아직 대시보드 직접 만드세요? 클로드·코덱스로 분석부터 시각화까지 한번에!

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

클로드·코덱스로 대화하며 데이터 분석부터 대시보드 시각화·공유까지 이어갈 수 있지만, 계산 근거 검증과 공유 권한·갱신 조건 설정이 함께 필요하다.

📌 핵심 요점

1. 대시보드 제작의 출발점은 분석 질문이다. 약 18만 행의 가상 판매 데이터를 BigQuery에 연결하고, 최근 4주와 이전 4주의 순매출·남는 금액을 비교하며 질문에 맞춰 시각화를 발전시켰다.
2. 매출 성장과 수익성은 다르게 움직였다. 순매출은 10% 증가했지만 남는 금액은 2% 감소했다. 마켓 A 수납 카테고리를 좁혀 보니 상품 판매 비중보다 상품별 남는 비율이 악화됐고, 할인율·원가·배송비 상승이 관찰됐다.
3. 두 도구의 주요 수치는 같았지만 결과 검증은 별도로 필요했다. SQL과 조회 결과로 테이블 결합·집계·계산 조건을 확인하고, 공유 화면에는 확인된 사실과 가능한 설명, 추가 확인 사항을 구분해 남겼다.
4. 공유 방식은 수신자의 데이터 접근 조건에 따라 달라졌다. 시연의 클로드 원본 조회 방식에는 같은 조직과 BigQuery 연결·원본 권한이 필요했다. 코덱스 Sites 배포와 클로드 고정값 사본은 원본 권한이 없는 수신자에게 결과를 보여 주는 데 활용됐다.
5. 공유 후 최신성을 유지하려면 재조회와 사본 갱신·재배포까지 고려해야 한다. 원본에 500행을 추가한 뒤 두 도구 모두 주문 수를 34,916으로 갱신했다. 코덱스는 로컬 자동화를 요청했고, 클로드 예약 작업에는 앱 실행 조건이 붙었다.

🧩 배경과 문제 정의

• 데이터 분석과 시각화의 목적은 의사 결정에 필요한 인사이트를 얻는 것이지만, 기존에는 대시보드와 테이블 구조를 수정하는 데 더 많은 시간이 들기도 했다.
• AI로 대시보드를 만들 수 있어도 정해진 틀이 부족하면 비개발자가 안정적으로 구성하기 어려웠다. 대화로 분석 질문을 구체화하면서 시각화도 함께 갱신하는 방식이 대안이 된다.
• 가상의 생활용품 판매 데이터를 바탕으로 클로드와 코덱스의 분석 결과, 원본 검증, 공유 방식, 데이터 갱신 조건을 비교한다.

🕒 시간순 섹션별 상세정리

1. 데이터 연결부터 공유까지 대화형 분석으로 계속된다

• 데이터를 연결한 뒤 질문과 분석을 통해 대시보드를 만들고, 새로운 데이터를 반영하며 다른 사용자에게 공유하는 것이 두 도구의 공통 작업 흐름이다. [01:27]
• 클로드는 BigQuery 커넥터를 제공한다. 코덱스는 시연자의 개인용 플랜에서 네이티브 연결을 사용할 수 없어 로컬 CLI로 접근하며, 공유 방식에도 차이가 있다. [02:08]

2. 약 18만 행의 판매 데이터를 분석 환경에 연결한다

• 가상의 생활용품 주문 데이터는 약 18만 행이다. 구글 시트나 엑셀에서 관리하기 버거워질 수 있는 규모를 고려해 BigQuery를 사용하고, 주문·상품·일별 상품 채널 관련 테이블을 분석에 연결한다. [02:42]
• 시연에서는 플러그인과 배포 기능을 사용하기 위해 두 도구의 유료 모드를 준비한다. 클로드에는 도구 접근·커넥터·아티팩트·클라우드 코드 실행을 허용하고 BigQuery 커넥터와 데이터 플러그인을 설치하며, 코덱스에도 데이터 플러그인을 설치한다. [03:42]

