데이터 분석·분류 AI 프롬프트 작성법: 실전 예시 완벽 가이드

데이터 분석 또는 분류용 AI 프롬프트를 작성하려면 판단할 항목을 정의하고, 명확한 기준을 제시하며, 각 데이터 소스를 구분하고, 출력할 열을 지정해야 합니다. 정보가 누락되거나 서로 모순될 때는 모델이 억지로 추측하지 않고 Unknown을 반환하도록 규칙을 추가하세요.

이 가이드에서는 기업 분류를 예시로 사용합니다. 기업 소개와 웹사이트에서 수집한 텍스트를 바탕으로 해당 기업이 다른 기업에 HR 서비스를 판매하는지 판단하고, 간단한 근거도 함께 반환하는 방식입니다. 그러면 결과를 필터링할 수 있고, 판단 근거를 입력 데이터와 대조해 검토할 수도 있습니다.

기업 소개 데이터를 테스트하려면 기존 French Tech Next40/120 CSV를 활용할 수 있습니다. 이 파일에는 기업명, 웹사이트, 소개가 포함되어 있습니다. Description 열을 {{company_about}}에 매핑하고, 페이지 텍스트를 별도로 수집하지 않았다면 {{Website Texts}}는 비워 두세요.

프롬프트가 명확할수록 결과를 검토하기도 쉬워집니다. 근거가 누락된 경우와 잘못 분류된 경우를 모두 테스트하세요. 전체 데이터셋을 처리하기 전에 대표성이 있는 행부터 확인해야 합니다.

이 가이드에서 다룰 내용은 다음과 같습니다.

1. 프롬프트란 무엇인가?
2. 프롬프트 예시 3가지
3. 이 가이드가 필요한 사람
4. 좋은 프롬프트가 중요한 이유
5. 나쁜 프롬프트의 특징
6. 프롬프트 구성과 적용 단계

프롬프트란 무엇인가?

간단히 말하면: 프롬프트는 원하는 결과를 얻기 위해 AI에 전달하는 입력입니다.

다른 글에서 ‘프롬프트란 무엇인가’를 장황하게 설명하는 내용을 읽었더라도 어렵게 생각할 필요는 없습니다. 실제로 프롬프트의 정의 자체는 복잡하지 않습니다.

어려운 부분은 좋은 프롬프트를 작성하는 일입니다. 작성법을 알아보기 전에 먼저 프롬프트 예시 3가지를 살펴보겠습니다.

이 가이드가 필요한 사람

효과적인 프롬프트 작성은 누구나 커리어의 어느 시점에 한 번쯤 마주하게 되는 과제입니다.

따라서 이 가이드는 특정 산업이나 직무만을 위한 것이 아닙니다. 데이터와 자동화를 다루는 사람이라면 누구나 활용할 수 있습니다. 학생부터 실무 경험이 풍부한 전문가까지, 대규모 데이터셋을 효율적으로 편집·분석·정제하는 프롬프트 작성법을 중점적으로 설명합니다.

예시에서는 Datablist를 사용해 스프레드시트의 각 행에 프롬프트를 적용하고, 결과를 별도의 속성에 저장합니다.

좋은 프롬프트가 중요한 이유

모델이 특정 행을 올바르게 분류하려면 동료 직원이 같은 작업을 할 때 필요한 수준의 판단 규칙을 제공해야 합니다. 명확한 지시는 모호함을 줄여 주지만, 입력 데이터가 불완전하거나 모델이 실수할 가능성까지 없애 주지는 않습니다. 따라서 결과 검토 단계가 반드시 필요합니다.

나쁜 프롬프트의 특징

이 프롬프트가 나쁜 이유:

• 구조화된 지시가 없음: 요구 사항이 명확한 구성 없이 문장 곳곳에 흩어져 있습니다.
• 명확한 섹션이나 구분자가 없음: 논리적인 구분 없이 이어진 긴 텍스트를 AI가 직접 해석해야 합니다.
• 입력 데이터에 라벨이 없음: 기업 소개와 웹사이트 텍스트의 경계가 명확하지 않아 각각의 역할을 구분하기 어렵습니다.
• 지나치게 비격식적인 표현: ‘관련 일’, ‘그리고’ 같은 모호한 표현은 해석의 여지를 키웁니다.

AI가 이 프롬프트를 해석하는 방식

다음은 행의 값을 프롬프트에 직접 치환한 예시입니다. Datablist는 인라인 변수를 별도의 Variables 섹션으로 재구성할 수 있지만, 각 소스를 구분하는 라벨은 여전히 중요합니다.

