개발자 없이 Claude Code로 하루 만에 데이터 분석 서비스 만들기

중이 제 머리 못 깎는다고, AI 에이전시를 운영하면서 정작 제 홈페이지 데이터 살펴보는 일은 늘 뒤로 밀렸습니다. 홈페이지에 구글 애널리틱스(GA)와 MS 클래리티(Clarity)는 연결해뒀지만, 딱 거기까지였습니다.

이번에 「클로드 코드로 AI 만능 일잘러 되기 워크숍」을 런칭하면서, 이제는 홈페이지 데이터를 제대로 챙겨볼 때가 됐다 싶었습니다. 그래서 하루 딱 시간을 내어 ’홈페이지 방문자 데이터 분석 서비스’를 직접 만들어봤습니다.

혹시 저처럼 데이터 분석을 미루고 계신 분이 있다면, 아래 글을 참고해 직접 만들어보세요.

데이터 분석이 알려주는 것

오프라인 마케팅은 효과를 검증하기 어렵습니다. 전단지를 몇 장 돌렸는지는 알아도, 그중 누가 전단지를 받아보고 찾아왔는지는 알 수 없습니다. 반면 디지털 분석은 데이터로 성과를 객관적으로 검증할 수 있다는 것이 가장 큰 장점입니다. 누가 어디서 들어왔는지, 어떤 글을 어디까지 읽었는지, 어떤 버튼을 클릭했고 어디서 나갔는지까지, 방문자의 모든 행동이 데이터로 남습니다. 데이터가 있다면, 감이 아니라 숫자로 더 나은 의사결정을 내릴 수 있습니다.

이 행동 데이터를 볼 수 있게 해주는 대표적인 도구가 구글 애널리틱스(GA)와 MS 클래리티(Clarity)입니다. 둘 다 무료이고, 홈페이지에 코드 한 줄만 붙이면 됩니다. 아직 설치하지 않았다면 지금이라도 꼭 설치해두세요. 추적 코드를 붙이기 전의 데이터는 다시 볼 방법이 없습니다.

• 구글 애널리틱스(GA)는 “얼마나”를 알려줍니다. 하루에 몇 명이 왔는지, 검색·SNS·뉴스레터 중 어디서 들어왔는지, 어떤 페이지가 가장 많이 읽히는지 숫자로 보여줍니다.
• MS 클래리티는 “왜”를 알려줍니다. 방문자가 화면을 어떻게 움직였는지 녹화 영상처럼 다시 볼 수 있고, 어디를 많이 눌렀는지, 눌렀는데 반응이 없어서 답답해한 곳이 어디인지 색깔로 표시해줍니다.

이 두 가지가 합쳐지면 이야기가 달라집니다. 예를 들어 “신청 페이지에 방문자는 꾸준히 오는데 신청은 거의 없다”는 숫자(GA)와 “방문자들이 신청 버튼보다 다른 곳을 더 오래 살펴보고 있다”는 장면(클래리티)이 한 이야기로 이어집니다. 감으로 고치던 홈페이지를, 근거를 보고 고칠 수 있게 되는 겁니다. 그래서 데이터 분석은 큰 회사만 하는 일이 아니라, 작은 단체와 1인 회사에게 오히려 더 중요합니다.

그런데 왜 다들 보지 않을까

저도 그랬습니다. GA와 클래리티를 홈페이지에 연결만 해두고, 제대로 들여다본 적은 손에 꼽습니다. 이유는 늘 같았습니다.

• 화면이 복잡합니다. GA만 열어도 메뉴가 수십 개이고, 숫자가 어디에 있는지부터 찾아야 합니다. 질적 데이터는 또 다른 도구를 열어야 합니다.
• 보는 데 시간이 듭니다. 매일 두세 군데를 열어 비교하는 일은 급한 일에 밀려 가장 먼저 미뤄집니다.
• 봐도 무엇을 해야 할지 모릅니다. “방문자가 12% 늘었습니다”는 알겠는데, 그래서 내일 무엇을 고쳐야 하는지는 알려주지 않습니다.