3. 인증을 갱신하고 메타데이터로 연결 상태를 확인한다

• 클로드는 커넥터로, 코덱스는 로컬 CLI 설치와 인증 상태 확인을 거쳐 지정한 데이터베이스의 메타데이터에 접근한다. 두 환경 모두 재인증이 필요해 연결을 갱신한다. [05:32]
• 인증 후 코덱스는 메타데이터를 조회하고 클로드는 테이블의 열을 포함한 스키마 정보를 가져온다. 이를 통해 분석에 앞서 데이터 접근이 가능한지 확인한다. [06:41]

4. 최근 4주와 이전 4주의 매출·수익성을 비교한다

• 정가 판매액에서 할인과 환불을 뺀 순매출, 여기서 원가·수수료·배송비 등을 뺀 남는 금액을 구분한다. 최근 4주와 이전 4주를 비교해 성장과 수익성이 함께 개선됐는지 살핀다. [07:07]
• 전체 추세에서 출발해 변화가 큰 부분을 좁혀 가는 질문을 사용한다. 두 도구에 같은 질문과 GP 정의를 주고, 순매출과 남는 금액이 같은 방향으로 움직였는지 대시보드로 비교한다. [08:14]

5. 순매출 증가가 남는 금액 증가로 이어지지 않는다

• 최초 비교에서 순매출은 10% 증가했지만 남는 금액은 2% 감소했고, 남는 금액의 비율도 하락했다. 매출 성장만으로 수익성 개선을 판단할 수 없는 결과다. [09:24]
• 두 도구의 주요 수치는 같았지만 이번 시연에서는 클로드가 먼저 완성됐다. 코덱스는 검증에 더 시간이 걸렸고, 대시보드에 필터를 더 많이 활용하는 모습을 보였다. [09:51]

6. 마켓 A의 수납 카테고리가 수익성 악화의 핵심 조합이다

• 판매 채널과 상품 카테고리로 나누자 전체 남는 금액은 약 1천만 원 감소한 것으로 나타났다. 변화 금액의 크기로 조합을 정렬하면 전체 결과에 큰 영향을 준 부분을 찾을 수 있다. [10:27]
• 마켓 A의 수납 카테고리는 순매출이 두 배 넘게 증가했지만 남는 금액은 크게 줄었다. 같은 채널의 다른 세 카테고리도 순매출과 남는 금액이 함께 감소했으나, 수납 조합의 수익성 하락 원인은 추가 분석이 필요했다. [11:30]

7. SQL과 데이터 미리보기로 계산 근거를 검증한다

• 두 도구 모두 대시보드의 데이터 소스에서 SQL과 조회 결과를 확인할 수 있다. 원본 테이블을 어떤 방식으로 묶고 계산했는지 검토해 표시된 수치의 근거를 점검한다. [12:38]
• SQL을 모르면 AI에 집계 기준과 계산 방식을 설명하도록 요청할 수 있다. 다만 처음에는 필요한 조건이 빠지지 않았는지 이중 확인하고, 문제가 없음을 확인한 뒤 후속 갱신에 활용하는 접근이 필요하다. [13:56]

8. 상품 판매 구성보다 상품별 남는 비율이 악화됐다

• 마켓 A 수납 카테고리를 상품 단위로 분해하면 판매 비중은 거의 달라지지 않았지만 상품마다 남는 비율이 하락했다. 특정 상품 하나의 판매 비중 변화보다는 해당 조합 전반의 수익성 악화가 주요 설명이 된다. [15:21]
• 두 도구는 같은 방향의 결과를 냈다. 코덱스는 판매 구성 변화와 상품 자체의 비율 변화가 미친 영향을 퍼센트포인트로 나누어 표시했고, 수치의 반올림 방식에는 차이가 있었다. [15:52]

