이제 Google Maps에서도 시크릿 모드 (Incognito mode)를 만나보세요

구글이 올해 초 개인정보 보호를 위해 신규 기능을 출시한데 이어, 사용자들이 이 기능들을 좀 더 쉽게 사용할 수 있도록 업데이트 한 내용을 10월 2일 블로그에 발표하였습니다.

이 중 Google Maps에 추가된 Incognito mode 기능에 대해 알아보겠습니다.

일명 ‘시크릿 모드’로 익숙한 이 기능은 구글이 2008년 크롬에 출시한 이후로 가장 인기 있는 개인정보보호 관련 기능입니다.  구글은 올해 초에 이 기능을 YouTube에 적용한데 이어, 이번에 Google Maps에도 이 기능을 탑재했습니다.

사용자가 구글맵 앱에서 Incognito mode를 켜면, 검색한 장소와 같은 맵 내에서의 활동 내역은 구글 계정에 저장되지 않고 사용자의 경험을 맞춤화 시키는 데에도 사용되지 않습니다. 사용자는 우측 상단의 프로필 사진을 클릭하면 나타나는 메뉴에서 Incognito mode를 선택함으로써 쉽게 이 기능을 켤 수 있고, 식당 추천, 통근과 관련한 정보, 그리고 사용자에게 맞춤화된 다른 기능들을 사용하고 싶다면 언제든지 끌 수 있습니다.

Incognito mode는 10월에 안드로이드에 출시될 예정이며, iOS에서도 곧 만나볼 수도 있다고 합니다.

 

원문 : Keeping privacy and security simple, for you

 

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.

Python에 CARTOframes를 더해, 분석의 시너지 효과를 경험해보세요!

이 포스팅은 CARTOframes을 사용하여 공간 분석을 구현하는 방법을 안내합니다. 

 

CARTOframes에서는 분석을 수행하고 결과를 pandas 데이터 프레임으로 리턴하기위한 CartoContext.query 메소드와 분석을 맵 계층으로 시각화하기위한 QueryLayer 클래스를 제공합니다. 두 방법 모두 PostGIS를 사용하여 PostgreSQL 데이터베이스에 대해 쿼리를 실행합니다.

또한, 좀 더 다양한 시각효과를 낼 수 있는 cartoframes.viz package 또한 제공하므로 분석결과를  더욱 효과적으로 전달할 수 있습니다.

 

이 포스팅에서는 CARTO의 공간 분석 기능과 시각화 기능을 사용하여 서울에서 1인가구가 살기 좋은 동네의 위치를 분석해보겠습니다.

 

분석 방향 , 방법 

먼저, 1인 가구의 삶의 질에 영향을 줄 수 있는 8가지  요소(편의 시설 등)들을 선정하였습니다.

서울시를 300m의 그리드(Grid)로 나눈 뒤, 해당 요소가 그리드 내에 존재하면 1 그렇지 않으면 0으로 표시하여 합산 후,  그리드내에 1인가구 삶의 질에 영향을 주는 요소가 가장 많은 그리드를 가장 살기 좋은 동네로 선정하였습니다. 그렇다면 총점은 8점이 되겠죠?

 

준비물 

– 서울시 Grid 데이터

– 서울시 대형마켓, 무인택배함 , 우체국과 주민센터, 패스트푸드점과 카페, 도서관, 지하철역, 공원 위치 데이터 

( 패스트푸드점과 카페를 제외한 항목은 상대적으로 데이터 수가 적기 때문에  500m 버퍼 데이터를 사용할 예정입니다.)

– ( 위의 데이터를 미리 카토 계정에 업로드 해 주세요 ! ) 

 

시작하기

계정생성

분석에 앞서, 만든 데이터나 map을 불러들이고 내보낼 계정을 설정하기위해 CartoContext를 생성해주세요.

데이터 불러오기

계정을 연결했다면, 계정에 존재하는 데이터를 불러와야할 차례네요.

카토 계정에 미리 업로드 해놓은 서울 그리드 데이터를 CartoContext의 read 함수로 불러 올 수 있습니다.

SQL문 시행시키기

그리드에 요소 데이터의 위치가 포함되는지 확인 해보도록 하죠.

CARTOContext.query 메소드를 사용하여 CARTO 계정의 데이터에 대한 SQL 쿼리를 실행하고, 

 PostGIS의 공간 분석 기능 중 하나인 ST_Intersects 활용해 봅시다.

ST_Intersects는 두 공간 데이터가 겹치는 부분이 있으면 1을 반환하는 함수입니다.

따라서, 결과 데이터는 위와 같이 해당 그리드의 공간정보와 우체국이나 주민센터(ins)를 포함하고 있는지를 나타내게 됩니다.

 

위와 동일한 방식으로 무인택배함 데이터와 그리드 데이터를 병합한 데이터를 만들어 줍니다!

 

가중치부여

카페와 패스트푸드점과 같이 그리드 안에 갯수가 많을 가능성이 있는 항목의 경우, 가중치를 줄 수도 있겠죠?

그럴 경우, 존재 여부 대신 해당 그리드에 존재하는 갯수를 구하는 SQL문을 한번 더 작성해주시면 아래와 같은 결과를 얻게됩니다.

