데이터 분석 Skill 소개
앞선 작업에서 업무용 Excel과 CSV를 검증하고 분석하는 데이터 분석 Skill을 만들었습니다.
이 Skill은 다음과 같은 작업을 한 번에 처리하도록 구성되어 있었습니다.
원본 파일 구조 확인
데이터 품질 검사
주요 수치 재계산
예산·실적 차이 분석
변동요인과 전망 분석
경영진용 보고서 생성
처음에는 다양한 업무를 한 번에 처리할 수 있어 편리했습니다. 하지만 Skill을 계속 사용하면서 한 가지 문제가 보이기 시작했습니다.
하나의 Skill이 너무 많은 역할을 맡다 보니, 오류가 생겼을 때 어느 단계에서 문제가 발생했는지 확인하기 어려웠습니다. 이미 만들어둔 전망·통계·보고서 Skill과 역할이 겹치는 부분도 많았습니다.
그래서 기존 Skill에 기능을 계속 추가하기보다, 각 역할을 분리하고 상위 Skill이 필요한 전문 Skill을 연결하는 구조로 고도화하기로 했습니다.
지금 데이터 분석 Skill을 더 고도화해보자.
책임 중복을 줄이고,
필요한 Skill을 연결하는 구조로 바꿔줘.
데이 터 분석 Skill 진행 방법
1. 현재 상태 확인
AI는 기존 Skill을 바로 수정하지 않았습니다.
먼저 현재 설치된 데이터 분석 Skill의 역할과 최근 사용 내역을 확인하고, 어떤 Skill을 먼저 고도화할지 후보를 비교했습니다.
검토한 대상은 다음과 같았습니다.
데이터 검증과 분석 Skill
인터랙티브 보고서 Skill
경영 보고서 Skill
분석 방법 검증 Skill
이 가운데 가장 넓은 역할을 맡고 있던 기본 데이터 분석 Skill을 첫 번째 고도화 대상으로 선택했습니다.
수정 전에는 다음 세 가지 사본도 만들었습니다.
기준 사본
→ 기존 내용을 확인하기 위한 읽기 전용 사본
작업 사본
→ 실제 고도화 작업을 수행할 사본
복원용 백업
→ 문제가 생겼을 때 이전 버전으로 되돌리기 위한 사본
원본, 작업 사본, 백업본의 해시값을 비교하고 실제 복원 시험까지 통과한 뒤에야 다음 단계로 넘어갔습니다.
2. 기존 Skill 역할 분석
AI는 기존 Skill의 전체 절차를 펼쳐보고 서로 다른 역할을 구분했습니다.
일 구조 조사
B. 데이터 품질 검사와 독립 재계산
C. 변동요인·전망·통계 분석
D. Excel·보고서·대시보드 생성
이 네 영역은 입력값과 실패 원인, 검증 방법이 모두 달랐습니다.
예를 들어 파일 구조 조사에서는 잘못된 시트나 수식, 외부 연결이 주요 문제가 됩니다. 데이터 재계산에서는 중복, 누락, 기간, 부호, 분모 오류가 문제 가 됩니다.
분석 단계에서는 계산 기준이나 예측 방법이 적절한지가 중요하고, 보고서 단계에서는 표와 차트의 숫자 불일치나 화면 겹침이 주요 문제가 됩니다.
파일 조사 오류
→ 시트·열·수식·외부 연결 확인
데이터 오류
→ 중복·누락·기간·합계 확인
분석 오류
→ 계산 기준과 방법론 확인
보고서 오류
→ 숫자·차트·필터·화면 확인
이처럼 서로 다른 업무를 하나의 Skill이 모두 책임지는 것은 장기적으로 관리하기 어렵다고 판단했습니다.
3. 상위 Skill과 전문 Skill로 역할 나누기
기존 Skill을 모든 분석을 직접 수행하는 거대한 Skill로 유지하는 대신, 전체 흐름을 관리하는 Umbrella Skill로 바꾸기로 했습니다.
Umbrella Skill은 사용자의 요청을 해석하고, 필요한 전문 Skill을 선택한 뒤, 각 결과와 검증 증거를 모으는 역할입니다.
기존 Skill에서 아직 독립 담당자가 없던 두 가지 역할은 새로운 Skill로 분리했습니다.
원본 구조 조사 Skill
tabular-source-inspection
Excel, CSV, XLSM 같은 표 형식 파일의 원본 상태를 확인합니다.
파일 형식과 해시 확인
시트와 열 구조 조사
숨김 시트와 수식 확인
매크로와 외부 연결 확인
어떤 데이터를 공식 원천으로 사용할지 결정
데이터 품질·재계산 Skill
data-quality-reconciliation
원본 데이터의 품질과 주요 수치를 검증합니다.
