WEBVTT

00:00:00.000 --> 00:00:07.880
마이크로소프트 365, 코파일럿, AI, 에이적, 그리고 일의 미래를 만들어가는 사람들과 함께하는 10일간의 여정을 준비되셨나요?

00:00:08.300 --> 00:00:11.960
이번 1월, M365 컨이더 커진 규모로 돌아옵니다.

00:00:12.380 --> 00:00:18.660
전세계 MVP와 업계 전문가들이 전하는 라이브 세션, 실전 데모, 그리고 실무 지식을 만나보세요.

00:00:18.880 --> 00:00:21.400
뻔한 슬라이드나 끝없는 유행어는 없습니다.

00:00:21.760 --> 00:00:29.320
코파일럿 스튜디오, AI 에이전트, 패브릭, 보안, 거버넌스, 자동화 등 실제적인 과제를 다룹니다.

00:00:29.320 --> 00:00:35.080
IT 전문가, 개발자, 비즈니스 리더 등 누구에게나 맞는 세션이 준비되어 있습니다.

00:00:35.640 --> 00:00:40.160
10일 동안 다양한 기술을 탐구하고 글로벌 커뮤니티와 교류할 수 있습니다.

00:00:40.580 --> 00:00:44.680
라이브로 시청하고 조직에 적용할 수 있는 실무 인사이트를 얻어가세요.

00:00:44.880 --> 00:00:50.920
2027년 1월, 10일간의 여정, 하나의 마이크로소프트 커뮤니티 등록이 시작되었습니다.

00:00:51.840 --> 00:00:55.800
M365 con.net에 접속하여 오늘 바로 자리를 확보하세요.

00:00:56.080 --> 00:00:58.840
주소는 M365 con.net입니다.

00:00:59.320 --> 00:01:04.540
지금 M365 con.net에서 참여하시고 1월 라이브 현장에서 뵙겠습니다.

00:01:04.880 --> 00:01:08.560
왜 위도와 달리 데이터 모델이 투박하게 느껴지는지 궁금했던 적 있으신가요?

00:01:08.820 --> 00:01:10.120
당신만 그런 게 아닙니다.

00:01:10.320 --> 00:01:14.220
오늘은 코파일럿이 실제로 마이크로소프트 패브릭 워크플로우를 가속화하는 부분과

00:01:14.220 --> 00:01:16.380
여전히 사람의 손길이 필요한 부분을 보여드리겠습니다.

00:01:16.660 --> 00:01:21.540
데이터 파이프라인의 핵심 문제점을 파악하고 실제 코파일럿 활용 사례를 짚어보며

00:01:21.540 --> 00:01:28.160
AI 어시스턴트가 원시 데이터를 더 나은 인사이트로 빠르게 바꿀 수 있을까라는 질문에 답해봅니다.

00:01:28.380 --> 00:01:32.940
이 답변이 여러분의 데이터 모델링 접근 방식을 완전히 바꿀 수 있으니 끝까지 함께 해주세요.

00:01:33.100 --> 00:01:36.900
데이터 덤프에서 스마트한 입력까지 코파일럿이 작동하기 시작하는 지점입니다.

00:01:36.900 --> 00:01:42.300
마이크로소프트 패브릭의 스프레드 시트를 업로드했다가 바로 후회한 적이 있다면 당신은 혼자가 아닙니다.

00:01:42.480 --> 00:01:45.660
우리 대부분은 데이터 정리가 나중에 할 일이라고 생각하며

00:01:45.660 --> 00:01:51.520
약간의 인내심과 억지, 노력, 그리고 엑셀 수식 몇 번 이면 문제를 해결할 수 있다고 믿습니다.

00:01:51.760 --> 00:01:55.020
하지만 많은 분이 예상치 못하는 사실이 하나 있습니다.

00:01:55.360 --> 00:01:59.020
코파일럿은 당신이 문제를 발견할 때까지 기다리지 않습니다.

00:01:59.300 --> 00:02:02.060
데이터를 연결하는 순간 바로 스캔을 시작하죠.

00:02:02.320 --> 00:02:05.900
단순히 빈셀이나 이상한 날짜 형식을 확인하는 것만이 아닙니다.

00:02:05.900 --> 00:02:10.000
코파일럿은 소스의 구성을 검토하고 구조를 분석하며

00:02:10.000 --> 00:02:15.120
정렬되지 않은 열을 강조하고 나중에 문제가 될 데이터 유형을 표시합니다.

00:02:15.320 --> 00:02:20.040
대부분은 파이프라인 구축을 절반쯤 진행하고 나서야 이런 문제를 발견하곤 하죠.

00:02:20.200 --> 00:02:23.520
코파일럿은 그런 시간 낭비가 시작되기 전에 문제를 해결합니다.

00:02:23.720 --> 00:02:27.460
제3자 시스템에서 CSV 파일을 내보내 가져왔다고 가정해봅시다.

00:02:27.660 --> 00:02:31.180
열 헤더가 일관되지 않고 일부 필드는 뭉쳐 있으며

00:02:31.180 --> 00:02:34.760
최악의 경우 날짜가 세 가지 형식으로 섞여 있습니다.

00:02:34.760 --> 00:02:38.260
무언가 이상하다는 점을 지적하는 것에서 그치지 않고

00:02:38.260 --> 00:02:40.820
코파일럿은 더 깊이 파고듭니다.

00:02:41.240 --> 00:02:46.240
구조적인 문제를 찾아내어 스키마에는 존재하지만 가져오기에는 포함되지 않은 열이나

00:02:46.240 --> 00:02:52.080
추후 파워 BI에서 오류를 일으킬 수 있는 데이터 형식이 혼합된 필드를 정확히 지적합니다.

00:02:52.080 --> 00:02:55.580
게다가 코파일럿은 단순히 방관하는 태도를 취하지 않습니다.

00:02:56.380 --> 00:02:58.680
실행 가능한 권장사항을 바로 제공합니다.

00:02:58.920 --> 00:03:05.360
일관성을 위해 헤더 이름을 변경하고 중첩된 열을 분리하며 가져오기 전에 날짜 형식을 표준화하라고 제안합니다.

00:03:05.580 --> 00:03:07.580
처음으로 API에 연결하는 상황을 상상해보세요.

00:03:07.580 --> 00:03:15.120
예를 들어 마케팅 도구에서 한 테이블에는 연간 매출 USD, 다른 테이블에는 매출 USD와 같이 사용자 지정 필드명이 있는 경우입니다.

00:03:15.260 --> 00:03:18.900
대부분의 사람은 테이블 결합에 실패한 후에야 불일치를 깨닫지만

00:03:18.900 --> 00:03:25.200
코파일럿은 데이터 관계에 대한 이해를 바탕으로 미리 불일치를 표시하고 통합된 명칭을 제안합니다.

