Turn a business question into data discovery, SQL, and a plain-English answer. — Claude Skill
Claude Code용 Claude 스킬 · 제공: Astronomer · 실행: /analyzing-data (Claude 내)·업데이트: 2026년 6월 14일·vmain@789b454
적절한 웨어하우스 개념과 테이블을 찾고, 분석 쿼리를 초안화하고, 가정을 점검한 뒤 비즈니스 이해관계자가 이해할 수 있는 답과 주의점을 제공합니다.
- 이해관계자 질문을 지표, 차원, 필터, 데이터 원천으로 번역합니다.
- 새 SQL을 쓰기 전에 테이블과 기존 분석 패턴을 먼저 찾습니다.
- 결과, 주의점, 다음 분석 제안을 비즈니스 언어로 반환합니다.
- 반복 질문이 쉬워지도록 유용한 학습 내용을 축적합니다.
이해관계자가 숫자를 요청하지만 지표 정의와 원천 테이블 가정은 숨겨진 채 남습니다.
/analyzing-data를 실행해 정의, 원천 선택, 쿼리 논리, 결과, 주의점을 보이게 합니다.
대상
기능
웨어하우스 데이터로 활성화, 유지율, 전환, 사용량 질문에 답합니다.
파이프라인, 승률, 세그먼트 성과, 캠페인 기여도를 분석합니다.
대시보드를 만들기 전에 올바른 원천 테이블과 정의를 찾습니다.
작동 방식
의사결정, 지표, 세그먼트, 기간, 허용 가능한 주의점을 명확히 합니다.
관련 개념, 테이블, 이전 쿼리, 알려진 정의를 찾습니다.
지표 정의에 맞는 SQL 또는 분석 단계를 작성합니다.
단순한 타당성 점검으로 결과를 검증합니다.
결과, 주의점, 후속 분석을 설명합니다.
입력 옵션
분석이 지원해야 하는 의사결정입니다.
예시
질문: 온보딩 체크리스트가 활성화를 개선했나요? 정의: 활성화는 워크스페이스가 7일 안에 팀원 2명 이상을 초대하고 첫 프로젝트를 생성한 상태입니다. 출시일: 6월 1일. 세그먼트: SMB, 중견, 엔터프라이즈. 알려진 테이블: product_events, workspaces, accounts. 필요: 분석 접근, 결과 요약, 주의점, 다음 분석.
지표는 7일 활성화입니다. 6월 1일 전 생성 워크스페이스와 이후 생성 워크스페이스를 비교하고 계정 규모별로 나눕니다. 아직 7일이 지나지 않은 워크스페이스는 제외합니다.
출시 후 SMB와 중견 세그먼트에서 활성화가 개선된 것으로 보입니다. 엔터프라이즈는 표본이 작고 영업 지원 온보딩 경로가 달라 방향성으로만 봐야 합니다.
| 세그먼트 | 출시 전 | 출시 후 | 변화 | 해석 | |---|---:|---:|---:|---| | SMB | 36% | 44% | +8pt | 긍정적 움직임 가능성 | | 중견 | 42% | 51% | +9pt | 추가 확인할 강한 신호 | | 엔터프라이즈 | 37% | 42% | +5pt | 방향성만 참고 | | 전체 | 38% | 46% | +8pt | 개선, 인과 증명은 아님 |
이는 실험이 아니라 전후 비교입니다. 유입 믹스, 계절성, 이벤트 계측 안정성, 전체 7일 관측 기간 확보 여부를 확인해야 합니다.
체크리스트 완료를 단계별로 나눠 보세요. 초대 단계 완료율이 올랐다면 체크리스트 기여 가능성이 큽니다. 유입 믹스만 바뀐 것이라면 아직 체크리스트 성과로 볼 수 없습니다.
개선되는 지표
지원 도구
데이터 분석을(를) 사용해 보시겠어요?
시작 방법을 선택하세요.
이 스킬을 컴퓨터에 로컬로 설치하고 실행합니다.
컴퓨터에서 터미널을 열고 이 명령을 붙여넣으세요:
이 명령은 스킬과 모든 파일을 컴퓨터에 다운로드합니다:
모든 프로젝트에서 사용하려면 끝에 -g를 추가하세요.
