Claude로 데이터를 읽는 법

숫자를 인사이트로 바꾸는 분석 시스템

Claude, 나는 이렇게 쓴다 【실행 편 시리즈 9편】

- 데이터를 보고도 할 말이 없었던 당신을 위하여

"숫자는 사실을 말한다. 하지만 의미는 인간이 만든다."

— 에드워즈 데밍 (W. Edwards Deming)

데이터는 있었다. 할 말이 없었다

서울 강북구의 유통 회사에서 마케팅 분석을 담당하는 김도연(33세) 씨는 매달 같은 상황에 처했습니다.

월간 보고 자료를 준비할 때마다 엑셀 파일이 세 개였습니다. 매출 데이터, 고객 행동 데이터, 광고 성과 데이터. 숫자는 충분했습니다. 그런데 보고서 앞에 앉으면 손이 멈췄습니다.

"이 숫자가 뭘 말하는 건지 모르겠어."

전환율이 2.3%에서 1.9%로 떨어졌습니다. 나쁜 것은 알겠습니다. 그런데 왜인지, 어디가 문제인지, 무엇을 해야 하는지는 숫자가 말해주지 않았습니다. 팀장은 늘 물었습니다. "So What이 뭔데?" 그분은 늘 막혔습니다.

"전환율이 0.4% p 떨어졌어. 이게 뭘 의미하는지, 어떻게 말해야 할지 모르겠어."

→ Claude: 숫자 하나만으로는 의미가 없습니다. 세 가지를 더 주시면 인사이트가 나옵니다.

첫째, 업계 평균 또는 전년 동기 수치

둘째, 같은 기간 광고비나 트래픽 변화

셋째, 어느 단계(유입·클릭·구매)에서 이탈했는지

이 세 가지가 있으면 '왜'가 보이고, '왜'가 보이면 할 말이 생깁니다.

그분은 세 가지를 찾아 입력했습니다. 5분 뒤, 화면에 세 문장이 떴습니다.

"전환율 하락의 주요인은 모바일 장바구니 이탈입니다. 같은 기간 모바일 유입은 18% 증가했지만 모바일 구매 완료율은 전월 대비 31% 감소했습니다. 광고비 증가로 트래픽은 늘었으나, 모바일 결제 UX에서 이탈이 집중되고 있습니다. 우선순위는 광고 최적화가 아닌 모바일 체크아웃 개선입니다."

그분은 그 세 문장으로 보고를 시작했습니다. 팀장이 말했습니다. "이번 달 분석 제일 명확했어."

데이터는 답을 갖고 있지 않습니다. 올바른 질문이 답을 꺼냅니다. Claude는 그 질문을 만드는 파트너입니다.

1. 데이터 분석이 어려운 진짜 이유

데이터를 보고 할 말이 없는 것은 분석 능력이 부족해서가 아닙니다. 구조의 문제입니다.

• What만 보고 Why를 못 본다 — 숫자가 변한 것은 알지만 원인을 찾지 못한다

• 비교 기준이 없다 — 이 숫자가 좋은 건지 나쁜 건지 맥락이 없다

• So What을 만들지 못한다 — 발견을 행동으로 연결하는 다리가 없다

• 데이터가 너무 많다 — 무엇을 봐야 할지 몰라 전부를 나열한다

Claude는 이 네 가지 문제를 각각 해결합니다. What을 Why로 연결하고, 비교 맥락을 찾고, 발견을 행동 제안으로 바꿉니다.

Claude는 데이터를 분석하는 것이 아닙니다. 데이터에서 이야기를 찾아내도록 돕는 것입니다.

단, 한 가지를 명확히 합니다. Claude는 여러분이 입력한 데이터만 봅니다. 데이터의 정확성을 보장하지 않고, 업계 특수성이나 내부 맥락은 여러분이 보완해야 합니다. Claude의 분석은 출발점이지 최종 결론이 아닙니다. 항상 여러분의 경험과 판단을 더하십시오.

2. 데이터 분석의 황금 3단계 — What·Why·So What

모든 데이터 분석은 세 질문으로 완성됩니다. 이 구조를 Claude와 함께 쓰면 숫자가 이야기가 됩니다.

1단계 — What : 무슨 일이 일어났는가

숫자를 그대로 읽는 단계입니다. 여기서 실수는 해석을 섞는 것입니다. 먼저 사실만 정확하게 파악합니다.

