📈 SQL 몰라도 GPT로 데이터분석 시작하기

대기업 그로스마케터의 실무 데이터분석 GPT로 직접 해보기

사회초년생과 대학생을 위한 실습형 가이드입니다 😇

목표: CSV 데이터를 BigQuery에 올리고, GPT의 도움으로 SQL을 실행한 뒤, 실무형 인사이트까지 뽑아보기

이 콘텐츠는 길벗에서 선물로 주신 < 매출을 만드는 데이터분석 with 챗GPT> (2026, 조선미 저) 도서에서 영감을 받았습니다. thanks to 길벗❣️

작성 : 그로스플래닛 어닝쓰 (2026.05)

이 문서를 끝까지 따라 하면 할 수 있는 것

• Kaggle에서 실습용 데이터를 내려받을 수 있습니다.
• Google BigQuery에 CSV 파일을 업로드해 데이터셋과 테이블을 만들 수 있습니다.
• SELECT * FROM ... LIMIT 1000 형태의 첫 SQL 쿼리를 직접 실행할 수 있습니다.
  • SQL 몰라도 겁먹지마세요. GPT랑 대화하면서 용어/쿼리 설명 같이 해달라고 하면 쉽게 익혀집니다.
• GPT에게 “SQL 작성 → 오류 수정 → 결과 해석 → 다음 액션 제안”을 맡기는 기본 루틴을 익힐 수 있습니다.
• 단순히 툴을 만지는 것에서 끝나지 않고, 마케터가 실제로 보는 매출, 이익, 카테고리, 고객 세그먼트 관점으로 데이터를 해석해볼 수 있습니다.

이 가이드는 이런 사람에게 맞습니다

• 엑셀은 조금 해봤지만 SQL, BigQuery, 데이터 웨어하우스는 처음인 사람
• 데이터 분석 직무나 그로스마케팅에 관심 있는 대학생, 취준생, 사회초년생
• “GPT가 코드를 대신 짜준다는데, 실무에서는 어떻게 써야 하지?”가 궁금한 사람
• 포트폴리오에 넣을 수 있는 작은 데이터 분석 실습을 직접 만들어보고 싶은 사람

그로스마케터의 관점: 데이터 분석은 ‘툴’보다 ‘질문’이 먼저입니다

실무에서 데이터 분석을 잘하는 사람은 복잡한 SQL을 외우는 사람이 아닙니다. 먼저 좋은 질문을 던지고, 그 질문을 데이터로 확인하고, 결과를 액션으로 바꾸는 사람입니다.

제가 실무에서 GPT를 쓰는 방식은 단순합니다.

1. 질문을 정리합니다. 예: “어떤 카테고리가 매출은 높은데 이익률은 낮을까?”
2. GPT에게 SQL 초안을 요청합니다. 예: “BigQuery Standard SQL로 작성해줘.”
3. BigQuery에서 실행합니다. 에러가 나면 에러 메시지를 GPT에게 다시 줍니다.
4. 결과를 GPT에게 붙여넣고 해석을 요청합니다. 단, 최종 판단은 사람이 합니다.
5. 액션으로 바꿉니다. 예: “할인율이 높은데 이익이 낮은 카테고리는 프로모션 정책을 다시 본다.”

핵심은 GPT를 “정답 생성기”가 아니라 데이터 분석 페어, 즉 옆자리 사수처럼 쓰는 것입니다.

0. 준비물

• Google Cloud에서 빅쿼리를 돌리는데, 진행할 실습 데이터는 작기 때문에 무료로 사용 가능합니다.

1. 전체 실습 흐름

Kaggle에서 CSV 다운로드
        ↓
BigQuery 프로젝트 생성
        ↓
데이터셋 chapter1 생성
        ↓
테이블 superstore 생성
        ↓
첫 SQL 쿼리 실행
        ↓
GPT로 SQL 개선, 오류 해결, 결과 해석
        ↓
마케팅 인사이트 도출

이번 실습에서 사용할 데이터는 Kaggle의 Superstore Dataset입니다. 온라인/리테일 비즈니스에서 자주 보는 주문, 매출, 이익, 카테고리, 지역, 고객 세그먼트 등의 컬럼이 들어 있어 그로스마케팅 입문용으로 좋습니다.

