사내 데이터 대시보드 생성기로 반복 리포트 업무를 자동화한 사례
2026.05.27
소개
매월 반복되는 데이터 취합 업무는 생각보다 많은 시간을 잡아먹습니다.
여러 내부·외부 시스템에 접속해 지표를 확인하고, 엑셀 파일을 열어 숫자를 복사하고, 다시 보고서용 표와 차트로 정리하는 과정이 계속 반복되기 때문입니다.
이번 사례는 이런 반복 업무를 줄이기 위해 만든 사내 데이터 대시보드 생성기에 대한 이야기입니다.
대외 공유를 고려해 실제 기관명, 시스템명, 네트워크 정보, 개인명, 상세 수치, 내부 파일명은 모두 익명화했습니다.
이 프로젝트의 목표는 단순했습니다.
여러 곳에 흩어진 성과 데이터를 한 화면에서 보기
매월 반복되는 수동 취합 업무 줄이기
지역·기간·담당자 단위의 변화를 빠르게 파악하기
캠페인이나 액션의 효과를 데이터로 확인하기
AI를 활용하되, 숫자 판단은 시스템이 먼저 계산하고 AI는 해석을 보조하게 만들기
처음에는 “월간 보고서를 조금 편하게 만들자” 정도의 생각이었지만, 개발을 진행하면서 점점 자동 수집 → 대시보드 → 캠페인 분석 → AI 인사이트 → 진단 프레임워크로 확장되었습니다.
진행 방법
1. 흩어진 데이터를 한곳으로 모으기
가장 먼저 한 일은 데이터 흐름을 정리하는 것이었습니다.
기존에는 담당자가 여러 시스템에서 필요한 수치를 확인한 뒤, 엑셀이나 문서에 옮겨 적는 방식이었습니다. 이 과정에서 시간이 오래 걸릴 뿐 아니라, 일부 월이나 일부 항목이 누락되어도 바로 알아차리기 어려웠습니다.
그래서 데이터 소스를 크게 세 가지로 나누었습니다.
월간 핵심 실적 데이터
지역별 분포 데이터
담당자 또는 구성원 단위의 상세 실적 데이터
각 데이터는 한 번에 모두 수집하는 방식이 아니라, 소스별로 누락 여부를 따로 확인하도록 만들었습니다. 예를 들어 월간 데이터는 이미 있지만 상세 실적이 비어 있다면, 전체를 다시 긁는 대신 상세 실적만 보충하는 방식입니다.
이 방식 덕분에 나중에 데이터 구조가 확장되어도 “겉으로는 수집 완료처럼 보이지만 실제로는 일부 데이터가 비어 있는 문제”를 줄일 수 있었습니다.
2. 자동 수집 엔진 만들기
반복 업무의 핵심은 결국 데이터 수집이었습니다.
브라우저로 접속해 로그인하고, 날짜를 선택하고, 표를 열고, 숫자를 확인하는 일을 자동화하기 위해 브라우저 자동화 도구를 사용했습니다.
자동 수집 엔진에서는 다음 흐름을 만들었습니다.
서버 시작 시 필요한 기간의 누락 데이터를 자동 확인
누락된 항목만 순차 수집
각 건이 끝날 때마다 즉시 저장
진행률과 오류 내역을 상태값으로 관리
특정 기관·특정 월만 수동으로 다시 수집할 수 있는 API 제공
처음에는 “한 번에 다 긁어오면 되지 않을까?”라고 생각했지만, 실제 운영에서는 그 방식이 위험했습니다.
중간에 실패하면 어디까지 성공했는지 알기 어렵고, 이미 정상인 데이터까지 다시 건드릴 수 있기 때문입니다.
그래서 최종적으로는 작게 나누고, 필요한 것만 가져오고, 성공한 건 바로 저장하는 방식으로 바꿨습니다.
3. 대시보드 화면 구성
수집한 데이터는 React 기반 대시보드에서 확인할 수 있도록 구성했습니다.
주요 화면은 다음과 같이 나누었습니다.
전체 요약 화면
개별 기관의 월간 리포트
연간 추세 화면
지역별 분석 화면
캠페인 효과 분석 화면
데이터 입력 및 보정 화면
진단 리포트 화면
초기에는 상태값만으로 화면을 전환했지만, 나중에는 URL 기반 라우팅을 도입했습니다.
이 덕분에 특정 화면을 링크로 공유하거나, 브라우저 뒤로가기를 자연스럽게 사용할 수 있게 되었습니다.
대시보드는 단순히 숫자를 보여주는 데서 끝나지 않도록 했습니다.
전월 대비 변화율
전년 동월 대비 변화율
특정 지역의 증가·감소 흐름
캠페인 전후 성과 비교
담당자별 성과 변화
비교군 대비 상대 위치
이런 정보를 한 화면에서 볼 수 있게 구성했습니다.
