위치 데이터로 최적의 푸드트럭 장소 찾기 -2-

지난 포스팅에서 소개된 푸드트럭에 이어, 이번에는 어떻게 데이터를 활용하였는지 구체적으로 소개해드리겠습니다.

SPH에서도 이와 비슷한 사례로 유동인구, 시간에 따른 상권 변화 분석 데이터 등을 지도 위에 시각화하여, 소상공인 지원을 위한 ‘상권분석 빅데이터 경진대회’에서 수상한 경험이 있습니다. 더욱 자세한 이야기는 여기에서 확인 가능합니다.

 

 

위치 데이터 덕분에 사이트 계획과 관련된 비즈니스 실행과 프로세스를 계속하여 발전했습니다. 또한 새로운 데이터 스트림에 대한 통찰력을 바탕으로 계절에 따라, 임시적으로 및 유동 비즈니스의 매출 증가 가능성이 가장 높은 사이트를 결정할 수도 있게 되었습니다.

 

점심 시간에 중요한 역할을 하게된 푸드 트럭은 위치 기반 비즈니스 모델에서 운영됩니다. 일반적으로 푸드 트럭은 비슷한 가격의 비슷한 점심 식사를 제공하기 때문에 인근 경쟁 업체와 차별화하기가 어렵습니다. 결과적으로, 푸드 트럭 위치는 사업의 성공 여부를 결정할 수 있습니다.

 

최근에 CARTO는 현지 푸드 트럭 사업이 수익 예측 모델을 통해 트럭의 주요 명소를 결정하도록 도왔습니다. 이 회사는 10개 푸드 트럭 각각에 대해 한달동안의 익명화 된 거래 데이터를 제공했으며, 이 정보를 통해 CARTO 데이터 과학자 팀은 현재 성과를 파악하고 점점 더 많은 수익 모델을 구축하였으며 마지막으로 6곳의 최고의 수익을 창출할 것으로 보이는 푸드 트럭 위치를 예측하였습니다.

 

 

현재 성과 측정

향후 판매를 촉진하기 위해 어떤 위치를 선정해야 할 지를 예측하기 전에 맨해튼과 브루클린에서 각 사이트의 현재 성과를 측정하는 방법을 먼저 알아야했습니다.

 

시작하기 위해 CARTO 데이터 과학자인 Wenfei 와 Dongjie 는 먼저 시간별 트럭별 데이터를 집계하여 시간 당 평균 지출을 측정했습니다.

 

그래프에 따르면 각 푸드 트럭의 시간당 수익은 때로는 아침 식사 시간에도 판매량이 급증하지만 보통 점심 시간 즈음에 최고조에 달하는 것으로 나타났습니다. 다음으로, CARTO의 지도 제작 책임자인 Wenfei와 Mamata는 각 지점에 대한 매출액을 반영한 비례 원을 사용하여 식품 트럭 판매를 ‘지도화’하였습니다.

 

예상대로 그랜드 센트럴역, 소호, 타임스퀘어 등 교통량이 많은 지역에 위치한 푸드 트럭들이 가장 유리한 위치에 있습니다.

 

이제 매출 증대를 위한 최적의 위치를 파악해야합니다. 즉, 수익 모델에서 예측 변수 역할을 할 수 있는 현재 위치 주변 및 주변의 변수들을 식별해야합니다. 전통적으로 이러한 예측 인자들은 인구 조사 및 관심 지점 (POI) 데이터들을 활용하여 식별됩니다.

 

인구 조사 데이터에서 제공되는 인구 통계학적 통찰력은 대상 고객을 세분화하는 데 유용하지만, 인구 조사 데이터 작업의 중대한 한계 중 하나를 보여줍니다.

 

 

인구 조사(센서스)는 운영 영역에 대한 주거용 데이터를 제공하며, 위의 이미지에서 보이는 정보는 ‘인구 조사 표준 지역’ 레벨에서 제공됩니다. 그러나 많은 푸드 트럭 고객들은 뉴욕의 명소를 방문하는 관광객 또는 시내로 통근하는 근로자들로 그랜드 센트럴 역 및 타임 스퀘어가 가장 수익이 높은 곳 중 하나일 수 있습니다. 따라서 주거용 데이터는 이 대상 고객 기반의 매출 증가와 관련되어 상대적으로 적은 통찰력을 제공합니다.

 

POI데이터는 우리 모델에 대한 예측 인자 역할을 할 수 있는 수익성 높게 운영되는 푸드 트럭 주변의 인근 명소 패턴을 찾는 데 더욱 유용합니다.

 

 

첫번째 지도는 맨해튼과 브루클린의 모든 POI 지점을 보여줍니다. 그러나 우리 푸드트럭들의 주변에 어떤 명소가 나타나고 다시 나타나는 지 파악하기가 너무 어렵습니다. 많은 고객들이 근접 거리를 기준으로 푸드 트럭을 선택하기 때문에 200미터 반경 버퍼가 각 트럭 주변에 생겨 2~3분의 보행 시간이 되므로 두번째 지도에서 예측을 보다 쉽게 할 수 있습니다.

