데이터 트랙

CSV·Excel을 Cowork에 던지고 나면 Pandas 콘솔이 열리는 것이 아니라 보고서 수준의 결과물이 나오는 흐름을 만듭니다. moai-data 세 스킬과 공공데이터 API를 조합하는 실전 트랙입니다.

데이터 분석은 요리에 비유하면 이해하기 쉽습니다. 재료를 검수하고(썩은 부분 골라내기), 손질하고(씻고 썰기), 접시에 예쁘게 담고(플레이팅), 코스 요리로 조립하는 네 단계로 이어집니다. 이 순서가 바뀌면 썩은 재료를 접시에 담거나 날것을 그대로 내놓는 사고가 납니다. 데이터도 같습니다. 한 번도 살펴보지 않은 원본 CSV를 곧장 차트로 그리면, 빠진 값과 튀는 값이 그대로 그래프에 반영되어 잘못된 결론을 내리게 됩니다.

그래서 moai-data 세 스킬은 정해진 순서로 엮입니다. 먼저 data-explorer가 원본 데이터의 건강 상태를 진단합니다. 이때 자주 등장하는 말이 셋 있습니다. 결측값은 재료에 빠진 부분(비어 있는 칸), 이상값은 비정상적으로 크거나 작은 부품(평균에서 크게 벗어난 숫자), IQR(사분위수 범위)은 정상 범위를 상자로 그려놓은 기준선입니다. 이 진단 결과를 data-visualizer가 그래프로 옮기고, 마지막으로 moai-office 스킬이 보고서·PPT로 포장합니다. 탐색 없이 시각화부터 하면 “썩은 재료를 접시에 담는” 결과가 되므로, 반드시 탐색 → 정제 → 시각화 순서를 지킵니다.

flowchart LR
    A["원본 데이터
(CSV·Excel)"] --> B["① 탐색
data-explorer"]
    B --> C{"결측·이상
발견?"}
    C -- 발견 --> D["② 정제·보완
(수동 지시)"]
    C -- 없음 --> E
    D --> E["③ 시각화
data-visualizer"]
    E --> F["④ 보고서·PPT 변환
moai-office"]

    style A fill:#eaeaea,stroke:#6e6e6e,color:#09110f
    style B fill:#fbf0dc,stroke:#c47b2a,color:#09110f
    style D fill:#f6e6dc,stroke:#c47b2a,color:#09110f
    style E fill:#e6f0ef,stroke:#144a46,color:#09110f
    style F fill:#d6ebe7,stroke:#1c7c70,color:#09110f

flowchart TD
    RAW["원본 데이터
CSV · Excel
(결측값 · 이상값 포함)"]
    S1["① 탐색
data-explorer"]
    CHK{"결측·이상
발견?"}
    S2["② 정제 · 보완
(수동 프롬프트)"]
    S3["③ 시각화
data-visualizer"]
    S4["④ 보고서 · PPT 변환
moai-office"]
    PUB["공공데이터 API
(KOSIS · data.go.kr)"]

    RAW --> S1
    S1 --> CHK
    CHK -->|"발견"| S2
    CHK -->|"없음 (바로 시각화)"| S3
    S2 --> S3
    PUB -.->|"CPI·거시지표로 실질 매출 계산"| S3
    S3 --> S4

flowchart TD
    Raw[원본 데이터] --> Explore[① 데이터 탐색
data-explorer]
    Explore -->|이상 없음| Visual[② 시각화
data-visualizer]
    Explore -->|이상 발견| Clean[정제·보완]
    Clean --> Visual
    Visual --> Report[보고서 변환
moai-office]

    Public[공공데이터 API] --> PublicData[③ public-data]
    PublicData --> Explore

• 처음 받은 CSV·Excel의 품질을 빠르게 진단
• 결측값·이상값·중복 레코드 탐지
• 컬럼별 분포·상관관계 요약
• 1만 ~ 수십만 행 규모의 탐색

> D:/Input/customer-transactions-2026.csv를 분석해줘.
>
>   - 총 행수·결측률·중복 건수
>   - 수치형 컬럼 요약 통계 (평균·중앙값·표준편차·분위수)
>   - 범주형 컬럼 Top 10 빈도
>   - 이상값 탐지 (IQR 기준)
>   - 주요 상관관계 (Pearson > 0.5)
>   - 결과는 Markdown 리포트로, 90_Output/data-quality.md에 저장

큰 파일은 샘플링부터. 500MB 이상 Excel은 탐색만 해도 5분 이상 걸립니다. “처음 1만 행만 샘플링해서” 지시하면 속도가 크게 개선됩니다.

