데이터 분석 직무를 준비하는 취업 준비생의 프로젝트를 함께 점검하다 보면 Python과 SQL은 능숙하게 사용하는데, 정작 엑셀 파일 하나를 받았을 때 데이터를 어떻게 확인해야 할지 오래 걸리는 경우가 있습니다. SQL로 복잡한 JOIN과 집계를 할 수 있고 Python으로 데이터 전처리도 가능하지만, 현업에서 전달받은 엑셀 파일에 숨겨진 열이 있는지, 날짜 형식이 섞여 있는지, 중복 행이 존재하는지, 전체 합계와 세부 합계가 맞는지 빠르게 확인하는 과정에서는 익숙하지 않은 식입니다. 반대의 경우도 있습니다. 엑셀 함수와 피벗테이블은 능숙하게 사용할 수 있지만 데이터가 커질수록 수작업이 반복되고, 같은 분석을 매주 다시 해야 하는 상황에서도 복사와 붙여 넣기로 처리하는 경우입니다. 이 경우 엑셀을 사용할 줄 안다는 사실과 데이터를 효율적으로 분석할 수 있다는 역량은 구분할 필요가 있습니다. 데이터 분석 직무에서 엑셀이 중요한 이유는 Python이나 SQL보다 더 좋은 분석 도구이기 때문이 아닙니다. 오히려 분석 과정에서 원본 데이터를 빠르게 살펴보고, SQL이나 Python 결과가 맞는지 다시 확인하며, 현업이 요청한 데이터를 이해하고 결과를 전달하는 중간 지점에서 매우 실용적으로 사용할 수 있기 때문입니다. 실제 업무에서는 데이터가 항상 데이터베이스의 정돈된 테이블 형태로 전달되는 것도 아닙니다. 영업 담당자가 직접 관리한 월별 실적 파일, 마케팅팀이 정리한 캠페인 결과, 재무 담당자가 작성한 기준표, 외부 업체에서 받은 CSV나 Excel 파일처럼 사람이 관리해 온 데이터가 분석의 출발점이 되는 경우도 충분히 있습니다. 이때 분석가는 데이터베이스 기술뿐 아니라 사람이 만든 데이터를 빠르게 이해하고 분석 가능한 형태로 바꾸는 능력도 필요합니다. 따라서 엑셀을 데이터 분석 취업 준비에서 빼야 할 오래된 도구로 보기보다, 어느 상황에서 사용해야 하고 어느 시점부터 SQL이나 Python으로 넘겨야 하는지를 구분하는 것이 중요합니다.
이번 글에서는 데이터 분석 직무에서 엑셀이 여전히 중요한 이유를 정리, 검증, 실무요청 세 가지 기준으로 나누어 설명하겠습니다.
정리는 분석을 시작하기 전에 데이터 구조와 문제를 빠르게 파악하는 과정입니다
- 엑셀은 처음 받은 데이터를 빠르게 살펴보는 데 여전히 유용합니다
분석 업무를 시작하면 가장 먼저 필요한 것은 복잡한 통계 분석이 아니라 받은 데이터가 어떤 구조로 되어 있는지 이해하는 것입니다. 열 이름이 무엇인지, 한 행이 무엇을 의미하는지, 값이 비어 있는 부분은 없는지, 날짜나 숫자가 일정한 형식으로 관리되고 있는지를 먼저 확인해야 이후 분석 방향을 정할 수 있습니다.
초기 데이터 확인에서는 다음 내용을 빠르게 살펴볼 수 있습니다.
- 전체 행과 열의 구조를 확인합니다.
- 빈 셀과 비정상적으로 긴 값이 있는지 살펴봅니다.
- 날짜와 숫자가 서로 다른 형식으로 입력되어 있는지 확인합니다.
- 동일한 고객이나 주문이 중복되어 있는지 살펴봅니다.
- 필터를 이용해 특정 범주의 값이 예상보다 많은지 확인합니다.
- 간단한 정렬과 집계를 통해 데이터 분포를 확인합니다.
