최우수상 받은 데이터 컨설팅팀, 숨은 뒷이야기!

서울시 빅데이터 캠퍼스 공모전 최우수상 수상!

참여부터 수상까지의 숨은 뒷이야기

 

  • 소개
  • 공모전 주제 선정 
  • 공모전 기획  
  • 데이터 수집 및 ETL 
  • 데이터 분석
  • 데이터 분석 결과 – 어린이 보호 구역으로 지정되어야 하는 3곳!  
  • 잠깐! 토막 소식
  • 아쉬운 점 및 챌린지 
  • 수상 결과에 대한 의견 및 소회

 

  • 소개

서울시 빅데이터 컨퍼런스에서 김도환 전임 연구원의 발표 모습

서울시 빅데이터 컨퍼런스에서 김도환 전임 연구원의 발표 모습

안녕하세요! SPH 데이터 컨설팅팀이 이번 2020 서울시 빅데이터 캠퍼스에서 주최한 빅데이터 공모전에서 최우수상을 수상하였습니다. 이번 공모전은 주제 선정에서부터 수상까지 의미있고 재미있었던 부분들이 많았는데요. 공모전 주제 선정에서부터 수상까지 SPH 데이터 컨설팅팀의 전문적인 분석 과정과 노력등을 공유해 드리려고 합니다.      

 

  • 공모전 주제 선정

최종으로 선정된 주제: 新 어린이 보호구역 제안 

서울시 빅데이터 캠퍼스에서 주최한 공모전은 예전부터 관심이 많이 있던 공모전입니다. 다른 주최사와 달리 사용 가능한 데이터, 즉 빅데이터를 기반으로 분석을 자유롭게 할 수 있다는 점에서 꼭 참여하고 싶었습니다. 주제 선정에 있어서는 꽤나 고심을 많이 했는데, 그 이유는 SPH 데이터 컨설팅팀은 사회 전반에 걸쳐 여러 주제에 관심이 많기 때문입니다. 예를 들어, ‘흡연 구역 설정’, ‘최적의 따릉이 구역’처럼 사회적으로 충분히 도움이되는 분석 결과를 내놓는다면 좋겠다라는 생각을 하고 있었습니다. 또한 양질의 데이터의 유무가 중요하다고 생각하는데요. 분석하고자 하는 주제가 굉장히 좋아도 데이터가 충분하지 않다면 분석 결과의 신뢰도에도 영향을 미치기 때문입니다.

저희는 어린이 교통사고에 관한 뉴스들을 다수 접하면서 ‘어린이 보호구역’에 대해 관심을 갖게 되었고 관련 데이터가 서울시 및 여러 기관에서 제공하는 것을 확인한 뒤에 최종으로 이 주제를 선정하게 되었습니다. 또한 현재 어린이 보호구역은 어떠한 특징과 법안이 있는 지 살펴 보았는데, 생각보다 허점이 있다는 것을 알게 되면서 데이터 분석 및 기획을 시작하게 되었습니다. 

 

  • 공모전 기획 

프로젝트 소개부터 결과까지의 과정 

 

빅데이터를 이용한 분석도 중요하지만 데이터 분석가로서 중요한 역량 중 하나인 상호 커뮤니케이션, 즉 설득력있는 기획을 어떻게 진행할 것인지에 대해 고민을 했습니다. 아무리 분석을 잘해도 사람들이 이해하기 쉽지 않다면 분석한 결과의 가치가 많이 떨어지기 때문에 분석에 ‘스토리’를 담아 PPT에 녹여냈습니다. 

이 주제를 선정한 배경, 사회적 상황, 어린이 보호구역의 현재 법률적 효력 등 사회적 이슈와 現 어린이 보호구역 기준의 변화에 대한 긍정적인 결과 순으로 PPT에 담아내려 노력했습니다. 또한 ‘당위성’이 중요한 부분이라 생각하였습니다. 저희가 특정 데이터를 수집 및 이용한 이유, 데이터 분석에서 머신 러닝 모델을 이용한 이유와 결과물에 대한 심도있는 해석까지 포함한 내용이 들어있습니다 (아래 발표영상 링크 참고). 빅데이터 분석으로 끝나는 게 아닌, 적재적소에 이 분석 결과가 사용되길 바라는 마음을 담아내어 기획을 했습니다.  

   

  • 데이터 수집 및 ETL

어린이 교통사고 현황 [출처: TASS 교통사고 분석 시스템] 

어린이 교통사고 데이터는 TASS에서 지난 6년 간의 데이터를 수집할 수 있었기 때문에, 꽤 양질의 데이터를 모을 수 있었습니다. 또한 서울시 빅데이터에서 제공하는 SKT 유동인구 데이터를 통해 10대 유동인구의 이동 동선을 확인할 수 있었으며 초등학교 및 유치원, 그리고 어린이 보호구역 현황은 서울시 열린 데이터 광장(https://data.seoul.go.kr)에서 수집했습니다. 

‘데이터 분석의 꽃은 전처리’라는 말이 있을 정도로 저희 SPH 데이터 컨설팅팀은 데이터 전처리에 많은 노력을 기울였습니다. 어떠한 데이터를 추출하고 필요하지 않는 데이터는 어떻게 보관할 것이며, 중요한 데이터 중 어느 변수를 원 핫 인코딩 처리 할 것인지, 그리고 결측치 처리 및 Outlier 처리에 관련하여 많은 노력을 들였습니다.  

 

 

  • 데이터 분석

데이터 수집부터 분석 결과까지의 과정을 시각화한 차트

지도 학습 및 비지도 학습 등 여러 분석 방법들이 있는데 저희는 ‘어린이 교통사고 건수’라는 Target 값이 있었기 때문에 지도 학습으로 진행하였습니다. 또한 여러 전문적인 머신러닝 회귀 모델들이 많았는 데, 이번 분석에서는 머신러닝의 모델을 이용했습니다. 모델 중 최적 모델 선택에 있어서는 MAE (Mean Absolute Error)을 기준으로 가장 낮은 오류 값을 가진 모델이 성능이 좋은 모델이라 판단하였습니다. 저희의 분석 결과로는 10개의 모델 중 Random Forest Regressor가 가장 최적의 모델로 선정되었습니다.    

Random Forest Regressor는 앙상블 회귀 모델로써 MAE가 0.08의 가장 낮은 오차값을 가지고 있습니다. 이 모델이 선정한 중요 변수와 Pearson Correlation에서 중요 변수로 제시된 변수들은 ‘10대 유동인구’,’주변 유치원 수’, ‘주변 초등학교 수’입니다.  (아래 사진 참고)

 

머신 러닝 모델이 선택한 중요 변수들 및 필터링 과정

 

저희 공모전 주제는 데이터 분석 관점이 두 가지로 나뉩니다. ‘현황 분석’과 ‘예측 분석’. 현황 분석과 예측 분석으로 나뉜 이유는 1.현재 문제점을 조금 더 정밀히 파악하고 어린이 보호구역 기준의 미흡함에 대해 경각심을 주기 위함2.현재는 알 수 없지만 예측을 통해 머신 러닝 분석 결과에 기반하여 미래 사고 위험도를 알려주기 위함이었습니다. 

현황 분석은 데이터 분석을 통해 알게된 중요 변수들을 통해 필터링을 하여 어린이 보호구역으로 설정되진 않았지만 설정되어야 하는 곳들을 나열했습니다. 중요 변수들은 ‘초등학교 수’, ‘유치원 수’, ‘10대 유동인구 수’였는데 이 값들에 특정 기준치 이상일 경우 현재 어린이 보호구역으로 선정되어야 하는 구역을 나열했습니다. 특정 기준치는 ‘10대 유동인구 수’는 상위 10%값, 유치원 수는 1곳 이상, 초등학교 수는 2곳 이상으로 이 모든 기준치에 부합되는 장소인데 어린이 보호구역으로 선정되지 않았으며 사고 수가 5건 이상인 경우인 장소는 로드맵을 통해 실제 어린이 보호구역으로 어느 장소까지 보호되는지 살펴보았습니다. 

예측 분석은 말 그대로 머신러닝 알고리즘이 예측한 사고 건수입니다. 예를 들어 사고가 1건이 일어난 장소들을 Test Set(216건)으로 선정하여 현황 분석때 이용한 머신러닝 모델을 통해 이 장소들이 향 후, 얼마나 사고 건수가 상승하는 지 살펴봤습니다. 그 중 43곳은 사고 발생 건수가 2건 이상이었으며 이 점을 토대로 어린이 교통 사고가 일어날 확률이 높으니 지정이 반드시 필요하다라는 점을 피력했습니다. 

 

  • 데이터 분석 결과 – 어린이 보호구역으로 지정되어야 하는 3곳!

빅데이터 및 AI를 통해 알아낸 어린이 보호 구역 지정으로 시급한 TOP3 지역

데이터 분석 결과 중 현황 분석을 통한 결과를 보여드리자면, 가장 어린이 보호구역으로 지정되어야 되는 시급한 곳은 1. 석촌 호수로 잠실 새내역 사거리 2. 내발산동 강서로 47길 3. 구로구 개봉동 179-46으로 나타났습니다. 어린이 교통사고가 5건 이상 발생되며 초등학교 및 유치원이 주변에 위치하며 10대 유동인구가 상위 10% 이상 존재하는 장소임에도 불구하고 어린이 보호구역으로 지정되지 않은 곳입니다.

어린이 보호 구역 지정으로 시급한 TOP3 지역의 실제 사진 및 사고 현황

석촌 호수로 잠실 새내역 사거리인 경우는 반경 400m 지점까지 어린이 보호구역이 없었으며, 구로구 개봉동 179-46과 내발산동 강서로 47길 3은 어린이 보호구역이 존재하나 그 주변에서 일어나는 어린이 교통사고가 존재하는 것으로 보입니다.  현재 법령으로는 볼 수 없지만 빅데이터 및 AI를 통해서 찾을 수 있는 ‘사각 지대’입니다.  (자세한 분석 내용은 아래 자료 공유를 참고해주세요)

 

  • 잠깐! 토막 소식 

어린이 보호구역 지정에 대한 염원이 서울시에 닿았는지, 최근 잠실 학원 사거리에 기존에 없던 어린이 보호구역 및 30km 속도 제한 과속 카메라가 설치되었습니다. 저희 데이터 분석 결과였던 어린이 보호 필수 구역 1위로 선정된 곳에 CCTV 설치 및 어린이 보호 구역으로 지정이 되어 이 근방의 어린이 교통사고 예방에 긍정적인 변화가 있을 것으로 예상됩니다! 아래 사진은 SPH 조영만 차장님께서 어린이 보호구역 지정에 대한 기쁜 마음을 담아 공유해주신 사진입니다.

최근 잠실 학원 사거리에 설치된 어린이 보호구역 및 과속 카메라 모습

 

  • 아쉬운 점 및 챌린지 

서울시 빅데이터 캠퍼스에 참여하게 되면서 느낀 점 중 아쉬웠던 부분은 데이터의 불균형입니다. 예를 들면 서울시 빅데이터 캠퍼스이지만 사실상 대한민국을 대표하는 빅데이터 캠퍼스이기 때문에 분석 주제가 서울시로 국한되지 않습니다. 하지만 서울시 외의 데이터들은 잘 갖추어있지 않거나 양질의 데이터가 많지 않다보니 자연스럽게 분석 타겟이 서울 시내로 맞춰지는 게 조금 아쉬운 부분이었습니다. 대한민국 내의 행정에 관련된 데이터들이 한 곳에 잘 정리되어 있다면 소외된 지역에 관한 효율적인 빅데이터 분석이 가능하지 않을 까 싶습니다.   

 

  •   수상 결과에 대한 의견 및 소회

2020년 저희 데이터 컨설팅팀이 사회 이슈에 대해 열심히 분석하고 관심을 갖게 된 것에 대한 ‘선물’이라고 생각합니다. 다른 공모전 팀들도 분명히 필요한 뜻깊은 분석을 하였으며 공모전 참여만으로도 다른 팀들의 분석 인사이트를 보면서 배울 점이 많았습니다. 서울시 빅데이터 캠퍼스 사옥에도 방문해보고 공공 데이터가 어떻게 관리되는 지 배우는 시간이었습니다. 또한 저희 뿐만 아니라 많은 참가자들이 빅데이터 분석에 크게 관심을 갖는 것을 볼 때, 미래에는 정말 빅데이터를 통해 과거보다 더 도움이되는 정책들이 나오지 않을 까 기대됩니다. 저희 SPH 데이터 컨설팅팀은 사회적 이슈 및 여러 공공 사안을 비롯하여 흥미로운 주제들로 인사이트있는 분석을 가지고서 다시 찾아뵙겠습니다. 감사합니다.

  

서울시 빅데이터 캠퍼스 최우수상 시상식 

Blog written by 이소린 전임 연구원

 

김도환 전임 연구원 발표 영상 및 분석 자료 다운로드: 


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.