아래 데이터에서 가장 눈에 띄는 변화 3가지를 찾아줘.

해석은 하지 말고, 사실(무슨 숫자가 어떻게 변했는지)만.

[데이터 붙여 넣기 또는 설명]

각 변화를 이렇게 표현해 줘:

- [지표]가 [기간] 동안 [얼마나] [증가/감소]했다

2단계 — Why : 왜 그랬는가

가장 어려운 단계입니다. 원인은 데이터 안에 숨어 있거나, 데이터 밖에 있습니다. Claude는 가설을 만드는 것을 돕습니다.

위에서 발견한 변화의 원인 가설을 3가지 만들어줘.

추가 맥락:

- 같은 기간 외부 요인: [경쟁사 동향, 시장 변화, 계절성 등]

- 내부 요인: [캠페인 변화, 가격 조정, 운영 이슈 등]

각 가설을 검증하려면 어떤 데이터를 추가로 봐야 하는지도 알려줘.

3단계 — So What : 그래서 뭘 해야 하는가

분석의 마지막이자 가장 중요한 단계입니다. 발견이 행동으로 연결되지 않으면 분석은 의미가 없습니다.

위 분석 결과를 바탕으로 경영진에게 제안할 행동 3가지를 도출해 줘.

각 제안은 이 구조로:

- 발견: [What + Why 요약]

- 제안: [구체적 행동]

- 기대 효과: [숫자로 표현 가능하면]

- 우선순위: [즉시 / 이번 달 / 다음 분기]

What을 아는 것은 리포터의 일입니다. Why를 아는 것은 분석가의 일입니다. So What을 아는 것은 전략가의 일입니다.

3. 실전 대화 — 전환율 분석의 전체 흐름

김도연 씨의 실제 분석 대화 전체를 공개합니다. 데이터가 없어도 이 흐름만 따라가면 됩니다.

▶ 1 턴 — What 파악

"지난달 전환율 1.9%, 전달 2.3%. 모바일 유입 18% 증가. 광고비 20% 증가. 매출은 3% 증가. 이 데이터에서 뭐가 보여?"

→ Claude: 세 가지 패턴이 보입니다.

① 광고비 20% 증가 대비 매출 3% 증가 — 광고 ROI 급감

② 모바일 유입 18% 증가 대비 전환율 하락 — 모바일에서 이탈 가능성

③ 트래픽은 늘었지만 구매로 연결 안 됨 — 유입 품질 또는 UX 문제

▶ 2 턴 — Why 탐색

"모바일 결제 단계별 이탈을 보니 '결제수단 선택' 단계에서 이탈이 31% 늘었어."

→ Claude: 원인 가설이 세 개로 좁혀집니다.

A. 결제 옵션이 부족함 (간편 결제 미지원 등)

B. 결제 페이지 로딩 속도 문제 (모바일 UX)

C. 신규 유입 고객의 결제 경험 미숙 (광고로 처음 온 고객)

검증 방법: 결제 페이지 평균 체류 시간과 오류 로그를 확인하십시오.

▶ 3 턴 — So What 도출

"결제 페이지 평균 체류 시간이 정상 구매의 2배고, 간편 결제가 경쟁사보다 2개 적어."

→ Claude: 경영진 보고 제안문입니다.

「모바일 전환율 하락의 핵심 원인은 결제 UX입니다.

경쟁사 대비 간편 결제 옵션 부족으로 결제 이탈이 31% 증가했으며,

이는 광고비 20% 증가 효과를 상쇄하고 있습니다.

즉시 조치: 네이버페이·카카오페이 추가 (2주 내 가능).

기대 효과: 모바일 전환율 0.3~0.5% p 회복, 월 추가 매출 약 1,200만 원 추정.」

김도연 씨는 이 세 문단을 그대로 보고서 첫 페이지에 넣었습니다. 팀장의 반응은 단 한 마디였습니다. "바로 개발팀에 요청해."

4. 상황별 데이터 분석 프롬프트 12가지

지금 복사해서 [ ] 안만 바꾸면 바로 사용할 수 있습니다.

▶ 기본 분석

① 단일 지표 의미 해석

당신은 데이터 분석가입니다.

[지표명]이 [기간] 동안 [변화 내용]했습니다.

