기본 콘텐츠로 건너뛰기

[알아두면 쓸모 있는 구글 스프레드시트 팁] 반복 적인 작업을 위한 매크로 기능의 모든 것




거의 40 년 전에 데뷔 한 이래로 스프레드시트는 기업이 업무를 수행하는 방법의 핵심이었습니다. 분기 별 매출 분석에서부터 제품 재고 업데이트에 이르기까지 스프레드 시트는 기업이 보다 신속하게 의사 결정을 내리기 위해 데이터를 수집하고 공유하는 데있어 매우 중요합니다.

Google은 이러한 이유로 Google 스프레드시트를 기업용으로 사용하기 위해 노력해 왔으며, 이에 일환으로 데이터를 분석하고 시각화하는 데 도움이 되는 기능들을 추가하고 있습니다. 반복적 인 작업을 자동화하기 위해 클라우드에 매크로를 기록하는 방법과 더 많은 형식 옵션을 포함한 기능들을 추가하였습니다.

스프레드시트에 매크로를 기록하고 평범한 작업을 건너 뜁니다.

우리는 기업들이 매크로를 다르게 접근함으로써 업무를 자동화하는 것을 돕기를 원합니다. 스프레드시트에서도 매크로를 기록 할 수 있습니다. 새로운 데이터 가져 오기의 형식을 지정하거나 여러 차트의 분기 데이터에 동일한 차트를 작성 해야 한다고 가정 해 보겠습니다. 수동으로 동일한 단계를 반복하는 데는 몇 시간이 걸릴 수 있지만 시트 매크로 레코더를 사용하면 코드를 작성하지 않고도 해당 작업을 기록하고 명령에 따라 재생할 수 있습니다.


작동 원리는 다음과 같습니다. 매크로를 기록하면 스프레드시트가 매크로 액션을 Apps 스크립트로 자동 변환합니다. 매크로를 업데이트하려면 처음부터 매크로를 다시 기록하지 않고 직접 스크립트를 편집하면 됩니다. 나만의 Apps Script 함수를 작성하고 새 매크로로 가져올 수도 있습니다.

시트 매크로의 가장 중요한 부분은 클라우드 기반 파일 용으로 제작 되었기 때문에 다른 사람들이 중단 없이 매크로를 실행할 수 있다는 것입니다. 예를 들어, 예산 미팅을 가지고 있는 재무 팀은 동일한 스프레드시트를 검토하면서 매크로를 실행할 수 있습니다. 또한 동료 또는 클라이언트가 매크로를 사용하기 위해 중요한 파일을 다운로드하지 않아도 된다는 것을 의미합니다. 스프레드시트 파일은 클라우드에 있으므로 데이터를 보고 공유 할 수 있는 사용자를 엄격하게 통제 할 수 있습니다.

매크로와 더불어 1. 프린트할 때 페이지 나누기 2. 용지크기 설정 3. 행,열을 그룹화 4. 셀을 체크박스로 바꾸기 5. 피벗 테이블에서 시간을 기준으로 데이터를 그룹화 등 몇가지 유용한 기능들이 추가되었습니다.


스프레드시트에 대한 추가 업데이트

지난 몇 년 동안 Google은 비즈니스에서 데이터를 보다 쉽게 보고, 분석하고 공유하는 데 도움이 되는 스프레드시트 기능을 구축하기 위한 노력을 기울인 것으로 나타났습니다. 여기에는 새로운 차트 유형 (워터폴 및 3D) 추가, 문서 및 슬라이드에서 데이터를 최신 상태로 유지하면서 차트를 임베드하는 방법 (파일을 이동하는 경우에도), 더 많은 기능 (최대 400 개 이상), 추가 서식, 인쇄 옵션 등.

오늘날 우리는 인쇄 페이지 나누기, 사용자 정의 용지 크기, 행 및 열 그룹화 옵션 추가 및 셀에 확인란을 추가하는 방법을 포함하여 일상적으로 요청되는 기능을 추가하고 있습니다. 또한 피벗 테이블을 만들 때 일정 기간 (예 : 주, 월 또는 연도)별로 데이터를 그룹화 할 수 있습니다.

