김지윤 · Kim Jiyun

김지윤 · Kim Jiyun

Spatial Data Communicator 공간데이터를 분석해 사람들의 생활을 탐구하고 비즈니스로 연결합니다. geogjiyun@snu.ac.kr

LinkedIn

LinkedIn Posts

총 60개
‘두쫀쿠맵’과 ‘거지맵’으로 보는 참여형 지도 (Two Viral Crowdsourced Maps in Korea)

‘두쫀쿠맵’과 ‘거지맵’으로 보는 참여형 지도 (Two Viral Crowdsourced Maps in Korea)

‘두쫀쿠맵’과 ‘거지맵’으로 보는 참여형 지도 (Two Viral Crowdsourced Maps in Korea) 최근 한국에서 바이럴이 일어난 지도 서비스 두 개가 있습니다.  바로 두쫀쿠맵과 거지맵입니다. 두쫀쿠맵은 지난 겨울을 지배한 디저트인 '두바이 쫀득 쿠키'의 재고를 볼 수 있는 지도 서비스이고, 거지맵은 고물가시대에 저렴한 한 끼 식사를 제공하는 가성비 식당 정보를 확인할 수 있는 지도 서비스입니다. 두 지도는 각각 다른 종류의 정보 비대칭을 해소하고자 했습니다. 1️⃣ 두쫀쿠맵 : 정적인 지도 위에 실시간 운영 정보를 담아내다 두쫀쿠 열풍이 식은 지금에야 이 지도의 가치가 크게 와닿지 않지만, 지난 겨울에는 두쫀쿠를 사기 위해 추위 속에서 웨이팅을 하는 사람들이 있었는데요. 두쫀쿠맵은 디저트 가게 사장님이 직접 제보한 '실시간 재고 정보'를 제공했다는 점에서 많은 분들의 헛걸음을 방지할 수 있었습니다. 두쫀쿠맵은 일반적인 지도와는 달리 ‘실시간성’이 강한 지도였는데요. 두쫀쿠의 재고가 실시간으로 변화하기 때문입니다. 매장 위치, 재고 유무 및 수량, 마지막 업데이트 시간 이 필수적인 속성 정보 세 가지를 기반으로 정적인 지도 위에 실시간 운영 정보를 담은 지도였죠. 2️⃣ 거지맵 : 엄격한 유저들의 "한 끼 식사" 의사결정을 위한 지도 지난해 '거지방' 이라는 이름의,  절약 습관과 자린고비 정신을 공유하는 카톡 오픈채팅방이 화제가 되었습니다. 거지맵은 해당 거지방의 정신(?)을 이어받은 지도 서비스입니다. 거지맵에서는 한 끼에 1만원은 기본인 고물가시대에서  8천원 이하로 한 끼 식사가 가능한 이른바 '혜자' 식당을 보여줍니다. 그러나 이 지도에 등재되기 위해서는 탄수화물 위주의 음식은 6천원 이하,  단백질과 섬유질을 포함한 식단은 8천원 이하라는 엄격한 기준을 따라야 하죠. 해당 기준을 충족하지 못하거나, 미끼용 메뉴를 등록하는 경우에는 (운영자의 표현을 빌리자면) '엄중한 철퇴'를 내린다고 합니다...! 거지맵에서는 이렇게 '엄격한' 유저들을 만족시키기 위해  가격 필터, 음식 카테고리 필터를 제공하고 있으며, 후기 및 투표 기능까지 있습니다. 유저들의 "어디에서 저렴하게 밥을 먹을 수 있을까?" 라는 의사결정을  효과적으로 도와주는 지도라고 할 수 있겠습니다. 3️⃣ 특수목적의 '참여형 지도' 두쫀쿠맵은 "재고 접근성"을 기반으로, 거지맵은 "가격 접근성"을 기반으로 공간적 의사결정을 도와줍니다. 이러한 특수 목적의 지도들은 일반 지도 포털과는 기능이 다릅니다. 네이버, 카카오, 구글지도 등은 일반 지도 포털은 최대한 많은 POI를 보유해야 하며 지도 위에는 대중적인 POI를 위주로 띄워야 하는 반면, 특수 목적 지도들은  유저들의 니즈를 충족하는 장소들만을 큐레이션하여 보여주어야 하고, 이들의 의사결정에 필요한 속성 정보들을 정확하게 붙여야 하죠. 두쫀쿠맵이 재고 및 최근 업데이트 시간 이라는 실시간 정보를, 거지맵이 필터링 및 엄격한 리뷰 기능을 제공하듯 말입니다. 이러한 지도 서비스를 기획할 때는 이 지도에서 보여주어야 할 것은 무엇이고,  보여주지 말아야 할 것은 무엇일까? 라는 고민이 필요할 것 같네요. 4️⃣ 앞으로 탄생할 제2의 두쫀쿠맵, 거지맵은 어떠한 모습일까요? 많은 사람들이 원하는 재화를 쉽게 얻을 수 있도록 도와주는 지도, 엄격한 기준 하에 사람들의 의사결정을 도와주는 지도의 사례를 보았습니다. 앞으로도 이러한 참여형 지도는  사람들이 관심을 가지는 특정 성격의 장소들을 지도 상에 보여주는 방식으로 계속하여 탄생할 것이라 생각합니다. 개인적으로는 고유가 시대에 '알뜰 주요소 지도'를 만들어보면 좋을 것 같다는 생각도 드네요.ㅎㅎ 다음에는 어떠한 지도들이 탄생할까요? - 두쫀쿠맵 링크 : dubaicookiemap.com - 거지맵 링크 : 거지맵.com

GIS/공간데이터
더보기 →
미래의 지도 플랫폼은 어떤 모습일까요? 🗺 (What will future map platforms look like?)

미래의 지도 플랫폼은 어떤 모습일까요? 🗺 (What will future map platforms look like?)

미래의 지도 플랫폼은 어떤 모습일까요? 🗺 (What will future map platforms look like?) 저는 앞으로 가까운 미래에 우리가 일상적으로 사용하게 될 지도는 1) 현실과 겹쳐보는 지도 2) 현실과 닮아가는 지도 3) 대화 통한 장소 탐색 및 사용자 맞춤형 장소 추천 의 방향으로 발전할 것이라 생각하는데요. 오늘은 구글맵의 기능들을 소개하며 이에 대한 이야기를 해보고자 합니다. --- 1. 현실과 겹쳐보는 지도 (구글 맵 Live View 기능) 최근 오사카 여행을 갔을 때, 복잡한 난바역과 우메다역 주변 공간에 압도된 경험이 있습니다. 수십개에 달하는 전철역 출구들과 외국어로 된 간판들, 지리 전공자임에도 방향치인 제가 (^^) 딱 길을 잃기 좋은 공간이었죠. ㅎㅎ 그래서 저는 구글 지도의 Live View 기능을 켜보았는데요. 그러고 나니 글에 첨부한 영상과 같이, 폰카로 비추는 길거리 모습 위에 제가 가야하는 방향을 알려주는 화살표가 그대로 겹쳐져 보였습니다. 내 주변의 실제 모습의 위에 구글 길찾기 경로 정보를 겹쳐볼 수 있는 기능인 것입니다. 저는 방향을 고민할 필요 없이, 그저 화면에 표시되는 방향대로 걸어가면 되었습니다. 특히 여행지처럼 언어가 다르고 공간이 낯선 상황에서는, "지금 어느 방향으로 걸어야 하는지"를 직관적으로 알려주는 기능이 훨씬 더 필요하다고 생각합니다! 구글맵의 Live View는 유저가 비추는 실제 공간과 구글 스트리트맵 속 이미지를 비교하여 유저의 위치를 파악해 경로 정보를 UI로 제공하는 기능입니다. 2019년부터 AR 기술을 이용한 보행자용 길찾기 기능으로 제공되고 있으며, 구글 스트리트맵 데이터가 존재하는 지역이면 사용이 가능합니다. 2. 현실과 닮아가는 지도 (구글 맵 Immersive Navigation 기능) 지도는 점점 현실의 건물과 도로를 닮아가고 있습니다. 이미 국내 서비스인 네이버와 카카오지도, 그리고 현대차 인포테인먼트 시스템 상에서도 건물을 3D 형태로 보여주는 기능을 제공하고 있는데요. 최근 발표된 구글 내비게이션 신기능은 차량 주행 화면 상 건물 및 도로 모습을 실제 모습과 비슷하게 구성해, 도로 상의 현 위치를 운전자가 보다 쉽게 인지할 수 있게 하였습니다. 아래 두 번째 영상과 같이 건물과 도로 구조를 현실의 모습을 반영해 보여주어, 보다 직관적인 경로 안내 화면을 제공하게 됩니다. 기존 내비게이션은 “지금 이 코너에서 우회전 하는 게 맞나?" “내비 상 이 건물이 창밖에 있는 이 높은 건물인가?”와 같이, 운전 중에 순간적으로 추측해야 하는 모먼트들이 많은데요. 앞으로 지도 플랫폼은 운전 중 이러한 고민을 할 필요가 없도록, 운전자의 편의를 돕는 방향으로 발전하게 될 것입니다. 다만 이 Immersive Navigation기능은 2026년 3월 기준, 미국에서 먼저 서비스되었고 앞으로 점차 확대될 예정이라고 합니다. 3. 대화 통한 장소 탐색 및 사용자 맞춤형 장소 추천 (구글 맵 Ask Maps 기능) 구글 지도에 이제 Gemini가 붙었습니다! 나의 상황에 맞는 장소를 찾아보아야 하는 상황에서, 지도를 이리저리 옮기며 장소를 탐색할 필요 없이 제미나이에게 직접 질문할 수 있습니다. 특히 유저 데이터에 기반해, 맞춤형 장소를 제안해준다고 합니다. "이 주변에 시끄럽지 않고 혼자 앉아 있기 편한 곳이 있을까?" "오늘 미팅 끝나고 가기 좋은, ㅇㅇ 빌딩 근처에 포멀한 저녁 약속 장소로 어디가 괜찮을까?" "ㅇㅇ역 근처에 충전 가능한 카페 있을까?" 우리는 일상 속에서 이러한 질문을 하게 되는데요. 지금까지는 이러한 질문에 답을 찾기 위해서는 지도에서 직접 해당 카테고리의 장소 후보군들을 탐색하고, 지도 플랫폼 상 리뷰 글 혹은 블로그 글을 확인하여 최종 선택하는 과정이 필요했습니다. 하지만 Ask Maps 기능은 장소 검색 없이 현재의 상황이나 니즈를 문장의 형태로 말하면 구글 맵이 보유한 장소 정보 및 리뷰 데이터에 기반하여 그 니즈에 맞는 장소를 추천해줍니다. 특히 유저가 이전에 검색한 적 있는 장소나 저장해 두었던 장소 데이터를 기반으로 좀 더 취향에 맞는 장소들을 우선적으로 보여줍니다. 앞으로 지도 플랫폼은 모든 사람들에게 같은 정보를 보여주는 것이 아닌, 나에게 더 적합한 맞는 장소를 맞춤형으로 보여주는 지도가 될 것입니다. 참고로 이 Ask Maps 기능은 2026년 3월에 발표됐고, 현재 미국과 인도에서 먼저 제공되고 있다고 합니다. 4. 나가며 - 가까운 미래, 우리가 쓰게 될 지도의 모습은? 지도는 이제 장소 정보와 경로를 알려주는 기능에 머무르지 않고, 장소를 더욱 현실적으로 이해할 수 있는 방향으로, 그리고 다음 행동에 대한 의사결정을 도와주는 방향으로 발전하고 있습니다. 복잡한 오사카에서 직관적으로 가야 하는 방향을 안내해준 Live View, 운전 중 더 현실적인 장소 모습을 보여주는 3D 내비게이션 기능, 그리고 유저별 맞춤형 장소를 대화로 답변해주는 제미나이 탑재 지도까지. 결국 앞으로 우리가 쓰게 될 지도 서비스는 사람의 이동, 선택, 경험을 실질적으로 연결해주는 플랫폼으로 발전할 것입니다. :) ------ * 위에서 언급한 구글지도 기능 관련 자세한 내용은 아래 구글 블로그 링크에서 확인하실 수 있습니다. - Live View (2020/10) https://lnkd.in/gYBFpYaW - Ask Maps, Immersive Navigation (2026/03) https://lnkd.in/gzQxM93g * 영상 출처 1) 직접 촬영 2) 및 3) Google Blog