업계 평균: [있으면] 전년 동기: [있으면]

이 숫자가 좋은 건지 나쁜 건지, 얼마나 심각한지 평가해 줘.

그리고 원인 가설 3가지를 만들어줘.

② 복수 지표 상관관계 분석

아래 두 지표 사이의 관계를 분석해 줘.

지표 A: [내용과 수치]

지표 B: [내용과 수치]

같이 움직이는지, 반대로 움직이는지,

A가 B에 영향을 줄 수 있는지 인과 가설을 세워줘.

③ 이상치(Anomaly) 탐지

아래 데이터 시계열에서 이상한 패턴을 찾아줘.

[월별/주별 데이터 붙여 넣기]

어느 시점에 급변이 있는지,

그 시점에 무슨 일이 있었을지 가설을 제시해 줘.

▶ 비즈니스 분석

④ 매출·성과 분석

당신은 McKinsey 애널리스트입니다.

아래 매출 데이터를 What-Why-So What 구조로 분석해 줘.

[데이터 붙여 넣기]

경영진이 5분 안에 읽고 행동 결정할 수 있게 3 문단으로.

⑤ 고객 행동 분석

아래 고객 행동 데이터를 분석해 줘.

[퍼널 데이터 또는 행동 지표]

어느 단계에서 이탈이 가장 많은지,

이탈 원인 가설 3개와 각각을 검증하는 방법을 알려줘.

⑥ A/B 테스트 결과 해석

A/B 테스트 결과를 해석해 줘.

A안: [내용] → 결과: [수치]

B안: [내용] → 결과: [수치]

샘플 수: [각각] 기간: [기간]

통계적으로 유의미한지, 실제로 도입해야 할지 판단해 줘.

⑦ 경쟁사 비교 분석

우리 지표와 경쟁사 지표를 비교 분석해 줘.

우리: [지표들] 경쟁사 A: [지표들] 경쟁사 B: [지표들]

우리가 앞서는 영역과 뒤처지는 영역을 구분하고,

격차가 가장 큰 부분에서 단기 개선 가능한 것을 찾아줘.

▶ 보고 활용

⑧ 임원 보고용 데이터 스토리 만들기

아래 데이터를 임원이 5분 안에 이해하고 결정할 수 있는

스토리로 만들어줘.

[데이터 요약]

구조: 핵심 발견 1줄 → 근거 3개 → 권고 행동 1개

숫자를 나열하지 말고, 이야기로 연결해 줘.

⑨ 데이터 기반 주장 강화

나는 [주장]을 하고 싶어.

아래 데이터가 이 주장을 뒷받침하는지 확인해 줘.

[데이터]

뒷받침이 되면 가장 설득력 있는 방식으로 제시해 줘.

데이터가 부족하면 추가로 필요한 것을 알려줘.

▶ 심화 분석

⑩ 트렌드 예측

아래 과거 데이터를 보고 향후 [기간] 트렌드를 예측해 줘.

[시계열 데이터]

낙관 시나리오, 기준 시나리오, 비관 시나리오 세 가지로.

각 시나리오의 핵심 전제가 무엇인지도 명시해 줘.

(참고: 이는 통계적 예측이 아닌 가설 기반 시나리오입니다)

⑪ 우선순위 결정 매트릭스

아래 개선 과제들을 우선순위화해 줘.

[과제 목록과 각각의 현황]

Impact(효과)와 Effort(난이도)로 4분면에 배치하고,

즉시 해야 할 것 vs 나중에 해도 될 것을 구분해 줘.

⑫ 데이터 시각화 설명 요청

아래 데이터를 시각화한다면 어떤 차트 유형이 가장 적합한지,

그리고 그 차트에서 강조해야 할 포인트가 무엇인지 알려줘.

[데이터 설명]

발표 대상: [임원/팀원/고객]

전달하고 싶은 메시지: [핵심 인사이트]

처음부터 다 쓸 필요 없습니다. 지금 가장 막막한 숫자 하나를 골라 ①번 단일 지표 해석부터 시작해 보십시오. 숫자가 말을 걸어오기 시작할 것입니다.

5. 김도연 씨가 '분석가'로 불리게 된 것

김도연 씨는 3개월 후 팀에서 "데이터 분석 잘하는 사람"이 됐습니다.

달라진 것은 하나입니다. 숫자를 받으면 세 가지 질문을 먼저 던지기 시작했습니다. What이 무엇인가. Why가 무엇인가. So What은 무엇인가.

