데이터 분석을 위한 AI 에이전트: 추측이 아닌 실제 숫자

What an AI Agent for Data Analysis Actually Does — and Why It Beats "Asking ChatGPT About Your Data"

데이터 분석을 위한 AI 에이전트는 원시 데이터 — CSV, 엑셀 워크북, 데이터베이스 연결 — 를 받아들여 분석 코드를 작성하고, 격리된 환경에서 그 코드를 실행한 뒤, 완성된 차트와 검증된 수치, 작성된 서술을 돌려주는 소프트웨어입니다. 데이터로 무엇을 할 수 있는지 설명하는 것이 아니라, 실제로 그것을 수행합니다. 이 차이가 데이터 분석 에이전트를 모든 AI 챗봇 및 대부분의 전통적인 비즈니스 인텔리전스 도구와 구분 짓는 지점이며, 이 카테고리가 빠르게 성장하고 있는 이유입니다.

이 페이지에서는 데이터 분석 에이전트가 무엇인지, 여러분이 이미 사용하고 있을 가능성이 높은 두 가지 도구(챗봇과 BI 대시보드)와 어떻게 다른지, 에이전트가 따르는 단계별 워크플로우, 오늘 바로 재현해 볼 수 있는 실제 예시, 정확성과 검증에 대해 알아야 할 주의사항, 도구를 선택할 때 확인해야 할 사항, 그리고 시작하는 방법을 설명합니다.

AI 에이전트 vs. 챗봇 vs. BI 대시보드: 핵심 차이점

데이터 분석 에이전트가 이 환경에서 어디에 위치하는지 이해하려면 이미 많은 사람들이 사용하고 있는 두 가지 대안과 정직하게 비교해야 합니다.

"ChatGPT에게 데이터에 대해 물어보기" — 실제로 일어나는 일

범용 챗봇에 데이터 샘플을 붙여넣고 "여기서 어떤 트렌드가 보이나요?"라고 물으면, 모델은 여러분이 붙여넣은 텍스트를 읽고 그럴듯하게 들리는 문장을 생성합니다. 숫자를 인용할 수도 있습니다. 하지만 그 숫자는 여러분의 데이터로부터 계산된 것이 아니라, 여러분의 프롬프트에 이어질 가능성이 높은 텍스트로서 예측된 것입니다. CSV에 5만 개의 행이 있다면, 여러분은 아마 그 중 20개 정도만 붙여넣었을 것입니다 — 모델은 나머지를 볼 수 없습니다. 실행되는 코드는 없습니다. 그려지는 차트도 없습니다. 모델은 그런 유형의 분석이 일반적으로 어떤 모습인지에 대한 학습 데이터와 패턴을 맞추고 있을 뿐입니다.

이는 방향을 잡는 데는 유용합니다. 정확성에 좌우되는 의사결정에는 유용하지 않습니다.

전통적인 BI 대시보드 — 할 수 있는 것과 할 수 없는 것

Tableau, Looker, Power BI 같은 도구들은 실시간 데이터를 조회하여 실제 계산으로부터 진짜 차트를 만들어낼 수 있습니다. 안정적인 스키마 위에서 반복되는 지표를 모니터링하는 데 탁월합니다. 이들의 한계는 경직성입니다. 각 뷰를 만들려면 데이터 엔지니어나 BI 개발자가 필요합니다. "지난 3분기 반품 급증을 이끈 상품 카테고리는 무엇이며, 상위 3개 고객을 제외하고 지역과 요일별로 세분화하면 어떻게 되는가?"와 같은 즉흥적인 질문은 대화가 아니라 티켓을 필요로 합니다. BI 대시보드는 미리 정의된 질문에는 훌륭하게 답하지만, 새로운 질문에는 느리게 답합니다.

AI 데이터 분석 에이전트

AI 데이터 분석 에이전트는 이 두 격차를 모두 메웁니다. 임의의 데이터를 받아들이고, 자연어 질문을 이해하며, 샌드박스 환경에서 실제 코드를 작성하고 실행하여 검증된 결과물을 만들어냅니다. 결과물의 숫자는 계산된 것이지, 환각으로 지어낸 것이 아닙니다. 차트는 설명이 아니라 실제 이미지 파일입니다. 반복이 가능하기 때문에 — 자체 코드의 오류를 수정하고, 질문을 재구성하고, 추가 라이브러리를 가져오는 등 — 챗봇도 사전 제작된 대시보드도 처리할 수 없는 지저분하고 일회성인 분석 요청을 다룰 수 있습니다.