 

새로운 데이터 스트림을 활용하여 보다 정확한 모델 만들기

이제 우리는 푸드 트럭을 배치할 위치를 고려할 때 데이터의 어떤 기능이 가장 중요한 지를 결정할 수 있는 GBR 모델을 구축할 준비가 되었습니다. 즉, GBR모델은 잠재적인 푸드 트럭 위치를 고려할 때 찾아야 할 예측 변수 목록을 제공할 기능의 중요도 순위를 매길 수 있습니다.

 

첫번째 수익 모델은 인구조사 데이터 및 POI 데이터와 같은 전통적인 데이터 소스를 사용하여 생성되었습니다.

 

 

GBR 모델은 모델의 신뢰도를 측정 할 수 있는 0-1의 데이터 세트 내 변동성 측정치인 R제곱 점수를 반환했습니다. 38 제곱의 R- 제곱 점수는 데이터에 변동 범위가 있음을 의미하므로 더 많은 데이터가 필요한 푸드 트럭 위치를 선택 할 때 고려해야할 기능이 무엇인지에 대해 더 큰 확신을 가지고 결정할 수 있습니다.

 

모델을 개선하기 위해 마스터 카드 지출 데이터가 추가되고 동일한 방정식이 수행되어 R 제곱 점수가 증가하는 지 확인하였습니다.

 

마스터 카드 지출 점수는 사람들이 돈을 어디서, 언제, 어떻게 사용하는 지 집계되고 익명화된 가맹점 수준의 거래 통찰력을 제공합니다. 보다 구체적으로, 거래 백분위 수 점수는 중요도가 높은 빈도 측정 값을 제공합니다. 대부분의 푸드 트럭은 비슷한 가격에 비슷한 종류 음식을 제공하기 때문에 빈도 측정 도구는 각 트럭에 대한 고객 규모에 대한 통찰력을 제공합니다.

 

여기서 우리는 상당한 점수 증가와 산점도에서 점들 간에 정렬이 더 커짐을 알 수 있습니다. 그러나 R 제곱 점수는 더 강해서 유동 인구 데이터 레이어가 모델에 추가되었습니다.

 

여기서 R제곱 점수는 첫번째 모델 이후로 18점 증가했습니다. 이는 많은 의미를 가지며 푸드 트럭이 인근 유동 인구 수에 의존한다는 이전 가정을 POI 버퍼와 함께 더 확정지을 수 있습니다. 추가적인 파생 데이터 레이어가 우리 모델에 추가 되었을 때 R제곱 점수가 향상되었음을 눈여겨 보아야 합니다. 이러한 새로운 데이터 스트림이 없으면 각 푸드 트럭에 가장 적합한 위치가 어디에 있는지에 대해 많은 확신을 가지고 확인할 수 없을 것입니다.  

 

위 이미지는 우리 모델이 푸드 트럭 판매에 통계적으로 중요한 영향을 미치는 것으로 확인된 12가지 기능을 나타내며 상위 4가지 기능이 새 위치 식별을 위한 예측 요소로 선택되었습니다. 1. 이전 시간의 유동 인구, 2. 현재 시간의 유동 인구, 3. 요일, 4. 마스터 카드 빈도 점수

 

수익 예측

이제 100 x 100 미터 격자 타일 (대략 도시 블록 크기)을 사용하여 뉴욕시 전역에 선택된 예측인자를 ‘지도화’할 때 입니다. 다음으로 히스토그램을 사용하여 도시 전역의 판매 분포를 살펴본 다음 트럭 당 매주 판매 평균을 대략 2,786달러로 계산했습니다.

 

목표는 판매 수익을 높일 수 있는 새로운 위치를 찾는 것이므로 수익 분배의 가장 높은 끝을 선택한 다음 이를 수익 영역으로 묶었습니다. 모델의 R제곱 점수가 0.63이었기 때문에 각 트럭의 정확한 위치를 정확히 찾아내는 데 충분한 확신이 없었습니다. 대신, 수익 창출의 가능성이 높은 이웃 지역을 찾기 위해 이러한 수익 지역들이 묶여져 있었습니다.

 

위의 이미지는 이러한 각각의 작업으로 산출된 지도의 변경 사항을 보여줍니다. 결국 6곳의 위치가 각각에 대한 매출 예측으로 확인되었습니다. 아래의 6개 위치는 각 위치에 대한 주별 판매 평균에 따라 가장 높은 순위부터 가장 낮은 순위 순으로 정렬됩니다.

  1. Corona Park : 주당 평균 6,128 달러의 매출
  2. Penn Station : 주간 판매 평균 5,975 달러
  3. SoHo : 주당 평균 판매액 5,911 달러
  4. 그랜드 센트럴 역 : 매주 평균 5,766 달러의 매출
  5. West Village : 주당 평균 판매액 5,234 달러
  6. DUMBO : 주당 평균 판매액 5,193 달러

 

위의 리스트 (Penn Station, Grand Central 등)에는 의례적인 장소들이 있었지만, Corona Park는 푸드 트럭 판매 수익을 늘리는 가장 좋은 장소로 밝혀진 것은 놀라운 점입니다. 인근 관광 명소와 인구 밀도를 고려하면 결과가 의미가 있습니다.