00:03:25.400 --> 00:03:29.100
현실적으로 모든 데이터 소스가 완벽하게 정돈되어 있지는 않습니다.

00:03:29.300 --> 00:03:32.080
일부 소스는 스프레드 시트 내에서 사실상 혼돈 상태이며

00:03:32.080 --> 00:03:37.860
파이프라인 오류의 약 60% 가위 단계에서 발견할 수 있는 문제에서 비롯된다는 점을 고려하면 매우 중요합니다.

00:03:38.080 --> 00:03:40.440
이 수치는 단순히 겁을 주기 위한 것이 아닙니다.

00:03:40.440 --> 00:03:45.480
이는 패브릭 내에서 실패한 데이터 프로젝트의 가장 흔한 문제점을 추적한 내부 연구에서 나온 결과입니다.

00:03:45.640 --> 00:03:48.500
코파일럿이 여러분을 대신해 복잡한 문제를 해결하는 탐정 역할을 합니다.

00:03:48.500 --> 00:03:50.800
단순히 문제를 드러내는데 그치지 않습니다.

00:03:51.000 --> 00:03:52.400
왜 문제가 되는지 알려주고

00:03:52.400 --> 00:03:55.360
무엇보다 파이프라인 문제 해결 루프에 갇혀

00:03:55.360 --> 00:03:58.580
며칠을 허비하기 전에 어떻게 대처해야 하는지 알려줍니다.

00:03:58.820 --> 00:04:03.360
시중에 나와 있는 많은 도구는 실행 후 모든 것이 잘못된 뒤에야 무엇이 문제인지 알려줍니다.

00:04:03.540 --> 00:04:07.480
코파일럿은 다음에 무엇을 해야 할지 제안함으로써 더 똑똑한 접근 방식을 취합니다.

00:04:07.480 --> 00:04:09.800
예를 들어 아이디 가한 곳에는 텍스트로

00:04:09.800 --> 00:04:14.440
다른 곳에는 숫자로 저장된 경우 이를 표시하고 결합문을 실행하기 전에

00:04:14.440 --> 00:04:16.880
공통 형식으로 변환할 것을 권장합니다.

00:04:16.880 --> 00:04:24.100
또한 특정 테이블을 정규화하거나 열이 정확성을 유지하는 특정 수집 형식을 사용하는 등

00:04:24.100 --> 00:04:27.700
자칫 놓치기 쉬운 모범 사례를 따르 도록 유도합니다.

00:04:29.120 --> 00:04:31.560
이러한 세부 사항은 보통 시행착오를 겪거나

00:04:31.560 --> 00:04:35.640
스택 오버플로우 를 수 없이 검색해야 제대로 해결할 수 있는 것들입니다.

00:04:35.640 --> 00:04:38.260
코파일럿은 그러한 과정을 효과적으로 단축하고

00:04:38.260 --> 00:04:41.880
처음부터 더 깨끗하고 사용하기 쉬운 데이터로 나아가도록 이끌어줍니다.

00:04:42.040 --> 00:04:44.780
때로는 이런 예상치 못한 발견이 실제로 큰 도움이 됩니다.

00:04:44.780 --> 00:04:48.460
단순한 정리를 넘어 데이터가 들어오는 즉시 최적화하는 과정입니다.

00:04:48.640 --> 00:04:52.900
대규모 데이터 세트의 경우 코파일럿은 모든 데이터를 한 테이블에 넣는 대신

00:04:52.900 --> 00:04:56.260
지역별로 판매 데이터를 나누는 등 파티셔닝 전략을 제시합니다.

00:04:56.520 --> 00:04:58.680
이는 단순히 서식을 조정하는 수준이 아닙니다.

00:04:58.860 --> 00:05:00.840
데이터를 파티셔닝하면 모델 새로 고침 속도가 빨라지고

00:05:00.840 --> 00:05:04.120
퍼리 시간이 단축되며 백엔드에서 발생할 수 있는 많은 골칫거리를 줄여줍니다.

00:05:04.300 --> 00:05:08.760
이는 수동으로 작업했다면 완전히 놓쳤을 지도 모를 실질적인 성능 향상을 의미합니다.

00:05:08.760 --> 00:05:16.260
단순히 미리 보기 모드에서 데이터 그리드를 보여주는 대신 코파일럿은 이러한 조정이 향후 데이터 모델에 어떤 영향을 미칠지 미리 보여줍니다.

00:05:16.480 --> 00:05:19.760
잠재적 인관계와 카디널리티의 시각적 모형을 볼 수 있으며

00:05:19.760 --> 00:05:24.240
변경 사항이 적용된 후에 예상 데이터 품질 요약까지 확인할 수 있습니다.

00:05:24.520 --> 00:05:28.360
이런 방식으로 데이터 정리를 접근하면 단순히 골칫거리 하나를 해결하는 데 그치지 않고

00:05:28.360 --> 00:05:30.520
다운스트림 프로세스까지 바꿀 수 있습니다.

00:05:30.760 --> 00:05:35.440
데이터 수집이 원활해지면 나중에 적용하는 변환 작업도 더 빠르고 효과적으로 수행됩니다.

00:05:35.440 --> 00:05:41.220
조인 실패 원인이나 파워비아이 시각적 개체가 온통 빈 화면으로 표시되는 이유를 파악하는 데 드는 시간을 줄여줍니다.

00:05:41.400 --> 00:05:42.820
단순히 버그를 피하는 것이 아니라

00:05:42.820 --> 00:05:47.880
이후에 모든 계층에서 더 스마트하고 적응력 있는 처리가 가능하도록 데이터를 준비하는 것입니다.

00:05:48.080 --> 00:05:51.180
처음부터 코파일럿을 사용하면 더 정확한 모델을 만들 수 있고

00:05:51.180 --> 00:05:53.320
막판에 벌어지는 돌발 상황을 줄이며

00:05:53.320 --> 00:05:56.640
엔드투엔드 파이프라인의 논리적 타당성을 높일 수 있습니다.

00:05:56.860 --> 00:05:58.080
분명한 성과가 있습니다.

00:05:58.420 --> 00:06:03.260
데이터 수집 단계에서 코파일럿을 활용하면 이후 내리는 모든 결정의 기반이 탄탄해집니다.

00:06:03.260 --> 00:06:08.020
사후에 실수를 수정하는 대신 가장 중요한 순간에 문제를 확인하고 해결할 수 있습니다.

00:06:08.240 --> 00:06:12.920
이는 데이터를 변환하고 모델링할 때 빠져나간 실수를 복구하느라 급급한 것이 아니라

00:06:12.920 --> 00:06:15.880
더 유리한 위치에서 작업을 시작할 수 있음을 의미합니다.

