실수: 손으로 확인할 수 없는 '숨겨진 패턴'
지난주 우리 팀은 구글 시트에 쌓인 2,000개 주문 기록을 보며 "배송 지연이 왜 자꾸만 오후 3~5시 주문에서만 발생할까?"라는 의문을 던졌습니다. 스프레드시트 필터와 정렬로는 이 패턴을 제대로 찾기 어려웠습니다. 데이터는 많지만, 인간의 눈으로는 충분히 빠르게 처리할 수 없었죠.
Claude Code로 시간대별 분석 자동화하기
1단계: 데이터 구조 확인
먼저 구글 시트에 있는 주문 데이터의 구조를 정리했습니다.
주문ID | 주문시간 | 배송완료시간 | 배송지역 | 지연여부
001 | 2024-01-15 15:30 | 2024-01-16 09:00 | 서울 | O
002 | 2024-01-15 16:45 | 2024-01-17 11:00 | 부산 | O
003 | 2024-01-15 10:20 | 2024-01-15 18:30 | 서울 | X
2단계: Claude Code 프롬프트 작성
Windows 환경의 메인 디바이스에서 Claude Code를 열고, 다음과 같이 지시했습니다.
구글 시트 CSV 파일(orders_2024.csv)을 읽어주세요.
주문시간에서 시간대(0~23)를 추출하고,
시간대별로 평균 배송 지연 시간(시간)을 계산해주세요.
결과를 time_delay_analysis.json으로 저장해주세요.
3단계: 코드 실행 및 패턴 발견
Claude Code가 생성한 스크립트를 실행하면, 다음 같은 결과가 나왔습니다.
{
"hourly_analysis": [
{"hour": 15, "avg_delay_hours": 28.5, "order_count": 145},
{"hour": 16, "avg_delay_hours": 26.3, "order_count": 152},
{"hour": 17, "avg_delay_hours": 24.8, "order_count": 138},
{"hour": 10, "avg_delay_hours": 4.2, "order_count": 180},
{"hour": 11, "avg_delay_hours": 3.8, "order_count": 172}
]
}
놀랍게도 오후 3~5시 주문이 오전 주문보다 평균 20시간 이상 지연됨을 발견했습니다.
4단계: 원인 파악 및 조치
이 데이터를 가지고 실제 배송 팀과 대화한 결과, 오후 3시 이후 주문은 익일 픽업으로 넘어가는 시스템이었던 것입니다. 수작업으로는 놓치기 쉬운 '시스템의 구조적 차이'였죠.
5단계: 자동화 반복 설정
이제 매주 월요일 아침 자동으로 이 분석을 실행하도록 Windows 디바이스의 작업 스케줄러(Task Scheduler)에 Python 스크립트를 등록했습니다.
import schedule
import time
def run_analysis():
# Claude Code로 생성된 분석 함수 호출
analyze_orders_by_hour()
print("분석 완료: 시간대별 배송 지연 패턴 업데이트됨")
schedule.every().monday.at("08:00").do(run_analysis)
while True:
schedule.run_pending()
time.sleep(60)
핵심 배운 점
1. **숨겨진 패턴은 데이터가 많을수록 존재합니다.** 수동 작업으로는 절대 찾을 수 없습니다.
2. **Claude Code는 분석 이전에 데이터 구조 정의가 중요합니다.** 정확한 CSV나 JSON 형식이 필수입니다.
3. **발견 후가 더 중요합니다.** 패턴을 찾은 후 실제 비즈니스 문제 해결로 이어져야 의미가 있습니다.
비개발자 팀에서도 이 5단계를 따라가면 자신만의 '숨겨진 데이터 패턴'을 발견할 수 있습니다.