Claude Code 데이터 사이언스 스킬 가이드 — EDA부터 대시보드까지 노트북 밖으로

크게 보기

데이터 사이언티스트에게 AI 도구는 이미 익숙합니다. 노트북에서 셀 단위 자동완성, 챗봇에 에러 붙여넣고 해결책 받기. 그런데 Claude Code는 다른 종류의 도구입니다. 저장소 전체를 읽고, 코드를 직접 실행하고, 그 출력(차트·통계·에러)을 다시 읽어서 다음 행동을 결정합니다.

차이가 극명한 사례 하나. dbt 파이프라인에서 컬럼 누락 에러가 났을 때, 노트북 안의 AI는 그 셀만 봅니다. Claude Code는 24개 모델의 의존성을 따라 올라가 원인 모델을 찾고 수정까지 하는 데 40초가 걸렸다는 실측 보고가 있습니다 — 사람이 하면 한 시간짜리 추적입니다.

이 글은 그 능력을 데이터 작업에 제대로 쓰기 위한 스킬과 패턴을, 실제 분석 워크플로우 순서(EDA → 시각화 → 대시보드 → 파이프라인)대로 정리합니다. 스킬 개념과 설치 방법은 프론트엔드 편 0장을 참고하세요.

1. dataviz — 이미 설치되어 있는 스킬부터

가장 좋은 출발점은 설치가 필요 없는 스킬입니다. Claude Code에는 dataviz 스킬이 내장되어 있어, 차트·플롯·대시보드·시각화를 요청하면 자동으로 발동합니다. 색상 체계, 축·범례·툴팁 규칙, 차트 유형 선택 휴리스틱이 들어 있어서, 스킬 없이 만든 "matplotlib 기본값 파란 막대"와는 결과물이 다릅니다.

포인트는 "그려줘"에서 멈추지 않는 것입니다. Claude Code는 자기가 그린 차트 파일을 다시 읽을 수 있으므로, "그린 차트를 직접 보고 라벨 겹침이나 이상한 점 있으면 고쳐줘"라고 하면 시각적 자기 검증 루프가 돕니다.

2. EDA 스킬 — 보일러플레이트를 표준 절차로

새 데이터셋을 받을 때마다 짜는 코드가 있습니다. df.info(), 결측치 히트맵, 분포, 상관행렬, 타깃별 그룹 통계. pandas EDA 계열 스킬(data-scientist 스킬 등 35종+가 레지스트리에 등록되어 있습니다)은 이 절차를 표준화합니다.

npx skills find "eda"            # 레지스트리 검색
npx skills find "data scientist"

스킬이 있으면 "이 데이터 EDA 해줘" 한 줄이 다음을 의미하게 됩니다.

여기서 팀 스킬로 발전시키는 것을 권합니다. 우리 회사 데이터의 고질적 함정(예: "가입일이 1970-01-01이면 마이그레이션 결측", "금액 컬럼은 원 단위와 천원 단위가 혼재")을 스킬에 추가해 두면, 누가 분석해도 같은 함정 검사를 거치게 됩니다.

3. 대시보드 스킬 — 분석의 마지막 1마일

분석가의 시간을 가장 많이 잡아먹는 것은 모델링이 아니라 "이해관계자에게 보여줄 것"을 만드는 일입니다. 대시보드 스킬은 데이터를 주면 KPI 카드·차트·탭·드릴다운이 있는 단일 HTML 파일 인터랙티브 대시보드를 생성합니다.

실측 사례(Towards Data Science 소개): 에너지 소비 데이터셋에 "KPI 카드 4개, 평일/주말 분리 시간대 부하 패턴, 색상 코딩된 월평균, 일별 드릴다운"을 요청 → 몇 분 만에 동작하는 대시보드가 나왔고, 평일 피크 17~18시 vs 주말 피크 14시 같은 인사이트가 바로 드러났습니다.

BI 도구 라이선스나 배포 없이 HTML 파일 하나를 슬랙에 던지면 끝이라는 점이 실무에서 강력합니다. Streamlit 스킬을 쓰면 파이썬 앱 형태로도 뽑을 수 있습니다.

npx skills find "dashboard"
npx skills find "streamlit"

4. Jupyter 연계 — 노트북과 터미널의 역할 분담

Claude Code는 .ipynb를 셀 단위로 읽고 편집할 수 있습니다(출력 포함). 그래서 현실적인 분업은 이렇습니다.

특히 유용한 요청 두 가지:

• "이 탐색 노트북을 src/ 모듈 + 얇은 노트북으로 리팩터링해줘" — 노트북 지옥에서 벗어나는 가장 빠른 길입니다. 함수는 테스트 가능한 .py로, 노트북은 호출과 시각화만 남깁니다.
• "셀 출력까지 읽고 결과 요약 리포트를 마크다운으로 써줘" — 실험 기록 자동화입니다.

5. 파이프라인 디버깅 — 저장소 전체를 보는 눈

스킬이라기보다 Claude Code의 본질적 강점이지만, 데이터 엔지니어링 경계에 있는 분석가에게 가장 돈값을 하는 영역이라 워크플로우에 포함합니다.

dbt·Airflow·전처리 스크립트가 얽힌 저장소에서 "다운스트림 테이블에 revenue_krw 컬럼이 없다는데 원인 찾아줘"라고 하면, Claude Code는 grep으로 컬럼의 생성·소비 지점을 추적하고, 모델 의존성을 거슬러 올라가 어느 단계에서 사라졌는지 찾은 뒤 수정안을 냅니다. 여기에 백엔드 편의 postgres·마이그레이션 스킬을 더하면 웨어하우스 스키마 변경까지 안전하게 다룰 수 있습니다.

6. 실전 워크플로우 — 데이터 받기부터 납품까지

7. 팁 — 데이터 작업에서만 주의할 것

1. 데이터를 통째로 컨텍스트에 넣지 마세요. CSV를 붙여넣는 게 아니라 경로를 알려주고 코드를 실행해 요약을 읽게 하는 것이 Claude Code 방식입니다. 100만 행도 문제없습니다.
2. 재현성을 요구하세요. "시드 고정하고, 결과는 outputs/에 날짜 붙여 저장" 같은 규칙을 CLAUDE.md에 넣어 두면 분석이 저장소에 축적됩니다.
3. 민감 데이터는 정책 확인부터. 고객 데이터가 있는 저장소라면 회사의 AI 도구 정책과 마스킹 규칙을 먼저 확인하고, 필요하면 샘플·합성 데이터로 개발한 뒤 실데이터는 로컬 실행만 하게 하세요.
4. 통계적 판단은 검증하세요. 스킬은 절차를 표준화하지만, "이 차이가 유의한가"의 최종 판단과 검정 선택의 적절성은 여전히 분석가의 책임입니다.

Claude Code 시리즈 · 맥 설치 · 맥 개발 환경 · 윈도우 · 프론트엔드 스킬 · 백엔드 스킬 · 데이터 사이언스 스킬 · 대학원생을 위한 스킬