비즈니스 감각 익히는 가장 효율적인 방법
데이터 분석을 공부하려는데 마땅한 데이터가 없다는 분들이 많습니다.
케글에 들어가면 데이터는 넘쳐나는데,.. 문제는 그다음이죠.
유명하다는 이유로 내려받은 데이터를 열어보면 지원하려는 회사의 업무와는 거리가 있습니다.
타이타닉 생존자를 예측하고, 아이리스 품종을 분류하고, 쇼핑몰 고객을 군집화하는 게 분석 기법을 익히기에는 괜찮지만 이 결과로 어느 회사의 어떤 결정을 도울 수 있는지 생각해보면 막막합니다.
분석할 데이터가 없는 것보다, 왜 이 데이터를 봐야 하는지 설명하기 어려운 상황에 가까워지죠.
그럴 때는 차라리 AI에게 데이터를 만들어 달라고 해보세요.
단순히 고객 1만 명의 구매 기록을 요청하는 방식은 아닙니다. 분석하고 싶은 회사와 업무를 먼저 정하고, 그 회사에서 실제로 벌어질 법한 상황을 데이터 안에 넣는 겁니다.
보통은 데이터를 먼저 찾고, 그 안에서 분석할 주제를 고르는데, 순서를 바꿔보세요.
우선 들어가고 싶은 회사를 하나 고릅니다. 아직 특정 기업을 정하지 못했다면 관심 있는 산업부터 시작해도 괜찮습니다. 처음에는 소비재나 대중적인 서비스를 운영하는 회사가 좋습니다. 온라인 쇼핑몰, 편의점, 배달앱, 화장품 브랜드, 게임회사, OTT, 숙박 플랫폼처럼 평소 이용해본 서비스라면 고객 행동을 떠올리기 쉽습니다.
쇼핑몰 고객은 상품을 조회하고, 찜하거나 장바구니에 담은 뒤 구매합니다. 배달앱에서는 음식점을 탐색하고 메뉴를 고른 다음 주문하죠. 게임에서는 접속, 플레이, 이벤트 참여, 아이템 구매, 이탈과 복귀가 이어집니다.
이용해본 서비스라야 “나라면 어디에서 망설였을까”, “회사는 어느 행동을 확인하고 싶을까” 같은 질문도 자연스럽게 나옵니다.
회사 홈페이지와 서비스 화면도 직접 살펴보세요. 채용공고, 보도자료, 공개된 IR 자료가 있다면 함께 보는 편이 좋습니다. 실제 내부 데이터를 추정해서 흉내 내려는 목적은 아닙니다.
이 회사가 어떤 상품과 고객을 다루는지, 서비스 안에서 어떤 행동이 발생하는지 알아보려는 겁니다. 채용공고에 리텐션, 프로모션 성과, 추천 영역 전환율, 판매자 관리 같은 표현이 반복된다면 해당 회사가 어떤 문제를 다룰 가능성이 높은지도 짐작할 수 있고요.
공개된 서비스 구조를 먼저 보고 데이터를 만들면 어디서나 볼 수 있는 판매 데이터보다 지원 업무에 조금 더 가까워집니다.
회사를 골랐다면 바로 데이터를 만들고 싶어질텐데, 그 전에 한 번 더 좁혀야 합니다.
“신규 고객을 분석한다.”
이 정도로는 범위가 넓습니다. 신규 고객의 가입 경로를 볼 수도 있고, 첫 구매 상품이나 재구매 주기, 쿠폰 사용, 반품 행동을 분석할 수도 있으니까요.
분석 결과로 회사가 무엇을 결정해야 하는지 먼저 적어보세요.
예를 들어, 온라인 패션 쇼핑몰이라면 이런 질문이 가능합니다.
① 다음 달 광고비를 어느 유입 채널에 더 배분할 것인가
② 첫 구매 할인쿠폰을 계속 운영할 것인가
③ 첫 구매 이후 언제 어떤 메시지를 보낼 것인가
④ 어떤 상품을 신규 고객용 대표 상품으로 노출할 것인가
⑤ 반품률이 높은 상품의 광고를 줄일 것인가
“신규 고객을 분석한다”보다 “어느 유입 채널에 광고비를 더 배분할 것인가”가 데이터 설계에 훨씬 도움이 됩니다.
