AI 에이전트 대시보드 만들기 첫번째 시도

현재 BDAI 학회를 통해서 데이터 분석 수업을 듣고 있다. 주제는 AI를 이용해서 대시보드를 만드는 것이다. 대시보드를 잘 만들었다고는 말할 수 없을 것 같지만, 그래도 의미 있는 첫번째 시도였다. 내용보다는 어떤 과정을 거쳐 AI 에이전트 대시보드 만들기를 했는 지에 초점을 맞춘다.

AI 에이전트 대시보드 만들기 간단 요약

수업 시간에 마켓컬리 기업을 가지고 공부를 했었다. 그 중에 구글 플레이에서 마켓 컬리에 고객 리뷰를 확인할 수 있었다. 이 데이터를 수집해서 마켓컬리를 이용하는 고객들이 어떤 경험을 하고 있는 지를 알아보는 것이 목표였다.

더불어, 그것으로 마켓컬리에서 고객들이 어떤 불편함을 겪고 있는지, 그리고 이탈을 막기 위해 고민해야 하는 부분에 대한 것을 대시보드에 담고 싶었다.

• 데이터 수집 : 스크레이핑 기술 (도구)
• 데이터 가공 : 텍스트 데이터 -> 수치형 데이터 (AI)
• 데이터 구조 짜기(기획) : 지침서.md, 데이터 폴더, Design.md, output폴더, templates 폴더 (AI가 기본 형태 만들지만, 중요 포인트는 사람 기획)
• 대시보드 생성 : 데이터 구조를 이용한 대시보드 만들기 (AI)
• 데이터 검증 : AI가 만든 대시보드의 데이터를 원본 데이터와 비교하여 검증 – 사람

내가 강의에서 듣고 이해한 것을 바탕으로 AI 에이전트 대시보드 만들기를 시도했다.

AI 에이전트 대시보드 만들기, 데이터 수집

데이터 분석가를 준비하는 사람들에게 최고의 고민은 바로 ‘데이터 수집’에 있다. 분석은 하고 싶은데 어디서 데이터를 가져올 수 있을까?

그리고 필요한 데이터가 있는 곳을 알지만 어떻게 그 데이터를 파일로 만들 수 있을까? 수업에서 이것을 위한 좋은 확장 프로그램을 소개 받았다.

Instant Data Scraper 확장 프로그램이다. 포켓몬 아이콘이라 눈에 잘 띄는 것 같다. 웹 스크래핑 (Scraping)을 위해서 이 확장 프로그램이 필요했다. 참고로, 이것은 크롬 브라우저에서 설치할 수 있다.

위의 이미지는 구글 플레이 앱 장터에서 마켓컬리에 대한 고객 리뷰들이다. 나는 이 고객 리뷰 데이터를 Instant Data Scraper 확장 프로그램을 이용해서 웹 스크래핑을 했다. 아래와 같은 결과물을 얻었다.

기간은 2018년부터 2026년까지로 꽤 길었지만, 리뷰 건수는 194건으로 생각보다 많지는 않았다.

참고로, 엑셀에서 파일을 열 때, 컬럼명 파일이 깨져 나올 수 있는데, 이때는 그 파일을 바로 열지 말고, 새 페이지를 가져온 후, 상단 메뉴 중 data로 들어가서 get data – text/CSV 파일을 선택하면, 파일을 선택할 수 있다.

거기도 가져오면 깨지지 않는 파일을 볼 수 있다.

AI 에이전트 대시보드 만들기, 데이터 가공

웹 스크래핑을 통해 원하는 고객 리뷰 데이터를 얻었다. 그런데, 핵심이 되는 데이터가 텍스트다. 리뷰가 보통 텍스트가 아닌가?

대시보드 생성을 위해 텍스트를 수치형 데이터로 변환해야 한다는 사실만 알았다. 이 텍스트에서 어떤 부분을 수치화 할 것인지에 대해서 고민을 해야 했다.