4. 캠페인 효과 분석 기능 추가
대시보드를 운영하다 보니 자연스럽게 이런 질문이 생겼습니다.
“이번에 진행한 캠페인이 실제 성과에 영향을 줬을까?”
그래서 캠페인 효과 분석 기능을 만들었습니다.
캠페인을 등록할 때는 기간, 비용, 대상 구성원, 관련 분야를 입력합니다. 이후 시스템이 캠페인 전·중·후 기간의 실적을 비교해 변화율과 ROI를 계산합니다.
특히 대상자를 지정하는 과정에서 사용성이 중요했습니다. 처음에는 트리 구조로만 선택하게 만들었지만, 실제로는 이름을 빠르게 검색하거나 여러 명을 한 번에 붙여넣는 방식이 훨씬 편했습니다.
그래서 다음 기능을 추가했습니다.
이름 자동완성 검색
Enter로 연속 추가
쉼표·줄바꿈 기반 대량 붙여넣기
매칭 성공/실패 항목을 칩 형태로 표시
캠페인 기간 전후를 자동 확장해 월별 흐름 표시
결과적으로 캠페인 분석은 단순한 “성과표”가 아니라, 액션 전후의 흐름을 보는 도구가 되었습니다.
5. AI 인사이트 기능은 ‘계산’과 ‘해석’을 분리
AI 기능도 추가했습니다. 다만 중요한 원칙을 하나 세웠습니다.
숫자 판단은 시스템이 하고, AI는 자연어 해석을 담당한다.
AI에게 원본 데이터를 통째로 던지고 “분석해줘”라고 하면 그럴듯하지만 틀린 해석이 나올 수 있습니다. 그래서 서버에서 먼저 지표를 계산했습니다.
시스템이 먼저 계산한 항목은 다음과 같습니다.
핵심 지표의 전월 대비·전년 대비 변화
성장 또는 하락 신호
분야별 상승·하락 항목
캠페인 전후 효과
우려 신호와 강점 신호
규모 추세의 일관성
AI에는 이 계산 결과를 전달하고, 아래 형식으로만 해석하도록 했습니다.
✅ 강점
⚠️ 약점
추가 인사이트
▶ 종합
또한 AI 호출이 실패해도 화면이 멈추지 않도록, 같은 계산 결과를 바탕으로 룰 기반 초안을 보여주게 했습니다.
이렇게 하니 AI 기능이 “있으면 좋은 장식”이 아니라, 운영 중에도 안정적으로 쓸 수 있는 보조 기능이 되었습니다.
6. 진단 프레임워크로 확장
마지막으로 대시보드를 단순 조회 도구에서 진단 도구로 확장했습니다.
진단 화면에서는 여러 영역을 카드 형태로 보여주고, 각 지표를 비교군 평균과 비교해 등급화했습니다. 단순 총량만 보면 큰 조직이 유리하게 보일 수 있기 때문에, 일부 지표는 인원당 성과로 정규화했습니다.
또한 데이터 출처가 다른 항목은 화면에서 구분되도록 했습니다.
내부 성과 데이터 기반 비교
외부 공개 데이터 기반 비교
아직 데이터 보강이 필요한 영역
이렇게 표시하니 사용자가 “이 숫자는 어디에서 온 것인지”, “어떤 비교군을 기준으로 한 것인지”를 더 쉽게 이해할 수 있었습니다.
결과와 배운 점
1. 반복 업무는 자동화했지만, 핵심은 ‘정합성’이었다
처음에는 자동 수집만 되면 문제가 해결될 줄 알았습니다.
하지만 실제로는 자동화보다 더 중요한 것이 데이터 정합성이었습니다.
진행 중에는 이런 문제가 있었습니다.
화면 구조가 바뀌어 데이터가 비어 보이는 문제
실제 데이터 테이블이 아닌 헤더 테이블을 읽는 문제
일별 데이터가 월별 데이터처럼 저장되는 문제
집계 행이 개인 행처럼 섞여 들어오는 문제
이상치 하나가 평균을 크게 흔드는 문제
서버 라우트 순서 때문에 API가 JSON 대신 HTML을 반환하는 문제
이 문제들을 겪으면서 자동화 파이프라인에는 반드시 방어 장치가 필요하다는 것을 배웠습니다.
특히 효과가 컸던 장치는 다음과 같습니다.
응답 URL과 파라미터를 정확히 매칭하기
이전 DOM을 제거한 뒤 새 데이터가 들어왔는지 확인하기
정상 범위를 벗어난 수치를 저장 전에 걸러내기
평균 대신 가중평균이나 중앙값 사용하기
집계 행과 실제 개별 행을 구분하는 필터 두기
API fallback 라우트는 항상 마지막에 두기
2. “완료 여부”는 데이터 소스별로 판단해야 한다
가장 인상 깊었던 시행착오는 누락 데이터 감지 로직이었습니다.
