데이터 분석을 위한 Databricks 사용

Databricks 커넥터는 Unity Catalog를 통해 조직의 내부 데이터에 대한 접근 권한을 Claude에 제공하여, 데이터베이스 분석, 커스텀 비즈니스 로직 실행, 비정형 문서 접근을 가능하게 합니다. Databricks는 세 가지 별도의 커넥터를 제공합니다: 함수용, 벡터 검색용, Genie용으로, 각각 Databricks 워크스페이스 내의 서로 다른 기능에 접근합니다.

Databricks 구성 요소 안내

Claude가 Databricks로 무엇을 할 수 있는지 살펴보기 전에, Databricks 워크스페이스 내에 존재하는 세 가지 핵심 구성 요소를 이해하는 것이 중요합니다:

1. Unity Catalog 함수: 특정 계산, 데이터 변환 또는 API 통합을 위해 조직에서 만든 커스텀 Python 또는 SQL 함수입니다. 여기에는 독자적인 점수 산정 알고리즘, 정규화된 재무 계산, 또는 비즈니스 특화 데이터 처리 로직이 포함될 수 있습니다.

2. 벡터 검색: 조직의 문서와 데이터셋을 기반으로 구축된 시맨틱 검색 인덱스입니다. 정확한 키워드가 일치하지 않더라도 개념적으로 유사한 콘텐츠를 검색할 수 있습니다.

3. Genie: 일반 영어 질문을 데이터에 대한 SQL 쿼리로 변환하는 자연어 인터페이스입니다. Genie는 테이블과 열에 대한 메타데이터를 사용하여 비즈니스 용어를 이해하고 적절한 쿼리를 생성합니다.

이 커넥터가 제공하는 기능

통합 기능

Databricks 통합을 통해 Claude는 워크스페이스의 리소스에 접근할 수 있습니다:

• 커스텀 함수 실행: Claude는 조직에서 정의한 Unity Catalog 함수를 실행할 수 있습니다. 여기에는 복잡한 비즈니스 로직 실행, 계산 적용, 또는 팀에서 만든 함수를 통한 외부 API 호출이 포함됩니다. 예를 들어, 조직에서 커스텀 고객 건전성 점수 함수를 구축한 경우, Claude는 이를 분석 전반에 일관되게 적용할 수 있습니다.

• 시맨틱 검색: 벡터 검색 인덱스를 사용하여 Claude는 단순한 키워드가 아닌 의미를 기반으로 관련 문서와 콘텐츠를 찾을 수 있습니다. 이는 유사한 개념이 다른 방식으로 표현될 수 있는 계약서, 연구 보고서, 고객 피드백, 또는 기술 문서를 검색할 때 특히 유용합니다.

• 자연어 쿼리: Genie를 통해 Claude는 일반 영어 질문을 SQL 쿼리로 변환할 수 있습니다. 복잡한 SQL을 작성하는 대신 "지난 분기 매출 성장률은 어땠나요?"와 같은 질문을 할 수 있으며, Claude는 Genie를 사용하여 적절한 쿼리를 생성하고 실행합니다.

• 거버넌스 기반 접근: 커넥터를 통한 모든 데이터 접근은 조직의 Unity Catalog 권한 및 정책을 준수합니다. Claude는 사용자 계정이 사용 권한을 가진 데이터와 함수에만 접근할 수 있습니다.

Claude가 Databricks 데이터를 사용하는 방식

Claude는 포괄적인 데이터 분석을 지원하기 위해 여러 방식으로 Databricks 기능을 적용합니다:

• 다중 소스 분석: Claude는 데이터베이스 쿼리, 벡터 검색, 커스텀 함수의 결과를 결합하여 포괄적인 인사이트를 제공합니다. 예를 들어, 투자 논제를 검증할 때 Claude는 포트폴리오 데이터베이스에서 과거 재무 성과를 조회하고, 유사한 섹터 투자에 대한 과거 실사 보고서를 검색하며, 독자적인 IRR 계산 함수를 적용하여 예상 수익을 모델링할 수 있습니다.