예를 들어 매출 데이터를 받았는데 날짜 열에는 2026-01-01, 1월 1일, 문자열 형태의 날짜가 섞여 있다면 바로 분석을 시작하기 어렵습니다. 또한 매출금액 열에 숫자뿐 아니라 취소, 미입금 같은 문자가 섞여 있다면 SQL이나 Python에서 처리하기 전에 데이터 상태 자체를 이해할 필요가 있습니다. 이런 단계에서 엑셀은 복잡한 코드를 작성하지 않고도 원본 데이터가 어떤 상태인지 빠르게 눈으로 확인하는 도구로 활용할 수 있습니다.
- 데이터 정리와 데이터 분석은 같은 작업이 아닙니다
엑셀에서 데이터를 정리하다 보면 필터와 함수, 피벗테이블을 사용하는 과정 자체가 분석처럼 느껴질 수 있습니다. 하지만 데이터를 분석 가능한 상태로 만드는 작업과 실제 질문에 답을 찾는 분석은 구분할 필요가 있습니다.
- 데이터 정리 중심: 날짜와 숫자 형식을 통일하고 중복과 결측치를 확인합니다.
- 구조 확인 중심: 한 행과 한 열이 어떤 의미인지 파악하고 데이터 단위를 구분합니다.
- 간단한 탐색 중심: 필터와 피벗을 이용해 전체 패턴과 이상값을 빠르게 확인합니다.
- 분석 중심: 문제를 정의하고 지표를 계산하며 집단과 기간을 비교합니다.
- 자동화 중심: 반복적으로 들어오는 동일 형식의 데이터를 SQL이나 Python, Power Query 등으로 처리합니다.
이 차이를 알고 있으면 엑셀을 모든 분석 작업에 계속 사용하는 방식에서 벗어날 수 있습니다. 초기 확인과 작은 데이터 정리에는 엑셀을 활용하고, 반복성과 규모가 커지는 순간에는 다른 도구로 넘어가는 판단이 더 중요합니다.
- 피벗테이블은 단순 보고서보다 데이터 구조를 이해하는 도구로 활용할 수 있습니다
피벗테이블을 단순히 보고용 표를 만드는 기능이라고 생각하는 경우가 많습니다. 하지만 원본 데이터를 여러 기준으로 빠르게 집계해 보면 어떤 변수에서 차이가 발생하는지와 어디를 더 분석해야 하는지 확인하는 데 도움이 됩니다.
예를 들어 다음과 같은 방식으로 활용할 수 있습니다.
- 월별 매출을 확인한 뒤 특정 월의 급격한 변화를 찾습니다.
- 지역별 매출을 비교해 차이가 큰 지역을 구분합니다.
- 고객 유형별 주문금액을 비교합니다.
- 제품군별 취소율을 확인합니다.
- 담당자별 실적 차이를 살펴봅니다.
- 전체 합계와 세부 집계가 논리적으로 맞는지 확인합니다.
예를 들어 전체 매출은 크게 변하지 않았는데 특정 지역의 매출이 급감했다면 전체 평균만으로는 문제를 발견하기 어렵습니다. 피벗을 이용해 지역과 상품, 기간을 빠르게 바꾸어보면 어느 조합에서 변화가 나타났는지 확인할 수 있고 이후 SQL이나 Python에서 더 깊게 분석할 대상을 정할 수 있습니다. 이런 경험이 있으면 엑셀은 결과 보고용 도구에 그치지 않고 분석 질문을 구체화하는 탐색 도구로도 활용됩니다.
- 좋은 정리 경험은 수작업을 많이 했다는 것보다 기준을 만들었다는 점이 중요합니다
엑셀 파일을 깔끔하게 만드는 것 자체가 데이터 정리의 목적은 아닙니다. 어떤 값을 정상으로 보고 어떤 값을 수정하거나 제외해야 하는지 기준이 있어야 이후 분석 결과도 일관되게 유지됩니다.
- 날짜 정리 기준: 서로 다른 날짜 표현을 하나의 기준으로 통일합니다.
