매출을 만드는 데이터 분석 with 챗GPT

숫자 그 이상의 정보를 얻는 데이터 분석, 이제 AI로 쉽게 하자!

데이터 분석은 고객의 행동을 이해하고, 시장의 흐름을 예측하며, 나아가 비즈니스 전략의 방향성을 결정짓는 가장 중요한 과정입니다. 복잡한 코딩의 장벽 때문에 여전히 일부 전문가의 영역에 머물러 있었지만 생성형 AI의 등장으로 상황은 많이 달라졌습니다. 이제 AI는 단순한 분석 도구를 넘어, 전략을 제안하고 실행까지 보조하는 실질적인 동료로서 우리의 의사결정을 지원하기 시작했습니다. 이 책은 데이터를 다루는 기본 원리부터 시작해, SQL과 챗GPT라는 강력한 도구로 데이터의 의미를 파악하고 실질적인 비즈니스 인사이트로 전환하는 방법까지 차근차근 안내합니다. 특히 프롬프트를 활용해 데이터를 탐색하고 필요한 쿼리를 생성함으로써 전체적인 분석의 흐름을 빠르게 이해할 수 있으며, 태블로로 데이터를 시각화해 분석 결과를 효과적으로 전달하는 방법도 함께 배울 수 있습니다. 또한, 이커머스 매출 기여도 분석, 고객 행동 분석 및 이탈 방지 전략, 고객 세분화와 맞춤형 마케팅 전략 수립 등 실제 사례 기반의 실무 프로젝트를 통해 바로 적용 가능한 역량을 익힐 수 있도록 구성했습니다. 이제 복잡한 분석은 AI에게 맡기고, 데이터 기반의 전략을 세우며 의사결정에 집중해 보세요.

1부 SQL을 활용한 데이터 분석의 시작

1장 챗GPT와 SQL로 데이터 분석
1.1 왜 챗GPT와 SQL인가?
1.2 챗GPT와 SQL의 역할 및 활용 사례
1.3 데이터 시스템에 대한 큰 그림 이해하기
2장 데이터 분석 준비 단계
2.1 데이터 분석의 목적 정의하기
__2.1.1 왜 분석 목적이 중요할까?
2.2 SMART한 목표 설정하기
__2.2.1 SMART 목표 설정의 적용 예시
2.3 데이터 분석의 기획 과정
3장 데이터 분석 환경 만들기
3.1 챗GPT 시작하기
__3.1.1 챗GPT 기본 화면 구성
3.2 구글 클라우드와 빅쿼리 설정하기
3.3 실습 첫 빅쿼리 환경 설정 및 테스트 쿼리 실행하기
4장 데이터 수집 및 정제
4.1 데이터 수집의 다양한 방법과 도구
__4.1.1 실무 상황별 데이터 활용 예시
__4.1.2 내부 데이터는 어떻게 꺼내 쓸 수 있을까?
__4.1.3 외부 데이터는 어디에서 구할 수 있을까?
__4.1.4 정보의 바다, 웹 사이트 크롤링
__4.1.5 챗GPT로 데이터 수집하기
4.2 데이터 정제와 전처리
__4.2.1 실무에서 자주 만나는 '지저분한 데이터'
__4.2.2 챗GPT는 어떤 도움을 줄 수 있을까?
4.3 실습 SQL을 활용해 고객 데이터 처리하기
__4.3.1 결측 값 정제하기
__4.3.2 이상치 확인하고 제거하기
__4.3.3 중복 데이터 확인하기
5장 다양한 방법으로 데이터 전처리
5.1 다양한 데이터 전처리 기법
__5.1.1 전처리 기법 유형별 정리
__5.1.2 전처리는 '조합'의 예술
5.2 챗GPT와 함께 데이터 쉽게 처리하기
5.3 실습 챗GPT와 SQL을 활용해 데이터 전처리하기
6장 데이터 시각화
6.1 데이터 시각화는 왜 중요할까?
__6.1.1 단순 시각화 vs 통찰형 시각화
6.2 데이터 시각화와 대시보드의 차이
__6.2.1 실무 사례로 이해하기
6.3 다양한 데이터 대시보드의 종류와 목적(운영, 분석, 전략)
6.4 효과적인 데이터 시각화를 위한 기초 원칙
7장 대시보드 계획 및 설계
7.1 데이터 대시보드의 역할과 기능
7.2 대시보드 설계의 기본 원칙
7.3 다양한 데이터 시각화 도구
__7.3.1 태블로: 시각화 퀄리티에 강한 대표 도구
__7.3.2 Power BI: 마이크로소프트가 만든 데이터 시각화 도구
__7.3.3 구글 루커 스튜디오: 구글 생태계 내에서 누구나 쉽게 사용할 수 있는 시각화 도구
7.4 태블로 설치하기
__7.4.1 태블로 퍼블릭 설치하기
__7.4.2 태블로 구성 요소 살펴보기
7.5 실습 태블로를 사용한 대시보드 설계하기
__7.5.1 태블로 시트 화면의 주요 인터페이스 구성 요소
__7.5.2 시계열 시각화 추가하기
__7.5.3 대시보드 구성하기