챗봇은 분석이 어떤 모습일지 설명합니다. AI 데이터 분석 에이전트는 코드를 실행하고 완성된 결과물을 전달합니다.

5단계 파이프라인

역량 있는 모든 데이터 분석 에이전트는 알아볼 수 있는 파이프라인을 따릅니다. 이를 이해하면 도구를 평가하고 올바른 기대치를 설정하는 데 도움이 됩니다.

원시 데이터 업로드부터 완성된 서술형 보고서까지의 전체 파이프라인이며, 결과물을 검증 가능하게 만드는 샌드박스 코드 실행 단계를 포함합니다.

1단계: 불러오기(Load)

에이전트는 여러분의 데이터 소스를 수집합니다. 드래그해서 넣는 CSV일 수도, 여러 시트가 있는 엑셀 파일일 수도, PostgreSQL이나 MySQL 데이터베이스에 대한 연결 문자열일 수도, 공개 URL이나 API 엔드포인트일 수도 있습니다. 좋은 에이전트는 인코딩 문제(UTF-8 대 Latin-1), 열의 혼합된 데이터 타입, 헤더 감지, 다중 시트 워크북을 사전에 정리할 필요 없이 처리합니다. pandas와 DuckDB 같은 라이브러리가 여기서 주력으로 활약합니다 — 샌드박스 프로세스 내에서 기가바이트 단위의 데이터를 효율적으로 처리합니다.

2단계: 정제(Clean)

어떤 분석이든 실행되기 전에, 에이전트는 데이터를 프로파일링합니다: 행이 몇 개인지, 열은 무엇인지, 타입은 무엇인지, 널 값은 얼마나 있는지, 명백한 중복이 있는지, 날짜 열이 올바르게 파싱되었는지. 그런 다음 정제 코드를 작성하고 실행합니다. 널 값은 열의 역할에 따라 대체되거나 삭제됩니다. 중복 행은 표시됩니다. 숫자여야 하는 문자열 열은 강제 변환됩니다. 이 단계는 종종 데이터셋에서 가장 중요한 문제들을 드러냅니다 — 텍스트로 저장된 날짜 열, 쉼표가 포함된 통화 열, 끝에 공백이 있는 상품 ID 열 등 — 그리고 좋은 에이전트는 진행하기 전에 무엇을 변경했는지 보고합니다.

3단계: 분석(Analyze) (차별화되는 단계)

바로 여기서 에이전트는 자신의 카테고리 명칭에 걸맞은 값어치를 증명합니다. 두 변수 간의 상관관계를 어떻게 계산하는지 알려주는 것이 아니라, 직접 코드를 작성하고 실행합니다. 결과는 여러분의 실제 데이터에 대한 실제 계산에서 나옵니다. 코드가 오류를 발생시키면 — 0으로 나누기, 누락된 열 이름 등 — 에이전트는 트레이스백을 읽고 다시 시도합니다. 모델이 자신의 코드가 낸 출력을 관찰하고 조정하는 이 에이전트적 루프가, 분석을 견고하면서도 감사 가능하게 만드는 요소입니다. 코드를 보여달라고 요청할 수 있습니다. 모든 것이 추적 가능합니다.

4단계: 시각화(Visualize)

차트는 일반적으로 matplotlib이나 seaborn을 사용해 동일한 샌드박스 프로세스 내에서 시각화 코드를 실행하여 생성됩니다. 결과물은 세션에 첨부되는 실제 PNG 파일(또는 인터랙티브 차트의 경우 HTML)입니다. 차트가 숫자를 만들어낸 것과 동일한 코드로부터 만들어지기 때문에, 둘은 항상 일치합니다. 반올림된 숫자에 맞추기 위해 차트 라벨을 수동으로 편집하는 일은 없습니다. 차트가 곧 데이터입니다.

5단계: 설명(Explain)

마지막으로, 에이전트는 서술을 작성합니다. 결과를 평이한 언어로 해석합니다: 어떤 트렌드가 가장 큰지, 이상치가 어디에 있는지, 상관계수가 비즈니스 관점에서 무엇을 의미하는지, 어떤 주의사항이 적용되는지. 이 단계는 언어 모델이 진정으로 빛을 발하는 지점입니다 — 계산된 결과물을 비기술 이해관계자가 행동으로 옮길 수 있는 문장으로 번역하는 것입니다. 설명은 새로운 추정치를 도입하는 것이 아니라, 계산에서 나온 구체적인 숫자를 인용해야 합니다.