9. 할인율 상승과 비용 증가가 수익성을 압박한다

• 비용을 분해하면 전체적으로 원가와 배송비가 상승했다. 마켓 A 수납 조합에서는 할인율이 크게 올랐고 원가와 배송비도 함께 증가해, 특히 할인율 변화를 눈여겨볼 필요가 있다. [16:35]
• 두 도구 모두 비용 항목의 변화를 차트로 추가했다. 코덱스에서도 할인 금액 증가를 확인할 수 있었지만, 이번 결과에서는 분석 설명이 클로드보다 짧았다. [17:08]

10. 확인된 사실과 가능한 설명을 구분해 남긴다

• 분석 결과를 공유할 때는 확인된 사실, 가능한 설명, 다음에 확인할 것을 대시보드에 함께 기록한다. 확인하지 못한 부분을 구분해 두면 추정이 확정된 원인처럼 전달되는 일을 줄일 수 있다. [18:02]
• 두 도구 모두 이 구분을 반영했고, 클로드는 추가로 확인할 질문도 정리했다. 후속 분석 결과를 다시 대시보드에 반영하며 검토를 이어 갈 수 있다. [18:20]

11. 수익성 변화를 추적할 주간 지표를 추가한다

• 코덱스는 할인과 원가, 판매자 부담 비용에 관련된 주간 확인 지표를 추가했다. 마켓 A 수납 조합의 관련 비율이 크게 높아져, 이후 남는 금액의 추세와 함께 살펴볼 대상으로 제시됐다. [19:25]
• 클로드는 할인 비율, 판매자 부담 배송비 비율, 남는 금액 비율을 선 그래프로 추가했다. 전체와 마켓 A 수납 조합을 비교해 변화가 특정 조합에 집중되는지 추적할 수 있게 했다. [19:59]

12. 원본 조회형 공유와 스냅샷 배포는 접근 조건이 다르다

• 클로드에서 공유받은 계정으로 열자 텍스트는 보였지만 숫자는 표시되지 않았다. 시연에서 설명한 원본 조회 방식은 같은 클로드 조직에 속하고 BigQuery 연결과 원본 접근 권한도 갖춰야 데이터를 표시할 수 있다. [20:50]
• 코덱스는 Sites로 게시한 뒤 접근 권한을 부여하자 공유받은 계정에서도 숫자와 필터가 작동했다. 게시 시 스냅샷을 만들기 때문에 수신자가 원본을 직접 조회하지 않아도 결과를 확인할 수 있다. [21:50]

13. 클로드도 고정값 사본으로 권한 없는 사용자에게 공유한다

• 원본 접근 권한이 없는 사용자에게 숫자를 보여 주기 위해 클로드 대시보드를 고정값 사본으로 변환한다. 이 사본에는 자동 새로고침이 중지된 상태가 표시된다. [23:08]
• 변환한 사본은 공유받은 계정에서도 숫자가 정상적으로 보였다. 시연에서는 같은 조직과 원본 권한을 갖추지 않은 사용자에게 공유할 때 스냅샷 형태로 바꾸는 절차가 필요했다. [23:42]

14. 원본 변경을 반영하려면 갱신과 배포를 예약해야 한다

• 주문 원본에 500개 행을 추가하자 행 수가 181,784개에서 182,284개로 늘었다. 이 변경이 대시보드에도 반영되는지 갱신을 시험한다. [24:12]
• 코덱스의 새로고침 기능은 데이터를 다시 조회하고 재배포하도록 프롬프트를 생성한다. 이를 평일 오전 9시에 실행하는 예약 작업으로 요청하고, 즉시 실행도 시험한다. [24:41]

15. 갱신된 주문 수가 공유 대시보드에도 반영된다

• 클로드 갱신 후 대시보드 주문 수는 34,416에서 34,916으로 늘었다. 고정값 사본을 갱신하자 공유받은 계정에서도 변경된 수치가 확인됐다. [26:04]
• 코덱스도 주문 수를 34,916으로 갱신했다. 공유된 화면에는 즉시 반영되지 않았지만, 화면을 새로고침하자 최신 수치가 표시됐다. [27:07]