 

사이트 계획의 새로운 시대

이전에는 불가능했던 솔루션을 가능하게 하는 ‘사이트 계획의 새로운 시대’에 새로운 데이터 스트림이 도입되었습니다. 실제로 이 푸드 트럭의 사례가 강조되면서 이 유동적인 패턴이 판매에 미칠 영향을 파악, 이해 및 수치화하기 위해 기존 전통적인 소스에서부터 새로운 파생 데이터 세트에 이르기까지 다양한 유형의 데이터를 활용하여 작업하는데 사이트 계획의 미래가 달려있습니다.

 

SPH는 CARTO, Google Maps, SuperMap 등 다양한 케이스에 적용될 수 있는 다채로운 제품군을 보유하고 있으며 고객의 사례에 꼭 맞는 무료 세미나 및 개별 컨설팅을 제공하고 있습니다. 각 케이스에 맞춰 더욱 자세한 이야기를 나누고 싶으시다면 여기에서 문의 주시길 바라며, SPH에서 발행하는 GIS/로케이션 인텔리전스 관련 최신 소식을 받아보고 싶으신 분들은 페이스북 페이지 또는 뉴스레터를 구독해 주시길 바랍니다. 감사합니다.

위치 데이터로 최적의 푸드트럭 장소 찾기 -1-

4년 전 정부가 푸드트럭 관련 규제를 완화하면서, 푸드트럭은 점차 증가하여 올해 5월 서울시에만 780여대가 영업 중이라고 합니다. ‘백종원의 푸드트럭’ 같은 프로그램도 인기리에 방영되며, 푸드트럭에 대한 관심은 끊이지 않고 있는 것 같습니다.

그러나 많은 푸드트럭이 적당한 장소를 찾는 것에 어려움을 느끼며 폐업을 하고 있는데요, 더욱 많은 손님을 끌어들이기 위해서는 ‘로케이션 인텔리전스’의 활용이 필수적입니다.

 

 

미국에서도 푸드트럭은 큰 인기입니다. 현재 미국에는 4,000여개의 푸드트럭이 운영되고 있다고 합니다. 이렇게 수많은 푸드트럭에게 최적의 장소를 찾아주기 위해, CARTO의 데이터 사이언스팀이 나섰습니다.

CARTO는 푸드 트럭 운영자들을 위한 베스트 운영 사례 세트를 만들기 위해 맨해튼과 브루클린의 10개 푸드 트럭에 대한 익명의 거래 데이터를 분석했습니다.

이 주제는 도시 내 위치의 중요성을 지적한 미국 상공 회의소 (Food Chamber of Commerce Foundation)의 프로젝트인 Food Truck Nation의 보고서가 발표 된 이래로 푸드트럭 업계에서 더욱 중요해졌습니다.

교외 지역이 넓어지면 여러 관할구역이 포함될 수 있으며, 푸드 트럭 소유자는 각 관할구역의 자격요건을 충족해야만 합니다. 그래서 트럭 주인은 장사를 할 수 있는 최적의 위치를 검색할 때 여러 관할 지역의 운전 허가증에 대해 300달러를 지불할 수도 있습니다. 때문에 비용을 최소화하기 위해 빠르게 가장 좋은 위치를 찾아내는 것이 훨씬 좋습니다.

 

 

“푸드 트럭 소유자는 인구 조사 및 관심 지점(POI) 데이터 세트와 같은 기존 소스의 위치 데이터를 거래 및 유동인구 데이터와 같은 새로운 스트림과 함께 사용하여 보다 정확한 예측 모델로 매출을 높일 수 있습니다.” 라고 CARTO의 도시 과학자 Santiago Giraldo가 설명했습니다. 또한 “보다 정확한 수익 모델을 통해 푸드 트럭 소유자는 현장 운영에 대해 더 나은 감각을 가질 수 있으며 이로 인해 각 트럭의 재고를 적절하게 확보하며 간접비용을 줄이는 데 도움을 줍니다.”

CARTO의 분석에 따르면 뉴욕시의 푸드트럭 매출을 최적화하기 위한 주요 요인은 유동인구, 요일, 거래 빈도 등이었습니다. 놀랍게도, CARTO는 총 인구와 임대료가 덜 중요한 요인이라는 것을 발견했습니다. 또한 푸드트럭이 평균 11,000 달러의 매출을 올렸지만, 수익 패턴은 시간과 각 푸드트럭 별로 다르다는 것을 발견했습니다.  

CARTO는 위치 데이터 스트림이 포함된 모델을 사용하여 뉴욕 시 주변의 여러 지역에서 푸드트럭의 수익 예측을 할 수 있었습니다. 예를 들어, 웨스트 빌리지의 트럭은 주당 5,234달러, 퀸즈 주 코로나 공원의 트럭은 주당 평균 6,128달러로 예측됐습니다.

