2018년 9월 10일 월요일

Nation-wide WPS (WiFi Positioning System) 구축 기술에 관하여





얼마전 유아 교육용 태블릿 대여 사업을 하는 분으로부터 연락을 받았다. 교육용 태블릿을 3개월 동안 무료 체험할 수 있게 제공 하는데, 체험 완료 즈음에 태블릿을 잃어버렸다면서 돌려주지 않는 사람이 점점 늘어나고 있어서 고민이라고. 근데, 정말 분실을 한 건지 일부러 돌려주지 않는 것인지 알 길이 없다고 했다. 태블릿의 위치만 알아도 진위여부를 알 수 있을 것 같은데 GPS 가 없어서 위치를 알 길이 없다고 했다. 이럴 때 사용될 수 있는 기술이 WPS 인 것 같다.

WPS (WiFi Positioning System)은 태블릿과 같은 IoT 기기의 위치를 주변 WiFi AP 위치를 기준으로 추정하는 기술이다. 안드로이드 폰과 같은 스마트 기기에서도 실내에서는 GPS 로부터 위치를 획득할 수 없기 때문에 WPS 를 함께 사용해서 위치를 추정한다. 이쯤에서 아마도 다음과 같은 궁금증이 생길 것이다. WiFi AP의 위치는 어떻게 알고 있을까?

War driving 이라고 들어보셨는지? 초기에는 자동차를 타고 도로를 다니면서 주변 WiFi 신호를 수집하고, 이때 보조 GPS 기기로부터 현재 위치를 획득해서 WiFi AP 의 Map 을 만들었다. 시간이 지나면서 일반 사용자의 스마트폰에서 수집되는 정보로 보다 정교하게 WiFi AP 의 위치를 추정하는 기술들이 개발되기 시작했다(예, https://patents.google.com/patent/US8738043B2/en). Google 은 후발주자지만 WPS를 잘 구축하고 있고, 자신의 안드로이드 플랫폼 뿐만아니라, REST API 형태로 서비스를 오픈해서 제공하고 있다. 다만, 쫌 비싸다. 국내에서도 일부 통신사 및 인터넷 기업에서 자체 WPS 를 구축해서 각자 활용하고 있다.

현재, 로플랫은 WPS 를 REST API 형태로 오픈 해서 서비스를 제공하고 있다. 전국단위의 WPS 구축 기술에 대해 궁금해 하는 이를 위해 우리가 어떻게 구현을 했는지 간략히 기술을 해 볼까 한다.




로플랫은 매일 15,000,000건의 위치 관련한 기록을 쌓고 있다. 그 기록은 스마트폰 주변의 WiFi AP 정보와 기기 위치정보를 동시에 담고 있다. 이 기록을 3개월 정도 쌓으면 1,350,000,000 건 정도가 된다. 무려 13억 건. 이정도의 데이터는 우리나라에 4000만개의 AP가 있다고 가정했을 경우 모든 AP가 최소 30번 이상 다른 위치에서 관측되는 수치이다.

AP 의 위치를 추정하는 가장 단순한 방법은 무엇일까? 개별 AP 별로 관측된 모든 위치 값을 산술평균하면 되지 않을까? 어느 정도는 맞다. 다만, 현실을 마주하게 되면 우리가 풀어야 하는 여러가지 문제들이 생기게 된다. 성능에 가장 크게 영향을 끼치는 두가지만 예를 들어 보겠다. 첫번째는 mobile AP 이다. 두번째는, AP 가 이사하는 경우이다. 두 경우 모두 AP 의 위치가 어느 순간에 변경이 된다는 것이다. 그래서 위치가 변하는 AP 를 제거하는 게 가장 중요한 과제로 남는다. 우리는 이를 해결하기 위해 AP의 위치를 time series 데이터로 보고 clustering 을 수행했다. 이 과정을 통해 여러개의 cluster가 생성되는 AP 를 AP Map 구성에서 제외하는 접근법을 택했다. 다음은 clustering을 수행하는 샘플코드 이다.


