AI 시대를 위한 데이터 분석 모범 사례

AI 어시스턴트에게 지난 분기 매출이 떨어진 이유를 물어보면 몇 초 만에 답변을 얻을 수 있습니다. 무슨 일이 일어났는지 설명하는 깔끔한 문단과 숫자, 차트가 함께 제공되죠. 하지만 그 답변이 올바른지는 별개의 문제입니다. 또한 그 답변은 이제 팀의 분석 결과에 따라 행동할 가치가 있는지 결정하는 기준이 되기도 합니다.

AI 덕분에 데이터 분석의 과정이 빠르고 저렴해졌습니다. 쿼리 작성, 테이블 조인, 데이터 정제 및 차트 생성은 예전에는 분석가들의 일주일 대부분을 차지하곤 했습니다. 이제는 몇 초면 끝납니다. 이로 인해 많은 팀이 분석을 완전히 위임할 수 있는 단계로 여기게 되었습니다.

하지만 증거는 신중을 기해야 한다고 말합니다. 연구원들이 실제 엔터프라이즈 데이터베이스를 바탕으로 벤치마크인 Spider 2.0을 구축했을 때, 그들이 테스트한 최고의 AI 에이전트는 전체 작업의 21.3%를 해결했습니다. 더 깔끔한 데이터를 가진 기존의 학술적 벤치마크에서는 동일한 접근 방식으로 91.2%를 해결했습니다.

그렇다면 AI 시대의 데이터 분석을 위한 모범 사례는 무엇일까요? 이는 AI가 직접 처리할 수 없는 워크플로우의 양쪽 끝에 집중되어 있습니다. AI가 데이터를 건드리기 전에 질문을 정확하게 프레임하세요. 누군가 행동에 나서기 전에 답변을 검증하세요. 그 사이에 있는 모든 과정은 점점 더 쉬워지고 있습니다. 하지만 이 양쪽 끝의 과정은 점점 더 어려워지고 있으며, 그 가치도 커지고 있습니다.

데이터 분석은 애초부터 쿼리에 관한 것이 아니었습니다

데이터 분석은 결정에 대한 불확실성을 줄이기 위해 존재합니다. 그저 재미로 이탈률을 분석하는 사람은 없습니다. 팀이 이탈률을 분석하는 이유는 가격 정책을 변경할지, 온보딩을 개편할지, 아니면 고객 성공 팀 직원을 더 채용할지 결정해야 하기 때문입니다.

이 프로세스는 다섯 단계로 이루어집니다:

1. 질문 프레임화하기
2. 데이터 수집 및 준비하기
3. 방법 선택 및 실행하기
4. 결과 검증 및 해석하기
5. 의미 전달하기

2단계와 3단계에는 대부분의 기술적인 과정이 포함됩니다. 수십 년 동안 그 반복적인 작업에 대부분의 시간이 소요되었기 때문에, 결과는 대개 1단계와 4단계에 달려 있다는 사실을 잊기 쉬웠습니다. 쿼리가 완벽하더라도 잘못된 질문에 대한 답을 낼 수 있습니다. 차트가 아름다워도 오해를 불러일으킬 수 있습니다. AI는 이러한 사실을 무시하기 훨씬 더 어렵게 만들었을 뿐입니다.

데이터 분석 과정에서 AI가 실제로 인수한 부분

AI 기반 분석의 핵심은 자연어 질문을 데이터베이스 쿼리로 변환하는 텍스트-투-SQL(text-to-SQL)입니다. 지난 분기에 엔터프라이즈 고객으로부터 얼마나 많은 매출이 발생했는지 물어보면 AI 도구가 쿼리를 작성해 줍니다. 주문 금액을 합산하고, 주문을 고객과 연결하고, 엔터프라이즈 세그먼트로 필터링한 후, 결과를 올바른 날짜 범위로 제한합니다. 그런 다음 결과를 차트로 만들고, 요약을 초안으로 작성하고, 다음에 무엇을 물어봐야 할지 제안합니다.