이 컬럼을 한 그리드 당 존재하는 가장 많은 카페수로 나눠주면,  가장 많은 카페수를 가지고 있는 그리드는 1점을 가지게 되겠죠?

이 count 컬럼을 아래에서 설명하는 과정에 따라 병합해주시면 됩니다.

확인해보니, 한 그리드안에 존재하는 가장 많은 카페 수는 7개네요.

앞서 설명드린 방식으로 사용자 여러분께서 원하는 요소의 가중치를 직접 줘보시면 어떨까요?

( 본 포스팅에서는 존재 여부를 기준으로 점수를 계산하였습니다 )

 

 

Pandas를 이용한 데이터 병합

위의 두 데이터는 같은 그리드에 관한 정보이지만 현재는 따로 존재하죠. 이 두 데이터를 

양쪽에 모두 존재하는 그리드 공간정보(the_geom)를 기준으로  하나로 병합해 봅시다.

Python pandas 라이브러리의 merge 함수를 이용한다면 SQL의 조인문을 사용하듯 두 데이터를 합칠 수 있습니다.

아래와 같이 두 데이터가 병합되었네요.

모든 요소에 대해 위 과정을 반복한 결과 아래와 같은 데이터를 얻을 수 있었습니다.

( 정제과정에서 불필요한 컬럼들은 테이블에서 제외하였습니다.)

아래의 절차대로 모든 요소의 점수를 더한 Sum 컬럼을 추가해주세요.

( pandas Series와 관련된 부분은 python의 관련 문서를 참조해주세요 ! )

잠깐 확인해 보니 가장 높은 점수가 6점 이네요.

SQL문을 지도에 매핑시키기

이제 각 요소의 위치 데이터와, 위에서 완성한 요소 포함 여부를 담고있는 그리드 데이터를 지도에 올려보도록 합시다.

 

요소 위치 데이터의 시각화

저희는  기존의 cartoframes에서 제공하는 기본 Map과 Layer 대신, 

좀 더 다양한 시각 효과를 사용하기 위해 cartoframes의 viz 패키지를 활용할 것이므로 이를 import 해주세요 ! 

먼저, Layer를 생성해야 해야하는데요  카토 계정에 존재하는 무인택배함 데이터의 위치를 yellow 색으로 나타내며, 마우스를 올렸을 때 (hover) 이름 (name컬럼)이 표시되도록 설정해주었습니다.

Map에 위의 Layer를 표시하도록 설정하시면

위와 같이 Map위에 Layer가 잘 올라간 것을 확인할수 있네요.

다른 요소 데이터도 마찬가지로 설정을 달리하여 Layer를 생성 후  Map에 올려주시면 되겠죠?

 

정제된 그리드 데이터의 시각화

위에서 완성한 데이터 프레임을 CartoContext.write 함수를 이용하여 계정에 업로드 해주세요.

성공적으로 완료되면, ‘able successfully written to CARTO: (계정주소)/(데이터명)’ 이라는 메시지를 확인하실수 있습니다!

 

이제, 생성된 데이터 프레임을 이용해서 SUM이 높은 그리드 일수록 색상이 진하게 표시되도록 시각화 해보도록 하죠.

Color 옵션에서 사용된 ramp는 어떤 데이터(어떤 범위로 나누어) 를, 어떤 색상등으로 매핑할 것인지를 지정해줍니다.

예를 들어, 

‘color: ramp(buckets($sum, [1,2]),[ yellow, green] )’

이는 sum 컬럼을 값 1,2인 범위로 나눠 각각을 yellow, green으로 매핑시키겠다는 뜻입니다.

( viz.Layer의 옵션 및 객체는 링크를 이용해서 더 자세히 확인하실수 있습니다! )

 

이를 활용해, 원하는 대로 옵션을 커스터마이징 해주세요.

 

위에서 생성한 Layer를 Map에 올려주면 아래와 같은 결과를 얻을 수 있네요.

 

이제 위의 Grid 레이어와 앞서 생성한 요소 레이어들을 하나의 맵에 올려주면 모든 시각화 과정이 끝나게 됩니다.

 

결론

결과 해석 

( 위 지도는 현재 cartoframes에서 publish 기능이 지원 예정 중이기에, 위의 분석 결과 지도를 토대로 위젯 기능 등을 추가하여 좀 더 편리하게 만든 것 임을 알려드립니다.)  

 

위의  데이터 정제 과정에서 데이터프레임에서 가장 높은 점수인 6점인 것을 확인했었습니다.

분석 지도를 데이터에 올린 결과, 6점에 해당하는 그리드들은 동작구, 송파구, 성북구, 광진구, 강서구에 존재했습니다. 

( 위치가 궁금하다면, 위 지도의 위젯 기능을 이용해서 해당 지역을 확인하실 수 있습니다 ! ) 

 

위의 맵을 통해 내가 살고있는 동네는 몇 점인지 알아보고, 

오늘 분석한 내용처럼 원하는 조건을 선정하여 나만의 맵을 만들어 보는 것은 어떨까요?