중복과 누락 확인
키와 기간 기준 검사
주요 KPI 독립 재계산
원장과 대시보드 합계 비교
조정 전·후 금액 구분
핵심 합계 불일치 시 다음 분석 차단
기존의 변동요인·전망·통계·보고 기능은 이미 만들어둔 전문 Skill에 맡기도록 했습니다.
최종 구조는 다음과 같이 정리됐습니다.
기본 데이터 분석 Umbrella
├─ 원본 구조 조사
├─ 데이터 품질·재계산
├─ 변동요인 분석
├─ 시계열·전망 분석
├─ 통계적 검증
├─ 분석 방법 검증
├─ 경영 보고서
└─ 인터랙티브 보고서
4. 기본 실행 범위 설정
Skill을 나눈 뒤에는 단순한 요청이 들어왔을 때 어디까지 자동으로 처리할지도 정해야 했습니다.
모든 요청에 전망, 통계, 인터랙티브 보고서를 생성하면 불필요한 작업과 결과물이 너무 많아질 수 있습니다.
그래서 다음과 같은 균형형 방식을 선택했습니다.
“이 파일 분석해줘”
→ 원본 구조 조사
→ 데이터 품질 검사
→ 주요 수치 독립 재계산
→ 기본 변동요인 분석
→ 분석 방법 검증
→ 현황 중심 보고서 작성
추가 기능은 사용자가 명확하게 요청했을 때만 실행하도록 했습니다.
“연말 전망도 해줘.”
→ 전망 Skill 추가
“통계적으로 검증해줘.”
→ 통계 Skill 추가
“회사별 필터 보고서로 만들어줘.”
→ 인터랙티브 보고 Skill 추가
“조치안과 결정사항도 정리해줘.”
→ 의사결정 중심 보고 방식 추가
이 구조를 통해 기본적인 검증과 분석은 빠뜨리지 않으면서, 필요하지 않은 분석을 과도하게 실행하는 문제를 줄일 수 있었습니다.
5. 실패 시 복구 계획
정상적인 처리 순서뿐 아니라, 각 단계가 실패했을 때 어디로 돌아갈지도 정했습니다.
시트·열·원천 데이터 연결 오류
→ 원본 조사 Skill로 돌아가기
중복·수식·합계 오류
→ 데이터 품질 Skill에서 최소 수정
핵심 합계 불일치
→ 이후 분석 중단
전망·통계 방법 오류
→ 해당 분석 Skill만 다시 실행
외부 설치·발송·게시
→ 사용자 승인 후 진행
이전에는 분석 결과 가 이상해도 전체 작업을 다시 실행해야 할 수 있었습니다.
고도화 후에는 어떤 Skill이 문제를 해결해야 하는지 명확해졌고, 필요한 부분만 다시 실행할 수 있게 됐습니다.
6. 후보 Skill 제작 및 테스트
설계를 확정한 뒤에도 바로 설치하지 않았습니다.
기존 Skill을 개편한 후보본과 두 개의 새로운 Skill 후보본을 별도 작업공간에 만들었습니다.
기본 데이터 분석 Umbrella 후보
원본 구조 조사 Skill 후보
데이터 품질·재계산 Skill 후보
후보 파일은 문법, 이름, 구조, 크기와 연결 관계를 검사했습니다.
처음 검사에서는 내용이 아니라 Windows와 다른 환경의 줄바꿈 차이 때문에 실패했습니다. 검사 기준을 실제 사용 환경에 맞게 수정한 뒤 세 후보 모두 구조 검사를 통과했습니다.
이후 민감한 업무 파일 대신 작은 테스트용 데이터를 만들어 실제 동작을 확인했습니다.
테스트 데이터에는 의도적으로 다음 문제를 넣었습니다.
중복 데이터 1건
예산 없이 실적만 있는 항목 1건
대시보드 표시값 불일치
첫 실행에서는 중복 데이터가 발견되자 이후 분석이 차단됐습니다.
중복 데이터 발견
→ 다음 분석 단계 차단
AI는 전체 데이터를 임의로 수정하지 않고 중복 행 한 건만 제거했습니다.
중복 행 1건만 최소 수정
→ 같은 조건으로 다시 검사
재검사 결과 핵심 합계는 통과했지만, 예산 누락과 표시값 불일치는 경고로 남았습니다.
결과: 경고가 있는 상태로 통과
남은 경고:
- 예산 없는 실적 1건
- 대시보드 표시값 불일치
문제를 숨기지 않으면서도 핵심 분석을 진행할 수 있는지 확인한 것입니다.
자동 테스트는 총 4개가 모두 통과했습니다.
7. 사용자 승인 후 설치
후보본과 테스트 결과를 확인한 뒤 실제 설치 여부를 다시 승인했습니다.
