리고, 절대참조 $를 빠뜨려 다시 고쳤다. 이제는 AI에게 이렇게 말하면 된다.

엑셀에서 다음 구조의 데이터가 있어.

A열: 주문일
B열: 제품명
C열: 지역
D열: 매출액
데이터 범위는 A1:D5000이고, 1행은 헤더야.

제품명별 매출 합계를 구하고 싶어.
1) SUMIFS 수식으로 만드는 방법
2) 피벗테이블로 만드는 방법
3) 제품명이 자동으로 늘어나는 동적 배열 방식
세 가지로 설명해줘.
각 방법의 장단점도 알려줘.

이 요청의 장점은 단순히 수식 하나를 얻는 데서 끝나지 않는다는 것이다. AI는 같은 문제를 여러 방식으로 풀어주고, 어떤 상황에서 어떤 방법이 좋은지 설명해준다. 함수의 문법을 외우지 않아도 원리를 이해할 수 있다.

수식이 오류를 낼 때도 AI는 훌륭한 디버거가 된다.

다음 수식에서 #N/A 오류가 나.

=XLOOKUP(A2, 고객목록!A:A, 고객목록!C:C)

A2에는 고객 ID가 있고, 고객목록 시트 A열에도 같은 ID가 있는 것처럼 보여.
가능한 원인을 우선순위대로 설명하고,
각 원인을 확인하는 엑셀 수식도 알려줘.

AI는 보통 앞뒤 공백, 숫자와 텍스트 형식 불일치, 숨은 문자, 참조 범위 문제, 실제로 값이 없는 경우 등을 의심한다. 중요한 것은 AI가 제시한 해결책을 그대로 붙여넣기 전에 테스트하는 것이다. 수식 하나가 맞는지 보려면 전체 데이터에 적용하기 전에 5~10개 샘플 행에서 먼저 확인해야 한다.

피벗테이블도 마찬가지다. 피벗테이블은 복잡해 보이지만 본질은 "무엇을 기준으로 묶고, 무엇을 합산할 것인가"다. AI에게 메뉴 조작을 묻기보다 분석 목적을 먼저 말하자.

이 매출 데이터로 피벗테이블을 만들고 싶어.

목적: 월별·지역별 매출 추이 확인
행: 월
열: 지역
값: 매출액 합계
필터: 제품 카테고리

엑셀에서 피벗테이블을 만드는 단계와,
같은 결과를 SUMIFS 수식으로 만드는 방법을 각각 알려줘.

이렇게 질문하면 AI는 도구 사용법뿐 아니라 계산 구조도 함께 설명한다. 도구를 배우는 것이 아니라, 데이터가 요약되는 방식을 배우게 되는 것이다.

매출 분석은 '쪼개서 묻기'가 핵심이다

매출 데이터는 AI 활용의 대표적인 실전 영역이다. 하지만 "매출 분석해줘"라는 요청은 너무 넓다. AI는 평균 매출, 최고 매출 제품, 지역별 순위 같은 뻔한 결과를 내놓을 가능성이 크다. 좋은 매출 분석은 질문을 쪼개는 데서 시작된다.

먼저 분석 목적을 정한다. 매출이 왜 줄었는지 알고 싶은가? 다음 달 재고를 예측하고 싶은가? VIP 고객을 찾고 싶은가? 제품 포트폴리오를 정리하고 싶은가? 목적에 따라 같은 데이터도 전혀 다르게 읽힌다.

매출 분석의 기본 흐름은 다음과 같이 설계할 수 있다.

1. 데이터 구조와 기간을 확인한다.

2. 제품, 지역, 기간, 고객군별로 매출을 집계한다.

3. 월별 추이와 전월 대비 성장률을 계산한다.

4. 성장·감소 구간을 찾고, 그 구간을 제품·지역·채널로 다시 쪼갠다.

5. 전체 매출에 기여도가 큰 항목과 감소에 영향을 준 항목을 구분한다.

6. 차트와 요약 리포트로 바꾼다.

7. 원본 데이터와 피벗테이블로 숫자를 검산한다.

이 흐름을 AI에게 한 번에 던질 수도 있지만, 더 좋은 방법은 단계별로 진행하는 것이다. 먼저 집계를 요청하고, 그다음 추이를 보고, 그다음 원인을 파고든다.

이 파일은 2025년 1월부터 2026년 3월까지의 주문 데이터야.
주요 열은 다음과 같아.