 

 

데이터 분석가를 위한 손쉬운 지도 기능 활용: Python 패키지 CARTOframes

현대는 누구든 손쉽게 여러 정보를 얻을 수 있는 시대입니다.  위치 정보도 마찬가지입니다. 하지만 정보를 얻는다고 해도 그 정보를 원하는 대로 가공, 사용하지 못하면 무용지물입니다.

보통 데이터를 분석에는 Python을 많이 사용합니다. 하지만 위치정보를 사용할 경우 Python에서는 내가 원하는 지도를 만드는데 한계가 있습니다. 그렇다고 지도 출력만을 위해서 지금 사용하고 있는 Python 을 버릴 수는 없습니다. 그럴 때 사용하면 좋은 것이 바로 CARTOframes(카토프레임)입니다.

 

CARTOframes란?

CARTOframes란 지리정보를 분석하고 시각화하기 위한 Python 패키지입니다. 쿼리를 사용해서 데이터를 가공해 새로운 데이터를 만들 수도 있고, 지도를 내 마음대로  만들 수도 있습니다.

CARTOframes는 Python을 사용하는 어느 곳에서든 패키지 설치를 통해 간단하게 사용할 수 있지만 이 글에서는 Cartoframes를 Jupyter Notebook에서 사용해보겠습니다.Jupyter Notebook은 Cell 단위로 코드를 작성하고 Cell 단위로 실행 가능해서 바로 바로 실행 결과를 볼 수 있는 툴입니다.

 

Cell이란 Jupyter Notebook에서 저 칸 하나를 의미합니다. 실행은 Celll 단위로 순서 상관 없이 할 수 있습니다. 코드 작성 후 Ctrl+Enter 키를 누르거나 위 메뉴 중 Run메뉴를 클릭하면 하나의 cell이 실행됩니다.

데이터 분석을 할 때 분석 결과를 바로 보고 싶을 때 딱 적합한 입니다.

Jupyter Notebook을 설치해서 사용하는 방법에는 여러가지가 있습니다.  이 글에서는 따로 python을 설치하지 않아도 CARTOframes를 바로 사용할 수 있는 Anaconda의 Jupyter Notebook을 사용해보겠습니다. Anaconda란 데이터 분석을 위해 필요한 기본 오픈 소스들을 따로 찾을 필요 없이 한 곳에 모아놓은 개발 플랫폼입니다.

우선, Anaconda는 Anaconda 다운로드 사이트에 들어가서 손 쉽게 다운로드 받으 실 수 있습니다. Anaconda를 설치하신 후 윈도우 메뉴에서 Jupyter Notebook를 검색해서 Jupyter Notebook을 실행 할 수 있습니다. CARTOframes는 크롬에서 실행해야 지도가 제대로 출력되므로 미리 .html의 기본 실행 프로그램을 크롬으로 변경해줍니다.

 

Jupyter Notebook 홈 경로 설정하기

처음 Anaconda를 깔아서 Jupyter Notebook을 실행시키면 홈 경로가 ‘C:/Users/username’으로 설정되어 있습니다. 이 경로 내에서만 폴더 생성, 작업 공간 이동을 할 수 있습니다. 자신이 원하는 폴더를 홈경로로 설정하기 위해서는 사전 작업이 필요합니다.

 

윈도우 메뉴에서 Jupyter Notebook을 검색 한 후 해당 프로그램의 속성으로 들어갑니다.

 

속성 창에서 대상의 맨 끝에 적혀 있는 “%USERPROFILE%/” 부분을 깔끔하게 지워주고 적용 시켜줍니다.

그 후 윈도우 메뉴에서 Anaconda Prompt를 검색해서 실행시켜줍니다.

 

jupyter notebook –generate-config

 

위 명령어를 입력해 주피터 노트북 설정 파일을 만들어줍니다. 설정파일은 ‘C:/Users/username/.jupyter’에 만들어집니다. 해당 위치로 가서 코드 수정을 위해서 파일을 메모장이나 Visual Studio Code등으로 실행시킵니다.

 

해당 파일을 열어서 ‘c.NotebookApp.notebook_dir = ‘ 부분을 주석을 풀어 준 후 원하는 홈 경로를 입력한 후 저장합니다.

다시 주피터 노트북을 실행하면 설정한 홈 경로에서 실행됩니다.

 

Cartoframes 설치

다시 Anaconda Prompt를 실행시킵니다.

 

pip install cartoframes==0.10.0

 

위 명령어를 치고 실행시키면 CARTOframes가 설치됩니다. ‘0.10.0’자리에 원하는 CARTOframes 버전을 넣으면 원하시는 버전을 설치할 수 있습니다.

혹시 설치 중에 오류가 생기면 Anaconda에 shapely 설치가 제대로 안 된 것일 수도 있으니

 

conda install -c conda-forge shapely

 

위 명령어를 쳐서 shapely 설치를 한 후에 CARTOframes를 다시 설치하면 됩니다. 정상적으로 설치되었다면 CARTOframes를 사용할 준비 완료!!

 

간단한 맵 출력해보기

CARTOframes를 설치했다면 간단하게 자신이 가지고 있는 정보를 지도를 뿌려보겠습니다.

Jupyter Notebook을 실행시키고 Python3 파일을 하나 만들어줍니다. 

