회사 데이터, AI에 그냥 올려도 될까? 원본 없이 Claude Code로 분석
Quick Summary
회사 데이터 원본을 AI에 올리는 대신, Claude Code에는 열 구조만 제공해 분석 도구를 만들고 실제 데이터는 내려받은 HTML로 오프라인에서 분석할 수 있다.
영상 보기
클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론
회사 데이터 원본을 AI에 올리는 대신, Claude Code에는 열 구조만 제공해 분석 도구를 만들고 실제 데이터는 내려받은 HTML로 오프라인에서 분석할 수 있다.
📌 핵심 요점
- AI의 학습 사용 여부와 고객 정보의 외부 전송 여부는 별개다. 이름만 가려도 주소·메모·주문 기록을 조합해 개인을 알아볼 수 있다면 개인정보 문제가 남을 수 있다.
- AI에 실제 분석 결과를 요구하기보다 분석 도구 제작을 맡긴다. 실제 값 없이 열 이름·자료형·시트 관계·계산 규칙을 설명하는 열 설명서가 출발점이다.
- 가짜 데이터는 원본의 값이나 분포를 재현하기 위한 것이 아니라 도구의 작동을 시험하기 위해 만든다. 원본에서 추출하지 않고 열 설명서만으로 생성한다.
- 클라우드에서 개발한 분석 화면을 인터넷 없이 실행되는 HTML로 내려받고, 실제 고객·주문 파일은 내 컴퓨터에서만 불러온다. 영상에서는 월별 순매출, 재구매, 주문이 뜸해진 단골을 분석한다.
- 원본을 보여주지 않고 개발하면 실제 파일의 형식을 놓칠 수 있다. CSV 지원, 가입 경로 표기, 원화 기호 등의 문제를 수정하고 재검증하는 과정까지 필요하다.
🧩 배경과 문제 정의
고객 명단과 주문 엑셀을 AI로 분석하고 싶어도 이름·연락처·주소·메모 같은 개인정보 때문에 외부 업로드가 부담스러울 수 있다. 영상은 그대로 업로드하기, 특정 열 가리기, 로컬 AI 사용하기의 한계를 살펴본 뒤 다른 작업 흐름을 제안한다.
AI에는 원본 대신 데이터 구조를 알려주고 분석 코드를 만들게 한다. 클라우드에서 열 설명서·가짜 데이터·인사이트 설계서·분석 HTML을 개발한 다음, 실제 파일은 내려받은 HTML을 이용해 로컬에서 처리한다. 시연 대상은 가상의 원두 쇼핑몰이며, 월별 순매출과 재구매, 주문이 뜸해진 단골을 파악하는 도구를 만드는 과정이다.
🕒 시간순 섹션별 상세정리
1. 고객 정보를 AI에 올릴 때 생기는 문제
- 개인 요금제의 학습 허용을 끄거나 업무용 요금제를 사용하더라도 고객 정보를 외부 서버로 보내는 문제는 따로 판단해야 한다고 보여준다. [00:27]
- 이름만 가려도 주소·메모·주문 기록을 결합해 개인을 짐작할 수 있다면 개인정보로 취급될 수 있다고 지적한다. [00:41]
- 로컬 AI는 원본의 외부 전송을 피할 수 있지만 설치, 분석 성능 검증, 장비 부담이 따른다. 이를 배경으로 클라우드에 고객 정보를 보여주지 않는 방식을 제안한다. [01:17]
2. 원본 대신 구조를 제공하는 분석 도구 개발
- AI에 분석 결과를 바로 요구하지 않고, 엑셀을 넣으면 매출과 단골 인사이트를 계산하는 도구를 만들어 달라고 요청한다. 필요한 정보는 실제 이름이 아니라 열과 자료형 같은 스키마다. [01:38]
- 영국 의료 데이터 연구 플랫폼의 사례로, 가짜 데이터로 분석 코드를 작성한 뒤 실제 데이터는 안전한 곳에서 실행하는 방식을 보여준다. [02:00]
- 실제 데이터와 닮은 가짜 데이터에는 재식별 위험과 검증 문제가 있다고 설명하며, 이번 시연에서는 원본 값이나 분포 대신 열 설명서만으로 가짜 데이터를 만든다. [02:35]