이는 진정한 발전이며, 그렇기 때문에 당사가 AI를 인간의 분석을 보강하는 공동 분석가로 설명하는 이유입니다.

하지만 그 매출 질문에 답하는 동안 도구가 스스로 결정한 내용을 살펴보세요. 아마도 '매출'이 환불 전의 주문 금액을 의미한다고 가정했을 것입니다. 또는 회사가 회계연도를 따르더라도 '지난 분기'가 7월부터 9월을 의미한다고 가정했을 것입니다. 엔터프라이즈 고객이 데이터에 'ENT'가 아니라 'Enterprise'로 레이블이 지정되어 있다고 가정했을 수도 있습니다. 그리고 찾은 첫 번째 주문 테이블이 올바른 테이블이라고 가정했을 것입니다. 이러한 선택 중 어느 것도 정확하지 않았지만, 어느 것도 경고를 유발하지 않았습니다. 도구는 깔끔한 숫자를 반환했습니다.

답변을 생성하는 데 비용이 거의 들지 않을 때, 팀은 훨씬 더 많은 답변을 생성합니다. 틀린 답변은 맞는 답변만큼 빠르고 세련되게 도착하며, 똑같이 멀리 퍼집니다. 리스크는 분석을 '만드는 것'에서 '신뢰하는 것'으로 이동했습니다. 이 중 그 어떤 것도 데이터 준비나 방법 선택을 자동으로 만들어주지 않습니다. 소스가 최신인지, 조인이 레코드를 중복 계산하는지, 측정항목이 질문에 적합한지 여부를 여전히 누군가 결정해야 합니다. AI는 경로의 더 많은 부분을 처리합니다. 각 단계 내의 판단은 여전히 사람의 몫입니다.

실제 엔터프라이즈 데이터는 문제를 더욱 악화시킵니다. 학술 테스트 세트는 깔끔한 데이터베이스를 사용합니다. 기업에는 수백 개의 테이블, 알아보기 어려운 열 이름, 동일한 지표의 세 가지 버전이 있습니다. 이러한 복잡함이 바로 Spider 2.0이 포착한 것이며, 점수가 급격히 떨어진 이유입니다. 엔터프라이즈 분석에서 어려운 부분은 결코 SQL이 아닙니다. 바로 회사의 컨텍스트입니다.

질문 프레임화가 이제 가장 어려운 단계입니다

답변의 비용이 저렴해질수록 질문이 더 큰 무게를 갖게 됩니다. 모호한 질문을 AI에게 던지면 완전히 실패하는 경우는 드뭅니다. 약간 다른 질문에 대해 자신감 넘치는 답변을 얻게 되며, 아무도 눈치채지 못합니다.

잘 프레임화된 분석 질문은 다음 다섯 가지를 수행합니다:

• 어떤 결정에 도움이 되는지 명시합니다. 답변에 따라 누군가는 무엇을 다르게 할 것인가요?
• 용어를 정의합니다. 이탈, 활성 고객 또는 매출로 정확히 무엇이 집계되나요?
• 모집단과 시간 창을 설정합니다. 어떤 고객을 대상으로, 어떤 날짜에 걸쳐, 어떤 제외 사항이 적용되나요?
• 기준선을 명시합니다. 지난 분기, 작년 동기 또는 목표 중 무엇과 비교하나요?
• 계획을 변경하게 만들 조건을 말합니다. 행동에 옮길 만큼 결과가 얼마나 커야 하나요?

"매출이 감소한 이유는 무엇인가요?"라는 질문을 "작년 동기 대비 이번 분기에 기존 북미 고객으로부터 발생한 인식 매출이 변경된 이유는 무엇이며, 어떤 고객 세그먼트가 가장 큰 기여를 했나요?"와 비교해 보세요. 두 번째 버전은 데이터를 건드리기 전에 지표, 모집단, 지역, 비교 및 분석을 확정합니다. AI가 추측으로 채워야 할 빈틈을 훨씬 줄여줍니다.