GIS/공간데이터
더보기 →
클로드 코드로 웹 지도를 만들어보았습니다! A Web Map with Claude Code 🌏

클로드 코드로 웹 지도를 만들어보았습니다! A Web Map with Claude Code 🌏

클로드 코드로 웹 지도를 만들어보았습니다! A Web Map with Claude Code 🌏 오늘은 정말 '클로드 코드'만으로, 평소 구현해보고 싶었던 주제의 웹 지도를 만들어보았습니다. - 한국 전 지역의 100m 격자별 세밀한 주민등록인구 수 데이터 - 2000년 / 2005년 / 2010년 / 2015년 / 2020년 / 2024년, 총 6개의 시점 - 각 시점별로 달라지는 행정구역 경계 - 2D 뷰 및 3D 뷰까지, 이렇게 deck.gl을 이용한 WebGL 기반 2D/3D 인구 격자 웹지도를 코드 한 줄 작성하지 않고 하루만에 만들어 보았습니다. 웹지도를 호스팅까지 해본 것은 처음인데요. 본 지도와 관련하여 개선 아이디어가 있다면 언제든지 피드백 주시면 감사하겠습니다! :) 너무나 하고 싶은 말이 많은 (?) 현상이라, 지도에 담긴 스토리는 차차 저의 공간 데이터 분석 뉴스레터인 <스페이셜매거진>에서 풀어보도록 하겠습니다! 약 25년 간의 한국 인구 변화가 궁금하시다면, 아래 링크에서 확인해보세요! (아직 모바일 최적화가 되지 않아, PC 환경에서 확인해 보시면 좋을 것 같습니다 ㅎㅎ) ▼▼▼▼▼▼▼▼▼▼▼▼ https://lnkd.in/g6x-y72M ▲▲▲▲▲▲▲▲▲▲▲▲

GIS/공간데이터
더보기 →
QGIS & 클로드 코드 활용한 GIS 실무 12가지 사례 🌏

QGIS & 클로드 코드 활용한 GIS 실무 12가지 사례 🌏

QGIS & 클로드 코드 활용한 GIS 실무 12가지 사례 🌏 클로드 코드를 활용해 업무를 자동화하는 사례가 많이 공유되고 있는데, GIS 실무에 적용한 글은 아직 많지 않은 것 같습니다! 저도 최근에 클로드 코드를 구독해보고, 클로드 코드를 GIS 실무에 활용해보기 시작했는데요. QGIS를 클로드 코드에 연결하면 Python 코딩 혹은 QGIS 클릭클릭 없이 자연어 요청만으로 공간데이터를 가공할 수 있어 편리하더라구요. 요즘 클로드 코드한테 공간데이터 작업 일 시켜두고, 클코가 일하는 동안 저는 다음에 뭐할지 고민하는 식으로 업무를 해보고 있습니다! [환경 세팅] ① 준비물 : QGIS 설치 + Claude 유료 구독 + Claude Code 세팅 (데스크탑 앱 또는 터미널) ② 스킬 패키지 설치 클로드에게 "아래 깃허브 링크에서 스킬 설치해줘" https://lnkd.in/gDnXDkCU 라고 요청하면 자동 설치됩니다. 혹은 간단히 "QGIS를 클로드코드에서 작업하고자 해. 필요한 스킬을 설치해줘" 로 요청해도 적절히 스킬을 설치해주더라구요. [찐 실무 활용 사례] 작업을 원하는 파일 혹은 폴더 경로를 그대로 복붙해서, 자연어로 요청하면 됩니다. 아래는 제가 최근에 클코에게 시켜본 찐 활용 사례들입니다! ① 공간 데이터 사전 검수 무거운 파일을 열기 전에 좌표계, 속성 구조, 피처 수 등을 미리 파악합니다. 다운받은 데이터의 구조 및 이상 여부를 빠르게 확인할 때 유용합니다. →"이 shp 파일의 좌표계랑 데이터 구조, 속성 구조 먼저 알려줘." ② 좌표계 변환 단일 파일 또는 폴더 내 전체 파일을 원하는 좌표계로 일괄 변환합니다. →"이 폴더 안에 있는 shp 파일들 전부 EPSG 4326으로 변환해줘." ③ 포맷 변환 SHP, GeoJSON, GeoPackage, 등 GIS 포맷 간 변환을 처리합니다. →"ㅇㅇ 폴더 안에 있는 파일 전부 geojson으로 변환해줘." ④ 속성 기반 필터링 + 공간 연산 속성 조건으로 데이터를 필터링한 후 원하는 공간 연산을 적용합니다. →"C:\Users\jiyun\data\road\road.shp" 이 파일에서 name 열이 '대로'로 끝나는 레이어만 추출해서 road_new.shp로 저장해줘. 그리고 그것들만을 대상으로 500m 버퍼 씌워서 road_buffer.shp 로 저장해 줘." ⑤ 공간 연산 자연어로 Intersect, Buffer, Dissolve, Within 등 주요 공간 연산을 수행합니다. →"침수 예상 구역 데이터랑 겹치는 건물만 추출해줘." →"이 데이터에 행 여러개 있는데, 전체 dissolve해줘" ⑥ 지오코딩 텍스트로 된 주소데이터를 경위도 좌표로 변환합니다. (텍스트 -> 공간 파일) VWorld 등 주로 사용하시는 API 키를 스킬에 저장해두면 반복 재사용 가능합니다. 저는 기존에 쓰던 파이썬 코드를 그대로 스킬에 심어두었어요. "addresses.csv에 주소 열 있는데 이걸 지오코딩한 후 GeoJSON으로 저장해줘." ⑦ 공간데이터 웹 수집 → CSV 정리 원하는 공간데이터를 웹에서 검색해 수집하고 CSV로 정리합니다. →"서울시 공공도서관 위치 데이터 찾아서 이름, 주소로 저장해줘. 그런 후 지오코딩 해서 위경도 포함한 CSV로 만들어줘." ⑧ 폴더 내 파일 조건 검색 여러 파일이 있는 폴더에서 특정 조건에 맞는 파일만 찾아냅니다. →"이 폴더 안에서 "area" 열을 포함한 공간데이터 파일만 찾아줘." ⑨ 폴더 내 일괄 배치 처리 동일한 작업을 폴더 내 다수 파일에 자동으로 반복 적용합니다. →"data 폴더 안에 있는 geojson 파일 전부 좌표계 5179로 변환하고 gpkg로 저장해줘." ⑩ Geometry 검수 및 오류 수정 유효하지 않은 geometry, 중복 피처, 토폴로지 오류를 탐지하고 수정합니다. →"이 데이터에 지오메트리 오류 있는지 확인해줘." ⑪ QGIS 프로젝트 파일 자동 생성 분석 결과에 스타일을 적용한 .qgz 프로젝트 파일을 자동으로 만들어 바로 열 수 있습니다. →"분석 결과 레이어에 단계구분도 스타일 적용해서 QGIS 프로젝트 파일로 저장해줘." ⑫ 좌표 컬럼으로 Geometry 생성 공공데이터 중 시작점 위도/경도, 종점 위도/경도처럼 좌표가 별도 컬럼으로 분리된 경우, 이를 바탕으로 LineString geometry를 자동으로 생성합니다. "links.csv에 시작점 위도, 시작점 경도, 종점 위도, 종점 경도 컬럼 있는데 LineString으로 만들어서 GeoJSON으로 저장해줘." ---------- 그동안 저는 QGIS의 GUI를 직접 클릭 클릭하거나, 파이썬으로 직접 코드를 작성하는 방식으로 진행했는데요. (물론 GPT가 써준 코드를 복붙할 수 있음에도 감사했었지만...^^) 요즘 이렇게 GIS 실무에서 반복적으로 처리하던 작업들을 자연어 요청으로 시킬 수 있어서, 그동안 더 머리를 써야 하는 일에 집중할 수 있더라구요. 사실 저는 최근에 클로드 코드 유료 결제를 시작한 클코 초보인 만큼, 아직 발견하지 못한 사례들이 많을 것 같습니다...!!! GIS/공간데이터 업무에 클코를 활용하고 계신 분들이 계시다면 활용 사례가 궁금합니다!! ㅎㅎ 혹시 유용한 활용 예시가 있으신 분은 댓글로 공유해 주시면 감사하겠습니다!