그리고 그 과정에서 Claude를 파트너로 씁니다. 가설을 만들 때, 맥락을 찾을 때, 경영진 언어로 번역할 때.

어느 날 신입 팀원이 물었습니다. "선배는 어떻게 데이터에서 그렇게 빠르게 인사이트를 찾아요?"

김도연 씨는 웃으며 답했습니다. "데이터한테 계속 질문을 해. 혼자 막히면 Claude한테 어떤 질문을 해야 할지 물어보고."

분석가는 답을 아는 사람이 아닙니다.

올바른 질문을 아는 사람입니다.

Claude는 그 질문을 찾는 파트너입니다.

숫자는 이야기를 기다리고 있습니다

세상은 점점 더 많은 데이터로 가득 차고 있습니다. 그리고 역설적으로, 데이터가 많을수록 의미를 만드는 사람의 가치는 더 높아집니다.

AI는 계산을 빠르게 합니다. 패턴을 찾습니다. 가설을 제시합니다. 하지만 그 데이터가 우리 조직에, 우리 고객에게, 우리 시장에 무엇을 의미하는지는 여전히 여러분이 판단해야 합니다.

Claude는 그 판단의 속도를 높입니다. What을 정리하고 Why를 탐색하고 So What을 만드는 과정에서, 혼자라면 몇 시간이 걸릴 사고를 몇 분으로 압축합니다.

데이터를 읽는 사람과 데이터에서 이야기를 만드는 사람의 차이. 그 차이가 AI 시대의 실력 격차입니다.

오늘 가장 이해가 안 되는 숫자 하나를 골라 Claude에게 넘겨보십시오. 그리고 이렇게 시작하십시오.

"이 숫자에서 가장 중요한 변화는 뭐야? 그리고 왜 그랬을 것 같아?"

그 두 질문이 모든 분석의 시작입니다.

◀ 전편 돌아보기

8편 「문서 작업을 10배 빠르게 하는 법」에서는 블레즈 파스칼의 명언을 출발점으로, 영업팀장 오서현 씨의 이야기를 통해 Claude와 함께 하루 3시간 30분의 문서 작업을 1시간 20분으로 줄이고, 돌려받은 시간으로 매출 12%를 올린 여정을 탐구했습니다. 좋은 문서는 재능이 아닌 구조의 문제이며, 구조는 Claude가 빠르게 잡아준다는 결론을 도출했습니다.

▶ 다음 편 예고

다음 10편 「Claude로 프레젠테이션을 만드는 법」은 PART 2의 마지막 편입니다. 슬라이드를 만드는 것이 아니라 설득의 논리를 설계하는 법을 다룹니다. 청중 분석부터 스토리 구조, 핵심 메시지 압축까지 — 발표 전날 밤 Claude와 함께 30분 만에 프레젠테이션의 뼈대를 완성하는 전 과정을 공개합니다. PART 2가 완성되면, 우리는 PART 3 '사고와 전략'으로 넘어갑니다.

참고 문헌

1. W. Edwards Deming, Out of the Crisis (1982) — 데이터 기반 의사결정과 품질 관리 원칙 2. McKinsey Global Institute, The Data-Driven Enterprise (2025) — 데이터 활용 기업의 의사결정 속도 3.2배 향상 연구

3. Harvard Business Review, "The Art of Data Storytelling" (2025) — What-Why-So What 프레임워크의 경영 커뮤니케이션 효과

4. Anthropic, Claude Analytics Guide (2025, claude.ai/docs) — 데이터 분석 프롬프트 설계 및 활용 사례

5. Stanford HAI, AI-Assisted Data Analysis Study (2025) — AI와 협업 시 데이터 인사이트 도출 시간 58% 단축

6. Gartner, Data & Analytics Leadership Survey 2025 — 분석 역량보다 스토리텔링 능력이 데이터 팀 성과에 더 큰 영향

✦ ✦ ✦

이 시리즈는 Claude와 함께 세계를 읽고, 개인의 생존 전략을 설계하는 25편의 여정입니다. 구독하시거나 팔로우를 하시고 난 후 댓글, 하단에 응원해 주시고, 개인 메일을 남겨 주시면 클로드 글쓰기의 최고 전문가 마스터 시리즈와 메타프롬프트 자동화 생성기를 별도로 보내 드리겠습니다.