도구를 붙이는 일과 그걸 매일 챙겨보는 일은 완전히 다른 일이었습니다. 데이터 분석이 전문가의 영역으로 남아 있던 이유입니다. 숫자를 뽑고, 비교하고, 해석해서 보고서로 만드는 일 모두에 시간과 기술이 필요했으니까요.

AI 시대의 데이터 분석, 보는 일에서 실행하는 일로

AI가 숫자를 가져오고 해석까지 해주는 시대에, 데이터 분석은 무엇을 향해야 할까요? 이 질문에 답하는 글 하나를 먼저 소개합니다.

「디지털 애널리틱스의 종말」이라는 글에서 티모 데하우는 이렇게 말합니다. 디지털 애널리틱스는 “데이터 기반 의사결정”을 약속했지만, 실제로 건넨 것은 데이터 기반으로 일하고 있다는 ’느낌’에 가까웠다는 겁니다. 퍼널이나 코호트 같은 정교한 분석이 20년 동안 쌓였지만, 흥미롭긴 해도 큰 결정을 움직이는 일은 드물었다고도 합니다. 200명이 버튼을 클릭했다는 사실만으로는, 그래서 무엇을 해야 하는지 알 수 없다는 거죠. 예전의 데이터 분석은 분석하는 데서 끝났습니다. 숫자를 모으고 보고서를 만드는 데 힘을 다 쓰고 나면, 정작 행동으로 옮길 기운이 남지 않았으니까요.

아래는 <디지털 애널리틱스의 종말>이라는 글의 핵심 내용입니다.

• 데이터를 일단 모아두면 언젠가 쓸모 있겠지 하는 시대는 끝났습니다.
• 즉시 개선이나 예측으로 이어지는 시스템만 실질적인 가치를 만듭니다.
• 그래서 무엇이 끝나고, 무엇이 시작될까요?
  • 끝나는 것: 광범위한 수집과 사후 통찰 위주의 분석, 채널별 기여도에 집착하는 마케팅 해석 관행, 정교하지만 행동으로 이어지지 않는 분석.
  • 시작되는 것: 바로 실행할 수 있는 도구, 업무 흐름에 들어간 분석, 빠른 피드백, 매출이나 이탈의 조기 신호

이제 데이터를 수집하고 분석하는 것은 AI가 다 해줄 수 있고, 심지어 사람보다 잘 합니다. AI 시대에 데이터 분석은 분석을 잘하는 것이 목표가 아니라, 분석의 결과가 행동으로 이어지는 것이 목표가 됩니다. 분석 중심에서 실행 중심으로 가는 변화입니다.

양적 분석: 구글 애널리틱스

자, 그럼 다시 세팅하는 방법으로 돌아가 볼까요. 첫 번째 재료는 구글 애널리틱스입니다. 몇 명이 왔고, 어디서 왔고, 어떤 페이지를 봤는지 같은 “얼마나”를 알려주는 양적 데이터입니다.

구글 애널리틱스(GA4) 데이터는 구글 앱스 스크립트(Google Apps Script)로 가져옵니다. 구글 계정만 있으면 무료로 쓸 수 있는 ‘자동 실행 코드’ 도구입니다. 코드는 직접 짜지 않고 클로드와 함께 만들었고, 세팅 과정은 이렇습니다.