입력값을 비격식적인 지시문 안에 섞으면 작업 지시가 어디서 끝나고 판단 근거가 어디서 시작되는지 확인하기 어려워집니다.

이 경우에는 다음과 같은 문제가 발생합니다.

1. 입력 데이터의 경계가 불분명함: 두 데이터 소스가 주변 지시문과 뒤섞여 있습니다.
2. 출력 라벨이 정의되지 않음: 근거가 없거나 기업이 여러 사업을 운영할 때 무엇을 반환해야 하는지 지정하지 않았습니다.

👉 이제 좋은 프롬프트는 어떻게 구성되는지, 그리고 어떻게 작성하는지 단계별로 살펴보겠습니다!

프롬프트 예시 3가지

단일 명령형 프롬프트

가장 단순한 형태의 프롬프트는 다음과 같은 명령문입니다.

질문형 프롬프트

다음과 같은 간단한 질문도 프롬프트가 될 수 있습니다.

태그로 입력을 구분한 구조화된 분류 프롬프트

프롬프트는 데이터를 편집·분석·정제할 수 있는 보다 상세한 지시문으로 구성할 수도 있습니다. 이를 활용하면 Cold Email을 개인화하고, 고객 피드백을 분석하거나, 기업명을 정리하는 등 다양한 작업을 수행할 수 있습니다.

아래 예시에서는 라벨이 있는 섹션을 사용해 규칙, 출력 요구 사항, 입력 데이터를 구분합니다. 특히 여러 문서를 하나의 프롬프트에 결합할 때는 XML 형식의 태그가 유용합니다. Anthropic의 프롬프트 가이드에서도 이러한 구분을 위해 의미가 분명한 태그를 권장합니다. 짧은 프롬프트라면 일반적인 섹션 제목만 사용해도 쉽게 검토할 수 있습니다.

다음은 근거가 부족할 때 사용할 세 번째 라벨까지 명시한, 복사 가능한 분류 프롬프트입니다.

예를 들어 “기업 고객에게 급여 관리 소프트웨어를 제공합니다”라는 문장은 Yes의 근거가 됩니다. “회계 소프트웨어를 개발하며 엔지니어를 채용하고 있습니다”는 No에 해당합니다. 기업명이 HR과 관련 있어 보이더라도 소개가 비어 있다면 Unknown을 반환해야 합니다. 이는 라벨의 예상 결과를 설명하기 위한 예시이며, 실제 모델 성능을 측정한 결과는 아닙니다.

프롬프트 구성과 적용 단계

아래 스크린샷은 이전 템플릿의 구조를 보여 줍니다. 앞에서 소개한 최신 분류 프롬프트에도 작업, 기준, 데이터를 구분하는 동일한 원칙을 적용하세요. 출력 필드와 Unknown 규칙도 반드시 포함해야 합니다.

좋은 프롬프트의 구조 분석

Datablist.com AI 프롬프트 라이브러리의 템플릿을 살펴보면 거의 모든 프롬프트가 여러 섹션으로 구성되어 있으며, 각 섹션에는 다음 3가지 요소가 포함되어 있습니다.

1. 태그: 해당 섹션에서 다루는 내용을 AI에 알려 줍니다.

2. 본문: AI가 작업을 이해하고 완료할 수 있도록 다음 내용을 제공합니다.

   • 설명: AI가 알아야 할 정보나 맥락을 전달합니다.
   • 명령: AI가 수행해야 할 작업을 지시합니다.

3. 경계: 제목, 구분자 또는 한 쌍의 태그를 사용해 각 섹션의 시작과 끝을 표시합니다. 동일한 라벨을 일관되게 사용하세요. 단, 구분자만으로 누락된 판단 기준을 보완할 수는 없습니다.

마지막에는 Placeholder 속성도 사용합니다.

• 프롬프트 실행 시 실제 데이터로 치환되는 열입니다.
• 데이터셋의 각 레코드에 맞게 프롬프트를 구성하는 데 사용됩니다.

예를 들어 Job Title Categorizer 프롬프트에서는 {{job_title}}을 Placeholder로 사용합니다. 각 레코드를 처리할 때 이 값이 데이터셋의 실제 직책으로 치환됩니다.

프롬프트 분석 및 적용 단계

참고: HR 기업은 Datablist의 ICP(“Ideal Customer Profile”)가 아닙니다. 여기서는 예시로만 사용했습니다.

1단계: 맥락 제공

AI에 맥락을 제공할 때 다음 세 가지 핵심 요소를 반영했습니다.