실제 예시: 판매 CSV 분석하기

여기 현실적인 데이터셋을 사용한 구체적인 예시가 있습니다. date, region, product_category, revenue, units_sold, returns 열을 가진 sales_2024.csv 파일이 있다고 가정해 봅시다.

1단계 — 파일 업로드. Happycapy에서 채팅창에 CSV를 드래그합니다. 에이전트는 이를 읽습니다: 14,832행, 6개 열, 2024년 1월~12월의 날짜 범위, revenue에는 널 값이 없지만 returns에는 3.2%의 결측값이 있습니다.

2단계 — 평이한 영어로 질문하기. "4분기에 반품률이 가장 높았던 상품 카테고리 세 곳은 어디이며, 1분기와 비교하면 어떤가요?"

3단계 — 에이전트가 코드를 작성. 에이전트는 date 열을 파싱하고, 1분기와 4분기로 필터링하고, 카테고리별로 return_rate = returns / units_sold를 계산하고, 결과를 순위 매기는 pandas 스크립트를 생성합니다.

4단계 — 코드 실행. 샌드박스 내에서 스크립트가 실행됩니다. DataFrame을 반환합니다:

Category         Q1 Return Rate   Q4 Return Rate
Electronics      4.1%             9.8%
Accessories      2.3%             3.1%
Apparel          3.7%             5.2%

5단계 — 시각화. 에이전트는 카테고리별 1분기 대 4분기 반품률을 비교하는 그룹형 막대 차트를 생성하고, return_rates_q1_vs_q4.png로 내보낸 뒤 파일을 첨부합니다.

6단계 — 서술. 에이전트는 다음과 같이 작성합니다: "Electronics의 반품률은 1분기 4.1%에서 4분기 9.8%로 급증했습니다 — 두 배 이상입니다. 4분기가 연말 쇼핑 시즌을 포함한다는 점을 고려하면, 이는 받는 사람의 기대에 맞지 않았던 선물 구매를 반영하는 것일 수 있습니다. Apparel도 상승했지만 더 완만했습니다. Accessories는 비교적 안정적으로 유지되었습니다. 급증을 이끄는 구체적인 SKU를 파악하기 위해 Electronics 반품 데이터를 검토할 것을 권장합니다."

이 전체 과정은 2분도 채 걸리지 않습니다. Python 지식이 필요하지 않습니다. 서술에 나온 숫자는 표에 나온 숫자와 동일합니다. 둘 다 같은 코드 실행에서 나온 것이기 때문입니다.

코드 실행이 텍스트 전용 분석보다 나은 이유

코드 실행을 지지하는 논거는 단지 철학적인 것이 아닙니다. 실용적인 결과를 낳습니다.

정확성은 감사 가능합니다. 에이전트가 숫자를 만들어낼 때, "이 숫자를 만든 코드를 보여달라"고 요청할 수 있습니다. 그 답은 다시 실행할 수 있는 결정론적 스크립트입니다. 챗봇이 숫자를 만들어낼 때, 그 답은 "제 언어 모델이 여러분의 프롬프트를 고려했을 때 이 토큰을 가능성 높은 것으로 예측했습니다"입니다. 이 둘은 동등하지 않습니다.

규모는 실제입니다. 언어 모델의 컨텍스트 윈도우는 토큰 단위로 측정되며, 대략 수만 단어 정도입니다. 50만 행의 CSV는 프롬프트에 붙여넣을 수 없습니다. 코드는 크기와 무관하게 전체 데이터셋에 대해 실행됩니다. 잘 구현된 에이전트는 언어 모델을 사용해 코드를 작성하고, 컴퓨팅 환경을 사용해 그것을 실행함으로써 — 둘의 강점을 결합합니다.

반복은 자동입니다. 분석은 첫 시도에서 제대로 되는 경우가 드뭅니다. 열에 예상치 못한 널 값이 있어서 실패하는 groupby, 혼합된 형식에 막히는 날짜 파싱, 키 열에 끝 공백이 있어서 카티션 곱을 만들어내는 병합 — 이런 것들은 흔한 일입니다. 코드를 실행하는 에이전트는 오류를 포착하고, 트레이스백을 읽고, 코드를 수정합니다. 텍스트 전용 에이전트는 오류가 존재한다고 알려주고 여러분에게 고쳐달라고 요청합니다.

