배당캘린더 프로젝트 요약
한 사이트에서 배당락일을 비정기적으로 수작업 확인하던 비개발자가, Claude Code와 이틀 만에 배당킹 58종목 → 285종목(배당주 등급별 포함) 배당 캘린더를 만들었습니다.
바쁘시면 이것만 읽어도 돼요:
도구/목표: 배당킹 데이터 수집·저장·화면까지 완성. 비정기적 수작업 확인 → 자동 갱신 화면.
가장 큰 깨달음: "무료"라던 데이터도 실제론 유료로 넘어가는 경우가 많아, 기획 초반 소스 검증이 프로젝트를 살렸습니다.
인상적이었던 순간: 화면이 텅 빈 사고 — 알고 보니 테스트가 실수로 진짜 데이터를 지운 것. "DB를 직접 확인해봐"라고 시켰더니 바로 원인이 드러났습니다.
확장성: 배당주 등급별 추가, 구조 변경 없이 종목 58개 → 285개.
교훈: AI가 빨라도 뭘 만들지·어떤 소스를 믿을지는 제 판단, 방향만 주면 나머지는 AI가 채웠습니다.
이 프로젝트가 유용한 사람들
AI로 개인용 투자 자동화 시스템을 만들어보고 싶은 비개발자
배당락일·배당금을 매번 찾아보기 번거로운 개인 배당 투자자
"데이터 수집 + 웹 화면"으로 원하는 대시보드를 구현해보려는 분
배당락일 확인의 어려움
배당주에 관심이 있지만, "언제 사야 이번 배당을 받는지(배당락일)" 확인이 늘 번거로웠습니다. 종목마다 사이트에 일일이 들어가 확인해야 했고, 정기적으로 챙기지 못하다 보니 바쁠 땐 그냥 놓치기도 했습니다.
문제는 그다음이었습니다. 이런 금융 데이터를 어디서 구하는지조차 몰랐던 겁니다. 찾아보니 금융 데이터를 제공하는 API·소스가 실제로 있었고, "이걸 자동으로 모아 한 화면에서 보자" 가 시작이었습니다.
돌아보면 이건 더 큰 여정의 첫걸음이었습니다. 종목을 추천해주는 게 아니라, 판단에 필요한 자료를 정리하고 그 과정을 기록하는 투자 에이전트를 향한 시작 — 그 첫 단계가 이 배당 캘린더입니다.
사용된 도구와 기술
도구: Claude Code
모델: Claude Opus 4.8
함께 쓴 것: Supabase(클라우드 DB), Next.js(웹 화면). 모두 AI가 설치·연결까지 진행
특이사항: 요구사항과 방향만 정해주는 방식으로 협업
데이터 파이프라인 설계
데이터가 3단계를 거쳐 화면까지 옵니다.
┌───────────────────────────────────────────────────┐
│ ① 해외 사이트에서 데이터 가져오기 │
│ │
│ 해외 배당 정보 사이트에서 배당킹 · 등급별 정보 확인 │
│ 엑셀(xlsx)을 자동 다운로드하고, 회사명 · 배당락일 등을 추출 │
└───────────────────────┬─────────────────────────────┘
│
▼
┌───────────────────────────────────────────────────┐
│ ② Supabase(클라우드 데이터베이스)에 저장 │
│ │
│ 내 PC에서 도는 파이썬 파이프라인이 │
│ ⓐ 원본을 먼저 그대로 저장하고 │
│ ⓑ 종목별 · 배당 내역별 표로 다시 정리해 저장 │
└───────────────────────┬─────────────────────────────┘
│
▼
┌───────────────────────────────────────────────────┐
│ ③ 대시보드(캘린더 화면) 설계 │
│ │
│ 배당락일 데이터를 1년치 일정으로 변환하고, │
│ 웹앱(Next.js)이 Supabase에서 바로 읽어와 │
│ 월별 캘린더에 배당락일 · 배당금 · 등급을 표시 │
└───────────────────────────────────────────────────┘
왜 원본을 먼저 저장했나 — 정리 방식을 나중에 바꿔도 원본이 있으면 다시 안 받아도 되기 때문입니다. 덕분에 ③을 여러 번 바꿔도 ①·②는 그대로 뒀습니다.