데이터 업계 고수와의 인터뷰 01 – 박용재 데이터 분석가님

박용재 데이터 분석가님

 

 

SPH 데이터 컨설팅팀에서 새롭게 선보일 콘텐츠. 바로, 데이터 업계에 계신 선배분들을 찾아뵙고 인터뷰를 진행하는 것인데요! 첫 시작은  GIS United, SK 플래닛, 현대 카드 등을 거쳐 현재 라인 플러스(2013년 설립된 네이버의 자회사로 LINE의 글로벌확장을 함께하고 있는 회사)에서 데이터 분석가로 근무하고 계신 박용재 님입니다. 박용재 님은 첫 직장인 GIS United에서 다년간의 공간 데이터 분석 경험을 쌓으셨습니다. 공간 데이터뿐만 아니라, 커머스를 비롯한 다양한 도메인에서의 데이터 분석 경험을 가진 박용재 님은 말 그대로 데이터 분석계의 10년차 ‘고수’이십니다.

 

감사하게도 박용재 님께서 인터뷰에 응해주셨습니다. 데이터 분석 업계의 선배님을 찾아뵙는 건 이번이 처음이네요. 매우 떨리는 한편, 더 배울 수 있다는 점에서 설렙니다. 

 

저희가 찾아간 곳은 과천에 있는 아늑한 카페입니다. 카페에서 진행하게 된 첫 번째 인터뷰. 박용재 님을 만났습니다. 따뜻하고 선한 미소가 인상적이었습니다. 젊은 얼굴에 벌써 두 아이의 아빠라는 박용재 님. 인터뷰에 대한 사전 답변도 상세히 보내주셨고 인터뷰 내내 친절하고 상냥하게 대해주셔서 정말 감사했습니다. 

 

친절한 선배님과의 인터뷰! 어떻게 진행되었을까요? 차근차근 살펴보시죠!

 

Q. 안녕하세요! 박용재 분석가님. 인터뷰에 응해주셔서 감사합니다. 현재 굴지의 기업에서 데이터 분석가로 활약하고 계시는 데요. 데이터 분석을 전공하신건가요?

A. 안녕하세요. 반갑습니다. 처음에 저는 데이터 분석을 한다는 생각은 하지 못했습니다. 원래 전공은 건축학이었습니다. 우연한 기회로 ‘건축 기획’이란 수업을 듣게 되었습니다. 이 수업에서 지도를 이용한 공간 분석이 포함되어 있었고, 그때 부터 관심을 기울이기 시작했던 것 같습니다. 데이터를 재료로 삼아 시각적으로 인상적인 무언가를 만드는 게 좋았습니다. 하다 보니 이게 데이터 분석이고, 빅데이터고, 데이터 과학이고.. 그런 영역이었습니다. 어떻게 보면 커리어를 우연하게 시작하게 된 것 같습니다.

 

Q. 공간 분석에서 데이터 분석의 첫 발을 디디셨다는 게 흥미롭습니다. 그렇다면 공간 분석에서 더 넓은 분석 분야로 넓히게 된 계기가 있을까요?

A. 공간 분석이 제일 많이 쓰일 거라 예상된 분야는 상권분석이었으나, 위치 정보만으론 한계를 느꼈습니다. 원래는 위치 정보만으로 공간 분석을 진행했죠. 사람들이 공간상에서 비슷한 특징이  있는 곳을 찾아간다는 전제 조건하에 이루어진 분석입니다. 하지만 SNS가 발달한 요즘 시대엔 이 전제가 성립하지 않게 됐어요. 위치상 아주 동떨어진 곳이라도 SNS 정보가 있으면 사람들은 방문합니다. 그렇기에 전통적인 위치 정보만으로 하는 공간 분석에는 한계가 있다고 판단했습니다.

 위치 정보가 유의미하게 쓰일 수 있는 영역은 다양하게 존재하긴 합니다. 가령 교통사고 분석과 같은 곳이죠. 하지만 앞으로 공간 데이터뿐만 아니라, 공간 분석이 메인이 아니라 하나의 부분이 되어서 SNS 데이터를 포함한 다양한 데이터를 추가해서 분석하는 게 필요하다고 생각합니다.

 

Q. 공간 분석에서 더 넓은 분야로 시야를 넓히셨을 때 가장 힘들었던 부분이 있을까요? 

A. 분석의 단위를 ‘공간’에서 벗어나는데 2년이 넘게 걸린 것 같습니다. 분석의 기준을 유저 단위로, 서비스 단위로, 기능 단위로 분석의 기준을 자유롭게 오갈 수 있어야 하는데, 도메인이 무엇이든 ‘공간 단위로 집계하는’ 것을 1순위에 놓는 사고를 유연하게 만드는 게 가장 어려웠습니다. 

 한 편으로는 개인적으로 성장은 스스로 불편한 상황을 편할 때까지 견디는 과정에 있는 거 같다는 생각을 많이 하게 되었습니다. 지금도 새로운 걸 배우면 처음에 너무 와 닿지 않아서 힘든데, 어느 순간 익숙해지고 그 사안에 대해 편하게 말하게 될 때 좀 더 성장했다고 느끼게 됩니다.

 

Q. ‘성장은 스스로 불편한 상황을 편할 때까지 견디는 과정’이라는 말이 와닿습니다. 그렇다면 현재 데이터 분석가로써 하고 계신 직무는 무엇인가요?

A.  현재 라인 플러스에서 서비스 KPI 관리 및 데이터 분석을 맡고 있습니다.

 

Q. 서비스 KPI 관리? 구체적으로 어떤 업무일까요? 

A. 서비스 기획실 소속으로 유저들이 글로벌 메신저 라인의 어떤 서비스를 얼마나 잘 이용하는지, 각 서비스별 성과 지표를 정의하고 분석하는 일 등을 하고 있습니다. 각 서비스 팀의 데이터 엔지니어들과 협업하는 일도 많습니다.

이전에 데이터 분석가로 일했을 때와는 좀 다른 측면도 있습니다. 마케팅, 사업 쪽에서 요청받는 업무에 대해 퍼포먼스를 개선하는 등 이미 진행된 내용에 대해 서포트하는 경우가 많았습니다. 현재는 서비스 기획실에 있다보니 새로운 서비스가 런칭하는 단계부터 협업하면서 분석을 진행하고, KPI 관리 측면에서는 PM 역할로 다른 조직에 협업을 요청하는 일도 종종 있습니다.

 

Q. 현재는 서비스 KPI 관리나 더 넓은 분야의 데이터 분석을 하고 계시는 데, 기회가 되신다면 집중하고 싶은 분석 분야가 있으실까요?

A.  만약 지도와 관련해서 새로운 것을 시도해본다면 지도 제작에 관심이 있습니다. 흔히 말하는 street 레벨의 지도가 아닌, 데이터 분석 결과가 반영된 지도입니다. 분석 결과가 시각화로 지도에 잘 녹여져야겠죠. 지도만 보아도 사람들이 이해하기 쉽고, 각 영역에 맞는 편의를 제공할 수 있는 그런  지도를 만들어보고 싶습니다.

 

Q. 조금은 어려운 질문일 수도 있는데요(웃음). 데이터 분석가(과학자)로서 중요 역량을 다섯 가지로 나누자면 문제 정의, 기술력, 분석력, 해석력, 영향력이 핵심기술이라고 합니다. 혹시 이 중 개인적으로 데이터분석가로서 가장 중요한 역량이 있을까요?

A. 무엇이 더 우선한다는 것은 없을 것 같습니다. 분석가라는 롤은 전방위적으로 계속 확장해나가야 하는 그런 직업 같습니다. 현대 축구의 미드필더 같다는 생각을 많이 합니다. 패스도 웬만큼 해야 하고, 위치선정도 좋아야 하고, 수비도 잘해야 하고, 가끔 골 에어리어 근처에서 결정력도 지녀야 하고요. 다 어느 정도 할 줄은 알아야한다는 점에서 경력이 쌓이더라도 해결해야 할 점이 많다고 생각합니다. 저는 필요한 역량을 꼽아보자면, 문제 정의 + 기술력 + 창의력&모델씽킹 + 커뮤니케이션이라고 생각합니다.

 

Q. 데이터 분석가의 중요 역량에서 ‘문제정의’는 어떤 의미일까요?

A. 분석 프로젝트마다 똑같은 주제일지라도 똑같은 방식으로 풀 수 있는 문제는 하나도 없습니다. 그 케이스에 맞는 해결책을 찾을 수 있게 파고들어야 하는데, 이걸 하려면 일단 ‘잘 들어야’ 했습니다. 거기에 모든 힌트가 다 들어있습니다. 가끔 내가 공부한 머신러닝 모델이나 베스트 케이스를 종착점 삼아 프로젝트 착수를 하는 실수를 할 때도 있는데, 그 모델과 케이스는 내가 풀어야 할 문제와 전혀 맞지 않은 경우가 많았습니다. 결론적으로, 문제 정의는 ‘풀어야 할 문제를 제대로 인지하는 것’이라고 할 수 있습니다.

때로는 도메인 영역에 대한 이해를 간과하면 문제를 제대로 정의하지 못할 수가 있습니다. 11번가에 있을 때 였습니다. 리뷰분석을 해야 했기에, 아마존을 많이 참고했었죠. 하지만 당시 11번가 리뷰는 아마존 리뷰와는 많이 차이가 났습니다. 가장 큰 차이점은 11번가엔 양질의 리뷰 수가 부족하단 것이었습니다. 문제 정의를 달리 해야 했습니다. 현실을 직시해서, 좋은 리뷰어를 발굴하고 좋은 리뷰가 잘 쌓이는 것에도 초점을 맞춰야 했습니다.

 

Q. 도메인 영역에 대한 이해. 간과해서는 안되는 중요한 부분이네요. 그렇다면 요즘 많이 언급되는 딥러닝, 머신러닝 등.. 분석 기술력에 대해서는 어떻게 생각하시나요?

A. 모든 기술을 다 따라잡을 필요는 없지만, 필요한 기술은 지속적으로 습득해야 합니다. 그리고 그 기술이 ‘도구’라고 가볍게 생각해본다면, 굳이 가려서 배울 것이 없습니다. 기술력이 중요한 이유는 ‘속도’를 담보하기 때문입니다. 개인적으로 프로의 기준은 ‘같은 업무의 양과 수준을 제한된 시간 내에 혹은 더 빠르게 할 수 있는 것‘이라고 생각합니다. 다양한 기술에 능하면, 주니어가 2달 걸릴 일을 시니어는 2주 이내에 끝낼 수 있습니다. 더 나은 분석가는 더 높은 수준의 분석을 1주일에 끝낼 수 있을 것이고요. 물론 모든 기술을 다 배워야 한다는 것은 아닙니다. 같은 시간 내에 기술력을 키우는 것과 다른 역량을 키우는 것을 적절히 조절해야 하기 때문입니다. 그래서 기술력을 갖춘다는 것은, 수많은 기술 트렌드 중에 나에게 필요한 것이 무엇인지 골라내는 안목도 포함된다고 생각합니다. 이런 부분은 집중해서 살펴보기보다는, 평소에 심심할 때 구글링해보고 관심 가지는 게 가장 나은 방법인 것 같습니다.

 

Q. 필요 역량으로 언급하신 부분 중 창의력&모델씽킹은 어떻게 보면 가장 어려운 부분일 것 같습니다. 

A. 이 역량은 문제 정의 능력의 연장선일 수 있는데요, 제대로 이해한 내용을 평이하게 풀어내지 않는 것입니다. 그 조건과 문제 특징에 맞게 묘수를(적합한 모델 또는 인사이트) 찾는 것인데, 이 과정을 ‘어떻게 해야 한다’는 것을 정의하기는 쉽지 않은 것 같습니다. 논리적인 근거로 분석해온 과정을 바탕 삼아서, 한 단계를 ‘건너뛰는’ ‘점프하는’ ‘도약하는’ 느낌으로 방안을 제시하는 능력이라고 애매하게 설명할 수 있을듯합니다. 경험상, 화두처럼 한가지 생각과 주제를 풀릴 때까지  ‘곱씹듯이’ 고민을 많이 할수록 좋은 답이 나왔던 것 같습니다. Model Thinking은 내가 풀어나간 방식을 모형화 하는 것입니다. ‘머신러닝 모델’, ‘딥러닝 모델’이 아닌, 전체 프로세스 중 핵심적인 부분을 어떻게 정규화하여 비즈니스 모델 또는 엔지니어링 모듈처럼 다룰 수 있을까 생각해보는 것이 중요하다고 생각합니다.

말씀드린 모든 영역이 다 중요합니다. 그래서 이 부분이 직무에서 좀 도전적인 부분이라고 생각합니다. 그렇지만, 어느 순간이 되면 선택과 집중을 할 필요가 있습니다. 저는 그 과정 중에 있고요.

 

Q. 언급하신 여러 역량 중에 박용재 분석가님이 생각하기에 강점이 부분이 있나요? 

A. 저는 기술력은 앞으로 채워나갈 빈 곳이 많고요^^. 팀 플레이할 때에 아이디어를 많이 내는 편입니다. 비교적 기여를 많이 하는 부분인 것 같습니다. 제가 잘한다고 생각하는 부분이 있다면, 다른 영역의 아이디어를 또 다른 영역에 접목해보는 것이라는 생각이 듭니다. 이런 아이디어나 프레임은 이미 누구나 아는 것이긴 한데, 이 프레임을 다른 데 갖다 대면 완전히 새로운 아이디어가 되는 경우가 있고, 두 가지를 합쳐보면 또 새로운 게 나오고. 설명이 좀 추상적이긴 하지만 그런 경우가 많았습니다. 