GIS/공간데이터
더보기 →
[국내 지도 데이터 구글 반출, 기회일까 리스크일까?]

[국내 지도 데이터 구글 반출, 기회일까 리스크일까?]

[국내 지도 데이터 구글 반출, 기회일까 리스크일까?] 한국인들은 국내 이동 시 대부분 네이버 및 카카오지도를 사용합니다. 구글 지도에서는 길찾기 기능을 제공하지 않기 때문입니다(캡처 이미지 첨부). (국내 유저 기준 MAU : 네이버 지도 2880만 명, 카카오맵 1256만 명, 구글 지도 998만 명) 이는 국내 정밀 지도 데이터의 경우 국외 반출을 엄격히 금하고 있기 때문인데요. 정밀 지도 데이터가 없다면 내비게이션이나 길찾기 기능을 제공할 수 없습니다. 구글은 2007년부터 수차례 한국 정부에 지도 데이터 반출을 요구했지만 정부는 항상 불허 결정을 내렸습니다. 그러나 최근 정부는 구글의 1:5,000 고정밀 지도 데이터 국외 반출을 조건부로 허가했습니다. 보안 처리, 좌표 노출 제한, 국내 서버 가공, 사후 관리 체계 구축 등을 전제로, 관리 가능한 범위 내에서 제한적으로 반출하겠다는 것인데요. 그러나 학계와 산업계에서는 이를 비판적으로 바라보고 있습니다. 대한공간정보학회 산학협력 포럼에서 한국교원대 정진도 교수가 발표한 「고정밀 지도 데이터 해외 반출이 국내 산업에 미치는 경제적 영향」 연구는, 본 지도 데이터 반출이 10년간 150~197조 원 규모(모형 기반의 추정)의 누적 비용으로 이어질 수 있다고 분석했습니다. 이번 결정은 지도 앱 사용성의 문제 이상으로 국내 공간정보 산업 구조에 영향을 줄 수 있기에, 관련 내용을 정리해 보았습니다. ----- 1/반출 찬성 측 논리 찬성 측에서는 글로벌 서비스 통합에 따른 개발 생산성 개선과 외국인 관광 소비 확대 가능성을 꼽습니다. (1) 소비자 편익 : 글로벌 지도 서비스와의 정합성이 높아지면 길찾기, 검색, 관광, 모빌리티 이용 편의가 개선될 수 있습니다. 외국인 관광객의 접근성 향상도 기대 요소입니다. (2) 신산업 확장 가능성 : 자율주행, 로보틱스, 디지털 트윈, 스마트시티 등은 공간 데이터를 핵심 인프라로 사용합니다. 글로벌 API 환경과 연결되면 개발 생태계 접근성이 개선될 수 있다는 주장입니다. (3) 조건부 허용이므로 안전한 관리가 가능함 : 보안조치, 접근 통제, 국내 저장 등 반출에 조건을 결합하면 안전 우려를 완화하면서 편익을 일부 확보할 수 있다는 주장입니다. 안보에 위협이 있을 때 서비스를 즉각 중단할 수 있는 ‘레드버튼’ 제도도 마련하기 때문입니다. ----- 2/ 반출 반대 측 논리 정진도 교수의 연구는 장기적으로 발생하는 구조적 비용에 초점을 두었습니다. (1) 10년 누적 비용 추정 2026~2035년 기준 누적 총비용은 • 낙관적 시나리오 : 150조 원 • 중립적 시나리오 : 187조 원 • 비관적 시나리오 : 197조 원 연평균 산업 피해는 약 13-16조 원 수준이며, 로열티 유출은 연 6-14조 원으로 추정됩니다. (2) 플랫폼 종속과 락인 효과 API 의존이 심화되면 전환 비용이 증가하고 대체 선택지가 줄어듭니다. 연구에 따르면 2029~2032년 전후부터 산업 잠식과 로열티 누수가 가속되는 경향이 나타납니다. (3) 혁신 역량 저하 해외 플랫폼 중심 구조가 고착될 경우, 국내 기업의 R&D 투자 유인과 신규 진입 가능성이 약화될 수 있습니다. 특히 공간정보와 디지털 플랫폼 부문이 영향을 크게 받을 것이라 분석했습니다. (4) 비가역적 구조 비용 비용의 구조가 되돌리기 어려운 형태로 바뀝니다. 종속, 락인, 선택지 상실은 시간이 갈수록 누적되는 특성이 있습니다. 한 번 경로가 굳어지면 정책 선택지가 축소된다는 점이 가장 큰 리스크로 지적됩니다. ----- 3/ 주요 쟁점 이 논의는 지도 서비스 품질 그 이상의 문제를 다룹니다. • 데이터 주권 • AI 학습 인프라 통제력 • 플랫폼 종속 구조 • 국가 전략 산업의 장기 경쟁력 정부는 보안 조건을 전제로 허가를 결정했지만, 학계 일부에서는 위에서 언급한 구조적 산업 잠식 가능성을 경고하고 있습니다. 또한 단기 편익은 비교적 가시적인 반면, 장기 구조 비용은 시간이 지나야 드러나는 문제입니다. 따라서 공간정보가 AI 시대의 핵심 인프라라는 점을 고려했을 때, 이와 관련하여 중장기 전략 차원의 판단이 요구된다고 할 수 있겠습니다. 또한 국내 산업이 종속 구조로 고착되지 않도록 제도적 장치를 마련하는 것이 필수적이라는 생각이 듭니다. ----- 참고 1) 외교부, "구글社 1:5000 지도 반출 허가 결정" https://lnkd.in/gPm4mw89 참고 2) 정진도 교수 발표자료는 아래 링크에서 확인할 수 있습니다. https://lnkd.in/gPNzyy7R 참고 3) 이미지 출처 : 조선일보, https://lnkd.in/gdWKuUjp

GIS/공간데이터
더보기 →
[GIS/공간정보 실무자들을 잇는 커뮤니티의 8개월차 운영 이야기] 🌎👥

[GIS/공간정보 실무자들을 잇는 커뮤니티의 8개월차 운영 이야기] 🌎👥

[GIS/공간정보 실무자들을 잇는 커뮤니티의 8개월차 운영 이야기] 🌎👥 공간 데이터를 다루는 분들의 모임인 "지오네트워크"를 운영한지, 어느덧 반 년이 지났습니다. 모임이 처음 만들어진 작년 6월부터 반 년 넘는 기간 동안, 총 1회의 취업준비생 대상 특강과 6회의 오프라인 모임을 가졌습니다! 지오네트워크에는 김연준, ​이승찬​, 서세원Sewon Seo, Dohyuk ‍Im, Jae Sik ­Moon, 김현도, Subin Cho, Jimin ‎Eom, Jinhyeon Jung, Wonjoong Kim, 이인영 님을 비롯해, 현재 총 63분의 공간정보 관련 실무자/연구자/대학생 분들이 활동하고 계십니다! 특히 모빌리티, 공간정보, 부동산, 디지털트윈, 환경, 위성영상, 마케팅 등 분야의 분들이 모임에 계십니다. GIS는 다양한 분야에서 활용되고 있음에도, 그간 국내 실무자들이 자유롭게 소통할 수 있는 창구가 없어 아쉬움을 느끼고 있었는데요. 이에 김연준 님과 함께 GIS/공간정보 분야에 계신 분들을 한 분 한 분 모셔와서, 현재와 같이 GIS 관련 활발한 정보 소통이 오가는 모임을 만들 수 있게 되었습니다 :) 덕분에 비슷한 관심사를 가진 분들과 교류할 수 있을 뿐만 아니라, 실제 제 개인 업무를 수행하는 과정에서도 직접적인 도움을 얻을 수 있었습니다. 또 Hinako Iseki 님과 같은 해외의 GIS 실무자분들과의 교류도 진행할 수 있었습니다! (または、asahinaさんのような海外のGIS実務者の方々とも交流を深めることができました！) 올해는 특히 오프라인 모임 뿐만 아니라, 학술 분야의 활동(온오프라인 동시 송출 세션 진행 등)을 좀 더 확대하여 진행할 계획입니다! 😁 혹시 링크드인 분들 중, 저희 지오네트워크 참여에 관심 있으신 분들은 주니어/시니어 연차 관계 없이, 댓글이나 DM 남겨주시면 초대해드리도록 하겠습니다 :)

