데이터 분석에 AI 쓰는 법: 결론을 검증하는 게 진짜 핵심이에요

"데이터 분석에 AI를 쓴다"는 말은 거창하게 들리지만, 실제 업무에서는 대부분 스프레드시트 속 숫자를 정리하고, 요약하고, 눈에 띄는 패턴을 찾는 일이에요. 이런 역량에 시장이 얼마를 더 주는지는 PwC AI Jobs Barometer가 보여줘요. 복잡한 통계 모델이 필요한 게 아니라, 이미 있는 데이터를 다른 형태로 바꾸는 작업에 가까워요.

AI가 데이터 분석에서 잘하는 것

• —표 안의 숫자를 요약해서 눈에 띄는 흐름을 문장으로 설명해줘요.
• —피벗 테이블이나 함수를 어떻게 짜면 되는지 방법을 제안해줘요.
• —숫자들 사이에서 이상하게 튀는 값을 짚어줘서, 어디를 더 자세히 봐야 할지 알려줘요.

결론은 왜 직접 검증해야 하는지

실제 데이터를 주지 않고 "우리 매출이 이랬는데 분석해줘"처럼 설명만 하면, AI는 그럴듯한 일반론으로 답을 채워요. 데이터 직무의 수요가 어떻게 움직이는지는 한국고용정보원의 직업 전망에서 볼 수 있어요. 진짜 숫자를 보지 않고도 자신 있게 답하기 때문에, 그 답이 실제 데이터와 맞는지 아닌지는 알 방법이 없어요. 또 실제 표를 줘도, 두 숫자가 같이 움직인다고 해서 하나가 다른 하나의 원인이라고 단정하는 실수를 그대로 따라 할 때도 있어요.

구체적 예시: 매출 데이터 요약 요청하기

나쁜 요청: "이번 분기 매출 분석해줘." 실제 숫자가 없으니 돌아오는 답은 어느 회사에나 맞을 법한 뻔한 문장이에요.

좋은 요청: "다음은 지역별, 월별 매출 표예요: [표 붙여넣기]. 전월 대비 가장 많이 늘거나 준 지역 세 곳을 찾아서, 각각 몇 퍼센트 변했는지 알려줘. 원인은 추측하지 말고, 숫자로 확인되는 것만 말해줘." 실제 표를 주고 추측을 하지 말라고 명시하면, 검증하기 훨씬 쉬운 답이 나와요.

결론을 검증하는 방법

• —AI가 짚은 지역이나 항목 몇 개를 직접 원본 표에서 다시 계산해보세요.
• —어떻게 그 숫자가 나왔는지 계산 과정을 보여달라고 요청해보세요. 과정이 이상하면 결과도 믿을 수 없어요.
• —눈에 띄는 결과 하나만 강조하고 나머지는 무시하고 있지 않은지 확인해보세요.
• —원인처럼 들리는 표현이 있으면, 그게 실제로 확인된 원인인지 단순한 동시 발생인지 구분해보세요.

AI는 표를 요약할 수 있어요. 그 요약이 맞는지는 표를 아는 사람이 확인해야 해요. 사람이 책임지는 범위를 정해두라는 건 [OECD AI 원칙](https://www.oecd.org/en/topics/artificial-intelligence.html)의 기본이기도 해요.

이런 확인 습관은 AI 교육에서 다룬 4단계 로드맵의 마지막 단계와 그대로 이어져요. 구조화된 강의를 찾고 있다면 AI 강의에서 실습형 강의를 알아보는 방법도 참고해보세요.

대규모 데이터를 정리해서 공개하는 방식은 통계청의 공개 통계에서도 참고할 수 있어요. 이런 모델이 데이터 관련 작업을 얼마나 잘하는지는 Stanford HAI가 매년 능력 변화를 추적해서 발표해요.

월요일에 시도해보기

1. 01이미 갖고 있는 표 하나를 골라서, 설명 대신 실제 숫자를 그대로 붙여넣어보세요.
2. 02추측하지 말고 숫자로 확인되는 것만 말해달라고 명시적으로 요청해보세요.
3. 03AI가 짚은 결과 중 하나를 직접 원본에서 재계산해보세요.
4. 04맞았던 요청 방식은 적어두고, 다음 데이터에도 그대로 써보세요.

이런 실무 데이터 감각은 Coursium의 휴대폰 속 짧은 레슨으로도 연습할 수 있어요. AI보다 한발 앞서 시작해보세요. 자세한 내용은 Coursium 소개에서 볼 수 있어요.