좋은 AI 도구는 여기서 도움이 됩니다. 앞서 작성했듯이 사용자가 모호한 질문을 할 때 "AI는 가정을 하기보다는 명확한 설명을 구해야 합니다." 하지만 도구는 자신이 인지하는 모호성에 대해서만 질문할 수 있습니다. 사용자가 실제로 내리려고 하는 결정이 무엇인지 알 수 있는 방법은 없습니다. 설상가상으로 유창성은 불충분하게 명세된 답변을 실제보다 더 권위 있는 것처럼 느끼게 만들 수 있습니다.

이로 인해 프레임화는 온전히 분석가의 직무 설명에 해당하게 됩니다. 프롬프트를 분석 명세서로 취급하세요. AI에게 메커니즘을 요청하기 전에 결정, 용어, 범위 및 성공 기준을 정의하세요. 가장 가치 있는 분석 작업 중 일부는 첫 번째 쿼리가 실행되기 전에 이루어집니다. 이는 이해관계자와 함께 앉아 결정을 확정하고 데이터가 답할 수 있는 용어로 질문을 작성하는 것과 같습니다.

질문에 데이터 분석 방법 맞추기

날카로운 질문이라도 잘못된 방식으로 답변하면 잘못된 답을 얻을 수 있습니다. 분석 질문은 네 가지 광범위한 범주로 나뉘며, 이는 비즈니스 분석의 네 가지 유형과 긴밀하게 일치하며, 각각 다른 종류의 방법을 요구합니다.

AI 도구는 계산하기 가장 쉬운 것을 선택하는 경향이 있습니다. 이는 대개 설명이나 상관관계를 의미하며, 여기서 익숙한 네 가지 실수가 스며듭니다:

원인으로 오인되는 상관관계. 특정 기능을 사용하는 고객은 이탈률이 낮을 수 있으며, AI 요약은 해당 기능이 이탈률을 줄인다고 결론지을 수 있습니다. 그럴 수도 있습니다. 혹은 가장 충성도 높은 고객이 더 많은 기능을 사용하고 기능과 전혀 상관없는 이유로 이탈률도 낮을 수 있습니다. 기능을 무작위 그룹에 배포하고 결과를 비교하는 것과 같은 실험만이 그 차이를 말해줄 수 있습니다. 이는 효과가 없는 곳에 돈을 쏟아붓게 만들기 때문에 분석에서 가장 비용이 많이 드는 실수입니다.

실제 이야기를 숨기는 평균. 두 가지 온보딩 흐름을 상상해 보세요. 흐름 A는 중소기업에서 더 나은 전환율을 보이고(25% 대 20%), 엔터프라이즈 고객에서도 더 나은 전환율을 보입니다(60% 대 50%). 하지만 흐름 B는 어째서인지 어느 쪽이든 더 높은 전환율을 보이는 엔터프라이즈 고객을 주로 유치하게 되어 전체적으로 47% 대 28%로 훨씬 더 좋아 보입니다. 통계학자들은 이를 심슨의 역설(Simpson's paradox)이라고 부릅니다. 결합된 수치만 보고하는 AI 도구는 더 약한 흐름을 추천할 것입니다.

잘못된 기준선. 소매 판매는 매년 12월에 급증하므로, 11월 대비 40% 상승했다는 사실은 많은 것을 알려주지 않습니다. 작년 같은 달이 중요한 비교 대상이며, 이를 선택하는 것은 프레임화 결정입니다.

범위가 없는 예측. 짧은 트렌드 선을 연장하면 정확해 보이지만 대개 그렇지 않은 예측이 생성됩니다. 유용한 예측은 범위를 제공하고 그 뒤에 숨겨진 가정을 명시합니다. 또한 누구나 그것에 의존하기 전에 모델이 한 번도 본 적 없는 보류 기간을 대상으로 테스트되어야 합니다.

AI는 이 모든 과정에서 유용한 파트너가 될 수 있습니다. 대안을 제안하고, 가정을 설명하며, 추가 검사를 제안할 수 있습니다. 하지만 "AI가 그것을 선택했다"는 것은 방법론적인 정당화가 아닙니다. 올바른 방법을 선택하는 것은 여전히 더 기본적인 것, 즉 모든 사람이 의미하는 바와 일치하는 입력에 달려 있습니다.