처음에는 월간 데이터가 있으면 해당 월은 수집이 완료된 것으로 봤습니다.
하지만 나중에 상세 실적 데이터가 추가되면서 문제가 생겼습니다. 월간 데이터는 있는데 상세 데이터가 비어 있어도 시스템은 “이미 수집 완료”라고 판단했던 것입니다.
이후에는 월간, 지역, 상세 데이터를 각각 따로 확인하도록 바꿨습니다.
이 경험에서 얻은 교훈은 명확했습니다.
파이프라인이 확장될 가능성이 있다면, 완료 여부는 큰 덩어리가 아니라 저장소·소스 단위로 판단해야 한다.
3. 외부 화면 스크래핑은 ‘정상처럼 보이는 오류’가 더 무섭다
스크래핑 오류는 대놓고 실패하면 오히려 다행입니다.
진짜 어려운 문제는 값이 들어오긴 들어오는데, 잘못된 값이 정상처럼 저장되는 경우였습니다.
예를 들어 월별 데이터를 가져와야 하는데 일별 잔존 데이터가 저장되면, 시스템 입장에서는 데이터가 있는 것처럼 보입니다. 하지만 실제 분석 결과는 완전히 왜곡됩니다.
그래서 이후에는 다음 원칙을 적용했습니다.
데이터가 존재하는지만 보지 않기
분포가 정상 범위인지 확인하기
상위값 몇 개가 아니라 중앙값·비율·상한선을 함께 보기
도메인상 불가능한 조합은 저장 전에 제외하기
4. AI는 ‘판단자’보다 ‘해석자’로 두는 편이 안전했다
AI 인사이트 기능을 만들면서 가장 중요하게 본 것은 안정성이었습니다.
AI가 모든 판단을 하게 하면 편해 보이지만, 숫자 기반 업무에서는 위험할 수 있습니다. 그래서 서버에서 결정론적으로 계산한 신호만 AI에게 전달하고, AI는 그 내용을 읽기 좋은 문장으로 정리하게 했습니다.
이 구조는 생각보다 큰 장점이 있었습니다.
같은 데이터에 대해 일관된 판단 가능
AI 응답 실패 시 룰 기반 초안으로 대체 가능
사용자가 결과를 신뢰하기 쉬움
나중에 프롬프트를 바꿔도 핵심 계산 로직은 흔들리지 않음
5. 화면 UX는 운영하면서 계속 바뀐다
초기에는 기능 구현에 집중했지만, 실제로 써보니 작은 UX가 중요했습니다.
예를 들어 월 선택을 매번 입력하는 것보다 이전/다음 버튼이 훨씬 편했고, 대상자 선택도 트리에서 하나씩 찾는 것보다 검색과 대량 붙여넣기가 더 현실적이었습니다.
또한 URL 기반 라우팅을 넣으면서 링크 공유와 뒤로가기가 자연스러워졌고, 운영자가 특정 화면을 바로 열어볼 수 있게 되었습니다.
결국 대시보드는 “데이터를 보여주는 화면”이 아니라, 사용자의 실제 업무 흐름에 맞춰 계속 다듬어야 하는 제품이라는 것을 느꼈습니다.
마무리
이번 프로젝트를 통해 느낀 가장 큰 점은, 업무 자동화의 핵심이 단순히 “코드를 짜서 버튼을 줄이는 것”은 아니라는 점입니다.
진짜 중요한 것은 다음에 가까웠습니다.
데이터가 어디에서 오고
어떤 기준으로 믿을 수 있으며
누락과 이상치를 어떻게 발견하고
사용자가 어떤 흐름으로 의사결정하는지
AI를 어디까지 맡기고 어디서 통제할지
자동화는 시간을 줄여주지만, 좋은 자동화는 판단의 품질까지 높여줍니다.
이번 사내 데이터 대시보드 생성기는 그 방향으로 한 걸음 나아간 사례였습니다.
Next Up
이번 대시보드 생성기를 다음 단계로 발전시킨다면, 단순히 화면을 더 추가하는 것보다 하네스 엔지니어링 기반의 안전한 AI 운영 레이어를 붙이는 방향이 좋아 보입니다.
1. 데이터 점검 에이전트
현재는 수집된 데이터에 대해 여러 방어 로직과 sanity check를 넣어두었지만, 다음 단계에서는 별도의 데이터 점검 에이전트를 둘 수 있습니다.
이 에이전트는 매월 수집이 끝난 뒤 자동으로 다음 항목을 확인합니다.