 

 

Giraldo는 푸드트럭 소유자들이 위치 데이터를 다룰 때 고려해야 할 가장 중요한 요인은 새로운 데이터 스트림과 파생 데이터셋을 갖춘 모델을 구축하는 것이라고 말합니다. 과거에는 인구 조사나 관심 지점 데이터와 같은 전통적인 출처가 모델을 만드는 기초가 되었습니다. 그러나 이러한 정적 소스는 위치 데이터와 동일한 방식으로 이동 경향 및 패턴을 모니터링할 수 없습니다.   

“거래 데이터 및 유동인구 데이터와 같은 새로운 데이터 스트림은 가장 바쁜 시간과 위치의 특정 사이트에 대해 더 많은 통찰력을 제공 할 수 있습니다” 라고 Giraldo는 말합니다. “이렇게 더 정확한 정보로 모델을 구축하면 보다 정확한 판매 예측을 할 수 있습니다.”

그러나 위치 데이터 기반의 전략을 채택하는 장벽은 중대합니다. 업계와 관계없이 비즈니스가 극복해야하는 주요 장애물 중 하나가 전략에 사용할 관련 위치 데이터를 수집하는 것이라고 Giraldo는 말했습니다.

“과거 어느 때보다 많은 데이터가 존재하지만, 풍부한 정보에는 쉽게 접근 할 수 없으며, 푸드 트럭 주인은 그것에 대한 완벽한 예시입니다.”라고 Giraldo는 말했습니다.  

 

CARTO가 어떻게 이 장벽을 극복하고 푸드트럭을 위한 적절한 인사이트를 발견했는지는, 푸드트럭 포스팅 2탄에서 보여드릴 예정이니 많은 관심 부탁드립니다!

 

SPH는 CARTO, Google Maps, SuperMap 등 다양한 케이스에 적용될 수 있는 다채로운 제품군을 보유하고 있으며 고객의 사례에 꼭 맞는 무료 세미나 및 개별 컨설팅을 제공하고 있습니다. 각 케이스에 맞춰 더욱 자세한 이야기를 나누고 싶으시다면 여기에서 문의 주시길 바라며, SPH에서 발행하는 GIS/로케이션 인텔리전스 관련 최신 소식을 받아보고 싶으신 분들은 페이스북 페이지 또는 뉴스레터를 구독해 주시길 바랍니다. 감사합니다.

 

Google BigQuery 업데이트

데이터와 통찰력 사이의 격차를 해소하다

Google은 GO-JEK, Ocado와 같은 분석 정보 회사 또는 Home Depot 및 HSBC 와 같은 Fortune 500대 기업과 지속적으로 협력하여 고객의 요구사항을 파악합니다. 우리가 배운 많은 것들이 데이터 분석 플랫폼에 직접적인 영향을 미쳤습니다.

오늘날 우리는 데이터 분석을 모든 비즈니스에서 보다 쉽고 편리하게 이용할 수 있도록 많은 Google이 발표한 업데이트를 공유하고자 합니다. 우리의 목표는 인프라 관리가 아닌 데이터 분석에 집중하고, 클라우드에서 업무량을 자유롭게 조정하고 데이터 분석 작업과 통합된 방식으로 머신러닝을 사용하고, 오픈 소스 데이터 처리 혁신을 활용하는 것입니다.

우리가 발표할 내용은 다음과 같습니다.

  • BigQuery ML, 베타 버전에서 지금 사용 가능
  • BigQuery 클러스터링, 베타 버전
  • BigQuery GIS, 공개 알파 버전
  • BigQuery 용 스프레드 시트 데이터 커넥터, 베타 버전
  • Data Studio Explorer, 베타 버전
  • 현재 사용할 수있는 Cloud Composer
  • Dataproc 용 고객 관리 암호화 키 (일반적으로 BigQuery에서 사용 가능, Compute Engine 및 Cloud Storage에서 베타 버전)
  • Dataflow Streaming Engine 및 Python Streaming을 비롯한 스트리밍 분석 업데이트 베타 버전 및 일반적으로 사용 가능한 배치 데이터 용 Dataflow Shuffle
  • Dataproc 자동 스케일링 및 Dataproc Custom Packages, 알파 버전

 

[ BigQuery ML 소개: 머신러닝을 데이터에 더 가깝게 가져오다 ]

모든 비즈니스는 데이터를 생성하지만 일부만이 머신 러닝을 채택하여 진정으로 데이터를 이해합니다. 왜 그런 지 많은 이유가 있습니다. SQL에 익숙한 데이터 분석가는 R이나 Python과 같은 프로그래밍 언어 또는 기능 공학, 모델 선택 및 하이퍼 튜닝 프로세스에 대한 깊은 이해가 항상있는 것은 아닙니다. 예측 분석 솔루션을 구축하기 위해 데이터 과학자 팀을 고용하는 것은 엄청나게 비쌀 수 있습니다. 또한 기업 데이터 웨어 하우스와의 데이터 이동은 복잡하고 시간이 오래 걸리며 비용이 많이 듭니다.

