소개

데이터 분석의 본질은 데이터를 활용해 의사결정을 내리는 데 있습니다. 분석 자체가 목적은 아닙니다. 경영진을 위한 차트, 제품 팀을 위한 실험 결과 요약, 연구자를 위한 모델 평가, 일상적인 운영 방향을 제시하는 대시보드처럼 누군가의 행동을 돕는 결과물을 만드는 것이 목표입니다.

R for Data Science를 통해 널리 알려진 유용한 프레임워크는 반복 루프입니다. 데이터를 가져와 정돈한 다음 변환, 시각화, 모델링을 반복하며 이해를 쌓은 후 결과를 전달합니다.

ChatGPT Work는 이 워크플로우에 잘 맞습니다. 데이터를 정리하고, 가설을 탐색하고, 분석을 수행하며, 재현 가능한 결과물을 만드는 데 도움이 됩니다. 목표는 한 번 쓰고 마는 노트북이 아니라 다른 사람이 검토하고 신뢰하며 다시 실행할 수 있는 분석입니다.

사용 사례 정의

데이터로 답하고 싶은 구체적인 질문 하나를 정하세요. 질문이 구체적일수록 적절한 입력 데이터, 점검 항목, 결과를 더 쉽게 파악할 수 있습니다.

예시: 고속도로 인근 부동산 가치

예를 들어 다음 질문을 살펴보겠습니다:

고속도로 인근 주택의 부동산 가치는 어느 정도 더 낮을까요?

한 데이터세트에는 부동산 가치나 매매 가격이 있고, 다른 데이터세트에는 위치, 필지 또는 고속도로 근접성 정보가 있다고 가정해 보겠습니다. 단순히 모델을 실행하는 것만으로는 충분하지 않습니다. 입력 데이터를 신뢰할 수 있게 만들고, 조인 과정을 문서화하고, 결과를 면밀히 검증한 뒤, 다른 사람이 사용할 수 있는 결과물을 만들어야 합니다.

CSV 파일이나 Excel 통합 문서를 첨부하거나, @google-drive를 사용해 승인된 Google Sheet를 지정할 수 있습니다. 데이터가 컴퓨터에 저장되어 있다면 데스크톱 앱을 사용할 수도 있습니다.

ChatGPT Work

데이터 가져오기

먼저 파일을 첨부하고 ChatGPT에 검사를 요청하세요. 그러면 다음과 같은 기초적이지만 중요한 질문에 답할 수 있습니다:

• 어떤 파일 형식이 있나요?
• 각 데이터세트는 무엇을 나타내는 것 같나요?
• 어떤 열이 타깃, 식별자, 날짜, 위치 또는 측정값일 가능성이 있나요?
• 어떤 뚜렷한 데이터 품질 이슈가 있나요?

아직 결론을 요청하지 마세요. 먼저 데이터 구성과 설명을 요청하세요.

입력 데이터 정돈 및 병합

실제 작업은 대부분 여기서 시작됩니다. 데이터세트가 둘 이상이고 기본 키가 명확하지 않은 상황에서 무작정 병합하면 데이터가 유실되거나 중복이 생길 수 있습니다.

병합을 수행하기 전에 ChatGPT에 병합 프로파일링을 요청하세요:

• 후보 키의 고유성을 확인합니다.
• 결측값 비율과 형식 차이를 측정합니다.
• 대소문자, 공백, 주소 표기 등 명확한 형식 문제를 정규화합니다.
• 테스트 조인을 실행하고 일치율을 보고합니다.
• 최종 병합 파일을 작성하기 전에 가장 안전한 병합 전략을 추천합니다.

정규화된 주소, 몇 개의 열을 조합해 만든 필지 식별자, 위치 기반 조인 등 최적의 키를 파생해야 한다면 병합을 확정하기 전에 ChatGPT에 장단점과 에지 케이스를 설명해 달라고 요청하세요.

차트로 탐색하기

모델을 선택하기 전에 차트로 데이터를 파악하세요. 이 예시에서는 고속도로 인근 주택과 더 멀리 떨어진 주택을 비교하고, 이상치를 살펴보고, 결측값 패턴을 조사하며, 관찰된 효과가 동네 구성, 주택 크기 또는 다른 요인을 반영한 것인지 확인합니다.

각 차트가 원래 질문과 직접 연결되도록 하세요. 다른 사람도 분석을 검토할 수 있도록 유용한 비교 결과를 저장하세요.

질문 모델링하기

모든 분석에 복잡한 모델이 필요한 것은 아닙니다. 해석 가능한 베이스라인부터 시작하세요.

고속도로 관련 질문에는 주택 면적, 연식, 위치 등 관련 요인을 통제하면서 고속도로 인접도와 부동산 가치 사이의 관계를 추정하는 회귀 분석이나 그 밖의 해석 가능한 모델을 먼저 적용하는 것이 좋습니다.

ChatGPT에 다음 사항을 명확히 설명해 달라고 요청하세요:

• 타깃 변수와 특성의 정의.
• 포함할 통제 변수와 그 이유.
• 데이터 누수 위험과 제외 항목.
• 데이터 분할 방식, 평가 방법 또는 불확실성 추정 방법을 선택한 기준.
• 결과가 의미하는 바에 대한 쉬운 설명.

첫 모델의 성능이 낮더라도 그 자체로 유용합니다. 문제가 모델, 특성, 조인 품질, 질문 자체 중 어디에 있는지 알 수 있기 때문입니다.

결과 전달하기

분석은 다른 사람이 활용할 수 있어야 의미가 있습니다. 대상 독자에게 필요한 결과물을 만들어 달라고 ChatGPT에 요청하세요:

• 기술 협업자를 위한 Markdown 메모.
• 후속 처리를 위한 스프레드시트 또는 CSV.
• 의사 결정자를 위한 서식이 적용된 문서 또는 PDF.
• 재사용 가능한 분석을 위한 노트북, 대시보드 또는 정적 보고서.

유의 사항도 포함하도록 요청하세요. 조인 품질이 완벽하지 않거나 샘플링 편향이 존재하거나 모델 가정이 충분히 견고하지 않다면 결과물에 이를 명확히 밝혀야 합니다.

선택 사항: Python 환경 설정하기

프로젝트에 재사용 가능한 스크립트나 노트북이 필요하다면 기존 Python 환경을 사용하거나 간단하고 재현 가능한 환경을 설정하도록 ChatGPT에 요청하세요. 원본 파일은 변경하지 말고 분석 결과, 차트, 최종 보고서를 각각 별도로 저장하세요. ChatGPT Work에서 첨부 파일을 분석할 때는 Python을 미리 설정할 필요가 없습니다.

추천 프롬프트

데이터셋을 불러와 설명하기

데이터를 합치기 전에 병합 방식 점검하기

해석 가능한 첫 모델 만들기

이해관계자용 결과물로 정리하기