결측률 5% 기준. SKILL.md 기본값은 결측률 10% 초과 컬럼에만 경고합니다. 더 보수적으로 보고 싶다면 “결측률 3% 초과 경고"를 명시하세요.

범주형 변수 Top N. 기본 10개. “Top 20까지” 지시 가능합니다.

• Markdown 리포트에 바로 넣을 수 있는 차트
• 인터랙티브 대시보드 (Chart.js HTML)
• Mermaid 다이어그램 (흐름도·시퀀스)
• PPT·Word로 옮길 수 있는 고정 이미지

> 방금 생성한 data-quality.md 분석 결과를 시각화해줘.

  - 월별 매출 추이: 선 그래프 (Chart.js HTML)
  - 카테고리별 매출 비중: 도넛 차트
  - 지역별 고객 분포: 막대 그래프
  - 모든 차트는 반응형, 다크 모드 지원
  - 저장: 90_Output/dashboards/YYYY-MM-DD.html

시각화 결과는 HTML이므로 그대로 PPT에 넣을 수 없습니다. 흐름:

1. data-visualizer로 HTML 대시보드 생성
2. Cowork에 “이 HTML 대시보드의 각 차트를 PNG로 캡처해줘” 지시
3. PNG를 moai-office:pptx-designer로 임베드

• 공공데이터포털 (data.go.kr) API 조회
• KOSIS 통계청 데이터 조회
• 내부 데이터를 공공 지표와 비교
• KPI 대시보드에 거시 지표 추가

용돈을 떠올려 보면 됩니다. 10년 전 용돈 5만 원과 지금의 5만 원은 살 수 있는 것이 다릅니다. 그 사이 물가가 올랐기 때문입니다. 회사 매출도 마찬가지입니다. 매출이 10% 올랐다고 진짜로 10% 성장한 것은 아닐 수 있습니다. 같은 기간 물가가 8% 올랐다면, 겉으로는 10% 늘었어도 물가 상승분을 빼고 나면 진짜 성장은 2%에 불과합니다.

이렇게 겉으로 보이는 금액을 명목 매출, 물가 거품을 걷어낸 진짜 가치를 실질 매출이라 부릅니다. 물가 상승분을 빼고 진짜 성장률을 계산하는 작업을 디플레이트(deflate)라고 합니다. 이때 물가의 자로 쓰는 대표 지표가 CPI(소비자물가지수)입니다. public-data로 KOSIS에서 CPI를 가져오고, data-visualizer로 명목 매출과 실질 매출을 한 그래프에 겹쳐 그리면 “우리가 진짜로 성장하고 있는가"라는 질문에 처음으로 정직한 대답을 얻게 됩니다. 이것이 내부 데이터만으로는 볼 수 없는, 공공데이터와 결합해야만 보이는 시야입니다.

> KOSIS에서 "소비자물가지수 최근 24개월"을 조회해서
내 회사 매출 데이터(Q1-sales.xlsx)와 함께 분석해줘.

- CPI 원계열 데이터 확보
- 우리 매출 금액을 CPI로 디플레이트 (실질 매출)
- 실질 매출 그래프 + 명목 매출 그래프 비교
- 인플레이션 효과 제거 후 진짜 성장률 계산
- Word 보고서로 정리, 90_Output/real-growth.docx

절대 하드코딩 금지. 프로젝트 폴더의 .env 또는 credentials.env 파일에 저장하고 .gitignore에 추가하세요.

# .env 예시
KOSIS_API_KEY=XXXXXXXXXXXXXXXX
DART_API_KEY=YYYYYYYYYYYYYYYY
DATA_GO_KR_KEY=ZZZZZZZZZZZZ

SKILL.md 본문에는 환경변수 참조만 넣습니다. 예: .env의 KOSIS_API_KEY 값 사용. 절대 프롬프트·로그에 키를 노출하지 마세요.