00:06:16.100 --> 00:06:19.580
이제 수집 이후의 과정, 즉 복잡한 중간 단계로 넘어가 보겠습니다.

00:06:19.880 --> 00:06:24.120
이 단계에서 코파일럿은 스마트한 제안을 넘어 직접적인 변환 작업으로 전환하며

00:06:24.120 --> 00:06:28.260
동일한 수준의 통찰력을 바탕으로 데이터를 자동으로 형성하고 개선합니다.

00:06:28.500 --> 00:06:31.960
데이터의 혼란을 명확함으로 바꾸는 코파일럿의 변환 엔진입니다.

00:06:31.960 --> 00:06:35.920
이제 데이터가 깨끗하게 들어와더니 본격적인 고된 작업이 시작됩니다.

00:06:36.080 --> 00:06:39.000
대부분의 프로젝트가 변환계층에서 어려움을 겪는데

00:06:39.000 --> 00:06:45.160
이는 도구가 부족해서가 아니라 복잡한 테이블에 비즈니스 로직을 맞추는 일이 금방 지루해지기 때문입니다.

00:06:45.360 --> 00:06:48.520
데이터를 로드한 뒤 1시간 동안 필드를 끌어다 놓고

00:06:48.520 --> 00:06:50.960
의미 없는 열 이름을 바꾸고

00:06:50.960 --> 00:06:53.880
기억의 의존의 수식을 작성하던 때를 떠올려 보세요.

00:06:54.240 --> 00:06:56.200
우리 모두는 수십 개의 조인 조건을 띄워놓고

00:06:56.200 --> 00:06:58.820
그 거래 날짜가 실제 마지막 구매일인지 아니면

00:06:58.820 --> 00:07:02.320
단순히 가져온 타임스탬프인지 의심하며 앉아본 적이 있을 겁니다.

00:07:02.540 --> 00:07:04.680
파워 BI 모델을 하나라도 만들어봤다면

00:07:04.680 --> 00:07:07.740
누락된 관계나 일치하지 않는 데이터 형식이

00:07:07.740 --> 00:07:11.980
이후에 모든 보고서와 대시보드에 얼마나 큰 영향을 미치는지 잘 아실 겁니다.

00:07:12.240 --> 00:07:13.860
코파일럿이 차별화되는 점은

00:07:13.860 --> 00:07:16.980
끝없는 시행착오에 늪해서 여러분을 구출해낸다는 것입니다.

00:07:17.200 --> 00:07:20.120
코파일럿은 여러분이 데이터를 어떻게 형성하는지

00:07:20.120 --> 00:07:23.160
어떤 열을 병합하고 어떤 테이블을 조인하며

00:07:23.160 --> 00:07:27.380
문서화하기 어려운 DAX 계산식을 어디에 추가하는지 지켜보고

00:07:27.380 --> 00:07:30.240
필요성을 깨닫기도 전에 대안을 제시합니다.

00:07:30.460 --> 00:07:33.600
재무팀을 위한 보고서를 작성하고 있다고 가정해봅시다.

00:07:33.800 --> 00:07:36.560
트랜잭션 데이터와 고객 마스터 데이터를 연결했지만

00:07:36.560 --> 00:07:38.680
여전히 숫자가 맞지 않는 상황입니다.

00:07:38.880 --> 00:07:40.420
참조 테이블을 일일이 뒤지는 대신

00:07:40.420 --> 00:07:44.140
코파일럿은 월별뿐만 아니라 지역별로 매출을 집계하도록 제안하고

00:07:44.140 --> 00:07:47.960
전년 대비 성장률을 계산할 바로 사용 가능한 DAX 측정값을 제시합니다.

00:07:47.960 --> 00:07:50.520
수식을 외우거나 디버깅할 필요가 없습니다.

00:07:51.080 --> 00:07:54.860
계산의 근거가 되는 설명과 함께 제안사항으로 나타납니다.

00:07:55.940 --> 00:07:58.380
코파일럿 이 상황을 너무 단순화하거나

00:07:58.380 --> 00:08:01.220
비즈니스 파트너와 긴 회의를 거쳐

00:08:01.220 --> 00:08:05.220
확정한 미묘한 규칙을 놓치지 않을까 하는 걱정이 될 수 있습니다.

00:08:05.640 --> 00:08:06.660
하당한 우려입니다.

00:08:07.240 --> 00:08:09.260
AI는 독심술사가 아니기에

00:08:09.260 --> 00:08:11.840
때로는 첫 제안이 너무 광범위해서

00:08:11.840 --> 00:08:16.020
특정 제품군은 계산에서 제외해야 한다는 점 등을 놓치기도 합니다.

00:08:16.020 --> 00:08:20.200
하지만 코파일럿을 오래 사용할수록 권장사항은 점점 더 정교해집니다.

00:08:20.340 --> 00:08:23.800
제안을 수정하거나 거부할 때 마다 시스템이 피드백을 요청하므로

00:08:23.800 --> 00:08:27.400
다음에 비슷한 모델을 만들 때는 그 미묘한 차이를 기억합니다.

00:08:27.580 --> 00:08:31.620
일반적인 가정과 달리 조직의 실제로 중요한 것이 무엇인지 점차 학습합니다.

00:08:31.860 --> 00:08:34.960
이러한 상호작용은 이례성 힌트가 아닌 협업으로 발전합니다.

00:08:35.220 --> 00:08:37.440
실제 사용자 데이터가 이를 뒷받침합니다.

00:08:37.440 --> 00:08:42.560
지난해 연구에 따르면 패브릭에서 AI가 생성한 DAX 측정값은 누계,

00:08:43.040 --> 00:08:47.500
성장률 백분율, 세그먼트 필터링과 같은 표준 비즈니스 작업에 있어

00:08:47.500 --> 00:08:52.460
숙련된 BI 개발자가 작성한 수식의 정확도 및 성능과 대등한 수준에 도달했습니다.

00:08:53.000 --> 00:08:57.760
신입 분석가가 연도 전환 시 총 수익 측정값이 왜 깨지는지 해결하느라

00:08:57.760 --> 00:08:58.940
몇 시간을 보낼 때,

00:08:59.580 --> 00:09:04.880
코파일럿의 템플릿은 방대한 데이터 세트와 특이 사례를 통해 이미 검증을 마쳤습니다.

00:09:04.880 --> 00:09:10.020
모든 수식이 완벽한 것은 아니지만 품질의 기준치는 극적으로 높아졌습니다.