 

Q. 위에 말씀하신 역량 중 ‘커뮤니케이션’ 부분에 큰 강점이 있으신 것 같네요. 그렇다면 분석하면서 가장 즐거웠던 순간은 언제일까요?

A. 당연히 가장 즐거웠던 순간은 1) 해결책(포괄적인 의미의 모델)이 떠올랐을 때, 2) 그 해결책에 전체 데이터를 밀어 넣고 그 결과를 봤을 때입니다. 프로세스는 알지만, 그 결과가 어떻게 나올지는 전혀 알 수 없기 때문에, 그 결과는 늘 궁금했던 만큼 신기한 것 같습니다.

 

Q. 반대로 힘들었던 순간도 있으셨을 것 같은데요?

A. 힘들었던 순간은 내가 가진 역량으로 프로젝트를 풀기에 부족하다고 느낄 때인 것 같고, 스트레스(?)받을 때는 성장할 수 없는 프로젝트를 하거나 그런 가능성이 별로 안 보일 때인 것 같아요.

 

Q. 이 질문은 데이터 분석 고수께 꼭 묻고 싶은 질문인데요! 데이터 분석 결과가 원하는 방향으로 나오지 않을 때, 즉 분석 모델 성능이 너무 안 좋다고 판단될 때, 혹은 분석 결과가 원하는 기획 방향대로 나오지 않을 때 어떻게 계획을 재설정하시나요?

A. 기획 방향대로 나오지 않는 것이 정상적인 경우라고 생각합니다. 시나리오, 가설을 생각하고 몰입하다 보면 그 결과가 나오지 않는 것이 이상하다고 여길 때가 있습니다.

 분석의 목적으로 돌아가 보면, 일차적으로 있는 현상을 있는 그대로 인식할 수 있어야 하는 것 같습니다. 예를 들어, ‘서울 주요 상권에서 폐업을 덜 하게 하려면 어떻게 해야 할까’라는 문제를 푼다고 가정할 때, 이 질문의 가정은 ‘폐업을 많이 한다’입니다. 그런데 아무리 데이터를 뜯어봐도 다른 도시에 비해 폐업이 적을 수도 있습니다. 폐업이 많은 것은 통념이거나 나도 모르게 생겨난 인식이었을 수 있습니다. 이럴 때 질문이 잘못되었다고 빠르게 방향 수정을 할 수 있어야 합니다. 글로 읽으면 너무 당연해 보이지만, 제한된 시간에서 내 로직을 놓치기 싫을수록 이런 당연한 것들이 잘 안 보이는 경우도 매우 많았던 것 같습니다.

< 분석 결과물을 어떻게 잘 표현할 수 있을지 실제 지도를 보면서 설명 중>

 

Q. 문제를 있는 현상 그대로 인식하는 것. 정말 좋은 말씀입니다. 박용재 분석가님이 보셨을 때, 현재 분석가로서 더 개발하고 집중하면 좋은 분야가 있을까요?

A. 분석가의 유형은 기능적인 측면에서나 도메인 측면에서나 그 스펙트럼이 매우 넓다고 생각합니다. 개인적으로는 데이터 분석 경험이 어느 정도 누적되었다면, DPM(Data Product Manager) 에 대해 진지하게 생각해볼 필요가 있다고 생각합니다. 

 

Q. DPM?

A. DPM은 분석하는 과정이나 분석을 포괄하는 모듈을 제품처럼 다룰 수 있는 매니저 역할인데, 최근에 제가 회사에서 맡은 일이기도 하고요. 분석은 직접해보면서 겪어보지 않으면 알 수 없는 게 많습니다. 그래서 그런 제품을 만드는 데에도 분석 경험을 풍부히 갖출수록 장점이 많다는 생각이 듭니다. 아직 DPM이라는 단어가 데이터 시장에서는 생소한 편이나, 미국에서는 이제 제법 사용되고 있고, 최근에 카카오에서 직무를 신설해서 채용하는 것도 본 적이 있습니다.

 

Q. 분석가 유형 중에는 DPM을 추천해주셨는 데요. 그렇다면 데이터 분석 내에서 추천할만한 도메인이 있을까요?

A. 어떤 도메인이 유망하다거나 중요하다기보다, 해당 도메인에 대해 자신이 관심 있는 분야인지가 중요하다고 생각합니다. 서비스 관점과 데이터 과학 관점에 따라 데이터셋을 바라보는 게 달라집니다. 데이터 분석가로서 데이터 과학 관점에서 데이터 셋을 바라보기 쉽죠. 가령, 모델러의 입장에선 모델의 성능을 향상시키기 위해 최대한 많은 속성과 특징들을 이용하고 싶을 수 있습니다. 하지만, 속성 정보를 자세히 아는 건 서비스 관점에선 중요하지 않을 수 도 있습니다. 서비스 관점에선 전체 볼륨이 얼마나 되는지를 파악하는 게 더 중요한 경우도 많고요. 다른 조직과 협업할 때 영향력 있는 분석가가 되려면 데이터셋을 서비스 관점에서 바라보는 노력이 중요하다고 생각합니다. 빅데이터라고 다 중요한 게 아니거든요. 데이터 중에서 핵심인 데이터를 찾고, 관련 없는 데이터도 파악할 수 있어야 합니다.

 

Q. 데이터 중 핵심 데이터를 찾는 식견을 기르기 위해서는 지식을 많이 쌓아야 할 것 같네요. 분석가님은 데이터 분석 관련해서 감명 깊게 읽은 책이나 추천할만한 도서가 있으신가요? 또는 자주 참고하는 사이트가 있나요?

A. 저는 데이터 시각화를 좋아해서, 여기저기 둘러보는 편입니다 (프로젝트에서 화려한 시각화할 일은 없지만요) flowingdata.com 사이트를 좋아하고, 이 사이트 운영자가 낸 책 중 visualize this를 좋아합니다. 출간된 지 시간이 많이 지나서 같이 첨부된 R 코드 자체는 매우 basic 합니다. 그리고 NY times 인터랙티브 기사도 좋아합니다.

 ‘모델’을 다룬 책 중에서는 ‘매칭’ (앨빈 로스 지음)을 너무 재밌게 읽었습니다. 장기이식 문제를 풀려면 서로 모르는 사람이 합을 맞춰야 하고, 수술 시간도 제한적이어서 늘 쉽지가 않다고 합니다. 이를 경제학 모델로 풀어내고, 실제로 병원에서 성공해내는 과정을 담은 책입니다.

<박용재 분석가님이 추천하신 도서 ‘매칭’>

 

 

Q. 마지막으로 주니어 데이터 분석가들에게 조언 한 말씀! 부탁드립니다.

A. 첫 회사에선 데이터 분석으로 돈을 벌어야 했습니다. 하지만 SPH는 데이터 분석이 아닌 다른 분야로 이미 수익을 창출하고 있죠. 당장 수익을 창출할만한 프로젝트를 하지 않아도 된다는 여유. 이걸 최대한 활용하셨으면 좋겠습니다. 다양한 시도를 하시는 거죠. 공간 분석에서도 지도뿐만 아니라 이미지 분석, 딥러닝, NLP 등을 접목해보는 것도 좋을 것 같습니다. 

 실제 프로젝트를 하는 거에도 명확한 장점이 있죠. 클라이언트로부터 피드백을 받을 수 있다는 건데요. 이를 위해선 데이터 저널리스트처럼, 페북과 같은 곳에서 공개적으로 피드백을 받는 것도 좋은 선택입니다. 

 데이터 저널에서 중요한 건 신속한 분석입니다. 또한 사람들이 아예 관심 없는 것은 파급력이 없으니 주제를 잘 선정해야겠죠. 그래서 미래의 예정된 이벤트에 대해서 분석하는 걸 추천해 드립니다. 가령 몇 개월 뒤에 예정된 부동산 정책이 있다면, 이 정책 시행되었을 때 발생할 파급 효과에 대한  분석을 미리 해볼 수 있겠네요. 지금부터 미래에 시행될 파급력 있는 정책을 조사하면, 그와 관련된 데이터를 쌓아둘 수 있습니다. 시뮬레이션이나 예측도 할 수 있고요. 그러면 그 정책이 시행된 시기에 신속하게 분석 결과를 공개 할 수 있겠습니다. 

 또한 앞서 말씀드린 DPM에 관심을 가지시면 성장하는 데 큰 도움이 되실 겁니다. 반복되는 프로젝트에서 중요한 부분을 모듈화, 자동화하는 거죠. 단, 여기서 모든 걸 프로덕트화 할 수는 없습니다. 시장의 반응을 보고 프로덕트화할 과정을 선택해야 합니다. 이를 위해선, 분석해왔던 과정이 어떻게 연결되는지 파이프라인 설계를 계속해보시는 게 도움이 됩니다.

 

<좌측부터 SPH 김도환 전임, 박용재 데이터분석가, SPH 이소린 전임>

 

Q. 귀한 시간 내어 주셔서 감사합니다. 

저도 오랜만에 다른 회사분들하고 즐거운 대화도 나누고, 저 스스로도 정리할 수 있는 시간이 된 것 같습니다. ^^

인터뷰를 마치고 …… (한 줄 후기)

*본 인터뷰는 코로나 19 방역에 준수하여 진행하였으며 사진 촬영 시에만 마스크를 내려 촬영하였습니다.

 

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.

여의도 직장인들을 위한 찐맛집은?

여의도 직장인들을 위한 찐 맛집은?

(1만 5천 개 이상의 맛집 리뷰 데이터 분석!)

“점심 뭐 먹지?”

 

직장인들의 중심지, 여의도에서 맛집을 찾는 것은 회사원들에게는 중대한 결정 사안 중 하나입니다. 대부분 입소문으로 식당을 가거나 인터넷 속 ‘후기’들로 소중한 점심 메뉴를 결정짓죠. 인터넷에는 식당 리뷰를 볼 수 있는 플랫폼이 매우 많지만, 업무로 바쁜 직장인들에게 일일이 모든 리뷰를 찾아보는 건 어려운 일입니다. 더군다나, 힘겹게 찾아낸 식당이 맛집이 아닐 경우 허탈감이 이루 말할 수가 없습니다. 누구나 한 번쯤은 블로그 리뷰를 보고 갔다가 실망하고 돌아와 봤을 거라 생각합니다. 

 

‘수많은 맛집 찾기 플랫폼에서 과연 어떤 정보가 믿을 만한가? 진짜 맛집을 찾을 수 있게 알려주는 정직한 곳이 없을까?‘ 

 

이번 포스트는 이와 같은 문제에 대한 저희 SPH 데이터 컨설팅팀에서 찾아낸 나름의 해답입니다. 맛집은 주관적인 요소를 상당히 많이 포함하고 있기에, 저희의 솔루션이 범용적인 모범 답안일 수는 없음을 말씀드리고 싶습니다.

우선 맛집과 관련된 모든 포털 사이트의 리뷰 정보를 취합하고 분석하는 과정을 보여드리려 합니다. 분석 과정에서 저희는 3가지 관점을 기준으로 삼고 각 기준별로 맛집 순위를 매겼습니다. 이러한 배경에는 앞서 말씀드렸듯이, 맛집에 대한 기준은 주관적이기에 1가지 관점만으로는 순위를 매기기가 어렵다는 데 있습니다. 저희 SPH 데이터 컨설팅팀은 ‘맛집 탐방러’에게 보다 신뢰할 만한 정보를 제공함으로써, 작게나마 여의도에서 식사하시는 분들께 소소한 행복을 전해드리고 싶습니다.

 

0. 맛집 리스트 선정

처음부터 전국 맛집을 모두 분석하기엔 음식점 개수가 너무나 많았습니다. 천 리 길도 한 걸음부터라고, 전국지점을 분석하기에 앞서 작은 한 지역부터 분석해보기로 했습니다. 이를위해, 저희가 근무하는 곳인 여의도 지역 내의 일부 맛집 데이터만을 분석해보고, 추후 (반응이 좋을 경우) 확장하기로 했습니다. 일종의 pilot study 개념으로 진행하였지만, 이번 분석을 통해 데이터 수집에서부터 분석까지 전체적인 파이프라인을 구축하였습니다.

여의도 찐 맛집을 조사하기에 앞서, 여의도 맛집 리스트 목록이 필요했습니다. 망고플레이트는 구글에 ‘맛집 검색’으로 검색하였을 경우 1순위로 등장하는 사이트입니다. 다이닝코드와 식신, 메뉴판 닷컴 등도 있지만 망고플레이트의 영향력이 아직 제일 높다고 생각하였기에 망고플레이트를 기준으로 맛집 리스트를 선정했습니다. 

망고플레이트에서 ‘여의도 맛집’이라고 검색할 경우 총 44개의 장소가 나옵니다. 한식, 일식, 양식에서부터 카페, 뷔페까지 다양한 업종의 장소들이죠.

이 44개 맛집의 주요 포털 사이트 5곳의 후기들을 취합하여 ‘진짜 맛집’을 보여드리려고 합니다.

 

1.리뷰 지수 

  리뷰란 가보지 못한 곳을 먼저 개척한 사람들에게 듣는 스토리이기도 합니다. 식당을 먼저 가본 고객들이 써 내려간 솔직 담백한 후기들을 보고, 우리는 해당 식당을 방문할지 말지를 한 번 더 고민하게 됩니다. 일부 광고성 리뷰를 제외하고, 대체로 리뷰가 긍정적인 식당이라면 ‘무난하게’ 점심을 즐길 수 있습니다. 리뷰를 통해 얼마나 맛있는지에 대한 점수를 매길 수 있습니다.