대략적으로 나는 가지고 있는 별점을 살리고, 그 별점을 기준으로 1, 2점은 불만족, 3점은 보통, 4, 5점은 만족하는 크게 3개의 그룹화를 해야 겠다고 생각했다.

그 이유는 리뷰 별점을 통한 고객의 만족도를 확인하는 것이 중요하다고 생각했기 때문이었다.

그리고 대시보드에서 불만족에 대한 것에 더 초점을 보이기 위해 불만족 리뷰에서 나오는 핵심 키워드를 트리맵 차트로 만들면 보는 사람으로 하여금 무엇이 불만이었는 지를 직관적으로 알릴 수 있다고 생각했다.

나의 이런 저런 생각을 구글 안티그래비티에게 알려주고, 텍스트 형태의 데이터를 수치형 데이터로 생성해 달라고 요청했다. 그리고 나는 아래와 같은 CSV 파일을 얻었다.

수치형으로 된 데이터를 보니, 조금 더 어떤 데이터 컬럼을 살리면 좋겠다는 생각이 더 명확하게 들긴 했다. 불만족 건수의 카테고리를 만들고, 그에 대한 총 건수 데이터를 넣으면 좋겠다는 생각이 들었다.

AI 에이전트 대시보드 만들기, 데이터 구조 짜기 (기획)

수업을 듣기 전까지의 나였다면, 위의 수치형 데이터를 가지고 AI 에이전트에서 바로 대시보드를 만들어 달라고 했을 것이다.

하지만, 나는 수업을 통해 기획의 중요성을 배웠다. 왜 이게 꼭 필요할까? 구조를 만들어 놓고 보니, 더 명확하게 이 대시보드가 어떻게 만들어 지는 지에 대한 나의 이해도가 올라갔다. 수업에서 배운 데이터 구조는 아래와 같다.

• 지침서.md : AI 에이전트가 대시보드 생성을 하기 위해 읽고 따라야 하는 규칙
• DATA 폴더 : AI 에이전트가 보고 활용해야 하는 데이터 파일
• Design.md : 대시보드 디자인에 대한 더 세세한 규칙
• OUTPUT 폴더 : 결과물인 대시보드.html 파일 생성 위치
• Templates 폴더 : AI 에이전트가 사용자인 내가 원하는 스타일의 웹사이트, 대시보드를 참고할 수 있는 파일 등이 있는 곳

내가 생각하는 데이터 구조를 짜면 좋은 점

• 마켓컬리 말고, 다른 이커머스 데이터 고객 리뷰 데이터를 위의 구조에서 데이터 파일만 변경하면, 대시보드를 바로 생성할 수 있다. (효율성 극대화)
• Templates 에 원하는 대시보드 스타일을 찾아서 넣으면, 그 스타일과 비슷한 형태의 대시보드를 만들 수 있다. (같은 데이터 파일을 가지고)
• AI 에이전트가 무슨 생각을 가지고, 대시보드를 만드는 지 이해할 수 있다.
• 들쑥날쑥한 결과물이 아닌, 어느 정도 일관성을 가진 결과물 가질 수 있다.

AI 에이전트 대시보드 만들기, 대시보드 생성

이렇게 지침서 등이 완성이 되었다. 나는 바탕화면에 claudeproject(임의) 폴더를 하나 만들어 놓고, 그 안에 위에 만든 모든 것들을 담았다. AI 에이전트에게 위의 지침서 등 대로 대시보드 생성을 원했다.

생성된 대시보드를 처음 봤을 때, 생각보다는 별로 였다. 대시보드를 보는 입장에서 생각을 해 보았다. 그들은 어떤 것을 원할까? 어떤 점이 마켓컬리를 이용하는데 불편할까? 불만족인 이유는 뭘까? 이런 것이 아닐까 하는 생각이 들었다.

그런 입장에서 하나씩 대시보드를 손을 보기 시작했다.