오늘은 이러한 문제를 해결하기 위해 BigQuery ML을 발표합니다. BigQuery ML을 사용하면 데이터 과학자 및 데이터 분석가가 간단한 SQL을 사용하여 BigQuery 내부에서 대규모, 구조적 및 반 구조화 된 데이터 세트에 머신 러닝 모델을 직접 구축하고 배포할 수 있습니다. 즉, 판매 예측과 같은 예측 분석을 수행하고 데이터를 이미 저장한 소스에서 고객 세그먼트를 만들 수 있습니다. 그리고 이 모든 것을 전통적인 ML 시스템과 관련된 시간의 몇 분의 1 이내에 가능합니다.

많은 고객들이 BigQuery ML에서 실행하기 시작한 작업 흐름에 흥미를 느낍니다.

“BigQuery ML은 데이터 분석가와 통계 학자가 예측 분석을 수행 할 수 있게 해줍니다. 그것은 우리의 노동력을 확대하여 머신 러닝 모델을 개발할 때 새롭고 혁신적인 아이디어를 제시합니다. 라고 정밀 의학 재단 (FPM)의 수석 데이터 과학자인 Ayin Vala는 말합니다. “우리 조직에서는 ML 모델을 구축하는 가장 빠른 방법이며, 우리의 대규모 데이터 세트에서 이를 실행하는 가장 빠른 방법입니다.” (FPM에서 BigQuery ML을 사용하는 비디오를 여기서 볼 수 있습니다.)

Hearst의 데이터 엔지니어링 & 머신 러닝 선임 디렉터 Naveed Ahmad는 “BigQuery를 사용하여 구독 데이터, 고객 서비스 데이터, 탐색 데이터, 뉴스레터 사용 등 여러 데이터 소스를 분석했습니다. BigQuery ML을 활용하여 우리의 고객과 컨텐츠에 최적화된 머신 러닝 모델을 구축하고 사용할 수 있게 되었습니다. 복잡한 머신 러닝 개념을 배우거나 여러가지 도구를 설정할 필요가 없기 때문에 몇 달이 걸릴 일은 몇 일안에 이루었습니다.” 라고 말했습니다.

앞으로 몇 주안에 BigQuery ML에 대해 자세히 살펴보고 비즈니스에 어떤 의미가 있는 지 알려드리겠습니다. 그 동안 우리 웹 사이트에서 자세한 내용을 보거나 현재 베타 버전인 BigQuery ML에서 체험을 해보세요.

 

[ BigQuery를 개선하여 데이터 활용을 확대하다 ]

익숙한 도구를 통해 확장된 기능을 제공하면 데이터 과학자와 데이터 분석가가 데이터를 가지고 더 많은 일을 할 수 있습니다. BigQuery에 몇 가지 새로운 기능이 추가되었습니다.

BigQuery 클러스터링은 현재 베타 버전입니다.

BigQuery 사용자는 광고 노출, IoT 기기 데이터, 게임 이벤트 또는 POS(point-of-sale) 거래 분석 여부에 관계없이 대규모 데이터 세트에서 빠른 분석을 기대합니다. 이제 사용자는 추가로 쉬운 데이터 최적화 레이어로 BigQuery에서 클러스터형 테이블 생성을 할 수 있습니다. 고급 카디널리티 영역에서 클러스터링 키를 정의하면 쿼리 성능이 크게 향상되고 쿼리 비용이 절감되며 광범위한 쿼리에 대한 쿼리 효율성이 향상됩니다.

클러스터 된 표에서 유사한 클러스터 키가 있는 행이 함께 묶어지므로 BigQuery는 전체 테이블이나 파티션이 아닌 BigQuery가 스캔한 데이터에 대해서만 더 효율적으로 데이터를 쿼리하고 그것에 대해 청구합니다.

클러스터링은 며칠동안 모든 BigQuery 사용자에게 배포됩니다.

 

BigQuery GIS를 사용한 새로운 지형 공간 데이터(Geospatial data) 유형 및 기능

 

지형 공간 데이터는 현대 IoT, 텔레매틱스, 소매 및 제조 작업 흐름의 핵심 요소입니다. 이에 BigQuery GIS (지리 정보 시스템)의 Google Earth Engine 팀과 파트너 관계를 맺어 지리 정보 데이터 유형 및 기능을 BigQuery의 일등 시민으로 통합했습니다. 현재 알파 버전으로 구현된 S2 라이브러리는 Google Earth Engine 및 Google 지도와 같은 제품을 통해 10억명이 넘는 사용자를 보유하고 있습니다.

새로운 기능과 데이터 유형은 SQL / MM Spatial 표준을 따르며 PostGIS 사용자와 이미 SQL에서 지형 공간 분석을 수행하고 있는 사용자에게 익숙합니다. 따라서 BigQuery로 작업을 마이그레이션이 쉬워집니다. 우리는 또한 WKT와 GeoJSON을 지원하기 때문에 다른 GIS 도구로 데이터를 쉽게 보내고 받을 수 있습니다.