단, 이때 사용되어야 할 리뷰는 신뢰할만한 데이터여야겠죠. 리뷰 데이터가 신뢰성을 가지기 위해선, 광고성 리뷰나 의도적인 영업 방해 의도로 작성된 리뷰를 가려낼 수 있어야 합니다. 저희 SPH 컴설팅 팀에서는 리뷰 데이터로부터 신뢰성있는 정보를 추출하기 위해 평가하는 사람의 패턴과 점수 분포, 개수 분포 등을 반영하였습니다. 이를 바탕으로 텍스트 데이터에 대한 감성분석을 진행하고, 리뷰와 관련된 여러 메타 데이터와 조합하여 리뷰 지수를 산출했습니다.

 

데이터 분석 전문가가 분석한 단순하지만 정교한 맛집 리뷰 지수!

구글, 네이버, 카카오 등 식당 후기를 찾을 수 있는 플랫폼은 무궁무진합니다. 저희는 주요 포털사이트 5곳에서 최근 6개월 동안 고객들이 남긴 개별 리뷰 점수들을 총 취합하였고, 앞서 소개해드린 과정으로 저희 나름의 리뷰 지수를 산출했습니다. 리뷰 지수를 통해 산출된 결과는 카테고리별로 위 그래프와 같이 나타낼 수 있습니다. 한식에서는 진주집이, 일식에서는 아루히, 양식에선 테이스팅룸, 중식에선 라무진, 카페에서 그레이에스프레소가 높은 점수를 차지했습니다. 

 

리뷰지수 산출에 쓰인 딥러닝 기반 감성 분석

리뷰지수에는 리뷰의 점수 분포나 리뷰를 단 사용자의 패턴뿐만 아니라 텍스트 자체의 *감성 분석 결과도 포함되어 있습니다. 단순히 포털 사이트별 리뷰 점수를 취합한 수치가 아닌, 딥러닝을 통해 해당 식당에서 올라온 모든 후기 글의 감성 점수를 취합하였습니다. 또한 각 플랫폼에 나타난 식당 전체 평균 점수에서도 상대적으로 긍정의 비율이 높은 식당에는 가중치를 더 많이 주는 방법을 통해 차별화를 두었습니다.

 

 

이때 쓰인 감성 분석을 간략히 표현한다면 위 그림처럼 나타낼 수 있습니다.  우선 리뷰 텍스트 데이터내 단어들을 벡터로 임베딩 시켜줍니다. 임베딩을 통해 생성된 벡터를 딥러닝 모델의 입력값으로 활용합니다. 단어 임베딩 기법을 사용하였기에 단어들은 주변 문맥 정보를 반영하고, 딥러닝 모델로는 양방향 LSTM을 사용하여 언어 문법 구조의 복잡한 측면도 잡아낼 수 있습니다. 그 결과 적절한 확률값을 예측할 수 있고 이를 이용해 감성 분석을 시행하였습니다.

*감성 분석이란 문장을 형태소 단위로 분리하여 문장의 긍정 및 부정의 비율을 예측하는 기법입니다. 문장의 마지막 단어들에 높은 가중치를 매기는 LSTM 모델이 아닌 초반에 나온 단어들도 가중치를 높게 두어 예측하는 모델인 양방향 LSTM을 사용했습니다. 또한 15만 여개의 네이버 리뷰 데이터로 학습시켜 예측 정확도를 높였습니다.  

참고 문헌) Bidirectional Recurrent Neural Networks, Bidirectional LSTM Networks for Improved Phoneme Classification and Recognition

 

 

2. 리뷰 트렌드

“여기가 인기 식당이라는데 난 잘 모르겠는걸?”

오래전부터 오픈한 식당들은 당연히 리뷰 수도 많기에, 리뷰 데이터에서는 신규 식당보다 유리한 위치를 선점할 수 있습니다. 또한 예전엔 맛있었지만, 최근엔 맛이 변하여 예전만 못하거나 혹은 예전보다 훨씬 업그레이드된 식당들도 있을 수 있습니다. SPH 데이터 컨설팅팀에서는 여의도에서 ‘최근’에 핫한 식당들과 다소 인기가 떨어진 식당들을 보여드리려고 합니다.

최근 3개월간 식당을 다녀간 고객들의 후기가 좋아졌거나 나빠졌다는 것을 판가름할 수 있는 플랫폼은 지금까지 없었습니다. SPH 데이터 컨설팅팀에서는 최근 3개월간 리뷰의 평균 변화량을 다각적으로 분석하였습니다. 한식에선 정인멱옥, 일식에선 카레오, 양식에선 그리너리 샐러드, 중식의 경우 서궁, 카페는 아이엠베이글과 패트릭스와플이 최근 3개월간 사랑을 받고 있는 곳이네요. 그에 비해 진주집, 아루히, 테이스트링, 오헨과 뷔페 업종은 이전보다 고객의 발길이 뜸해졌습니다.

 

리뷰 트렌드에서 높은 수치는 해당 식당이 기존에 방문하던 고객 수와 비교했을 때, 더 많은 고객이 방문했거나, 평가가 이전보다 상대적으로 좋아졌다는 것을 의미합니다. 반대로 특정 식당의 수치가 낮을 경우, 해당 식당은 이전보다 고객의 방문이 뜸하거나 종전의 평가에 비해 최근 고객들의 평가가 낮아진 곳을 의미합니다.

가령 특정 식당의 금월 리뷰 수가 100개라고 합시다. 만약 전월 리뷰 수가 10개라면 해당 식당의 트렌드 지수는 높은 값을 띌 가능성이 높습니다. 반면, 전월 리뷰 수가 1000개였다면 오히려 감소하는 추세를 나타내기에 트렌드 지수는 낮은 수치를 기록할 것입니다. 물론 점수도 같은 맥락으로 파악해봐야 정확하게 알 수 있겠지만요. 리뷰 트렌드를 기준으로 최근에 뜨고 있는 식당을 방문해보는 것도 좋을 것 같습니다. 

 

출처: https://www.chosun.com/site/data/html_dir/2020/08/21/2020082100322.html

다만, 리뷰 트랜드의 경우 최근 코로나 바이러스의 영향이 반영될 수밖에 없습니다. 가령, 공간이 협소하거나, 다수의 사람들이 한 곳에 모일 수 밖에 없는 뷔페 같은 경우가 좋은 예입니다. 이런 곳의 경우 코로나의 여파로 인해 입은 피해가 위 수치에도 드러날 수 있습니다. 앞선 그래프에서도 보실 수 있듯이, 뷔페의 경우 트랜드가 음의 점수를 나타내고 있습니다. 또한, 일식에서 아루히는 리뷰지수와는 반대로 상당히 낮은 리뷰 트랜드 지수를 보입니다. 이 또한 코로나의 영향이라고 추측할 수 있습니다. 추측건대, 아래 사진에서 보듯이 아루히는 사람 사이의 공간이 넓지 않지만 항시 분비는 장소이기에, 최근 고객들에게는 다소 위험한 장소로 인식되었을 수도 있습니다.

 

아루히 네이버예약 페이지 사진

 

3. 가성비 순위  

 

후기 만큼 중요하게 생각하는 부분은 ‘가격’입니다. 여의도 직장인들에게 점심값은 ‘소소익선’입니다. 하지만 열심히 일한 직장인들의 소중한 한 끼기 때문에, 저희는 맛도 잡고 가격도 잡은 식당을 카테고리별로 소개해 드리려고 합니다. 가성비 순위를 보여드리기 전, 데이터를 통해 어떻게 가성비 순위를 산출하게 되었는지에 대한 과정을 보여드리겠습니다. 

 

식당의 가성비는 맛 대비 가격의 저렴함과 비쌈을 의미합니다. 개개인의 차이에 따라 맛의 평가가 달라지지만, SPH 데이터 컨설팅팀에서는 대중의 입맛을 대변하는 ‘리뷰 지수’, 해당 업종의 평균가격, 해당 식당의 평균 가격을 조합하여 새로운 가성비를 정의하고 이에 따른 순위 산출했습니다. 업종별로 가격대의 기준이 다를 수 있음을 인지하여 업종별 가격 차이를 중요 변수로 고려하였습니다. 

 

가성비 산출 프로세스에 따른 가성비 순위 결과  

 

가성비 1위는 각 카테고리별로 진주집, 카레오, 바스버거, 서궁, 그레이에스프레소입니다. 카레오는 일식이지만 주메뉴가 스시가 아니어서 가격이 상대적으로 낮게 측정된 면이 있습니다. 이 점을 감안하면 일식에선, 스시집인 아루히가 가성비가 매우 좋은 것을 확인할 수 있습니다.

 

 

4. 지도로 한 번에 보는 여의도 베스트 식당 현황

앞서 분석한 여의도 맛집의 리뷰 지수, 리뷰 트렌드, 가성비 순위를 구글 my maps에 나타내어 보았습니다. 식당 아이콘을 클릭하시면 식당별 점수와 순위 정보가 나옵니다.


5. 후기

 


Written and Analyzed by 

SPH 데이터 컨설팅 관련 컨설팅 문의는 여기를 클릭해주시기 바랍니다. 

머신러닝 지도학습을 통해서 꼽아본 최적의 스타벅스 DT 장소!?

2부-2: 머신러닝을 통한 스타벅스 DT 최적의 입지 점수는?

인문사회 데이터기반 스타벅스 DT 입지조건 분석(featuring by AI)

지금까지 최적의 입지 변수를 가진 스타벅스 DT 장소들을 찾아보았습니다. 제 2의 최적의 스타벅스 DT점이 되기 위해 ‘어디에’ 스타벅스 DT를 입점시키는 게 좋을 지 찾는 과정의 마지막 단계에 이르렀습니다.  

저희 SPH 데이터 컨설팅팀에서는 다양한 데이터로부터 학습과정에 필요한 변수들을 추출하고, 이를 토대로 지도 학습 시행했습니다. 학습 결과 나온 모델로 ‘입지 점수’를 예측할 수 있습니다. 지도 학습 결과 산출된 ‘입지 점수’는 해당 지점이 스타벅스 DT 입점에 얼마나 최적화된 장소인지를 수치화한 결과 입니다.

A. [머신러닝 지도 학습]이란? 

  머신러닝 지도 학습은 비지도 학습과 달리 명확하게 학습해야 할 정답(혹은 target, 종속변수)이 있습니다. 지도 학습에서는 유동인구, 아파트 세대수, 대기업 정보 등의 feature 데이터(독립변수) 들만 주어지는 게 아닌, 해당 데이터의 정답이 학습시 함께 주어집니다. 이렇게 학습된 모델은 feature를 입력으로 받은뒤, 입지 점수를 출력하는 함수라고 할 수 있습니다. 

  모델의 성능을 좌우하는 건 양질의 데이터이므로, feature 뿐만 아니라 target 도 매우 중요합니다. 이런 점에서 스타벅스 DT 입지 점수와 가장 관련 깊은 target은 스타벅스 DT의 매출정보가 아닐까 싶습니다.

* 하지만 매출 데이터를 얻을 방법이 없었기에, 저희 나름의 알고리즘을 바탕으로 입지 점수를 선정하고 이를 target으로 하여 모델링을 진행했습니다. 

B. 분류화 & 그룹별 머신러닝 기반 분석

SPH 데이터 컨설팅팀은 정확한 머신러닝 알고리즘을 구축하기 위해 스타벅스 DT점들을 총 4분류로 나누었습니다. 전체 스타벅스 DT점들을 하나의 알고리즘으로 분석하는 것보다, 분류 후에 각 그룹별로 예측한 입지 점수가 더 높은 정확도를 나타내는 것을 확인하였습니다. 그 과정과 결과를 설명드리려 합니다.  

관광지 그룹으로 분류된 스타벅스 DT점들은 강변, 드라이브 코스, 관광지 근처인 특징들을 가진 DT점들을 분류한 그룹입니다. 또한 실질적으로 ‘유명 관광지’ 근처가 아니더라도 리버사이드팔당DT점과 같이 휴식을 목적으로 찾아오는 지점들을 간추려내었습니다. 이 지점들이 가지는 특징과 입지 변수를 토대로 스타벅스 DT의 입지와 관련하여 예측 분석을 해보았습니다. 예측 분석 후 가장 크게 영향을 미치는 변수들 TOP10을 소개드리려고 합니다.    

관광 그룹으로 분류된 스타벅스 리버사이드 팔당점 DTR 전경

1) 머신러닝 모델링 과정 및 결과

– 스타벅스 DT점의 Target 변수?

  지도학습을 통해 모델이 완성된다면, 이 모델을 통해 스타벅스 DT 입점 전에 내가 선택한 장소가 얼마만큼의 매출을 낼 수 있는 지를 예측할 수 있습니다.

  앞서 말씀드린바와 같이, 머신러닝 지도학습에서는 target 변수가 중요합니다. Target 변수가 무엇일까요? 스타벅스 DT 입지 분석에서쓰인 target 변수는 스타벅스 DT를 입점하기에 적합한 장소인지 아닌지를 구분하기 위해서 쓰이는 변수입니다. 좋은 입점 장소를 선택하는 데 있어서 중요한 변수는 각 DT점의 ‘매출’ 및 ‘토지의 가치’등이 있습니다. 