00:09:10.160 --> 00:09:14.980
코파일럿이 진정으로 차별화되는 지점은 단순히 기본 작업을 자동화하는 데 그치지 않는다는 것입니다.

00:09:15.180 --> 00:09:18.000
단계별 성능 문제를 파악하여 즉시 알려줍니다.

00:09:18.220 --> 00:09:20.720
두 개의 커리로 충분한데 5개를 연결하거나

00:09:20.720 --> 00:09:25.860
조인 순서가 잘못되어 새로 고침 시간이 지연되는 경우 이를 병목 현상으로 표시합니다.

00:09:26.120 --> 00:09:31.540
단순히 정확성뿐만 아니라 효율성을 위해 커리를 병합하거나 단계를 재구성하라는 제안을 받게 됩니다.

00:09:31.540 --> 00:09:38.040
이는 일반적으로 모델이 한계에 부디 튀거나 대시 보드 속도가 느리다는 불만을 들은 후에야 알게 되는 사소한 문제들입니다.

00:09:38.240 --> 00:09:40.260
코파일럿은 이러한 경고를 전면에 내세움으로

00:09:40.260 --> 00:09:43.940
데이터가 증가할 때 작업 공간이 왜 느려지는지 고민할 필요가 없습니다.

00:09:44.220 --> 00:09:47.200
데이터 변환에서 간과되는 한 가지 측면은 문서화입니다.

00:09:47.480 --> 00:09:51.240
여러 사람의 손을 거칠수록 모델은 더 취약하고 이해하기 어려워집니다.

00:09:51.420 --> 00:09:56.760
특히 빠르게 작업하느라 단계를 주석 처리하거나 필터가 존재하는 이유를 기록하지 않으면 더욱 그렇습니다.

00:09:57.020 --> 00:09:59.280
이 부분에서도 코파일럿 이 도움을 줍니다.

00:09:59.280 --> 00:10:05.180
변환 단계를 수락하거나 사용자 지정하면 변경 사항에 대한 읽기 쉬운 로그를 생성하고

00:10:05.180 --> 00:10:09.220
수정 이유를 캡처하여 모델 내 메타 데이터로 저장합니다.

00:10:09.440 --> 00:10:13.640
나중에 합류하는 동료들이 각 변환의 의도를 역으로 추적할 필요가 없습니다.

00:10:14.000 --> 00:10:17.240
그들은 로직과 비즈니스 규칙을 평이한 언어로 바로 확인할 수 있습니다.

00:10:17.460 --> 00:10:20.020
계산된 열에 대해 감사인에게 소명해야 했던 경험이 있다면

00:10:20.020 --> 00:10:23.260
과거 프로젝트 노트를 찾는 수고가 얼마나 큰지 잘 아실 겁니다.

00:10:23.460 --> 00:10:25.260
코파일럿 위 자동 문서화 기능을 사용하면

00:10:25.260 --> 00:10:28.660
버전 기록과 함께 모든 변경 사항에 대한 설명을 빠르게 불러올 수 있습니다.

00:10:28.660 --> 00:10:30.240
이는 단순히 편리한 정도가 아니라

00:10:30.240 --> 00:10:32.780
모델을 검토하거나 새로운 사람과 공유해야 할 때

00:10:32.780 --> 00:10:34.640
며칠씩 걸리던 시간을 대폭 줄여줍니다.

00:10:34.820 --> 00:10:36.500
결과적으로 어떤 효과가 있을까요?

00:10:36.700 --> 00:10:40.020
더 이상 구문이나 우회적인 해결책에 얽매일 필요가 없습니다.

00:10:40.380 --> 00:10:43.000
대신 일회성 문제를 해결하느라 허비하던 시간을

00:10:43.000 --> 00:10:44.920
모델의 비즈니스 가치를 개선하고

00:10:44.920 --> 00:10:47.000
더 날카로운 질문을 던지며

00:10:47.000 --> 00:10:48.760
세분화 방식을 실험하거나

00:10:48.760 --> 00:10:51.800
새로운 KPI를 테스트하는 데 사용할 수 있습니다.

00:10:52.220 --> 00:10:53.540
게시 버튼을 누를 때쯤이면

00:10:53.540 --> 00:10:55.760
대부분의 작문은 코파일럿 이 처리하거나

00:10:55.760 --> 00:10:57.120
최소한 표시에 두어 등으로

00:10:57.120 --> 00:10:59.700
여러분은 비즈니스를 실제로 발전시키는

00:10:59.700 --> 00:11:01.420
의사결정에 집중할 수 있습니다.

00:11:01.660 --> 00:11:03.720
이는 노련한 분석가들도 어려워하는 부분

00:11:03.720 --> 00:11:06.080
즉 단순히 데이터를 나열하는 것이 아니라

00:11:06.080 --> 00:11:07.460
답을 제시하는 방식으로

00:11:07.460 --> 00:11:09.440
데이터를 시각화하는 문제로 이어집니다.

00:11:09.620 --> 00:11:10.680
측정값을 구축하고

00:11:10.680 --> 00:11:12.900
로직을 정리하는 것은 한 부분일 뿐입니다.

00:11:13.100 --> 00:11:14.960
그 수치들을 행동을 뒷받침할 수 있는

00:11:14.960 --> 00:11:16.240
시각자료로 바꾸는 것은

00:11:16.240 --> 00:11:17.860
완전히 다른 차원의 과제입니다.

00:11:18.060 --> 00:11:20.200
그 지점에서 코파일럿 이 다음 제안들이

00:11:20.200 --> 00:11:21.980
눈에 띄는 차이를 만들어냅니다.

00:11:21.980 --> 00:11:23.460
숫자에서 내러티브로

00:11:23.460 --> 00:11:25.160
파워비아이에서 제공하는

00:11:25.160 --> 00:11:27.100
코파일럿 위 시각적 제안입니다.

00:11:27.260 --> 00:11:30.260
패브릭에서 깔끔하고 논리적인 모델을 만드는 것은

00:11:30.260 --> 00:11:31.800
절반의 성공일 뿐입니다.

00:11:32.020 --> 00:11:32.800
솔직히 말해서

00:11:32.800 --> 00:11:34.160
대부분의 대시보드는

00:11:34.160 --> 00:11:35.280
시각적 요소가

00:11:35.280 --> 00:11:36.860
청중의 관심사와 맞지 않아

00:11:36.860 --> 00:11:38.100
방치되기 일수입니다.

00:11:38.300 --> 00:11:39.340
하지만 파워비아이가

00:11:39.340 --> 00:11:41.980
막대 차트를 페이지에 알아서 배치하도록 두고

00:11:41.980 --> 00:11:44.100
그 중 하나가 임원의 관심을 끌어

00:11:44.100 --> 00:11:45.460
질문을 유도하기를 바라는

00:11:45.460 --> 00:11:47.580
구태의원 한 습관이 여전히 존재합니다.

