Overview
Analyzes Excel/CSV data to automatically generate reports in report formats commonly used by Korean companies. Supports everything from one-page executive summaries to detailed analysis reports.
Supported Analysis Types
| Analysis Type | Description | Output Format |
|---|---|---|
| Sales Analysis | Sales analysis by period/item/channel | .pptx, .docx, .xlsx |
| KPI Dashboard | Summary of key metric status | .html, .pptx |
| Comparative Analysis | vs. previous period, vs. target, vs. competitors | .docx, .pptx |
| Trend Analysis | Time-series trends, forecasting | .docx, .xlsx |
| Customer Analysis | Customer segments, RFM analysis | .docx, .xlsx |
| Performance Report | Comprehensive project/department performance | .docx, .pptx |
Report Structure (for Executive Reporting)
1-Page Summary (Executive Summary)
[리포트 제목]
보고 기간: ____년 __월 ~ ____년 __월
작성일: ____년 __월 __일
작성자: ________
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
[핵심 지표 (KPI)]
┌──────────┬──────────┬──────────┬──────────┐
│ 매출액 │ 영업이익 │ 고객 수 │ 만족도 │
│ 00억원 │ 00억원 │ 0,000명 │ 0.0점 │
│ ▲15% │ ▲8% │ ▲20% │ ▼0.2 │
└──────────┴──────────┴──────────┴──────────┘
[주요 인사이트] (3줄 이내)
1. (가장 중요한 발견)
2. (두 번째 중요한 발견)
3. (세 번째 중요한 발견)
[차트/그래프 영역]
(월별 매출 추이, 카테고리별 비중 등)
[제안/액션 아이템]
- (데이터 기반 제안 1)
- (데이터 기반 제안 2)
Detailed Analysis Report
1. 분석 개요
- 분석 목적
- 데이터 범위 (기간, 출처)
- 분석 방법론
2. 현황 분석
- 전체 현황 (KPI 대시보드)
- 기간별 추이 (차트)
- 구성비 분석 (파이/바 차트)
3. 비교 분석
- 전기 대비 (전월/전년)
- 목표 대비 (달성률)
- 벤치마크 대비 (있을 경우)
4. 심층 분석
- 상위/하위 항목 분석
- 이상치/특이사항
- 상관관계/패턴
5. 인사이트 및 제언
- 핵심 발견 사항 (3~5개)
- 원인 분석
- 개선 제안 (데이터 근거)
6. 부록
- 원본 데이터 요약
- 분석 방법론 상세
Analysis Workflow
Step 1: Data Exploration
# 데이터 로드 및 기본 탐색
import pandas as pd
df = pd.read_excel('data.xlsx') # 또는 pd.read_csv('data.csv')
print(df.shape) # 행/열 수
print(df.dtypes) # 데이터 타입
print(df.describe()) # 기술 통계
print(df.isnull().sum()) # 결측치 확인
Step 2: Data Cleaning
# 날짜 변환, 결측치 처리, 이상치 제거
df['날짜'] = pd.to_datetime(df['날짜'])
df['금액'] = df['금액'].fillna(0)
Step 3: Perform Analysis
# 기간별 집계
monthly = df.groupby(df['날짜'].dt.to_period('M')).agg({'금액': 'sum', '건수': 'count'})
# 전기대비 증감
monthly['전월대비'] = monthly['금액'].pct_change() * 100
# 카테고리별 비중
category = df.groupby('카테고리')['금액'].sum()
category_pct = category / category.sum() * 100
Step 4: Visualization
Use matplotlib/seaborn or HTML/React for chart generation.
Step 5: Report Generation
Turn analysis results into reports in docx/pptx/html.
Chart Type Guide
| Data Type | Recommended Chart | Purpose |
|---|---|---|
| Time-series trend | Line | Sales/customer trends |
| Composition ratio | Pie/Donut | Share by category |
| Comparison | Bar | Comparison by item/channel |
| Distribution | Histogram | Distribution by price range |
| Correlation | Scatter | Relationship between variables |
| Ranking | Horizontal Bar | TOP 10 등 |
Korean-Style Report Number Formatting
| Item | Notation | Example |
|---|---|---|
| Amount (100 million or more) | In units of 100 million won | 1.25 billion won |
| Amount (10 thousand or more) | In units of 10 thousand won | 35 million won |
| Percentage | 1 decimal place | 15.3% |
| Headcount | 명 | 1,234명 |
| Change | ▲/▼ + value | ▲15.3% |
Output Format
.pptx: Slides for executive reporting (default).docx: Detailed analysis report.html: Interactive dashboard (React).xlsx: Analysis result data + charts.pdf: For final submission
Workflow
데이터 업로드 → 데이터 탐색 → 정제 → 분석
→ 인사이트 도출 → 시각화 → 리포트 생성 → 전달