16. 초기 탐색과 조직 공유에 활용하되 복잡한 분석은 별도로 진행한다

• 이번 시연에서는 클로드가 BigQuery 연결에 더 편리했고, 코덱스는 Sites를 통한 사본 배포와 공유가 편리했다. 클로드는 권한 없는 사용자에게 공유하려면 사본 변환을 별도로 요청해야 했다. [27:50]
• 같은 조직에서 팀·엔터프라이즈 환경과 원본 접근 권한을 갖춘 경우에는 클로드의 방식이 보안과 수신자의 직접 갱신 측면에서 장점이 될 수 있다. [28:34]

17. 좋아요와 알림 설정 요청

• 시청자에게 좋아요를 누르고 알림을 설정해 달라고 부탁한다 [30:00]

18. 감사와 마무리 인사

• 시청자의 참여에 감사를 표하고 끝인사로 영상을 마친다 [30:04]

🧾 결론

• 두 도구는 질문을 구체화하며 문제 구간을 찾고, 분석 결과를 대시보드로 정리해 공유하는 초기 탐색에 유용할 수 있다.
• 이번 시연에서 클로드는 BigQuery 연결이 편리했고, 코덱스는 Sites를 통한 사본 배포·공유가 편리했다. 선택할 때는 연결 환경과 수신자 권한을 함께 봐야 한다.
• 복잡한 심층 분석은 별도 작업으로 진행하고, 검토한 결과를 대시보드에 반영하는 방식이 권장됐다.

📈 투자·시사 포인트

• 매출 증가만으로 사업 성과를 판단하기 어렵다. 할인·환불을 반영한 순매출과 원가·수수료·배송비 등을 차감한 남는 금액을 함께 확인해야 한다.
• 채널·카테고리별 변화 금액을 비교하면 전체 수익성 악화에 큰 영향을 준 구간을 찾을 수 있다. 해당 구간의 할인율과 비용 비율을 주간 지표로 추적필요가 있다.
• AI 분석 도구의 실무 활용성을 판단할 때는 화면 완성도와 함께 원본 검증, 조직 권한, 공유 방식, 갱신 절차를 평가해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• 가상 데이터와 특정 시연 환경에서 나온 결과다. 완성 속도, 설명 분량, 편집 기능과 연결 방식의 차이를 모든 플랜·환경에 일반화하기 어렵다.
• 마켓 A 수납 조합에서 할인율·원가·배송비 상승은 확인됐지만, 각 항목이 왜 변했는지와 수익성 하락에 기여한 정도는 추가 확인이 필요하다.
• 스냅샷은 원본의 최신 상태를 자동으로 보장하지 않는다. 예약 실행 조건과 사본 갱신·재배포·수신 화면 새로고침까지 실제 환경에서 확인해야 한다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 비교 기간과 순매출·남는 금액의 계산 정의를 먼저 정하고 두 도구에 동일하게 제공한다.
• 인증을 확인하고 메타데이터·스키마를 조회해 필요한 테이블에 접근할 수 있는지 점검한다.
• 최초 분석의 SQL과 조회 결과를 검토해 테이블 결합, 집계 기준, 계산 조건의 누락 여부를 확인한다.
• 수신자의 조직 소속과 원본 접근 권한에 맞춰 원본 조회형 또는 고정값 사본 공유를 선택한다.

❓ 열린 질문

• 마켓 A 수납 카테고리의 할인율과 원가·배송비는 각각 어떤 이유로 상승했으며, 남는 금액 감소에 얼마나 기여했는가?
• 실제 조직의 플랜·권한·실행 환경에서는 어떤 공유 방식과 갱신 절차가 적합한가?
• 분석이 어느 정도 복잡해질 때 대시보드와 병행하던 작업을 별도 심층 분석으로 전환하는 것이 효율적인가?