SQL 없이 자연어로 끝내는 데이터 분석 Amazon Quick
- 6일 전
- 4분 분량
SQL 없이 자연어로 끝내는 데이터 분석 Amazon Quick
Written by Minhyeok Cha
머리말
여러분들은 업무를 하실 때 BI 대시보드를 적극적으로 활용하고 계신가요?
만약 “지난 분기 신규 고객 중 구매율이 가장 높은 채널은 뭐였지?”라는 질문이 문득 떠올라 확인하고 싶다면, 보통은 데이터 분석가나 담당자에게 요청하고, SQL 쿼리를 작성한 뒤 대시보드를 만들고 결과를 기다려야 했습니다.
빠르면 몇 시간, 늦으면 며칠이 걸리는 작업일 수도 있겠죠.
하지만 이제는 다릅니다. AI를 활용한 자연어 프롬프트를 Amazon Quick을 통해 단시간 안에 차트와 함께 답을 받을 수 있습니다.
AWS가 2026년에 출시한 Amazon Quick은 생성형 AI를 비즈니스 인텔리전스에 통합한 서비스입니다. SQL을 몰라도, 대시보드를 만들 줄 몰라도, 대화하듯 질문만 하면 데이터 분석이 완료됩니다.
저 역시 데이터 관련 지식이 깊지 않지만, 이번 기회를 통해 함께 알아가보고자 글을 작성해보았습니다.
Quick이란?
Amazon Quick은 기존 Amazon Quick Sight에서 Kiro를 결합한 BI(Business Intelligence) 툴입니다.
기존에 있는 Amazon Quick Sight에서 제공하는 시각화 기능 뿐만이 아니라, AI를 통한 데이터 분석을 통해 사용자의 생산성을 향상시킵니다.
Amazon Quick은 사용자가 직접 데이터 파일을 넣거나 AWS 데이터 서비스를 연결하여 챗봇의 형태로 자연어 프롬프트를 통해 대시보드를 구축할 수 있습니다.
💡 Amazon Quick은 웹 검색 기능을 포함하는 채팅, 상담원 및 리서치 기능에 대해 지역 간 웹 검색에 관한 기능은 다은 4개의 리전에서만 운용됩니다.
- 미국 동부(버지니아주 북부)
- 미국 서부(오리건)
- 아시아 태평양(시드니)
- 유럽(아일랜드)
Amazon Quick은 기존 Quick Sight 기반이기 때문에, BI 데이터셋이나 대시보드를 기준으로 AI를 사용할 수 있습니다. 추가로 다양한 애플리케이션과 연동하여 데이터를 가져오거나 작업을 수행하는 것도 가능합니다.
Quick의 메인 기능 4가지
💡 데모에 앞서, 제가 사용한 데이터 세트는 1주일간 집계한 홈페이지 접근 사용자 패턴입니다.
(1) 채팅 에이전트 (Chat Agents)
채팅 에이전트는 자연어 대화를 통해 데이터 탐색, 정보 분석, 작업 수행을 돕는 대화형 AI 어시스턴트입니다.
기존에 사용하던 ChatBot은 데이터셋을 입력한 뒤, 해당 데이터의 내용을 기반으로 프롬프트를 구성해 작업합니다.
또한 각 채팅방에는 각 챗봇만의 페르소나(전용 챗봇을 만들기 위한 프롬프트 입력)가 있습니다.
추가로, 지속적으로 데이터를 반영하기 위해 지식 소스에 S3를 연결 시켜 제가 원하는 간단한 챗봇을 구축해 보았습니다.
이제 만들어진 챗봇에게 질문을 던져봅니다.
“사용자들이 유입 경로 확인 및 사용자의 니즈(페이지)를 파악해줘”
페르소나에 기재한 내용대로 표나 추가 분석 제안 등이 잘 도출되는 모습을 확인할 수 있습니다.
(2) 스페이스 (Spaces)
스페이스는 파일, 대시보드, 토픽, 지식 베이스, 애플리케이션 액션을 통합된 맞춤형 지식 센터로 구성하고 집계하는 기능입니다.
챗봇 구성 중 스페이스 - 지식 기반 - S3 연결이 필요해 미리 설정해뒀습니다.
스페이스의 구성은 다음과 같습니다.
파일 업로드, 지식기반, 작업 모두 로컬이나 SaaS 솔루션 등에서 데이터 값을 가져와 해당 데이터 세트를 바탕으로 프롬프트로 작업을 진행합니다.
이후에는 앞서 챗봇에 진행한 방식처럼 스페이스를 추가하여 사용하시면 됩니다.