결정할 일이 정해지면 필요한 정보가 보이기 시작합니다. 채널별 가입자 수와 첫 구매 전환율을 비교해야 하고, 광고비까지 고려하려면 고객 획득비용도 있어야 합니다. 주문금액은 높지만 반품이 많을 수 있으니 반품 여부와 실제 매출도 구분해야 하고요.
무엇을 결정하려는지가 데이터의 컬럼까지 바꾸는 셈입니다.
AI에게 “온라인 쇼핑몰의 고객 1만 명과 구매 데이터를 만들어주세요”라고 요청하면 대체로 반듯한 데이터가 나옵니다. 매출은 조금씩 증가합니다. 인기 상품은 계속 잘 팔리고, 고객 집단도 적당한 비율로 나뉩니다. 중복과 결측치는 거의 없고요. 깔끔합니다.
그런데 어디를 더 봐야 할지는 잘 떠오르지 않습니다. 월별 매출을 집계하고, 카테고리와 연령대별로 나눈 뒤 분석이 끝나기 쉽죠. 실제 분석에 가까운 연습을 하려면 데이터 안에 사건이 있어야 합니다.
먼저 AI에게 이 회사에서 일어날 법한 상황을 추천해달라고 해보세요.
"온라인 패션 쇼핑몰에서 실제로 발생할 법한 매출·고객·상품·프로모션 관련 상황을 추천해 주세요.
데이터 분석을 통해 원인을 단계적으로 찾아갈 수 있어야 합니다. 단순히 매출이 증가하거나 감소하는 상황보다 고객 집단, 상품 카테고리, 유입 채널, 할인, 재구매, 반품 등의 요인이 복합적으로 얽힌 상황이면 좋겠습니다.
최소 10가지를 제안하고, 각 상황을 분석하려면 어떤 데이터가 필요하며 어떤 질문을 해볼 수 있는지도 정리해 주세요."
추천받은 상황 가운데 5개 정도를 고릅니다.
예를 들어 신규 가입자는 늘었는데 첫 구매 전환율은 낮아질 수 있습니다. 프로모션 기간에는 주문이 크게 증가했지만 행사로 들어온 고객이 다시 돌아오지 않을 수도 있고요. 특정 상품군은 판매량이 늘어난 만큼 반품도 많아질 수 있습니다.
상황들이 서로 연결되면 분석할 거리가 더 많아집니다.
광고를 확대한 뒤 신규 고객이 늘었습니다. 그런데 이들은 할인 상품만 구매하고 떠났습니다. 겉으로는 매출이 늘었지만 광고비와 할인액을 함께 계산해보니 실제 수익은 줄었을 수도 있습니다.
하나의 변화가 고객, 상품, 비용, 재구매 지표로 이어집니다. 그러면 분석도 “매출이 올랐다”에서 멈추지 않고, 어떤 고객이 들어왔으며 그 고객이 회사에 남을 만한 고객인지까지 넘어갈 수 있습니다.
상황을 넣을 때 구체적인 결과까지 지정하고 싶을 수 있습니다.
“프로모션 후 매출이 20% 증가하고 재구매율은 10% 감소하도록 만들어주세요.”
이렇게 요청하면 나중에 이미 알고 있는 답을 찾아내는 연습이 됩니다.
차라리 방향만 정하는 편이 낫습니다.
프로모션 기간 주문이 늘지만 종료 후 재구매가 기대보다 낮게 나타나도록 설계해달라고 하세요.
어느 고객 집단에서, 얼마나 큰 차이가, 언제부터 나타날지는 AI가 정하게 둡니다.
데이터 생성 설명서도 따로 받습니다.
설명서에는 어떤 상황이 어느 기간과 집단에 반영됐는지 기록해두되, 분석할 때는 먼저 열어보지 않습니다. 실제 데이터만 보고 분석한 뒤 마지막에 설명서와 비교하는 것이죠.
내가 찾아낸 현상과 놓친 현상이 나뉩니다.
원인을 정확히 찾았다고 생각했는데 다른 변수가 함께 작용했을 수도 있습니다. 반대로 AI가 의도하지 않은 패턴을 새로 발견할 때도 있고요.