2. Kaggle에서 샘플데이터 다운로드하기

보통 샘플데이터는 캐글에서 많이 받습니다. 혹은 통계청 공공데이터포털이나 서울 열린데이터 광장에서도 받을 수 있어요 🙂 만약 원하는 업계/직무 관련된 데이터셋이 없다면 GPT에게 샘플로 20만개 데이터 칼럼은 현업에서 통상적으로 많이 쓰는 걸로 생성해달라고 해도 됩니다!

2-1. 데이터 페이지 이동

Kaggle의 Superstore Dataset 페이지로 이동합니다.

https://www.kaggle.com/datasets/vivek468/superstore-dataset-final

Kaggle 계정으로 로그인한 뒤 Download 버튼을 눌러 데이터를 내려받습니다. Superstore Dataset은 매출, 이익, 고객, 지역, 카테고리 분석 연습에 적합한 공개 데이터입니다.

2-2. ZIP 파일 압축 해제

다운로드한 파일은 보통 ZIP 형태입니다. 압축을 풀면 CSV 파일을 확인할 수 있습니다. (데이터분석 시에는 xlxs 엑셀 파일이 아닌 csv 파일을 가장 많이 씁니다!) AI를 다룰 줄 아는 실무자라면 MCP로도 캐글 데이터 바로 받을 수 있습니다 :)

예시 파일명:

Sample - Superstore.csv

나중에 BigQuery에 업로드할 때 이 CSV 파일을 선택합니다.

3. BigQuery에 접속하고 프로젝트 만들기

3-1. BigQuery 접속

브라우저에서 Google Cloud BigQuery에 접속합니다.

https://console.cloud.google.com/bigquery

또는 Google에서 BigQuery를 검색한 뒤 Google Cloud의 BigQuery 페이지로 이동합니다. BigQuery는 Google Cloud에서 제공하는 데이터 웨어하우스입니다. SQL로 큰 데이터를 빠르게 조회할 수 있습니다.

3-2. 로그인 및 기본 정보 설정

Google 계정으로 로그인합니다. 처음 접속하면 국가, 서비스 약관, 이메일 업데이트 수신 여부 등을 묻는 화면이 나올 수 있습니다.

초보자라면 다음처럼 진행하면 됩니다.

1. 국가: 대한민국 또는 본인 거주 국가 선택
2. 서비스 약관: 동의해야 다음 단계 진행 가능
3. 이메일 업데이트: 선택 사항
4. 계속 또는 동의 후 계속 클릭

3-3. 프로젝트 생성

BigQuery에서 작업하려면 먼저 프로젝트가 필요합니다. 프로젝트는 쉽게 말해 “데이터와 리소스를 담는 작업 공간”입니다. 네모를 클릭하면 ‘새 프로젝트’를 생성할 수 있어요.

예시 프로젝트 이름은 다음처럼 설정합니다.

프로젝트 이름: DataAnalysis

주의할 점은 프로젝트 이름과 프로젝트 ID가 다르다는 것입니다.

• 프로젝트 이름: 사람이 알아보기 쉬운 이름입니다. 예: DataAnalysis
• 프로젝트 ID: BigQuery 쿼리에서 실제로 사용하는 고유 ID입니다. 예: dataanalysis-449703

프로젝트 ID는 자동으로 숫자가 붙어 생성될 수 있습니다. 뒤에서 SQL을 작성할 때 반드시 본인의 프로젝트 ID로 바꿔야 합니다.

3-4. 프로젝트 선택 확인

프로젝트 생성 후 BigQuery 화면 왼쪽 상단 또는 프로젝트 선택 메뉴에서 방금 만든 프로젝트가 선택되어 있는지 확인합니다.

선택된 프로젝트: DataAnalysis
프로젝트 ID: dataanalysis-449703

4. BigQuery에 CSV 업로드하기

4-1. BigQuery 화면으로 돌아가기

BigQuery 콘솔로 돌아갑니다. 메인 홈에서 스크롤을 하단으로 쭉 내리면 자체 데이터 추가 → 문서 파일 업로드 버튼이 있어요! 로컬 CSV 파일을 BigQuery 테이블로 업로드합니다.

4-2. 테이블 생성 및 데이터셋 만들기

위에서 데이터 추가를 눌렀다면 뜨는 화면에 다운받았던 캐글 .csv 파일을 업로드하고 아래 내용을 입력해주시면 됩니다.

4-3. 생성 확인

다시 빅쿼리 홈으로 돌아가면 생성한 테이블이 보인다면 성공입니다.

프로젝트 ID
└── chapter1
    └── superstore

용어를 정리하면 다음과 같습니다.