    // cluster: [center_lat, center_lng, weight, count, tss, ts2, ts3, ..., tse]
    var clusters = [];
    for(var l = 0; l < location_list.length; l++) {
        location = location_list[l];
        last_ts = location.ts;
        weight = f(...)
        if(weight > 0) {
            found = false;
            used_loc_no += 1
            for(var i=0; i<clusters.length; i++) {
                cluster = clusters[i]
                if(Math.abs(cluster[0] - location.lat) < LOC_DIFF &&
                    Math.abs(cluster[1] - location.lng) < LOC_DIFF) {
                    cluster_lat = cluster[0];
                    cluster_lng = cluster[1];
                    cluster_weight = cluster[2];

                    weight_sum = cluster_weight + weight;
                    cluster[0] = (cluster_lat*cluster_weight + location.lat*weight) / weight_sum;
                    cluster[1] = (cluster_lng*cluster_weight + location.lng*weight) / weight_sum;
                    cluster[2] = weight_sum;
                    cluster[3] += 1
                    if(cluster[cluster.length-1] != location.ts) {
                        cluster.push(location.ts);
                    }
                    found = true;
                    break;
                }
            }

            if(!found) {
                if(location.rss > -80) {
                    cluster = [location.lat, location.lng, weight, 1, location.ts];
                    clusters.push(cluster);
                }
            }
        }
    }


자 그런데, 13억 건의 방대한 데이터로부터 AP 기록을 추출하고 clustering 을 수행해서 mobile AP 를 제거한 후에 AP 의 위치를 추정하는 과정은 쉽게 할 수 있을까? 아무리 우수한 성능의 컴퓨터라도 이는 불가능할 것이다. 여기서 우리 CTO 의 놀라운 능력이 발휘되었다. 우리는 그의 뛰어난 data engineering 능력으로인해 단 몇분 만에 이러한 결과를 얻어낼 수 있는 빅데이터 시스템을 이미 구성해 놓았던 것이다. 단지, 내가 해야 할 일은 위와 같이 javascript 코드를 열심히 짜는것 뿐. 실은 대량의 데이터를 processing 할 수 있는 시스템을 갖추고 있느냐가 WPS 를 구축하는데 아주 중요한 역할을 하는 것 같다.

일단 AP Map을 구성하게되면, 성능을 확인해야 한다. Golden Set 라고 명명된 데이터 세트에는 WiFi 스캔 값과 해당 WiFi 가 스캔된 위치, 즉 관측 값과 정답 값의 샘플이 포함되어 있다. 만개 이상의 샘플로 구성된 Golden Set 데이터를 가지고 AP Map 과 WPS 위치 추정 알고리즘을 계속 업그레이드 했다.

현재 로플랫 WPS는 최근 3개월 기록 데이터로부터 추출된 전국 1500만개AP의 위치를 바탕으로 평균 15m 오차를 가지는 서비스를 제공하고 있다. 전국 50만 곳 이상에서 직접 수집한 WiFi AP 데이터를 함께 활용하여 주요상업 지역에서는 꽤나 정확한 위치 정보를 제공하고 있다. 한가지 주요한 특징은 2.5 dimension 정보라고 말하는 층 정보를 국내 주요 백화점 및 복합몰과 같은 장소에서 제공한다는 것이다. 이 특징은 미아찾기 등과 같은 IoT 서비스에서 활용되면 그 가치가 더 클 것으로 보인다.

WPS 활용에 관심있으신 분은 아래 링크를 통해서 쉽게 사용해 볼 수 있다.
https://developers.loplat.com/#/documentation/wps

학교나 연구단체 등 공익적인 목적의 사용처에는 가능한한 무료로 제공될 예정입니다~

그리고 로플랫은 함께 미래를 만들어 갈 안드로이드, ML/AI 개발자를 찾고있습니다~

2018년 8월 9일 목요일

[로플랫의 오프라인 측정 #7] 영등포 상권 내 백화점 이용 행태 분석



안녕하세요, 로플랫입니다.

영등포 지역은 4개의 백화점이 밀집해 있는 대규모 상권 중에 하나 입니다. 
백화점의 입장에서는 다양한 매장이 입점해 있어서 방문객의 백화점 내 매장 이용 행태에 대한 관심과 궁금증이 높을 것 같습니다. 
거기에 인접한 경쟁 백화점과의 경쟁이나 소비자 선호 등 사업자 측면에서도 답을 찾고 싶은 질문이 많을 것 같구요.
이러한 질문에 답을 하기 위해 로플랫이 영등포 상권 백화점 이용 행태 데이터를 분석해 보았습니다. 