이렇게 해야 답을 확인하는 실습이 아니라, 데이터 안에서 문제를 찾아가는 실습이 됩니다.
하루나 일주일의 데이터로도 많이 팔린 상품과 평균 구매금액은 볼 수 있지만, 프로모션 전후 변화나 고객의 재구매를 보려면 기간이 더 길어야 합니다. 최소 3개월, 가능하면 6개월 정도가 적당합니다.
평상시와 행사 기간이 함께 들어가야 하고, 행사 종료 후 고객이 돌아오는지도 확인할 시간이 있어야 합니다. 주중과 주말, 월초와 월말, 계절 변화처럼 시간에 따라 달라지는 흐름도 일부 반영할 수 있고요.
행 수를 무작정 크게 만들 필요는 없습니다.
AI에 업로드한 뒤 계속 질문하며 분석할 수 있는 정도면 됩니다. 처음에는 한 번에 다룰 수 있는 CSV 파일 몇 개로 구성하는 편이 수월합니다. 파일 처리 한도 때문에 무료 계정보다는 유료 계정이 안정적이고요.
온라인 쇼핑몰이라면 다음처럼 나눌 수 있습니다.
① customer.csv : 고객 ID, 가입일, 연령대, 성별, 지역, 유입 채널
② event_log.csv : 상품 조회, 찜, 장바구니 추가, 장바구니 제거, 구매 이벤트와 발생 시각
③ order.csv : 주문 ID, 고객 ID, 주문일, 주문금액, 할인액, 배송비, 주문 상태
④ order_item.csv : 주문별 상품, 수량, 정상가격, 판매가격
⑤ product.csv : 상품 ID, 카테고리, 브랜드, 원가, 출시일
⑥ promotion.csv : 프로모션 기간, 대상 상품, 할인 방식, 노출 채널
하나의 파일로 합치면 편합니다. 다만 고객과 주문, 상품이 여러 번 반복되면서 무엇을 한 건으로 세야 하는지 헷갈릴 수 있습니다.
파일을 나누면 조금 번거롭지만 실제 업무 데이터에 가까운 연습이 됩니다. 고객 ID로 주문을 연결하고, 주문 ID로 구매 상품을 붙여야 하니까요. 고객 수를 셀 때와 주문 건수를 셀 때 분석 단위가 달라지는 이유도 자연스럽게 이해하게 됩니다.
바로 CSV 파일을 만들어달라고 하지 마세요.
먼저 파일별 역할과 컬럼, 연결 관계를 설계하게 합니다.
"온라인 패션 쇼핑몰의 신규 고객 첫 구매와 30일 재구매 전환을 분석할 수 있는 6개월 분량의 합성 데이터를 만들고 싶습니다.
고객, 행동 로그, 주문, 주문 상품, 상품, 프로모션 데이터를 서로 다른 CSV 파일로 구성해 주세요.
다음 상황이 데이터 안에서 자연스럽게 발견되도록 설계해 주세요.
① 특정 광고 채널을 통한 신규 가입 증가
② 신규 가입 증가 대비 첫 구매 전환 정체
③ 프로모션 기간 할인 상품 주문 증가
④ 프로모션 유입 고객의 낮은 30일 재구매율
⑤ 특정 카테고리의 높은 판매량과 높은 반품률
각 파일의 컬럼명, 의미, 데이터 유형, 연결 키와 분석 가능한 질문을 먼저 설계해 주세요. 아직 파일은 만들지 말고, 데이터 구조에 논리적 오류가 없는지와 추가로 필요한 컬럼을 먼저 검토해 주세요."
구조를 받았다면 하고 싶은 분석이 실제로 가능한지 확인합니다.
재구매를 보려는데 주문할 때마다 고객 ID가 바뀌면 안 됩니다. 첫 구매 전환을 계산하려면 가입일과 구매일이 모두 있어야 하고요. 프로모션 효과를 보려면 행사 기간과 대상 상품, 할인 적용 여부가 남아 있어야 합니다.