3. 개발 환경과 원본 파일을 분리하기
- 로컬에서 실행하는 Claude Code는 기본 설정의 일부 읽기 명령으로 작업 폴더 밖 파일도 읽을 수 있다고 보여준다. 원본과의 접점을 줄이기 위해 클라우드 세션을 선택한다. [02:54]
- 클라우드 세션은 내 컴퓨터와 분리된 가상 컴퓨터에서 실행되며, 파일 저장과 버전 관리를 위해 GitHub 저장소를 연결하는 흐름을 안내한다. [03:17]
- 대안으로 원격 서버에서 개발하고 AI 도구가 없는 별도 컴퓨터에서 인터넷을 끊고 실제 파일을 여는 방법도 보여준다. 본 시연은 설치 없이 따라갈 수 있는 클라우드 세션으로 진행한다. [03:56]
4. 클라우드 환경과 비공개 저장소 연결
- 앱의 환경 선택을 클라우드로 바꾸고 새 환경을 만든 뒤 GitHub 연결과 작업 저장소 설정을 진행한다. [04:40]
- 세션에서 비공개 저장소 생성을 요청하지만, 미리 설정된 저장소의 GitHub API만 사용할 수 있다는 제한 때문에 직접 생성하는 방법으로 전환한다. [05:17]
- GitHub 사이트에서 비공개 저장소를 만들고 연결한다. 실제 개인정보는 업로드하지 않는다는 전제에서 개발 환경 설정을 마친다. [06:20]
5. 가상 쇼핑몰 데이터와 분석 목표 확인
- 가상의 원두 쇼핑몰 파일을 실제 업무 데이터라고 가정한다. 고객 명단과 주문·결제 시트에는 개인정보뿐 아니라 카드 번호와 공동 현관 비밀번호 같은 주의할 항목도 포함돼 있다. [07:03]
- 분석 목표는 월별 순매출 변화, 구매 후 다시 산 고객의 비율, 많이 구매했지만 최근 약 세 달 동안 주문이 끊긴 단골을 찾는 것이다. [07:21]
6. 열 이름만으로 열 설명서 작성
- 원본 파일은 그대로 두고 저장소에 올리지 않는다. 고객·주문 시트의 열 이름만 붙여 넣어 열 설명서를 만들고, 필요한 추가 정보는 질문하도록 요청한다. [08:17]
- 열 이름 자체에도 개인정보로 볼 수 있는 내용이 있다면 제외해야 한다고 덧붙인다. 실제 값을 공유하지 않는 원칙은 구조 설명에도 적용된다. [08:33]
- 생성한 열 설명서는 어떤 구조의 엑셀을 분석할지 전달하는 문서이며, 이후 분석 코드를 만드는 기준으로 사용한다. [08:52]
7. 인터뷰로 업무 규칙과 지표 정의 보완
- 한 주문에 상품이 어떻게 기록되는지 질문에 답한다. 시연 데이터에서는 한 주문에 상품 한 종류가 기록되고, 상품 금액은 단가에 수량을 곱한 값이라고 정리한다. [10:07]
- 배송비와 할인 반영 방식을 설명하고, 재구매는 첫 구매 후 90일 이내, 단골은 6개월에 3회 이상으로 선택한다. 단골 명단은 홍보 연락에 쓰지 않는 조건도 설정한다. [10:46]
- 인터뷰에서도 개인을 특정할 수 있는 정보는 제공하지 않는다. 구매 인원이나 범위처럼 식별 가능성을 높일 수 있는 정보는 제외하고 구조를 설명하는 데 필요한 내용으로 답한다. [11:26]
8. 설명서를 저장하고 가짜 테스트 데이터 생성
- 보완한 열 설명서를 저장소에 반영한 뒤, 이 문서만 보고 가짜 엑셀 데이터를 생성하도록 요청한다. 실제 파일처럼 형식이 들쭉날쭉한 칸도 섞는다. [12:31]
- 가짜 데이터의 숫자는 사업적 의미가 없으며, 분석 도구가 제대로 작동하는지 확인하기 위한 테스트 재료라고 구분한다. 원하는 인사이트 유형도 먼저 문서로 정리하기로 한다. [13:11]