➤ 분석 데이터 


본격적인 분석 내용 소개에 앞서서 분석에 사용한 데이터에 대해 살펴보겠습니다.
로플랫이 쌓고 있는 방대한 데이터 중, 2018년 1월부터 4월까지 4개월간의 분석 대상 백화점 이용 정보를 활용했습니다.


이번 분석을 위해서 MAU 150 명으로부터 발생하는 1500 이상의 위치 확인 요청 기록을 바탕으로 축적한 12 건의 방문 기록 데이터를 사용 했는데요. 

로플랫에서는 평소 방대하고 복잡한 데이터 분석을 처리하기 위해  요즘 많이 알려지고 있는 Google Bigquery 데이터 엔지니어와 과학자에게 각광 받고 있는 Python, R 등의 도구를 사용하고 있습니다. 



➤ 백화점으로 인입


먼저 백화점 별로 얼마나 방문 했는지를 봤습니다. Unique visitor 기준입니다.





D백화점이 가장 방문자 수가 많네요.

그렇다면 한 명의 고객이 4개월간 평균적으로 번을 방문할까요? 



평균적으로는 2회정도 되는 같네요. (전체 평균)

조금 자세히 살펴보겠습니다.


높은 비율로 기간 중에 방문한 것으로 보이는데, D백화점은 2 이상 방문한 비율도 적지 않습니다5 이상 방문한 비율도 10% 정도 되네요.


➤ 백화점 내 이동 

, 이제 백화점 방문 데이터를 살펴보겠습니다.

[층별 방문 행태 분석 - A백화점]


[층별 방문 행태 분석 - B백화점]


[층별 방문 행태 분석 - C백화점]


[층별 방문 행태 분석 - D백화점]



분석 대상으로 삼은 4 백화점 공통으로 식품/푸드/식당이 높은 방문 분포를 차지하고 있습니다. 실제 백화점에 가도 항상 붐비는 곳이 그대로 숫자로 나타나고 있네요.

방문객들이 식당가에서 가장 오랜시간을 머무르는 것으로 나타나고 있는데요.  백화점 입장에서 생각해 보면 이러한 데이터 분석을 토대로 다양한 시도를 해볼 있을 같습니다. 

예를 들어, 식당가의 대기 시간이 너무 길다고 확인되면 상대적으로 한가한 식당을 안내해서 회전율(매출) 높일 수도 있을 같습니다.
또한 방문객들의 식당 브랜드 선호도, 인입 추이를 통해 식당 입점 계획에 반영할 수도 있을 같습니다. 




백화점 들어오면 다양한 매장과 상품을 구경하고는 합니다. (보통 다리가 아플때 까지 하지요..)
하지만 실제 매장 방문(2 이상 체류) 기준을 높여 보면 대부분의 고객이 1개층 또는 2개층을 방문하고 있는 것으로 나타났습니다. 실질적인 구매 관련 행위는 제한적이라고 해석이 가능합니다. 


➤ 백화점 간 이용

[: 4 백화점 방문객의 백화점 이용현황]





분석 대상 백화점의 방문객은 (당연하게도) 다른 백화점도 이용합니다. 조금 해석을 해보면 동매장 비율과 주변 백화점 이용 비율이 높은 것으로 보아 특정 상권을 선호하는 경향이 있는 같습니다. 백화점 방문 1/2/3위가 대부분 동일 상권에 속한 분석 대상 백화점들로 나타났습니다.
순위권에 들어온 다른 사례로는 B백화점 강남점  A백화점 본점이 눈에 들어오네요.


➤ 지역별 방문 분포

방문객들의 거주 지역도 함께 살펴보겠습니다. 로플랫에서는 특별히 사용자 개인정보를 활용하지 않고 이동 패턴을 이용해 거주지를 인식하는 모델을 만들었는데 90% 이상의 정확도를 갖는 것으로 판단하고 있습니다. 




분석 대상 백화점 모두, 서울 전역과 경기 지역에도 방문객이 분포하는데, 아무래도 접근성이 높은  백화점 인근 지역에서 많이 방문했습니다. 