- 중복 처리 기준: 완전히 동일한 행과 실제 반복 거래를 구분합니다.
- 결측치 처리 기준: 값이 없는 이유를 확인한 뒤 제외와 대체 여부를 결정합니다.
- 코드값 정리 기준: 서울, 서울시, 서울특별시처럼 같은 의미의 값이 여러 형태로 존재하는지 확인합니다.
- 이상값 처리 기준: 큰 값이라는 이유만으로 제거하지 않고 실제 업무적으로 가능한 값인지 확인합니다.
- 변경 기록 기준: 원본 파일과 수정된 파일을 구분하고 어떤 항목을 변경했는지 남깁니다.
이런 기준이 있어야 엑셀 정리도 단순 수작업이 아니라 분석 결과의 신뢰도를 높이기 위한 데이터 품질 관리 과정으로 설명할 수 있습니다.
검증은 SQL과 Python으로 만든 결과가 실제 데이터와 맞는지 다시 확인하는 과정입니다
- 분석 결과는 코드가 정상 실행됐다는 사실만으로 맞다고 판단할 수 없습니다
데이터 분석 프로젝트에서는 코드 오류가 발생하지 않고 결괏값이 출력되면 분석이 정상적으로 완료되었다고 생각하기 쉽습니다. 하지만 문법적으로 정상적인 SQL도 잘못된 JOIN이나 필터 조건 때문에 실제 업무 기준과 다른 값을 만들 수 있습니다.
검증 단계에서는 다음 내용을 확인할 수 있습니다.
- 전체 원본 건수와 분석 대상 건수를 비교합니다.
- 필터 적용 전후 데이터 수를 확인합니다.
- SQL 집계값과 엑셀에서 계산한 간단한 합계를 비교합니다.
- 일부 데이터를 직접 선택해 계산 결과를 대조합니다.
- 기간과 고객, 상품 등 특정 조건에서 결과가 일치하는지 확인합니다.
- 예상보다 큰 변화가 나온 지표는 원본 데이터까지 다시 살펴봅니다.
예를 들어 고객 테이블과 주문 테이블을 JOIN 했는데 한 고객에게 여러 주문이 존재하면 고객 수가 의도치 않게 증가할 수 있습니다. SQL 문법에는 문제가 없어도 데이터 구조를 제대로 이해하지 못하면 집계 결과가 잘못될 수 있습니다. 이때 일부 표본을 엑셀로 직접 대조하면 코드가 실행되었다는 사실과 숫자가 실제로 맞다는 사실을 구분할 수 있습니다.
- SQL 결과 검증과 엑셀 계산은 서로 경쟁하는 방식이 아닙니다
SQL을 사용할 수 있다면 모든 계산을 엑셀에서 다시 할 필요는 없습니다. 오히려 중요한 결과 일부만 독립적인 방법으로 대조하면 분석 과정의 오류를 발견하는 데 도움이 됩니다.
- 전체 집계 검증: SQL에서 계산한 전체 매출을 엑셀 원본 합계와 비교합니다.
- 조건 검증: 특정 월이나 지역만 골라 SQL과 엑셀 결과가 같은지 확인합니다.
- JOIN 검증: 원본 테이블에서 몇 개의 고객이나 주문을 직접 찾아 결합 결과와 비교합니다.
- 비율 검증: 분자와 분모가 의도한 대상인지 별도로 계산해 확인합니다.
- 대시보드 검증: 최종 화면의 숫자와 SQL 추출 결과를 비교합니다.
이 과정에서 엑셀은 SQL을 대신하는 도구가 아닙니다. 서로 다른 방법으로 같은 결과를 계산해 분석 논리가 맞는지 교차검증하는 도구에 가깝습니다.
- 일부 데이터를 직접 확인하는 습관은 복잡한 분석에서 더 중요해집니다
데이터가 커질수록 전체 데이터를 사람이 직접 확인할 수는 없습니다. 하지만 모든 검증을 코드에만 맡기면 잘못된 조건 자체가 자동화되어 반복될 가능성도 있습니다.