- order_date: 주문일
- product_category: 제품군
- product_name: 제품명
- region: 지역
- customer_segment: 고객군
- revenue: 매출액
- quantity: 판매수량

1단계로 데이터 구조를 확인한 뒤,
월별 전체 매출과 전월 대비 성장률을 계산해줘.
결과는 표로 만들고,
성장률이 음수인 달은 따로 표시해줘.
아직 원인 분석은 하지 말고, 계산 결과만 보여줘.

그다음 이렇게 이어간다.

방금 계산한 결과에서 매출이 크게 감소한 달을 찾아줘.
각 감소 구간에 대해 제품군, 지역, 고객군별로 나누어
어떤 항목이 감소에 가장 크게 기여했는지 분석해줘.

출력 형식:
1. 감소 구간 요약
2. 제품군별 기여도
3. 지역별 기여도
4. 고객군별 기여도
5. 추가로 확인해야 할 가설

여기서 "기여도"라는 말을 쓸 때는 조심해야 한다. 기여도는 전체 변화량 중 특정 항목이 얼마나 영향을 미쳤는지 보는 방식이다. 예를 들어 3월 매출이 1억 원 줄었고, 그중 노트북 제품군 매출이 4천만 원 줄었다면 노트북 제품군은 감소분의 40%에 해당한다. AI가 이 계산을 해줄 수 있지만, 계산식은 반드시 확인해야 한다.

마지막으로 리포트 형태를 요청한다.

위 분석을 바탕으로 경영진에게 보고할 1페이지 요약을 작성해줘.

포함할 내용:
- 핵심 숫자 5개
- 매출 증가 또는 감소의 주요 원인
- 제품/지역/고객군별 시사점
- 다음 달에 확인해야 할 지표
- 실행 제안 3가지

주의:
확실히 데이터로 확인된 내용과,
추가 검증이 필요한 가설을 구분해서 써줘.

이 마지막 문장이 중요하다. "확인된 사실"과 "그럴듯한 해석"을 구분하지 않으면 AI 리포트는 위험해진다. 숫자는 사실처럼 보이고, 문장은 자신 있게 들린다. 그러나 데이터에 없는 원인을 AI가 상상해서 붙이면 보고서는 설득력이 아니라 위험성을 갖게 된다.

차트는 예쁘게 만드는 것이 아니라 질문에 맞게 고르는 것이다

AI에게 차트를 맡기면 막대그래프, 꺾은선그래프, 원형그래프를 빠르게 만들어준다. Gemini in Sheets는 데이터에서 차트를 생성해 시트 위에 정적 이미지로 삽입할 수 있지만, 생성된 차트가 데이터와 자동으로 연결되어 계속 업데이트되는 것은 아니므로 필요하면 다시 생성해야 한다.² 이처럼 AI가 시각화를 쉽게 만들어주더라도, 어떤 차트를 쓸지는 사람이 판단해야 한다.

차트 선택의 기준은 단순하다. 비교를 보여줄 것인가, 추이를 보여줄 것인가, 비중을 보여줄 것인가, 관계를 보여줄 것인가.

원형그래프는 조심해서 써야 한다. 항목이 3~5개 정도이고 비중 차이가 뚜렷할 때는 괜찮지만, 항목이 많아지면 읽기 어렵다. "제품군 18개의 매출 비중을 원형그래프로 보여줘"라고 하면 AI는 만들어줄 수 있다. 하지만 보기 좋은 차트와 이해하기 좋은 차트는 다르다.

AI에게 차트를 요청할 때는 차트 종류만 말하지 말고, 보여주려는 메시지를 함께 말해야 한다.

월별 매출 데이터를 시각화하고 싶어.
목적은 '3월 이후 성장세가 둔화되었는지'를 확인하는 거야.

요청:
- 월별 매출은 꺾은선그래프로 표시
- 전월 대비 성장률은 별도 막대그래프로 표시
- 성장률이 음수인 달은 강조
- 차트 아래에 해석 문장 3개 작성
- 단, 원인으로 확정할 수 없는 내용은 가설이라고 표시

좋은 차트는 숫자를 장식하지 않는다. 질문에 답한다. AI에게 "멋진 대시보드"를 요청하기 전에 "이 차트로 어떤 결정을 내려야 하는가"를 먼저 정해야 한다.