피벗 테이블에 관해서도 Google의 엔지니어링 팀은 Google 인공 지능의 힘을 시트에 가져와 팀이 자신의 데이터가 무엇 인지를 알 수 있도록 돕는 데 어려움을 겪고 있습니다. 최근에 Google 스프레드 시트를 시트에 추가하여 데이터 분석 전문가의 숙련도에 상관없이 새로운 통계를 분석하고 찾을 수 있었습니다.

Pivot tables

Whirlpool Corporation 및 Sanmina와 같은 회사는 더 많은 협업 데이터 분석을 위해 시트를 사용하고 있습니다. 이러한 최신 추가 기능은 스프레드 시트를 비즈니스를위한 자료로 활용하고 앞으로 몇 주 동안 출시 될 예정입니다. 학습 센터의 스프레드 시트에 대해 자세히 알아보십시오.

참조 - 2018년 4월 11일자 Google 공식 영문 블로그  내용을 번역 한 것입니다.


댓글

이 블로그의 인기 게시물

초파리 뇌가 게임하고 로봇을 조종한다? 커넥톰 AI의 원리와 현실

CONNECTOME × AI 초파리 뇌가 게임하고 로봇을 조종한다? 커넥톰 AI가 실제로 하는 일과 하지 못하는 일을, Doom과 드론 사례로 구분해 봤습니다. 결론부터 말하면 완전히 거짓은 아닙니다. 다만 "살아 있는 뇌를 컴퓨터에 업로드했다"는 설명은 틀립니다. 139,255 2024년 공개된 성체 암컷 초파리 뇌의 뉴런 수 5,450만 같은 커넥톰에 기록된 화학 시냅스 수 1억 2,500만 2026년 수컷 중추신경계 지도에 포함된 시냅스 연결 먼저, 무엇이 공개된 것인가 2024년 FlyWire 연구진은 성체 암컷 초파리 한 마리의 뇌에서 139,255개 뉴런과 약 5,450만 개 화학 시냅스를 재구성했습니다. 세포 유형과 뇌 영역, 신경전달물질 예측도 함께 공개했습니다. [1] 2026년에는 수컷 초파리의 뇌와 복측신경삭까지 연결한 지도가 나왔습니다. 16만6천 개가 넘는 뉴런과 1억2,500만 개 시냅스 연결을 담아, 감각이 움직임으로 이어지는 경로까지 연구할 수 있게 됐습니다. [2] 연구진은 전자현미경 사진에서 AI로 뉴런 경계를 분리하고 3차원으로 이어 붙입니다. AI가 잘못 합치거나 끊은 부분은 사람이 검수합니다. 커넥톰은 도로 지도에 가깝습니다. 도로가 어디로 이어지는지는 보여주지만, 지금 차가 어디를 달리는지, 신호등이 어떻게 바뀌는지, 운전자가 어디로 가려는지까지 알려주지는 않습니다. 커넥톰은 죽은 조직에서 얻은 정적 구조입니다. 순간의 막전위와 발화 패턴, 정확한 시냅스 강도, 호르몬 상태, 배고픔 같은 내부 상태는 온전히 담겨 있지 않습니다. 정적인 배선도에 어떻게 행동을 넣나 1. 그래프로 바꾼다 뉴런을 노드, 시냅스를 방향이 있는 연결로 표현합니다. 시냅스 수와 신경전달물질 예측은 가중치와 흥분·억제 부호의 출발점이 됩니다. 2. 시간 규칙을 넣는다 각 뉴런에 입력이 쌓이고 임계값을 넘으면 발화하는 수학 모델을 붙입니다. 대표적인 방...