1. 탐색 — data-explorer — Q1 매출 CSV의 품질 진단. 결측·이상·중복 체크.
2. 정제 — 수동 프롬프트 — 이상값·결측 처리 규칙을 Cowork에 지시하여 정제 버전 생성.
3. 거시 지표 결합 — public-data — KOSIS에서 CPI·GDP·가계소비 지출 추이 확보.
4. 시각화 — data-visualizer — 매출 추이 + 거시 지표 비교 차트 HTML 대시보드.
5. PPT 변환 — pptx-designer — 임원 보고용 7장 PPT. 차트는 PNG로 임베드.
6. Word 요약 — docx-generator — 경영진 3페이지 요약본. 핵심 수치 + 그래프 + 제언.

이 여섯 단계는 식당의 코스 요리 완성에 비유하면 흐름이 보입니다. 재료를 검수하고(①탐색), 불량 재료를 골라내고(②정제), 시장 시세표를 받아옵니다(③거시 지표 — CPI로 실질 매출을 계산하는 것은 “물가 상승분을 빼고 진짜 늘었는지 보는” 작업입니다). 요리를 완성하고(④시각화), 고급 접시에 담아 내고(⑤PPT, 임원용), 마지막으로 한 페이지 요약 카드를 만듭니다(⑥Word). 중요한 점은 각 단계의 산출물이 곧 다음 단계의 재료가 된다는 것입니다. 아래 그래프에서 화살표를 따라가며 데이터가 어떻게 가공되며 흘러가는지 확인해 보세요.

flowchart LR
    S1["① 탐색
data-explorer"] --> S2["② 정제
수동 지시"]
    S2 --> S3["③ 거시 지표 결합
public-data (CPI)"]
    S3 --> S4["④ 시각화
data-visualizer"]
    S4 --> S5["⑤ PPT 변환
pptx-designer"]
    S5 --> S6["⑥ Word 요약
docx-generator"]

    S3 -.->|물가 거품 제거| S4

    style S1 fill:#fbf0dc,stroke:#c47b2a,color:#09110f
    style S2 fill:#f6e6dc,stroke:#c47b2a,color:#09110f
    style S3 fill:#e6f0ef,stroke:#144a46,color:#09110f
    style S4 fill:#e6f0ef,stroke:#144a46,color:#09110f
    style S5 fill:#d6ebe7,stroke:#1c7c70,color:#09110f
    style S6 fill:#d6ebe7,stroke:#1c7c70,color:#09110f

한국어 CSV는 EUC-KR·CP949·UTF-8 세 가지가 공존합니다. Cowork가 자동 감지하지만 깨진 결과가 보이면 “인코딩은 CP949로 시도해줘"라고 명시하세요.

원인은 공백·한글 요일·슬래시·점 혼용. 프롬프트에 “날짜 컬럼은 date_col 이며 YYYY-MM-DD 또는 YYYY/MM/DD 둘 다 허용, 공백 제거 후 파싱"이라고 명시.

“대시보드에 차트 최대 6개"로 상한을 두세요. 넘치면 별도 상세 페이지로 분리 지시.

일부 API는 호출당 건수·일일 한도가 있습니다. 한 번에 수천 건 요청하면 차단됩니다. SKILL.md에 “요청은 100건 단위로 배치, 배치 간 2초 지연” 규칙 명시.

고객 개인정보·금융 거래는 별도 암호화 폴더에서만 작업. 분석 스킬(data-explorer·data-visualizer)의 입력 프롬프트에 민감 데이터가 노출되지 않도록 명시.

고객 이름·이메일·전화는 해시·마스킹 처리 후 분석 대상에 포함. “이메일은 도메인만 유지, 로컬파트는 마스킹” 같은 구체적 규칙을 지시.

공공데이터는 대부분 CC-BY 또는 공공누리. 보고서 발행 시 출처를 명기하세요.

• 트랙 — 문서
• 트랙 — 마케팅
• 보고서 자동화

• 공공데이터포털
• KOSIS OpenAPI
• modu-ai/cowork-plugins — moai-data