• 구체적인 타기팅 기준을 먼저 공개하지 않고, AI가 받게 될 데이터에 관한 정보를 제공했습니다.
  • 분류 규칙에 앞서 입력 데이터의 출처를 설명하는 단계입니다.
• 데이터의 맥락과 해결해야 할 구체적인 문제를 설명했습니다.
  • AI가 어떤 데이터를 다루는지 이해하는 데 도움이 됩니다.
• 현재 상황을 구체적으로 설명했습니다.
  • AI가 요구 사항에 맞는 접근 방식을 선택하는 데 도움이 됩니다.

프롬프트를 작성할 때 해야 할 일:

• AI에 제공할 데이터를 설명하세요.
• 해결하려는 문제를 설명하세요.
• 구분자(===)를 사용하세요.

2단계: 작업과 명령 정의

이 섹션에서는 두 가지 중요한 작업을 수행했습니다.

• “수행할 작업”이라는 태그로 섹션을 구분해 앞으로 설명할 내용을 AI가 알 수 있도록 했습니다.
• 정보의 흐름을 논리적으로 유지하기 위해 세부 단계나 확인할 데이터를 언급하지 않고 작업의 큰 방향만 설명했습니다.

프롬프트를 작성할 때 해야 할 일:

• 먼저 작업 또는 명령의 핵심 목적을 파악하세요.
• 다음으로 구분자(===)를 사용하세요.

비슷한 작업이 여러 개 있더라도 하나의 프롬프트로 모두 처리하려 하지 마세요. AI가 작업하기 어려울 뿐 아니라 잠재적인 오류를 발견하기도 힘들어집니다.

3단계: 명령 실행 방법 작성

프롬프트에 지시 사항을 추가할 때는 다음 원칙을 따릅니다.

• 간단하고 명료하게 작성합니다.
• 누군가에게 수작업 방식을 가르치듯 작업을 설명합니다.
• 명확한 단계별 지시에 집중합니다.

결과가 잘못되었다면 프롬프트를 곧바로 다시 작성하기 전에 입력 텍스트, 판단 기준, 출력 요구 사항부터 확인하세요. 일부 오류는 근거가 부족하거나 모델 자체에 한계가 있어서 발생합니다. 지시를 더 많이 추가한다고 해서 존재하지 않는 사실이 생기지는 않습니다.

프롬프트를 작성할 때 해야 할 일:

• 쉽고 명확한 표현으로 간단한 단계별 지시를 작성하세요.
• 구분자(===)를 사용하세요.

4단계: 오류 방지 1차 규칙 추가(선택 사항)

이 단계에서는 AI가 다음을 수행할 수 있도록 작업별 추가 맥락을 제공합니다.

• 작업의 미묘한 차이를 이해합니다.
• 자주 발생하는 실수를 피합니다.
• 더 나은 판단을 내립니다.

잠재적인 문제와 예외 상황을 명시하면 AI가 임의로 추측하거나 실수하지 않도록 가드레일을 만들 수 있습니다.

모든 프롬프트에 반드시 필요한 단계는 아니지만, 복잡한 작업에서는 매우 중요합니다.

프롬프트를 작성할 때 해야 할 일:

• 신입 직원이 해당 작업을 수행할 때 흔히 저지를 만한 실수를 생각해 보세요.
• AI가 실수를 피할 수 있도록 이러한 가능성을 프롬프트에 포함하세요.
• 구분자(===)를 사용하세요.

5단계: 목표와 원하는 결과 정의

프롬프트에 기대 결과를 작성할 때는 다음 내용을 포함하는 것이 중요합니다.

• 원하는 결과에 관한 상세한 맥락을 제공합니다.
• 기대하는 결과를 구체적으로 설명합니다.
• 분석에 영향을 줄 수 있는 편견이나 원하는 결론을 미리 드러내지 않습니다.

전문 용어보다 자연스럽고 대화하듯 명확한 표현을 사용하면 일반적으로 AI 시스템에서 더 좋은 결과를 얻을 수 있습니다.

프롬프트를 작성할 때 해야 할 일:

• 분석이나 작업을 통해 달성하려는 결과를 명확하게 정의하세요.
• 가장 중요한 지표나 신호가 무엇인지 구체적으로 설명하세요.
• 예시를 제공하세요.
• 구분자(===)를 사용하세요.

6단계: 데이터 맥락 추가(선택 사항)

프롬프트에 데이터 맥락을 추가할 때는 다음 원칙을 따릅니다.

