Claude Code 활용 황금 키워드 발굴기 1시간 만에 완성

검색량은 높고 상품수는 적은 우수 키워드를 찾아야 하는 이유

터미널 개발 환경과 데이터 분석을 위한 엑셀 파일 준비

해당 프로젝트를 시작하기 위해 시스템 설정이 복잡하거나 고사양의 개발 장비를 갖추어야 하는 것은 아닙니다. 기본적으로 개인 컴퓨터에 터미널 프로그램과 Node.js 런타임 환경이 구축되어 있다면 도구 설정 단계는 상당 부분 생략됩니다.

우선 터미널 창을 실행하고 npm install -g @anthropic-ai/claude-code 명령을 입력해 앤트로픽에서 배포한 CLI 도구를 설치합니다. 이 도구는 현재 작업 중인 프로젝트 디렉터리의 맥락을 파악하고 파일 읽기 및 쓰기 권한을 수행할 수 있어 바이브 코딩 프로세스를 지원하는 유용한 도구입니다.

이와 함께 평소에 활용하던 키워드 검색 서비스나 분석 도구에서 내려받은 월간 검색량 및 등록 상품수 정보가 담긴 CSV 형식의 파일 또는 엑셀 파일 1개를 준비합니다. 데이터의 행 구조와 컬럼 이름을 미리 파악해 두면 인공지능 에이전트에게 지시를 내릴 때 분석 흐름을 훨씬 정확하게 설계할 수 있습니다.

파이썬을 이용한 CSV 데이터 로드 및 초기 콘솔 출력

준비된 원본 데이터를 불러와 터미널 환경에 가시화하는 초기 뼈대 프로그램을 작성해 봅니다. 프로젝트용 디렉터리를 생성하고 터미널에서 claude 명령을 입력해 인공지능 세션을 시작한 뒤, 아래와 같이 명확한 요구사항이 담긴 프롬프트를 전송합니다.

지시사항을 수신한 Claude Code는 데이터 처리에 적합한 pandas 라이브러리 설치 안내를 제공하며, 기본적인 데이터 로딩을 처리하는 파이썬 코드를 작성해 줍니다. 터미널 환경에서 제안된 설치 명령어를 실행하고 python app.py를 호출하면, 엑셀 파일 내부에 기록되어 있던 키워드 데이터의 일부가 정돈된 표 형태로 콘솔 화면에 정상적으로 출력되는 모습을 볼 수 있습니다.

검색량 대비 상품수 비율을 계산하여 유망 키워드를 정제하는 알고리즘

데이터를 단순히 불러오는 수준을 넘어 실제 비즈니스 가치가 있는 정보로 가공하는 과정이 필요합니다. 틈새 검색어를 판별하는 기준은 단순 검색량이나 상품수의 절댓값이 아니라, 검색량 대비 상품수의 비율을 뜻하는 '경쟁 강도'에 있습니다. 수작업 연산을 줄이고 자동 분석을 구현하기 위해 에이전트에게 계산 로직을 파이썬 코드로 이식해 달라는 후속 지시를 전송합니다.

Claude Code는 기존에 작성된 app.py 코드의 전체 구조를 읽고 분석하여, 데이터프레임 내부에서 신규 컬럼을 정의하고 정렬과 특정 범위 필터링을 수행하는 함수를 추가로 반영합니다. 이 계산 알고리즘을 도입하면, 방대한 데이터 더미 중에서 우리가 최우선으로 검토해야 할 황금 키워드 20개가 깔끔하게 선별할 수 있습니다.

한눈에 비교하는 황금 키워드 순위 대시보드 웹 화면 띄우기

텍스트 위주의 콘솔 출력 방식보다는 시각적인 그래프와 표를 통해 직관적으로 데이터를 인지할 수 있는 대시보드가 업무 효율 향상에 유리합니다. 파이썬 웹 프레임워크인 Streamlit을 접목하여 어두운 계열의 깔끔한 테마를 갖춘 대시보드 웹 인터페이스를 구축하기 위해 다음과 같은 요구사항을 전달합니다.

지시를 받은 에이전트는 복잡한 웹 UI 디자인 요소를 수작업으로 구현할 필요 없이 반응형 웹 페이지를 렌더링해 주는 Streamlit 라이브러리를 활용해 애플리케이션 코드를 전면 재구성합니다. 수만 행에 달하는 모든 데이터를 한꺼번에 브라우저 화면에 렌더링하려고 시도하면 브라우저의 메모리 사용량이 크게 늘어나 연산이 지연되거나 비정상 종료되는 현상이 발생할 수 있습니다. 따라서 조건에 맞게 정렬된 상위 20개 결과물만 화면에 출력하는 구조를 유지하는 것이 웹 인터페이스의 반응 속도와 데이터 가독성 관점에서 훨씬 효율적입니다.

어뷰징 필터링 및 안정적인 데이터 활용 규칙

이와 같은 자동 분석 대시보드를 구축해 운영하면 소싱 대상 키워드를 선별하는 과정이 간편해지지만, 출력된 수치만 맹신하는 것은 피해야 합니다. 검색 시장에서는 간혹 특정 업체의 조회수 인위적 증가 조작으로 인해 검색량 지표가 단기간 왜곡되는 현상이 나타나기도 하기 때문입니다.

그러므로 대시보드에서 분석된 추천 검색어 목록이라 할지라도 최종 결정 단계에서는 해당 단어의 최근 트렌드 변화량이나 시장의 반응을 추가로 살펴보아야 합니다. 대규모 자본과 물량을 통해 검색 상위를 지속적으로 점유할 수 있는 환경이라면 이러한 세부 틈새 분석의 필요성이 낮을 수 있으나, 한정된 자원으로 움직이는 소규모 셀러에게는 매우 유용한 분석 기법이 됩니다. 또한 쇼핑몰 API나 외부 연동 도구의 호출 간격을 과도하게 좁게 설정하여 단시간에 수십 회 이상 API를 반복 호출하는 경우, 대상 플랫폼으로부터 비정상적인 접근으로 판단되어 차단 제재를 받을 우려가 있습니다. 이를 방지하기 위해 로컬 캐싱 기법을 적용해 데이터를 주기적으로 갱신하고 재사용하는 설계가 바람직합니다.

더불어 다국어 텍스트 처리 과정에서 발생할 수 있는 텍스트 깨짐 현상을 예방하기 위해 데이터의 인코딩 형식은 항상 UTF-8 등으로 사전에 일치시켜 작업하는 것이 오류를 줄이는 방법입니다.

당장 다루기 쉬운 소규모 데이터 파일부터 시작해 보세요

처음부터 복잡한 다차원 필터링이나 대규모 데이터 파이프라인 시스템을 단번에 완성하려고 욕심을 내면 개발 과정에서 발생하는 오류를 해결하다가 포기하기 쉽습니다. 가볍게 다룰 수 있는 단일 상품 카테고리의 데이터를 기반으로 경쟁 강도를 분석하고 대시보드를 구축해 보는 작은 성공 경험부터 쌓는 것이 유리합니다.

수동 계산과 시각화 작업을 단축하여 가시적인 화면으로 결과를 확인하는 과정은 업무 자동화의 효율성을 실감하는 계기가 됩니다. 데이터를 정제하고 원하는 형태로 가시화하는 방식을 고도화해 나가면 향후 다양한 마켓 플레이스의 실시간 인기 상품군을 모니터링하는 도구로도 기능을 확장해 나갈 수 있습니다. 터미널 창을 열고 첫 번째 단계의 코드를 작성하며 자동화 대시보드를 실행해 보시기 바랍니다.