누락된 월·기관·지표가 있는지 확인
전월 대비 비정상 급등락 탐지
집계 행이 개별 행으로 잘못 들어왔는지 탐지
평균을 왜곡하는 이상치 후보 표시
재수집이 필요한 항목을 운영자에게 제안
중요한 점은 에이전트가 바로 데이터를 수정하지 않고, 검토 후보를 만들고 사람에게 승인받는 구조로 시작하는 것입니다.
2. 리포트 초안 작성 에이전트
월간 리포트 화면에서 AI 인사이트를 생성하는 것을 넘어, 기관별 월간 보고서 초안까지 자동으로 작성하게 할 수 있습니다.
예를 들어 다음과 같은 흐름입니다.
시스템이 핵심 지표와 변화 신호를 계산
에이전트가 강점·약점·원인 후보·다음 액션을 초안으로 정리
운영자가 표현과 맥락만 수정
최종 보고서 또는 공유용 문서로 내보내기
이 방식은 기존의 “숫자 복사 → 문장 작성” 업무를 “초안 검토 → 의사결정 보완” 업무로 바꿔줍니다.
3. 캠페인 회고 에이전트
캠페인 효과 분석 기능도 에이전트 형태로 확장할 수 있습니다.
캠페인이 종료되면 에이전트가 자동으로 다음 질문에 답하는 회고 초안을 만듭니다.
캠페인 기간 중 성과가 실제로 개선되었는가?
개선이 특정 구성원 또는 특정 분야에 집중되었는가?
캠페인 전부터 이미 상승 추세였는가?
비용 대비 효과는 어느 정도였는가?
다음 캠페인에서 유지하거나 바꿔야 할 점은 무엇인가?
이때도 AI가 임의로 결론을 내리지 않도록, 성과 계산은 시스템이 담당하고 에이전트는 해석과 문서화를 맡는 구조가 안전합니다.
4. 재수집·복구 에이전트
스크래핑 기반 시스템에서는 언제든 화면 구조 변경, 응답 지연, 일부 데이터 누락이 발생할 수 있습니다.
따라서 재수집·복구 에이전트를 두면 운영 부담을 줄일 수 있습니다.
가능한 역할은 다음과 같습니다.
실패한 수집 작업 자동 분류
일시적 오류와 구조 변경 오류 구분
재시도 가능한 항목만 자동 재수집
반복 실패 시 원인 로그 요약
개발자가 확인해야 할 셀렉터·응답 패턴 후보 제안
다만 이 에이전트에는 강한 권한 제한이 필요합니다. 예를 들어 운영 데이터 삭제, 대량 재수집, 설정 변경 같은 작업은 반드시 사람 승인 후 실행하도록 설계해야 합니다.
5. 하네스 엔지니어링 관점의 운영 레이어
이 프로젝트에서 하네스 엔지니어링을 적용한다면, 핵심은 “AI에게 더 많은 일을 시키는 것”이 아니라 AI가 안전하게 일할 수 있는 실행 환경을 설계하는 것입니다.
예를 들어 다음 요소를 하네스 레이어로 둘 수 있습니다.
에이전트가 호출할 수 있는 도구 목록 제한
읽기 전용 도구와 쓰기 가능 도구 분리
작업 단계별 권한 분리
실행 전후 로그 기록
결과 검증 규칙 적용
실패 시 fallback 경로 제공
사람이 승인해야 하는 작업과 자동 실행 가능한 작업 구분
이렇게 하면 AI 에이전트가 단순 챗봇이 아니라, 대시보드 운영을 돕는 통제 가능한 업무 실행자로 발전할 수 있습니다.
6. 장기적으로는 “운영 코파일럿”
최종적으로는 대시보드 안에 운영 코파일럿을 붙이는 그림도 가능합니다.
사용자가 다음처럼 질문하면,
이번 달 성과가 가장 이상한 기관을 찾아줘.
지난 3개월 동안 캠페인 효과가 좋았던 케이스만 요약해줘.
데이터가 비정상적으로 보이는 월을 점검해줘.
다음 회의용 요약 보고서를 만들어줘.
에이전트가 데이터를 조회하고, 필요한 계산을 실행하고, 근거를 붙여 답변하는 방식입니다.
다만 이 단계에서도 원칙은 유지해야 합니다.
계산은 시스템이, 해석은 AI가, 최종 판단은 사람이 한다.
이 원칙을 지키면 AI를 붙이면서도 데이터 신뢰성과 운영 안정성을 함께 가져갈 수 있습니다.
도움 받은 글
개인정보 보호 및 익명화 관련 공식 안내 자료
브라우저 자동화 도구 문서
React Router 공식 문서
Express 라우팅 관련 문서
사내 개발 과정에서 남긴 개발노트, 릴리즈노트, 트러블슈팅 기록