자신의 CARTO 계정에 있는 데이터를 이용하기 위해서는 Jupyter Notebook에서 CARTOframes를 이용해서 CARTO 계정과 연결하는 작업이 필요합니다.

 

from cartoframes import Credentials, CartoContext

 

cc = CartoContext(

base_url=’https://{Your username}.carto.com’,

api_key='{Your API Key}’)

 

위 명령어는 자신의 CARTO계정과 연결하는 작업입니다.

CARTO 계정은 CARTO 사이트에서 무료 계정을 만들 수 있습니다. 무료 계정의 경우는 14일동안 이용 가능합니다.

 

자신의 carto 계정과 연결을 했다면 이제 자신의 carto에 있는 데이터들을 이용할 수 있습니다.

 

from cartoframes import Layer

cc.map(layers=Layer(‘{DataSet name}’))

 

‘DataSet name 자리에 자신이 가지고 있는 데이터셋의 이름을 넣고 실행하면 바로 기본 베이스맵에 데이터가 가시화된 지도가 나옵니다.

 

아래는 서울 도서관 위치 정보를 CARTOframes로 가시화한 결과입니다.

 

쿼리로 지도 분석해서 표현

그냥 지도를 가시화하기만 해서는 CARTOframes가 Python의 기본 지도와 비교했을 때 뭐가 좋은 것인지 느껴지지 않을 것입니다.

 

그래서 이번에는 서울 지하철 역 데이터를 가져와서 반경 100m 버퍼를 만들어 가시화 해보도록 하겠습니다.

서울 지하철 역 데이터의 경우는 딱 지하철 역 중심의 포인트 데이터라서 지하철역이 어디까지 접근가능한지 딱 와닿지 않습니다. 이럴 때 지하철역의 반경 거리를 설정해서 버퍼로 만들 경우 지하철역이 어디까지인지 확 와닿습니다. 버퍼란 해당 위치 정보를 중심으로 설정된 반경 거리로 범위를 그리는 것을 말합니다.

df = cc.query(

”’

SELECT cartodb_id, t_name, line_num, ST_Buffer(the_geom::geography, 500, ‘quad_segs=8′)::geometry as the_geom

FROM seoul_subway_station

WHERE the_geom is not null

”’,

table_name = ‘seoul_subway_100m_test’

)

 

위 코드는 CARTOframes를 이용해서 ST_Buffer를 사용한 쿼리를 날려 새로 ‘seoul_subway_100m_test’ 데이터 셋을 만드는 코드입니다. ST_Buffer란 위치 정보를 넣어서 자신의 원하는 반경까지를 표시하는데 쓰는 함수입니다. CARTOframes에 쿼리 사용시  postgis 함수들을 사용할 수 있습니다.

 

cc.map(layers = [

Layer(‘seoul_subway_station’, color=’red’, size=5),

Layer(‘seoul_subway_100m_test’, color=’#aaa’)

])

 

쿼리를 사용해서 새로 만든 데이터셋을 기존에 있던 서울 지하철 데이터셋과 겹쳐서 출력했습니다.

 

CARTOframes는 이 밖에도 지도 스타일 변경, 쿼리 사용 등 기존 CARTO에서 사용할 수 있는 여러 가지를 제공합니다. 더 자세한 것을 알고 싶으시다면 CARTOframes 가이드 문서를 참고해보세요.

 

 

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.

주택 단기 임대 데이터를 이용한 주요 이벤트 비즈니스 영향 평가

2019 UEFA 챔피언스 리그 결승이 6월 1일 영국 축구팀 리버풀과 토트넘 홋스퍼 사이에서 열렸습니다. 경기는 도심 서쪽 산 블라스-카닐레 야스 (San Blas-Canillejas) 지구에 위치한 마드리드 완다 메트로 폴리 타노 (Wanda Metropolitano) 경기장에서 진행되었으며 62,272명이 참석했습니다.

상당한 양의 관광과 교통을 유치할 수 있는 이와 같은 주요 행사는 단기 임대 데이터의 유용성을 탐색할 좋은 기회를 제공합니다.

이러한 데이터를 조사하고 분석함으로써 행사기획담당자는 행사 후 영향 보고서 작성에 도움을 얻을 수 있으며, 해당 도시들은 더 효율적인 미래 이벤트와 물류를 계획할 수 있습니다. 또한, 비즈니스 의사 결정에 이를 활용할 수 있습니다.

위의 지도는 마드리드의 단기임대매물 수량을 시각화한 것입니다.

마드리드 도심과 주변의 단기 임대 매물 수가 높고 상당히 집중된 것을 볼 수 있습니다. 그뿐만 아니라, 경기가 임박함에 따라 경기장에서 한 시간 거리 이내에 있는 단기 임대 매물의 수가 얼마나 드라마틱하게 변하는지도 관찰할 수 있습니다.

2019 년 5월 이전에는 경기장에서 60분 이내의 단기 렌탈 용량이 95개였으며, 마드리드 시내와 가장 가까운 도보 60분 거리인 이소 크론의 서쪽 끝에 해당 용량의 상당한 비율이 모여 있습니다.