여기서 저희가 결정하기 위해 시도했던 변수들은 1.감성 지수가 포함된 Label, 2. 6개월 네이버 영수증 개수, 3. 공시지가 3년치 상승률, 4. 공시지가 3년치 평균입니다. 네 변수 중 다른 독립 변수들과 상관 관계 수치가 가장 높고 많은 독립 변수가 포함된 변수를 target 변수로 선택했습니다.

여기서 저희가 관광지에 스타벅스DT를 입점하기에 적합한 장소인지 아닌지를 선택, 구분하기 위한 값으로 선택한 중요 변수는 ‘공시지가 3년치 평균’입니다. 즉 53개의 영향을 미치는 입지 변수들이 평균 66% 정도 ‘공시지가 3년치 평균’과 상관관계가 있다고 할 수 있습니다. 

입점 예정인 장소를 머신러닝을 통해 예측하였을 때 공시지가 3년치 평균이 높게 나온다면 그 장소는 여러 독립 변수에 근거하여, 스타벅스DT점으로 높은 매출을 전망할 수 있을 것입니다.

2) 관광지에서 스타벅스 DT 매출 상승을 위한 중요 변수는?

머신러닝 지도 학습 결과, 왼쪽 Y축의 값은 관광지로 분류된 스타벅스DT점들이 가지는 중요 변수들을 나타내었습니다. X축은 입점 장소의 공시지가 상승, 하락에 어떠한 영향을 가지는 지, 변수의 중요도를 뜻합니다. (중요 변수들 중 10개 발췌)

예를 들어, ‘수요일’ 유동인구는 관광지에서 스타벅스 DT를 입점하는 데 영향을 미치는 변수들 중 가장 중요한 변수라고 볼 수 있습니다. 특히, 수요일날 유동 인구 수가 많다면 그 관광지로 분류된 스타벅스DT점은 매출이 높을 가능성이 큽니다. 

반대로, 수 km내 주요기업 수는 관광지에 스타벅스DT를 입점하기에는 영향력이 매우 적은 결과값을 가진다고 볼 수있습니다. 

이러한 변수의 부정, 긍정적인 관계와 중요도의 높고 낮음을 통해 관광지에 스타벅스DT를 입점하는 데 있어서 입점 장소의 변수값의 중요성을 알 수 있습니다.

**아래는 이러한 머신러닝 알고리즘을 구축하는 과정에 산출한 정확도와 모델 선택 차트입니다. 첫번째 그래프를 통해서 모델링 오차가 mae(평균 절대값 오차) 기준 0.04 정도로 예측을 잘 하는 알고리즘이란 것을 확인할 수 있습니다. 또한 두번째 차트에서 보이는 것처럼, 최적의 성능을 산출하기 위해 10가지 이상의 모델을 학습시키고 이중, 가장 최적화된 StepwiseLinear 모델을 선택했습니다.

**아래는 머신러닝 모델의 잔차의 분포를 나타냅니다. 잔차의 분포가 정규분포를 따름을 확인할 수 있습니다.

 

IC 근처로 분리된 스타벅스 DT점들은 대략 80여개로, IC 진입로에 위치하여 있거나 고속도로 근처 및 지리적으로 아파트 쪽을 입구로 향하지 않고 고속도로쪽으로 출입구가 향한 지점들입니다. 또한 정확히 IC근처가 아닐지라도 이 지점들이 가지는 특징들은 주변 아파트 및 거주민들을 위한 고객층이 아닌, 고속도로로 진입하여 다른 지역으로 이동하는 고객층을 위해 위치한 스타벅스 DT점입니다.  

IC근처 그룹으로 분리된 스타벅스 수원IC DT 전경

1) 머신러닝 모델링 과정 및 결과

위의 관광지로 분류된 스타벅스DT 모델 알고리즘 프로세스와 같이 IC근처로 분류된 스타벅스 DT도 Target 변수 선택이 중요한 단계입니다.

각각의 종속변수에 대해 feature들과의 상관관계를 분석했습니다. 위 차트의 핵심적인 수치를 요약한 그래프는 아래와 같습니다.

  위 그래프에서 볼 수 있듯이, 공시지가 3년 평균 결과의 feature개수와 값이 가장 높습니다. 49개의 다른 입지 변수들이 공시지가 3년 평균값에 평균적으로 44% 영향을 미칩니다. 이를 통해 종속변수를 선택하고 모델링을 진행했습니다.

2) IC 근처에서 스타벅스 DT 입점시 매출 상승을 위한 중요 변수는?

  위의 그래프는 IC 근처로 분류된 스타벅스DT점의 매출 상승에 영향을 미치는 요인이라고 볼 수 있는 변수들과 중요도입니다. IC근처에 주요기업 개수가 많을 수록 스타벅스DT 입점에 유리한 변수로 작용할 수 있습니다. 또한, 인근에 스타벅스가 존재한다면 오히려 매출 상승에 좋은 영향을 줄 수 있다는 결과를 가지고 있습니다. 주말에 교통량이 많을 수록 IC근처에 스타벅스 DT 입점이 긍정적인 요인이 될 수 있습니다. 

**최적의 성능을 산출하기 위해 가장 최적화된 AdaBoostRegressor 모델을 선택했습니다.

사업체로 분류된 스타벅스 DT점은 주변에 기업 캠퍼스, 산업단지 등이 위치해있어, 회사원들이 주요 고객층으로 자리한 DT점입니다. 대략 40여개의 스타벅스 DT가 사업체 그룹으로 분류되어있으며 이 그룹은 다른 분류 (관광, IC근처, 아파트)와는 다른 입점 변수가 크게 작용할 것으로 예상하고 있습니다.

사업체 그룹으로 분류된 스타벅스 광주신세계DT 전경

1) 머신러닝 모델링 과정 및 결과

사업체 근처로 분류된 스타벅스DT가 최적의 입점 장소인지 아닌지를 분류해내는 종속 변수를 선택하는 데 있어서 위의 프로세스와 같이 네가지의 변수들을 이용했습니다. 아래 그래프를 통해 53개의 다른 입점 변수들이 공시지가 3년 평균 결과값에 평균적으로 51% 영향을 미친다고 나옵니다.

다른 여타의 변수들보다 높은 변수 상관율과 많은 변수들이 영향을 끼치기 때문에 ‘공시지가 3년치 평균’을 사업체 근처 스타벅스DT 입점의 종속 변수로 사용했습니다.

2) 사업체 근처에서 스타벅스 DT 입점시 매출 상승을 위한 중요 변수는?

 사업체 근처에 스타벅스DT 입점시 중요한 변수는, 머신러닝 지도학습 결과 나타난 위의 변수들입니다. (중요 변수 10개만 발췌)  

이를 통해 사업체 근처 스타벅스 DT의 경우, 교통량이 많고 아파트 세대수가 많으며, 인근에 스타벅스가 위치해 있을수록 매출 성장이 높은 곳이라고 분석할 수 있습니다.

앞서 비지도 학습에서 1군집으로 분류된 ‘스타벅스 광주신세계DT’점은 위의 변수들을 어떻게 포함되고 있을 까요?

스타벅스 광주신세계DT점 사업체 근처로 분류된 스타벅스DT점 평균
동단위_아파트_세대수 10765세대 5123세대
교통량 점수 2.5 1.8
인근_스타벅스_거리 1.2km  1.9km
교통량_점수_평일 3 1.8
M_25 9803명 1693명
아파트_매매가_상한 3.3억 3.3억
06~09 28850명 7121명
M_59 13669명 3780명
M_34 13704명 3172명
M_60 31442명 6636명

위의 표와 차트는 머신 러닝 지도학습에서 나타난 중요 변수들에 따른 머신 러닝 비지도 학습에서 1군집으로 분류된 광주 신세계DT점 입지 변수 값의 비교입니다. 아파트 매매가 상한 변수를 제외한 모든 변수에서 평균적으로 스타벅스DT점들보다 굉장히 높은 변수 값을 가지고 있습니다. 이를 통해 비지도 학습에서 나온 1군집 사업체는 머신 러닝 지도학습에서 학습한 결과처럼 중요 변수에서 높은 값을 포함한다고 볼 수 있습니다. 

**최적의 성능을 산출하기 위해 가장 최적화된 AdaBoostRegressor 모델을 선택했습니다.

아파트 그룹으로 분류된 스타벅스 DT점은 총 90여개로 가장 많은 모집단을 포함하고 있습니다. 이 그룹은 주변에 IC근처 및 고속도로 진입로가 없으며, 유명 관광지가 위치하지않고, 크고 작은 산업체가 존재하지 않는 곳입니다. 반면에 주변에 아파트 및 거주 주택들이 많은 DT 지점입니다.

아파트 그룹으로 분류된 스타벅스 송파나루역DT 전경

1) 머신러닝 모델링 과정 및 결과

아파트 근처 그룹으로 분류된 스타벅스DT가 최적의 입점 장소인지를 분류해내는 종속 변수를 선택하는 데 있어서 위의 프로세스와 같이 네가지의 변수들을 이용했습니다.

다른 그룹과 같이 아파트 그룹도 공시지가와 관련된 종속 변수가 상관관계가 높았습니다. 반면, 각 종속변수에 따른 모델링 성능의 경우 ‘6개월 네이버 영수증 개수’를 종속 변수로 선택한 모델이 가장 높았기에, 종속 변수로 공시지가를 선택하지 않았습니다. 아마 아파트 일대란 그룹 자체가 이미 공시지가가 평균적으로 높기에, 변수간의 관계를 추정하는데 어려움이 있을것으로 예상됩니다.

아래 그래프를 통해 9개의 다른 입점 변수들이 네이버 영수증 개수 결과값에 평균적으로 26% 영향을 미침을 알 수 있습니다.

2) 아파트 근처에서 스타벅스 DT 입점시 매출 상승을 위한 중요 변수는?

위의 표와 차트는 비지도 학습에서 1군집으로 분류된 송파나루역, 광주상무, 온천장역 DT점과 지도학습에서 스타벅스DT 입점의 중요 변수로 선정된 TOP10과의 변수 값 비교입니다. 세 곳 모두 대부분 아파트로 분류된 DT점들의 평균 값보다 상위 값을 보유한다고 나옵니다. 특히나 유동 인구에서는 평균값보다 크게 상회한다고 볼 수 있으며 아파트 거리도 상대적으로 가깝다고 볼 수 있습니다.

**최적의 성능을 산출하기 위해 가장 최적화된 LinearSVR 모델을 선택했습니다.

 

앞서 학습한 모델은 해당 지역의 유동인구, 교통량, 아파트 세대수, 주요기업 정보 등을 토대로 공시지가에 기반한 입지점수를 예측하려고 합니다. 이제 이 모델을 이용하여 입지조건을 분석한 결과를 말씀드릴까 합니다.

입점시 높은 매출을 나타낼 것으로 예상되는 장소를 선정하고, 해당 지역의 변수 데이터를 모아 머신러닝 모델에 기반한 입지점수를 산출했습니다. 편의상 위 지역을 미래 전주만성 DT라고 명하겠습니다.

미래 전주만성DT의 위치

위 지역을 좋은 입지 후보로 선정한 이유는 아래와 같습니다.

  1. 국민연금공단 밀접 및 주변에 산업단지들 다수 분포 – 사업체 인근으로 분류 가능
  2. 호남고속도로 나들목 근처 위치 – IC 인근으로 분류 가능

위 지점은 사업체 인근 혹은 IC 인근 둘 모두로 분류될 수 있게, 각각의 모델로 예측 분석을 시도했습니다. 각 분류별 분포를 보면 예측값은 평균점수 정도로 높지 않아 보입니다. 하지만 전주시라는 지역 특성을 고려할 경우 위 예측값은 다른 양상을 나타낼 수 있습니다. 이를 확인하기위해, 전주에 위치한 DT점의 평균 입지점수와 미래 전주만성DT점의 입지점수를 비교해볼까 합니다. 

전주에는 ‘전주덕진광장DT’, ‘전주백제대로DT’, ‘전주송천DT’, ‘전주평화DT’, ‘전주효자DT’ 총 5 군데의 DT가 있습니다. 5군데 DT의 공시지가 평균값을 산출하고, 모델 예측값과 비교했습니다.

두 가지 모델의 예측 결과를 토대로 산출한, 미래 전주만성 DT의 입지점수 예측 범위와 앞서 소개한 5군데 전주 DT점의 평균값을 시각화했습니다. 입지점수 범위의 최솟값은 사업체용 모델의 예측값이며, 최댓값은 IC용 모델의 예측값입니다. 예측 범위는 전주지역내 스타벅스 DT의 공시지가 평균값 기준, 83% ~ 130% 범위를 나타냅니다. 범위 양 끝 값을 모두 고려할 경우, 전주만성 DT의 입지점수는 전주지역내에 있는 스타벅스DT 평균에 비해 성장가능성이 더 높습니다. 

그렇다면 전주만성DT로 선정한 위치의 현재 공시지가 입지점수를 기준으로 미래의 예측값을 비교하면 어떨까요?