💡 대시보드, 주제의 경우 Quick Sight의 분석 후 대시보드 구현으로 해당 스페이스로 정보를 가져올 수 있습니다. 다만, 해당 작업은 Quick 테스트 용이라 대시보드 구성은 본 글에서 제외하였습니다.
(3) 플로우 (Quick Flows)
Quick Flows는 반복적이거나 일상적인 작업을 자동화하는 워크플로우 자동화 기능입니다.
비즈니스 사용자는 별도의 기술적 기술 없이도, 간단한 일상 언어 프롬프트를 통해 몇 초 만에 자동화를 구축할 수 있습니다.
제가 들고온 데이터 세트가 홈페이지 접근 패턴이기 때문에, 다음과 같은 flow 프롬프트를 작성해 진행해보겠습니다.
이후 자동으로 세팅된 플로우 단계가 있는 것을 확인할 수 있습니다.
프롬프트에 “2월 마지막 주에 집계된 통계를 가져와줘”라고 입력해 실행해보았습니다.
플로우 생성 시 작성한 리포트에 대한 결과는 다음과 같이 나왔습니다.
주간 리포트라고 명시를 해주니 이런식으로 매주 월요일 9시에 리포트를 만들어준다고 나와주네요.
프롬프트에서 기간을 따로 명시하지 않았더라도 해당 스케줄 컨트롤은 수정 가능하니 괜찮습니다.
💡 플로우 사용이 처음인 분들께 추천드리는 예시
- RFP 응답 생성, 작업 명세서(SOW) 검토, 최신 업계 동향을 영업 자료로 정리하는 등의 작업 자동화
- 조직 내 개인 및 팀과 워크플로우 공유 가능
- 정보 가져오기, 작업 수행, 콘텐츠 생성 등 사전 정의된 단계를 통해 예측 가능하고 재사용 가능한 플로우 생성
(4) 연구 (Quick Research)
Quick Research는 여러 데이터 소스를 분석하여 종합적인 연구를 수행하고, 상세한 보고서를 생성하는 AI 기반 에이전트입니다.
이 도구는 단순한 프롬프트로 시작해, 포괄적인 분석에 필요한 접근 방식 및 데이터 소스를 설명하는 상세한 연구 프레임워크를 자동으로 생성합니다.
조직의 내부 지식과 공개 인터넷 데이터를 결합하여, 몇 주가 아닌 몇 분 만에 전문가 수준의 인사이트를 제공합니다.
“스페이스 안의 데이터 세트을 바탕으로 고객 접속율 및 유지율을 높이기 위해 어떤 작업을 해야할까” 라는 프롬프트를 입력한 후 ‘연구 시작’을 눌렀더니, 다음과 같은 내용을 안내받았습니다.
제가 가져온 데이터 세트는 7일간 지표이기 때문에 접속률, 유지율에 관한 내용은 잘 맞지 않았다고 생각했는데, Quick Research는 해당 질문에서 더 나아가 연령, 성별, 연간 소득, 소비 점수(Spending Score), 월간 방문 횟수, 선호 제품 카테고리를 결합한 통계 그래프까지 제공해주었습니다.
이처럼 사용자가 조사하고 싶은 내용을 구사하여 리포트를 정리해 줍니다. 또한 리서치의 우측을 보시면 의견 추가 및 요약이 있습니다. 해당 기능들을 통하여 사용자가 해당 내용의 퀄리티를 높일 수도 있습니다.
마무리
Amazon Quick의 가장 큰 강점은 임베디드 대시보드입니다. 분석 결과가 특정 담당자의 화면에만 머무르는 것이 아니라, 필요한 사람이라면 누구든 동일한 데이터를 기반으로 판단할 수 있습니다.
본문에서는 AWS 서비스 간 연결만을 다루었지만, 실제로는 Jira, Slack, Salesforce 등 다양한 SaaS 솔루션과도 연결이 가능합니다. Amazon Quick 을 통해 비즈니스 인텔리전스와 자동화 기능을 하나로 통합하면, 여러 애플리케이션을 오가는 번거로움 없이 하나의 작업 공간에서 업무를 처리할 수 있습니다.
Amazon Quick 은 아직 출시 초기 단계이지만, 연구·분석·자동화를 AI 에이전트 기반으로 하나의 공간에 통합한다는 방향성은 분명합니다. AWS 생태계 안에서 업무 흐름을 단순화하고자 한다면, Quick Suite의 발전을 주목해 볼 가치가 충분합니다.
