YouTube시민개발자 구씨·2026년 11월 14일·0

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.

원본 열기

🖼️ 인포그래픽

회사 데이터, AI에 그냥 올려도 될까? 원본 없이 Claude Code로 분석 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

회사 데이터, AI에 그냥 올려도 될까? 원본 없이 Claude Code로 분석의 핵심 내용을 4단계로 요약한 인포그래픽
회사 데이터, AI에 그냥 올려도 될까? 원본 없이 Claude Code로 분석 핵심 내용을 4단계로 압축한 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

  1. 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.
  2. AI에 실제 분석 결과를 요구하기보다 분석 도구 제작을 맡긴다. 실제 값 없이 열 이름·자료형·시트 관계·계산 규칙을 설명하는 열 설명서가 출발점이다.
  3. 가짜 데이터는 원본의 값이나 분포를 재현하기 위한 것이 아니라 도구의 작동을 시험하기 위해 만든다. 원본에서 추출하지 않고 열 설명서만으로 생성한다.
  4. 클라우드에서 개발한 분석 화면을 인터넷 없이 실행되는 HTML로 내려받고, 실제 고객·주문 파일은 내 컴퓨터에서만 불러온다. 영상에서는 월별 순매출, 재구매, 주문이 뜸해진 단골을 분석한다.
  5. 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?

관련 문서

공통 태그와 주제 흐름을 기준으로 같이 보면 좋은 문서를 이어서 제안합니다.