백화점 입장에서는 지역 커뮤니티의 유입을 높이도록 매장 포트폴리오나 마케팅을 정비하면 좋을 같습니다. 효과를 극대화 하려면 동일 상권 백화점 대비 차별화 개발도 중요한 미션이 같습니다.


➤ 마치면서.. + 채용 안내


일상 생활에서 자주 접하게 되는 백화점 이용 행태에 대해 간단하게 분석해 봤습니다.
백화점 매장 방문 데이터를 활용해 평소 관찰하던 현상을 확인하는 재미도 있고 사업적으로 유의미한 경향을 파악할 수도 있었습니다.

재미도 있고, 유익하기도 해서 걸음 깊이 들어가고 싶은 마음이 굴뚝 같은데, 손이 부족합니다.  많은 일을 하려고 저희와 함께 개발자 분들을 모시고 있습니다. 


아래 채용 공고 링크를 참고해 주세요. 오프라인 데이터로 세상을 바꾸고 싶은 분들의 관심과 지원을 기다리겠습니다.


현재 올라와 있는 채용 공고







2017년 1월 10일 화요일

[로플랫의 오프라인 측정 #6] 하남 스타필드 3개월의 기록

9월 9일 하남 스타필드가 개점하고 3개월 여가 지났습니다.

이번에는 9/12부터 12/19까지 99일 동안 3,061명의 5,295번의 방문 기록을 살펴봄으로써 방문수 변화의 추이와 주요 고객 분포 지역을 알아보겠습니다.

본 조사는 전체가 아닌 3,061명의 표본을 대상으로 하였으며, 10-20대 남성이 다수를 차지하고 있으니 참고 바랍니다.


➤ 일 기준 방문 변화 



  • 당연하게도 휴일에 방문이 몰리는 것을 볼 수있습니다. 보통 휴일은 평일 대비 2~3배 더 많은 방문이 있습니다. 
  • 9/14~9/18은 개점 직후의 호기심과 추석연휴가 겹쳐서 가장 많은 방문이 있었습니다. 이후에는 특별히 늘지도 줄지도 않는 안정된 방문 패턴을 보이는데, 긍정적으로 보면 일정한 고정 수요를 확보했다고 볼 수 있겠지만, 나쁘게 보면 성장이 정체되고 있다고 해석할 수 있을 것 같습니다.





  • 날짜별 재방문자가 차지하는 비중을 살펴보겠습니다.
  • 전체 방문 중 첫번째 방문이 57.8%, 2~5번째 방문이 30.8%, 6~10번째가 7.8%를 차지하고 있으며, 99일 동안 대개는 1~5번 정도를 방문하는 것이 일반적으로 보입니다.
  • 3개월이 지난 지금도 1/3~1/2은 신규 방문자인데요. 여전히 성장의 여지가 남아있다고 볼 수 있을 것 같습니다. 다만, 신규 고객을 계속 확보하고 있음에도 일별 방문수가 정체되고 있는건, 첫방문 고객을 지속적인 재방문 고객 으로 충분히 전환시키지 못 하고 있기 때문일 수 있을 것 같습니다.


➤ 몰/백화점 방문 비율




  • 방문자의88%는몰만방문하고있습니다. 
  • 몰은10-20대를,백화점은다른집단을타겟팅하고있는중이라면,효과적으로이루어지고있어보입니다. 
  • 하지만 백화점과 몰의 시너지를 기대하고 있다면, 적어도 젊은 10-20대에게는 해당되지 않는 것 같습니다.


➤ 지역별 방문 분포






  • 주요 활동지역이 확인되는 1,777명의 3,126방문을 정리하였습니다. 
  • 지리적으로 인접한 하남시와 강동구의 방문의 39.8%를 차지하고 있습니다.
  • 그외에는 남양주, 성남시, 구리시에서 어느정도 방문이 있습니다.
  • 서울은 강동구와 다른 구 사이의 차이가 큰데, 다른 구는 서울 내 인접한 쇼핑공간이 많기 때문으로 보입니다. 
  • 수도권 외 지역에서는 강원도 원주시와 춘천시의 방문이 일부 있습니다



이상으로 하남 스타필드의 기본적인 방문기록을 살펴보았습니다.
추후 좀더 표본집단이 늘어서 연령대와 성별이 다양해지고 스타필드 내 층이나 매장 별 방문까지 살펴 보면, 다음 분석에선 보다 흥미로운 결과를 기대할 수 있을 것 같습니다.