1. 데이터를 쌓을 표를 먼저 만듭니다. Airtable에 날짜, 사이트, 사용자수, 세션수 같은 칸이 있는 표를 만들었습니다.
2. 클로드에게 코드를 부탁합니다. “구글 애널리틱스(GA4)에서 어제 사용자수와 세션수를 가져와서 Airtable 표에 저장하는 구글 앱스 스크립트 코드를 만들어줘”라고 요청했습니다. 코드 맨 위에는 내 GA4 정보와 Airtable 주소·열쇠(토큰)를 적는 칸이 따로 있어서, 이 값만 내 것으로 바꿔 넣으면 됩니다.
3. 앱스 스크립트에 붙여넣고 한 번 실행합니다. script.google.com에서 새 프로젝트를 만들고 코드를 붙여넣은 뒤 실행하면, 처음 한 번 구글이 “이 코드가 내 애널리틱스 데이터를 읽어도 되나요?“라고 권한을 묻습니다. 허용하면 표에 숫자가 채워집니다.
4. 트리거로 자동 실행을 걸어둡니다. 앱스 스크립트 왼쪽 메뉴의 ‘트리거’(시계 모양)에서 실행할 함수를 고르고, ’시간 기반’을 ’6시간마다’로 설정했습니다. 이제 제가 아무것도 하지 않아도 하루 네 번 알아서 데이터를 가져옵니다.
5. 최근 3일치를 매번 다시 가져옵니다. 구글 애널리틱스 숫자는 하루가 지나고도 조금씩 바뀌기 때문에, 어제 하루만이 아니라 최근 3일을 매번 다시 가져옵니다. 같은 날짜의 줄이 이미 있으면 새로 만들지 않고 숫자만 고치도록 했습니다.

이렇게 해두면 AI는 이 표만 읽으면 되니, 매번 구글 애널리틱스 화면을 뒤질 필요가 없습니다.

처음에는 구글의 대용량 데이터 창고(BigQuery)에서 꺼내 쓰려고 했습니다. 그런데 구글 애널리틱스에서 BigQuery로 넘어오는 데이터가 하루 이틀씩 늦게 도착해서, 아침에 “어제 데이터”를 보기에는 맞지 않았습니다. 그래서 기본 데이터는 GA4에서 바로 가져오고, BigQuery에는 데이터를 자동으로 계속 쌓아두기만 합니다. 나중에 더 깊이 분석하고 싶을 때 꺼내 쓰는 보관 창고인 셈입니다.

질적 분석: MS 클래리티

숫자만으로는 “왜”를 알 수 없습니다. 그래서 두 번째 재료로 MS 클래리티를 붙였습니다. 방문자가 화면에서 어떻게 움직였는지, 어디를 눌렀는데 반응이 없었는지 같은 질적 데이터를 보여주는 무료 도구입니다.

클래리티는 설정 창에서 API 키(토큰)를 발급받아 클로드와 연결했습니다. 매일 자정에 클로드가 어제 데이터를 가져와서, 구글 애널리틱스 숫자와 같은 Airtable에 쌓아둡니다.

클로드 코드 루틴으로 연결하기

두 재료를 묶는 것이 Claude Code의 루틴입니다. 정해진 시간이 되면 AI가 스스로 깨어나서, 주어진 일을 하고, 결과를 알려주는 기능입니다. 사람이 매번 “이거 해줘”라고 시키지 않아도, 알람을 맞춰놓은 것처럼 AI가 알아서 일합니다.

루틴은 두 가지로 나뉩니다. 로컬 루틴은 내 컴퓨터에서 실행되기 때문에 컴퓨터가 꺼져 있으면 동작하지 않습니다. 클라우드 루틴은 클로드의 서버에서 실행되기 때문에 컴퓨터가 꺼져 있어도 정해진 시간에 돌아갑니다. 아침 9시에 꼭 도착해야 하는 리포트는 클라우드가 맞아서, 이번에 만든 두 루틴 모두 클라우드로 세팅했습니다.

클라우드 루틴은 이렇게 세팅합니다.

1. ‘루틴’ 메뉴에서 새로 만듭니다. 클로드 왼쪽 메뉴의 ’루틴’에서 새 루틴을 만듭니다.
2. ’지침’에 할 일을 적습니다. AI가 할 일을 글로 적는 칸입니다. 아래에 공개한 프롬프트를 붙여넣으면 됩니다.
3. ’반복’에서 실행 시간을 정합니다. ’매일 오전 9시’처럼 정하고, 시간대는 한국 시간(GMT+9)으로 맞춥니다.
4. ’실행 환경’에서 쓸 도구를 연결합니다. 이번에는 Airtable과 Slack을 연결했습니다. 클라우드는 내 컴퓨터 안의 파일을 읽을 수 없어서, 클래리티 토큰 같은 비밀 값도 여기 실행 환경에 따로 등록해야 합니다.