승인 후에는 다음 버전으로 설치했습니다.
기본 데이터 분석 Umbrella: 2.0.0
원본 구조 조사 Skill: 1.0.0
데이터 품질·재계산 Skill: 1.0.0
설치 순서도 중요했습니다.
먼저 하위 Skill 두 개를 설치하고 정상적으로 불러오는지 확인한 뒤, 마지막으로 기존 기본 Skill을 Umbrella 버전으로 교체했습니다.
이렇게 하면 상위 Skill이 아직 설치되지 않은 하위 Skill을 호출하는 순간을 피할 수 있습니다.
설치 후에는 다음 내용을 확인했습니다.
Skill 목록에 정상적으로 표시되는가
버전이 정확한가
실제 사용할 수 있는 상태인가
승인한 후보본과 설치본 내용이 같은가
기존 참고 문서 연결이 유지됐는가
이전 버전으로 복원할 수 있는가
줄바꿈 방식 때문에 파일의 바이트 해시가 달라진 부분은 정규화된 내용을 다시 비교해 실제 본문에는 차이가 없다는 것도 확인했습니다.
데이터 분석 Skill 결과와 배운 점
최종적으로 기존의 큰 데이터 분석 Skill은 모든 작업을 직접 수행하는 방식에서 벗어나, 전문 Skill들을 연결하고 분석 흐름을 통제하는 Umbrella Skill로 변경됐습니다.
✅ 원본 조사 역할 분리
✅ 데이터 품질·재계산 역할 분리
✅ 기존 분석·전망·보고 Skill과 연결
✅ 실패 단계별 반환 규칙 설정
✅ 후보본과 라이브 설치본 분리
✅ 자동 테스트 4개 통과
✅ 실제 설치와 불러오기 검증
✅ 이전 버전 복원 경로 확보
Skill 고도화의 의미
처음에는 Skill을 고도화한다는 것이 분석 기능을 더 많이 추가하는 작업이라고 생각했습니다.
하지만 이번에는 오히려 하나의 Skill에 들어 있던 기능을 나누고, 각 Skill이 맡아야 할 책임을 줄이는 방향으로 고도화했습니다.
결과적으로 전체 기능 수는 비슷했지만 구조는 더 명확해졌습니다.
실패 원인 명확화
기존에는 결과가 잘못되면 파일, 데이터, 분석 방법, 보고서 중 어디가 문제인지 찾기 어려웠습니다.
역할을 분리한 뒤에는 각 문제가 돌아갈 위치가 분명해졌습니다.
파일 구조 문제
→ 원본 조사 Skill
합계와 중복 문제
→ 데이터 품질 Skill
전망 방법 문제
→ 전망 Skill
차트와 보고서 문제
→ 보고 Skill
이 덕분에 전체 작업을 다시 하는 대신 필요한 부분만 수정하고 재검증할 수 있게 됐습니다.
실패 상황 테스트의 중요성
정상적인 데이터로 결과가 잘 나오는지만 확인했다면 Skill의 안전성을 충분히 검증하기 어려웠을 것입니다.
이번에는 의도적으로 중복과 누락, 숫자 불일치를 넣어 다음 동작을 확인했습니다.
문제를 발견하는가?
→ 문제가 있으면 멈추는가?
→ 필요한 부분만 수정하는가?
→ 같은 조건으로 다시 검사하는가?
→ 남은 경고를 숨기지 않는가?
이 과정을 통해 Skill이 단순히 결과를 생성하는 것뿐 아니라, 잘못된 데이터에서 안전하게 멈추는지도 확인할 수 있었습니다.
설치 전 승인과 복원 경로의 필요성
AI가 Skill을 수정할 수 있더라도 실제 사용 중인 버전을 바로 변경하는 것은 위험할 수 있습니다.
이번 작업에서는 다음 순서를 지켰습니다.
현재 상태 확인
→ 원본 백업
→ 별도 작업공간에서 후보 작성
→ 구조 검사
→ 실패 테스트
→ 사용자 승인
→ 실제 설치
→ 설치 결과 검증
덕분에 문제가 생기더라도 기존 버전으로 돌아갈 수 있는 상태에서 안전하게 고도화를 진행할 수 있었습니다.
현재 새 Skill의 설치와 소형 테스트까지는 완료됐습니다. 다만 고도화된 전체 분석 흐름을 실제 업무 파일에 처음부터 끝까지 다시 적용하는 검증은 아직 남아 있습니다.
다음 업무 파일 분석에서는 이 Umbrella 구조가 실제로 필요한 Skill을 올바르게 선택하고, 실패 상황을 제대로 통제하는지 확인해볼 계획입니다. 📊🧩
도움 받은 글
데이터 분석 Skill 구조 고도화 및 설치·검증 대화 기록