반품을 분석하면서 주문 상태를 구매와 취소로만 나눴다면 구조를 고쳐야 합니다. 결제 완료 후 반품된 주문과 결제 전에 취소된 주문은 고객 행동도, 매출에 미치는 영향도 다르기 때문입니다.
분석 질문을 미리 생각할수록 빠진 컬럼이 잘 보입니다.
파일이 완성되면 곧바로 매출 차트를 그리고 싶어집니다. 여기서 또 잠깐 멈춰야 합니다.
AI가 만든 데이터에도 오류가 들어갈 수 있습니다. 가입하기 전에 구매한 고객이 생길 수 있고, 주문 기록은 없는데 반품만 남아 있을 수도 있습니다. 주문금액보다 할인금액이 더 크거나, 고객 파일에 없는 ID가 주문 파일에 나타날 가능성도 있죠.
이 상태에서 분석하면 결과는 나오지만 무엇을 근거로 믿어야 할지 애매해집니다.
분석 전에 품질부터 확인해보세요.
"분석을 시작하기 전에 데이터 품질을 점검해 주세요.
파일별 행 수, 중복, 결측치, 이상치, 날짜 범위와 주요 범주형 값의 종류를 확인해 주세요. 파일 사이의 ID 연결 오류도 검사해 주세요.
가입일보다 빠른 구매, 주문 없는 반품, 주문금액보다 큰 할인금액, 프로모션 기간 밖의 할인처럼 비즈니스 논리에 맞지 않는 조합도 찾아주세요.
발견된 문제를 임의로 수정하지 말고, 문제 건수와 분석 결과에 미칠 수 있는 영향을 먼저 정리해 주세요."
오류가 발견됐다고 모두 삭제할 필요는 없습니다.
명백한 생성 오류라면 수정해야 합니다. 중복 주문처럼 실제 업무에서도 발생할 수 있는 문제라면 어떤 기준으로 처리할지 정해야 하고요. 극단적으로 큰 주문은 오류일 수도 있지만 실제 VIP 고객의 구매일 가능성도 있습니다.
어떤 값이 잘못됐는지 판단하려면 회사의 상품과 가격 구조를 어느 정도 알아야 합니다.
데이터를 정리하는 과정에서도 도메인 지식이 필요한 이유가 여기 있습니다.
데이터가 완성되면 새로운 AI 대화창을 여세요.
데이터를 만든 창에는 어떤 상황을 넣었는지, 어느 집단에서 변화가 일어나는지 이미 대화로 남아 있습니다. 같은 창에서 분석을 요청하면 AI가 실제 파일보다 앞에서 나눈 이야기를 바탕으로 답할 수 있습니다.
새 창에는 생성된 데이터와 컬럼 설명서만 올립니다.
상황을 기록한 설명서는 잠시 보관해둡니다. 분석이 끝난 뒤 확인하면 됩니다.
처음에는 이렇게 요청해보세요.
“이 데이터의 구조와 분석 단위를 먼저 확인해 주세요. 아직 결과를 해석하지 말고, 파일별 역할과 연결 관계, 분석 가능한 범위와 한계를 정리해 주세요.”
구조를 확인한 뒤 질문을 하나씩 이어갑니다.
전체 매출은 어떤 흐름을 보였는가.
매출 변화는 고객 수와 객단가 중 어느 쪽의 영향을 더 받았는가.
신규 고객이 늘어난 시점은 언제인가.
어느 유입 채널에서 증가했는가.
고객은 늘었는데 첫 구매 전환율도 함께 높아졌는가.
첫 구매를 한 고객은 30일 안에 다시 돌아왔는가.
앞의 결과가 다음 질문의 근거가 되어야 합니다.
처음부터 “전체 데이터를 분석하고 인사이트를 뽑아주세요”라고 요청하면 AI가 정리한 결과를 읽는 연습이 됩니다. 하나씩 물으면 달라집니다. 어떤 결과가 이상한지 직접 고르고, 다음에 무엇을 볼지 결정해야 하니까요.
이 훈련에서는 Python 코드를 사용하지 않아도 괜찮습니다.
목적이 문법을 익히는 데 있지 않기 때문입니다. 데이터를 보고 질문을 만들고, 결과에 따라 분석 방향을 바꾸는 연습이 먼저입니다.