현재 점수와 예측 결과 비교

현재 미래 전주만성 DT의 입지점수와 비교하면, IC 분류 모델과 사업체 분류 모델의 예측치는 각각 295%, 189%로 모두 높은 성장을 예측했습니다. 이는 평균적으로 242% 가량의 성장 가능성을 의미하기에, 전주만성에 스타벅스 DT를 입지하는 것은 괜찮은 투자로 보여집니다.

  저희 SPH 데이터 컨설팅팀은 스타벅스 DT점의 유동 인구, 교통량, 공시지가 및 스타벅스 DT 입점에 영향을 미칠 수 있는 여러 주변 변수를 머신러닝에 근거한 데이터 분석을 통해 과정 및 결과를 도출해냈습니다. 

  입지 전략 분석에서 중요한 변수로 꼽힐 수 있는 매출 데이터등의 부재로 예측 결과값이 상이할 수 있습니다. 하지만, 추가적인 내/외부 데이터 소스가 공급될 경우 더 높은 신뢰성을 띈 모델을 구축할 수 있고 한층 더 깊이 있는 컨설팅이 가능할것으로 판단됩니다.

  또한, 이번 입지분석 과정을 통해서 저희 SPH에서 구축한 머신러닝에 기반한 데이터 분석 파이프라인은 추후 다양한 산업 분야에서 활용될 수 있을 것으로 예상합니다. 스타벅스DT 입지 분석 뿐만아니라, 다양한 프랜차이즈 (다이소, 올리브영 등)와 호텔 업계(신라스테이, 롯데시티 호텔 등)의 입지조건에 최적화된 입지 선정을 할 수 있는 알고리즘을 구축할 수 있는 가능성을 확인했습니다.


김도환 데이터 컨설팅 전임 (dhkim@sphinfo.co.kr)

이소린 데이터 컨설팅 전임 (sllee@sphinfo.co.kr)

 

머신러닝 비지도학습으로 찾은 최적의 스타벅스 DT, TOP 4 !

2부-1: 머신러닝을 통한 스타벅스 DT 최적의 입지 점수는?

인문사회 데이터기반 스타벅스 DT 입지조건 분석(featuring by AI)

 

스타벅스 DT 입점 점수를 분석하고 결정하기까지 여러 알고리즘과 모델링과 같은 분석 기법이 사용됩니다. 데이터로 넘쳐나는 세상에서 중요한 변수와 중요하지 않은 변수를 솎아내는 것, 그리고 그 데이터들을 하나로 ‘정의’(Labeling)하는 것이 가장 관건입니다.

저희 SPH 데이터 컨설팅팀은 스타벅스 DT점 입점을 위한 입지 점수를 매기기 위해 머신러닝 지도 학습 및 비지도 학습을 통해 여러 변수들의 특징과 각 DT점이 가지고 있는 특징을 결합하여 의미있는 인사이트를 얻기 위한 과정과 결과를 보여드리려고 합니다.

 

A. [머신러닝 비지도 학습]이란? 

머신러닝 비지도 학습은 인간이 눈으로 결정짓지 못하는 것, 혹은 확실한 데이터가 없는 상황에서 다른 변수들이 포함된 빅데이터를 통해 패턴을 학습하여 새로운 데이터에게 학습된 패턴을 기반하여 분석하는 기법입니다. 예를들면 A점의 스타벅스DT가 전망이 좋을 지는 아무도 모릅니다. 하지만 모든 DT점들이 가진 변수들을 취합, 분석하여 비지도 학습을 통해 A점의 스타벅스 DT의 입지 점수를 매길 수 있습니다. 또한 변수의 중요도를 통해서 새롭게 입점을 하고 싶은 곳을 분석하여 학습된 데이터들을 통해 해당 장소의 입지 점수를 예측해 볼 수 있습니다.

군집 분석 K Means 알고리즘은 250여개의 스타벅스DT를 입지 변수 데이터에 근거하여 다섯개의 군집으로 제시했습니다. 스타벅스 DT점 입지 점수를 내는 데 갑자기 군집 분석을 적용한 이유는 무엇일까요? 같은 스타벅스 DT점이라도 고객들의 수요층, 방문 목적, 방문 시간대, 유동 인구 수, 주변 아파트 유무, 관광지 유무등이 큰 변수가 될 수 있기 때문입니다. 

예를들어 X점의 스타벅스 DT는 관광 목적으로 입점이 되는 곳이 있으며 Y점은 출퇴근길 고객들을 위한 입점이 목표가 될 수 있기 때문에 모든 DT점들을 같은 선 상에서 모델링을 하는 것은 정확한 점수를 매기는 데 어려운 일이 될 수 있습니다. 그렇기 때문에 군집화를 통해 더 세분화하여 각각의 군집들이 가진 특징을 살펴보는 단계를 가질 것 입니다.

B. 머신러닝이 분류한 스타벅스DT 군집은?

 

“머신러닝은 스타벅스DT를 5개의 군집으로 자동 분류하였다!”

Kmeans 군집화 알고리즘은 주어진 데이터를 K개의 군집으로 묶는 알고리즘으로, 각 군집과 거리 차이의 분산을 최소화하는 방식으로 작동하는 비지도 학습 기법입니다. 같은 군집의 경우 서로 비슷한 특징을 지니고 있으며, 서로 다른 군집의 데이터들은 이질적인 특징을 지니게 됩니다. 아래 표에서는 250여개의 스타벅스 DT가 5개로 잘 나뉘어져 있습니다. 하지만 군집 결과만 봐서는 왜 1군집이 4개의 DT점이 들어가 있고 4군집이 가장 많은 수의 DT점들이 들어가있는지 설명이 되지 않습니다. 이제, 이 군집을 시작으로 각 군집의 변수에 대한 특징을 살펴볼 것입니다.

C. 5가지 각 군집의 특성은?

1. 교통량 점수

교통량은 굉장히 중요한 변수 중 하나입니다. 교통량이 많다는 것은 잠재 고객이 될 수 있는 유동 인구가 많다는 의미입니다. 빠르게 흘러갈 수 있는 고객들이 ‘내리지 않고 커피를 마실 수 있는’ 플랫폼에 최적화되어 드라이브 스루를 이용하는 최적의 고객이 될 수 있기에, 이 변수를 살펴보겠습니다.

위의 군집별 교통량 점수는 주말, 아침, 점심, 저녁등 여러 분류로 스타벅스 DT를 통과하는 바로 앞 도로가 얼마나 붐비는 지에 대한 수치입니다. Y축의 점수가 높을 수록 교통량이 많은 곳이며 교통량이 적은 곳일 수록 평균 교통량 점수가 낮다고 보실 수 있습니다. 스타벅스 DT 교통량에서 나타난 점수로는 1번 군집이 가장 운전자들이 붐비는 곳으로 나타났으며 5번 군집으로 내려 갈수록 낮은 교통량을 보입니다. 즉, 1번 군집의 스타벅스DT점의 앞 도로는 다른 DT점들에 비해 굉장히 도로 교통량이 많다고 볼 수 있습니다.

2. 관광지 거리 및 리뷰 수

스타벅스 DT는 출퇴근하는 직장인에게만 매력적인 장소가 아닙니다. 관광지 주변의 DT는 일상에 지친 사람들에게 색다른 휴식 공간을 제공하기도 합니다. 특히, 경주 보문로 DT는 스타벅스 1호점으로, 인근 보문로가 경주 관광지로 유명한 곳이죠. 스타벅스가 이 곳을 시작으로 드라이브스루의 포문을 열었던 만큼 관광지는 핵심적인 입지조건중 하나입니다. 이와 관련된 변수인 관광지의 리뷰수와 거리를 분석해 보았습니다.

대한민국에 이름있는 관광지와 스타벅스 DT간의 거리, 그리고 관광지의 리뷰수를 통해 군집들의 차이가 있는 것을 볼 수 있습니다. 예를 들어, 1군집은 관광지 리뷰수는 굉장히 많고, 관광지와의 거리는 가장 가깝기 때문에 굉장히 유명한 관광지 주변의 스타벅스 DT일 수도 있겠다고 추측할 수 있습니다. 반면, 4군집은 관광지 리뷰수는 적고, 관광지와의 거리도 상대적으로 멀기 때문에 스타벅스 DT가 아파트 및 IC 근처의 입점 지역이라 추정할 수 있습니다.

3. 유동 인구 수

앞서 소개한 교통량도 중요한 변수이지만, 교통량은 스타벅스 DT지점에서 운전자를 포함한 전체 유동 인구를 담기에는 한계가 있습니다. 이를 보완할 수 있는 데이터가 유동 인구 수로, 얼마나 많은 사람들이 이동하고 움직이는 지를 나타냅니다. 아래 그래프를 통해 실제 스타벅스 DT지점 기준, 수 백 미터 반경에서 군집별, 요일별 유동인구 수를 나타내 보았습니다.

X축은 군집을 의미하며 Y축은 평균 유동인구 수를 의미합니다. Stack bar 그래프로 표시해봤을 때 1번 군집의 스타벅스DT의 반경 수 백M 이내의 유동 인구수는 어느 요일을 비교해서도 굉장히 많은 유동 인구수를 보입니다. 5번 군집의 금요일 유동 인구수는 2만6천여명으로 5번 군집보다 1번 군집이 10배 이상인 30만명의 유동인구 수를 나타내고 있습니다.

시간에 따른 그래프에서도 1군집은 5군집과 확연히 차이를 보이고 있습니다. 1군집의 스타벅스 DT는, 가장 붐비는 시간대인 15시~18시 사이에 평균 5만4천여명의 유동 인구가 포착되었습니다. 반면, 5군집의 동시간대 유동 인구는 5천여명으로, 1군집의 유동 인구는 5군집의 10배 이상입니다.  즉 1군집이 5군집에비해 10배 이상의 잠재 고객이 있다고 볼 수 있습니다.

4. 리뷰 점수

1부 스타벅스 입지조건 분석(https://www.sphinfo.com/starbucksdt)에서 소개드린 리뷰 점수도 하나의 히든 변수로 볼 수 있습니다. 서비스, 친절, 드라이브스루 이용의 편리함 등이 고객의 입장을 가장 잘 전달한 ‘입소문’의 수치화된 데이터라고 본다면, 이를 통해 어느 군집이 어떠한 ‘평판’을 지니고 있는 지 확인할 수 있습니다.

감성 분석을 통해 산출한 리뷰 점수를 통해 고객의 만족도를 추정할 수 있습니다. 리뷰 점수가 높다면, 고객의 만족도가 높기에 현재의 매출이 괄목할 만한 수치가 아니더라도 미래의 매출은 상승할 여지가 있습니다. 반대로, 어떤 DT점의 경우 현재는 매출이 상당히 높지만 리뷰 점수가 낮아, 매출의 상승세를 유지할 가능성은 낮아 보입니다.

1부에서 소개드린 감성 리뷰 분석을 통한 상위/하위 스타벅스 DT점

위의 스타벅스 DT점 리뷰를 통해, 비지도 학습에서 나누어진 군집들의 리뷰 점수가 어떻게 분포되어 있는 지 확인해보겠습니다.

아래의 막대 그래프를 보시면 1군집이 평균 0.33807점으로 압도적으로 높은 리뷰 점수를 보유하고 있습니다. 반면 3군집은 상대적으로 낮은 0.31203의 리뷰 점수를 나타내고 있습니다. 즉 1군집의 DT점들은 상대적으로 미래의 매출 지표에도 긍정적인 상승세를 보일 것으로 예상됩니다.

5. 네이버 영수증 리뷰 

네이버 영수증 리뷰는 고객들이 실제 스타벅스DT점에 방문하여 구매 후 리뷰를 남기는 형식의 리뷰 플랫폼입니다.

다른 포털 사이트의 리뷰 서비스와 다르게 실제 ‘구매’가 이루어져야 글을 작성할 수 있게 한다는 점에서 매출 짐작에 신뢰성이 높다고 판단하여 모은 데이터입니다. ‘매출’을 짐작할 수 있는 변수로 최근 3개월 간 해당 스타벅스DT를 다녀간 고객들이 남긴 영수증 리뷰와 갯수를 사용하였습니다. 전체 네이버 영수증 리뷰 갯수와 점수 데이터를 사용하지 않은것은 각 지점의 오픈일에 따른 오차가 없도록 하기 위함입니다.

위의 그래프처럼 1군집이 다른 변수들의 결과처럼 1등은 아니지만, 평균 3개월 영수증 개수 부문에서 79개로 상위권을 차지하고 있습니다. 이로보아, 1군집의 현재 매출은 다른 스타벅스 DT에 비해 상대적으로 높을 것으로 판단됩니다.

또한 1군집은 영수증 개수 값이 79개로 같은 3군집과 비교했을때, 리뷰 점수도 높은 점수를 받았습니다. 1군집의 경우, 매출과 고객들의 만족도 둘 다 모두 높다 할 수 있습니다.

1군집은 대부분의 변수들에서 좋은 수치를 지니고 있기 때문에, 굉장히 ‘탐낼만한’ 장소의 DT점임은 분명합니다. Kmeans 군집 분석은 hierarchy 분석이 아니기때문에 특징을 나타낼뿐 어느 군집이 열등하고 우등한지 나타내는 척도는 아닙니다. 하지만 군집별로 변수를 분석하여, 우리가 가지는 기대치에  부합하거나 더 높은 수치를 가지고 있는 DT점들이 모인 곳이 1군집인 것을 확인했습니다. 1군집 중 DT점은 송파나루역, 광주신세계, 온천장역 DT등으로 서울에만 집중되어 있지 않고 고루 분포되어 있음을 알 수 있습니다.