Earth Engine 파트너십의 또 다른 이점은 BigQuery Geo Viz 라는 가벼운 시각화 도구와의 협력입니다. 이 기능은 지리 정보 쿼리 결과를 지도에 표시하고 스타일을 지정하려는 BigQuery 사용자를 위해 설계된 보조 앱입니다.

 

BigQuery Geo Viz 보기 기능과 New York Citibike Public Dataset 을 사용하여 도시 전역의 자전거 이용할 수 있는 정도와 역에 자리 수용성을 신속하게 지도화 할 수 있습니다.

BigQuery GIS 및 BigQuery Geo Viz는 현재 공개 알파 버전입니다. 양쪽 모두에 액세스를 요청하려면 이 양식을 작성하십시오 귀사의 GCP 프로젝트를 허용하고 BigQuery GIS 문서를 보내드립니다.

 

Google BigQuery 와 PostGIS를 비교하다

 

SPH는 CARTO, Google Maps, SuperMap 등 다양한 케이스에 적용될 수 있는 다채로운 제품군을 보유하고 있으며 고객의 사례에 꼭 맞는 무료 세미나 및 개별 컨설팅을 제공하고 있습니다. 각 케이스에 맞춰 더욱 자세한 이야기를 나누고 싶으시다면 여기에서 문의 주시길 바라며, SPH에서 발행하는 GIS/로케이션 인텔리전스 관련 최신 소식을 받아보고 싶으신 분들은 페이스북 페이지 또는 뉴스레터를 구독해 주시길 바랍니다. 감사합니다.

Google Maps Platform in Cloud Next ’18 – IoT + Google Maps Platform

구글 클라우드 업데이트가 쏟아졌던 지난 포스팅에 이어, 이번에는 Google Cloud Next ‘18에서 있었던 Google Maps Platform 내용들을 살펴볼까 합니다.

 

 

Google Maps가 Google Maps Platform으로 변경되면서 많은 변화들이 있었습니다. B2B 시장에서도 B2C에서 만큼의 시장 영향력을 갖고자 하는 구글이기에, Google Maps Platform 역시 기업 고객들에게 집중할 계획이라 밝혔습니다.

새로운 Google Maps Platform은 Simple(간단한), Scalable(확장 가능한), Better with cloud(클라우드와 더 나은), 이 세가지를 약속했습니다.

 

 

 

많은 세션들 중 눈에 띄는 것은 IoT와 Google Maps Platform의 결합이었습니다. IoT는 지금도 애셋트래킹에 많이 쓰이고 있지만, 더 효과적으로 자산을 추적하기 위해서는 로케이션 데이터와의 결합히 필수적입니다. 그래서 기업들이 Google Maps Platform에 더욱 집중해야하는 것이죠.

로케이션 데이터는 단순히 ‘데이터’에서 ‘로케이션 인텔리전스’로 진화하고 있습니다. 단순한 종이 지도에서 출발하여, 현재는 실시간으로 지도를 살펴볼 수 있는 단계에까지 이르렀습니다.

Google Cloud의 프로덕트 매니저 Fraser Macdonald는 현재 우리는 로케이션 인텔리전스로의 변화의 정점에 서있으며, 따라서 기업들은 반드시 ‘로케이션’에 주목해야 한다고 강조했습니다.

 

그렇다면 현재 로케이션 인텔리전스가 IoT와 결합하여 활발하게 이용되고 있는 분야에는 뭐가 있을까요?

 

 

첫번째로 소개된 사례는 차량 관리 + IoT입니다. 그저 차량이 어디에 있는지 알아내는 것을 넘어, 운전자의 운전 습관 추적, 차량 효율 최적화, 실시간 라우팅,원거리 진단, 정비 예약까지 관리 가능하며, 이러한 데이터를 활용하여 기업에 차량이 얼마나 필요한지를 파악하여 구매 결정을 내릴 수 있습니다.

Google Maps Platform을 이용하고 있는 Mojio는 자동차와 모바일 어플을 연결하여 운전자에게 차량의 위치정보, 연비 절약 운전법, 차선변경 등의 정보를 제공하고 있습니다.

이러한 데이터는 차량이 어떻게 운행되는지, 얼마나 운행되었는지 등 차량 자체에 대한 정보를 제공하여 운전자에게 편의를 제공할 뿐 아니라, 기업에게는 새로운 비즈니스 인사이트를 제공할 수도 있습니다.

 

 

두번째 사례는 애셋트래킹입니다. 애셋트래킹은 구글맵이 가장 활발하게 쓰이고 있는 분야 중 하난데요, IoT에서도 많은 주목을 받고 있는 분야입니다.