만들고 나면 루틴 화면에 실행 기록이 날짜별로 쌓이기 때문에, 잘 돌았는지 한눈에 확인할 수 있습니다.

이렇게 해두면 사람이 하는 일은 아침에 슬랙 메시지 한 번 읽는 것뿐입니다.

루틴에 넣은 프롬프트 (공개용)

실제로 루틴에 넣은 프롬프트를 줄여서 공개합니다. 아래 프롬프트를 그대로 복사해서 AI에게 건네고, 대화하면서 내 환경에 맞게 함께 세팅해보세요. 작업은 두 개의 루틴으로 나눴습니다. 클래리티 값은 자정 루틴이 미리 표에 저장해두고, 아침 9시 루틴은 표를 읽어 리포트를 만듭니다.

① 클래리티 수집 루틴 (매일 자정)

매일 한국시간 00:00에 실행되는 클래리티 일별 수집 작업입니다. 어제 방문 데이터를 가져와 Airtable에 쌓기만 하고, 리포트는 만들지 않습니다.

1. 기준 날짜: 한국시간 기준 어제 날짜를 구하세요.
   (클래리티는 '지금부터 직전 24시간' 데이터만 주기 때문에, 자정에 실행하면 그 24시간이 곧 어제 하루입니다.)
2. 가져오기: 저장해 둔 클래리티 토큰으로 어제 데이터를 가져오세요. 사이트가 여러 개면 사이트별 토큰으로 사이트마다 한 번씩만 가져옵니다. 토큰 값은 어디에도 출력하거나 저장하지 마세요.
3. 정리: 세션수, 봇 세션수, 반응 없는 클릭(Dead Click) 수, 연타한 클릭(Rage Click) 수, 평균 스크롤 깊이, 활성 참여시간을 꺼내세요.
4. 저장: Airtable [Clarity 일별 지표] 표에 날짜·사이트별로 한 줄씩 저장하세요. 이미 있는 날짜면 새로 만들지 말고 수정하고, 값이 없으면 0으로 쓰세요.
5. 실패 시: Slack [채널명]에 "[Clarity 수집 실패] 날짜, 사유"를 한 줄만 보내세요. 성공하면 아무것도 보내지 않습니다.

② 데일리 리포트 루틴 (매일 아침 9시)

매일 한국시간 09:00에 실행되는 [내 사이트] 데일리 리포트 작업입니다. 아래 순서대로 수행하세요.

1. 기준 날짜: 한국시간 기준 어제 날짜를 구하세요.
2. 데이터 읽기: Airtable의 [GA 일별 지표] 표와 [Clarity 일별 지표] 표에서 어제 날짜 행을 읽으세요. 읽기만 하고 원본 값은 수정하지 마세요.
3. 비교: 사용자수를 기준으로 전일, 지난주 같은 요일과 비교해 증감률(%)을 계산하세요. 세션수는 보조 지표로만 쓰세요.
4. 요약: 아래 내용을 한국어로 간결하게 정리하세요.
   - 어제 사용자수와 전일·전주 대비 증감 (한 줄)
   - 사이트별 사용자수 / 신규 사용자수
   - 사용자가 많이 들어온 유입채널 TOP5
   - 전환 행동 횟수 (예: 수강신청 버튼 클릭, 문의 버튼 클릭)
   - Clarity 지표: 평균 스크롤 깊이, 활성 참여시간, 반응 없는 클릭 수 (전일과 비교)
   - 특이사항: 평소와 눈에 띄게 달라진 지표가 있으면 한두 가지
5. 저장: 요약을 Airtable [일일 리포트] 표에 날짜별로 저장하세요. 같은 날짜가 있으면 새로 만들지 말고 수정하세요.
6. 발송: Slack [채널명]에 요약을 보내세요.