- 생성한 파일을 내려받아 구조를 검토한다. 실제 업무에 없는 회사명 고객 같은 불필요한 변수가 들어가면 수정하도록 피드백한다. [13:45]
9. 인사이트 설계와 오프라인 HTML 제작 요청
- 가짜 엑셀을 바탕으로 인사이트 설계서를 작성한다. 필수 분석 외에도 계산 가능한 커머스 지표를 고르고, 계산 규칙·비교 기준·결과별 문장·할 일을 정리하도록 요청한다. [14:14]
- 기존 현업의 분석 방식이 있다면 설계에 반영할 수 있다. 시연에서는 필수 3개와 선택 8개로 총 11개 인사이트가 제안되며, 필요에 따라 추가하거나 제외할 수 있다고 보여준다. [14:58]
- 인사이트 카드, 월별 순매출 차트, 단골 명단을 보여주는 HTML을 요청한다. 내려받은 파일을 인터넷 없이 더블 클릭해 열고 실제 엑셀을 불러오는 방식이 목표다. [15:35]
10. HTML 실행과 CSV 입력 지원 보완
- 제작 과정에서 라이브러리 작업에 필요한 네트워크 접근 설정을 조정한 뒤 HTML을 내려받는다. 브라우저에서 열고 파일을 넣어 분석하는 사용 방식을 확인한다. [16:06]
- 와이파이를 끊고 시험하는 과정에서 엑셀은 지원하지만 CSV 두 개를 함께 넣으면 작동하지 않는 문제를 발견해 수정을 요청한다. [16:21]
- 수정본을 다시 내려받아 로컬에서 실행하고 두 CSV 파일을 넣자 분석 화면이 작동한다. [16:42]
11. 읽기 오류를 찾아 데이터 정제 개선
- 입력 후 읽지 못한 칸이 204개로 표시된다. 가입 경로 172개와 결제 금액 32개가 누락으로 처리돼 원인을 살펴본다. [17:05]
- 개인정보가 아닌 가입 경로의 명칭을 설명하고, 원화 표시가 붙은 결제 금액도 정제하도록 요청한다. 원본 형식을 모두 전달하지 않았기 때문에 로컬 검증과 수정이 반복될 수 있다고 보여준다. [18:12]
- 띄어쓰기 차이와 원화 표시를 처리하도록 수정한 HTML을 다시 적용하자 읽지 못하는 칸이 없다고 표시된다. [18:28]
12. 분석 결과 확인과 다른 개인정보 처리 방식 비교
- 가상 데이터에서 재구매 관련 비율, 주문이 늦어진 단골, 차트와 인사이트 근거를 확인한다. 수신 동의가 없는 고객에게 홍보 연락을 하지 않는 등 행동 제안도 함께 표시된다. [19:05]
- 추가 기능이 필요하면 클라우드의 가짜 데이터와 분석 도구를 수정하고, 완성한 HTML을 다시 가져와 실제 데이터로 오프라인 분석하는 과정을 반복한다. [19:32]
- 개인정보 탐지·가림, 비식별 처리, 실제 데이터를 학습하는 합성 데이터 도구도 보여준다. 실제 데이터를 AI에 보내야 하는 경우에는 이런 대안을 검토하되, 원본을 다루는 만큼 관리가 더 까다롭다고 보여준다. [20:42]
13. 재사용 가능한 분석 시스템으로 정리
- 마지막으로 실제 자료나 이를 닮은 데이터를 Claude Code에 제공하지 않고 시트 구조만으로 개발한 뒤, 실제 분석은 오프라인의 내 컴퓨터에서 실행한다는 원칙을 정리한다. [21:16]
- 열 설명서, 인사이트 설계서, 검증한 분석 HTML을 저장소에 남겨 두면 실제 데이터가 갱신될 때 같은 HTML로 반복 분석할 수 있다고 강조한다. [21:29]
- 원본 없이 분석하고 싶은 엑셀 업무를 생각해 보도록 권하며 영상을 마친다. 인사 이후에는 음악이 계속된다. [22:10]
🧾 결론
- 핵심은 클라우드의 도구 개발과 로컬의 실제 데이터 처리를 분리하는 작업 흐름이다.