애셋트래킹 하면 보통 차량, 선박 등 움직이는 자산을 떠올리지만, 애셋트래킹은 실내/실외의 모든 자산을 추적할 수 있습니다. 가게의 종업원 관리 및 안전관리를 위해 종업원들의 위치를 파악할 수도 있고, 개체수나 서식지 연구를 위해 야생동물을 추적할 수도 있습니다.

애셋트래킹은 의료분야에도 활용될 수 있습니다. 노인들을 위한 스마트워치 회사 WatchRX는 구글맵을 활용하여 도움이 필요한 노인들의 위치 알림, 약 복용 시간 알림, 긴급시 실시간 통화 등을 제공하고 있습니다.

 

 

IoT와 로케이션 인텔리전스는 시설 관리에도 유용하게 쓰입니다.

자판기 관리 소프트웨어 업체 Vagabond는 구글맵을 활용하여 효율적으로 자판기를 관리하고 있습니다. 어느 지역의 자판기에 얼마만큼의 물품이 필요한지 추적하여 관리를 쉽게할 수 있습니다. 데이터가 쌓이면 이제 어느 지역에 어떤 주기로 물품을 채워야 하는지 예측도 할 수 있겠죠.

Vagabond는 실제로 자판기 트래킹을 시작한 후, 영업 이익을 2.5%에서 20%까지 올릴 수 있었다고 합니다. 또한 인력과 차량 운영에 쓰는 비용도 15%나 감소시켰습니다.

 

이외에도, 로케이션 인텔리전스와 IoT의 결합은 환경, 소매업, 카쉐어링, 배달 등 정말 많은 분야에서 활용되고 있습니다. 더 쉽고 효율적으로 비즈니스를 관리하고 싶다면 이제 로케이션 인텔리전스에 반드시 주목해야할 것 같습니다.  

 

영상으로 보기 

 

SPH는 CARTO, Google Maps, SuperMap 등 다양한 케이스에 적용될 수 있는 다채로운 제품군을 보유하고 있으며 고객의 사례에 꼭 맞는 무료 세미나 및 개별 컨설팅을 제공하고 있습니다. 각 케이스에 맞춰 더욱 자세한 이야기를 나누고 싶으시다면 여기에서 문의 주시길 바라며, SPH에서 발행하는 GIS/로케이션 인텔리전스 관련 최신 소식을 받아보고 싶으신 분들은 페이스북 페이지 또는 뉴스레터를 구독해 주시길 바랍니다. 감사합니다.

Google Partner Summit & Cloud Next ’18 참관기

Google Cloud Next 2018년 컨퍼런스가 샌프란시스코에서 열렸습니다! Google Partner Summit과 함께 열린 이 행사에 SPH 마케팅팀은 한국의 Google Maps Premier Partner로서 참석하였습니다.

 

클라우드 시장에서 Google은 흥미롭게도 3위의 추격자 입니다. 독보적인 Search 기술을 통해 B2C 시장에서는 에드워즈와 에드센스를 통한 광고로 무지막지하게 돈을 벌고있는 전세계 IT기업 1위업체 Google이 Cloud시장에서는 Amazon과 PC시대 독보적인 강자였던 MS가 1, 2위로 앞서가고 있고 Google은 뒤를 따라가는 추격자의 입장입니다.

 

그런 면에서 올해 Google Cloud Next ’18 행사는 도전자의 패기와 새로운 기술, 그리고 로드맵을 엿볼 수 있는 흥미진진한 행사였는데, 7월 23일은 전세계에서 모인 파트너를 위한 모임인 Google Partner Summit, 24일부터 26일까지는 대외적으로 공개된 Google Cloud Next ‘18이 진행되었습니다.

 

7/23 Google Partner Summit

 

Partner Summit의 키노트는 ‘Building a Cloud for Everyone’라는 제목으로 Moscone Center에서 발표되었습니다. 전 세계 파트너들이 한 자리에 모인 Moscone Center는 거의 콘서트장을 방불케 했습니다.

 

키노트의 시작을 연 구글 클라우드의 CEO Diane Greene은 클라우드가 어떻게 비즈니스를 바꾸는지, 어떻게 사람들의 삶과 환경을 바꾸는지에 대해 이야기했습니다.

 

전 세계 IT 시장의 규모는 4110억 달러에 달합니다. 그러나 아직 클라우드의 도입은 10%미만이라고 하는데요, 그만큼 클라우드는 현재 티핑 포인트에 있음을 알 수 있습니다.

 

클라우드는 점차 미디어&엔터테인먼트, 교통, 비디오 스트리밍, 리테일 등 거의 모든 산업 전반에 영향을 끼치고 있습니다. Pantheon, Lyft, Whirlpool, Credit Karma 등 다양한 산업군의 기업들이 이미 구글 클라우드의 고객입니다.

 

구글은 구글 클라우드의 차별성을

  • 안전성
  • open & multi-cloud
  • AI과 ML 선도
  • cloud-native
  • 유일한 생산성 suite  

에 두었습니다.