00:11:47.840 --> 00:11:49.780
하지만 경영진이 무표정한 얼굴로

00:11:49.780 --> 00:11:51.480
보고서 탭을 넘기는 모습을 보면

00:11:51.480 --> 00:11:53.640
무엇이 문제인지 깨닫게 됩니다.

00:11:53.860 --> 00:11:54.920
데이터가 없는 것이 아니라

00:11:54.920 --> 00:11:57.160
시각자료가 사람들이 실제로 궁금해하는

00:11:57.160 --> 00:11:59.640
비즈니스 질문과 연결되지 않는 것이 문제입니다.

00:11:59.820 --> 00:12:01.280
바로 그 지점에 코파일럿 이 개입하며

00:12:01.280 --> 00:12:03.660
이번에는 단순히 뒤처진 것을 따라 잡는 수준이 아닙니다.

00:12:03.800 --> 00:12:05.820
코파일럿은 단순히 일반적인 시각자료를

00:12:05.820 --> 00:12:07.020
보고서에 던져주는 대신

00:12:07.020 --> 00:12:09.160
모델 위에 위치하여 전체를 스캔합니다.

00:12:09.380 --> 00:12:10.420
단순히 필드뿐만 아니라

00:12:10.420 --> 00:12:11.360
필드 간의 관계

00:12:11.360 --> 00:12:12.680
계산된 측정값

00:12:12.680 --> 00:12:14.140
그리고 파이프라인을 통해 쌓아올린

00:12:14.140 --> 00:12:15.700
계층 구조까지 모두 읽어냅니다.

00:12:15.900 --> 00:12:17.260
여기서 상황이 반전됩니다.

00:12:17.260 --> 00:12:20.700
예를 들어 경영진을 위한 판매 보고서를 작성한다고 가정해봅시다.

00:12:20.840 --> 00:12:22.760
지역, 제품, 수익 측정값을 가지고 있지만

00:12:22.760 --> 00:12:24.300
경영진이 지난 1년간 보아온

00:12:24.300 --> 00:12:25.280
다른 보고서와 다를 바 없는

00:12:25.280 --> 00:12:27.120
기본적인 선 차트를 원하지 않는다는 사실을

00:12:27.120 --> 00:12:27.920
이미 알고 계실 겁니다.

00:12:28.080 --> 00:12:30.260
코파일럿은 귀하의 데이터 구조를 분석하여

00:12:30.260 --> 00:12:31.480
폭포 차트를 제안합니다.

00:12:31.680 --> 00:12:33.340
이를 통해 각 비용과 수익 요소가

00:12:33.340 --> 00:12:35.380
전체 이익에 어떻게 기여하는지 설명하며

00:12:35.380 --> 00:12:37.560
단순히 막대 그래프를 쌓는 방식이 아닌

00:12:37.560 --> 00:12:39.540
상세한 내역으로 이야기를 전달합니다.

00:12:39.740 --> 00:12:40.720
지역별 매출의 경우

00:12:40.720 --> 00:12:42.560
단순히 열을 나열하는 대신

00:12:42.560 --> 00:12:45.100
성과가 목표를 상회하는 지점을 강조할 수 있도록

00:12:45.100 --> 00:12:46.480
지도 시각화를 추천하며

00:12:46.480 --> 00:12:48.960
단순히 판매량이 가장 높은 곳만이 아닌

00:12:48.960 --> 00:12:50.620
더 중요한 통찰을 제공합니다.

00:12:50.840 --> 00:12:51.880
여기서 항상 드는 의문은

00:12:51.880 --> 00:12:54.160
코파일럿이 진정으로 효과적인 결과물을 주는지

00:12:54.160 --> 00:12:55.980
아니면 단순히 기존 데이터 위에

00:12:55.980 --> 00:12:58.060
화려한 껍데기만 씌우는 것인지 하는 점입니다.

00:12:58.240 --> 00:13:00.640
차이점은 바로 제공되는 설명의 깊이에 있습니다.

00:13:00.900 --> 00:13:02.860
코파일럿이 제한된 시각화 도구를 제시할 때

00:13:02.860 --> 00:13:05.740
단순히 폭포 차트입니다 라고만 말하고 멈추지 않습니다.

00:13:05.900 --> 00:13:08.860
폭포 차트가 왜 효과적인지 구체적으로 설명합니다.

00:13:08.860 --> 00:13:12.160
예를 들어 데이터 세트에 더해지거나 빠지는 값이 많을 때

00:13:12.160 --> 00:13:15.080
차트 구조가 합계 뒤에 숨겨진 세부 사항이 아니라

00:13:15.080 --> 00:13:18.720
이익의 변화 과정을 직접적으로 반영하기 때문이라고 알려줍니다.

00:13:19.460 --> 00:13:20.120
지도의 경우

00:13:20.120 --> 00:13:23.480
코파일럿은 기아의 모델에 포함된 지리적 필드가

00:13:23.480 --> 00:13:26.900
매출 지표와 직접적인 관계가 있음을 지적하며

00:13:26.900 --> 00:13:30.620
이를 통해 일반적인 표보다 훨씬 유용한 네이아웃을 제안합니다.

00:13:31.480 --> 00:13:34.960
많은 보고 도구는 사용자에게 무엇이 좋아 보일지 추측하게 만들고

00:13:34.960 --> 00:13:39.520
결국 기술적으로는 맞지만 통찰력은 부족한 대시보드를 남기는 경우가 많습니다.

00:13:39.720 --> 00:13:41.240
코파일럿은 중간에서 도움을 주며

00:13:41.240 --> 00:13:42.740
데이터 필드 유형뿐만 아니라

00:13:42.740 --> 00:13:45.840
분석의 방향에 가장 적합한 시각화 도구가 무엇인지 식별합니다.

00:13:46.060 --> 00:13:48.680
이러한 추가적인 지원은 회의에서 자주 참조되는 보고서가 될지

00:13:48.680 --> 00:13:51.720
아니면 조용히 무시되는 보고서가 될지를 결정짓는 차이가 됩니다.

00:13:51.920 --> 00:13:53.780
이를 뒷받침하는 연구 결과도 있습니다.

00:13:54.100 --> 00:13:56.580
파워 BI 사용자 세션을 추적한 연구에 따르면

00:13:56.580 --> 00:13:58.920
코파일럿 위 시각화 제안을 통합하면

00:13:58.920 --> 00:14:01.260
보고서 설계 단계가 더 빠르게 완료되며

00:14:01.260 --> 00:14:04.640
때로는 시간을 최대 40%까지 단축할 수 있습니다.