Claude Code를 시작한 다음 명령을 입력하세요:
데이터 분석
데이터 웨어하우스를 쿼리해 비즈니스 질문에 답합니다. 커널은 첫 exec 호출 시 자동으로 시작됩니다.
아래 모든 CLI 명령은 이 스킬 디렉터리를 기준으로 합니다. scripts/cli.py 명령을 실행하기 전에 이 파일이 있는 디렉터리로 cd합니다.
워크플로
-
패턴 조회 — 캐시된 쿼리 전략을 확인합니다:
uv run scripts/cli.py pattern lookup "<user's question>"패턴이 있으면 해당 전략을 따릅니다. 실행 후 결과를 기록합니다:
uv run scripts/cli.py pattern record <name> --success # or --failure -
개념 조회 — 알려진 테이블 매핑을 찾습니다:
uv run scripts/cli.py concept lookup <concept> -
테이블 탐색 — 캐시가 없으면 코드베이스를 검색하거나(
Grep pattern="<concept>" glob="**/*.sql")INFORMATION_SCHEMA를 쿼리합니다. reference/discovery-warehouse.md를 참고합니다. -
쿼리 실행:
uv run scripts/cli.py exec "df = run_sql('SELECT ...')" uv run scripts/cli.py exec "print(df)" -
학습 내용 캐시 — 결과를 제시하기 전에 항상 캐시합니다:
# 개념 → 테이블 매핑 캐시 uv run scripts/cli.py concept learn <concept> <TABLE> -k <KEY_COL> # 쿼리 전략 캐시(탐색이 필요했던 경우) uv run scripts/cli.py pattern learn <name> -q "question" -s "step" -t "TABLE" -g "gotcha" -
사용자에게 발견 사항 제시.
커널 함수
| 함수 | 반환값 |
|---|---|
run_sql(query, limit=100) | Polars DataFrame |
run_sql_pandas(query, limit=100) | Pandas DataFrame |
pl(Polars)과 pd(Pandas)는 미리 import되어 있습니다.
CLI 참조
커널
uv run scripts/cli.py warehouse list # 웨어하우스 목록
uv run scripts/cli.py start [-w name] # 커널 시작(선택적 웨어하우스 포함)
uv run scripts/cli.py exec "..." # Python 코드 실행
uv run scripts/cli.py status # 커널 상태
uv run scripts/cli.py restart # 커널 재시작
uv run scripts/cli.py stop # 커널 중지
uv run scripts/cli.py install <pkg> # 패키지 설치
개념 캐시
uv run scripts/cli.py concept lookup <name> # 조회
uv run scripts/cli.py concept learn <name> <TABLE> -k <KEY_COL> # 학습
uv run scripts/cli.py concept list # 전체 목록
uv run scripts/cli.py concept import -p /path/to/warehouse.md # 일괄 가져오기
패턴 캐시
uv run scripts/cli.py pattern lookup "question" # 조회
uv run scripts/cli.py pattern learn <name> -q "..." -s "..." -t "TABLE" -g "gotcha" # 학습
uv run scripts/cli.py pattern record <name> --success # 결과 기록
uv run scripts/cli.py pattern list # 전체 목록
uv run scripts/cli.py pattern delete <name> # 삭제
테이블 스키마 캐시
uv run scripts/cli.py table lookup <TABLE> # 스키마 조회
uv run scripts/cli.py table cache <TABLE> -c '[...]' # 스키마 캐시
uv run scripts/cli.py table list # 캐시 목록
uv run scripts/cli.py table delete <TABLE> # 삭제
캐시 관리
uv run scripts/cli.py cache status # 통계
uv run scripts/cli.py cache clear [--stale-only] # 삭제
참조
- reference/discovery-warehouse.md — 대형 테이블 처리, 웨어하우스 탐색, INFORMATION_SCHEMA 쿼리
- reference/common-patterns.md — 추세, 비교, 상위 N개, 분포, 코호트용 SQL 템플릿
참조 문서
name: analyzing-data description: 데이터 웨어하우스를 쿼리하고 데이터에 관한 비즈니스 질문에 답합니다. "X를 누가 사용하는가", "Y가 몇 개인가", "Z를 보여줘", "고객을 찾아줘", "개수는 얼마인가" 같은 데이터베이스/웨어하우스 쿼리가 필요한 질문, 데이터 조회, 지표, 추세, SQL 분석을 처리합니다.
