상권 분석과 AI

상권 분석, 이젠 인공지능으로
오늘날 상권 분석에서 데이터의 중요성은 점점 커지고 있다. 2022년 소상공인 실태조사에 따르면 전국 사업체 수가 412만 개에 달하며, 개인사업자의 비중이 88%에 이른다. 개인사업자들의 연간 매출액은 856조 원으로, 이는 국내 총생산의 39%를 차지하는 상당한 규모다. 매달 3만 개 이상의 개인사업자가 새로 창업하고 폐업하는 상황에서 상권 분석의 중요성은 더욱 커지고 있다. 최근 상권 변화와 소비자 성향의 급속한 변화로 데이터 기반의 정밀한 상권 분석 기술이 대두했다. 국내에는 공공기관과 지자체, 카드사와 핀테크 기업을 통한 다양한 상권 분석 플랫폼이 존재하지만, 공급자 중심의 데이터는 한계가 있다. 상권 분석을 위해서는 매출과 소비자 정보뿐 아니라 접근 편의성 등의 공간 정보도 필요하다. 편의점 접근성 등 다양한 요소를 고려한 공간 정보 분석 기술은 빅데이터와 하드웨어 발전 덕분에 혁신하고 있다.
이 책은 상권 분석에 필요한 기술의 발전 현황과 시장에서 개방되는 다양한 데이터를 검토하며, 실제 현장에서 데이터와 인공지능을 활용한 상권 분석 기술을 도입하는 방법을 다룬다. 상권 분석의 목적은 창업 전 시장을 정확히 이해하고 위험을 줄이는 데 있다. 민간 데이터를 적극 활용하면 창업하려는 브랜드와 유사한 상점들의 매출을 구체적으로 파악하고 시뮬레이션을 통해 최적의 입지와 시장을 찾을 수 있다. 빅데이터 기술의 발전 역사와 메커니즘, 공공 및 민간 데이터의 활용, 기계학습과 인공신경망 기술, 딥러닝을 통한 상권 분석, 생성형 AI의 역할과 발전 방향, 분석 모형 설계와 핵심 학습 목표, 국내 데이터의 한계, 인공지능 기술을 활용한 교육 및 사회적 비용, 그리고 미래의 상권 분석 전망 등을 다룬다.

현대 상권 분석은 빅데이터와 AI를 활용해 혁신적으로 변하고 있다. 빅데이터 기술, 공공 및 민간 데이터 활용, 기계학습, 인공신경망, 딥러닝을 통한 정밀 상권 분석 방법을 제시한다. 창업 전 시장 이해와 위험 감소에 도움을 주며, 독자들이 더 나은 창업 전략을 세울 수 있도록 돕는 AI 기술을 소개한다.

구름
빅데이터와 인공지능 기술의 산업 확산에 집중하는 빅밸류의 대표이사다. 도시공학 분야의 인공지능 확산을 위해 한양대학교 도시공학과 겸임교수로 석박사 학생들을 가르치고 있다. AVM협의회(금융권에서 많이 사용하는 인공지능 시세 공급 기업들의 모임)의 회장을 맡고 있으며, 국가데이터정책위원회 보호 · 활용 분과 전문위원을 맡고 있다. 과거 교보증권과 KTB투자증권에서 부동산 자산유동화 업무를 담당했으며, 이데일리 금융공학연구소 등 여러 기업에서 데이터 분석가로 일했다.

상권 분석과 인공지능의 만남

01 빅데이터 기술
02 상권 분석과 데이터
03 데이터마이닝 기술
04 딥러닝 기술의 발전
05 생성형 인공지능
06 상권 분석의 관점
07 상권 분석의 목표
08 데이터와 인공지능의 한계
09 데이터 리터러시
10 상권 분석의 미래

상품의 추천을 넘어 사용자의 행동까지도 분석의 대상으로 바뀌었다. 과거에는 어느 검색엔진을 통해 접속했는지, 몇 명이나 우리 사이트에 접속했는지 보던 기초 통계 기능들이 대폭 개선되기 시작했다. 구체적으로 어느 배너를 통해, 어느 검색어를 통해 우리 사이트를 접근했는지 로그를 남기고, 각각의 사용자가 어느 페이지로 이동해 가는지 하나하나 추적 로그를 남겼다. 실제 구매까지 얼마나 걸리는지, 사용자가 일주일에 몇 번이나 방문하는지 등 남길 수 있는 모든 데이터를 남기기 시작했다. 이를 활용해 인터넷 서비스 운영 기업들은 고객들의 행동을 분석해 메뉴의 위치와 명칭, 색깔 등을 어떻게 제공해야 구매율이 높아지는지 혹은 사용자의 재방문이 많아지는지를 파악할 수 있게 되었고 빅데이터의 활용 범위는 계속 증가했다.
－01_“빅데이터 기술” 중에서

이러한 복합적인 상권 분석 구조를 설계하기 위해 딥러닝 기술을 활용하면 알고리즘이 스스로 각 변수와 관계와 영향도를 데이터에서 스스로 학습할 수 있게 된다. 신기하게도 데이터에 대한 과적합(우연히 특정 지점에만 특별히 발생한 매출 형태를 전체 매장에 반영해 발생하는 성급한 일반화의 오류 문제)도 딥러닝 알고리즘은 스스로 해결한다. 또한 전국적인 판매망을 가진 기업의 상권 분석에서는 월 단위로 변화하는 전국의 배후지 정보와 매출 정보를 결합해 분석하더라도 GPU를 통해 빠르게 학습하고 시의적절하게 결과를 활용할 있어서 유용하다.
－04_“딥러닝 기술의 발전” 중에서

기존 권역으로서 상권 분석 방법을 뛰어넘기 위해 개별 구매자의 선택 모형을 학습하고, 이를 활용해 다시 개별 입지에서 매장 매출액을 구체적인 수치로 시뮬레이션해 제시할 수 있는 모형이 필요하다. 과거에는 학계에서도 구현이 불가능에 가까운 복잡한 모형이었지만 빅데이터와 딥러닝 기술의 발달로 손쉽게 이를 학습하고 구현할 수 있게 되었다.
－06_“상권 분석의 관점” 중에서

쉽게 말해서 연령별, 성별 소득 수준의 정보를 모아서 모델링을 하는 경우 고소득 배후지, 중소득 남성 배후지, 중소득 여성 배후지, 저소득 저연령 배후지 등 다양한 형태의 그룹이 만들어질 수 있다. 이렇게 만들어진 그룹으로 데이터를 이해하면 차원이 축소되어 데이터를 이해하고 활용하기 수월해진다. 다만 이러한 그룹을 만드는 과정은 사람에 의해 이루어지는 게 아니고 인공지능 모델의 설계를 통해 이루어져야 한다. 그렇게 하지 않으면 우리 상품과 무관한 소비자 그룹을 만들어 낼 수 있기 때문이다.
－09_“데이터 리터러시” 중에서