2019 년 5월, 이 수용 인원은 757명으로 증가했으며, 단기 임대는 경기장 주변 지역에 훨씬 더 균등하게 분배되었습니다. 데이터를 자세히 살펴보면 새로운 렌탈 시설의 상당 부분이 집 전체 임대가 아닌 싱글 룸 임대에 대한 것임을 보여줍니다.

 

단기 임대 데이터 분석의 최대 수혜자

에어비앤비와 같은 단기 임대 회사는 주요 이벤트 발생 시 이와 같은 데이터를 여러 가지 방법으로 사용할 수 있습니다.

  • 고객 재참여 유도 : 단기 임대 부동산 소유자의 증가는 챔피언스 리그 결승의 직접적인 결과였지만 에어비앤비와 같은 플랫폼 회사의 경우 이 이벤트로 인해 상당수의 신규 고객이 생태계에 유입되었습니다. 따라서 더 많은 행사와 관광 명소 등이 이 지역에서 개최될 때, 이 새로운 고객층과 연락을 유지하여 그들이 부동산 임대를 계속하도록 유도할 수 있습니다.
  • 경험브랜드에의 활용 : 에어비앤비는 경기장 주변의 고객 개발을 경험 브랜드의 새로운 옵션으로 활용할 수 있습니다.. 이런 식으로 그들은 새로운 임대 부동산으로 계속 통행을 유도하고 주요 이벤트로부터 수익을 다양화할 수 있습니다.
  • 지역 마케팅 및 확장 : 이 챔피언스 리그 결승전의 데이터는 단기 임대 회사가 미래 성장을 계획하는 데 사용해야 합니다. 이 데이터는 스페인 및 전 세계에서 유사한 이벤트를 겪을 가능성이 있는 부동산 소유자를 대상으로 정보에 근거한 지오 마케팅 결정을 내리는 데 사용될 수 있습니다.

단기 임대 데이터를 이용한 주요 이벤트 영향 평가 사례 – 평창동계올림픽

에어비앤비는 평창동계올림픽이라는 세계적인 이벤트의 영향을 사업에 활용하고자 했습니다.

2018 평창 동계올림픽대회와 공식 후원 협약을 체결하여 단기임대 숙소 공급에 적극 나선 결과, 올림픽 기간 강원 지역 에어비앤비를 예약한 방문객은 9천 명 이상으로 지난해 같은 기간과 비교해 260% 증가했다고 합니다.
( 안희정, “평창 숙박, 에어비앤비가 해결…강원지역 예약 260% 증가”, 지디넷 코리아, 2018.02.06 )

앞서 살펴본 효과를 적용한다면, 위의 이벤트를 계기로 에어비앤비는 강원도 지역에 새로운 이벤트가 발생했을 시에 새로 유입된 강원도 호스트들을 상대로 재참여를 유도할 수 있으며 해당 이벤트로 인해 발생한 단기임대데이터를 토대로 새로운 마케팅을 계획할 수 있을 것입니다. 추후 대한민국에서 개최될 세계적 행사에서 에어비앤비가 어떠한 활약을 펼칠지 기대가 됩니다.

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.

라스트 마일 딜리버리와 네트워크 데이터 분석

라스트 마일 딜리버리와 네트워크 데이터 분석

아마존은 2004년부터 ‘아마존 프라임’ 서비스를 시작하였습니다. 이 서비스는 빠른 배송을 전면에 내세웠고 빠른 배송을 경험한 소비자는 계속해서 서비스를 이용하는 추세를 보였습니다. 아마존의 성공을 본 국내 기업들도 빠른 배송 서비스를 시작하였습니다. 쿠팡의 ‘로켓와우클럽’은 ‘아마존 프라임’ 서비스와 같이 일정 금액을 지불해 가입하면 빠른 배송, 새벽 배송 서비스를 제공하고 있습니다.

이와 함께 소비자들도 당일 배송을 위해 최고 30% 이상의 프리미엄을 지불할 의향이 있다는 것을 미국의 McKinsey & Company 에서 보고했으며, 대부분의 소비자가 빠른 배송 보장을 위해 추가 비용을 지불할 의사가 있다고 합니다. (7 Top Trends in Last Mile Logistics – The Revolution is Coming)

이에 따라 유통업에서는 ‘라스트마일 딜리버리’를 단축하기 위한 노력을 기울이고 있습니다. ‘라스트 마일(last mile)’은 사형 집행 장소까지 죄수가 걸어가는 거리이나, 유통업에 있어서의 라스트 마일은 고객과의 마지막 접점까지의 거리를 의미합니다.

이렇듯 현재 물류 업계가 주목하고 있는 키워드는 ‘배송(delivery)’입니다. 각 기업에는 ‘어떻게 하면 더 효율적으로 물품을 고객에게 잘 전달할 수 있을까’ 수많은 고민이 있을 것입니다. 효율적인 배송을 위한 분석을 필요로 합니다. 그렇다면 이러한 분석에 사용되는 데이터는 무엇일까요? 다양한 데이터가 사용가능하겠지만 무엇보다 중요한 것은 배송 경로 설정, 주변 시설물의 검색, 서비스 센터의 입지 선정 등에 사용되는 교통 정보 데이터인 네트워크 데이터입니다.