AI 에이전트에게 수정할 부분을 알려주고 수정 요청했고, 수정 후에는 그 부분이 지침서와 Design 파일에 적용되기를 요청했다.

특히 트리맵 차트는 나는 만족보다는 불만족에 초점을 맞추고 싶었다. 보시는 사람 입장에서는 중요한 부분이다. 그런데 AI 에이전트는 단순히 건수가 많은 것을 제일 위로 나타내고 있었다. 몇 번을 말로 설명해도 잘 수정되지 않았다.

그러다 미국 주식 S&P 500 기업 트리맵 차트를 가져와서, templates 폴더에 넣고, 이것을 참조해 달라고 하면서 불만족 리뷰와 건수를 더 크게 만들어 달라고 요청했더니 내가 원하는 대로 나왔다. templates의 힘을 새삼 느끼게 되는 부분이었다.

이 작업을 하면서, 한 가지 내가 느낀 것은 대시보드 수정을 시도하면서, 계속해서 지침서를 보게 된다는 것이었다. 왜 얘는 이렇게 대시보드를 이렇게 만들었지? 그렇게 보면서 지침서 등을 수정하고 변경된 대시보드를 다시 확인하는 것이 전체 과정에서 꽤 오랜 시간을 차지했다.

AI 에이전트 대시보드 만들기, 데이터 검증

AI 에이전트를 완전히 믿을 수 없기에 일단 샘플로 데이터 검증을 해 보기로 했다. 생각보다 올해 데이터가 없어서 아쉽긴 했다. 2026년 구글 플레이에 올라온 고객 리뷰는 단 1건이라고 대시보드는 얘기하고 있었다.

실제 원본 데이터에서 확인해 보았다.

원본 데이터에서도 리뷰 건은 1건이었고, 핵심 이슈는 박스과다와 가격 비쌈으로 동일했다. 사실 이번 대시보드는 별점에 따른 건수가 대부분이라 쉽게 확인할 수있었지만, 마케팅 대시보드에서는 KPI 지표를 이해하기 위해서 식을 직접 한번 계산해 봐야 올바른 검증이 될 것 같다.

현 데이터 분석가에게 요구하는 역량 ‘기획’ 과 ‘검증’

예전(AI 전의 시대)에는 하나의 대시보드를 만들기 위해, 6~7명(PM, 데이터 분석가, 개발자, 디자이너 등)의 사람들이 팀으로 3~4개월 정도 작업을 해야 대시보드를 만들 수 있었다. 그 만큼 많은 품이 들어가는 작업이었다.

하지만, 시대는 변했고 AI의 등장, 더 나아가 AI 에이전트를 통해서 능력 있는 데이터 분석가는 더 빠르게, 효율적으로 대시보드를 생성해 내고 있다.

회사 입장에서 AI를 잘 활용하는 데이터 분석가를 마다할 이유가 없는 것이다.

AI 에이전트를 활용한 대시보드 만들기 과정에서 보시면, 거의 대부분을 AI 또는 프로그램을 활용한다. 그럼 데이터 분석가는 무엇을 할 것인가?

그런 점에서 강사님이 얘기하는 기획과 검증 능력이 더 부각이 될 것이라는 말에 공감이 되었다. 이 부분이 특히 다른 분석가와 차이를 만드는 능력이 아닐까 싶다.

다음주면 데이터 분석 6주차 수업이 모두 끝난다. 개인적으로는 큰 범위의 데이터 분석을 다룬 것 같아 너무 뜻깊은 것 같다.

오늘은 저의 AI 에이전트 대시보드 만들기 첫번째 시도에 대해서 얘기해 봤다. 분석 자체 보다는 전체 과정을 경험해 본 것에 만족한다.

이번 시도로 대략적으로 어떻게 돌아가는 지 감은 잡았지만, 실제 분석과는 거리가 있지 않을까 싶다. 더 많은 시도가 더 많은 느낄 점 등을 줄 것을 알기도, 내가 관심있는 주제로 또 시도해 봐야 겠다.