• 명확한 규칙과 그 이유를 제시해 오류 방지 지침을 강화합니다.
  • 규칙 예시: “항상 전체 맥락을 평가하세요.”
  • 이유: “하나의 지표만으로는 잘못 판단할 수 있습니다.”
• 여러 층위의 맥락을 추가합니다.
  • 피해야 할 잠재적 실수
  • 데이터별 문제
  • 작업별 유의 사항

프롬프트를 작성할 때 해야 할 일:

• AI가 저지를 수 있는 실수를 예상하고, 해당 오류를 피하도록 명시적으로 지시하세요.
• 모든 정보를 한 번에 제공하지 말고 논리적인 단위로 나누세요.
• 구분자(===)를 사용하세요.

📘 빠른 팁

AI가 프롬프트의 의미를 추측하게 두지 말고 요구 사항을 명시하면 많은 실수를 예방할 수 있습니다.

7단계: 시작 방법과 첫 작업 지정

이 단계에서는 AI가 작업을 시작할 수 있도록 명확한 지시를 제공합니다. 다음 원칙을 적용했습니다.

• 간단하고 명료하게 작성했습니다.
  • 시간 순서대로 단계 번호를 지정했습니다.
  • ‘읽기, 만들기, 판단하기’처럼 분명한 동작 표현을 사용했습니다.

프롬프트를 작성할 때 해야 할 일:

• 번호가 있는 단계로 명확한 시작 지시를 제공하세요.
• 동작을 나타내는 표현을 사용해 각 단계를 쉽게 이해할 수 있도록 하세요.
• 지시는 간단하고 명료하게 작성하세요.
• 구분자(===)를 사용하세요.

8단계: Placeholder 형식 추가(항상 마지막)

효과적인 프롬프트를 작성하는 마지막 단계: 열을 Placeholder로 삽입합니다.

변하지 않는 작업 지시는 한곳에 모으고, 각 행에 따라 달라지는 입력은 템플릿 끝의 라벨이 지정된 섹션에 배치하세요. 그러면 프롬프트를 더 쉽게 유지하고 검토할 수 있습니다. 입력 순서만으로 정확성이 보장되는 것은 아닙니다.

해야 할 일:

스프레드시트 열의 데이터를 추가하려면 이중 중괄호 {{ }}를 사용하세요.

구분자(===)를 사용하세요.

❗중요

변수를 삽입할 때는 실제 collection 속성을 선택하세요. 해당 값을 라벨이 있는 입력 섹션에 배치하고, 전체 목록을 처리하기 전에 생성된 출력을 검토해야 합니다.

다른 예시에 프롬프트 규칙 적용하기

다음 M&A 시나리오는 더 복잡한 요청을 구성하는 방법을 보여 줍니다. 실제 기업 Scoring에 사용하려면 먼저 정확한 기준을 정의해야 합니다.

요청 예시:

프롬프트 작성을 시작해 보겠습니다!

1단계

이 단계에서는 AI에 전반적인 맥락을 제공합니다.

2단계

이제 AI Assistant가 수행해야 할 핵심 목표를 명확하게 정리합니다.

3단계

여기서는 AI가 분석 과정에서 따라야 할 구체적인 단계를 설명합니다.

4단계

정확도를 높이기 위해 잠재적인 문제와 주요 고려 사항을 설명합니다.

5단계

이제 명확한 평가 기준을 정해 성공적인 결과가 무엇인지 정의합니다.

6단계

이제 데이터 해석과 산업별 특성에 관한 맥락을 제공합니다.

7단계

이제 AI가 분석을 시작할 때 따라야 할 정확한 작업 순서를 알려 줍니다.

8단계

마지막으로 AI가 분석할 데이터를 제공합니다.

작업에 맞게 기준과 출력 필드를 조정하세요. 이 M&A 예시를 실제로 사용하려면 명확한 Scoring 임계값과 사람의 검토가 추가로 필요합니다. 재무 건전성을 평가하라는 일반적인 요청만으로는 Scoring 모델이 제대로 정의되지 않습니다.

CSV 처리 전 프롬프트 테스트하기

HR 예시에서는 Define outputs format을 활성화하고 Datablist의 Ask ChatGPT/OpenAI enrichment에서 HR Match와 Reason을 Text 출력으로 설정하세요. 각 출력을 별도의 속성에 매핑해야 합니다. Checkbox를 사용하면 No와 Unknown을 구분할 수 없습니다.

먼저 HR 서비스 제공 기업, 채용을 언급하는 무관한 기업, 소개가 비어 있는 기업, 여러 서비스를 제공하는 기업, 데이터 소스의 내용이 서로 충돌하는 기업을 포함한 소규모 샘플로 시작하세요. 프롬프트를 실행하기 전에 각 행의 예상 라벨을 기록한 다음, 반환된 라벨과 근거를 원본 텍스트와 비교하세요.