5. 첫 SQL 쿼리 실행하기

5-1. 쿼리 화면 열기

생성해둔 chapter1 > superstore 테이블을 눌러보세요. 테이블 위쪽 메뉴에서 ‘다음에서 열기’ → SQL 쿼리 (새탭) 을 누르면 SQL을 바로 실행할 수 있어요!

5-2. 첫 쿼리 작성

아래 쿼리를 작성합니다. PROJECT_ID 부분은 반드시 본인의 프로젝트 ID로(아마 샘플쿼리가 써있을거예요!) 바꿔야 합니다.

예시:

SELECT *
FROM `dataanalysis-449703.chapter1.superstore`
LIMIT 1000;

5-3. 실행하기

상단의 Run / 실행 버튼을 누릅니다. 결과 영역에 최대 1,000개의 행이 출력되면 성공입니다.

이 쿼리는 “superstore 테이블의 모든 컬럼을 최대 1,000개 행까지 보여줘”라는 뜻입니다.

첫 번째 목표는 멋진 분석이 아니라, 데이터가 잘 들어왔는지 확인하는 것입니다.

6. GPT를 옆자리 사수처럼 쓰는 프롬프트 루틴

데이터 분석 입문자가 가장 많이 막히는 지점은 “이제 뭘 질문하지?”입니다. 이때 GPT에게 SQL만 맡기지 말고, 질문 설계 → SQL 작성 → 오류 수정 → 결과 해석까지 한 흐름으로 요청하세요.

6-1. 데이터 구조를 설명해달라고 요청하기

BigQuery에서 테이블 스키마 또는 컬럼명을 확인한 뒤 GPT에게 이렇게 요청합니다.

나는 데이터 분석을 처음 배우는 대학생이야.
BigQuery에 Superstore 데이터를 업로드했고, 테이블 경로는 `PROJECT_ID.chapter1.superstore`야.
컬럼은 Row ID, Order ID, Order Date, Ship Date, Ship Mode, Customer ID, Segment, Country, City, State, Region, Product ID, Category, Sub-Category, Product Name, Sales, Quantity, Discount, Profit 등이 있어.

각 컬럼이 무슨 의미인지 초보자도 이해할 수 있게 설명해줘.
그리고 이 데이터로 할 수 있는 분석 질문 10개를 마케터 관점으로 제안해줘.

6-2. SQL을 작성해달라고 요청하기

아래 분석 질문을 BigQuery Standard SQL로 작성해줘.

분석 질문:
카테고리와 서브카테고리별 매출, 이익, 이익률을 보고 싶어.

조건:
- 테이블 경로는 `PROJECT_ID.chapter1.superstore`
- 이익률은 Profit / Sales로 계산
- 이익이 낮은 순서로 정렬
- 초보자가 이해할 수 있도록 SQL 각 줄을 설명해줘.

6-3. 에러가 났을 때 수정 요청하기

BigQuery에서 에러가 나면 에러 메시지를 그대로 복사해서 GPT에게 붙여넣습니다.

BigQuery에서 아래 SQL을 실행했는데 에러가 났어.
나는 SQL 초보자야.

[내가 실행한 SQL]
여기에 SQL 붙여넣기

[에러 메시지]
여기에 BigQuery 에러 메시지 붙여넣기

요청:
1. 에러 원인을 쉽게 설명해줘.
2. 수정된 SQL을 다시 작성해줘.
3. 같은 실수를 피하는 체크리스트를 알려줘.

6-4. 결과를 해석해달라고 요청하기

쿼리 결과를 몇 줄 복사해 GPT에게 줍니다.

아래는 BigQuery에서 나온 결과야.
나는 이 결과를 마케팅 실무 관점에서 해석하고 싶어.

[결과]
여기에 결과 테이블 일부 붙여넣기

요청:
1. 핵심 인사이트 3개
2. 왜 그렇게 해석할 수 있는지 근거
3. 실무에서 해볼 액션 3개
4. 추가로 확인해야 할 데이터 질문 5개

7. 바로 실행해볼 실무형 SQL 미션

아래 SQL에서 PROJECT_ID는 본인의 프로젝트 ID로 바꿔 실행하세요.

미션 1. 전체 데이터 규모 확인하기

SELECT
  COUNT(*) AS row_count,
  COUNT(DISTINCT `Order ID`) AS order_count,
  COUNT(DISTINCT `Customer ID`) AS customer_count
FROM `PROJECT_ID.chapter1.superstore`;

GPT 해석 프롬프트

이 결과를 보고 데이터 규모를 어떻게 이해하면 되는지 설명해줘.
row_count, order_count, customer_count의 차이도 알려줘.