커뮤니티/진로
더보기 →
🔥중국인 25만 명🔥, 당장 이번 주부터 한국을 방문하는 중국인 관광객 규모입니다. 🇨🇳

🔥중국인 25만 명🔥, 당장 이번 주부터 한국을 방문하는 중국인 관광객 규모입니다. 🇨🇳

🔥중국인 25만 명🔥, 당장 이번 주부터 한국을 방문하는 중국인 관광객 규모입니다. 🇨🇳 (100m 격자 단위 데이터로 읽어낸, 춘절 시즌 오프라인 중국인 관광객 데이터 리포트) 2026년 춘절(중국 설날) 연휴, 중국인 관광객이 작년보다 큰 폭으로 증가한 25만 명 규모로 한국에 옵니다. 하지만 단순 방문객 수보다 더 중요한 질문은, “이들은 서울 어디에서, 어떤 흐름으로 움직이는가?”입니다. 이에 대한 답변을 제시하기 위해 "춘절 연휴 기간 중국인 관광객의 서울 내 이동·체류 패턴"을 100m 단위의 통신사 기반 체류 데이터로 정밀 분석했습니다. 이번 춘절 리포트는 다음과 같은 분들께 추천드립니다. ✓ 중국인 관광객이 가장 많이 찾는 지역이 어디인지 궁금하신 분  ✓ 무비자 확대 이후 급증한 중국인 타겟 캠페인을 준비 중인 브랜드 마케터 ✓ 명동/성수/홍대 중 우리 브랜드에 가장 잘 맞는 오프라인 광고 최적 입지가 궁금한 실무자 ✓ 중국 MZ세대의 SNS 트렌드와 실제 오프라인 동선의 일치 여부를 데이터로 확인하고 싶은 분 이번 춘절 리포트는 아래 4가지 구조로 구성되어 있습니다. ① 요즘 중국인 관광 트렌드 변화 ② 중국 SNS 데이터 기반 서울 핫플 분석 ③ 춘절 연휴 5년간 방한 추이 분석 ④ 시간대·권역별 체류 밀집 지역 분석 👉🏻 자세한 분석 내용은 아래 링크에서 확인 가능합니다. ▼춘절 리포트 무료 다운로드▼ https://lnkd.in/g5iYu7JC 👉🏻 전체 글을 읽어보고 싶으시다면, 애드타입 블로그를 방문해보세요. ▼애드타입 블로그 컨텐츠 전문 읽기▼ https://adtype.work/ 👉🏻 이러한 분석 내용을 직접 뉴스레터로 받아보실 수 있습니다. 옥외광고 트렌드가 궁금하다면, 지금 바로 뉴스레터를 구독해보세요. ▼뉴스레터 구독 링크▼ https://adtype.work/report

오프라인 광고/마케팅
더보기 →
[초정밀 체류인구 데이터 기반의 설날 오프라인 광고 전략 리포트]

[초정밀 체류인구 데이터 기반의 설날 오프라인 광고 전략 리포트]

[초정밀 체류인구 데이터 기반의 설날 오프라인 광고 전략 리포트] 설날 선물 캠페인, 언제·어디서·누구를 공략해야 할까요? 설날 선물 준비는 ‘설 3주 전’부터, 그리고 설 캠페인 핵심 타겟은 ‘서울 2·5호선을 오가는 3040 기혼 직장인’입니다. 애드타입에서는 2025년 검색 데이터와 100m 격자 단위의 서울 이동·체류 인구 데이터를 기반으로 2026 설날 명절선물 구매자 타겟 광고 전략을 분석했습니다. 1. 설날 선물은 언제 준비할까? 2. 누가, 누구를 위해 구매할까? 3. 어디서, 무엇을 살까? 4. 어떻게 노출해야 전환될까? 위의 네 가지에 대한 답을 이번 '설 시즌 타겟 리포트'를 통해 확인해보세요. :) 설날 명절 마케팅은 ‘시점’과 ‘동선’을 정확히 타겟하는 것이 필요합니다. 소비자가 실제로 "걷고, 기다리고, 이동하는 순간"에 브랜드가 노출된다면, 인지도 상승은 물론 실질적인 구매 전환까지 기대해볼 수 있습니다. 👉🏻 이번 리포트를 읽어보고 싶으시다면, 아래 링크를 눌러주세요. ▼ 설 시즌 타겟 리포트 지금 바로 확인하기 ▼ https://lnkd.in/gVCgXFXw 👉🏻 다른 컨텐츠가 궁금하시다면, 애드타입 블로그를 방문해보세요. ▼애드타입 블로그 컨텐츠 전문 읽기▼ https://adtype.work/ 👉🏻 이러한 분석 내용을 직접 뉴스레터로 받아보실 수 있습니다. 옥외광고 트렌드가 궁금하다면, 지금 바로 뉴스레터를 구독해보세요. ▼뉴스레터 구독 링크▼ https://adtype.work/report

오프라인 광고/마케팅
더보기 →
'경량문명' 시대, AI가 나를 검색하게 만드려면? - 링크드인의 SEO/GEO 효과

'경량문명' 시대, AI가 나를 검색하게 만드려면? - 링크드인의 SEO/GEO 효과

'경량문명' 시대, AI가 나를 검색하게 만드려면? - 링크드인의 SEO/GEO 효과 1. GPT에게 나를 "뒷조사"해보라고 시키기, 그 결과는? 얼마 전, 호기심에 저에 대한 뒷조사(?)를 시도해 봤습니다.ㅋㅋㅋ ChatGPT의 '심층 리서치(Deep Research)' 기능을 활용해서 말이죠..! 🕵️ Q. "GIS를 전공한 김지윤에 대해 자세히 조사해줘"  🤖 A. "동명이인이 많을 수 있어서, 식별에 도움 되는 정보 주면 정확히 조사할 수 있어." 범위를 좁히기 위해 저는 학력 정보(고려대 지리교육과, 서울대 지리학과 졸업)만 추가로 던져주었습니다.  그러자 놀라운 결과가 나왔습니다. ChatGPT는 제가 작성한 논문이나 연구 활동뿐만 아니라,  제 커리어의 상세한 궤적을 거의 완벽하게 복원해냈더라구요! (단 한 개의 정보 빼고는 모두 정확했습니다 ㅎㅎ) 흥미로운 건 GPT가 제시한 출처였습니다.  KCI 등 학술정보 시스템의 데이터도 있었지만,  정보의 대부분을 링크드인(LinkedIn)에서 가져왔다는 점이 놀라웠습니다! 23개 출처 언급 중, 6개를 제외한 17개가 링크드인이더라구요. 과거 제가 저를 소개하며 주요 활동과 경험을 적어두었던 게시물에서 특히 많이 가져온 것을 확인할 수 있었습니다. (해당 게시물 링크) https://lnkd.in/gEQnBTRg ------- 2. 경량문명의 시대, 링크드인의 GEO 효과를 활용하자! 지금은 거대하고 무거운 조직보다 개인/소규모 조직의 역량이 주목받는 이른바 '경량문명(Lightweight Civilization)'의 시대입니다. 개인 스스로가 브랜드가 되어 생존해야 하는 이 시점에, 링크드인은 나의 전문성을 증명하는 가장 강력한 무기이자 최적의 GEO(Generative Engine Optimization) 도구입니다. 특히 이제는 사람뿐만 아니라 AI가 정보를 수집하고 재가공하는 시대입니다. 따라서 단순히 검색 상위에 노출되는 SEO는 물론이고요, AI가 내 콘텐츠를 학습하고 인용하게 만드는 GEO(생성형 엔진 최적화) 전략이 필수적입니다. 내가 쌓아둔 링크드인 기록들은 나라는 사람을 AI에게 학습시키는 가장 확실한 데이터가 됩니다. 내 커리어의 핵심 키워드를 선점하기에 링크드인은 가장 효과적인 플랫폼이 아닌가 싶습니다. 세상이, 그리고 AI가 언제든 나를 발견할 수 있도록 여러분도 링크드인을 통해 여러분의 도메인 속 주요 키워드들을 확실히 점유해 보시는 것 어떨까요? :) 읽어주셔서 감사합니다!

퍼스널 브랜딩
더보기 →
약 9천 명의 분들께 내 이야기를 한다는 것 ☺️

약 9천 명의 분들께 내 이야기를 한다는 것 ☺️

약 9천 명의 분들께 내 이야기를 한다는 것 ☺️ 총 8,746명! 제 이야기를 들어주시는 분들의 숫자입니다. 저는 네이버 블로그, 링크드인, 인스타그램, 뉴스레터, 유튜브, 티스토리 등 다양한 채널을 운영 중인데요. 올해 목표를 고민해보던 중 제가 운영 중인 채널의 구독자분들을 합쳐 계산해보니, 어느덧 9천 명을 향해 가고 있습니다. 물론 중복값 포함이지만요! 처음에는 학생 때 그저 제가 새롭게 배우고 알게 된 것들을 잊지 않기 위해, 언제든 떠올릴 수 있도록 기록하고 공유하고 싶어 글을 쓰기 시작했습니다. 그런데 제 글 특유의 - 실제 경험을 바탕으로 하는 - 자세하고 상세한 정보 전달 - 그리고 친근한 말투 를 긍정적으로 봐주시고, 제 글을 찾아 주시는 분들이 하나 둘 많아지더라구요. 나를 위해 시작한 기록이 누군가에게는 유용한 '정보'가 된다는 사실이 큰 기쁨을 주었습니다. 그렇게 콘텐츠를 발행하는 게 제 업이 되었습니다. 각기 다른 플랫폼에서 부족한 제 글과 생각에 귀 기울여주시는 모든 분께 진심으로 감사드립니다! 올해 2026년에도 더 유용한 인사이트와 재미있는 글들을 열심히 써보도록 하겠습니다 :)