AI 활용 과정과 인사이트
위 구조를 만드는 동안 AI와 어떻게 협업했는지, 4단계 과정과 인사이트입니다.
데이터 소스 검증의 중요성
코딩보다 먼저 한 건 데이터 소스 검증이었습니다. "무료"라고 적혀 있어도 실제로는 로그인·유료 구독 결제로 넘어가는 곳이 흔했습니다.
해외 사이트는 내가 필요한 정보를 제공하는지, 무료로 수집 가능한지 확인하고 알려줘.
검토한 소스는 자산화 문서로 작성해줘.
AI가 국내·미국의 여러 배당 데이터 제공처를 하나씩 확인해(직접 다 열어봤다면 하루 넘게 걸렸을 일) 무료 여부·업데이트 주기·신뢰도를 표로 정리했습니다. 이 중 진짜 무료로 자동 다운로드되는 신뢰할 수 있는 곳을 최종 소스로 확정하고 문서로 남겼습니다.
인사이트: 금융 데이터는 틀리면 실제 손해로 이어집니다. AI에게 "확인해봐"가 아니라 "직접 접속해서 근거를 문서로 남기며 확인해봐"라고 구체적으로 시키는 게 검증의 질을 갈랐습니다.
화면 범위 결정의 중요성
"내가 실제로 매번 확인하고 싶은 화면이 뭔가"를 먼저 좁혔고, 답은 월별 배당락일 캘린더였습니다. AI는 이 방향으로 폴더 구조·DB 스키마·작업 단계를 문서로 정리했습니다.
인사이트: 데이터는 많은데, 어떤 데이터를 보고 싶은지에 대한 의도는 사람이 정합니다.
확장 가능성 탐색
배당킹 종목 캘린더가 완성된 뒤, 다른 배당주 그룹도 볼 수 있는지 물었습니다.
현재 배당킹만 포함되어 있는데 다른 그룹도 추가할 수 있나요?
AI가 소스의 46개 리스트를 하나하나 확인해(직접 열어봤다면 한참 걸렸을 일) 배당락일 정보가 있는 4개만 가려냈고, 처음부터 확장 가능하게 설계해둔 덕분에 큰 틀을 새로 짜지 않고 붙일 수 있었습니다. 종목은 58개에서 285개로, 배당 일정은 228건에서 1,155건으로 늘었고, 겹치는 종목은 AI가 알아서 중복 없이 정리했습니다.
합치고 나니 리스트마다 정보량이 달라 배당락일이 빈 종목들이 보였습니다. 소스 하나일 땐 안 보이던 구멍이 여러 소스를 합치자 드러난 겁니다. 채울지 말지는 AI가 대신 정할 수 없어, 지금도 수작업 검토 과제로 남아 있습니다.
인사이트: 확장을 염두에 둔 설계 덕분에 질문 하나로 범위를 크게 넓혔지만, 소스를 합쳐 생기는 결측까지 자동으로 메워지진 않습니다. 채울지 판단하는 덴 여전히 사람 손이 필요했습니다.
실수 대응과 교훈
작업 중 캘린더가 갑자기 텅 비었습니다.
캘린더는 왜 내용이 안보이나요?
AI가 화면이 아니라 데이터베이스를 직접 조회해, 배당 일정 테이블 자체가 비어 있는 걸 확인했습니다.
원인과 조치: 자동 테스트가 "2097년"이라는 가짜 날짜를 써서 실제 데이터와 안 섞일 거라 가정했지만, 테이블이 "같은 데이터인지" 판단하는 기준(종목+배당락일)엔 그 날짜가 없었습니다. 그래서 테스트가 저장한 값이 진짜 데이터를 덮어썼고, 정리(삭제) 작업이 그 데이터까지 같이 지웠습니다. 복구 후에는 테스트 데이터에 "이건 테스트"라는 식별자를 붙이고, 그 식별자를 판단 기준에도 포함시켜 다시는 건드릴 수 없게 만들었습니다.