거버넌스가 적용된 정의가 AI 분석의 정답 여부를 결정하는 이유

세 팀에 지난 분기 매출을 물어보면 세 가지 다른 숫자가 나올 수 있습니다. 재무팀은 환불을 제외한 순매출을 보고하고, 영업팀은 예약 건수를 집계합니다. 마케팅팀은 30일 이내에 로그인한 사람을 활성 고객으로 정의하는 반면, 제품팀은 90일을 기준으로 잡습니다. 각 대시보드는 자체적으로 일관성이 있습니다. 하지만 서로 결과가 달라서 회의는 어떤 숫자가 맞는지 논쟁하는 자리로 변질됩니다.

AI는 이 문제를 더욱 악화시킵니다. '매출(revenue)'이라는 열(column) 이름만으로는 비즈니스에서 말하는 것이 예약 매출, 청구 매출, 실현 매출 또는 순매출 중 어떤 것인지 모델이 알 수 없습니다. 질문에 답하려면 AI 도구가 그중 하나를 선택해야 합니다. 만약 정의가 개별 대시보드와 보고서 안에 갇혀 있다면, AI 도구는 대충 추측하거나 먼저 발견한 충돌을 그대로 이어받게 됩니다. 결국 개별 질문에 답하면서 조직 간의 의견 차이까지 강제로 해결해야 하는 상황에 놓이는 것입니다. 그 결과, 서로 다른 사용자가 각각 내부적으로는 그럴듯하지만 서로 다른 지표를 기반으로 만들어진 답변을 얻게 됩니다.

해결책은 시맨틱 레이어(semantic layer)입니다. 이는 비즈니스 용어의 데이터상 의미를 단 한 곳에서 정의함으로써 모든 대시보드와 AI 도구가 동일한 정의를 사용하도록 만드는 공간입니다. 팀들은 각 용어의 의미와 범위가 명확하다면 자신들만의 유효한 뷰를 계속 유지할 수 있습니다. 가트너(Gartner)는 이것이 매우 중요해질 것으로 전망합니다. 가트너는 2027년까지 AI 준비가 된 데이터에서 시맨틱을 우선시하는 조직이 에이전틱 AI(agentic AI) 정확도를 최대 80%까지 높이고 비용을 최대 60%까지 줄일 것이라고 예측했습니다.

단 하나의 프로젝트에서 이러한 효과가 나타나는 과정을 지켜볼 수 있습니다. 한 Databricks 연습 가이드에서 한 팀이 마케팅 데이터 세트를 위해 대화형 분석 도구인 AI/BI Genie를 설정하고 13개의 벤치마크 질문으로 테스트를 진행했습니다. 원본 테이블만 있는 상태에서는 Genie가 질문 중 어느 것에도 정답을 맞히지 못했습니다. 테이블 설명, 테이블 간의 연결 방식을 보여주는 키(key), 그리고 주요 열의 실제 값 목록을 추가하자 정확도가 54%로 상승했습니다. 커스텀 지표에 대한 예시 쿼리를 추가하니 77%에 도달했습니다. 테스트 캠페인 제외 및 회계 달력 사용과 같은 작성된 비즈니스 규칙을 적용하자 100%에 도달했습니다. 0%일 때와 100%일 때 모델은 동일했습니다. 모든 향상은 문맥(context)에서 비롯되었습니다.

이것이 바로 데이터 플랫폼 자체에 거버넌스(governance)와 비즈니스 의미를 구축하는 이유입니다. Databricks Data + AI Platform에서는 이 역할을 Unity Catalog Business Semantics가 담당합니다. 이 기능은 지표, 비즈니스 규칙 및 정의를 하나의 대시보드 안에 가두는 대신, 다양한 분석 및 AI 경험에서 재사용할 수 있도록 설계되었습니다. 이 공유된 문맥은 AI/BI Dashboards, Genie, SQL, 노트북(notebook), 에이전트를 지원할 수 있으며, 거버넌스 제어를 통해 각 사용자가 액세스할 수 있는 데이터와 문맥을 결정합니다. AI가 생성한 실수는 종종 완성된 형태처럼 보이기 때문에 이러한 격차는 중요합니다. 잘 만들어진 차트는 결함이 있는 분모나 재무팀이 사용하는 것과 다른 정의를 숨길 수 있습니다.