서울시 도로 네트워크 데이터

 

네트워크 데이터는 차량이 운행할 수 있는 도로를 기반으로 생성됩니다. 아래 이미지는 SuperMap을 이용하여 생성한 서울시 도로 네트워크 데이터입니다.

그리고 도로는 도로와 도로가 만나는 지점, 즉 교차로(node)에서 차량이 진행할 수 있는 도로와 진행할 수 없는 도로로 구분됩니다. 그러한 정보를 네트워크 데이터에서는 회전정보(turn table)라고 표현합니다.

도로 네트워크 회전정보 예시

 

이처럼 도로와 회전 정보와 같은 데이터를 활용하여 네트워크 데이터를 생성할 수 있고 이를 바탕으로 분석하여 효율적인 배송과 같은 서비스를 제공 할 수 있습니다.

이번 포스팅에서는 SuperMap을 통해 네트워크 데이터를 생성하고, 생성된 네트워크 데이터를 이용하여 다중 길 찾기, 최근접 시설물 찾기, 서비스 지역 분석 등에 대한 분석작업을 진행하였습니다.

 

TSP(Travelling Salesman Problem) Analysis – 다중 길찾기

TSP Analysis, 다중 길찾기란 출발점과 종료점을 지정하고 다수의 지점을 방문하는 최적의 경로를 분석하는 방법입니다. 최적의 경로를 선정하는데에는 최단 거리와 같은 정보를 반영하게 됩니다. 다중 길찾기는 아래 이미지처럼 서비스 센터 직원이 사무실을 출발하여 제품을 수거 후, 수리 공장으로 가는 최적의 경로를 생성하는데 사용됩니다. 이 분석방법은 주로 택배 업체, 서비스 업체 등에서 사용하고 있으며 이외에도 다양한 분야에 응용될 수 있습니다.

여의도 사무실을 출발하여 최종 도착지인 서울역 공장까지 가는 최적경로

 

 

Services Area – 서비스 영역

서비스 영역 분석이란 분석 지역에서 해당 지점에 일정 비용(거리, 시간) 이하로 접근 가능한 지역을 분석하는 방법입니다. 서비스 영역이 겹치지 않도록하는 서비스 센터의 위치 선정이나, 상점을 개업할 때 경쟁 업체의 상권을 파악하고자 사용할 수 있습니다. 또한 주거지를 선정하는 과정에서 많이 접하는 역세권도 서비스 영역 분석을 통해 파악할 수 있습니다. 그 중 부동산 사이트에 많이 표시되는 역세권은 지하철역 반경 500m 를 의미하는데, 직선거리 500m 와 실제 500m 상의 거리는 많은 차이가 발생합니다.

아래의 이미지는 지하철 2호선 역주변  거리 기반 500m 지역과 반경 500m 지역을 분석하여 지도에 표시한 것입니다. 거리 기반으로 500m를 측정했을 때 반경 500m에 비해 영역이 축소되는 것을 알 수 있습니다.

파란색 원으로 표시된 부분이 반경 500m인 지역

 

지하철역 역세권이 중첩된 지역

 

서비스 영역 분석에 있어서도 거리를 기반으로 분석할 것인지 시간을 기반으로 분석할 것인지 선택에 따라 다른 결과가 나타날 수 있습니다.

 

Find Closest – 근접 시설물 찾기

근접 시설물 찾기란 특정 위치에서 가장 가까운 시설물을 찾는 방법으로 우리집에서 가장 가까운 마트, 주유소, 학교 등을 찾는데 사용되는 분석 방법입니다.

근접 시설물 찾기를 통해 특정 지역에 화재 발생 시에 화재 지역에서 가장 가까운 소방서를 찾아 출동을 지시할 수 있고, 치킨, 햄버거 등 프랜차이즈 업체에서 배달 전화를 받고 주변에 가장 가까운 매장을 연결하는 서비스에도 사용이 가능합니다.

아래 이미지는 특정 위치에서 가장 가까운 초등학교 5개를 검색하여 지도에 경로 및 리스트를 표시하고 하단에 분석 거리 즉 Cost 값을 표시한 것입니다.

만리동 주민센터에서 가장 가까운 초등학교 리스트 및 경로

 

SPH 사무실에서 가장 가까운 초등학교 리스트 및 경로

 

MTSP(Multiple Traveling Salesman Problem) – 다중 세일즈맨 최적경로 산정

다중 세일즈맨 최적경로 산정이란 다수의 서비스 요청 지점에 대해 다수의 서비스 센터에서 최적의 서비스 처리 경로를 분석하는 방법입니다.

예를 들어 서울에 5개의 서비스 센터가 있다고 할 때, 방문 서비스를 신청한 고객들을 방문하는 최적의 경로를 분석하는 방법으로 모든 센터의 비용(거리)을 최소화하는 분석과 모든 센터의 비용을 동일하게 분석하는 방법이 있습니다.

아래 이미지는 서비스 센터에서 서울시 모든 초등학교에 서비스 점검을 위한 방문시 최적의 경로를 분석한 결과입니다.