2부 진짜 실전! 비즈니스에 써먹는 데이터 분석
8장 이커머스 제품별 매출 기여도 분석
8.1 이커머스 데이터 수집하기
__8.1.1 데이터 스키마 및 구조 분석하기
__8.1.2 데이터 내려받기 및 빅쿼리 업로드
8.2 제품별 매출 데이터 분석하기
__8.2.1 전체 주문 수와 고객 수는 얼마나 되는가?
__8.2.2 가장 많이 팔린 제품은?
__8.2.3 제품을 카테고리로 묶으면 무엇이 보일까?
__8.2.4 직군별 비즈니스 인사이트 및 실행 전략
8.3 제품별 매출 기여도 시각화하기
__8.3.1 전체 매출 규모 파악하기
__8.3.2 전체 고객 수 확인하기
__8.3.3 전체 주문 수 확인하기
__8.3.4 월별 매출액 및 주문 수 변화 추이 분석하기
__8.3.5 카테고리별 판매량 분석하기
__8.3.6 카테고리별 판매 구성 분석하기
__8.3.7 대시보드 구성하기
__8.3.8 대시보드 디자인 정리하기
9장 시계열 데이터 분석을 이용한 마케팅 수요 예측
9.1 시계열 데이터 해석하기
__9.1.1 시계열의 세 가지 기본 요소
__9.1.2 시계열 분석의 핵심 '비교'
__9.1.3 실무에서 자주 쓰는 시계열 분석의 Best Practice
__9.1.4 맥락 속에서 데이터 해석하기
9.2 마케팅 수요 예측하기
__9.2.1 데이터 스키마 및 구조 분석하기
__9.2.2 M5 데이터 탐색 및 분석 준비하기
__9.2.3 주간/월간 단위 판매 추세는 어떻게 변해 왔는가?
__9.2.4 이벤트·프로모션과 SNAP 지급일은 매출에 어떤 차이를 만드는가?
__9.2.5 주요 이벤트 2주 전~이벤트일까지 무엇이 달라지는가?
__9.2.6 크리스마스 이벤트 효과 정밀 분석
9.3 시계열 대시보드 시각화하기
__9.3.1 대시보드 상단 KPI 카드 구성하기
__9.3.2 대시보드 가운데 영역 구성하기
__9.3.3 대시보드 하단 영역 구성하기
__9.3.4 대시보드 구성 및 배치하기
9.4 결과에 따른 마케팅 계획 수립하기
10장 웹 트래픽을 분석해 고객 행동 이해
10.1 고객 행동 데이터 수집하고 정제하기
__10.1.1 빅쿼리 중첩 데이터 구조
__10.1.2 UNNEST()로 데이터 펼치기
__10.1.3 데이터 파이프라인(data pipeline) 설계하기
__10.1.4 빅쿼리 _TABLE_SUFFIX
10.2 이커머스 데이터 수집하기
__10.2.1 사용자는 어디에서 이탈하는가?
__10.2.2 프로모션을 본 사용자가 실제로 더 많이 구매하는가?
__10.2.3 검색을 이용한 고객들이 더 구매 의도가 분명할까?
10.3 전환율 데이터 시각화하기
__10.3.1 전체 지표 요약 시트 구성하기
__10.3.2 퍼널 단계별 전환 수 시각화 시트 구성하기
__10.3.3 퍼널 단계별 이탈률 그래프 구성하기
__10.3.4 디바이스별 전환율 비교 그래프 구성하기
__10.3.5 날짜별 상품 조회, 구매, 전환율 분석 그래프 구성하기
__10.3.6 대시보드 구성하기
11장 고객 이탈 가능성 분석
11.1 고객 이탈의 원인과 비용 이해하기
__11.1.1 고객 이탈의 다양한 원인 살펴보기
11.2 고객 이탈 데이터 수집하기
__11.2.1 가족 구성에 따른 이탈률 차이
__11.2.2 계약 기간에 따른 이탈률 분석하기
__11.2.3 결제 방식에 따른 이탈률 분석하기
__11.2.4 부가 서비스 이용 여부에 따른 이탈률 분석하기
__11.2.5 월 청구 금액과 가입 기간이 이탈에 미치는 영향
11.3 생존 분석 기법으로 이탈 예측하기
11.4 태블로로 이탈 경향 시각화하기
__11.4.1 Churn Flag 및 기본 지표 생성하기
__11.4.2 요약 KPI 시트 생성하기
__11.4.3 다양한 기준별 이탈률 비교 그래프 구성하기
__11.4.4 세부 기준에 따른 이탈률 비교 그래프 구성하기
11.4.5 대시보드 구성하기
12장 A/B 테스트 설계
12.1 A/B 테스트의 원리와 설계 방법
__12.1.1 A/B 테스트의 기본 구조
__12.1.2 가설 설정과 실험 설계
__12.1.3 무작위 배정의 중요성
__12.1.4 실험의 전제 조건
__12.1.5 실험 설계의 현실적 한계
12.2 A/B 테스트 분석하기
