노트북LM 2.0 업데이트 활용법: 파일 업로드로 차트·보고서·투자 덱 자동 생성

핵심 메시지

• 노트북LM이 최신 제미나이 기반으로 업그레이드되어, 이제 내 파일을 업로드(최대 300개 소스)해 원시 비정형 데이터를 차트·슬라이드·보고서·인포그래픽 등으로 바꿀 수 있다.
• 예전엔 데이터 분석가에게 수천 달러와 몇 주가 걸리던 작업을 몇 분 만에 처리한다.
• 스튜디오에서 오디오·슬라이드·영상·마인드맵·보고서·플래시카드·퀴즈·인포그래픽·데이터 표 등 다양한 산출물을 만들 수 있다.
• 정형 데이터(손익·결제)뿐 아니라 비정형 데이터(고객 지원 티켓·경쟁사 리뷰)까지 읽어 원인과 다음 행동까지 제시한다.
• 발표자는 노트북LM을 '본격적인 데이터 분석가'처럼 쓸 수 있다고 강조한다.

쉽게 이해하기

발표자는 인터페이스는 그대로지만 노트북LM이 최신 제미나이로 업그레이드되어, 이제 자신의 파일을 올려 정리되지 않은 원시 데이터를 깔끔한 차트·그래프·인포그래픽·슬라이드·보고서로 바꿀 수 있다고 소개한다. 데이터 분석가에게 수천 달러와 수 주가 걸리던 일을 AI가 몇 분 만에 해낸다는 것이다. 시연을 위해 가상의 'Helena's Cupcake LLC'를 만들고, 주간 마케팅 트래커, 540건의 지원 요청, 스트라이프 결제, 손익(P&L), 메타 광고, 경쟁사 리뷰, 이메일 구독자 목록 등 7개의 스프레드시트를 준비한다.

이 일곱 개 파일을 노트북LM에 업로드한다. '소스 추가'로 최대 300개까지 넣을 수 있고, 분석 시 사용할 문서를 골라 선택할 수 있다. 오른쪽 스튜디오에서는 오디오·슬라이드 덱·영상·마인드맵·보고서·플래시카드·퀴즈·인포그래픽·데이터 표를 생성할 수 있다. 첫 분석으로 손익과 스트라이프 파일을 골라 '한 페이지 월간 손익 요약을 만들어 투자자에게 보여줄 깔끔한 파워포인트로 만들라'고 요청하자, 매출과 순이익을 보여주는 차트와 슬라이드가 나왔다. 핵심 요약으로 매출이 0에서 1.3만 달러 이상으로 성장해 2025년 11월에 손익분기를 넘겼고 2026년 5월에 6만 달러 남짓으로 정점을 찍었으며, 2026년 2분기 순이익률은 40%라는 점이 제시됐다. 이어 투자 유치용 덱도 컵케이크 테마를 유지하며 만들어 PDF·파워포인트로 내려받을 수 있었다.

광고 효율 분석에서는 메타 광고와 스트라이프 결제로 캠페인별 총지출·리드·리드당 비용·ROAS를 계산하고 ROAS 순으로 순위를 매기게 했다. 결과적으로 'brand awareness reels' 캠페인은 2.7만 달러 넘게 썼지만 ROAS가 0.03에 불과했고, 'free recipe PDF' 캠페인은 약 4,700달러만 쓰고 ROAS 8.02를 기록했다. 따라서 예산을 성과 좋은 캠페인으로 재배분해야 한다는 인사이트가 나온다. 환불 분석에서는 총환불이 1.3만 달러 남짓이고 2026년 4월에 가장 많았으며 그중 약 90%(1.1만 달러 이상)가 'Bake Like a Pro' 강의에서 발생했다. 지원 티켓(비정형)과 교차 분석하니 접근 링크 미수신, 비밀번호 재설정 오류, 회원 영역 접근 지연, 수강 등록 오류 등이 원인으로 드러났고, 이는 자동화나 LMS 설정 문제임을 시사한다.

지원 티켓을 주제별로 묶게 하자 배송 중 녹아버린 컵케이크, 로그인·접근 문제, 다양한 사유의 구독 취소, 그리고 식이 옵션 부재(64건) 등이 드러났다. 추천 조치로 열 차단 단열재 사용과 '미니 박스' 등급 A/B 테스트가 제시됐다. 또 마케팅 트래커로 인스타그램 게시물·이메일 발송과 신규 구독자·매출의 상관을 선 그래프로 그리게 했더니, 콘텐츠는 퍼널 상단에서 인지도와 리드를 만들지만 주간 게시량이 그 주의 매출을 직접 움직이지는 않으며, 꾸준한 매출 성장은 구독자 기반을 쌓아 온 복리 효과라는 해석이 나왔다.

경쟁사 리뷰 분석에서는 불만을 주제별로 묶어 빈도로 정렬하고 'Helena's Cupcake가 차지할 수 있는 가장 큰 격차'를 물었다. 경쟁사들이 고객 서비스를 소홀히 하고, 배송 품질이 나쁘며, 가격 대비 가치가 낮고, 식이·알레르기 옵션이 부족하며, 구독 모델이 경직됐다는 점이 드러났다. 가장 큰 전략적 격차는 '운영', 특히 온라인 소매 경험으로, 더 나은 온라인 경험을 제공하면 시장에서 발판을 마련할 수 있다는 것이다. 마지막으로 모든 문서를 선택해 순이익 8.1만 달러 남짓을 담은 연간 주주 보고서를 만들고 이를 영상으로까지 전환했다. 또 스트라이프와 지원 티켓으로 이탈(처)을 분석하자 노트북LM이 파이썬으로 계산해 108명 중 82명이 첫 박스 이후 취소함을 찾아냈고, 취소 사유로 너무 많은 양, 일시정지·건너뛰기 기능 부재, 가격 부담, 충족되지 않은 식이 요구, 손상된 첫 배송 등을 제시하며 일회성 선물 옵션·둘째 달 할인·취소 설문 같은 권고를 내놓았다.

주요 인사이트

• 노트북LM의 강점은 정형 데이터 계산을 넘어, 수백 건의 지원 티켓·경쟁사 리뷰 같은 비정형 텍스트에서 원인과 패턴을 찾아내는 데 있다.
• 환불·이탈처럼 표면 수치만으로는 알 수 없는 문제를, 결제 데이터와 지원 티켓을 교차 분석해 근본 원인(자동화/LMS 결함, 식이 옵션 부재 등)까지 파고든다.
• 광고 ROAS 순위처럼 한눈에 들어오는 비교를 만들어, 예산을 성과 낮은 캠페인에서 높은 캠페인으로 재배분하는 의사결정을 돕는다.
• 콘텐츠 게시량과 매출의 상관 분석은 '게시 많을수록 매출 증가'라는 단순 가정을 깨고, 성장은 구독자 기반의 복리 효과임을 보여준다.
• 한 번의 프롬프트로 여러 문서를 가로질러 연간 보고서를 만들고 영상으로까지 전환하는 등, 분석 결과를 곧바로 다양한 산출물로 바꿀 수 있다.

자주 묻는 질문

관련 AI 소식