앞으로도 많은 관심 부탁드립니다. 

감사합니다.

작성: 로플랫 이상호 팀장












2016년 9월 25일 일요일

[로플랫] 인재 영입 2017.01 - Machine Learning / Front-end Engineer

2016.12.01 updated -- 여러 포지션이 채용되었네요... ^^

이제 Business Develope을 하실 senior 분과 Machine Learning 개발을 하실 분을 찾습니다.


---------- 채용 공고 ----------


고객의 매장방문 데이터(오프라인 풋트래픽) 정보를 가장 광범위하게 제공하는 로플랫에서 인재 영입을 시작합니다.


회사 간략소개) 기존에 설치되어 있는 와이파이 신호들을 활용해서 고객의 매장 방문을 인식할 수 있는 기술개발, 인식가능한 매장 확보, 오프라인 데이터 분석 등. 이러한 솔루션 및 데이터 판매.


왜 이러한 일을 할까?) 고객의 홈페이지 방문 tracking 데이터는 온라인 비지니스를 크게 변화. 실제 소비의 90%는 오프라인 비지니스에서 발생. 즉, 고객의 실제 매장 방문 데이터를 광범위하게 확보하는 기술은 오프라인 비지니스의 핵심요소가 될 것임.

현재 로플랫은 일차 기술개발을 완료하여 시장에 막 진입한 상태이고, Series A 투자를 최근에 완료하였습니다. 로켓이 준비되었으니 얼른 올라타세요 라고 말하기엔 아직 이른것 같습니다. 하지만 무언가를 만들수 있는 여건은 준비된 것 같습니다. 

한국에서는 흔치 않은 그래서 성장 모멘텀이 무지하게 클 수 있는 아주 멋진 일을 함께 만들어 가실분 열열히 환영합니다. 

이번에는 Junior 보다는 경력자를 우선적으로 뽑고자 합니다.


1. Senior 서버 개발자
: Backend 서비스 (DB) 개발/관리/운영 및 Dashboard 개발 업무(채용 완료)

- Cloud Service를 사용하여 (Google, Amazon) 상용 시스템 구현/운영 경험
- python, django, html, javascript, java
MySQL, DB Performance Tuning


2. Machine Learning / Data Analysis Engineer
: 오프라인 풋 트래픽 데이터 분석 및 예측 모델 개발

- WiFi Fingerprint를 활용한 매장 방문 인식 기술 개발
- 고객의 매장 방문 패턴을 바탕으로 사용자 특성 추출 및 예측 시스템 구축


3. PoI(매장 데이터베이스) Manager
: PoI 데이터 관리 - 머리와 몸을 함께 사용 ^^

- PoI 수집 아르바이트 관리 및 검증 작업

- PoI 를 비지니스 관점에서 활용가능 형태로 구조화



4. Senior Business Developer
: 매장방문 데이터를 활용한 사업 발굴

- 광고분야에서 데이터를 활용한 타깃마케팅 비지니스 개발/영업 경험자 우대

5. Front-end Engineer
: 오프라인 데이터 분석 대시보드 개발 및 장소 데이터 관리 페이지 개발 and more


요구사항이 짧은 이유는 주절주절 스펙만 많은 사람보다는 진짜 역량있는 사람을 찾고 있기 때문입니다. 개발자는 10월 중으로 채용을 할 예정이며, Biz 담당자는 상호간에 지속적으로 의견을 나누면서 비전과 방향성에 충분한 일치가 있다고 판단될때 채용할 계획입니다.


문의사항이나 지원은 johnkoo@loplat.com 으로 해 주시고, 지원시에는 어떠한 일을 얼마나 하셨는지, 어떠한 역량을 가지고 계시고 왜 지원해 주셨는지(+ 요구사항)를 자유롭게 작성해서 보내주시면 1주일 이내로 회신 드리겠습니다.

회사 사무실은 선릉역 디캠프 5층에 있습니다.

감사합니다.