거버넌스는 신뢰 측면에서도 성과를 냅니다. 프레시슬리(Precisely)와 드렉셀 대학교(Drexel University)의 르보 경영대학원(LeBow College of Business)은 2026년 보고서를 위해 505명의 데이터 리더를 대상으로 설문조사를 진행했습니다. 거버넌스 프로그램을 갖춘 조직 중 71%가 데이터에 대한 높은 신뢰를 보고한 반면, 그렇지 않은 조직은 50%에 그쳤습니다.

누군가 행동에 나서기 전에 AI가 생성한 분석을 검증하는 방법

거버넌스가 적용된 정의는 답변을 검증 가능하게 만들어 줍니다. 하지만 여전히 누군가는 이를 확인해야 하며, 많은 조직이 이를 생략하고 있습니다. 맥킨지(McKinsey)의 2025년 3월 AI 현황 조사에 따르면, 생성형 AI를 사용하는 조직의 응답 중 27%만이 직원이 사용 전에 모든 결과물을 검토한다고 답했습니다. 이와 비슷한 비율의 응답자는 20% 이하만 검토된다고 답했습니다.

검증은 신중하게 이루어지는 한 빠르게 진행될 수 있습니다. 다음 7가지 검증을 통해 대부분의 문제를 잡아낼 수 있습니다:

1. 질문을 다시 작성하고 정의를 확인하세요. 지표가 정확히 무엇이며, 어떤 레코드, 기간, 예외 사항이 적용되나요? 이것이 불분명하다면 분석은 아직 검증할 준비가 되지 않은 것입니다.
2. 출처를 확인하세요. 데이터가 공인된 출처에서 왔는지, 최신 상태인지, 질문한 사람에게 적절한지 확인하세요.
3. 로직을 읽어보세요. 생성된 쿼리의 필터, 조인(join), 집계 수준을 검토한 다음 행 개수, 널(null) 값, 중복을 살펴보세요. 300%라는 갑작스러운 급증은 획기적인 성과라기보다는 조인이 중복되었을 가능성이 더 높습니다.
4. 알려진 숫자와 대조하세요. 중요한 총합을 공인된 지표, 신뢰할 수 있는 보고서 또는 독자적인 계산 결과와 연결해 보세요. 차이가 난다면 더 진행하기 전에 그 이유를 찾아내야 합니다.
5. 세부적으로 쪼개어 보세요. 주요 세그먼트 전반에서 결과가 유지되는지 확인하세요. 이것이 바로 심슨의 역설(Simpson's paradox)이 발표 자료에 들어가기 전에 미리 잡아내는 방법입니다.
6. 대안을 테스트해 보세요. 타당하지만 다른 방법을 사용했어도 동일한 결정으로 이어졌을까요? 교란 변수가 이 패턴을 설명할 수 있을까요?
7. 기록을 남기세요. 다른 사람도 결과를 재현할 수 있도록 출처, 쿼리, 정의, 가정 및 한계점을 저장해 두세요.

위험 부담에 맞춰 노력을 기울이세요. 주간 트래픽 요약은 로직을 간단히 살펴보는 것으로 충분합니다. 가격 결정과 같은 중요한 사안은 전체 목록을 검토해야 합니다. 그리고 AI에게 스스로 확신하는지 묻는 것은 검증에 해당하지 않습니다.

올바른 도구를 사용하면 이러한 검증이 일상적인 절차가 됩니다. 예를 들어 Genie는 각 답변에 도달한 과정을 보여주므로, 언제든 로직을 직접 읽고 확인할 수 있습니다.