퍼스널 브랜딩
더보기 →
말해보카와 스픽, 요즘 핫한 영어학습 앱들의 광고 전쟁

말해보카와 스픽, 요즘 핫한 영어학습 앱들의 광고 전쟁

말해보카와 스픽, 요즘 핫한 영어학습 앱들의 광고 전쟁 연말연시 자기계발 시즌을 맞아, 영어학습 앱들이 옥외광고(OOH)를 중심으로 강력한 브랜드 메시지 경쟁을 펼치고 있습니다. 특히 말해보카와 스픽(Speak)은 2025년 말–2026년 초, 대중교통과 도심 거점을 중심으로 공격적인 OOH 캠페인을 전개하며 서로 다른 학습 철학을 선명하게 드러냈습니다. 이번 캠페인에서 눈여겨볼 포인트는 아래와 같습니다. ① 같은 시즌, 다른 키워드 말해보카: “문제는 단어야” → 영어 실력의 본질을 ‘어휘력’으로 단순·직설적으로 정의 스픽: “영어, 올해는 트일 것이다” → 새해 결심과 연결된 희망·확신의 메시지로 말하기 동기 자극 연말연초라는 동일한 타이밍 속에서도, 한쪽은 문제 제기형 메시지, 다른 한쪽은 결심 유도형 메시지를 선택했습니다. ② 모델과 컬러, 그리고 즉각적인 인지 말해보카: 비비 모델 + 보라색 + 번개 비주얼 → 강렬한 캐릭터성과 도발적인 톤으로 MZ 주목도 극대화 스픽: 김우빈 모델 + 블루 + 앱 UI 시연 → 신뢰감·전문성을 기반으로 한 ‘체험형 브랜드 인지’ OOH 환경에서 컬러와 모델은 곧 브랜드 아이덴티티가 되었고, 멀리서도 “어느 브랜드 광고인지” 바로 인식되도록 설계되었습니다. ③ 타겟의 ‘매일 지나가는 길’을 장악하다 두 브랜드 모두 공통적으로 - 지하철 2호선 차량 내부 - 주요 환승역 역사 내 매체 - 버스 내부/외부, 버스정류장 - 대학가·강남·홍대 등 핵심 상권 을 활용하며 출퇴근·통학 동선의 반복 노출을 노렸습니다. 하지만 차이는 아래에서 갈렸습니다. - 말해보카는 강한 카피와 비주얼의 반복 각인에 집중 - 스픽은 앱 UI·스토어 로고·오프라인 이벤트까지 연결해 전환 가능성을 확장 옥외광고를 ‘결심 → 행동’의 첫 접점으로 활용한 것이 인상적입니다. 시즌을 읽는 타이밍, 타겟의 일상 동선, 그리고 브랜드 철학을 한 문장으로 압축한 크리에이티브. 이 세 가지가 맞물릴 때, OOH는 가장 강력한 브랜드 무기가 됩니다. 👉🏻 전체 글을 읽어보고 싶으시다면, 애드타입 블로그를 방문해보세요. ▼애드타입 블로그 컨텐츠 전문 읽기▼ https://lnkd.in/gHa8dn67 👉🏻 이러한 분석 내용을 직접 뉴스레터로 받아보실 수 있습니다. 옥외광고 트렌드가 궁금하다면, 지금 바로 뉴스레터를 구독해보세요. ▼뉴스레터 구독 링크▼ https://lnkd.in/gtrZt67W

오프라인 광고/마케팅
더보기 →

아직도 행정동별 유동인구만 보시나요? 이제는 100m 격자별 유동인구로 "초정밀 타겟팅"할 수 있는 시대입니다.

아직도 행정동별 유동인구만 보시나요? 이제는 100m 격자별 유동인구로 "초정밀 타겟팅"할 수 있는 시대입니다. [기존 문제 ① : 데이터가 부재한 광고 전략 수립] "서울에 20대 여성이 많은 곳"을 묻는다면 누구나 강남, 홍대, 성수를 떠올립니다. 하지만 빅데이터와 AI의 시대에서 그런 "감에 의존한" 광고 전략은 더이상 먹히지 않습니다. 당장 예산 집행을 위한 상위 보고나 고객사 설득 시에도, 이제는 데이터에 기반한 근거가 없으면 설득이 쉽지 않습니다. 의사결정권자분들의 기준치가 높아졌기 때문이죠. [기존 문제 ② : 행정동 단위의 "해상도 낮은" 유동인구 데이터] 데이터를 활용하고자 해도, 지금까지 활용해볼만한 유동인구 데이터는 대부분 '행정동'이나 '집계구' 단위에 머물러 있었습니다. "강남구 역삼1동에 2030 유동인구가 많다" 정도의 거시적인 정보로는,  "우리 타겟이 출근길에 이용하는 지하철 출구는 어디인가?" "그들이 점심시간에 머무르는 구체적인 골목은 어디인가?"와 같이 세부 미디어 믹스 단계를 고민하는 마케팅 실무자에게 큰 도움이 되지 않았죠. [기존 문제 ③ : 낮은 마케팅 효율과 비용 낭비] 타겟이 실제 머물지 않는 공간까지 포함한 광고 집행과, 우리 고객들의 라이프스타일 패턴에 대한 고려 없이 진행하는 "아묻따" 강남역 집행은 한정된 마케팅 예산을 낭비하게 만듭니다. 데이터 없이는 광고 집행 후의 광고 성과 분석 역시 모호해집니다.  어떤 골목, 어느 입지의 매체가 효과적이었는지 구체적으로 파악할 수 없어, 성과 추적은 물론 다음 캠페인을 위한 최적화도 어렵습니다. ========= [해결방안 : 초정밀 유동인구 데이터 개발] 이러한 한계를 넘기 위해, 서울 전역을 100m 격자 단위로 쪼개어 분석하는 초정밀 유동인구 데이터를 개발했습니다. 성별 / 5세 단위 연령별 / 1시간 단위 시간대별로, 특정 격자에 어느 정도 규모의 인구가 밀집했는지 알 수 있죠. ========= [활용 예시 : 정밀 유동인구 데이터 활용한 광고 캠페인 기획] 이 정밀 데이터가 실제 캠페인에서 어떤 차이를 만들어낼까요? ① (Frequency 전략) 좁지만 반복적으로 노출시켜 확실히 각인시켜야 한다면? ▷ Case : 25-29세 여성 타겟하는 뷰티 브랜드 사례(저예산/고효율) ▷ Solution : 한정된 예산으로 타겟에게 브랜드를 반복 노출시켜 확실히 각인시켜야 하는 상황이라면, 핀셋처럼 "우리 고객들의 일상 동선만을" 콕콕 집어서 타겟해, 일상 속에서 반복 노출시키는 전략이 필요합니다. 브랜드 타겟층인 2529 여성들의 야간 상주지(Home)와 주간 상주지(Work) 밀집 지역을 파악하고,  그 사이를 잇는 주요 출퇴근 동선을 그려냅니다. “출퇴근 길 지하철 몇 호선, 몇 번 출구” 단위의 정교한 미디어 믹스로 출퇴근길 동선 상 N회의 반복 노출을 유도해, 브랜드 각인 효과를 극대화합니다. 매일 지나는 길목에 브랜드를 반복적으로 노출시켜, 적은 예산으로도 "요즘 내 눈에 자주 띄는 브랜드"를 만들어내는 것이죠. ② (Reach 전략) 넓은 커버리지의 압도적 트래픽으로 점령해야 한다면? ▷ Case : 3040 직장인 타겟 금융 브랜드 (임팩트/대세감) 3040 세대 직장인을 타깃하는 신규 금융 상품을 출시한 금융 브랜드. 신규 상품의 인지도 제고를 위해, "한 번이라도 광고를 본 사람 수" 자체를 늘려야 한다면? ▷ Solution : 3040 직장인 타겟의 유동인구 데이터를 시간대 단위로 분석하여,  트래픽이 폭발하는 접점을 찾아냅니다. 주요 환승역부터 서울 주요 오피스 지구 및 대규모 상권까지. '특히 우리 타겟 고객들이 많이 몰리는 곳'을 도출해, 해당 지역을 점령한 대세감 조성이 가능합니다. ========= 데이터가 정교해질수록, 옥외광고의 성과는 명확해집니다. 우리 브랜드의 광고 전략 수립 시 정밀 유동인구 데이터를 활용해보고 싶으신 분은, 언제든지 애드타입에 문의해주시기 바랍니다. :) 다른 데이터 기반 콘텐츠들은 아래 링크에서 확인 가능합니다. https://lnkd.in/gpC-DEyi

오프라인 광고/마케팅
더보기 →
막연한 꿈을 현실로 만드는 오타니 쇼헤이의 비밀, 만다라트 - 2026년 만다라트 스프레드시트 양식 무료 공유합니다!

막연한 꿈을 현실로 만드는 오타니 쇼헤이의 비밀, 만다라트 - 2026년 만다라트 스프레드시트 양식 무료 공유합니다!

막연한 꿈을 현실로 만드는 오타니 쇼헤이의 비밀, 만다라트 - 2026년 만다라트 스프레드시트 양식 무료 공유합니다! 벌써 2026년이 된 지도 일주일이 지나가고 있는데요, 다들 어떤 계획을 세우셨나요? 거창한 목표를 세워도 금방 흐지부지되기 쉬운데요, 그 이유는 그 계획이 크고 막연하기 때문입니다. 오타니 쇼헤이는 고등학생 때 "만다라트(Mandal-Art)" 계획표를 만들어서 본인의 미래를 구체화하였는데요. - 1개의 핵심 목표 - 8가지 세부 과제 - 64가지의 구체적 행동 를 작성해, 나의 큰 꿈을 작은 액션들로 쪼개는 방식이었죠. 오타니는 '8구단 드래프트 1순위'라는 목표를 위해, '운'과 '인성'까지도 구체적인 행동 지침으로 만들었다고 합니다. 저희도 오타니처럼 26년에 세운 큼직큼직한 계획들을 구체적인 액션들로 구체화해본다면, 목표를 이룰 확률이 높아지지 않을까요? :) 일촌신청 후 댓글로 '만다라트' 남겨주시면, DM으로 2026년 계획을 구체화할 수 있는 만다라트 양식을 보내드립니다! 구글 스프레드시트라서, 언제든지 생각날 때 열어볼 수 있답니다 ㅎㅎ ------------- p.s. 이전 2025년 회고양식 공유 글의 경우, 총 44,095 건의 노출과 465개의 댓글, 17건의 퍼가기가 발생했더라구요! 정말 감사드립니다! 아무쪼록 한 해를 마무리하는 데 도움을 드렸다면 좋겠네요 :)

퍼스널 브랜딩
더보기 →

명동 외국인 방문 국적 순위, 1위는 일본 🇯🇵, 3위는 중국 🇨🇳.