재현성은 내장되어 있습니다. 분석이 코드로 포착되기 때문에, 모든 단계가 재현 가능합니다. 다음 달에 새 데이터로 동일한 분석을 다시 실행할 수 있습니다. 스크립트를 공유할 수 있습니다. 한 가지 가정을 수정하고 무엇이 바뀌는지 볼 수 있습니다. 이는 에이전트의 결과물을 서술형 답변보다 훨씬 더 오래 지속되게 만듭니다.

자동화 계층이 어떻게 작동하는지 더 깊이 알아보려면, 분석가 워크플로우에 특화된 동반 가이드인 How to Automate Data Analysis for Analysts를 참고하세요.

AI 데이터 분석 에이전트에서 확인해야 할 사항

"AI 데이터 분석"으로 마케팅되는 모든 도구가 실제로 코드를 실행하는 것은 아닙니다. 다음은 평가하는 방법입니다.

격리된 샌드박스에서의 코드 실행

가장 중요한 기준입니다. 도구가 여러분의 실제 데이터에 대해 격리된 프로세스에서 Python(또는 R, SQL)을 실행합니까? 코드를 요청해 보세요. 도구가 결과물을 만들어낸 실행 가능한 코드를 보여줄 수 없다면, 그것은 텍스트 전용 도구입니다. 클라우드 샌드박스 아키텍처가 여기서 중요합니다 — 한 사용자의 데이터가 다른 사용자에게 유출되지 않도록, 그리고 악성이거나 버그가 있는 코드가 기반 인프라에 해를 끼치지 않도록 실행이 격리되어야 합니다.

반복적인 오류 복구

약간 잘못된 형식의 파일로 테스트를 실행해 보세요 — 혼합된 날짜 형식이 있는 CSV, 공백이 있는 열 이름, 하나의 텍스트 값이 포함된 숫자 열. 에이전트가 문제를 자율적으로 감지하고 수정합니까, 아니면 실패하고 데이터를 사전에 정제해 달라고 요청합니까? 지저분한 실제 데이터 상황에서의 견고함이야말로 프로덕션에 준비된 에이전트를 데모와 구분 짓는 요소입니다.

추론의 투명성

에이전트가 각 단계에서 무엇을 했는지 볼 수 있어야 합니다: 어떤 코드를 작성했는지, 그 코드의 출력이 무엇이었는지, 정제에 대해 어떤 결정을 내렸는지. 기반이 되는 단계에 대한 가시성 없이 세련된 보고서만 반환하는 에이전트는 중대한 의사결정에는 신뢰하기 어렵습니다.

모델 유연성

분석 작업마다 요구사항이 다릅니다. 작은 파일에 대한 탐색적 분석은 빠르고 저렴한 모델이 필요합니다. 대규모 데이터셋에 대한 통계 모델링은 매우 유능한 모델의 도움을 받습니다. 여러 모델에 대한 접근을 제공하고 — 선택하거나 자동으로 라우팅할 수 있게 해주는 — 플랫폼은 비용과 품질 모두를 최적화할 수 있게 해줍니다. Happycapy의 150개 이상 모델 접근은 이를 네이티브로 지원합니다.

결과물의 완전성

에이전트는 요청받은 정제된 데이터, 코드 파일, 차트 이미지, 작성된 보고서 등 모든 산출물을 반환해야 합니다. 일부 도구는 이 중 하나만 반환합니다. 여러분은 다운스트림 이해관계자가 작업을 검증, 발표, 재현할 수 있도록 전체 패키지를 원할 것입니다.

기반 하네스 엔지니어링이 어떻게 다단계 에이전트 실행을 신뢰할 수 있게 만드는지 자세히 알아보려면 Harness Engineering for AI Agents를 참고하세요.

한계와 정확성에 대한 주의사항

책임감 있는 사용을 위해서는 데이터 분석 에이전트가 잘 하지 못하는 것을 이해해야 합니다.

비즈니스 맥락을 알 수 없습니다. 여러분이 알려주지 않는 한, 에이전트는 데이터에서 "returns"가 소매 반품이 아니라 보증 청구를 의미한다는 것을 알지 못합니다. 도메인 프레이밍은 여러분의 몫입니다. 열이 무엇을 나타내는지, 여러분의 업계에서 "좋은" 숫자가 어떤 모습인지, 이미 조사한 이상치가 무엇인지 등 더 많은 맥락을 제공할수록 분석이 더 좋아집니다.