검증 과정에서는 다음과 같은 작은 표본 확인이 도움이 됩니다.
- 특정 고객 한 명의 거래 이력을 원본과 결과에서 비교합니다.
- 특정 날짜 하루의 데이터를 별도로 집계합니다.
- 가장 큰 값과 가장 작은 값이 실제로 존재하는 거래인지 확인합니다.
- 누락된 데이터 몇 건을 원본에서 직접 찾아봅니다.
- 분류 결과가 애매한 사례를 따로 확인합니다.
- 집계 전과 집계 후 데이터 건수 관계를 점검합니다.
예를 들어 고객별 평균 구매금액이 비정상적으로 높아졌다면 실제 VIP 고객이 많아진 것인지, JOIN 중복으로 거래가 여러 번 계산된 것인지 확인해야 합니다. 이런 표본 검증이 있으면 분석가는 결과를 그대로 받아들이지 않고 숫자가 만들어진 과정을 다시 추적하는 습관을 보여줄 수 있습니다.
- 검증 기록이 남아 있으면 포트폴리오에서도 분석 신뢰도를 설명하기 쉬워집니다
포트폴리오에는 보통 최종 그래프와 인사이트만 들어갑니다. 하지만 실제 업무에서는 결과가 어떻게 검증되었는지가 중요한 경우가 많기 때문에, 프로젝트에서도 간단한 검증 기준을 남기는 편이 좋습니다.
- 결과만 있는 프로젝트: 매출이 전년 대비 증가했다는 결론과 차트를 보여줍니다.
- 검증이 포함된 프로젝트: SQL 집계 결과를 원본 데이터와 일부 대조했다고 설명합니다.
- 오류 발견 경험이 있는 프로젝트: JOIN 중복 때문에 집계값이 커졌던 문제를 발견하고 수정합니다.
- 지표 검증 경험이 있는 프로젝트: 대시보드와 SQL 결과가 동일한 기준으로 계산되는지 확인합니다.
- 재실행 검증이 있는 프로젝트: 데이터가 변경된 뒤 동일한 계산 로직으로 다시 결과를 비교합니다.
이런 과정을 기록하면 분석 결과가 단순히 프로그램에서 출력된 숫자가 아니라 여러 단계의 검증을 거친 결과라는 점을 설명할 수 있습니다.
실무요청은 현업의 언어를 분석 가능한 데이터 문제로 바꾸고 다시 이해하기 쉬운 형태로 전달하는 과정입니다
- 실제 분석 요청은 항상 정돈된 데이터와 명확한 질문으로 들어오지 않습니다
데이터 분석 직무를 준비할 때는 이미 잘 정리된 데이터셋과 명확한 문제를 가지고 프로젝트를 시작하는 경우가 많습니다. 하지만 실제 업무에서는 현업 담당자가 직접 작성한 엑셀 파일과 함께 모호한 요청이 들어오는 상황도 충분히 생길 수 있습니다.
실무요청을 받을 때는 다음 내용을 구분할 수 있습니다.
- 요청자가 궁금해하는 최종 문제를 확인합니다.
- 전달받은 파일이 어떤 기준으로 작성되었는지 이해합니다.
- 필요한 데이터가 실제 파일에 모두 있는지 확인합니다.
- 용어와 지표의 정의를 요청자와 맞춥니다.
- 원하는 결과가 단순 현황인지 원인 분석인지 구분합니다.
- 결과를 어떤 형태로 다시 전달할지 정리합니다.
예를 들어 영업팀에서 실적이 떨어진 이유를 분석해 달라는 요청과 함께 월별 실적 엑셀 파일을 전달했다고 가정할 수 있습니다. 분석가는 바로 모델을 만드는 것이 아니라 실적이 매출을 의미하는지, 계약 건수를 의미하는지, 어느 기간과 조직을 비교하려는지부터 구체화해야 합니다. 이 과정에서 엑셀은 단순 파일 형식이 아니라 현업이 업무 기준을 전달하는 매개체가 될 수 있습니다.
