데이터 요청 응대 30분을 3분으로 줄인 n8n AI 에이전트

미리디의 데이터 분석가가 반복되는 온콜 데이터 요청 처리 과정(Confluence·Databricks·Slack 수동 탐색 20~30분)을 n8n AI 에이전트 워크플로우로 자동화해 3분 이내로 줄인 사례를 다룬다. 코드 없이 n8n으로 키워드 추출 → 병렬 탐색 → DA 작성 콘텐츠 필터링 → 답변 초안 생성 흐름을 구축했다.

핵심 포인트

데이터 분석 온콜 당번이 기존 작업을 찾는 데 Confluence·Databricks·Slack 세 곳을 뒤지며 20~30분을 소비했다. 마지막엔 DA 팀 전체 태그로 물어봐야 했다.
n8n으로 키워드 추출 → Slack·Databricks 병렬 탐색 → DA가 직접 작성한 자료 필터링 → 답변 초안 생성의 4단계 워크플로우를 구성했다.
사용 방법은 온콜 문의를 그대로 봇에 복사해서 붙이면 봇이 Databricks 노트북 링크와 답변 초안을 반환한다.
응답 시간을 30분에서 3분 이내로 단축했고, 온콜 분석가의 목표 조직 업무 집중도를 높였다.
데이터 분석가가 코드 없이 직접 만든 첫 자동화 도구로, 완성도보다 "동작하는 걸 먼저 쓰면서 고쳐가는" 접근을 채택했다.

상세 정리

문제 규모: 미리디는 "데이터를 근거로 일하는 문화"라 온콜에 지표 요청, 이전 작업 재실행, 과거 분석 문의 등 다양한 요청이 하루에도 수차례 들어온다.
수동 탐색 비효율: 기존 작업이 Confluence·Databricks·Slack 어디에 있는지 정해져 있지 않아 세 곳을 순차적으로 뒤지고, 결국 DA 팀 전체를 태그하는 과정이 20~30분을 소비했다.
자동화 아이디어: "요청 메시지를 AI 에이전트가 읽고 관련 자료를 대신 찾아주면 양쪽 시간 모두 아낄 수 있다"는 발상에서 출발했다.
n8n 워크플로우 4단계: 요청 메시지에서 핵심 키워드를 추출하고, Slack과 Databricks를 동시에 탐색하고, DA가 직접 작성한 자료만 골라내고, 해당 자료를 근거로 답변 초안을 생성한다.
사용 방식: 온콜 문의를 "DA 온콜봇"에 그대로 붙이면 Databricks 분석 노트북 링크와 답변 초안이 반환된다. 분석가는 링크를 참고해 최종 답변을 보낸다.
현재 한계: 탐색이 오래 걸려 재시도가 필요한 경우, 관련 자료를 못 찾는 경우가 있다. 여전히 개선 중인 첫 버전이다.
핵심 교훈: 완벽한 도구보다 동작하는 자동화 흐름을 먼저 구축하고 쓰면서 개선하는 접근. 코딩 전문가가 아닌 도메인 전문가가 AI 에이전트로 자신의 반복 업무를 직접 개선할 수 있다는 것을 보였다.
효과: 온콜 분석가가 자료 탐색에 쓰던 시간을 각자 목표 조직 업무에 쓸 수 있게 됐고, 데이터를 요청한 동료도 더 빠르게 데이터를 받을 수 있다.