AI에게 필요한 집계와 비교, 차트를 요청해보세요. 대신 결과를 그대로 받아들이지는 마세요.
전환율이 나왔다면 분모가 무엇인지 묻습니다. 고객 수인지, 방문 세션인지, 상품 조회 건수인지에 따라 같은 10%라도 해석이 달라집니다. 동일 고객의 반복 구매를 어떻게 처리했는지, 프로모션 전후 기간의 길이가 같은지, 취소와 반품을 매출에서 제외했는지도 확인해야 합니다.
AI가 계산을 대신할수록 이런 질문이 더 자주 필요합니다.
차트를 만드는 방법을 몰라서 틀리는 경우보다, 무엇을 한 건으로 셌는지 확인하지 않아 결과가 달라지는 경우가 생길 수 있으니까요.
분석을 이어가다 보면 어느 순간 더 물어볼 것이 생각나지 않습니다.
전체 매출을 확인했고, 성별과 연령대로 나눴습니다. 상품 카테고리별 매출과 월별 추세도 봤습니다.
그다음부터 막힙니다.
바로 그 지점이 지금 내가 볼 수 있는 분석의 범위입니다. 내 실력이 그만큼인거죠.
질문이 끊겼다면 몇 가지 방향에서 다시 볼 수 있습니다.
① 시간 : 언제부터 달라졌는가
② 집단 : 누구에게서 변화가 컸는가
③ 상품 : 어떤 카테고리가 변화를 만들었는가
④ 행동 : 조회, 장바구니, 구매 중 어디에서 차이가 생겼는가
⑤ 전환 : 어느 단계에서 고객이 빠져나갔는가
⑥ 비용 : 매출 증가가 실제 이익으로도 이어졌는가
⑦ 유지 : 한 번 구매한 고객이 다시 돌아왔는가
⑧ 비교 : 평상시, 프로모션 전, 진행 중, 종료 후가 어떻게 다른가
⑨ 예외 : 전체 흐름과 반대로 움직이는 집단은 없는가
⑩ 실행 : 이 결과로 무엇을 바꿀 수 있는가
그렇다고 질문을 많이 던질수록 분석을 잘하는 것은 아닙니다.
성별, 연령, 지역, 요일을 별다른 이유 없이 계속 나누면 질문 수는 늘어납니다. 문제의 원인에는 가까워지지 않고 분석만 옆으로 퍼질 수 있죠.
진짜 봐야 할 것은 질문 사이의 연결입니다.
신규 고객 매출이 감소했다면 고객 수와 객단가 중 무엇이 줄었는지 봅니다. 고객 수는 유지됐는데 첫 구매 전환율이 낮아졌다면 어느 유입 채널에서 변화가 컸는지 확인하고요. 특정 광고 채널의 상품 조회 후 이탈이 늘었다면 랜딩 페이지와 첫 구매 혜택을 살펴봅니다.
질문을 이어갈수록 문제의 범위가 좁아져야 합니다.
그래야 마지막에 “광고 효율을 높여야 한다”는 넓은 말 대신, 어떤 채널의 어느 화면과 혜택을 바꿔야 하는지 제안할 수 있습니다.
AI와 대화를 길게 이어가다 보면 나중에는 처음에 무엇을 물었는지 찾기 어렵습니다.
간단한 분석 기록을 따로 남겨보세요.
① 현재 질문
② 이 질문을 한 이유
③ 확인한 데이터와 계산 기준
④ 주요 결과
⑤ 현재 해석
⑥ 추가로 확인할 부분
⑦ 다음 질문
⑧ 연결 가능한 실행 제안
예를 들어 프로모션 고객의 재구매율을 확인했다고 해보겠습니다.
행사 기간 신규 주문은 늘었지만 다음 달 매출이 감소해 재구매를 살펴봤습니다. 분석 결과, 프로모션으로 들어온 고객의 30일 재구매율이 일반 신규 고객보다 낮았습니다.
여기서 바로 “프로모션 고객은 충성도가 낮다”고 끝내면 곤란합니다.