• 반복적 탐색: Claude는 데이터를 조회하고, 초기 결과를 분석하고, 발견한 내용을 바탕으로 검색을 개선할 수 있습니다. 이를 통해 한 쿼리의 인사이트가 다음 쿼리에 반영되는 분석이 가능합니다.

• 커스텀 로직 적용: Unity Catalog 함수를 실행함으로써 Claude는 조직의 특정 규칙과 계산을 적용합니다. 이를 통해 독자적인 지표, 조정된 계산, 회사별 로직이 모든 분석에 일관되게 적용되도록 보장합니다.

• 맥락적 쿼리 구성: 일반 영어로 질문을 하면 Claude는 Genie를 사용하여 이를 적절한 SQL 쿼리로 변환합니다. 이 변환은 테이블 구조, 열 이름, 관계를 고려하여 데이터베이스 구조와 일치하는 정확한 쿼리를 생성합니다.

• 패턴 인식: 벡터 검색을 통해 Claude는 문서와 데이터 전반에서 패턴과 유사성을 찾을 수 있습니다. 이는 전통적인 키워드 검색으로는 명확하지 않을 수 있는 관련 문제, 유사한 거래, 또는 비교 가능한 상황을 찾는 데 도움이 됩니다.

Databricks 커넥터 설정하기

Databricks 통합은 세 가지 별도의 커넥터로 구성되며, 각각 별도의 설정이 필요합니다:

1. Functions 서버: 계산, 비즈니스 로직, 데이터 변환을 위한 Unity Catalog 함수에 접근합니다.

2. Vector Search 서버: 인덱싱된 문서와 데이터셋 전반에 대한 시맨틱 검색을 지원합니다.

3. Genie 서버: 자연어를 SQL 쿼리로 변환하는 기능을 제공합니다.

Databricks 커넥터의 기술적 세부 사항은 Databricks의 MCP 서버 문서에서 확인할 수 있습니다. Databricks 커넥터와의 인증은 OAuth(Claude.ai 및 Claude Desktop용) 또는 Databricks Personal Access Token(Claude Desktop 전용)을 통해 처리됩니다.

조직 소유자로서 커넥터 추가하기

1. Admin settings > Connectors로 이동합니다.

2. 아래로 스크롤하여 목록 하단의 "Add custom connector"를 클릭합니다.

3. Databricks 워크스페이스의 통합 URL을 입력합니다.

4. 통합의 이름을 지정합니다. 세 가지 별도의 Databricks 서버가 있으므로 각각 고유하게 이름을 지정하는 것을 고려하세요(예: "Databricks UC", "Databricks Genie", "Databricks Search").

5. "Add"를 클릭합니다.

개인 사용자의 경우

도구 찾기 및 연결하기에 대해 알아보세요.

일반적인 사용 사례

사용 가능한 리소스 예시

이러한 기능들이 함께 작동하는 방식을 설명하기 위해, 다음과 같은 Databricks 리소스가 구성된 사모펀드 회사를 예로 들어보겠습니다:

이 시나리오의 테이블

1. portfolio_companies: 회사 세부 정보, 인수 정보, 현재 가치 평가, 부채 수준

2. financial_statements: 매출, 조정된 EBITDA, 고객 수 및 이탈률과 같은 운영 지표를 포함한 기간별 재무 정보

3. market_comparables: 가치 평가 배수와 성장률을 포함한 섹터 비교 기업

4. due_diligence_docs: 실사 보고서, 분석 문서, 딜 메모의 저장소

이 시나리오의 Unity Catalog 함수

1. calculate_normalized_ebitda(): 보고된 EBITDA에 표준 사모펀드 조정을 적용하여 일회성 비용을 제거하고 소유자 보상을 정규화합니다.

2. compute_portfolio_irr(): 현금 흐름과 보유 기간을 기반으로 내부수익률과 투자 대비 현금 배수를 계산합니다.

3. estimate_debt_capacity(): 다양한 시나리오 하에서 코버넌트 준수 스트레스 테스트를 통해 최대 레버리지 용량을 모델링합니다.