- 분석가의 데이터 구조와 현업의 데이터 구조는 서로 다를 수 있습니다
분석가는 테이블 구조와 변수, 행 단위로 데이터를 보지만 현업 담당자는 업무 흐름과 고객, 프로젝트, 실적 기준으로 데이터를 이해하는 경우가 많습니다. 따라서 동일한 파일도 서로 다른 방식으로 해석될 수 있습니다.
- 현업 관점의 파일: 한 화면에서 필요한 정보를 쉽게 볼 수 있도록 여러 셀과 색상, 합계를 함께 배치합니다.
- 분석 관점의 데이터: 한 행에 하나의 관측값이 들어가고 열마다 일정한 변수 구조를 유지하는 형태가 유리합니다.
- 현업 관점의 수정: 빈 행을 추가하거나 셀을 병합해 가독성을 높일 수 있습니다.
- 분석 관점의 수정: 자동 처리를 위해 병합 셀과 중간 합계 행을 제거할 필요가 있습니다.
- 협업 관점의 정리: 원본의 의미는 유지하면서 분석 가능한 별도 테이블을 만드는 방식이 필요합니다.
이 차이를 이해하면 현업이 만든 파일이 정리가 안 되어 있다고 단순히 평가하지 않게 됩니다. 대신 업무용 문서와 분석용 데이터가 목적이 다르다는 점을 이해하고 둘 사이를 변환하는 역할을 수행할 수 있습니다.
- 최종 결과를 엑셀로 다시 전달해야 하는 상황도 분석 업무의 일부가 될 수 있습니다
분석가는 Python Notebook이나 BI 대시보드만 결과물로 만든다고 생각하기 쉽습니다. 하지만 실제 사용자가 엑셀 환경에 익숙하거나 추가 작업을 직접 해야 한다면 분석 결과를 엑셀 형태로 전달해야 할 수도 있습니다.
결과 전달에서는 다음 내용을 고려할 수 있습니다.
- 핵심 결과와 상세 데이터를 분리합니다.
- 사용자가 직접 필터링할 항목을 구분합니다.
- 칼럼 이름을 현업이 이해하는 용어로 정리합니다.
- 계산된 값과 원본 값을 명확하게 구분합니다.
- 기준일과 데이터 범위를 기록합니다.
- 추가 수정이 필요한 부분과 확정된 결과를 나눕니다.
예를 들어 고객 이탈 분석 결과를 현업에 전달할 때 고객 ID와 이탈 가능성 점수만 전달하면 실제 활용이 어려울 수 있습니다. 담당자가 필요한 고객 유형과 최근 구매일, 주요 행동 정보 등을 함께 제공하되 불필요한 개인정보는 제외해야 실제 업무에서 사용할 수 있는 자료가 됩니다. 이런 경험이 있으면 데이터 분석가는 결과를 만드는 사람에서 분석 결과가 실제 업무에서 사용될 수 있는 형태까지 연결하는 사람으로 역할이 확장됩니다.
- 실무요청 대응에서는 빠르게 처리하는 것보다 요청 기준과 수정 이력을 관리하는 것이 중요합니다
현업 요청은 한 번으로 끝나지 않을 수 있습니다. 처음 받은 조건이 변경되거나 추가 필터가 필요해지고, 같은 자료를 다른 기준으로 다시 요청하는 상황도 생길 수 있습니다.
- 첫 요청 단계: 어떤 데이터와 기간, 지표가 필요한지 확인합니다.
- 초기 결과 단계: 작은 표본이나 간단한 형태로 기준이 맞는지 먼저 확인합니다.
- 수정 단계: 요청자의 피드백에 따라 조건과 칼럼을 변경합니다.
- 확정 단계: 최종 지표 정의와 분석 범위를 기록합니다.
- 전달 단계: 기준일과 파일 버전, 주요 변경 내용을 구분해 제공합니다.