미션 2. 전체 매출, 이익, 이익률 보기

SELECT
  ROUND(SUM(Sales), 2) AS total_sales,
  ROUND(SUM(Profit), 2) AS total_profit,
  ROUND(SUM(Profit) / NULLIF(SUM(Sales), 0), 4) AS profit_margin
FROM `PROJECT_ID.chapter1.superstore`;

실무 포인트

매출만 보면 위험합니다. 그로스마케팅에서는 성장률, 매출, 이익률을 함께 봐야 합니다. 매출이 커져도 이익이 줄면 캠페인이나 할인 정책에 문제가 있을 수 있습니다.

미션 3. 카테고리별 성과 보기

SELECT
  Category,
  ROUND(SUM(Sales), 2) AS sales,
  ROUND(SUM(Profit), 2) AS profit,
  ROUND(SUM(Profit) / NULLIF(SUM(Sales), 0), 4) AS profit_margin
FROM `PROJECT_ID.chapter1.superstore`
GROUP BY Category
ORDER BY profit DESC;

GPT 해석 프롬프트

아래 카테고리별 매출, 이익, 이익률 결과를 보고
그로스마케터 관점에서 어떤 카테고리에 집중해야 할지 알려줘.

해석 기준:
- 매출이 큰 카테고리
- 이익이 큰 카테고리
- 매출은 큰데 이익률이 낮은 카테고리
- 추가로 확인해야 할 원인

미션 4. 서브카테고리별 손실 구간 찾기

SELECT
  Category,
  `Sub-Category`,
  ROUND(SUM(Sales), 2) AS sales,
  ROUND(SUM(Profit), 2) AS profit,
  ROUND(SUM(Profit) / NULLIF(SUM(Sales), 0), 4) AS profit_margin
FROM `PROJECT_ID.chapter1.superstore`
GROUP BY Category, `Sub-Category`
ORDER BY profit ASC
LIMIT 10;

실무 포인트

이 쿼리는 “무엇이 돈을 벌고 있는가?”보다 “무엇이 돈을 잃고 있는가?”를 먼저 봅니다. 실무에서는 성장 기회만큼이나 손실을 줄이는 것도 중요합니다.

미션 5. 지역별 성과 보기

SELECT
  Region,
  ROUND(SUM(Sales), 2) AS sales,
  ROUND(SUM(Profit), 2) AS profit,
  ROUND(SUM(Profit) / NULLIF(SUM(Sales), 0), 4) AS profit_margin
FROM `PROJECT_ID.chapter1.superstore`
GROUP BY Region
ORDER BY profit DESC;

GPT 해석 프롬프트

이 지역별 성과 결과를 보고
어느 지역을 더 키워야 하고, 어느 지역은 원인 분석이 필요한지 알려줘.
마케팅 예산 배분 관점으로 설명해줘.

미션 6. 할인율과 이익의 관계 보기

SELECT
  Discount,
  COUNT(*) AS row_count,
  ROUND(SUM(Sales), 2) AS sales,
  ROUND(SUM(Profit), 2) AS profit,
  ROUND(SUM(Profit) / NULLIF(SUM(Sales), 0), 4) AS profit_margin
FROM `PROJECT_ID.chapter1.superstore`
GROUP BY Discount
ORDER BY Discount;

실무 포인트

할인은 매출을 올릴 수 있지만, 이익을 망칠 수도 있습니다. 초보자는 “할인 = 좋은 것”이라고 생각하기 쉽지만, 그로스마케터는 할인율별 이익률을 반드시 봅니다.

미션 7. 월별 매출 추이 보기

아래 쿼리는 Order Date가 DATE 타입으로 잘 인식되었을 때 사용할 수 있습니다.

SELECT
  FORMAT_DATE('%Y-%m', `Order Date`) AS order_month,
  ROUND(SUM(Sales), 2) AS sales,
  ROUND(SUM(Profit), 2) AS profit
FROM `PROJECT_ID.chapter1.superstore`
GROUP BY order_month
ORDER BY order_month;

만약 날짜 타입 에러가 나면, GPT에게 아래처럼 요청하세요.

BigQuery에서 Order Date 컬럼 때문에 FORMAT_DATE 에러가 났어.
Order Date가 문자열일 수도 있어.
CSV 날짜 형식은 예를 들어 11/8/2016 같은 형태야.
BigQuery Standard SQL로 날짜를 파싱해서 월별 매출을 보는 쿼리로 고쳐줘.

