파워 쿼리는 데이터 분석과 처리를 더욱 효율적으로 만들어주는 강력한 도구입니다. 특히, 사용자 지정 열을 추가하는 기능은 데이터 변환을 더 유연하고 강력하게 만들어 줍니다. 이번 글에서는 파워 쿼리에서 사용자 지정 열을 추가하는 방법과 이를 활용할 수 있는 여러 가지 실무적인 예제들을 살펴보겠습니다. 비즈니스 분석가부터 데이터 과학자에 이르기까지 누구나 유용하게 사용할 수 있는 팁과 노하우를 소개합니다.
사용자 지정 열의 기본 개념 이해하기
우선 사용자 지정 열이란 무엇일까요? 이는 기본적으로 데이터 세트 내에 새로운 열을 추가하는 기능을 의미합니다. 이 열은 기존의 데이터를 기반으로 수식을 사용하여 생성됩니다. 예를 들어, 판매 데이터에서 각 거래의 수익을 계산하고 싶다면 기존의 ‘판매 금액’과 ‘비용’ 열을 사용하여 새로운 ‘수익’ 열을 생성할 수 있습니다. 이런 기능은 **데이터 분석**을 더 직관적이고, 수행하기 쉽게 만들어 줍니다.
파워 쿼리에서 사용자 지정 열 추가하기
파워 쿼리에서 사용자 지정 열을 추가하는 방법은 매우 직관적입니다. 다만, 몇 가지 단계적인 프로세스를 이해하는 것이 중요합니다. 아래는 이러한 과정을 설명하는 예제입니다.
예제: 연간 판매 데이터를 사용하여 월별 성장률을 구하는 과정
- 파워 쿼리 편집기를 엽니다.
- ‘홈’ 탭에서 ‘열 추가’ 메뉴를 클릭한 후, ‘사용자 지정 열’을 선택합니다.
- 수식 입력란에 간단한 계산식, 예를 들면
([현재 달 판매량] - [전월 판매량]) / [전월 판매량]을 입력합니다. - 열 이름을 ‘성장률’로 지정하고, ‘확인’을 눌러 열을 생성합니다.
사용자 지정 열을 활용한 데이터 변환 팁
**데이터 변환** 작업을 수행할 때 사용자 지정 열은 매우 유용하게 사용할 수 있습니다. 데이터의 특정 조건을 기준으로 새로운 변수를 생성하거나 데이터를 모델링하는데도 응용할 수 있습니다.
예제: 고객의 구매 빈도를 기준으로 ‘고객 세그먼트’ 열 추가
- ‘구매 횟수’ 열을 기준으로 사용자 지정 열을 만듭니다.
- 수식 예시:
if [구매 횟수] >= 10 then "VIP" else "일반" - ‘고객 세그먼트’ 열을 추가하여 데이터를 세분화합니다.
복잡한 수식을 통한 사용자 지정 열 생성
파워 쿼리의 가장 강력한 기능 중 하나는 **복잡한 수식을 작성할 수 있는 능력**입니다. 다소 복잡하게 들릴 수도 있지만, 조금만 익숙해지면 많은 양의 데이터를 처리하는 데 큰 도움이 됩니다.
예제: 연속되는 데이터 성장 패턴을 분석하기 위해 누적 합계 열을 생성
- 누적 합계 계산식을 수식으로 정의합니다:
List.Sum(List.FirstN(#"Previous Step"[판매 금액], [Index])) - 이 수식을 사용자 지정 열에 적용하여 각 기간의 누적 합계를 계산합니다.
파워 예측을 위한 사용자 지정 열 활용
데이터 분석의 궁극적인 목표 중 하나는 **예측**입니다. 사용자 지정 열을 활용하면 간단한 예측 모델을 만들어볼 수도 있습니다. 이는 특히 경제 데이터나 판매 데이터 예측에 유용하게 사용할 수 있습니다.
예제: 단순 이동 평균을 사용한 다음 달 판매 예측열 추가
- ‘이동 평균’에 대한 수식을 설정합니다:
([판매 금액] + List.Sum(List.FirstN(#"Previous Step"[판매 금액], 2))) / 3 - 이 수식을 사용자 지정 열에 적용하여 간단한 예측 모델을 형성합니다.
파워쿼리에서 사용자 지정 열 활용 시 유의사항
마지막으로, **사용자 지정 열 추가 시 주의해야 할 사항**을 알아보겠습니다. 간단한 실수도 데이터 분석 결과에 영향을 미칠 수 있으므로 주의가 필요합니다.
주의사항:
- 수식을 작성할 때 데이터의 유형을 항상 확인하세요. 숫자 데이터에 문자열 함수처럼 부적절한 수식을 적용하지 않도록 주의해야 합니다.
- 동일한 이름의 열이 이미 존재하지 않도록 새 열의 이름을 잘 설정하세요.
- 텔 문자열의 경우 따옴표 사용 규칙이나 조건문의 논리적 오류 등을 검토하는 습관을 갖도록 하세요.
이상으로, 파워 쿼리에서 사용자 지정 열을 추가하고 활용하는 방법에 대해 알아보았습니다. **사용자 지정 열**을 통해 단순한 데이터 분석을 넘어서 더욱 복잡하고 깊이 있는 데이터를 처리할 수 있도록 시도해 보세요. 이러한 기능을 마스터하면 데이터 분석의 효율성을 극대화할 수 있습니다!