명동 외국인 방문 국적 순위, 1위는 일본 🇯🇵, 3위는 중국 🇨🇳.  그러면 2위는 어디일까요? (답은 댓글에 적어두겠습니다 ㅎㅎ) K-POP, K-뷰티, K-컨텐츠가 전세계적으로 유명해지면서 많은 외국인이 한국을 방문한다는 사실은 다들 잘 알고 계실 것 같습니다. 잘 알려진 지표로는 '한국 방문 외국인'이 약 1,800만 명, '서울 방문 외국인'이 약 1,200만 명 규모라는 것인데요. 하지만 구체적으로  - 어떤 국적의 외국인이 - 어느 지역을 - 어느 시간대에 방문하는지는 알기 어려웠습니다. 이러한 문제에 답하기 위해, 이번에 외국인 체류인구 데이터 솔루션을 개발하였고, 이제 수백 미터 격자 단위의 체류 인구를 국적별로 확인할 수 있게 되었습니다. 이번 리포트에서는 방한 외국인 방문 지역 1위인 명동을 대상으로, 외국인 방문/소비 트렌드를 분석해보았습니다. 리포트 전문이 궁금하시다면, 아래 링크에서 확인해주세요. :)  https://lnkd.in/gb_v9-nP

오프라인 광고/마케팅
더보기 →
🇰🇷 국토부 자문단 우수 분과로 선정되었습니다!

🇰🇷 국토부 자문단 우수 분과로 선정되었습니다!

🇰🇷 국토부 자문단 우수 분과로 선정되었습니다! (국토교통부 2030 자문단 16개월 간의 활동을 마무리하며)🇰🇷 여러분은 의식주 가운데 무엇이 가장 중요하다고 생각하시나요? 입는 것과 먹는 것도 중요하지만, 저는 오래전부터 ‘사람이 살아가는 공간’, 즉 주거 문제에 가장 큰 관심을 가져왔습니다. 주거는 삶의 질을 좌우하는 핵심 요소이지만, 주거비 부담은 특히 목돈이 없는 20–30대 청년들에게 가장 크게 작용합니다. 이 문제를 직접 이해하고, 해결 과정에 참여해보고 싶다는 생각으로 학생 시절부터 국토교통부 장관이 되겠다는 꿈을 가져오기도 했습니다. 이런 문제의식을 바탕으로 저는 국토교통부 제3기 2030 자문단으로 활동하며 2024년 여름부터 2025년 말까지 약 16개월간 임기를 수행했습니다. 그리고 최근, 그 활동을 마무리하는 최종보고회에 다녀왔습니다. 자문단 활동 기간 동안 청년의 시각에서 주거 정책을 다시 바라보고, 현장에서 체감되는 불편과 제도적 공백을 정책 제언으로 연결하는 경험은 제게 매우 밀도 높은 시간이었습니다. 기존에 다양한 주거 정책이 운영되고 있지만, 일부는 2030 청년에게 구조적으로 불리하거나 청년에게 유리함에도 불구하고 충분히 알려지지 않은 경우도 많았습니다. 저는 주거1분과 소속으로 활동하며 청년의 실제 목소리를 정책에 반영하고, 청년들이 주거 정책을 더 쉽게 이해하고 활용할 수 있도록 고민했습니다. 구체적으로는 • 청년특화주택 정책 제언 • 청년주택 제도 개선 방안 논의 • 청년 공공주택(뉴홈) 정책 분석 • 주택청약 제도 관련 청년 맞춤형 제안 • 안심전세 관련 서포터즈 활동 및 홍보 콘텐츠 제작 등의 활동을 수행했으며, 총 30회 이상의 회의와 정책 논의를 진행했습니다. 특히 의미 있었던 점은 저희가 제안한 정책에 대해 국토교통부 각 담당 과에서 직접 검토하고, 실현 가능한 부분과 현실적으로 어려운 지점을 명확히 피드백해 주셨다는 점입니다. 정책이 만들어지고 조정되는 과정을 가까이에서 체감할 수 있었습니다. 또한 감사하게도 주거1분과가 우수 분과로 선정되는 성과를 얻을 수 있었습니다! :) 높은 집값과 불안정한 주거 환경은 여전히 많은 청년들에게 가장 큰 삶의 부담입니다. 이번 경험을 계기로, 앞으로도 주거 문제에 대해 꾸준히 고민하고 목소리를 내며 청년들의 주거 부담을 실질적으로 줄이는 데 기여하고 싶습니다.

퍼스널 브랜딩
더보기 →

요즘 주위에 <서울윈터페스타> 많이들 가시더라구요!☃️

요즘 주위에 <서울윈터페스타> 많이들 가시더라구요!☃️ 서울시에서 개최하는 행사로, 무려 600만 명이 다녀갔다고 하는데요! 크리스마스 마켓이나 청계천 등불 행사 등 연말 분위기를 물씬 느낄 수 있는 축제입니다. 애드타입 데이터 팀에서는 서울 전역을 대상으로 100m 격자단위의 유동인구 데이터를 구축하여, 서울윈터페스타에 방문한 사람들의 전체 규모와 성/연령별 비율 등을 조사해보았습니다 :) 어느 동선을 따라 행사장을 향하는지, 어떤 성/연령의 시민들이 많이 방문하는지 궁금하시다면, 아래 링크에 들어가 리포트를 확인해주세요! :) https://lnkd.in/gmMc3_Js

오프라인 광고/마케팅
더보기 →
✨ 2025 연말 회고 템플릿을 무료 공유합니다 :)

✨ 2025 연말 회고 템플릿을 무료 공유합니다 :)

✨ 2025 연말 회고 템플릿을 무료 공유합니다 :) 안녕하세요, 어느덧 첫눈이 내리고 12월이 되었는데요! 올해를 차분히 돌아보고, 내년을 준비할 수 있도록 직접 만든 연말 회고 노션 템플릿을 공유해보고자 합니다. 약간 이른 감은 있지만, 저는 미리 안 해두면 내년으로 넘어가게 되더라구요 😅 갤러리·카톡·노션·일기 등을 보며 한 해의 경험을 차근차근 정리할 수 있는 구조라서, 바쁜 직장인 분들도 부담 없이 작성할 수 있게 구성했습니다. :) AI가 만들어준 예시도 있으니, 참고하여 작성해보시기 바랍니다! 내용은 아래와 같은 흐름으로 구성되어 있습니다! · 월별 주요 경험 정리 · 경험별 감정 기록 · 올해의 키워드 Top 5 · 중요한 경험에 대한 회고 · 올해의 콘텐츠 어워즈 · 라이프 밸런스 체크 · 올해의 나에게 한마디 · 2026 목표 설정 올해를 깔끔하게 정리하고 싶은 분들에게 도움이 되면 좋겠습니다! 이 템플릿이 필요하시면, 1촌 신청 + 댓글 남겨주세요! (이미 1촌이신 분들은 댓글만 남겨주시면 됩니다) 확인되는 대로 DM으로 템플릿 링크를 보내드리겠습니다 :) 🙂 복제하여 자유롭게 수정하여 활용하시면 됩니다! 아직 조금 이른 감은 있지만, 올해도 모두 수고 많으셨습니다! 2026년에는 더 단단하고 평온한 한 해 되시기를 바랍니다! ㅎㅎ

퍼스널 브랜딩
더보기 →

서울 대표 연말 명소인 신세계스퀘어, 가보신 분 계신가요?👀

서울 대표 연말 명소인 신세계스퀘어, 가보신 분 계신가요?👀 작년에 무려 100만 명에 달하는 사람들이 방문했다고 하는데요! 애드타입 데이터 팀에서는 - 왜 신세계백화점 벽면 광고판을 보러 많은 사람들이 자발적으로 가는지 - 구체적으로 특정 구역에 몇 명이나 방문했는지 - 이곳을 방문하는 사람들의 동선은 어떠한지 등을 데이터 기반으로 해석해보았습니다 :) 관련하여 인사이트가 궁금하신 분들은 아래 링크를 클릭하시어 확인해보시기 바랍니다! https://lnkd.in/gRBCh45N

오프라인 광고/마케팅
더보기 →
💚 듀오링고 비공식 영업사원(?)의 이야기 💚

💚 듀오링고 비공식 영업사원(?)의 이야기 💚

💚 듀오링고 비공식 영업사원(?)의 이야기 💚 저는 올해 여름부터 듀오링고를 하기 시작했는데요, 벌써 130일 넘게 매일매일 앱에 접속하고 있습니다 ㅎㅎ 개인적으로 카카오톡이나 인스타 외에 학습앱에 이렇게 높은 수준의 Retention Rate를 보인 앱은 듀오링고가 처음이네요! ㅋㅋ 중국어는 예전부터 배우고 싶었는데, 따로 공부하기에는 의지가 따라주지 않았습니다 😅 하지만 올해 하반기를 듀오링고와 함께 보내면서 왕기초 중국어는 그래도 할 수 있게 되었어요! (확실히 일본어 덕분에 한자에 친숙하다는 점이 큰 도움이 되는 것 같습니다!) 그전에는 별 생각 없이 보던 안내문 번역문도 이제는 중국어 부분을 유심히 보게 되더라구요 😄😄 직장생활을 하며 꾸준히 무언가를 한다는 것이 쉽지 않다는 것을 몸소 느끼고 있는데, 듀오링고만큼은 앞으로도 (해온 게 아깝기도 하고) 꾸준히 할 것 같네요 😁 최근에 한 분의 신규 가입과 한 분의 재설치를 유도한 성과가 있는 저는 듀오링고의 영업사원으로 인정받고 있기도 합니다 (뿌듯) 다들 듀오링고 하세요!!! (?) ㅎㅎ

퍼스널 브랜딩
더보기 →

수능 후 수험생들은 어디에서 시간을 보낼까?