분석 리더가 팀에 구축해야 할 역량

꼼꼼한 분석가 한 명이 검토를 수행하는 방식으로는 규모를 키우기 어렵습니다. 분석 팀의 책임자에게 진정한 과제는 팀 전체가 일하는 방식에 프레임 framing과 검증 절차를 내재화하는 것입니다.

이는 분석가의 역할에 대한 인식의 전환에서 시작됩니다. 분석가는 답변을 생산하는 데 시간을 덜 쓰고, AI가 좋은 결과를 낼 수 있도록 문맥을 큐레이션하는 데 더 많은 시간을 할애합니다. 실제로 이는 정의 유지 관리, Genie 스페이스 설정, 벤치마크 질문 작성, 플래그가 지정된 결과 검토를 의미합니다. 이 역할은 초안 작성자보다는 편집자의 모습에 더 가까워집니다. 가장 뛰어난 분석가는 비즈니스 의사결정, 데이터, 방법론 및 AI 시스템 사이를 이어주는 번역가 역할을 합니다.

이러한 변화에 따라 필요한 기술도 달라집니다:

• 비즈니스 이해관계자와 함께 질문의 틀(framing) 잡기
• 상관관계가 충분하지 않은 시점을 아는 것을 포함한 통계적 및 실험적 추론
• 터무니없는 숫자를 알아차릴 수 있을 만큼 깊이 있는 도메인 지식
• 그레인(grain), 조인, 품질, 리니지(lineage)에 대한 데이터 리터러시와 공유된 정의에 대한 스튜어드십
• AI를 사용하여 대안을 탐색하고, 알려진 모범 사례와 비교하여 결과 평가하기
• 임원진에게 불확실성을 알기 쉬운 언어로 설명하기

많은 팀이 아직 그 수준에 이르지 못했습니다. 앞서 언급한 프레시슬리와 드렉셀 르보의 설문조사에서, 데이터 리더의 51%가 AI 준비를 위한 최우선 필요 조건으로 스킬을 꼽았으며, 매우 준비되어 있다고 답한 비율은 38%에 불과했습니다.

리더는 팀의 분석 결과가 신뢰받을 자격이 있는지 어떻게 알 수 있을까요? 다음 5가지 신호를 살펴보세요:

• 공유된 분석이 수정되어야 하는 빈도
• 일관되지 않은 정의로 인해 팀 간에 의견 충돌이 발생하는 빈도
• 오래되거나 인증되지 않은 출처가 중요한 업무에 나타나는지 여부
• 임팩트가 큰 결과물에 문서화된 담당자가 있는지 여부
• 기저의 분석이 잘못되어 의사결정이 번복되는지 여부

AI 기반 업무의 경우, 검증된 정답이 포함된 대표적인 질문 세트를 유지하고 사용자 및 비즈니스 도메인 전반에 걸쳐 결과를 정기적으로 평가하세요. 액세스 범위가 넓어질수록 위험 부담은 더욱 커집니다. AI/BI는 별도의 좌석 라이선스 비용 없이 플랫폼에 내장되어 있으므로, 거버넌스가 적용된 분석이 데이터 팀을 넘어 훨씬 넓은 범위에 도달할 수 있습니다. 수천 명의 사용자가 질문을 던질 수 있는 환경에서는 엄격함을 소수의 분석가에게만 의존할 수 없습니다. 시스템 자체에 내장되어야 합니다.

AI 시대의 데이터 분석을 위한 5가지 모범 사례

1. 도구가 아닌 의사결정부터 시작하세요. AI에게 답변을 요구하기 전에 무엇을 결정해야 하는지, 누가 그 결정을 담당하는지, 어떤 증거가 행동 방침을 바꿀 수 있는지 정의하세요.
2. 비즈니스 의미를 명확히 하세요. 지표, 기간, 비즈니스 규칙에 대해 공유된 정의를 사용하세요. 하나의 용어가 두 가지 의미로 해석될 수 있다면, AI가 이를 유추하기를 기대하는 대신 그 차이를 문서화하세요.
3. 방법과 주장을 일치시키세요. 설명, 세분화, 예측 및 인과 관계 설계는 서로 다른 주장을 뒷받침합니다. 가장 쉬운 방법에 휘둘려 결론을 내리지 마세요.
4. 증거 체인을 검증하세요. 출처, 정의, 논리 및 가정을 확인하세요. 주요 결과를 검증된 신뢰할 수 있는 레퍼런스와 비교하고, 타당한 대안들 속에서도 결론이 유지되는지 확인하세요.
5. 기준을 낮추는 대신 AI를 활용해 분석 역량을 확장하세요. AI는 반복적인 작업을 처리하고 접근성을 넓히는 데 사용하고, 질문과 증거, 그리고 결정에 대한 책임은 사람이 계속 지도록 하세요.