실제로 돌려보니

첫 테스트에서 이런 결과가 나왔습니다. 교육 신청 페이지(class.nocodesurf.ing)에서, 방문 42번 동안 “눌렀는데 반응 없는 곳”을 무려 142번 클릭한 흔적이 잡혔습니다. 버튼처럼 보이는데 실제로는 눌리지 않는 요소가 있을 수 있다는 신호입니다. 화면을 직접 들여다보기 전에는 몰랐을 일입니다.

데이터가 스스로 “여기 좀 봐주세요”라고 말을 걸어준 셈입니다. 이 데이터를 보고 행동을 유도하는 버튼이 너무 적게 배치된 것을 확인하고, 랜딩페이지 중간중간 신청하기 버튼을 추가해뒀습니다.

만들고 나서도 계속 고쳐나갔습니다

처음 만든 리포트는 시작일 뿐이었습니다. 매일 받아보다 보니 “이 숫자가 맞나?”, “내가 정말 보고 싶은 건 이게 아닌데” 하는 생각이 계속 들었고, 그때마다 고쳤습니다. 지금까지 바뀐 것을 정리하면 이렇습니다.

• 하루가 어긋나 있었습니다. 클래리티가 ‘호출한 시점의 직전 24시간’ 값만 주기 때문에, 아침 9시에 가져오면 하루씩 밀려서 저장됐습니다. 클래리티는 자정에 어제 값을 미리 저장해두는 별도 루틴으로 분리했습니다.
• 아침 9시 루틴을 가볍게 만들었습니다. 처음에는 9시에 BigQuery까지 한 번 더 확인했는데, 그 시각에는 어제 데이터가 거의 도착하지 않아서 시간만 쓰고 실패할 위험만 커졌습니다. 그 단계를 빼고, 표만 읽도록 단순하게 바꿨습니다.
• 방문자 수에서 ’행동’으로 넓혔습니다. 몇 명이 왔는지만으로는 부족해서, 수강신청·쿠폰·대기신청·문의 버튼이 눌린 횟수를 구글 애널리틱스 이벤트로 보내도록 홈페이지에 코드를 추가했습니다. 리포트에는 ’전환 현황’이라는 줄이 생겼습니다.
• 사이트가 하나 늘었습니다. 10월 초 블로그를 열면서 리포트 대상에 추가했고, 봇 세션수와 활성 참여시간 같은 지표도 함께 담았습니다.

매일 받아보면서 어색한 점을 발견하면 바로 고칠 수 있다는 것도 이 구조의 장점이었습니다. 완벽한 시스템을 한 번에 만들기보다, 쓰면서 다듬어가는 쪽이 훨씬 빨랐습니다.

정리하며

데이터 분석은 마음먹지 않으면 늘 뒷전으로 밀립니다. 복잡한 분석이 부담스럽다면, 먼저 ’보는 것’부터 시작해보세요. 매일 어제의 숫자를 보다 보면 “여기를 고쳐볼까?” 하는 생각이 생기고, 그 생각이 행동으로 이어집니다. AI와 함께 아래의 3개만 순서대로 진행해보면, 멋진 데이터 분석 시스템이 완성됩니다.

1. 홈페이지에 구글 애널리틱스, MS 클래리티 코드를 1줄 추가합니다.
2. 클로드와 함께 해당 데이터들을 매일 구글시트나 보기 쉬운 데이터베이스에 쌓습니다.
3. 클로드 루틴 기능으로 매일 아침 슬랙으로 메시지를 받아볼 수 있게 세팅합니다.

전담 개발자가 없는 조직이라도, 지금 쓰는 도구를 잘 연결하기만 하면 이런 시스템은 충분히 만들 수 있습니다. 이 글을 보고 하루만 시간을 내어 만들어보세요. 복잡해 보이는 데이터 분석 서비스도 딱 하루면 만들 수 있습니다.