 

Least Total Cost : 총 비용을 최소로 하는 경우

 

Overall Average Cost : 각 센터의 비용을 동일하게 하는 경우

 

 

Location- Allocation  – 시설물 입지 분석

시설물 입지 분석은 입지 선정에 고려할 변수들을 반영하여 시설물의 최적입지를 선정하는 방법입니다. 예를 들어 특정 지역에 신규 서비스 센터를 오픈하고자 할 때 기존의 서비스 센터를 고려하여 다수의 입지 예정지로부터 최적의 위치를 찾을 수 있도록 분석할 때 사용됩니다.

Fixed Center(기존 설치 지점), Center(신규 설치 예정 지점) 같은 옵션값으로 기존에 있는 지점과 신규 지점에 대한 입지 분석이 수행됩니다. 아래의 이미지는 서울시에 입지 예정지 30개 지점을 대상으로 15개 지점을 선정한 결과입니다.

 

선정 지점 및 선정 주변정보

 

 

지금까지 네트워크 데이터를 활용한 여러가지 분석 방법에 대해 알아 보았습니다. 네트워크 데이터에 다양한 데이터를 추가로 활용한다면 보다 유용한 결과를 얻을 수 있습니다. 예를 들어 부동산 사이트에서 주변 학교나 상권 정보를 이용하여 교육, 쇼핑 환경에 대한 분석이 가능하고, 서비스 센터 및 배달 업체에서는 최적 경로 및 지점을 찾을 때 네트워크 데이터 분석을 적용하여 사용할 수 있습니다.

그리고 이러한 네트워크 데이터를 활용한 분석은 비용절감의 효과를 가질 수 있습니다. 기업의 경우 유류비 절감 및 각종 소요 시간 단축이 가능해지고 사회적으로는 배달 차량으로 인한 대기오염도 최소화 할 수 있습니다.

이미 아마존, 알리바바와 같은 거대한 전자 상거래 기업들은 데이터 분석을 통해 비용을 관리하고 더 많은 소비자가 당일 배송 및 빠른 배송을 경험 할 수 있도록 하고 있습니다. 네트워크 데이터 분석은 이제 선택이 아닌 필수로 나아가고 있습니다.

 

데이터 출처

– 도로 네트워크 데이터 : 도로명 새주소데이터 도로중심선(2018.07)

– 초등학교 위치정보 : 도로명 새주소데이터 민원행정기관 전자지도 (2018.07)

– 지하철역 정보 : 서울 열린데이터 광장

– 배경지도 : vWorld WMTS 서비스

 

Network Analysis 분석도구

– SuperMap iDesktop 9.1.1

 

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.

공간의 변신, 카멜레존 전략과 상권 분석

공간의 변신: 카멜레존

2019년 핫 키워드 ‘카멜레존’,  주변 상황에 따라 변신하는 공간

CARTO를 활용하여 카멜레존 전략 입지 선정하기

마포구 내 카멜레존 적합 상권은 연남동?!

 

오전은 카페, 오후는 스튜디오, 저녁은 레스토랑, 주말은 세미나실, 시간에 따라 그리고 상황에 따라 변신하는 공간이 있습니다. 이러한 공간이 최근 오프라인 매장의 트렌드인 카멜레존입니다.

 

카멜레존(Chamelezone)이란 말 그대로 카멜레온처럼 주변 상황에 따라 변신하는 공간을 말합니다. 『트렌드 코리아 2019』에서는 카멜레존을 “특정 공간이 협업, 체험, 재생, 개방, 공유 등을 통해 본래 가지고 있던 하나의 고유 기능을 넘어서 새로운 정체성의 공간으로 변신하는 트렌드.”라고 정의합니다.

 

왜 카멜레온이 되어야 했는가?

 

이미 수많은 오프라인 매장들이 카멜레존 전략을 취하고 있습니다. 왜 그럴까요? 변화를 택하는 이유는 ‘위기’였습니다. 네, 오프라인 매장은 위기입니다. 경기는 침체되어 있고, 온라인 몰은 무섭게 성장합니다. 사람들은 비대면 서비스를 선호하게 되었고, 거기에 미세먼지와 같은 환경문제가 문밖을 나서는 발걸음을 되돌리고 있습니다.

 

이러한 상황에서 카멜레존 전략은 무엇을 의미할까요? ‘그럼에도 불구하고’ 밖을 나서게 하는 매력을 공간에 부여하는 것입니다. 오프라인 매장은 이제 오프라인 매장만이 제공할 수 있는 서비스를 소비자에게 제공해야만 하기 때문입니다.

 

어떻게 변신할 것인가?

 

『트렌드 코리아 2019』에서는 카멜레존 전략 5가지를 소개합니다. 그 5가지 항목을 아래에 정리해 보았습니다.

 

카멜레존 변신의 색깔
  1. 콜래보레이션: 다른 업종과의 협업
  2. 체험 공간으로 진화: 판매장을 체험의 장으로
  3. 적과의 동침, 온라인과 손잡다: 온라인과 보완관계 형성
  4. 재생: 재생건축을 통한 공간 재탄생
  5. 공유: 공유 오피스, 공유 매장, 공유 주택

 

여러가지 방법 중 가장 용이한 방법은 첫번째 ‘콜라보레이션’입니다. 그만큼 자주 접할 수 있는 유형입니다. 서두에 말씀드린 예시 또한 이에 해당합니다. 시간마다 달라지는 고객 특성에 따라서 보다 적합한 업종으로 공간을 전환하는 케이스라고 할 수 있습니다.