- 재사용 단계: 동일한 요청이 반복되면 SQL이나 Python, Power Query 등으로 자동화 가능성을 검토합니다.
이 흐름을 이해하면 엑셀을 잘 다룬다는 의미도 달라집니다. 많은 함수를 외우는 능력보다 현업의 요청을 빠르게 확인하고 분석 기준을 맞춘 뒤 결과를 다시 실무에서 사용할 수 있는 형태로 전달하는 능력이 더 중요해집니다.
- conclusion
데이터 분석 직무를 준비할 때 엑셀을 공부해야 하는지에 대해 고민하는 경우가 많습니다. Python과 SQL, Tableau나 Power BI까지 사용할 수 있다면 굳이 엑셀이 필요하지 않을 것처럼 보일 수 있기 때문입니다. 하지만 실무에서 엑셀의 역할은 복잡한 분석 모델을 만드는 것이 아니라 분석 전후의 빈틈을 빠르게 연결하는 것에 더 가깝습니다. 정리 단계에서는 처음 받은 데이터의 구조와 품질을 빠르게 확인할 수 있습니다. 필터와 정렬, 피벗테이블을 이용하면 데이터에 어떤 값이 들어 있는지와 어디에서 문제가 발생할 가능성이 있는지를 코드 작성 전에 확인할 수 있습니다. 검증 단계에서는 SQL과 Python으로 계산한 결과가 실제 원본 데이터와 맞는지 일부를 직접 대조할 수 있습니다. JOIN이나 집계 조건이 잘못되어도 코드는 정상적으로 실행될 수 있기 때문에 다른 방식으로 같은 숫자를 다시 확인하는 습관이 분석 결과의 신뢰도를 높이는 데 도움이 됩니다. 실무요청 단계에서는 엑셀이 현업과 분석가 사이의 공통 언어가 될 수 있습니다. 현업 담당자가 전달한 업무 기준을 이해하고 분석 가능한 구조로 바꾸며, 최종 결과를 다시 사용자가 활용할 수 있는 형태로 정리하는 과정에서도 엑셀을 사용할 수 있습니다.
최종적으로 확인할 항목은 다음과 같습니다.
- 원본 엑셀 파일의 구조와 데이터 단위를 빠르게 파악할 수 있는지 확인합니다.
- 날짜와 숫자, 중복과 결측값을 구분할 수 있는지 살펴봅니다.
- 피벗테이블을 이용해 기본적인 데이터 분포를 확인할 수 있는지 점검합니다.
- SQL과 Python 결과를 원본 데이터와 교차검증한 경험이 있는지 확인합니다.
- 현업의 모호한 요청을 구체적인 지표와 데이터 조건으로 바꿀 수 있는지 살펴봅니다.
- 반복되는 엑셀 작업을 어느 시점에 자동화해야 하는지 판단할 수 있는지 확인합니다.
데이터 분석 직무 준비 흐름은 다음과 같이 연결할 수 있습니다.
- 엑셀 기본 데이터 구조 이해 → 필터와 정렬 → 기본 함수 → 피벗테이블 → 데이터 품질 확인 → SQL 조회와 집계 → Excel과 SQL 결과 비교 → Python 전처리와 분석 → 분석 결과 검증 → 현업 요청 구조화 → 결과 파일 전달 → 반복 작업 자동화 → 대시보드 연결 → 프로젝트 문서화 → 포트폴리오와 면접 연결
결국 데이터 분석 직무에서 엑셀이 중요한 이유는 엑셀이 가장 강력한 분석 도구라서가 아닙니다.
정리에서는 처음 받은 데이터를 빠르게 이해하고, 검증에서는 SQL과 Python 결과가 실제 데이터와 맞는지 확인하며, 실무요청에서는 현업의 언어를 분석 가능한 데이터와 결과물로 연결할 수 있기 때문입니다.
이 세 가지 역할을 이해하고 있다면 엑셀 경험도 단순 사무능력이 아니라 데이터 분석 과정 전체의 정확성과 협업 효율을 높이는 실무 역량으로 설명할 수 있습니다.