00:14:04.640 --> 00:14:07.900
더 흥미로운 점은 최종 사용자가 획일적인 보고서가 아닌

00:14:07.900 --> 00:14:10.140
자신의 필요에 맞춰진 내용을 확인하기 때문에

00:14:10.140 --> 00:14:12.940
보고서에 대한 참여도가 실제로 높아진다는 것입니다.

00:14:13.060 --> 00:14:15.440
또한 코파일럿 위 도움으로 작성된 보고서는

00:14:15.440 --> 00:14:17.140
내부적으로 더 자주 공유되는데

00:14:17.140 --> 00:14:21.020
이는 사람들이 해당 통찰을 조금 더 신뢰한다는 것을 의미합니다.

00:14:21.240 --> 00:14:22.740
이제 이러한 모든 추천에도 불구하고

00:14:22.740 --> 00:14:24.580
코파일럿은 단순히 다양성을 위해

00:14:24.580 --> 00:14:26.560
시각화 자료를 쌓아두기만 하는 것은 아닙니다.

00:14:26.720 --> 00:14:28.840
또한 일종의 우선순위 분류 작업도 수행합니다.

00:14:29.060 --> 00:14:31.140
예를 들어 원형 차트에 10개의 항목을 넣거나

00:14:31.140 --> 00:14:34.420
숫자가 너무 많아 구분이 어려운 표를 만들었다고 가정해봅시다.

00:14:34.420 --> 00:14:37.920
코파일럿은 그러한 선택이 문제가 될 수 있다고 경고합니다.

00:14:38.100 --> 00:14:41.040
대신 더 명확한 비교를 위해 막대 차트로 분리하거나

00:14:41.040 --> 00:14:44.060
복잡한 원형 차트 조각 속에 묻힌 이상 치를

00:14:44.060 --> 00:14:45.340
자세히 살펴볼 수 있도록

00:14:45.340 --> 00:14:47.400
분해트리 사용을 제한할 수도 있습니다.

00:14:47.640 --> 00:14:49.560
즉, 코파일럿은 화려한 시각화가

00:14:49.560 --> 00:14:51.160
오히려 중요한 정보를 숨기거나

00:14:51.160 --> 00:14:53.300
최악의 경우 잘못된 결론으로 이끄는

00:14:53.300 --> 00:14:55.560
흔한 함정으로부터 귀하를 보호해줍니다.

00:14:55.780 --> 00:14:58.360
서식은 대부분의 사람이 생각하는 것보다 훨씬 중요하며

00:14:58.360 --> 00:15:01.280
코파일럿은 이러한 영역도 결코 간과하지 않습니다.

00:15:01.280 --> 00:15:03.260
축적 설정 때문에 추세가 가려져

00:15:03.260 --> 00:15:05.680
실제로는 비즈니스의 중요한 변화인데도

00:15:05.680 --> 00:15:07.060
평범하게 보일 수 있습니다.

00:15:07.240 --> 00:15:09.900
혹은 색상 팔레트가 접근성 지침을 따르지 않아

00:15:09.900 --> 00:15:12.300
일부 사용자가 데이터 포인트의 차이를

00:15:12.300 --> 00:15:13.940
구분하기 어려울 수도 있습니다.

00:15:14.480 --> 00:15:17.760
코파일럿은 축 수정, 데이터 레이블 조정,

00:15:18.200 --> 00:15:21.460
고대비 팔레트 전환 같은 서식 변경을 제한할 뿐 아니라

00:15:21.460 --> 00:15:23.400
그 이유까지 설명해줍니다.

00:15:23.400 --> 00:15:27.800
이런 조언은 단순히 표준을 준수하는 것을 넘어

00:15:27.800 --> 00:15:32.340
가독성이 뛰어나고 기기별 성능도 우수한 시각화 자료를 만들어줍니다.

00:15:32.580 --> 00:15:34.760
평소 라면 지나쳤을 제안을 시도해본

00:15:34.760 --> 00:15:37.100
사용자들의 사례가 속속 나오고 있습니다.

00:15:37.100 --> 00:15:39.920
한 사용자는 지역별 매출 모델을 작업하다가

00:15:39.920 --> 00:15:41.980
코파일럿 이 요약형 차트 대신

00:15:41.980 --> 00:15:44.220
구네트리 사용을 권장하는 것을 보았습니다.

00:15:44.380 --> 00:15:46.840
그 덕분에 요약본에서는 평균으로 보였으나

00:15:46.840 --> 00:15:50.140
특정 카테고리에서 급증한 이상 치를 발견했을 뿐 아니라

00:15:50.140 --> 00:15:53.260
다음 분기까지 발견되지 않았을 수도 있었던

00:15:53.260 --> 00:15:56.800
매출 할당 오류를 수정하는 프로젝트까지 시작하게 되었습니다.

00:15:57.060 --> 00:15:59.440
핵심은 때때로 가장 당연해 보이는 시각화가

00:15:59.440 --> 00:16:01.040
최선이 아닐 수도 있다는 점입니다.

00:16:01.240 --> 00:16:03.220
코파일럿 엔진은 모델 내의 관계와

00:16:03.220 --> 00:16:05.160
KPI 위위도를 학습하여

00:16:05.160 --> 00:16:08.840
미처 생각지 못했던 인사이트를 발견할 기회를 제공합니다.

00:16:09.040 --> 00:16:10.640
따라서 이러한 시각적 제안은

00:16:10.640 --> 00:16:14.160
단순히 회의를 위해 보기 좋게 꾸미는 것 이상의 의미를 갖습니다.

00:16:14.400 --> 00:16:16.720
이는 대화를 이끌어내고 문제를 지적하며

00:16:16.720 --> 00:16:19.720
실제 비즈니스 의사결정을 직접적으로 지원하는 뷰를

00:16:19.720 --> 00:16:20.640
구성하는 것입니다.

00:16:20.800 --> 00:16:22.880
결국 사람들이 대시보드를 실제로 활용하여

00:16:22.880 --> 00:16:25.720
행동하지 않는다면 모델의 기반 작업은 아무런 의미가 없습니다.

00:16:26.000 --> 00:16:28.480
맞춤형 시각화와 명확한 서식을 활용하기 시작하면

00:16:28.480 --> 00:16:31.680
단순한 참여를 넘어 실질적인 행동을 이끌어낼 수 있습니다.

00:16:31.900 --> 00:16:33.680
다음으로 코파일럿 뿐만 아니라

00:16:33.680 --> 00:16:36.460
사용자에게도 영향을 미치는 학습 곡선이 있습니다.