고객 피드백은 표로 바뀔 때 실행 가능해진다

숫자 데이터만 AI의 영역이 아니다. 고객 리뷰, 설문 자유 응답, 상담 기록, NPS 코멘트 같은 비정형 텍스트는 AI가 특히 잘 다루는 분야다. 비정형 텍스트란 정해진 열과 값으로 정리되어 있지 않은 문장형 데이터를 말한다. 예를 들어 "배송은 빨랐는데 앱에서 결제 오류가 계속 났어요" 같은 리뷰는 숫자만으로 처리하기 어렵다.

AI는 이런 문장을 읽고 주제, 감정, 긴급도, 개선 요청, 반복 키워드로 분류할 수 있다. Anthropic은 Claude가 고객 피드백, NPS 응답, 인터뷰 기록 등을 함께 읽고 반복되는 테마와 긴급한 불만을 찾아 업무용 워크북으로 정리하는 사례를 소개한다.³

고객 피드백 분석의 핵심은 "요약"이 아니라 "실행 과제로 연결되는 분류"다. 단순히 "고객들이 가격과 배송을 많이 언급했습니다"로 끝나면 회의에서 고개만 끄덕이고 끝난다. 실제로는 어떤 팀이 무엇을 해야 하는지까지 이어져야 한다.

다음과 같은 분류 체계를 먼저 정해두면 좋다.

AI에게 이렇게 요청할 수 있다.

이 파일에는 고객 리뷰 2,000개가 있어.
각 리뷰를 아래 기준으로 분류해줘.

분류 기준:
- 주제: 배송 / 가격 / 품질 / 앱 사용성 / 결제 / 고객응대 / 기타
- 감정: 긍정 / 중립 / 부정 / 강한 불만
- 긴급도: 낮음 / 보통 / 높음 / 즉시 대응
- 개선 요청 여부: 예 / 아니오
- 담당 부서: 제품 / 개발 / CS / 물류 / 마케팅 / 기타

출력:
1. 리뷰별 분류표
2. 주제별 빈도표
3. 부정 감정이 많은 상위 주제
4. 긴급도 '높음' 이상 리뷰의 대표 문장
5. 실행 과제 우선순위 Top 10

주의:
애매한 리뷰는 억지로 분류하지 말고 '확인 필요'로 표시해줘.

여기서도 검증이 필요하다. AI가 고객의 감정을 잘못 읽을 수 있고, 농담이나 반어법을 놓칠 수도 있다. "앱이 아주 훌륭해서 결제가 세 번이나 실패했네요"라는 문장은 표면적으로는 긍정처럼 보이지만 실제로는 불만이다. 중요한 고객군의 피드백일수록 샘플을 사람이 직접 읽어 분류 정확도를 확인해야 한다.

더 나아가 고객군별로 피드백을 나누면 인사이트의 질이 올라간다. 전체 고객은 배송을 가장 많이 언급하지만, VIP 고객은 기능 부족을 더 많이 말할 수 있다. 무료 사용자와 유료 사용자, 신규 고객과 장기 고객, 기업 고객과 개인 고객은 서로 다른 불만을 가진다.

방금 분류한 고객 피드백을 고객군별로 다시 비교해줘.

고객군:
- 신규 고객
- 재구매 고객
- VIP 고객
- 이탈 위험 고객

각 고객군에 대해:
- 가장 많이 등장한 불만 주제 3개
- 감정이 가장 부정적인 주제
- 반복 등장 키워드
- 우선 대응해야 할 실행 과제
- 대표 고객 문장 3개

전체 평균과 비교해 특정 고객군에서 과도하게 많이 나타나는 이슈를 표시해줘.

이렇게 하면 피드백은 "많이 나온 말"에서 "우선순위가 있는 일감"으로 바뀐다. AI의 진짜 가치는 요약문을 예쁘게 쓰는 데 있지 않다. 흩어진 목소리를 제품팀, 개발팀, CS팀이 움직일 수 있는 표로 바꾸는 데 있다.

AI가 만든 숫자를 검증하는 체크리스트

AI 데이터 분석에서 가장 중요한 장면은 답변을 받은 다음이다. 많은 사람이 여기서 멈춘다. "와, 차트까지 만들어줬네." 하지만 실무자는 그다음에 묻는다.

"이 숫자, 맞아?"

AI가 만든 분석 결과는 반드시 검산해야 한다. 검산은 AI를 불신해서가 아니라, 숫자 업무의 기본이다. 사람도 엑셀에서 필터 하나 잘못 걸면 틀린 합계를 낸다. AI 역시 원본 데이터 해석, 필터 조건, 기간 기준, 중복 처리, 계산식에서 실수할 수 있다.

