🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

비개발자가 Claude Code와 함께 지출 데이터 수집 문제를 중심으로 가계부 자동화 앱을 만들고, 미분류율을 55.7%에서 13.8%까지 낮춘 5일간의 실험 기록입니다.

📌 핵심 요약

• 글의 핵심은 가계부 자동화의 어려움이 분류 알고리즘 자체보다 카드·간편결제·계좌이체에 흩어진 거래 정보를 정확히 수집하는 데 있었다는 점입니다.
• 작성자는 AI를 단순히 코드를 짜는 도구로 쓰기보다, 문제를 쪼개고 실제 데이터를 검증하며 구현 단위를 나누는 사고 파트너이자 실행 보조자로 활용했습니다.
• 뱅크샐러드 데이터를 기준으로 삼고, 카드 명세서·네이버페이 영수증·검색 API·무료 AI 등을 결합해 가려진 가게 이름과 상품 정보를 보완하는 구조를 만들었습니다.
• 핵심 안전장치는 AI나 검색 결과가 자동으로 확정하지 않고 제안만 하며, 사용자가 승인해야 분류와 규칙으로 반영되는 ‘제안→승인’ 방식이었습니다.
• 결과적으로 작성자는 직접 코드를 쓰지 않고도 실제로 매일 쓸 수 있는 앱을 만들었고, 4개 수집 소스 자동화와 173개 테스트 통과, 미분류율 대폭 감소라는 성과를 얻었습니다.

🧩 주요 포인트

1. 글의 핵심은 가계부 자동화의 어려움이 분류 알고리즘 자체보다 카드·간편결제·계좌이체에 흩어진 거래 정보를 정확히 수집하는 데 있었다는 점입니다.
2. 작성자는 AI를 단순히 코드를 짜는 도구로 쓰기보다, 문제를 쪼개고 실제 데이터를 검증하며 구현 단위를 나누는 사고 파트너이자 실행 보조자로 활용했습니다.
3. 뱅크샐러드 데이터를 기준으로 삼고, 카드 명세서·네이버페이 영수증·검색 API·무료 AI 등을 결합해 가려진 가게 이름과 상품 정보를 보완하는 구조를 만들었습니다.
4. 핵심 안전장치는 AI나 검색 결과가 자동으로 확정하지 않고 제안만 하며, 사용자가 승인해야 분류와 규칙으로 반영되는 ‘제안→승인’ 방식이었습니다.
5. 결과적으로 작성자는 직접 코드를 쓰지 않고도 실제로 매일 쓸 수 있는 앱을 만들었고, 4개 수집 소스 자동화와 173개 테스트 통과, 미분류율 대폭 감소라는 성과를 얻었습니다.

🧠 상세 정리

1. 출발점: 가계부 앱의 불만과 문제 재정의

작성자는 신용카드, 체크카드, 네이버페이, 계좌이체로 흩어진 지출을 기존 가계부 앱이 모아주기는 하지만, 분류를 원하는 대로 바꾸기 어렵고 1년치 거래의 상당수가 ‘미분류’로 남는 점에 불만을 가졌습니다. 처음에는 더 좋은 분류 알고리즘을 만들면 해결될 것이라고 생각했지만, AI와 함께 문제를 나누어 보면서 수집·분류·집계 중 진짜 병목은 수집이라는 결론에 도달했습니다. 특히 간편결제나 인터넷쇼핑몰 결제는 실제 가게 이름이 가려져 있어, 거래 데이터 안에 ‘무엇을 샀는지’에 대한 정보 자체가 부족했습니다. 따라서 목표는 똑똑한 분류기를 만드는 것이 아니라, 가려진 가게 이름과 상품 정보를 다른 출처에서 찾아오고 이를 자신의 규칙으로 분류하는 방향으로 바뀌었습니다.

2. AI의 역할: 코딩 도구보다 문제 분해 파트너

이 프로젝트에서 AI는 단순히 코드를 대신 작성하는 도구가 아니라, 문제를 함께 정의하고 검증 순서를 세우는 파트너로 쓰였습니다. 작성자는 첫날 코드를 짜기보다 가계부 자동화의 구조를 분석했고, AI와 함께 수집이 진짜 난제라는 판단을 만들었습니다. 이후 실제 데이터를 열어 보며 가정이 맞는지 확인했고, 어떤 채널에서는 가게 이름이 살아 있고 어떤 채널에서는 정보가 뭉개지는지 비교했습니다. 작성자는 코드를 한 줄도 직접 짜지 않았다고 설명하지만, AI에게 문제를 분해시키고 실데이터를 확인하게 하며 구현을 작은 단위로 나누어 맡기는 방식으로 프로젝트를 진행했습니다.