2016년 7월 25일 월요일

[로플랫의 오프라인 측정 #5] 지하철 2호선

지하철 2호선이라고 제목을 붙이고 보니 예전에 한참 유행했던 연극이 생각납니다. 되게 오랫동안 유행했었는데 정작 보진 못했었죠... 연극보다는 뮤지컬을 좋아했던 1인이라... ^^

이번엔 오프라인 측정 5번째, 지하철 2호선 데이터를 한번 볼까 합니다. 

지하철 2호선중 승강장에 사람이 가장 많은 역은 어디일까요? 

바로~~~~ 바로~~~~





강남역 입니다.

위의 표는 2호선 승강장 기준으로 사람들이 많이 방문한 상위 15개 역을 보여주고 있습니다. 붉은색 bar는 저희가 측정한 데이터이고, 주황색 bar는 인터넷을 통해 획득한 역사별 승차인원 통계 데이터입니다. 두 데이터 모두 강남역 값을 기준으로 normalize 하였습니다. (로플랫 데이터는 7월초 2주간 게임사 리워드 앱을 통해서 수집이되었고, 6,400여개의 스마트폰에서 총 10,863건의 승강장 방문 인식이 있었습니다.)

근데... 강남역... 다 아는 얘기라구요? 좀 시시했을 수도 있겠네요.

그럼 이제 돈 되는 이야기를 잠시 해 볼까 합니다.

돈 되는 이야기!




위의 표는 2호선 승강장에 있는 안전문 광고비를 보여주고 있습니다. 6등급으로 나뉘어져 있고, 등급마다 다른 가격을 지불하게 됩니다. 어떻게 하면 우리 고객을 대상으로 가장 효과적이고 효율적인 광고를 집행할 수 있을까요?

첫번째 그림을 다시 보겠습니다. 역이름 왼쪽에 있는 동그라미는 해당역에 연결되어 있는 환승 열차를 표시합니다. 오른쪽에서는 흰색으로 역마다 정해져 있는 광고비 등급을 표시하고 있구요. 자세히 들여다보세요~ 횡재가 있죠? 바로 C 등급인 당산역과 대림역! 통계자료에 의한 승차인원은 많지 않습니다. 하지만, 로플랫의 데이터에서는 사람들이 해당 승강장에 많이 머물렀습니다. 어디서 이 차이가 발생한 것일까요? 

바로 환.승.인.원

통계자료는 2호선 역사 게이트를 통과한 인원으로 승차인원을 추정합니다. 하지만 많은 사람들은 환승하기 위해 특정 역에 머물렀다 가기도 하죠.  ^^

이쯤되면, 오프라인 데이터가 돈이 된다는 사실을 알 수 있을 것 같습니다. 우리 고객사는 저기 당산역과 대림역에 광고를 해야 합니다. 저렴하지만 상대적으로 더 많은 사람에게~


더 섬세하게



그럼 이번엔 또 다른 재미난 걸 하나 확인해 보겠습니다.

2호선은 객차가 10량으로 구성되어 있는데, 역사마다 사람이 몰리는 곳이 다릅니다. 저희는 승강장을 진행방향마다 네곳으로 구별해서 인식이 가능하게 구축하였습니다. 

자, 그럼 사당역 승강장을 한번 들여다 볼까요? 




방배방면으로 향하는 외선의 경우 4,5호 객차가 가장 사람이 많이 몰리네요. 반면 낙성대 방면은 골고루 분포하고 있습니다. 그리고 이러한 특징은 역사마다 다르게 나오고 있습니다. 양방향 승강장의 경우 대체적으로 골고루 분포하구요~ 이젠 데이터를 기반으로 판단을 할 수 있을 것 같습니다. 나에게 가장 유리한 곳은 어디인가!