다음 체크리스트는 AI가 만든 모든 데이터 분석 결과에 적용할 수 있다.

특히 평균과 비율은 자주 틀린다. 예를 들어 고객 만족도 평균을 낼 때 응답하지 않은 고객을 0점으로 볼지, 계산에서 제외할지에 따라 결과가 달라진다. 전환율은 구매자 수 / 방문자 수인지, 주문 수 / 클릭 수인지에 따라 의미가 완전히 달라진다. AI에게 "전환율 계산해줘"라고만 말하면 AI가 임의로 분모를 정할 수 있다.

따라서 중요한 숫자는 반드시 엑셀 계산, 피벗테이블, 원본 표와 교차 검산해야 한다. AI에게도 검증을 시킬 수 있다.

방금 계산한 월별 매출 합계를 검증해줘.

검증 방법:
1. 원본 데이터 전체 매출 합계와 월별 합계의 총합이 같은지 확인
2. 분석에 사용한 행 수와 제외한 행 수를 표시
3. 제외된 행이 있다면 제외 사유를 설명
4. 매출액이 비어 있거나 0 이하인 행을 따로 표로 보여줘
5. 사람이 엑셀에서 검산할 수 있도록 필요한 피벗테이블 구성도 알려줘

이 요청은 AI에게 "답을 내는 역할"뿐 아니라 "감사하는 역할"을 맡긴다. 데이터 업무에서는 분석자와 검토자가 분리될수록 안전하다. 혼자 일하더라도 AI에게 분석자 역할을 맡겼다면, 이어서 검토자 역할을 맡겨야 한다.

AI 데이터 분석의 한계: 지저분한 정의는 지저분한 결론을 만든다

AI가 아무리 좋아져도 해결하지 못하는 문제가 있다. 바로 정의가 모호한 데이터다.

예를 들어 고객이라는 열이 있다고 하자. 이 고객은 가입자를 뜻하는가, 구매자를 뜻하는가, 결제 계정을 뜻하는가, 배송 수령인을 뜻하는가? 매출은 주문 금액인가, 결제 완료 금액인가, 환불 차감 후 순매출인가? 활성 사용자는 로그인한 사람인가, 특정 기능을 사용한 사람인가, 유료 결제를 유지 중인 사람인가?

이 정의가 불분명하면 AI는 그럴듯한 분석을 내놓을 수 있지만, 그 분석은 틀릴 가능성이 높다. AI는 회사 내부의 암묵적 기준을 모른다. 파일에 없는 프로모션 일정, 특정 월의 시스템 장애, 영업 정책 변경, 회계 기준 변경도 모른다. 그러니 분석 전에 맥락을 줘야 한다.

좋은 데이터 분석 프롬프트에는 다음 정보가 포함되어야 한다.

분석 목적:
이번 분석은 2026년 1분기 매출 감소 원인을 찾기 위한 것이다.

데이터 설명:
- revenue는 환불 차감 전 총 주문 금액이다.
- net_revenue는 환불과 쿠폰을 차감한 순매출이다.
- 주문 상태가 cancelled인 행은 매출 분석에서 제외해야 한다.
- customer_segment의 VIP는 최근 12개월 누적 구매액 100만 원 이상 고객이다.

집계 기준:
- 월 기준은 주문일(order_date)을 사용한다.
- 지역 기준은 배송지가 아니라 고객 계정의 등록 지역을 사용한다.
- 제품군은 product_category를 기준으로 한다.

원하는 출력:
1. 월별 순매출 추이표
2. 제품군별 감소 기여도
3. 지역별 감소 기여도
4. 확인된 사실과 추가 가설 구분
5. 검증용 계산식 설명

이 정도 맥락을 주면 AI의 분석 품질이 크게 달라진다. "분석해줘"는 AI에게 운전을 맡기고 목적지를 말하지 않는 것과 같다. "어떤 길로, 어떤 기준으로, 어디까지 가야 하는지" 알려줘야 한다.

또 하나의 한계는 데이터 크기와 도구별 처리 방식이다. 일부 AI 도구는 파일 크기, 셀 수, 컨텍스트 길이에 제한이 있다. Google은 Gemini in Sheets에서 복잡한 분석의 경우 100만 셀 미만 파일에서 성능이 더 일관적이라고 안내한다.² 대용량 데이터라면 전체 파일을 무작정 올리기보다 필요한 열과 기간을 추려야 한다. 데이터베이스나 BI 도구에서 먼저 집계한 뒤 AI에게 해석을 맡기는 편이 안전할 때도 많다.