 

실제로 이번 Cloud Next ‘18에서는 기업 및 개발자가 AI로 더 많은 것을 손쉽게 할 수있게끔 기술수준이나 전문성에 관계없이 머신러닝을 활용할 수 있는 도구를 많이 공개했습니다.

또한, 구글은 “Together let’s transform business (함께 비즈니스를 혁신합시다)”라는 구호와 함께, 파트너들과의 더 많은 연계를 약속했습니다.

클라우드 시장에서도 시장의 선도자가 될려는 구글의 야심이 돋보이는 키노트였습니다.

 

키노트와 파트너 세션들이 끝난 후, 근처의 Yerba Buena Garden에서 파트너 파티가 있었습니다. 전 세계 파트너들과 교류하고 다른 나라 파트너들의 이야기를 들을 수 있는 좋은 시간이었습니다.

 

 

7/24-26 Google Cloud Next ‘18

 

24일부터 26일까지는 파트너 및 개발자, 구글러들이 모두 함께 하는 Cloud Next ‘18이 열렸습니다. 구글은 Cloud Next ‘18에서 엄청나게 많은 새로운 서비스와 기술들을 발표했습니다.

 

AI와 Machine Learning이 최근 1, 2년 사이 IT업계의 가장 큰 화두입니다. 그러나 실체없는 워딩만 난무하는 시기를 지나 실제 업무와 비지니스에 활용할 수 있는 레고블럭과 같은 많은 Tool들이 발표된게 올해 행사의 가장 큰 수확이였습니다.

 

먼저, AI로 생산성 솔루션을 강화한 점이 눈에 띄었습니다. 먼저 개인이나 기업의 업무환경에 가장 많이 쓰이고 있는 Gmail, Google docs, Google Sheets, 그리고 Hangout등 G SuiteAI와 머신러닝의 결과물이 반영되어 적용되기 시작하였습니다.

 

Google Sheets는 자연 언어 쿼리를 이용하여 스프레드시트의 데이터를 분석할 수 있고, 구글독스는 머신러닝을 이용하여 문법체크와 같은 기능을 제공합니다. 또한, Gmail은 지능적으로 문장을 완성하고 개인의 글쓰기 스타일과 메시지의 문맥에 적용해 글쓰기를 더 빠르게 할 수 있는 ‘지메일 스마트 컴포즈’ 기능 등을 발표했습니다.

 

또한, 기업 및 개발자가 AI로 더 많은 것을 손쉽게 할 수있게끔 기술수준이나 전문성에 관계없이 머신러닝을 활용할 수 있는 Cloud AutoML Vision, Natural Language, Translation 등의 도구를 발표하였습니다. 또한

data를 활용하는것에서 나아가 insights 찾아낼 수 있는 다양한 기술이 서비스 API형태로 공개되었습니다.

– BigQuery ML (beta)

– BigQuery GIS (alpha)

– Data Studio Explorer (beta)

– Google Sheets data connector for BigQuery (beta)

 

구글의 AI와 비즈니스 솔루션의 결합은  많은 고객들이 구글을 AI 기술의 선두주자로 느끼게 하기에 충분했습니다.

 

가장 흥미로웠던 것 중 하나는, 인간을 모방해 간단한 질문에 대답하고 문의자를 정확한 직원에게 배정하는 기업용 AI 컨택트 센터(시연영상)였습니다. 이제는 AI가 힘든 반복적인 노동을 대신할 것으로 기대해봅니다.

 

 

(사진 출처: 구글)

 

삼성전자에서 삼성페이와 빅스비 개발을 진두진휘했던 이인종 부사장은 Google에 합류한뒤 6개월만에 키노트 스피커가 되어 IoT시대에 머신러닝 연산이 최종단계 단말에서 가능한 Edge TPU를 발표하였습니다.

실제 사례로 LG CNS는 구글의 Edge TPU와 클라우드 IoT 엣지를 통해 LG화학 공장 불량 LCD 패널의 유리기판을 판별하는 비전검사를 머신러닝을 통해 수십만건의 데이터를 1주일만에 학습시킨후 적용하여 불량 판정 정확도를 99.9%까지 크게 높였다고 합니다.

 

 

하나의 포스팅에는 다 담을 수 없을만큼 많은 업데이트들이 있었는데요, Google Maps Platform 관련 세션들도 여럿 있었습니다. Google Maps Platform에 관한 자세한 내용은 참관기 2탄에서 소개해드릴 예정이니 많은 기대 부탁드립니다!

 

 

SPH는 CARTO, Google Maps, SuperMap 등 다양한 케이스에 적용될 수 있는 다채로운 제품군을 보유하고 있으며 고객의 사례에 꼭 맞는 무료 세미나 및 개별 컨설팅을 제공하고 있습니다. 각 케이스에 맞춰 더욱 자세한 이야기를 나누고 싶으시다면 여기에서 문의 주시길 바라며, SPH에서 발행하는 GIS/로케이션 인텔리전스 관련 최신 소식을 받아보고 싶으신 분들은 페이스북 페이지 또는 뉴스레터를 구독해 주시길 바랍니다. 감사합니다.