중대한 결정에는 통계적 정확성에 대한 검토가 필요합니다. 에이전트는 합리적인 기본값을 선택할 것입니다 — 중앙값보다 평균, 스피어만보다 피어슨 — 하지만 "합리적인 기본값"이 여러분의 데이터 분포에 항상 올바른 선택은 아닙니다. 이사회에 결과를 발표하거나 상당한 예산을 배분하는 데 사용한다면, 실행을 신뢰하더라도 통계학자에게 방법론을 검토받으세요.

데이터의 질만큼만 좋습니다. 가비지 인, 가비지 아웃은 절대적으로 적용됩니다. 에이전트는 잘못된 소스 데이터로부터 잘못된 답을 충실하게 계산할 것입니다. 데이터 품질은 에이전트가 여러분을 위해 처리해주는 것이 아니라 전제조건입니다(다만 정제 단계에서 데이터 품질 문제를 드러내는 데 도움을 줄 수는 있습니다).

장시간 실행되는 계산에는 실질적인 한계가 있습니다. 대규모 데이터셋으로 머신러닝 모델을 훈련시키는 것은 그것을 분석하는 것과는 다릅니다. 대부분의 데이터 분석 에이전트는 탐색과 보고에 최적화되어 있지, 몇 시간씩 걸리는 훈련 작업에 최적화되어 있지 않습니다. 그 차이를 아세요.

분석과 자동 보고서 생성을 결합한 사용 사례에 대해서는 에이전트가 분석 결과를 가지고 형식을 갖춘 결과물을 자동으로 만들어내는 방법을 다루는 AI Report Generator를 참고하세요. 더 복잡한 파이프라인을 구축하고 있다면, AI Research Agent는 데이터 분석과 웹 리서치를 결합하는 에이전트를 다룹니다.

첫 AI 데이터 분석 에이전트 세션 실행하는 방법

Happycapy 같은 도구로 시작하는 것은 간단합니다.

1. 데이터를 준비하세요. 분석하고 싶은 것을 CSV나 엑셀로 내보내세요. 열에 명확한 이름이 있는지 확인하는 데 15분을 쓰면 에이전트와 여러 차례 주고받는 수고를 덜어줄 것입니다.

2. Happycapy를 열고 세션을 시작하세요. 로컬 Python 설치가 필요하지 않습니다. 실행 환경은 전적으로 클라우드에 있습니다.

3. 파일을 업로드하고 목표를 설명하세요. 구체적으로 표현하세요: "2분기 매출이 1분기 기준선 대비 저조한 지역을 파악하고 싶고, 이를 비교하는 막대 차트를 원합니다." 질문이 구체적일수록 분석이 더 집중됩니다.

4. 에이전트가 작성한 코드를 검토하세요. 개발자가 아니더라도, 코드를 훑어보는 것은 에이전트가 여러분의 질문을 이해했는지에 대한 검증이 됩니다.

5. 후속 질문을 하세요. 분석은 반복적입니다. "이제 상품 카테고리별로 세분화해줘"나 "먼저 매출 1만 달러 미만 계정은 제외해줘"는 에이전트가 처음부터 다시 시작할 필요 없이 처리하는 자연스러운 후속 질문입니다.

6. 결과물을 다운로드하세요. 차트, 정제된 데이터, 작성된 서술이 모두 파일로 제공됩니다. 코드도 제공되므로 전체 분석이 재현 가능합니다.

Start free at happycapy.ai

자주 묻는 질문

AI 데이터 분석 에이전트는 어떤 종류의 데이터 파일을 처리할 수 있나요?

대부분의 에이전트는 CSV, 엑셀(XLS/XLSX), JSON, Parquet을 기본적으로 처리합니다. 더 나은 플랫폼은 직접적인 데이터베이스 연결(PostgreSQL, MySQL, SQLite)과 API 엔드포인트도 지원합니다. Happycapy는 이 모든 것에 더해 공개 데이터셋을 가리키는 URL도 받아들입니다.

클라우드 에이전트에 업로드할 때 제 데이터는 안전한가요?

이는 전적으로 플랫폼에 달려 있습니다. 샌드박스 실행(각 세션이 격리된 환경에서 실행됨), 전송 중 데이터 암호화, 명확한 데이터 보존 정책을 확인하세요. Happycapy는 각 세션을 격리된 클라우드 샌드박스에서 실행합니다 — 여러분의 데이터는 다른 세션에서 접근할 수 없으며 모델 훈련에 사용되지 않습니다. 격리 모델에 대한 더 자세한 설명은 What Is a Cloud Sandbox를 참고하세요.