CLARITY 법안 표결 실패, 비트코인과 XRP는 왜 급락했나

긴급 시장 분석 CLARITY 법안 표결 실패, 비트코인과 XRP는 왜 급락했나 49 대 50으로 막힌 미국 암호화폐 시장구조 법안. 표결의 정확한 의미와 BTC·XRP 가격 충격, 앞으로 확인할 가격대를 함께 분석합니다. 작성 기준: 2026년 9월 16일 오전 7시 25분(KST) · 가격은 작성 시점 기준 상원 표결 찬성 49 · 반대 50 비트코인 24시간 -4.32% XRP 24시간 -11.36% 목차 무엇이 부결됐나 왜 60표를 얻지 못했나 비트코인·XRP 가격 반응 비트코인 기술적 구간 XRP 기술적 구간 향후 시나리오와 관찰 포인트 먼저 결론부터 미국 상원이 부결한 것은 CLARITY 법안의 최종 통과안이 아닙니다. 상원 본회의에서 법안을 다루기 위해 토론 종결 절차를 밟고 심의로 넘어갈 것인지를 묻는 클로처 표결 이었습니다. 필요한 60표를 얻지 못하면서 법안은 본격 토론 단계에 진입하지 못했습니다. 정확한 표현: “CLARITY 법안이 최종 폐기됐다”가 아니라 “법안을 본회의에서 다루기 위한 절차표결이 실패했다”가 맞습니다. 시장은 이 결과를 미국 암호화폐 규제 명확화의 지연으로 받아들였습니다. 비트코인은 약 4% 하락했지만 XRP는 11% 넘게 떨어졌습니다. 규제 기대에 민감한 알트코인이 정치적 불확실성에 더 크게 반응한 모습입니다. 1. 상원에서 실제로 무엇이 부결됐나 미국 상원 공식 기록에 따르면 2026년 9월 15일 오후 3시, H.R. 3633인 Digital Asset Market Clarity Act 에 대한 ‘motion to proceed’의 클로처 동의가 찬성 49표, 반대 50표 로 부결됐습니다. 클...

Jev는 더 빠른 챗봇이 아니다: System One Model의 역할과 기업 활용 가능성

한 줄 요약: Jev는 글을 생성하는 챗봇이 아니라, 소프트웨어가 직접 사용할 판단값과 확률을 100ms 내외로 빠르게 반환하는 System One 의사결정 전용 모델 이다. 최근 AI 개발자 커뮤니티에서 Jev 가 빠르게 주목받고 있다. 항공권을 약 7초 만에 찾고, 광고 수백 개를 수십 초 안에 분석하고, 논문 1,018편을 0.08달러에 분류했다는 사례들이 등장했다. 숫자만 보면 새로운 초고속 생성형 AI처럼 보인다. 하지만 Jev를 ChatGPT나 Claude의 더 빠르고 저렴한 대체품으로 이해하면 핵심을 놓친다. Jev는 글을 생성하는 AI가 아니라, 소프트웨어가 사용할 판단값을 빠르게 반환하는 의사결정 전용 모델이다. TypeSafe AI는 이를 새로운 모델 계열인 System One Model 이라고 부른다.[1] 이 글에서는 TypeSafe의 공식 발표와 개발 문서, 초기 활용 사례를 바탕으로 다음 질문에 답한다. Jev는 정확히 무엇인가? 기존 LLM과 무엇이 다른가? 어떤 업무에 유용한가? Hermes 같은 AI 에이전트와 어떻게 연결할 수 있는가? 기업 데이터와 개인정보를 외부 API로 보내는 보안 문제는 어떻게 봐야 하는가? 1. 기존 LLM이 자동화에서 부딪히는 문제 ChatGPT, Claude, Gemini와 같은 LLM은 기본적으로 사람이 읽는 문자열을 생성하는 모델 이다. 보고서 작성, 설명, 대화, 코드 생성에는 매우 강력하다. 그러나 기업의 업무 시스템이 필요한 것은 종종 긴 설명문이 아니다. 예를 들어 고객 문의가 들어왔을 때 프로그램이 알고 싶은 것은 다음과 같다. 어느 부서가 처리해야 하는가? 긴급도는 얼마인가? 환불 요청인가? 사람이 확인해야 하는가? 자동 처리해도 되는가? 일반 LLM에 이런 질문을 하면 자연스러운 문장이나 JSON을 생성하도록 프롬프트를 작성한 뒤, 결과를 다시 파싱하고 검증해야 한다...