__12.2.1 A/B 간 전환율 분석하기
__12.2.2 요일별 전환율 분석하기
__12.2.3 시간대별 전환율 분석하기
12.3 태블로를 사용하여 결과 시각화하기
__12.3.1 상단 기본 지표 생성하기
__12.3.2 시간대별 전환율 및 참여율의 추이
__12.3.3 광고 노출량에 따른 전환율 차이
__12.3.4 요일에 따른 전환율 차이
__12.3.5 대시보드 구성하기
12.4 통계적 유의성과 실무 적용 방안 이해하기
__12.4.1 통계적 유의성과 효과의 크기는 다르다
__12.4.2 실무에서 자주 발생하는 문제
13장 고객 세그멘테이션으로 전략 세분화
13.1 고객 데이터 수집하기
13.2 고객 세분화하기
13.3 각 세그먼트에 맞춘 전략 제안하기
13.4 태블로로 고객 세그먼트 시각화하기
__13.4.1 상단 영역 요약 KPI 만들기
__13.4.2 세그먼트별 고객 수 시각화하기
__13.4.3 세그먼트별 R·F·M 시각화하기
__13.4.4 교차 히트맵 구성하기
__13.4.5 대시보드 구성하기
14장 고객 만족도 분석
14.1 고객 설문 데이터 수집하기
14.2 고객 만족도 데이터 분석하기
__14.2.1 여행 유형과 탑승 클래스에 따른 만족도 차이
__14.2.2 비행 지연이 만족도에 미치는 영향
__14.2.3 기내 서비스 요소가 만족도에 미치는 영향
__14.2.4 단거리 vs 장거리 비행이 만족도에 미치는 영향
14.3 태블로로 만족도 시각화하기
__14.3.1 데이터 구조 정리: 피벗의 필요성
__14.3.2 대시보드 최종 구성 모습
__14.3.3 요약 KPI 만들기
__14.3.4 기준별 만족도 비율 시각화하기
__14.3.5 설문 항목별 만족도 분포 분석
__14.3.6 대시보드 구성하기
14.4 만족도 향상을 위한 실행 전략 세우기
__14.4.1 평균 점수로 시작하지만 평균에서 멈출 수는 없다
__14.4.2 전반 만족도와 항목 만족도 사이의 간극을 바라보는 이유
__14.4.3 만족도 개선 전략의 세 가지 전형적인 방향
__14.4.4 만족도 분석의 진짜 목적
15장 디지털 마케팅 성과 분석
15.1 성과 분석을 위한 데이터 분석 모델 알아보기
__15.1.1 MMM이란
__15.1.2 간단한 예제로 이해하는 MMM
15.2 디지털 마케팅 성과 분석하기
__15.2.1 채널 기준 성과 분석하기
__15.2.2 캠페인 타입별 효율 비교
__15.2.3 크리에이티브 유형별 효율 비교하기
__15.2.4 채널 × 크리에이티브 타입의 조합에 따른 효율 비교하기
15.3 성과 개선을 위한 캠페인 최적화 전략 수립하기
15.4 태블로로 마케팅 채널별 성과 시각화하기
__15.4.1 요약 KPI 만들기
__15.4.2 채널별 Engagement 및 Efficiency 시각화하기
__15.4.3 Creative Type별 Engagement 및 Efficiency 시각화하기
__15.4.4 대시보드 구성 및 스타일 정리하기
16장 고객 생애 가치를 계산하고 마케팅 예산 짜기
16.1 고객 세그먼트별 CLV 분석 및 ROI 추정하기
__16.1.1 채널별 고객 CLV와 CAC 차이 분석
__16.1.2 채널별 전환율 vs 실제 매출 분석
__16.1.3 예산을 더 쓴다면 어떤 채널이 '추가 1달러'에 가장 유리한가?
16.2 태블로를 사용한 CLV와 ROI 시각화하기
__16.2.1 요약 KPI 만들기
__16.2.2 채널별 고객 수, CLV, CAC 비교하기
__16.2.3 채널별 ROAS 비교하기
__16.2.4 Conversion과 CLV의 관계 분석하기
__16.2.5 Cost Band별 CLV 분석하기
__16.2.6 대시보드 구성 및 스타일 정리하기
__16.3 마케팅 예산 최적화 방안 생각하기
17장 실전 데이터 분석 Tip
17.1 실무에서 자주 겪는 문제와 해결 방법
__17.1.1 지표가 너무 많을 때 생기는 문제
__17.1.2 평균에 속지 않는 법
__17.1.3 분석 결과가 예상과 다를 때
__17.1.4 분석 결과를 만들어도 결정이 안 나는 이유
17.2 데이터 분석 프로젝트 관리 및 협업 팁
__17.2.1 분석 프로젝트를 시작할 때 합의해야 하는 것들
__17.2.2 분석 범위를 관리하는 방법
__17.2.3 비분석가와 협업할 때의 커뮤니케이션 팁
__17.2.4 분석가의 성장을 만드는 기록 습관
나가며