AI는 만능 BI 도구가 아니다. 그러나 좋은 질문, 깨끗한 데이터, 명확한 기준, 검증 절차가 있으면 평범한 스프레드시트를 의사결정 도구로 바꾸는 강력한 파트너가 된다.

반복 가능한 데이터 분석 워크플로 만들기

이 장에서 가장 중요한 메시지는 하나다. AI 데이터 분석은 "파일 올리고 답 받기"가 아니라 반복 가능한 업무 흐름이어야 한다.

한 번만 쓰고 끝낼 분석이라면 프롬프트를 즉흥적으로 작성해도 된다. 하지만 매주 매출 보고서를 만들고, 매달 고객 피드백을 정리하고, 분기마다 캠페인 성과를 분석한다면 템플릿을 만들어야 한다. 좋은 템플릿은 매번 같은 기준으로 데이터를 보고, 같은 방식으로 검증하며, 같은 형식으로 결과를 남기게 해준다.

다음은 실무에서 바로 쓸 수 있는 AI 데이터 분석 운영 템플릿이다.

너는 데이터 분석 보조자다.
아래 순서를 반드시 지켜 작업해줘.

[1단계: 데이터 점검]
- 행 수, 열 수, 기간 범위 확인
- 주요 열의 데이터 타입 추정
- 누락값, 중복값, 이상치 확인
- 분석 전에 정리해야 할 문제 목록 작성

[2단계: 전처리 제안]
- 열 이름 표준화 제안
- 날짜/금액/수량 형식 정리 방법 제안
- 결측값 처리 방법 제안
- 중복 처리 기준 제안

[3단계: 분석]
분석 목적: {여기에 목적 입력}
집계 기준: {제품/지역/기간/고객군 등 입력}
계산 지표: {매출, 성장률, 전환율, 평균 주문금액 등 입력}

[4단계: 시각화]
- 목적에 맞는 차트 추천
- 각 차트가 답해야 할 질문 설명
- 차트 해석 문장 작성

[5단계: 검증]
- 원본 행 수와 분석 행 수 비교
- 합계, 평균, 비율 계산식 설명
- 제외된 데이터가 있다면 사유 표시
- 사람이 엑셀에서 검산할 방법 제시

[6단계: 최종 출력]
- 핵심 요약 5줄
- 상세 분석 표
- 실행 제안
- 추가 검증이 필요한 가설

이 템플릿의 핵심은 AI에게 순서를 강제한다는 점이다. 인간 분석가도 좋은 보고서를 만들려면 점검, 전처리, 분석, 시각화, 검증, 보고의 순서를 따른다. AI도 마찬가지다. 순서를 주면 실수가 줄어든다.

데이터 업무에서 AI를 가장 잘 쓰는 사람

데이터와 스프레드시트 작업에서 AI를 잘 쓰는 사람은 엑셀 함수를 가장 많이 외운 사람이 아니다. AI에게 "월별 매출 그래프 그려줘"라고 말하는 사람도 아니다. 진짜 잘 쓰는 사람은 분석 목적을 분명히 하고, 데이터를 정리하고, 기준을 정의하고, 결과를 검증하는 사람이다.

AI는 표를 빠르게 정리한다. 수식을 설명한다. 피벗테이블 구조를 제안한다. 고객 리뷰를 분류한다. 차트를 추천한다. 리포트 초안을 쓴다. 하지만 어떤 숫자가 중요한지, 어떤 기준이 회사에 맞는지, 어떤 결론을 실행으로 옮길지는 사람이 정해야 한다.

이 장을 한 문장으로 정리하면 이렇다.

데이터 분석에서 AI에게 맡길 것은 반복과 초안이고, 사람이 책임질 것은 정의와 검증이다.

다음번 엑셀 파일을 열었을 때 막막하다면, 바로 "인사이트를 찾아줘"라고 하지 말자. 먼저 이렇게 시작하자.

이 데이터로 분석을 시작하기 전에,
데이터 품질과 분석 기준부터 함께 점검하자.

이 한 문장이 당신을 프롬프트 사용자에서 AI 데이터 운영자로 바꿔준다.

참고

¹Introducing ChatGPT for Excel and new financial data integrations

²Generate charts and valuable insights using Gemini in Google Sheets

³Analyze patterns in user feedback