스마트폰으로 오프라인 데이터를 자동으로 수집해서 확인해 보면, 다른 고객과 구별되는 내 고객만의 특성을 알 수 있게 되는 것 같습니다. 그리고 날마다의 변화를 바로바로 알 수 있다는 장점도 있구요. 오프라인 데이터 분석은 이제 막 시작하는 영역인데 아주 재미난 것 같습니다. 앞으로 할 수 있는 일들을 생각해보면 깜짝 놀랄 정도로 기대가 되기도 하네요~

Happy Summer Holiday~~




Measure Offline

for Better Business Decision



2016년 7월 13일 수요일

[로플랫의 오프라인 측정 #4] 리테일의 핵 편의점 풋 트래픽 들여다보기

요즘 포켓몬 잡으로 다닌다고 세계적으로 난리가 났네요. 실은 작년 가을에 게임사들에게 실내에서 위치를 인식할 수 있는 솔루션을 제공할테니 포켓몬 고 같은 게임을 한번 만들어 보는건 어떻겠냐라고 제안을 엄청 했었더랬죠... 우리의 첫번째 영업이었던 셈이었는데 [제안서는 요기]... 그 제안은 좋은 성과를 거두지 못했고 전혀 다른방식으로 게임사와 협업을 진행하게 됐는데... 좀 아쉬움이 있네요 ㅎㅎ

그 게임사 사용자의 풋 트래픽을 바탕으로 오늘은 리테일 시장의 핵으로 떠오른 편의점 방문 데이터를 살펴볼까 합니다.


리테일의 핵, 편의점


서울시에만 총 6400여개의 편의점이 존재합니다. 대표적인 편의점으로는 GS25, CU, 세븐일레븐, 미니스톱, 위드미 등이 있구요. 

아래는 강남구, 서초구의 편의점 위치들을 일부 보여주고 있는데요. 정말 많습니다. 이 두개의 구에만 900개가 넘어요~






편의점 브랜드 고객 방문 랭킹


우리는 6월 후반 2주동안의 오프라인 풋 트래픽으로부터 총 980개 매장에 대해 6643회 방문기록을 얻었습니다. 강남구, 서초구 및 종로구 일부의 5개사 편의점(GS25, CU, 세븐일레븐, 미니스톱, 위드미)를 방문한 총 2849명의 실제 데이터 입니다. (방문기록은 4~5분정도 해당 편의점에 머무른 경우에 수집이 되었습니다.)

최근 몇년사이에 편의점 순위가 바뀐듯 한데, 실제 그런지 한번 보도록 하겠습니다.

자, 예상대로 인가요? 매장수 와 방문횟수 모두 GS25가 압도적으로 우세하구요. CU와 세븐일레븐이 혈투를 벌이고 있는 듯한 형국인데요. 그 다음은 경쟁에서 많이 떨어져 있어 보입니다.


그럼, 언제 가장 많이 방문하나요?


저는 데이터를 보기전에 저녁시간이 아닐까 생각했는데, 실제론 점심시간에 아주 많은 사람들이 방문을 하더라구요. 아래 차트는 30분 단위로 방문 횟수를 편의점 전체와 개별 브랜드로 보여주고 있습니다. 12시 근처에, 10시에 그리고 오전 8시대에도 방문이 튀는걸 볼 수 있습니다. 시간날때 해당시간대에 사람들이 뭘 사는지 서서 한번 지켜봐야겠습니다.







GS25를 가는 사람은 CU도 갈까?

전, 이런게 항상 궁금하더라구요. GS25를 가는 사람은 거기만 갈까? 편의점은 그냥 가까운데 눈에 보이는데 가는 걸까? 뭐, 정확하게 알 순 없지만, 2주간의 데이터에 대해서 GS25와 CU사이에 고객이 겹치는 정도는 얼마일까 한번 확인해 봤습니다.




GS25를 방문한 1171명 중에 14%인 161명이 CU를 방문했네요~
조금더 긴 기간의 데이터를 보면 어떻게 달라질지 한달쯤 후에 다시 확인해 보도록 하겠습니다.

그리고, 1000개 가까운 편의점중 가장 많은 사람이 방문한 곳을 호기심에 확인해 봤는데...

지상도 아닌 지하1층에 있는 "CU 한국IT전문학교점"

이네요~

^^


NEXT...


지하철 승강장에 보면 광고판들이 아주 많이 있잖아요... 과학적(?)으로 봤을때 과연 어디가 가장 비싸야 할까요?
다음번엔 어느 역 승강장에 가장 많은 사람들이 머물다 갔는지 알려드리도록 하겠습니다. ^^
입이 너무근질근질 하지만.. 꾹 참고.. ㅎㅎ.. 개별적으로 연락주시는 분들한테는 15등까지 순위를 보내드리겠습니다~




Measure Offline
for Better Business Decision



2016년 6월 9일 목요일

[로플랫의 오프라인 측정 #3] 강남구 비콘 설치 현황

오늘은 우리회사 내부 데이터 얘기보다 조금더 재미날(?) 수 있는 다른 회사 얘기를 해 볼까 한다.