00:16:36.800 --> 00:16:39.200
시간이 지남에 따라 데이터 모델링 워크플로우를

00:16:39.200 --> 00:16:41.480
더욱 날카롭게 다듬어주는 피드백 루프입니다.

00:16:41.720 --> 00:16:43.720
코파일럿과 사용자의 데이터 지능, IQ

00:16:43.720 --> 00:16:45.580
을 동시에 훈련시키는 피드백 루프죠.

00:16:45.580 --> 00:16:48.380
대부분의 사람들은 코파일럿을 제안하는 기계로만 생각합니다.

00:16:48.540 --> 00:16:49.760
코파일럿 이 추천을 제공하면

00:16:49.760 --> 00:16:52.520
사용자는 이를 수락하거나 거절할 뿐이라고 여기는 것이죠.

00:16:52.680 --> 00:16:54.400
하지만 조금 더 깊이 들여다보면

00:16:54.400 --> 00:16:57.420
이 관계는 일방통행보다 훨씬 복잡하고

00:16:57.420 --> 00:16:58.820
영리하게 작동합니다.

00:16:59.360 --> 00:17:01.400
새로운 DAX 수식을 수락하든

00:17:01.400 --> 00:17:03.300
제한된 열 조합을 무시하든

00:17:03.300 --> 00:17:05.520
코파일럿의 피드백을 줄 때

00:17:05.520 --> 00:17:08.260
마다 사용자는 AI를 조정하는 동시에

00:17:08.260 --> 00:17:10.820
자신의 로직을 매번 다시 생각하게 됩니다.

00:17:10.820 --> 00:17:13.960
마치 자동 조종 장치의 경로를 변경할 때

00:17:13.960 --> 00:17:17.200
지도를 다시 한번 확인하게 되는 순간과 비슷합니다.

00:17:17.420 --> 00:17:20.900
패브릭 위 코파일럿은 빈 페이지에 메모를 남기는 것이 아닙니다.

00:17:21.140 --> 00:17:24.060
사용자의 워크플로우를 능동적으로 흡수하고 적응하며

00:17:24.060 --> 00:17:27.560
결국 시간이 흐를수록 위사 결정 방식까지 변화시킵니다.

00:17:27.780 --> 00:17:28.600
상상해보세요.

00:17:28.900 --> 00:17:31.600
반나절 동안 일반적인 매출 모델을 다듬고 있는데

00:17:31.600 --> 00:17:35.400
코파일럿 이 추천 한 총 이익 측정 값을 수락하려는 찰라

00:17:35.400 --> 00:17:39.200
보고 기준과 맞지 않는 계산 방식을 제시하는 상황을 말이죠.

00:17:39.200 --> 00:17:41.200
파트너 할인 제외 항목을 놓쳤거나

00:17:41.200 --> 00:17:44.840
별도로 분류해야 할 프로모션을 묶어버렸을 수도 있습니다.

00:17:45.040 --> 00:17:46.240
수식을 변경합니다.

00:17:46.480 --> 00:17:49.220
그러면 즉시 코파일럿이 적용한 규칙에 대한 맥락

00:17:49.220 --> 00:17:51.940
짧은 설명 또는 체크 표시를 요청합니다.

00:17:52.160 --> 00:17:55.480
핵심은 입력한 내용이 허공으로 사라지지 않는다는 점입니다.

00:17:55.700 --> 00:17:57.980
다음에 유사한 데이터로 모델을 구축할 때

00:17:57.980 --> 00:17:59.620
코파일럿 이 일을 기억합니다.

00:17:59.840 --> 00:18:02.560
더 이상 모든 수익을 실제 이익으로 간주하거나

00:18:02.560 --> 00:18:06.180
분기별 보고서에서 파트너 할인을 누락하는 일은 없을 것입니다.

00:18:06.180 --> 00:18:09.620
즉 여러분의 피드백은 예상치 못한 방식으로

00:18:09.620 --> 00:18:11.700
이후의 모든 제안에 반영됩니다.

00:18:11.900 --> 00:18:13.840
이 과정은 단순히 효율성에 관한 것이 아니라

00:18:13.840 --> 00:18:16.300
버전이 거듭될수록 정확성을 높이는 과정입니다.

00:18:16.540 --> 00:18:18.940
사람들이 넘어서야 할 망설임의 순간이 있습니다.

00:18:19.220 --> 00:18:21.120
AI가 사용자의 수정을 지켜보고

00:18:21.120 --> 00:18:23.940
배우게 하는 것이 위험하다는 생각은 일리가 있습니다.

00:18:24.260 --> 00:18:25.780
만약 잘못된 정보를 알려주면

00:18:25.780 --> 00:18:27.840
코파일럿 이 그 실수를 고착화할까요?

00:18:28.020 --> 00:18:30.760
마감 기한을 맞추기 위해 사용한 어설픈 임시방편을 배워서

00:18:30.760 --> 00:18:32.380
그것을 정답으로 여기면 어쩌죠?

00:18:32.540 --> 00:18:34.480
이러한 불안감은 충분히 이해할 만합니다.

00:18:34.480 --> 00:18:37.800
조직은 비즈니스 로직이 어떻게 변경되는지 추적할 수 없다면

00:18:37.800 --> 00:18:39.660
로직이 변하는 것을 원치 않습니다.

00:18:39.820 --> 00:18:40.920
하지만 중요한 점은

00:18:40.920 --> 00:18:44.300
패브릭 내 코파일럿 위 설계상 변경이나 거부가 발생하면

00:18:44.300 --> 00:18:46.440
끊임없이 입력을 요청한다는 것입니다.

00:18:46.660 --> 00:18:49.460
그 지속적인 코멘트와 사소한 이유 및 메모는

00:18:49.460 --> 00:18:51.480
피드백 주기에 일부로 기록됩니다.

00:18:52.640 --> 00:18:56.000
시간이 지남에 따라 이 기록은 일반적인 기본값이 아닌

00:18:56.000 --> 00:19:00.180
귀사의 구체적인 비즈니스 규칙에 가까운 제안을 하도록 유도합니다.

00:19:00.540 --> 00:19:02.400
상호작용이 많아 질수록 AI는

00:19:02.400 --> 00:19:04.120
더욱 비즈니스 맞춤형으로 변합니다.

00:19:04.120 --> 00:19:05.720
만약 관습을 되돌려야 한다면

00:19:05.720 --> 00:19:08.320
그 과정은 추적 가능하며 설명할 수 있습니다.

00:19:08.520 --> 00:19:11.940
그 결과 더 유연하고 견고한 진화형 엔진이 탄생합니다.

00:19:12.180 --> 00:19:16.280
제가 함께 일했던 한 팀은 처음에는 코파일럿 위 제안 절반을 무시했습니다.

