기술 · July 21, 2026 · 8분 읽기

데이터 분석가를 위한 프롬프트 엔지니어링: 정밀한 정의를 내린 뒤, 숫자를 의심하라

분석가에게 좋은 프롬프트란 정밀한 지표 정의이며, 핵심 역량은 결과가 검증될 때까지 그것을 의심하는 것이다. 잘못된 숫자를 내보내지 않는 AI 지원 분석에 대한 실용 가이드로, 실제 예제와 그것이 어떻게 평가되는지를 담았다.

데이터 분석가에게 AI 세션의 산출물은 숫자다. 그리고 그 숫자는 자료에 붙여넣어져 의사결정으로 바뀐다. 이는 프롬프트 작성의 부담을 특정한 방식으로 높인다. 실패 양상은 보기 흉한 코드가 아니라, 그럴듯하지만 조용히 아귀가 맞지 않는 수치다. 이 글은 역할별 프롬프트 엔지니어링 시리즈의 분석가 편이며, AI 샌드박스가 가장 뚜렷하게 드러내는 요소 중 하나다.

좋은 프롬프트는 정밀한 정의다

분석 작업에서 환각을 줄이는 연구는 모두 같은 방향을 가리킨다. 구체성과 경계가 영리한 표현을 이긴다. 모호한 요청, 즉 '월별 매출을 달라'는 요청은 모델이 대신 정의를 고르도록 유도하며, 모델은 그럴듯하지만 잘못된 정의를 고르게 된다. 뛰어난 분석가는 지표, 제외 조건, 그리고 진실의 원천을 프롬프트에 명시하고, 모델에게 추측하기보다 명시적으로 이의를 제기할 권한을 준다. 그것이 분석가의 자리에서의 AI 유창성이다. 프롬프트와 분석적 엄밀함은 같은 행위다.

실제 예제

월별 순매출을 요청하라. 약한 버전은 거기서 멈춘다. 강한 버전은 '순'을 정의하고, 제외 조건을 명시하며, 어떤 타임스탬프가 그 달로 집계되는지를 지정하고, 모델에게 열 이름을 지어내는 대신 찾을 수 없는 것은 표시하라고 지시한다. 그리고 실제로 중요한 부분은, 분석가가 그 결과가 화면을 떠나기 전에 이미 신뢰하는 수치와 대조하여 타당성을 점검한다는 것이다.

## TASK
Write SQL: net revenue by calendar month for 2025.

## DEFINITIONS
- net revenue = gross - refunds
- Exclude internal test accounts (email domain @acme-internal.com)
- "Month" = orders.completed_at, not created_at

## RULES
- If a column I named doesn't exist, tell me — do not guess a name
- Return the query, then list every assumption you made

• 좋음: 지표, 제외 조건, 진실의 원천을 명시하고, 산출물의 타당성을 점검하며, 데이터가 뒷받침하지 않는 숫자를 의심한다.
• 약함: 그럴듯한 쿼리를 받아들이고, 환불을 조용히 이중 계산한 수치를 보고하며, 결코 알아차리지 못한다.

실제로 변화를 만드는 모범 사례

• 요청하기 전에 정의하라. 지표 정의, 제외 조건, 시간 단위를 프롬프트에 넣어라. 모호함이 바로 잘못된 숫자가 태어나는 곳이다.
• '모른다'고 말할 권한을 줘라. 모델에게 추측하는 대신 '데이터가 충분하지 않다'거나 '그 열은 존재하지 않는다'고 답하라고 지시하라. 거부가 허용될 때 모델은 훨씬 덜 환각한다.
• 가정을 물어라. 모델이 무엇을 가정했는지 나열하게 하라. 바로 그곳에서 잘못 해석된 정의를 발견하게 된다.
• 모든 산출물을 이미 신뢰하는 숫자와 대조하여 타당성을 점검하라. 맞아떨어지지 않는 수치는 반올림 오차가 아니라 발견 그 자체다.

흔한 실패 양상

• 모호한 지표: 정의 없는 '매출'이므로, 모델이 조용히 하나를 고른다.
• 쿼리가 깔끔해 보인다는 이유로 숫자를 신뢰함: 잘못된 정의 위의 깔끔한 SQL도 여전히 잘못된 답이다.
• 검증된 수치와 결코 대조하지 않아, 그 실수가 사실로 내보내진다.

우리는 이것을 어떻게 평가하는가

이것은 프롬프트 상식 퀴즈로 시험할 수 없고, AI를 빼앗아서도 시험할 수 없다. 그것은 더 이상 아무도 그렇게 하지 않는 과제를 측정할 뿐이다. 지원자에게 도구를 사용할 수 있는 현실적인 분석 과제를 주고, 그들이 지표를 정의하는지, 오도하는 집계를 잡아내는지, 그리고 실제로 검증되는 숫자를 지지하는지를 지켜본다. 이것이 바로 AI 샌드박스 평가가 하는 일이며, AI 유창성이 하나의 기둥으로 채점되는 방식이다. 전체 데이터 분석가 평가가 무엇을 다루는지, 왜 이것이 AI 네이티브 채용에서 정직한 시험인지 살펴보거나, 역할에 맞춰진 평가가 구성되는 과정을 지켜보라.

최고의 분석가는 AI의 답을 놀라운 숫자를 대하듯 다룬다. 맞아떨어지기 전까지는 유죄다. 프롬프트 표현이 아니라 바로 그 본능이 잘못된 수치를 이사회에서 몰아낸다.