Muse와 OpenClaw: 같은 에이전트인가, 새로운 개인비서인가

개인 AI 에이전트 비교 · 2026년 9월 25일 Muse와 OpenClaw: 같은 에이전트인가, 새로운 개인비서인가 Muse가 OpenClaw 코드를 그대로 실행하는 클론이라는 증거는 없습니다. 다만 에이전트의 기본 구조와 제품 철학은 크게 닮았고, Muse의 새로움은 개념보다 배포 방식·보안 모델·대중화에 있습니다. 에이전트 개념은 OpenClaw ≈ Muse입니다. 구현은 다릅니다. OpenClaw가 사용자가 직접 운영하는 개방형 하니스라면, Muse는 Meta가 호스팅하는 소비자용 서비스입니다. 1. 왜 ‘일반인용 OpenClaw’라는 말이 나왔나 Muse 출시 뒤 초기 사용자들은 두 제품의 내부 파일 체계를 비교했습니다. SOUL.md , IDENTITY.md , USER.md , MEMORY.md , AGENTS.md , TOOLS.md 같은 이름뿐 아니라, 에이전트의 성격과 행동 경계를 정하는 문장까지 비슷하다는 지적이 나왔습니다. The Verge도 두 제품이 핵심 파일 이름과 “Be genuinely helpful, not performatively helpful” 같은 문구를 공유한다고 보도했습니다. [2] 파일 규약 OpenClaw: 성격·사용자·기억·도구를 텍스트 파일로 관리합니다. Muse: 이름과 역할이 유사한 파일 체계가 관찰됐습니다. 제품 형태 공통점: 질문에 답하는 챗봇을 넘어 브라우저와 도구를 사용해 실제 일을 수행하는 개인 에이전트를 지향합니다. 논란의 핵심은 화면이 비슷하다는 정도가 아닙니다. 에이전트 하니스, 즉 모델이 기억·도구·규칙을 활용하도록 둘러싼 실행 구조와 성격 문서까지 닮았다는 점입니다. 2. Meta의 공식 설명 Meta Superintelligence Labs 제품 책임자 Nat Friedman은 Muse를 “처음부터 새로 만들었지만, 제품으로서는...

GPT-6 Astra 공개 내용 쉽게 해설: AI가 “대답하는 도구”에서 “일을 수행하는 동료”로

※ 아래 내용은 OpenAI가 공개한 GPT-6 Astra 소개 페이지의 주장을 바탕으로 쉽게 풀어쓴 해설입니다. 벤치마크 수치는 제조사가 제시한 조건과 측정 방식에 따라 달라질 수 있습니다. 한 줄 요약 GPT-6 Astra는 단순히 글을 잘 쓰는 모델을 넘어, 웹 브라우저와 컴퓨터를 직접 사용하고 여러 단계의 업무를 끝까지 수행하는 것을 목표로 한 모델입니다. 1. GPT-6 Astra는 무엇이 달라졌나? OpenAI는 GPT-6 Astra를 새로운 세대의 지능 모델이라고 소개합니다. 핵심은 지식량만 늘리는 것이 아니라 컴퓨터 사용, 웹 탐색, 소프트웨어 개발, 과학 연구, 사이버보안, 전문 업무 를 실제 작업 흐름 속에서 수행하도록 설계했다는 점입니다. 기존 챗봇이 질문에 답하고 결과물을 만들어 주는 데 집중했다면, Astra는 사용자의 목표를 이해한 뒤 브라우저를 열고, 자료를 찾고, 문서를 작성하고, 결과를 점검하는 식의 다단계 업무 수행 을 강조합니다. 2. 가장 중요한 변화: AI가 컴퓨터를 사용한다 소개 페이지의 표현을 쉽게 바꾸면 다음과 같습니다. 온라인 자료를 찾아 요약하기 문서·스프레드시트·프레젠테이션 만들기 웹사이트를 만들고 실제 화면에서 품질 점검하기 과학 데이터를 분석하고 그래프 만들기 양식 입력, 예약 검색, 상품 비교 같은 반복 업무 수행하기 이 변화는 “AI에게 무엇을 물어볼까?”에서 “AI에게 어떤 업무를 맡길까?”로 사용 방식이 이동한다는 뜻입니다. 프롬프트 한 번의 답변보다 목표·권한·검토 지점·완료 조건 을 설계하는 일이 중요해집니다. 3. 업무 성능에 대한 OpenAI의 주장 영역 공개 페이지에 제시된 내용 실무적으로 읽는 법 컴퓨터 사용 화면을 이해하고 브라우저·업무 도구를 조작 사람이 하던 반복적인 클릭·입력 업무를 위임할 가능성 소프트웨어 개발 코드 작성뿐 아니라 테스트와 수정까지 수행 코딩 보조를 넘어 이슈 해결 사이클에 참여 전문 업무 문서·스프레드시트·발표자료를 템플릿에 맞춰 생성 회사 ...