작년에 한창 시끄러웠던 비콘 얘기가 올해 들어 갑자기 너무 뜸(?) 해 졌다. 비콘 시장이 죽은 건지 아니면 뒤에서 조용히 성장하고 있는것이지 많이들 궁금해 하는 것 같다. 과연 지금 현재 비콘은 어떤곳에 얼마나 설치되어서 사용되고 있는 것일까?


강남구 비콘 설치 현황

그럼 강남구의 비콘 설치 현황을 한번 확인해 보자.




업종별로 확인해 보면 편의점의 경우 80% 이상의 매장에 비콘이 설치되어 있다. 그 다음으로 카페, 패스트푸드 등에서 조금씩 설치되어 있는 것을 확인할 수 있다. (여기서 외부로 분류된 경우는 아래에서 다시 설명한다)

얘기를 더 진행하기 전에 이 데이터를 어떻게 확보하게 된 건지 말해야겠다.
지난 5월 한달동안 우리는(주식회사 로플랫 입니다.^^) 인식가능한 실내 매장의 수를 확보하기위해 강남구 주요 브랜드 매장 2,386곳을 일일이 방문해서 무선신호(WiFi + BLE)를 수집하였다. 아래는 우리가 수집한 수집 매장 목록 요약이다.


이들 전체 매장에서 비콘은 총 1,601개 와이파이는 51,119개가 관측되었다. 30배 정도 차이가 난다. 이 글에서는 이렇게 수집된 매장의 비콘에 대해서만 언급하기때문에 전체가 아닌 표본 데이터 임을 미리 말씀드린다. 하지만 아주 큰 표본 데이터라 생각한다.^^. 신호 세기가 -85 미만으로 약하게 인식되는 비콘은 매장 외부에 있는 비콘이라고 분류하였고, SK는 SKT와 SKP를 모두포함하는 용어로 사용하였다.


누가 많이 설치했나?

그럼 이제 누가 어떠한 곳에 비콘을 설치했는지 더 살펴보기로 하자!





역시나 SK, YAP, KT 가 열심히 설치했다. 매장 수 보다 비콘수가 더 많은건, 실제 비콘을 설치한 매장에 대해서는 평균 1개 이상을 설치했다는 걸 의미한다. 그런데 Op! Pay 이건 누구인가? 제보를 받습니다.

SK

가장 active 하게 사업을 하는 만큼 열심히 깔았다. 편의점 비중이 높지만 다른 업종에도 꽤 설치를 했다.


Op! Pay


편의점에 등장한 신흥 강자이다. 다시한번 제보를 받습니다. ^^


YAP

이번 조사에서는 빠져있지만, SPC 계열의 매장에 거의 다 들어가 있다. 그리고, 서울시 버스에도 다 들어갔다. 이 수를 포함하면 1위를 위협하는 정도가 되지 않을까 추측해 본다.

KT

조금 모호하다. 그동안 여러경로로 확인한 바에 의하면 매장 안을 타깃으로 한다기 보다, 주요상권들에서 길을 걸어가고 있는 사람, 즉 주변에 있는 사람에게 푸시를 알리기위한 의도로 비콘을 설치한 것으로 보인다.




전체적으로 봤을 때, 편의점을 제외한다면 실제 비콘이 깔려있는 곳은 참으로 적지 않나 생각한다. 

이번 포스팅은 여기서 마무리를 하고자 하는데, 이번 글을 상당히 짧게 쓴 이유는 해당 데이터로 어떠한 결론을 논하는게 섣부를수도 있다는 생각과 잘 정리된 도표를 바탕으로 각자가 판단하기를 기대하기 때문이다. 우리의 시각과 상세한 내용은 로플랫 비지니스&데이터분석 이상호팀장이 정리한 보고서를 참고하면 좋을 것 같다. 비콘 현황 보고서 다운로드



Measure Offline
for Better Business Decision