데이터 분석
데이터 웨어하우스를 쿼리해 비즈니스 질문에 답합니다. 커널은 첫 exec 호출 시 자동으로 시작됩니다.
아래 모든 CLI 명령은 이 스킬 디렉터리를 기준으로 합니다. scripts/cli.py 명령을 실행하기 전에 이 파일이 있는 디렉터리로 cd합니다.
워크플로
-
패턴 조회 — 캐시된 쿼리 전략을 확인합니다:
uv run scripts/cli.py pattern lookup "<user's question>"패턴이 있으면 해당 전략을 따릅니다. 실행 후 결과를 기록합니다:
uv run scripts/cli.py pattern record <name> --success # or --failure -
개념 조회 — 알려진 테이블 매핑을 찾습니다:
uv run scripts/cli.py concept lookup <concept> -
테이블 탐색 — 캐시가 없으면 코드베이스를 검색하거나(
Grep pattern="<concept>" glob="**/*.sql")INFORMATION_SCHEMA를 쿼리합니다. reference/discovery-warehouse.md를 참고합니다. -
쿼리 실행:
uv run scripts/cli.py exec "df = run_sql('SELECT ...')" uv run scripts/cli.py exec "print(df)" -
학습 내용 캐시 — 결과를 제시하기 전에 항상 캐시합니다:
# 개념 → 테이블 매핑 캐시 uv run scripts/cli.py concept learn <concept> <TABLE> -k <KEY_COL> # 쿼리 전략 캐시(탐색이 필요했던 경우) uv run scripts/cli.py pattern learn <name> -q "question" -s "step" -t "TABLE" -g "gotcha" -
사용자에게 발견 사항 제시.
커널 함수
| 함수 | 반환값 |
|---|---|
run_sql(query, limit=100) | Polars DataFrame |
run_sql_pandas(query, limit=100) | Pandas DataFrame |
pl(Polars)과 pd(Pandas)는 미리 import되어 있습니다.
CLI 참조
커널
uv run scripts/cli.py warehouse list # 웨어하우스 목록
uv run scripts/cli.py start [-w name] # 커널 시작(선택적 웨어하우스 포함)
uv run scripts/cli.py exec "..." # Python 코드 실행
uv run scripts/cli.py status # 커널 상태
uv run scripts/cli.py restart # 커널 재시작
uv run scripts/cli.py stop # 커널 중지
uv run scripts/cli.py install <pkg> # 패키지 설치
개념 캐시
uv run scripts/cli.py concept lookup <name> # 조회
uv run scripts/cli.py concept learn <name> <TABLE> -k <KEY_COL> # 학습
uv run scripts/cli.py concept list # 전체 목록
uv run scripts/cli.py concept import -p /path/to/warehouse.md # 일괄 가져오기
패턴 캐시
uv run scripts/cli.py pattern lookup "question" # 조회
uv run scripts/cli.py pattern learn <name> -q "..." -s "..." -t "TABLE" -g "gotcha" # 학습
uv run scripts/cli.py pattern record <name> --success # 결과 기록
uv run scripts/cli.py pattern list # 전체 목록
uv run scripts/cli.py pattern delete <name> # 삭제
테이블 스키마 캐시
uv run scripts/cli.py table lookup <TABLE> # 스키마 조회
uv run scripts/cli.py table cache <TABLE> -c '[...]' # 스키마 캐시
uv run scripts/cli.py table list # 캐시 목록
uv run scripts/cli.py table delete <TABLE> # 삭제
캐시 관리
uv run scripts/cli.py cache status # 통계
uv run scripts/cli.py cache clear [--stale-only] # 삭제
참조
- reference/discovery-warehouse.md — 대형 테이블 처리, 웨어하우스 탐색, INFORMATION_SCHEMA 쿼리
- reference/common-patterns.md — 추세, 비교, 상위 N개, 분포, 코호트용 SQL 템플릿