FAQ

데이터 분석이란 무엇이며, 비즈니스 의사 결정에 왜 중요할까요?

데이터 분석은 데이터를 활용해 의사 결정의 불확실성을 줄이는 과정입니다. 의사 결정의 품질은 그 뒤에 있는 질문과 증거의 품질을 뛰어넘는 경우가 드 거기 때문에 중요합니다.

데이터 분석 과정의 주요 단계는 무엇인가요?

질문 정의하기, 데이터 준비하기, 방법 적용하기, 결과 검증하기, 그리고 의미 전달하기의 5가지 단계가 있습니다. 현재 AI는 중간 단계들을 가장 빠르게 처리해 줍니다.

데이터 분석에서 가장 흔한 실수는 무엇인가요?

대부분은 최종 차트가 나오기 전에 발생합니다. 불명확한 질문, 일관되지 않은 정의, 대표성 없는 모집단, 원인으로 둔갑한 상관관계, 그리고 레코드를 이중으로 세는 잘못된 수준의 조인 등이 이에 해당합니다. AI는 이러한 작업을 가속화할 수 있지만, AI의 실수는 종종 완성된 형태처럼 보입니다.

AI가 생성한 데이터 분석은 어떻게 검증하나요?

질문을 다시 정의하고 개념을 확인하는 것으로 시작하세요. 그런 다음 출처를 확인하고, 생성된 쿼리를 읽고, 주요 합계가 신뢰할 수 있는 레퍼런스와 일치하는지 대조하고, 타당한 대안 하에서도 결론이 유지되는지 테스트하세요.

AI가 데이터 분석가를 대체하게 될까요?

AI는 분석 업무 중 기계적인 작업을 상당 부분 대신하고 있습니다. 판단은 여전히 사람의 몫입니다. 질문을 정의하고, 방법을 선택하고, 정의를 관리하고, 결과를 검증하는 분석가들이 그 결과 더욱 가치 있는 존재가 되고 있습니다.

이제는 판단력이 새로운 병목 현상입니다

AI는 분석 팀이 쿼리를 작성하고 데이터를 정제하는 데 쓰던 시간을 돌려주었습니다. AI를 가장 잘 활용하는 팀은 워크플로우의 양쪽 끝, 즉 한쪽에서는 더 날카로운 질문을 던지고 다른쪽에서는 더 강력한 검증을 수행하는 데 그 시간을 사용할 것입니다. 또한 모든 사람이 공유하는 정의를 바탕으로 구축을 진행할 것입니다.

이것이 바로 AI/BI가 지원하도록 설계된 분석의 형태입니다. 자체적으로 거버넌스가 적용된 데이터를 바탕으로 자연어 답변을 제공하며, 필요한 모든 사람이 이용할 수 있습니다.

더 나은 분석은 올바른 질문으로 시작하여 신뢰할 수 있는 답변으로 끝납니다. Databricks AI/BI가 조직의 거버넌스 정의를 기반으로 자연어 분석을 수행하여 모든 대시보드와 후속 질문이 동일한 지표를 사용하도록 지원하는 방법을 확인해 보세요. AI가 분석가의 역할을 어떻게 바꾸고 있는지 더 넓은 시야에서 살펴보려면 How AI Is Transforming Data Analytics를 읽고 현대 분석 워크플로우를 단계별로 확인해 보세요.

(이 글은 AI의 도움을 받아 번역되었습니다. 원문이 궁금하시다면 여기를 클릭해 주세요)