이 시나리오의 벡터 검색 인덱스

1. due_diligence_index: 모든 실사 문서, 딜 메모, 분석 보고서 전반에 대한 시맨틱 검색

포트폴리오 엑시트 준비도 분석

입력 프롬프트 예시:

이 분석을 위해 Claude는 다음과 같은 단계로 다양한 UC 함수와 Genie를 사용할 수 있습니다:

1. Genie: 3년 이상 보유한 포트폴리오 회사를 식별하고 최신 재무 정보를 조회합니다.

2. UC 함수: 각 회사에 대해 calculate_normalized_ebitda()를 호출하여 PE 조정을 적용합니다.

3. UC 함수: compute_portfolio_irr()을 실행하여 각 회사의 IRR과 MOIC를 계산합니다.

4. Genie: 시장 비교 기업을 조회하고 정규화된 EBITDA에 섹터 배수를 적용하여 가치 평가 범위를 산출합니다.

그런 다음 Claude는 현재 시장 배수를 기반으로 IRR, MOIC, 가치 평가 범위를 보여주는 요약으로 엑시트 준비가 된 회사들에 대한 결과를 보고할 수 있습니다.

신규 딜 가치 평가

입력 프롬프트 예시:

이 요청을 완료하기 위해 Claude는 다음과 같은 워크플로를 따를 수 있습니다:

1. Genie: 가치 평가 기준을 설정하기 위해 대상 섹터의 유사한 규모 회사에 대한 시장 비교 기업을 조회합니다.

2. UC 함수: 대상 지표로 estimate_debt_capacity()를 호출하여 레버리지 시나리오를 모델링하고 코버넌트 준수를 스트레스 테스트합니다.

3. 벡터 검색: 관련 가치 창출 플레이북과 선례 거래를 찾기 위해 실사 인덱스를 검색합니다.

4. 종합: 결과를 결합하여 가치 평가 범위, 권장 자본 구조, 관련 선례를 생성합니다.

이상적으로는 Claude가 가치 평가 범위와 권장 제안 가격에 대한 보고서로 응답하며, 권장 사항으로 이어지는 출처를 인용합니다.

코버넌트 위반 위험 평가

입력 프롬프트 예시:

이 작업을 위해 Claude는 다음 리소스를 사용할 수 있습니다:

1. Genie: 레버리지가 4배를 초과하는 회사에 초점을 맞춰 부채가 있는 포트폴리오 회사를 식별합니다.

2. UC 함수: 각 고레버리지 회사에 대해 calculate_normalized_ebitda()를 호출하여 기준선을 설정합니다.

3. UC 함수: 각 회사에 대해 15%, 20%, 25% 감소 시나리오로 estimate_debt_capacity()를 실행합니다.

4. Genie: 과거 재무 정보를 조회하여 운전자본 추세가 악화되고 있는 회사를 식별합니다.

그런 다음 Claude는 회사와 시나리오별로 정리된 위반 위험 분석으로 응답할 수 있습니다.

Databricks 사용 팁

• 찾고 있는 데이터에 대해 구체적으로 설명하세요.

  • 예시: "고객을 분석해 주세요" 대신 "매출 기준 상위 20개 고객을 보여주세요…"와 같이 시도해 보세요.

• 패턴 매칭을 위해 "유사한 것 찾기" 표현을 사용하세요.

  • 예시: "이 불만과 유사한 문제를 언급하는 피드백을 찾아주세요."

• 모든 데이터 접근 권한은 Unity Catalog 권한을 따른다는 점을 기억하세요. Claude는 사용자가 접근할 수 있는 데이터에만 접근할 수 있습니다.

• 커스텀 함수는 일관된 계산을 제공합니다. 표준화된 지표를 계산하기 위한 UC 함수 추가를 고려해 보세요.

• 복잡한 분석에는 여러 단계가 필요할 수 있습니다. 먼저 계획을 요청하고 Claude가 제안한 접근 방식을 검토하세요.