6. 3년 간 공시지가 상승률 및 평균 

공시지가란 건설교통부에서 조사, 평가하여 공시한 토지의 단위 면적당 가격입니다. 물론 부동산을 직접 사고 파는 실거래가와는 다르지만 정부가 세금을 부과할 때 주로 사용하기 때문에 스타벅스 DT가 들어선 장소의 값어치가 얼마나 올랐는 지 가늠해 볼 수 있는 지표가 될 수 있습니다.

여기서도 1군집이 3년 동안 가장 높은 공시지가 상승률을 보였습니다. 약 136%정도의 상승률을 보이며, 5군집의 24% 상승률의 약 6배이기 때문에 굉장한 차이라고 볼 수 있습니다. 또한 1군집은 평균 단위 면적당 976만원의 공시지가를 보유하며 320만원의 공시지가를 보유한 5군집보다 3배 이상의 가격을 보유한다고 볼 수 있습니다.

위의 군집 분석을 통해, 스타벅스 DT입지조건과 관련된 다양한 변수들에 대한 이해를 넓힐 수 있었습니다. 하지만 비지도학습으로 실제 입지점수를 예측하는데에는 한계가 있습니다. 비지도학습과 달리 지도학습의 경우 target 데이터를 필요로 한다는 단점이 있지만, 적합한 모델이 있을 경우 보다 높은 정확도로 예측이 가능합니다. 다음 포스팅에서 소개드릴 스타벅스DT 입지 점수 예측 분석은 머신러닝 지도학습을 이용한 결과입니다.

 

1부: 스타벅스 DT 소셜 데이터를 이용한 감성분석 바로가기

3부: 머신러닝 지도학습을 이용한 스타벅스 DT 입지점수예측 바로가기

 

김도환 데이터 컨설팅 전임 (dhkim@sphinfo.co.kr)

이소린 데이터 컨설팅 전임 (sllee@sphinfo.co.kr)

 

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.

1부: 스타벅스 DT 소셜 데이터를 이용한 감성분석

 

인문사회 데이터기반 스타벅스 DT 입지조건 분석(featuring by AI)

1부: 스타벅스 DT 소셜 데이터를 이용한 감성분석

 

 

현대 경제 연구원에 따르면 1년에 한국인의 1인당 커피 소비량은 353잔, 전세계 1인당 커피 소비량인 132잔 보다 3배 이상 많이 마시는 편입니다. 이렇게 커피를 즐기는 한국인들에게 스타벅스는 1999년 이화여대 1호점을 시작으로 꾸준히 사랑받는 브랜드입니다. 또한 스타벅스는 전세계 매출 30조를 넘어선 커피의 트렌드를 잘 읽는 커피 전문점입니다. 스타벅스 코리아는 2019년 1조 8696억원 매출로 사상 최대 실적을 올리고 있습니다. 

지도로 보는 스타벅스 출점전략

 

SPH에서 작년 6월에 포스팅한 ‘서울에 있는 스타벅스 분포도’입니다. 2019년 4월을 기준으로 609여개의 스타벅스가 서울에 분포되어 있기 때문에 서울의 스타벅스는 ‘포화’ 상태라고 봐도 과언이 아닙니다. 또한 코로나 이후의 시대인 ‘뉴노멀’ 시대에는 접촉을 피하면서 기존 문화를 즐기려고 하는 시대이기 때문에 코로나 영향으로 기존 흐름에 큰 변화가 생겼습니다. 사람들은 차를 타고 근교로 드라이브하거나 접촉을 최대한 피하는 액티비티를 즐기려고 하는 트렌드에 맞춘 새로운 비즈니스 모델이 필요한 상황입니다. 

 

드라이브 스루는 2020년 대한민국에서 핫한 키워드 중 하나입니다. 드라이브 스루로 코로나 검진을 하는 아이디어로 전세계에 큰 주목을 받았습니다. 드라이브 스루라는 아이디어가 갑자기 나온 것은 아닙니다. 스타벅스도 음식과 커피를 차에서 내리지않고 주문하고 받을 수 있는 방식의 서비스를 2012년 경주 보문로DT를 시작으로 여러 스타벅스DT점에서 제공해오고 있었습니다. 사회적 거리두기와 ‘언택트’ 시대에 발맞춰 스타벅스DT점 (스타벅스 드라이브스루)가 빛을 보고 있습니다. 

위의 그래프처럼 스타벅스 DT점은 2012년 경주 보문로DT점을 시작으로 급속도로 오픈 수를 늘려나갔습니다. 2019년에는 60여개의 DT점을 오픈했습니다. 한달에 5개 지점의 DT점이 오픈했다고 본다면 스타벅스코리아에서 무서운 속도로 DT점을 늘려나간다고 봐도 과언이 아닙니다. 언택트 시대, 그리고 드라이브스루 플랫폼의 조화는 고객의 니즈를 가장 잘 맞춘 비즈니스 모델이라고 할 수 있습니다.    

스타벅스 DT의 비즈니스 모델 평균 수익은?

  스타벅스 DT는 차량 이용 고객들로 인해, 일반 스타벅스와 다르게 매장내 고객의 회전율이 높습니다. 드라이브 스루는 스타벅스에서 도입한 사이렌 오더, 마이DT패스를 비롯한 IT 관련 기술들과 더 큰 시너지를 내고 있습니다. 스타벅스 관계자에 따르면, ‘마이DT패스’ 기능을 이용하면  “최소 23초 만에 커피를 받을 수 있다”고 합니다. 이러한 드라이브 스루의 회전율은 더 큰 수익과 이어질 수 있습니다.

  저희 SPH 데이터 컨설팅팀에서 스타벅스 DT점의 매출을 여타 매체를 통해 조사해보았습니다. 스타벅스 DT점의 월매출은 1억 2천 원 정도에서 2억 원 가량으로 추정됩니다. 이는 하루 400만 원 가량의 매출로 1잔 4,000원 기준으로 환산하였을 때, 하루에 1천 잔 이상을 판매한다고 볼 수 있습니다. 

그렇다면 이를 통해 스타벅스 DT에 투자한 건물주가 얻어갈 수 있는 수익은 얼마나 될까요?

 스타벅스 코리아에 따르면 스타벅스를 입점할 때 전체 점포중 50%가 매출액 대비 수수료 방식을 채택하고 있다고 합니다. 이에 따라, 스타벅스 DT를 입점한 건물주는 평균 13%의 수수료를 지급받을 수 있습니다. 즉, 평균 1,600만 원 ~ 2,600만 원가량을 받을 수 있습니다. 더불어 매장의 경영과 직원 관리 등 여타의 사항들은 스타벅스에서 담당하기에 건물주는 월세만 받으면 되는 구조입니다. 

출처: DART, 인베스트조선

 

  스타벅스 DT는 건물투자자 뿐만 아니라 신세계그룹에게도 좋은 기회가 될 수 있습니다. 최근 신세계 그룹 계열사인 이마트는 작년 4분기 기준, 영업이익에서 100억 원의 손실을 기록했지만, 스타벅스의 경우 576억 원의 영업이익을 달성했지요. 그만큼 신세계그룹에게도 스타벅스는 중요한 카드로 보여집니다. 또한, 스타벅스 중에서도 DT 매장은 일반 매장 대비 고객 방문율이 평균 20%를 상회하는 효율성을 가졌습니다. 이러한 상황에서, 스타벅스 DT는 신세계 그룹 매출 증가를 위한 새로운 돌파구가 될듯합니다.

  건물주에게도, 운영하는 회사에게도 매력적인 스타벅스DT 입점, 좋은 투자로 이어질 수 있을까요? 그러기 위해선 해당 지역의 땅값이나 건물 가격 등이 적정 수준이면서, 스타벅스 DT 입점 시 많은 손님들이 찾을 만한 좋은 입지 조건을 갖춘 곳이어야 합니다.

백문이불여일견. 드라이브 스루의 입지 조건을 분석하기 앞서, SPH 데이터 컨설팅팀은 영등포 신길DT점에 직접 방문하여 실제 드라이브스루를 이용하는 차량의 수를 확인했습니다. 1시간동안 약 51대의 차량이 드라이브스루 통로를 오고가는 것을 확인했으며 약 10분 당 9대의 자동차가 주문을 받고 음료를 픽업하는 것으로 확인됩니다.

 고객이 원하는 것은 곧 높은 매출과 상권 활성화에 직결됩니다. 지금 고객들은 타인과의 접촉은 최소화하면서도, 기존 소비 생활을 즐기길 원합니다. 이러한 언택트 시대에 발맞춰 사람들의 드라이브스루 이용은 더욱 증가할 것으로 보입니다. SPH 데이터 컨설팅팀에서는 다양한 인문, 사회, 소셜 데이터를 수집하고 통계적 방법과 머신러닝을 결합하여 스타벅스의 DT점 입지전략을 분석했습니다. 이러한 입지조건 분석과 최적의 입지예측, 출점전략은 다양한 프렌차이즈 회사 (ex. 다이소, 올리브영 등)에도 확장가능하기에 의미있는 시도로 판단됩니다.

스타벅스DT 이용고객의 리뷰, ‘입소문’ 분석

(리뷰 형태소 분석 및 감성 알고리즘 지수그래프)

스타벅스는 고객들의 사랑방 역할을 하는 장소이면서 동시에, 커피 본연의 맛과 향을 즐기는 고객에게도 매력적인 브랜드입니다. 또한 DT는 스타벅스 여타의 장점과 더불어 차량 이용의 편의성도 제공하죠. 하지만 모든 스타벅스 DT가 고객의 사랑을 받는 건 아닙니다. 또한 현재 고객의 사랑을 받는다고해도, 꾸준히 미래에도 매출이 상승할 것이라 예단할 수는 없습니다. 저희 SPH 데이터 컨설팅팀은 소셜 데이터를 수집하고 정제하여, 고객의 리뷰를 분석했습니다. 

 

 

레스토랑과 카페 사장님들에게 ‘입소문’이라는 것은 참 무섭지만 날카로운 리뷰입니다. 스마트 시대에 모두 장소만 검색하면 그 장소의 평균 점수들과 리뷰로 그 장소의 이미지와 서비스가 평가되는 세상입니다. 과거와 현재는 어느정도 매출이 좋은 식당과 카페도 다녀간 사람들의 입소문으로 갑자기 매출이 떨어질 수 있는 것이 SNS의 리뷰입니다. SPH 컨설팅팀은 현대 시대의 입소문이라고 할 수 있는 각 스타벅스 DT점의 리뷰들을 총체적으로 모아 지수를 산출했습니다. 단순히 별점 통계가 아닌 텍스트 리뷰들의 형태소 분석 및 감성 알고리즘을 도입하여 더 정확하게 고객들의 니즈와 불편사항을 확인 했습니다.  

 

위의 분산형 그래프는 SPH 컨설팅팀에서 분석한 ‘감성 분석 지수’ 그래프입니다. 전체 스타벅스 DT점 250 여개 리뷰를 크롤링하여 ‘입소문’이 좋은 DT점부터 개선이 필요한 DT점까지 수치화를 통해 가시화하였습니다. 위의 그래프처럼 같은 DT점이라 할지라도 입지 조건 및 서비스 조건에 따라 서비스 평가가 확연히 달라질 수 있습니다. 저희 SPH 데이터 컨설팅팀은 이러한 수치와 여러 변수들을 통해 스타벅스 DT로서 최적의 조건이 되는 장소를 찾는 입지 분석을 하여 매출 향상이 기대되는 스타벅스DT 입점 지역을 찾아보려고합니다.  

 

리뷰 지수 결과, 스타벅스 DT점의 TOP10은 의정부 신곡, 김포감정, 구미상모 DT 순으로 주로 비서울권에 밀집되어 있음을 확인 할 수 있습니다. 수도권 내에서는 영등포 신길 DT가 고객들의 니즈를 가장 잘 맞추는 것으로 확인되었습니다.   

 

그럼 진짜 입소문 잘 난 스타벅스 DT 1위는 어디인가요?

전국 250여개의 스타벅스 DT 

스타벅스 의정부신곡 DT점

위의 분산형 그래프와 데이터 컨설팅팀의 감성 지수 알고리즘을 통해 알아낸 스타벅스 DT 1위 점은 의정부 신곡 DT점 입니다. 2019년 6월에 오픈한 의정부 신곡 DT점은 비교적 최근 오픈한 DT점입니다. 다른 DT점들과 어떤 차이를 지녀 1위를 한 것인지 파악하고자 WordCloud 및 Word Network 분석을 진행했습니다.

 

의정부 신곡 DT점이 왜 인기가 많을 까? 

 전체 리뷰에서 최소 단위의 형태소를 분리, 가장 많이 언급된 단어들을 크기로 표현한 것이 워드 클라우드 분석입니다. 이 분석을 통해 의정부 신곡DT에 다녀간 고객들이 전반적으로 어떤 단어들을 많이 언급하는지 확인할 수 있습니다. DT에 걸맞게 ‘주차장’과 ‘주차’에 대한 언급도 있었으며, 대부분의 단어들이 긍정어에 속합니다. 의정부 신곡 DT점이 그만큼 고객들의 니즈를 잘 파악하고 스타벅스가 추구하는 서비스 이념을 잘 전달하는 곳이라고 보입니다. 