예상과 다른 결과가 나오면 원인을 파악해야 합니다.

• 소스 값이 누락되었다면 입력 데이터를 보완하거나 Unknown을 반환해야 합니다.
• 기업 소개가 모호하다면 포함 또는 제외 기준을 더 구체적으로 작성해야 합니다.
• 입력 데이터로 뒷받침되지 않는 근거가 반환되었다면 프롬프트를 수정한 후 다시 테스트해야 합니다.
• 예상하지 못한 라벨이 반환되었다면 출력 규칙이나 출력 설정을 더 명확하게 구성해야 합니다.

프롬프트를 수정한 후 같은 사례를 다시 테스트하세요. 이미 검토한 예시에만 과도하게 맞춰지지 않도록 일부 행은 별도의 검증용 데이터로 남겨 두는 것이 좋습니다. 모든 변수가 비어 있으면 모델에 요청이 전송되지 않고 오류와 함께 건너뛸 수 있으므로, 분류 결과뿐 아니라 실행 오류도 확인하세요.

검증한 프롬프트를 더 큰 파일에 적용하려면 CSV 행 enrichment 워크플로를 따르세요. 나중에 결과를 검토할 수 있도록 원본 입력 속성을 그대로 보관해야 합니다.

결론

하나의 판단 항목과 명확한 기준, 분리된 출력 필드부터 정의하세요. 소스 텍스트에는 라벨을 지정하고, 근거가 부족할 때 반환할 결과를 마련하며, 전체 collection을 처리하기 전에 일반적인 행과 까다로운 행을 모두 테스트해야 합니다.

AI 프롬프트 작성 FAQ

좋은 AI 프롬프트란 무엇인가요?

좋은 AI 프롬프트는 명확하고 구체적이며 체계적으로 구성되어 있습니다. 달성하려는 목표에 관한 맥락, 작업 수행 방법에 관한 구체적인 지시, 원하는 출력 형식이 포함되어야 합니다. 오해를 일으킬 수 있는 모호한 표현은 피하고 쉬운 언어로 작성하세요.

Lead Generation을 위한 AI 프롬프트 예시를 확인하세요.

ChatGPT 프롬프트가 제대로 작동하지 않는 이유는 무엇인가요?

AI 프롬프트가 효과적으로 작동하지 않는 데는 다음과 같은 이유가 있습니다.

• 지시가 불분명하거나 모호함
• 하나의 프롬프트에 너무 많은 작업을 포함함
• 필요한 맥락이나 배경 정보가 없음
• 지나치게 복잡하거나 전문적인 표현을 사용함
• 구체적인 예시나 원하는 출력 형식이 없음

더 좋은 결과를 얻는 AI 프롬프트 작성법은 무엇인가요?

효과적인 AI 프롬프트를 작성하려면 다음 원칙을 따르세요.

• 명확한 목표부터 정의하세요.
• 복잡한 작업을 더 작은 단계로 나누세요.
• 관련 맥락과 배경 정보를 제공하세요.
• 원하는 출력 형식을 지정하세요.
• 쉽고 명료한 표현을 사용하세요.
• 가능하면 예시를 포함하세요.

프롬프트 작성 시 가장 흔한 실수는 무엇인가요?

프롬프트를 작성할 때 흔히 발생하는 실수는 다음과 같습니다.

• 지나치게 모호하거나 일반적으로 작성함
• 하나의 프롬프트에 여러 작업을 과도하게 포함함
• 충분한 맥락을 제공하지 않음
• 불분명하거나 여러 의미로 해석될 수 있는 표현을 사용함
• AI가 암시된 정보를 이해할 것이라고 가정함
• 원하는 출력 형식을 지정하지 않음

AI 프롬프트는 어느 정도 길이로 작성해야 하나요?

AI 프롬프트는 필수 정보를 모두 전달할 수 있을 만큼 충분히 길어야 하지만 불필요하게 장황해서는 안 됩니다. 일반적으로 간단한 작업에는 몇 개의 문장이나 한 문단 정도가 적합하며, 상세한 지시와 맥락이 필요한 복잡한 작업은 더 길어질 수 있습니다. 핵심은 빠짐없이 작성하되 간결함을 유지하는 것입니다.

프롬프트 엔지니어링이란 무엇인가요?

프롬프트 엔지니어링은 AI 모델에서 더 정확하고 유용한 출력을 얻기 위해 입력을 설계하고 최적화하는 작업입니다. AI 모델이 지시를 해석하는 방식을 이해하고, 프롬프트를 효과적으로 구성하며, 결과를 바탕으로 반복해서 개선하는 과정을 포함합니다.