참고로 문자열 날짜일 때는 아래처럼 바꿔야 할 수 있습니다.

SELECT
  FORMAT_DATE('%Y-%m', PARSE_DATE('%m/%d/%Y', `Order Date`)) AS order_month,
  ROUND(SUM(Sales), 2) AS sales,
  ROUND(SUM(Profit), 2) AS profit
FROM `PROJECT_ID.chapter1.superstore`
GROUP BY order_month
ORDER BY order_month;

8. 결과 해석은 이 4단계로 정리하세요

실무에서는 SQL을 실행한 것보다 결과를 어떻게 말하느냐가 더 중요합니다.

1단계. Fact — 데이터가 보여주는 사실

예: Furniture 카테고리는 매출은 크지만 이익률이 낮다.

2단계. Why — 왜 그럴 가능성이 있는가

예: 특정 서브카테고리에서 할인율이 높거나 배송 비용이 커서 이익이 낮아졌을 가능성이 있다.

3단계. Action — 그래서 무엇을 할 것인가

예: 이익률이 낮은 서브카테고리의 할인 정책을 재검토하고, 고마진 상품군 중심으로 캠페인을 재편한다.

4단계. Next Question — 다음에 무엇을 확인할 것인가

예: 할인율 구간별 이익률을 보고, 손실이 발생하는 할인 기준선을 찾는다.

10. 초보자가 자주 막히는 문제와 해결법

문제 1. 프로젝트 ID가 책이나 예시와 달라요

정상입니다. 프로젝트 ID는 계정마다 다르게 생성됩니다. 예시의 dataanalysis-449703 같은 값을 그대로 쓰지 말고, 본인의 프로젝트 ID로 바꾸세요.

FROM `내프로젝트ID.chapter1.superstore`

문제 2. Table not found 에러가 나요

아래를 확인하세요.

• 프로젝트 ID가 정확한가?
• 데이터셋 이름이 chapter1인가?
• 테이블 이름이 superstore인가?
• 테이블 경로 전체를 백틱으로 감쌌는가?

올바른 형식:

FROM `PROJECT_ID.chapter1.superstore`

문제 3. 컬럼명 때문에 에러가 나요

Order ID, Sub-Category, Customer ID처럼 공백이나 하이픈이 있는 컬럼명은 백틱으로 감싸야 합니다.

SELECT `Order ID`, `Sub-Category`
FROM `PROJECT_ID.chapter1.superstore`;

문제 4. 날짜 함수에서 에러가 나요

CSV 업로드 시 날짜가 DATE가 아니라 STRING으로 잡혔을 수 있습니다. GPT에게 컬럼 타입과 에러 메시지를 같이 주고 수정 요청하세요.

Order Date가 STRING으로 잡힌 것 같아.
값 예시는 11/8/2016이야.
BigQuery에서 월별 집계를 할 수 있도록 PARSE_DATE를 써서 쿼리를 고쳐줘.

문제 5. GPT가 만든 SQL이 바로 실행되지 않아요

정상입니다. GPT는 초안을 만들어주는 도구입니다. 실행 후 에러 메시지를 다시 GPT에게 주면서 고쳐가는 방식이 실무에 더 가깝습니다.

부록. 참고 링크

• BigQuery Console: https://console.cloud.google.com/bigquery
• BigQuery Sandbox 안내: https://cloud.google.com/bigquery/docs/sandbox
• BigQuery 데이터셋 생성 문서: https://cloud.google.com/bigquery/docs/datasets
• BigQuery CSV 로드 문서: https://cloud.google.com/bigquery/docs/loading-data-cloud-storage-csv
• Google Cloud Free Program: https://cloud.google.com/free/docs/free-cloud-features
• Kaggle Superstore Dataset: https://www.kaggle.com/datasets/vivek468/superstore-dataset-final

마지막 메시지

데이터 분석은 처음부터 완벽하게 이해하고 시작하는 일이 아닙니다. 처음에는 “데이터를 올렸다”, “쿼리를 실행했다”, “결과를 해석했다”는 작은 성공 경험이 가장 중요합니다.

GPT를 잘 쓰는 사람은 질문을 잘게 쪼갭니다. 오늘은 첫 질문만 던져보세요.

이 데이터에서 매출은 높은데 이익률이 낮은 곳은 어디야?

그 질문 하나가 데이터 분석의 시작입니다.