수능 후 수험생들은 어디에서 시간을 보낼까? 어제(11/13)는 바로 수능 날이었습니다. 저도 9년 전인 16년 11월, 추운 날씨 가운데 수능을 치렀던 기억이 생생히 납니다. 이번에 애드타입에서 수험생 타겟 옥외광고 전략을 준비하며, 저도 제가 9년 전 수험생일 때 어떻게 시간을 보냈는지 되돌아보았는데요. 제 동선도 최근의 수험생 이동 데이터 분석 결과와 대동소이하더라구요.ㅎㅎ ✓ (2016년) 11월 17일 : 수능 응시 ✓ 12월 2일~3일 : 수시전형(구술면접) 응시 위한 고려대 캠퍼스 첫 방문 ✓ 12월 14일 : 롯데월드 인생 첫 방문 ✓ 12월 15일 : 삼성역 코엑스 정시 대학입학정보박람회 방문 수능 후 수험생과 학부모들의 이동동선에 맞추어 광고를 집행하고 싶으신 분들은, 애드타입의 아래 블로그 글을 참고해주세요! :) https://lnkd.in/gQr7JFud

오프라인 광고/마케팅
더보기 →

금융업은 신뢰가 매우 중요한 업종입니다. 그렇기 때문에 현실 공간 속에서 고객들에게 신뢰감을 주는 데 효과적인 옥외광고를 많은 금융 브랜드 마케터분들께서 찾아주고 계십니다.

금융업은 신뢰가 매우 중요한 업종입니다. 그렇기 때문에 현실 공간 속에서 고객들에게 신뢰감을 주는 데 효과적인 옥외광고를 많은 금융 브랜드 마케터분들께서 찾아주고 계십니다. 이번에 애드타입 데이터팀에서는 금융 브랜드 마케터분들이 옥외 캠페인을 기획할 때 바로 참고하실 수 있도록, 오프라인 데이터 기반의 옥외광고 전략 콘텐츠를 작성하였습니다. 금융브랜드 캠페인 전략 시리즈에서는 아래 내용을 확인하실 수 있습니다. ① 왜 금융 브랜드는 옥외광고를 선택할까? ② 어떤 지역과 매체를 활용하는 것이 효율적일까? ③ 국내 주요 은행/카드/증권사들의 실제 집행 사례 자세한 내용은 아래 링크에서 직접 확인해보시기 바랍니다! :) https://lnkd.in/g477dUjK

오프라인 광고/마케팅
더보기 →
오프라인 광고 데이터 분석가가 "직접 걷고 찍는" 이유 🚶‍♀️📷

오프라인 광고 데이터 분석가가 "직접 걷고 찍는" 이유 🚶‍♀️📷

오프라인 광고 데이터 분석가가 "직접 걷고 찍는" 이유 🚶‍♀️📷 데이터 분석은 기본적으로 앉아서 하는 일입니다. 데이터를 구득하고, 분석하고, 시각화를 하고 글을 쓰기 위해서는 컴퓨터가 필요하지요...! 하지만 제가 다루는 공간 데이터는 조금 특이합니다. 사람들이 생활하며 만들어내는 역동적인 도시 데이터이기 때문인데요. 계절에 따라, 날씨에 따라, 트렌드에 따라 활발하게 변화합니다. 작년에 사람이 많았던 곳이더라도 올해는 또 다른 모습일 수 있습니다. 부동산 투자자들이 "임장이 기본이다"라고 말하듯이, 공간 데이터 및 오프라인 광고 데이터를 다룰 때 또한 현장 감각이 필요하다고 생각합니다. 그래서 저는 서울의 각 지역을 직접 방문하고 있습니다. 강남역의 ㅇㅇ빌딩 빌보드, 홍대 버스정류장 등 지도로 보았던 그곳의 광고판을 직접 두 눈으로 확인하고, 어떤 특징이 있는지 간단히 메모합니다. (기둥이 있어 잘 안 보인다, 전광판 화질이 좋지 않다 등) 그리고 주위 사람들이 그 광고판을 어떤 눈길로 보는지(호감/집중함/무관심함 등) 관찰하기도 하죠 ㅎㅎ 또 최근에는 유동인구 데이터 분석 결과 특정 연령대를 타겟하기 좋은 지역으로 도출되었으나, 제가 잘 알지 못하는 곳이 있었는데요! 직접 그 지역을 혼자 미니임장으로 방문해서 열심히 사진을 촬영하고 온 적도 있습니다 ㅎㅎ 한번이라도 가본 장소는 데이터 분석 결과를 공유할 때, 근거 있는 자신감을 가지고 얘기할 수 있더라구요! 현장을 직접 방문하면 단순히 지도로 보는 것보다도 각 광고판들이 해당 공간에서 가지는 의미와 맥락을 더욱 잘 알 수 있다는 장점이 있습니다. 그래서 요즘 제 앨범에는 서울 곳곳의 광고판 사진으로 가득합니다! (첫 번째 사진은 모두 제가 최근에 촬영한 서울의 다양한 광고 매체입니다 ㅋㅋㅋ) 현장 방문과 임장은 모니터 속 수치 이상의 무언가를 읽어내는 가장 쉬운 방법인 것 같습니다ㅎㅎ 서울 곳곳의 오프라인 광고 레퍼런스가 궁금하신 분은, 애드타입의 옥외광고 라이브러리 게시판을 참고해보시기 바랍니다 :) https://lnkd.in/geDTShzH

오프라인 광고/마케팅
더보기 →

매년 3/6/9/12월 올영세일 기간에는 많은 분들이 지갑을 열곤 하는데요.

매년 3/6/9/12월 올영세일 기간에는 많은 분들이 지갑을 열곤 하는데요. 각 뷰티 브랜드에서는 해당 기간에 소비자들이 "우리 브랜드를 가장 먼저 떠오르도록 세팅"하는 전략이 필수적이라 할 수 있겠습니다. 그러기 위해서는 올영세일 전부터 우리 제품을 제대로 각인시키고 올영세일 시 구매하도록 유도하는 전략이 필요하죠. 이번에 애드타입 데이터 팀에서는 올영세일을 대비하기 위한 데이터 기반의 전략 리포트를 제작하였습니다. :) ① 공간데이터 분석을 통한 최적의 오프라인 광고 매체 조합을 소개해드리고, ② 소비자 대상 서베이데이터를 기반으로, 인지지표와 구매지표에서 어떠한 변화가 있었는지를 실제 국내 뷰티브랜드의 오프라인 광고 사례와 함께 보여드립니다. 자세한 내용은 아래 링크를 통해, 무료로 확인 가능합니다! https://lnkd.in/ga5JkNkb

오프라인 광고/마케팅
더보기 →

요즘 업무가 참 즐겁습니다!

요즘 업무가 참 즐겁습니다! 최근 광고주분들께서 "옥외광고로 이렇게 데이터를 받아볼 수 있다는 게 너무 좋다.","그동안 옥외광고는 설득이 힘들었는데, 이렇게 정량적 수치가 있으니 내부 의사결정 시에도 훨씬 수월하다."와 같은 피드백을 주고 계시기 때문입니다. 심지어 "그동안은 다른 곳에 맡겨왔는데 이제는 애드타입에 맡기고 싶다" 말씀하시는 분도 계시더라구요. 그러기 위해 애드타입 엔지니어 분들께서는 더욱 디벨롭된 데이터 환경을 만들어주고 계시고, 데이터 팀에서는 더 많은 데이터를 구축하고, 고도화하고 있습니다! "수치로 나타낼 수 있는 옥외광고", "설득할 수 있는 오프라인 광고"가 필요하시다면, 언제든지 애드타입으로 문의주시기 바랍니다. :)

오프라인 광고/마케팅
더보기 →

[카페, 치킨, 버거 브랜드 고객들은 어디에 많을까?]

[카페, 치킨, 버거 브랜드 고객들은 어디에 많을까?] 애드타입에서는 성/연령별 체류인구 데이터를 분석하여, 우리 브랜드의 주요 타겟의 일상 동선이 어디인지를 도출해내고 있습니다. 이번 F&B 오프라인 광고 전략 시리즈에서는 카페, 치킨, 버거 세 카테고리의 최적 광고 지역을 제안드렸는데요. 먼저 카페는 직장인과 대학생들이 일상적으로 소비하는 품목인 만큼, 이들의 출근길과 등교길을 타겟할 것을 추천드렸습니다. 다음으로 치킨은 주요 소비층을 가족과 젊은 남성으로 설정하여, 이들의 출퇴근 동선 상에 있는 매체, 그리고 주요 아파트 매체를 활용할 것을 추천드렸습니다. 마지막으로 버거는 젊은 층들이 저렴하게 빠른 한끼 식사를 하고싶을 때 떠올리는 품목입니다. 치킨과는 달리 매장을 직접 방문하여 홀로 먹는 경우도 다수 있죠. 그렇기 때문에 버거 브랜드의 매장과 연계할 수 있도록, 체류 인구가 많은 매장 인근의 매체를 활용하는 전략을 소개해드렸습니다. 오프라인 광고 집행에는 오프라인 데이터에 기반한 전략이 필요합니다. 데이터 기반의 옥외광고 전략 콘텐츠가 궁금하시다면, 아래 블로그와 뉴스레터를 확인해보세요. ▼애드타입 블로그 컨텐츠 전문 읽기▼ https://adtype.work/ ▼뉴스레터 구독 링크▼ https://adtype.work/report

오프라인 광고/마케팅
더보기 →

✦ 2025 블랙프라이데이 광고, 25–29세 여성을 잡아라! ✦

✦ 2025 블랙프라이데이 광고, 25–29세 여성을 잡아라! ✦ 11월 블랙프라이데이, 어떻게 준비하고 계시나요? 블랙프라이데이는 국내에서도 최대의 쇼핑 전쟁 기간으로 자리 잡았는데요. 그렇다면, 어떤 소비자를 공략해야 할까요? 답은 25–39세 여성입니다. 애드타입 데이터 팀에서 분석해본 결과, 블랙프라이데이 주요 소비 품목은 패션·의류로 나타났습니다. 그리고 전 연령 통틀어 25–39세 여성이 패션·의류 품목에 가장 많은 돈을 쓰는 것으로 나타났어요. 그중에서도 25–29세는 트렌드·가성비·개성 소비에 민감한 특성이 있습니다. 2529 여성이 핵심 소비자인 브랜드의 오프라인 광고는 어디에서 집행하는 것이 효과적일까요? 분석 결과, 이들이 출퇴근(통학)하며 반드시 지나는 곳은 신촌·홍대, 잠실, 봉천–서울대–낙성대, 가산–구로 등으로 지하철 2호선과 5호선이 핵심 동선으로 나타났습니다. '블랙프라이데이'는 3주 전부터 관심도가 높아지는데, 세일 3주 전부터 스크린도어·열차 내부 광고를 활용함으로써 출근 → 이동 → 퇴근까지 하루 3~4회 반복 노출하는 전략이 가능합니다. 이를 통해 브랜드 인지 → 관심 → 구매 전환까지 효과적으로 유도해보시기 바랍니다. 다음 편에서는 35–39세 여성을 타겟하는 방법을 소개해드릴 예정이니 기대해주세요! 전문이 궁금하신 분은 아래 링크를 참고해주세요. https://lnkd.in/gFZGPdx6