 

하지만 WordCloud 만으로는 단어들의 연관성을 볼 수 없기 때문에 Word Network 로 단어들의 연관성을 살펴보았습니다. 

위의 네트워크 연결망을 통해 어떤 단어들이 많이 언급되고 어떤 단어들과 가깝게 언급이 되었는지 확인 할 수 있습니다. 의정부 신곡DT를 다녀간 고객들은 매장이 전체적으로 깨끗하고 ‘아침에 커피를 차량으로 구입하는’ 드라이브스루를 이용하는 고객들이 많이 있는 것을 확인할 수 있습니다. 또한 직원분들이 친절하기 때문에 좋은 서비스로 좋은 입소문을 가지고 있다고 볼 수 있습니다. 

스타벅스 의정부 신곡DT 입구 및 출구

의정부 신곡 DT점에 직접 방문하여 SNS상의 감성 지수 분석을 눈으로 확인했습니다. 사거리 길목에 있는 의정부 신곡 DT점은 출구와 입구가 넓직하고 혼잡하지 않았습니다. 또한 주차장이 넓었으며 주문 받고 음료를 받는 길목도 넓었기 때문에 운전자가 드라이브스루를 편하게 이용할 수 있는 곳인 것 같습니다. 또한 주문하고 픽업하는 길이 굉장히 길기 때문에 주문을 위해 대기하는 것도 많이 혼잡하지 않았습니다. 

의정부 신곡 DT 내부 

개선이 필요한 스타벅스 DT점은?

경치 좋기로 유명한 리버사이드팔당DTR

칭찬 받는 스타벅스DT가 있다면 개선이 필요한 DT도 있는 법입니다. 스타벅스는 직영점으로 대부분 동등한 서비스를 제공한다고 하지만 감성 분석 지수에서는 하위권과 상위권이 극명하게 나누어졌습니다. 개선이 필요한 DT점 중 하나는 리버사이드 팔당 DTR점 입니다. 리버사이드 팔당 DTR점은 스타벅스 DT점들 중 가장 풍경이 좋은 DT점이라고 해도 과언이 아닐 정도로 경치가 좋은 휴식 공간을 제공하는 DT점입니다. 

그런데 리버사이드 팔당 DTR점은 왜 낮은 리뷰 점수를 받았을을까요? 이에대해 의정부 신곡 DT점처럼 Word Cloud와 Word Network 분석을 진행했습니다.    

리버사이드 팔당 DTR점 Word Cloud

Word Cloud로 본 리버사이드 팔당DTR점의 가장 많은 키워드 수는 ‘사람’과 ‘자리’였습니다. 의정부 신곡 DT점의 ‘커피’,’친절’ 키워드과는 다른 키워드들이 분포되어 있으며 ‘뷰’를 보기위해 방문하는 고객들이 많은 것을 알 수 있습니다. 워드 클라우드로는 리버 사이드 팔당 DTR이 어느 부분에서 개선되어야 하는지 보이지 않기 때문에 네트워크 연결망 분석을 통해 어떤 단어들이 연결되어 부정적 지수를 나타났는지 확인해보겠습니다.

 

  네트워크 연결망 분석을 통해서는 대부분 ‘자리’와 ‘사람’이 부정적인 단어와 연결되어 있음을 확인 할 수 있습니다. ‘자리, 테이블이 협소’하다는 리뷰들이 보이며 직원분들이 친절하다라는 의정부 신곡DT의 단어 연결망과 달리 팔당DTR점은 대부분 풍경과 드라이브 장소로 이용하는 고객들이 많은 것으로 보입니다.  DT점이지만 실제 드라이브 스루를 통해 커피를 픽업하는 고객보다는 한강 뷰를 위해 최종 목적지로 설정하고 방문하시는 분들이 많기 때문에 모든 고객들을 수용하기 협소한 부분이 보입니다. 

 

이처럼, 같은 스타벅스 DT라고 할지라도 입지 장소, 주변 상권 특징이 다르기에, 리뷰 데이터에서 본 고객들의 평가가 다르게 나타날 수 있습니다. 뿐만아니라, 입지조건은 고객의 평가외에 매출 차이로도 이어질 수 있죠. 어떤 곳이 좋은 평가를 받고, 높은 매출을 달성할 수 있을까요? SPH 데이터 컨설팅팀에서는 GIS를 포함한 다양한 데이터를 이용해 최적의 스타벅스 DT 입지 조건을 분석하고자 했습니다.

 

 

스타벅스 DT, 어디에 입점하면 좋을까?

 

  스타벅스 DT 입지조건을 분석하기 앞서, 스타벅스 DT의 특징들에 대해 파악해볼 필요가 있습니다. DT의 특징들이 정해진다면, 해당 특징들과 관련된 데이터를 수집하여 분석할 수 있겠죠.

스타벅스 DT 입지와 관련될 수 있는 특징은?

  1. 맥 드라이브 스루 인근에 위치한다 (ex. 스타벅스 신월IC DT점)
  2. 교통량이 활발한 곳이다 (ex. 스타벅스 울산시청사거리DT점)
  3. 주변에 큰 기업체, 사업장이 있다 (ex. 스타벅스 신영통DT점)
  4. 주변에 대규모 아파트 단지가 있다 (ex. 스타벅스 영등포신길DT점)
  5. 인근에 관광지가 있거나 뷰가 좋은 곳이다 (ex. 스타벅스 경주 보문호수DT점, 리버사이드팔당 DTR점)
  6. 고속도로 IC 주변 (ex. 스타벅스 안성공도DT점)

 

전국 스타벅스 DT에서 위와 같은 특징들을 파악하기 위해 다양한 사이트에서 웹 크롤링을 통해 데이터를 수집하였습니다. 관련 데이터에 대해 보다 자세히 설명해볼까 합니다.

 

     1. 맥 드라이브 스루와의 거리 

 

스타벅스 뿐만 아니라 DT 서비스를 제공하는 모든 프랜차이즈 점들의 고민은 어디에 입점하는 것이 최적의 입지 조건을 기반으로 매출을 올릴 수 있을 지가 가장 큰 고민이라고 할 수 있습니다. 스타벅스는 입지 분석 팀이 있을 정도로 어느 지역 어느 상권이 가장 좋은 성과를 낼 지 분석하기도 합니다. 스타벅스 DT를 논하면서 가장 비슷한 플랫폼으로서 특징을 잡아 낼 수 있는 것 중 하나는 ‘맥드라이브’입니다. 

맥드라이브는 1992년 부산 해운대점을 시작으로 맥드라이브 플랫폼을 도입하였습니다. 맥드라이브와 스타벅스DT간의 상관 관계를 살펴본다면 DT 입지조건이 상당히 비슷한 특징들을 공유한다는 것을 확인해 볼 수 있습니다. 

지도를 통해서도 맥도날드와 스타벅스DT의 입지가 비슷하게 분포되어 있다는 것을 확인 할 수 있습니다. 대부분 맥드라이브가 존재하는 곳이면 스타벅스 DT가 근처에 입점해있는 것을 볼 수 있습니다. 맥드라이브가 1992년에 드라이브 스루를 론칭한 것에 비해 스타벅스DT는 늦게 입점을 시작 했지만 현재 스타벅스DT의 전국 입점수는 맥드라이브를 2배 이상 뛰어 넘는 것으로 보입니다. 그렇다면 맥드라이브와 스타벅스DT간의 거리는 얼마나 가까울지 확인해봤습니다. 

 

위의 그래프는 스타벅스 DT와 맥드라이브가 얼마나 가까운 Km이내에서 운영되고 있는 지 보여주는 그래프입니다. 맥드라이브와 스타벅스DT가 1000m 이내에 운영되고 있는 매장은 47개이며 1km~2km 이내에 운영되고 있는 매장은 28개입니다. 즉, 맥드라이브와 스타벅스 DT의 입지 조건은  비슷한 특징을 공유하고 있다는 것을 확인할 수 있습니다. 

     2.교통량 

스타벅스 DT와 스타벅스의 가장 큰 차이점은 ‘차량 이용 여부’ 입니다. DT 이용고객은 차를 이용하여 커피를 테이크아웃할 수 있죠. 그렇다면, DT 인근의 교통량이 활발할수록 해당 DT 입지조건이 좋다고 가정할 수 있습니다. 교통량 데이터를 확보하기 위해 DT 주변 사거리 정보를 이용했습니다. 

각 지점 별로

 

평일 오전 시간대의 교통량, 평일 낮 시간대의 교통량, 평일 저녁 시간대의 교통량, 

평일 오전 시간대의 교통량, 평일 오전 시간대의 교통량, 주말 저녁 시간대의 교통량을 수집할 수 있었습니다.

위 데이터를 토대로 교통량 점수 상위 10곳과 하위 10곳을 추출해 보았습니다.

 

 

진주칠암 DT, 화성병점 DT, 울산시청사거리 DT, 동명대 DT, 리버사이드팔당 DTR 등이 교토량 점수에서 상위권을 차지했네요. 반면 전남광양 DT, 동해 DT, 창원역 DT, 김해진영 DT 등은 교통량 점수가 낮게 나왔습니다. 교통량 점수가 높을수록 해당 인근 도로가 정체될 확률이 높고, 낮을수록 정체될 확률이 낮습니다. 

     3. 주변 기업체 혹은 사업장

  특정 DT의 경우 주변 기업체 혹은 사업장의 영향을 크게 받는 곳도 있습니다. 가령 SK 하이닉스, 삼성전자 같은 대기업의 사업장이 들어선 곳에 입점한 곳일 경우, 출퇴근 시간의 회사원을 고객으로 확보할 수 있습니다. 일례로 삼성전자 수원사업장, 기흥캠퍼스, 화성캠퍼스 주변에는 스타벅스 신영통DT, 화성반월DT, 화성병점DT, 수원망포DT점등 상당히 많은수의 DT점이 위치합니다. 이에 각 DT 반경으로 대기업 개수를 조사해봤습니다. 주변에 기업이 많은 곳일수록 DT 입지조건상 유리한 곳일수도 있기 때문이죠. 

       4. 주변 아파트

  SPH 데이터 컨설팅 팀에서 직접 방문한 스타벅스 영등포 신길 DT점의 주변에는 큰 아파트들이 많았습니다. 인근에 아파트가 있는 것도 좋은 입지조건이 될 수 있을 거라 생각했습니다. 주변 아파트의 세대수가 많을수록 이용자 수가 높아지지 않을까요? 

이외에도 아파트 준공년월, 매매가, 가장 가까운 아파트와의 거리 등도 조사했습니다. DT 인근 여러 아파트 관련 정보를 토대로 아파트 지수를 산출하고, 이를 시각화했습니다.

      5. 인근 관광지, 드라이브 코스

 스타벅스 경주 보문로 DT, 경주 보문호수 DT점 인근에는 아파트나 기업체가 있지 않습니다. 대신 인근에 보문단지나 경주월드 같은 관광지로 유명한 곳이 위치하죠. 또한 리버사이드 팔당점의 경우 스타벅스 점장들이 뽑은 가장 아름답고 가볼만한 매장중에 하나로  한강이 한 눈에 내려다보이는 경치가 멋진 곳입니다. 확실히 주변에 관광지나 뷰가 좋은 곳이 있다면 사람들의 발길이 잦아, 매출도 높을거라 예상됩니다. 

 

      6. 고속도로 IC 주변

  안성공도DT, 수원IC DT, 북오산IC DT점, 용인 보라 DT점의 경우도 마찬가지죠. 단지 주변에 고속도로 IC가 있습니다. 고속도로를 장시간 운전하기전 또는 졸릴 때 시원한 커피 한 잔은 사막의 오아시스와 같죠. 이때 주변에 스타벅스 DT가 보인다면, 저라도 이용하고 싶을 것 같네요. IC 인근에 휴게소처럼 드라이브스루가 자리하면 잠시 휴식을 취하기에도 좋습니다.

 

  리버사이드 팔당점 같은 경우 주변의 한강 뷰가 좋긴하지만 교통량이 좋고, IC 주변이기도 해서 꼭 관광지적 특성만이 핵심 입지 조건이라곤 할 수 없습니다. DT 입지조건은 위 특징들이 복합적으로 작용할 수도 있고, 혹은 관광지 주변의 DT처럼 특정 환경에 강하게 영향을 받을 수도 있습니다. 이런 요인들을 고려하여 머신러닝을 이용한 데이터 분석을 진행해볼까 합니다.

SPH 컨설팅팀은 최적의 입지 조건을 찾기 위해 각 변수들을 수집, 데이터 정제 및 프로세스를 수립하였으며 머신러닝을 기반으로 한 스타벅스DT 최적의 입지 조건을 지닌 장소를 찾는 알고리즘을 구현했습니다. 이는 2부 포스팅에 소개드릴 예정입니다. 

  

Written and Analyzed by 

SPH 데이터 컨설팅팀 이소린 전임 (sllee@sphinfo.co.kr) 

SPH 데이터 컨설팅팀 김도환 전임 (dhkim@sphinfo.co.kr)