부록 A 기초 SQL
A.1 SELECT 문: 데이터 보기의 시작
A.2 WHERE: 조건에 맞는 데이터 선택
__A.2.1 값 비교를 통한 조건 설정하기
__A.2.2 여러 조건을 결합해 데이터 선택하기
__A.2.3 특정 값을 제외한 데이터 선택하기
__A.2.4 날짜 조건을 활용한 기간별 데이터 선택하기
A.3 ORDER BY와 LIMIT: 정렬과 결과 개수 제한
__A.3.1 정렬 방향 지정하기(ASC, DESC)
__A.3.2 LIMIT: 조회 결과 개수 제한하기
A.4 GROUP BY: 데이터 집계와 그룹화
A.4.1 GROUP BY 사용 규칙
A.4.2 집계 결과에 조건 적용하기: HAVING 절
A.5 JOIN: 여러 테이블의 데이터 결합
__A.5.1 INNER JOIN: 양쪽 테이블에 모두 있는 데이터만 결합
__A.5.2 LEFT JOIN: 왼쪽 테이블 기준으로 데이터 유지
__A.5.3 RIGHT JOIN: 오른쪽 테이블 기준(LEFT JOIN과 역할은 동일)
__A.5.4 FULL OUTER JOIN: 양쪽 테이블의 모든 데이터 포함
A.6 CASE WHEN: 조건에 따라 값 생성
__A.6.1 조건 순서에 따른 결과 차이
__A.6.2 이진 변수 생성에 활용하기
__A.6.3 조건별 집계 결과 계산 활용하기
A.7 서브쿼리와 WITH: 쿼리를 단계로 나누기
__A.7.1 서브쿼리: 쿼리 안에 포함된 쿼리
__A.7.2 WITH(CTE): 쿼리를 단계별로 정리하기
A.8 SQL에서 자주 사용하는 패턴들
__A.8.1 비율 계산하기
__A.8.2 전환율 계산 구조
__A.8.3 중복 제거하기: DISTINCT
__A.8.4 %00; 값 처리하기
__A.8.5 평균, 합계 계산을 할 때 주의 사항
A.9 챗GPT와 함께 SQL을 읽고 고치는 법
__A.9.1 챗GPT가 생성한 SQL을 읽는 순서
__A.9.2 결과가 예상과 다를 때 점검할 포인트
__A.9.3 챗GPT에 SQL 수정을 요청하는 방법

조선미 데이터로 비즈니스의 성장을 설계하는 데이터사이언티스트. 데이터를 통해 제품의 방향을 결정하고 전략을 세우는 일을 해왔으며, 누구나 데이터를 근거로 더 나은 판단을 내릴 수 있는 환경을 만들기 위해 온오프라인에서 다양한 개인과 기업을 대상으로 강의 활동을 이어가고 있다. 메타 본사, SSG.COM, 삼성전자 미국 법인 등을 거치며 현장에서 쌓은 경험을 책에 담고자 한다.