3. 데이터 검증: 뱅크샐러드, 카드 명세서, 영수증의 조합

작성자는 뱅크샐러드에서 1년치 엑셀 데이터를 받아 AI가 1,761건을 파싱하고 구조를 분석하게 했습니다. 이 과정에서 뱅크샐러드는 모든 거래가 모여 있는 기준 데이터로 적합하지만, 일부 거래의 이름이 ‘인터넷쇼핑몰결제’처럼 뭉개져 있다는 점이 드러났습니다. 반면 카드사 앱이나 문자 데이터에는 실제 가게 이름과 금액, 시각이 남아 있는 경우가 있었고, 네이버페이 영수증 조회 엑셀에는 상품명·금액·시각이 있어 뱅크샐러드 내역과 결제 시각으로 1:1 매칭할 수 있었습니다. 그래서 전체 거래는 뱅크샐러드를 기준으로 삼고, 부족한 이름과 상세 정보는 카드 명세서와 영수증에서 채워 넣는 구조가 확정되었습니다.

4. 구현 방식: 작은 단위 작업과 ‘제안→승인’ 안전장치

구현 단계에서는 큰 작업을 여러 개의 작은 조각으로 나누고, AI가 각 조각을 완성한 뒤 테스트를 통과시키고 다음으로 넘어가는 방식이 사용되었습니다. AI는 전체 작업을 13개 조각으로 나누었고, 반나절 만에 수집, 자동 분류, 대시보드, 규칙 관리까지 하나의 앱 형태로 만들었습니다. 사용자가 미분류 거래 하나를 특정 카테고리로 지정하면 그 자리에서 규칙이 만들어지고, 과거의 같은 거래까지 자동으로 재분류되는 기능도 포함되었습니다. 다만 검색 API나 AI 제안은 그대로 자동 반영하지 않고, 사용자가 클릭해 승인해야 분류와 규칙으로 승격되게 했습니다. 이 구조는 자동화의 편리함과 사람의 최종 판단을 함께 가져가기 위한 핵심 설계였습니다.

5. 확장과 주의점: 보안, 개인정보, 실제 사용성

미분류를 줄이기 위해 작성자는 네이버 지역검색 API, 무료 AI, 브라우저 자동화 등을 활용했습니다. 지역 상점은 검색 API로 업종을 찾고, 검색에 잘 나오지 않는 교육·투자·온라인 항목은 무료 AI가 제안하도록 했지만, 모두 동일하게 사용자의 승인 절차를 거치게 했습니다. 암호화된 카드 명세서는 브라우저 자동화를 통해 로컬 컴퓨터 안에서 비밀번호를 입력하고 열어 실제 가게 이름을 가져오는 방식으로 처리했으며, 비밀번호와 API 키는 채팅에 넣지 않고 별도 파일로 분리했습니다. 또한 테스트용 가짜 데이터에 실제 거래를 복사해 넣었다가 개인정보 유출 위험을 발견하고 익명 처리한 경험도 공유했습니다. 최종 결과는 데모가 아니라 매일 쓰는 앱이며, 수집 4개 소스 자동화와 테스트 173개 통과, 미분류율 55.7%에서 13.8%로의 감소가 성과로 제시되었습니다.

🧾 핵심 주장 / 시사점

• 가계부 자동화의 핵심 병목은 ‘분류 지능’보다 ‘분류에 필요한 원천 정보가 데이터에 존재하는가’였고, 문제를 잘게 재정의한 것이 성과의 출발점이었습니다.
• AI를 잘 쓰는 방식은 답을 한 번에 받는 것이 아니라, 문제 분해·실데이터 검증·작은 단위 구현·테스트 확인을 반복하게 만드는 운영 방식에 가까웠습니다.
• AI와 검색 결과를 자동 확정하지 않고 사용자의 승인 뒤 규칙화한 구조는, 실무 자동화에서 정확성과 통제권을 함께 확보하는 중요한 설계 원칙으로 볼 수 있습니다.

✅ 액션 아이템

• 카드·간편결제·계좌이체로 분산된 거래 수집 구조의 각 채널에서 데이터 누락 양상을 비교해 분류 처리 전후의 손실 포인트를 정교하게 추적한다.
• AI나 검색 결과는 자동 확정하지 않고 제안만 제시한 뒤 사용자가 승인해야만 분류·규칙 반영을 진행하는 흐름을 유지한다.
• 뱅크샐러드 기준 데이터와 카드 명세서·네이버페이 영수증·검색 API·무료 AI를 결합해 4개 수집 소스를 자동화하고 173개 테스트 통과 조건으로 5일 실험 성과를 재현한다.

❓ 열린 질문

• 수집 채널별 누락 원인이 다를 때 가려진 가게·상품명 보정을 어떤 우선순위로 비교 검증할 것인가?
• AI 제안→승인 구조에서 사용자 승인 부담을 낮추려면 어떤 분류군부터 반자동 규칙 반영을 허용할 것인가?
• 미분류율을 55.7%→13.8%로 낮춘 성과를 유지하려면 데이터 소스 추가·변경 시 어떤 재검증 주기를 두어야 하는가?