사용하려면 Python이나 통계를 알아야 하나요?

아니요. 평이한 영어로 상호작용합니다. 에이전트가 코드를 작성하고 실행합니다. 다만, 어느 정도의 통계적 소양이 있으면 더 나은 질문을 하고 말이 안 되는 결과를 알아채는 데 도움이 됩니다. "고객당 매출의 평균이 아니라 중앙값은 얼마인가요?"는 "평균이 얼마인가요?"보다 더 나은 질문이며, 그것을 물어볼 줄 아는 것이 코딩할 줄 아는 것보다 더 중요합니다.

이것은 AI에게 Python 스크립트를 작성해 달라고 요청하는 것과 어떻게 다른가요?

AI가 스크립트를 작성해줄 때, 여러분은 코드를 받습니다. 그런 다음 직접 실행하고, 디버깅하고, 의존성 문제를 해결하고, 결과를 해석해야 합니다. 데이터 분석 에이전트는 그 루프를 닫습니다: 코드를 작성하고, 관리되는 환경에서 실행하고, 오류를 자율적으로 처리하고, 완성된 결과물을 제시합니다. 그 차이는 대략 레시피를 요청하는 것과 완성된 식사를 받는 것의 차이와 유사합니다.

에이전트가 대규모 데이터셋 — 수백만 행 — 을 처리할 수 있나요?

플랫폼의 샌드박스 컴퓨팅 자원에 따라 다릅니다. Parquet 같은 컬럼형 파일 형식과 DuckDB 같은 도구는 모든 것을 메모리에 로드하지 않고도 적당한 하드웨어에서 수억 행을 처리할 수 있습니다. Happycapy의 샌드박스는 단순한 장난감 데이터셋이 아니라 실제 분석 워크로드를 위해 프로비저닝되어 있습니다. 극도로 큰 데이터의 경우, 파티션된 쿼리나 데이터베이스 연결이 파일 업로드보다 더 실용적입니다.

에이전트가 분석에서 실수를 하면 어떻게 되나요?

분석이 코드로 표현되기 때문에, 실수는 감사 가능하고 수정 가능합니다. 에이전트에게 코드를 보여달라고 요청하세요. 로직을 검토하세요. 오류를 발견하면 — 잘못된 날짜 필터, 잘못된 키에 대한 groupby 등 — 평이한 언어로 수정 사항을 설명하면 에이전트가 코드를 다시 작성하고 재실행할 것입니다. 이 피드백 루프는 직접 스크립트를 디버깅하는 것보다 빠르고, 챗봇에게 문장을 재고해 달라고 요청하는 것보다 훨씬 신뢰할 만합니다.

AI 데이터 분석 에이전트는 데이터 분석가를 대체하나요?

아니요. 이것은 역량을 배가시키는 도구입니다. 경험 많은 분석가들은 이를 사용해 일의 기계적인 부분 — 데이터 정리, 일상적인 차트 제작, 초기 탐색 — 을 없애고, 진정한 도메인 전문성이 필요한 부분 — 올바른 질문을 프레이밍하고, 발견 사항을 맥락화하고, 통찰을 결정으로 번역하는 것 — 에 시간을 쓸 수 있게 합니다. 전담 분석가가 없는 팀에게는, 그렇지 않았다면 전혀 존재하지 않았을 분석 역량을 제공합니다. 분석가를 위한 동반 가이드는 이를 분석가의 워크플로우에 구체적으로 통합하는 방법을 다룹니다.

이것은 Tableau나 Looker 같은 BI 대시보드와 어떻게 다른가요?

BI 대시보드는 안정적인 스키마 위에서 알려진, 반복되는 질문을 위해 미리 만들어집니다. 그런 질문에 잘, 대규모로, 실시간으로, 대규모 팀을 위해 답합니다. AI 데이터 분석 에이전트는 임의의 데이터에 대한 새롭고 즉흥적인 질문을 위해 만들어졌습니다. 이들은 서로 다른 순간에 봉사합니다: 대시보드는 "지난주에 사용했던 것과 같은 뷰에서 이번 주 판매 수치를 보여줘"를 위한 것이고, 에이전트는 "방금 새 공급업체로부터 이 데이터셋을 받았고 오늘 안으로 이해해야 해"를 위한 것입니다. 성숙한 대부분의 데이터 팀은 둘 다 사용할 것입니다.