인사이트: 자동화 작업이 실제 데이터베이스를 건드릴 땐 "격리했다고 생각한 방식이 시스템의 실제 판단 기준과 같은지"를 사람이 한 번 더 확인해야 합니다. "테스트니까 안전하겠지"는 가정일 뿐, 검증은 아닙니다.
네 단계를 거치며 느낀 것 — 데이터는 AI가 빨리 모아도, 어떤 게 의미 있고 어떻게 해석할지는 배당·투자에 대한 제 지식과 경험 없인 안 됐습니다.
프로젝트 결과와 성과
Before vs After
항목
Before
After
배당락일 확인
한 사이트에서 종목마다 비정기적 수작업 확인, 가끔 놓침
자동 수집·저장돼 한 화면(월 캘린더)에서 한눈에
화면 구성
모바일앱·웹서비스의 기성 구조에 의지
나에게 맞는 화면으로 직접 구성해서 봄
결과물
배당 캘린더: 월별 배당락일 + 배당금·수익률·등급·D-day, 종목 클릭 시 상세 이동. 4개 그룹을 화면에서 켜고 끌 수 있음
(단, 소스에 배당락일 정보가 없는 일부 종목은 아직 빈칸)
녹색 배경에 한글이 적힌 달력
AI 활용 팁과 주의사항
효과적이었던 것
데이터 소스는 기획 초반에 직접 검증
화면 범위는 AI가 아니라 내가 결정
"증상"이 아니라 "실제 상태"를 확인시키기
이렇게 하면 안 돼요
"무료" 표기만 믿고 시작
격리 방식을 검증 없이 믿기
다른 업무에의 적용 가능성
흩어진 정보를 자동으로 모아 한 화면에 보여주는 건 어디에나 통합니다: 경쟁사 가격 모니터링, 뉴스 스크랩 대시보드, 팀 지표 현황판 등.
핵심 패턴은 동일합니다 — 소스 검증 → 보고 싶은 화면 좁히기 → 자동 수집 → 데이터베이스 저장 → 화면 구현.
향후 계획과 발전 방향
개인 관심 포트폴리오 추가 — 전체 종목이 아니라 관심 있거나 실제 보유한 종목만 골라보기
금융 에이전트 관련 깃허브 스킬 스터디 — 다른 사람들은 AI로 금융 데이터를 어떻게 다루는지 참고
투자 에이전트는 "추천"이 아니라 "판단 지원" 도구로 설계 — 종목을 추천하는 게 아니라, 판단 근거 자료를 정리하고, 판단 과정을 기록·회고하고, 예측과 실제 결과를 비교하는 방향. 인과관계를 추적하는 워크플로우(GraphRAG 등) 실험
재사용 가능한 프롬프트 모음
프롬프트 1: 데이터 소스 검증
내가 [주제] 데이터를 모으려고 해. 후보 사이트들이 실제로 필요한 정보를 주는지, 진짜 무료로 자동 수집이 가능한지, 갱신 주기와 신뢰도를 하나씩 직접 확인해서 표로 정리해줘. 무료라고 적혀 있어도 실제 접근해보고 유료 전환 여부까지 확인해줘. 검토 결과는 문서로 남겨줘. [주제]를 본인 상황에 맞게 바꾸세요.
프롬프트 2: 화면 범위 좁히기
[주제] 관련 데이터가 많아. 다 보여주려 하지 말고, 내가 실제로 반복해서 확인하고 싶은 화면이 뭔지 같이 정리해보자. 후보 화면 구성을 2~3개 제안하고, 각각 어떤 데이터가 필요한지도 알려줘.
프롬프트 3: 문제 원인 추적
화면에 [증상]이 보이는데, 화면(증상)만 보지 말고 데이터베이스/응답을 직접 확인해서 실제 상태를 근거로 원인을 짚어줘.