00:19:16.660 --> 00:19:18.520
그들의 초기 모델은 평범한 수준으로

00:19:18.520 --> 00:19:21.760
기본적인 조인과 몇 가지 단조로운 시각화에 그쳤고

00:19:21.760 --> 00:19:23.140
눈에 띄는 점은 없었습니다.

00:19:23.140 --> 00:19:26.300
하지만 천천히 대응을 시작하면서 시각화를 거부하고

00:19:26.300 --> 00:19:29.020
새 제품군을 위해 DAX를 수정하며

00:19:29.020 --> 00:19:32.940
특정 변환 단계가 중요한 이유를 명확히 하자 변화가 생겼습니다.

00:19:33.100 --> 00:19:37.100
한 달 만에 코파일럿은 덜 일반적인 결과물을 제안했을 뿐만 아니라

00:19:37.100 --> 00:19:40.780
회사의 KPI를 반영하는 시각화 자료를 나열하고

00:19:40.780 --> 00:19:45.000
새로 도입한 비즈니스 프로세스에 맞는 변환까지 제안했습니다.

00:19:45.360 --> 00:19:48.480
반복적인 수정을 통해 코파일럿이 기본 모드에서 벗어나

00:19:48.480 --> 00:19:51.980
더욱 사용자 지정된 패턴을 학습하도록 정보를 제공했기에

00:19:51.980 --> 00:19:53.960
파이프라인 속도도 빨라졌습니다.

00:19:54.120 --> 00:19:57.140
피드백 루프를 비즈니스의 실제 요구사항과 연결함으로써

00:19:57.140 --> 00:20:00.360
그들은 충분히 괜찮은 모델과 엄격한 검토를 견뎌 낼 수 있는

00:20:00.360 --> 00:20:02.200
결과물 사이의 간극을 좁혔습니다.

00:20:02.420 --> 00:20:05.160
이 점을 뒷받침하는 것은 단순한 일화뿐만이 아닙니다.

00:20:05.360 --> 00:20:08.300
연구에 따르면 코파일럿 위 피드백 주기에 적극적으로 참여하는 것이

00:20:08.300 --> 00:20:10.120
선과 향상에 큰 영향을 미친다고 합니다.

00:20:10.340 --> 00:20:13.280
정기적으로 피드백을 제공하는 팀은 긍정적이든 부정적이든

00:20:13.280 --> 00:20:15.040
혹은 작은 설명이나 조언이라도 덧붙이

00:20:15.040 --> 00:20:17.000
연 모델링 오류율이 감소하는 것을 볼 수 있습니다.

00:20:17.220 --> 00:20:18.760
보고서가 더 유의미해지고

00:20:18.760 --> 00:20:21.360
계산된 측정값의 정확도도 향상됩니다.

00:20:21.600 --> 00:20:22.600
최신 수치에 따르면

00:20:22.600 --> 00:20:26.360
단순히 제안을 수동적으로 수락하거나 거부하는 팀에 비해

00:20:26.360 --> 00:20:27.860
적극적으로 참여하는 팀은

00:20:27.860 --> 00:20:30.360
보고서의 전반적인 정확도와 정밀도가

00:20:30.360 --> 00:20:32.940
약 30% 향상되는 것으로 나타났습니다.

00:20:33.180 --> 00:20:34.700
여기서의 의미는 마법이 아니라

00:20:34.700 --> 00:20:37.480
상호작용을 통한 목표지향적 학습입니다.

00:20:37.720 --> 00:20:39.520
코파일럿 이 더 많은 정보를 접하고

00:20:39.520 --> 00:20:42.240
여러분이 설명을 요구하거나 개선을 요청할수록

00:20:42.240 --> 00:20:45.280
데이터 모델은 비즈니스 의도에 더욱 가까워집니다.

00:20:45.460 --> 00:20:49.000
의외로 이 피드백 시스템은 AI만 학습시키는 것이 아닙니다.

00:20:49.220 --> 00:20:51.840
많은 사용자가 코파일럿의 결과물을 검토하고

00:20:51.840 --> 00:20:54.440
수정하는 과정이 실제로 자신의 모델링 방식을

00:20:54.440 --> 00:20:55.940
다듬어준다고 보고하고 있습니다.

00:20:56.260 --> 00:20:57.520
이상하게 들릴지 모르지만

00:20:57.520 --> 00:20:59.500
사용자들이 문제를 예측하고

00:20:59.500 --> 00:21:01.340
숨겨진 논리적 결함을 찾아내거나

00:21:01.340 --> 00:21:04.080
예전에는 하지 않던 문서화 작업을 시작하는 모습에서

00:21:04.080 --> 00:21:05.140
이를 확인할 수 있습니다.

00:21:05.420 --> 00:21:07.060
제시된 내용을 그대로 따르는 대신

00:21:07.060 --> 00:21:09.120
팀은 권장사항에 이의를 제기하고

00:21:09.120 --> 00:21:10.200
수식을 편집하며

00:21:10.200 --> 00:21:12.200
왜 특정 시각화는 효과적이고

00:21:12.200 --> 00:21:13.780
다른 시각화는 그렇지 않은지

00:21:13.780 --> 00:21:15.960
더 신중하게 고민하는 습관을 갖게 됩니다.

00:21:16.220 --> 00:21:17.420
사용자들이 거의 우연히

00:21:17.420 --> 00:21:19.900
모델링 모범 사례를 습득하는 경우가 흔해졌는데

00:21:19.900 --> 00:21:22.380
이는 코파일럿에게 수정을 설명하거나

00:21:22.380 --> 00:21:24.680
데이터 로직 변경을 정당화하는 과정에서

00:21:24.680 --> 00:21:25.660
얻은 습관들입니다.

00:21:25.840 --> 00:21:28.180
이는 업무를 자동화하여 일자리를 잃는 것이 아니라

00:21:28.180 --> 00:21:30.160
시스템이 함께 발전함에 따라

00:21:30.160 --> 00:21:33.240
여러분의 데이터 직관을 한 단계 더 발전시키는 과정입니다.

00:21:33.460 --> 00:21:35.060
따라서 코파일럿을 사용하는 것은

00:21:35.060 --> 00:21:36.600
수동적인 경험이 아닙니다.

00:21:36.600 --> 00:21:38.800
시간이 지남에 따라 도구와 사용자 모두를

00:21:38.800 --> 00:21:40.580
날카롭게 다듬어주는 파트너십입니다.

00:21:40.740 --> 00:21:42.100
피드백에 더 많이 투자할수록

00:21:42.100 --> 00:21:45.080
모델, 보고서, 대시보드는 더욱 정교해집니다.

00:21:45.260 --> 00:21:46.880
여러분의 워크플로우가 움직입니다.
