[스터디 노트]BDAI 원데이클래스 후기 - Claude를 활용한 AI 데이터 분석

해당 원데이클래스는 "AI 시대에 데이터 분석가는 어떤 역할을 해야 하는가?"에 대한 본질적인 고민과 함께,
Claude 생태계(Projects, Skills, Sub-agents, Claude Code)를 실무 파이프라인에 어떻게 녹여낼 수 있는지
배운 뜻깊은 시간이었다. 강의 중 핵심으로 다뤄진 내용과 인사이트를 정리해보았다.

 

---

1. AI 시대 데이터 분석: 인간과 AI의 역할 분담

AI 기술이 고도화될수록 분석 프로세스 전반의 역할 분담이 명확해지고 있다.

• 인간의 영역 (판단과 의사결정):
  • 문제 정의: 풀고자 하는 비즈니스 문제를 명확히 규정하는 능력
  • 맥락 제공: 사내 암묵지, 최근 비즈니스 이슈, 도메인 지식 주입
  • 해석 및 의사결정: 통계적 수치 너머의 비즈니스 임팩트와 실행 난이도, 우선순위 판단
• AI의 영역 (처리 및 산출):
  • 데이터 수집 및 정제: 결측치 처리, 전처리 자동화
  • 연산 및 분해: 지표 계산, 통계 검정, 퍼널 분석 쿼리 실행
  • 초안 산출물 작성: 정형화된 보고서 템플릿 작성 및 코드 생성

 

Insight: 단순히 SQL을 짜고 시각화 도구를 다루는 기술적 스킬셋보다, **"좋은 질문을 던지고 올바른 비즈니스 문제를 정의하는 기획적 역량"**이 분석가의 가장 큰 차별점이다. 

 

 

---

2. 분석의 성패를 가르는 핵심: 데이터 품질과 컨텍스트 관리

AI에게 무작정 분석을 시키면 할루시네이션(환각)이나 잘못된 지표 왜곡이 발생한다. 이를 위한 핵심 장치들이 필요하다.

1) 시맨틱 레이어(Semantic Layer)와 지표 딕셔너리

부서마다 KPI 집계 방식(분자/분모, 집계 기준, 제외 조건)이 다르면 AI의 분석 결과도 왜곡된다.

• 해결책: 지표 정의서, 데이터 스키마(테이블/컬럼 설명), 제외 조건(예: 봇 트래픽 제외)을 Markdown(.md) 형태의 사전으로 표준화하여 관리한다.

2) Projects를 통한 컨텍스트 고정

• 매 분석마다 프롬프트를 길게 작성하는 대신, Project Knowledge에 지표 정의서, 스키마, 비즈니스 룰을 고정해 일관된 기준을 유지한다.

 

---

3. Claude Skills 구축 가이드

Claude Skills는 특정 분석 작업을 일관되고 높은 품질로 수행할 수 있도록 절차, 룰, 검증 기준, 출력 형식을 표준화해 둔 Markdown(.md) 지침서.

스킬 정의 5대 핵심 요소

1. 목표 및 역할 (Goal & Role): 수행할 역할 명시 (예: 퍼널 이탈 분석가, 통계 가설 검증기)
2. 입력 데이터 스키마 (Inputs & Prerequisites): 필수 컬럼, 지표 정의, 파라미터
3. 분석 프로세스 (Step-by-Step Instructions): 정제 규칙, 계산 공식, 통계 검정 절차
4. 검증 체크리스트 (Validation Rules): 상관관계와 인과관계 오인 방지, 이상치 기준
5. 출력 포맷 및 톤앤매너 (Output Format): 비즈니스 액션 중심의 요약, 테이블 템플릿

# [Skill] 이커머스 퍼널 전환율 분석

## 1. 목적
사용자 행동 로그 데이터를 기반으로 퍼널 단계별 전환율과 이탈 원인을 분석하고 개선 액션을 도출한다.

## 2. 필수 지표 및 계산식
- 단계 전환율: (현재 단계 도달 수 / 직전 단계 도달 수) * 100
- 전체 전환율: (최종 구매 완료 수 / 최초 랜딩 수) * 100
- 제외 조건: 체류시간 0초(봇 트래픽), 사내 테스트 계정

## 3. 실행 프로세스
1. 데이터 이상치/중복 이벤트 확인 및 정제
2. 단계별 전환율 및 이탈률 계산 (표 형태)
3. 표본 수에 따른 통계적 유의성 검정

## 4. 검증 체크리스트
- [ ] 특정 브라우저/기기별 편향이 존재하는가?
- [ ] 단순 상관관계를 기능 오류로 단정 짓지 않았는가?

## 5. 출력 형식
- **Executive Summary**: 핵심 병목 구간 요약 (3줄 이내)
- **Funnel Table**: 단계 / 진입 수 / 이탈 수 / 전환율(%)
- **Action Items**: 비즈니스 임팩트와 실행 난이도를 고려한 우선순위 제안

 

 

---

4. Sub-agents 설계 및 워크플로우

단일 프롬프트로 모든 것을 처리하기보다, 최소한의 필수 역할을 분리한 서브 에이전트(Sub-agents) 구조를 설계하는 것이 성능 유지에 유리하다.

• Agent 1 (전처리): 이상치 정제, 스키마 정합성 확인
• Agent 2 (분석): 지표 계산 및 원인 후보 탐색
• Agent 3 (검증 - QA Reviewer): 상관관계-인과관계 오인 방지, 팩트와 가설 분리
• Agent 4 (리포트): 결론 → 근거 → 해석(비즈니스 액션) 구조의 보고서 작성

작성 팁: 에이전트 프롬프트에는 Role, Responsibilities, Allowed Skills, Decision Scope(결정 권한 한계), Do / Don't 및 Anti-patterns를 명확히 지정해야 의도치 않은 환각을 줄일 수 있다.

---

5. 분석 방법론: RCA와 메트릭 하이라키

1) Root Cause Analysis (RCA)

표면적인 현상에 그치지 않고, 가설 검증 트리(MECE)를 통해 근본 원인을 파악한다.

• 진행 순서: 현상 확인 → 지표 분해 → 변화 지점 탐색 → 원인 후보 탐색 → 검증 질문 정의

2) 비즈니스 대시보드 및 시각화 원칙

• 피해야 할 시각화: 3D 차트, 이중 Y축, 과도한 방사형(레이더) 차트, 카테고리가 많은 파이 차트, 무지개색 팔레트, 불필요한 장식용 그래픽
• 시각화 목적: 사용자 행동 데이터(Amplitude, Mixpanel 스타일 벤치마킹)와 비즈니스 데이터(BI 도구 벤치마킹)를 명확히 구분하여 핵심 메시지 전달에 집중한다

 

회고)

 

AI 도구가 고도화될수록 "데이터 전처리나 쿼리 작성" 자체의 장벽은 급격히 낮아지고 있다고 것을 또 다시 깨닫는 시간이었다. 결국 경쟁력은 비즈니스 맥락을 정확히 이해하고, 지표를 엄밀하게 정의하며, AI가 올바른 답을 낼 수 있도록 워크플로우를 아키텍팅하는 능력에 있다.
+) 강사님께서 유튜브에 해당 강의를 올리셔서 관심있으신 분은 아래 영상을 참고하면 좋을 것 같습니다. :)

https://youtu.be/I01QOVFR4DA?si=RNJBSzXwgLnB7t3w