프로모션 고객이 구매한 상품군이 달랐는지, 특정 광고 채널에서 들어온 고객이 많았는지 추가로 봐야 합니다. 그래서 다음 질문은 “같은 상품군 안에서도 유입 채널별 재구매율 차이가 나타나는가”가 될 수 있습니다.
이 과정을 기록해두면 포트폴리오를 만들 때 차트를 다시 늘어놓을 필요가 없습니다.
어떤 결과를 보고 질문이 바뀌었는지, 왜 추가 분석으로 넘어갔는지를 그대로 보여주면 됩니다.
AI가 만든 데이터는 합성 데이터(Synthetic Data, 실제 데이터의 구조와 특성을 본떠 인공적으로 생성한 데이터)입니다. 분석 연습에는 충분히 활용할 수 있습니다. 지원 회사의 비즈니스 구조를 공부하고, 필요한 데이터를 직접 설계하며, 여러 상황이 얽힌 문제를 단계적으로 분석할 수 있으니까요.
그렇다고 분석 결과를 해당 회사의 실제 현황처럼 표현해서는 안 됩니다.
포트폴리오에 사용한다면 출처를 분명히 적어야 합니다.
“공개된 서비스 구조와 일반적인 이커머스 고객 행동을 참고해 AI로 생성한 합성 데이터이며, 실제 기업 데이터와 무관합니다.”
분석 목적도 시장의 사실을 밝히는 데 두지 않습니다.
이런 상황이 발생했을 때 어떤 데이터를 확인하고, 질문을 어떻게 좁혀가며, 어떤 의사결정을 제안할 수 있는지 보여주는 프로젝트라고 설명하면 됩니다. 오히려 생성 과정까지 공개하면 보여줄 수 있는 부분이 더 생깁니다.
회사를 먼저 정하고 공개 정보를 검토한 뒤, 분석 목적에 맞는 데이터 구조를 설계했습니다. 여러 비즈니스 상황도 직접 골랐고, 생성된 데이터의 오류를 검사한 다음 결과에 맞춰 질문을 이어갔습니다.
이건 누군가 만들어둔 데이터를 받아 분석한 프로젝트와는 다른 사고 과정입니다.
예전에는 공개 데이터를 구하지 못해 분석을 시작하기 어려운 경우가 많았습니다.
지금은 AI에게 원하는 구조의 데이터를 만들어달라고 할 수 있습니다. 다시 AI에 파일을 올려 집계와 시각화를 요청하는 것도 가능하고요.
그러고 나면 한 가지가 남습니다.
무엇을 물어볼 것인가.
AI는 데이터를 만들고 계산합니다. 눈에 띄는 변화를 찾아 다음 분석을 추천하기도 합니다. 그중 어느 질문이 지원 회사의 업무와 맞는지, 어떤 결과를 더 확인해야 하는지, 어디까지 확인해야 실제 행동을 제안할 수 있는지는 사람이 골라야 합니다.
그래서 AI로 만든 데이터 분석이 꽤 좋은 훈련이 됩니다.
질문이 더는 떠오르지 않을 때까지 파고들어 보세요. 그 지점에서 내가 반복해서 보던 기준과 미처 생각하지 못한 방향이 드러납니다.
다만 질문의 수만 세지는 마세요.
앞의 결과를 근거로 다음 질문을 만들었는지, 질문이 이어질수록 문제를 더 구체적으로 좁혔는지, 마지막에 회사가 무엇을 바꿔야 하는지까지 설명했는지를 봐야 합니다.
분석 실력은 데이터를 얼마나 많이 다뤘는지만으로 드러나지 않습니다.
같은 결과를 보고도 어디에서 이상함을 느꼈는지, 그다음 무엇을 확인했는지, 확인한 내용을 어떤 결정으로 가져갔는지.
AI가 계산을 더 많이 대신하게 될수록 오히려 이런 과정이 선명하게 보일 겁니다.
https://cafe.naver.com/f-e/cafes/31456716/menus/0?viewType=L
#AI데이터분석 #합성데이터 #가상데이터 #데이터분석연습 #챗GPT데이터분석 #코딩없는분석 #데이터품질 #데이터분석프로젝트 #데이터분석포트폴리오 #포트폴리오 #파워포인트 #PPT만들기 #프레젠테이션 #이력서양식 #이력서포트폴리오