 

콜라보레이션을 위해서는 어떤 업종과 협업할지도 중요하지만, ‘어디서’ 협업하는가도 매우 중요한 사항입니다. 시장 트렌드나 보유한 기술에 적합한 업종을 콜라보레이션 대상으로 결정했다 하더라도, 매장이 입지한 상권의 성격과 맞지 않으면 성공적인 운영은 불가능하기 때문입니다.

 

어떤 업종과 어디에서 협업할 것인가? – CARTO Builder를 활용한 카멜레존 전략 입지 선정

 

CARTO Builder를 활용하여 카멜레존 전략 중 콜라보레이션을 위한 간단한 상권 분석 결과를 지도에 표현해보고자 합니다.

 

이번 분석에서는 마포구에서 카멜레존 카페를 열고자 한다고 가정하였습니다. 해당 지역에서 몇가지 업종의 주중, 주말, 시간대별 매출 비율을 시각화하여 카페와 콜라보레이션하기 적합한 업종과 위치를 판단할 수 있는 지도를 만들어보겠습니다.

 

해당 분석에는 서울시 자치구 경계와 서울열린데이터광장에서 제공하는 ‘서울시 우리마을가게 상권분석서비스-프로파일링데이터 정보’, ‘서울시 우리마을가게 상권분석서비스(상권-추정매출)’ 총 3가지 데이터 셋을 이용하였습니다.

 

#분석 지역 설정


먼저 데이터 셋에 시군구 코드로 SQL 조건문을 넣어서 마포구 경계를 표시하고 해당 지역에 속하는 골목상권 폴리곤을 표시하였습니다.

 

#현재 업종 분석

골목상권 폴리곤 데이터와 상권별 매출 데이터를 JOIN하여 현재 업종으로 가정한 카페의 매출 데이터를 시각화하였습니다. 아래 이미지는 마포구 골목상권 내 카페들의 주중 매출 비율을 보여주는 레이어입니다. 매출 데이터는 주중, 주말 2가지 레이어로 표현하였습니다.

 

#협업 대상 업종 분석

협업 대상 업종으로 호프집과 양식집으로 정하고, 카페와 마찬가지로 각 2개씩 매출 데이터 레이어를 만들어 시각화하였습니다. 아래 이미지는 마포구 골목상권 내 양식집 주말 매출 비율을 보여주는 레이어입니다. 업종별로 구분하기 위하여 그라데이션 색상을 다르게 설정하였습니다.

 

#레이어 셀렉터 설정

이전 단계까지 만들어진 레이어는 총 8개입니다. 완성된 지도를 퍼블리싱하기 전 분석의 편의를 위하여 다음과 같이 레이어 셀렉터를 설정해주었습니다.

이를 통해 업종별, 시기별 매출 비율을 쉽게 비교 분석할 수 있는 지도가 완성되었습니다.

 

#시간대별 매출 데이터 분석 지도

 

앞서 만든 지도와 같은 방식으로 이번에는 업종별로 시간대별 매출 비율을 시각화한 지도를 제작해 보았습니다. 해당 지도는 매출 데이터 레이어가 ‘오전-점심’, ‘오후-저녁’, ‘심야-새벽’ 3종으로 행정 경계까지 총 10개 레이어로 구성되어 있습니다.

 

주중-주말 매출 분석 지도와 마찬가지로 레이어 셀렉터를 설정하여 퍼블리싱하였습니다.

 

완성된 지도는 아래와 같습니다.

 

주중, 주말 매출 데이터 분석 지도

 

시간대별 매출 데이터 분석 지도

 

결론

 


#연남로5길 카페 주중 매출 비율


#연남로5길 카페 주말 매출 비율


#연남로 양식집 주중 매출 비율


#연남로 양식집 주말 매출 비율

위는 완성한 상권분석 지도에서 연남로5길 골목상권 내 카페와 양식집의 주중, 주말 매출 비율을 비교하는 이미지입니다. 해당 상권에서 카페의 주말 매출 비율은 주중에 비해 현저히 낮은 것을 볼 수 있습니다. 반면 카페만큼의 차이는 아니지만 같은 지역 양식점의 경우 주말 매출 비율이 주중에 비해 높습니다. 즉, 이 데이터로 미루어 보았을 때, 연남로5길에서는 주중에는 카페, 주말에는 양식 레스트로랑을 운영하는 카멜레존 전략을 취하기 적합하다고 할 수 있습니다.

 

지대, 유동인구, 매출액 등 실제 상권 분석에는 훨씬 더 많은 데이터가 필요하고, 더 어려운 분석 작업이 요구됩니다. 시기별 매출 비율 데이터만을 토대로 한 분석은 그에 비할 수 없을 것입니다. 그러나 이번 카멜레존 전략과 같이 공간 데이터가 담긴 주제를 다룰 때에는, 지도 위에 데이터를 시각화하는 것이 보다 직관적인 인사이트를 제공할 수 있음을 알 수 있는 기회였습니다.

 

 

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.