- 열 설명서와 인사이트 설계서에 데이터 구조와 업무 규칙을 명확히 적어야 원본 없이도 필요한 분석 기능을 구현할 수 있다.
- 가짜 데이터에서 실행됐다는 사실만으로 실무 적용이 끝나지는 않는다. 실제 파일을 로컬에서 넣어 누락과 계산 결과를 확인해야 한다.
- 검증한 열 설명서·인사이트 설계서·분석 HTML을 보관하면 데이터가 갱신될 때 같은 도구를 반복해서 사용할 수 있다.
📈 투자·시사 포인트
- 업무용 AI의 활용 범위는 원본 업로드에만 달려 있지 않다. 데이터를 외부에 보내기 어려운 업무에서도 분석 도구 제작을 맡기는 접근을 검토할 수 있다.
- 도입 비용을 판단할 때는 모델 사용료뿐 아니라 로컬 AI의 설치·장비 부담, 데이터 정제, 분석 규칙 설계와 검증에 드는 작업도 함께 봐야 한다.
- 반복 업무에서는 매번 분석을 요청하는 것보다 검증한 도구와 문서를 재사용하는 방식이 생산성 개선의 기반이 될 수 있다. 영상은 구체적인 절감액이나 수익률을 제시하지 않는다.
- 분석 결과를 고객 행동으로 연결할 때는 수신 동의와 연락 목적을 함께 확인해야 한다. 단골 명단에 포함됐다는 이유만으로 홍보 연락을 보내는 흐름은 경계한다.
⚠️ 불확실하거나 확인이 필요한 부분
- 요금제별 학습 정책, Claude Code의 파일 접근 범위와 클라우드 환경 동작은 영상의 설명이다. 실제 사용 환경과 설정에서도 같은 조건인지 확인해야 한다.
- 재식별 가능성과 합성 데이터 안내서의 적용 범위에 관한 법적 설명은 영상에서 소개한 내용이다. 구체적인 회사 데이터의 외부 제공 가능 여부까지 확정해 주지는 않는다.
- HTML에서 지우기를 누르거나 창을 닫으면 데이터가 남지 않는다는 설명은 도구의 안내다. 영상에는 코드 전체나 저장·통신 동작을 독립적으로 검증한 결과가 제시되지 않는다.
- 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
- 고객·주문 원본은 클라우드 세션과 저장소에 올리지 않고, 외부에 제공할 열 이름에도 개인정보가 없는지 점검한다.
- 시트별 열 이름, 자료형, 주문 기록 단위, 금액과 배송비의 관계를 실제 값 없이 열 설명서로 정리한다.
- 재구매 기간, 단골 기준, 최근 주문이 끊긴 기간과 순매출 계산 규칙을 인사이트 설계서에 명시한다.
- 열 설명서만으로 가짜 데이터를 만들고, 날짜·금액·띄어쓰기 등 형식이 고르지 않은 사례도 넣어 시험한다.
❓ 열린 질문
- 열 구조와 업무 규칙만으로 현재 필요한 분석을 충분히 구현할 수 있는가, 아니면 원본을 봐야만 가능한 분석이 포함돼 있는가?
- 실제 파일의 누락·정제 오류와 매출·재구매 계산을 어떤 기준으로 대조해 도구의 정확성을 판단할 것인가?
- 파일 구조나 업무 지표의 정의가 바뀌었을 때 열 설명서와 분석 HTML을 누가 갱신하고 다시 검증할 것인가?