오프라인 광고/마케팅
더보기 →
첫 공간정보 취업 특강을 마치고 왔습니다! 🌏

첫 공간정보 취업 특강을 마치고 왔습니다! 🌏

첫 공간정보 취업 특강을 마치고 왔습니다! 🌏 제가 속해있는 공간정보 실무자 커뮤니티인 GeoNetwork에서 제1회 공간정보 취업 특강을 준비했는데요. 지난 일요일 무사히 마무리하였습니다! 강의는 데이터, 개발, 공공기관, 해외 부문의 총 일곱 세션으로 구성해보았습니다. 저의 경우 그동안 출판했던 KCI 연구 세 편과 실무 경험 이야기를 들려드렸고, 특히 실무에서 필요한 지식과 스킬을 키워드 중심으로 전달드렸습니다. 또한 공간정보 분야에서 더 많은 기회를 얻기 위해서는 시각화 연습을 많이 해보고, 가능하면 컨텐츠의 형식으로 녹여보기를 제안드렸습니다! 공간정보는 취업 준비생 분들께 공유되는 정보가 많지 않은 상황이라, 생각보다 많은 분들이(60분) 신청해주셨습니다! 그리고 특강이 도움되었다는 말씀도 많이 해주셨습니다.ㅠㅠ 후기를 보니 저희가 앞으로 해야할 게 많다는 걸(!!!) 느꼈습니다 ㅋㅋ 물론 아직 강의 기획 및 운영이 익숙하지는 않아 시간 조절 등 개선이 필요한 점들도 있었습니다 ㅎㅎ 그래서 운영진 분들과 바~로 회고해서, 다음 세션 때 어떤 점들을 보완할지 개선 플랜도 짜보았습니다! 다음에 또 좋은 분들 모시고, 유익한 세션 구성해볼 예정입니다! 김연준 항상 총대 메어 주시는 연준님 수고 많으셨습니다! and Hinako Iseki asahinaさん！お忙しいところ、お時間をいただき、本当にありがとうございました😊

커뮤니티/진로
더보기 →
[생생하게 꿈꾸고 바라면, 이루어진다 (R=VD)]

[생생하게 꿈꾸고 바라면, 이루어진다 (R=VD)]

[생생하게 꿈꾸고 바라면, 이루어진다 (R=VD)] 저는 하고싶었던 걸 하는 것을 중요하게 생각하는 사람입니다. 오늘은 하고싶은 걸 다 이루고자 하는 저의 기저에 깔린 가치관에 대해 이야기해보고자 합니다. 거의 10년 전 이야기네요. 제 또래 2030 세대 분들이라면 아마 "R=VD" 라는 말을 많이 들어보셨을 것 같습니다. Vivid하게 Dream하면 Realize 할 수 있다는 말로, 국내 어느 책에서 소개된 말입니다. 저는 학생 시절 이 R=VD라는 마법 공식 🪄같아보이는 말에 크게 감화되었던 기억이 납니다. ㅎㅎ 그래서 당시 지리교사를 꿈꾸며, "고려대 지리교육과" 를 여기저기에 쓰고 붙여두었습니다. 책상, 필통, 안경통, 노트 등 눈에 잘 띄는 곳들에 말이죠.ㅎㅎ 그러나 학원 없이 엉덩이 힘만으로 공부했기 때문에, 수험생활이 쉽지는 않았습니다. 중학교를 졸업한 후, 학원비에 대한 부모님의 부담이 걱정된다는 다소 K-장녀의 마인드로, 😅 고등학교에 입학하며 그동안 다니던 학원을 그만두었던 상황이었습니다. (고등학생들의 학원 비용이 어마어마한 것으로 알고있는데, 개인적으로는 학원비 0원으로 고등학교 3년을 보낸 것은 개인적으로 가장 큰 효도라고 생각하고 있습니다. ㅎㅎ ) 저는 학원 대신, 학교 수업과 EBS, 그리고 일부는 인강을 수강하며 공부했습니다. 남들은 수학을 미리미리 선행해서 오는데 반해, 저는 학교 수업 때 배우는 내용이 난생 처음이었으니... 정말 정말 어려움이 많았습니다. 그렇지만 아침부터 늦게까지 착실히 공부했고, "고려대 지리교육과 17 김지윤" 스티커를 보면서 고려대학교 사범대 지리교육과 17학번으로 입학하는 날을 꿈꾸었습니다. 결국에는 다행히도 원하던 대학과 원하던 학과 17학번으로 안정적으로 지원할 수 있는 수능 결과까지 받을 수 있었습니다! (하지만 입학은 수시인 학생부 종합전형으로 했습니다 ㅎㅎ) 이러한 경험이 있기에, 저는 제가 좋아하고 바라는 것을 실현하는 것이 가능하다라는 큰 자신감을 가지고 살아오고 있습니다. 하고싶은 것을 실현하는 것은 살아가면서 크나큰 행복이라고 생각합니다. 그래서 저는 앞으로도 "생생하게 꿈꾸면 이루어진다"라는 말을 계속 믿으면서 살아갈 것 같네요!

퍼스널 브랜딩
더보기 →

🍔 배달앱 광고, 어디에 해야 할까요? 🏍️

🍔 배달앱 광고, 어디에 해야 할까요? 🏍️ 배달앱 사용일수, 결제액수 데이터를 분석하여 '배달앱 충성고객'의 주요 오디언스를 추출한 후, 유동인구 데이터를 활용해 이들의 일상 출퇴근 동선을 분석해보았습니다 :) 그 결과 나타난 최적의 광고 집행 지점은 어디로 나타났을까요? 자세한 내용은 아래 리포트 글을 참고해주세요! 1편 : 배달앱 충성고객의 출퇴근 동선은? https://lnkd.in/gcaQkzrh 2편 : 동선 기반 배달앱 옥외광고 미디어플래닝 https://lnkd.in/gmJKYNsK

오프라인 광고/마케팅
더보기 →

[하고 싶은 일이 직업이 된다는 것 🌏💻📈]

[하고 싶은 일이 직업이 된다는 것 🌏💻📈] 저는 고등학생 때는 지리 덕후로, 대학생~대학원생 때는 GIS와 공간정보 덕후로 살아왔습니다. 사람은 공간 밖에서 살아갈 수 없는 만큼, 사람이 살아가는 다양한 모습을 담은 공간 정보는 수많은 비즈니스에 큰 가치를 줄 수 있는 원석이라고 생각합니다. 다만 아직 경험이 많지 않은 사회초년생 입장에서, 제가 가지고 있는 공간 정보 지식을 비즈니스에 활용할 수 있는 기회는 극히 드물었습니다. 개인적으로는 공간 정보의 가치가 평가절하되는 건 아닌가 하는 우려에, 답답해 하기도 했습니다. 하지만 양승만 이사님께서는 달랐습니다. 처음 커피챗으로 뵈었던 날부터 5개월이 지난 오늘까지, 저에게 항상 "공간 정보로는 할 수 있는 게 정말 무궁무진하다", "지윤님 같은 분들이 더 많으면 좋겠다"라고 말씀하셨습니다.ㅎㅎ 공간 정보의 가치를 전공생만큼, 혹은 더 높게 평가해주시는 분이셨습니다. 그렇기에 저에게 애드타입은 (승만님의 표현을 빌리자면) "회사의 성장과 나의 성장을 같이 할 수 있는" 곳이라고 생각합니다. 주식회사 드래프타입에 입사해, 데이터 OOH 애드타입 에서 Spatial Demographic Data를 활용한 대시보드 제작/컨텐츠/R&D를 담당한지 어느덧 만 5개월이 넘었습니다. 사람들의 체류인구/이동인구/소득/소비/관심사 등을 프로파일링하며," 그동안 세상에 없던" 옥외광고 솔루션을 만들어갈 수 있음에 정말로 즐거운 요즘입니다. 사진은 오늘 양꼬치 식당 회식에서 받은 감사장입니다!💓 언제 이렇게 회사에서 감사장을 받아볼 일이 있을까 하는 마음에 긴 글을 써보았네요 ㅎㅎ

퍼스널 브랜딩
더보기 →

[공간정보 모임에서 진로/취업 무료 특강을 진행합니다.]

[공간정보 모임에서 진로/취업 무료 특강을 진행합니다.] 안녕하세요! 공간데이터 분석가 김지윤입니다. 이번에 제가 운영진으로 있는 공간정보 모임, Geo Network에서 제1회 공간데이터 취업 특강을 진행합니다! 이번 1회 특강에서는 총 7분의 연사분들께서 데이터, 개발, 공공기관, 해외, 총 4개의 세션을 담당하시도록 구성해 보았습니다. 개인적으로 과거 학부/대학원을 거치면서 공간데이터 분야 선배님들이 구체적으로 어떤 일을 하고 계시는지에 대한 정보가 매우 제한적이어서 아쉬움을 느꼈습니다. 선배님들께서 어떠한 지식과 노하우로, 어떠한 가치를 창출하고 계시는지가 정말 궁금했지만, 학생의 입장에서 여쭤볼 수 있는 창구가 거의 없었습니다. 🥲 하지만 이번에 마음 맞는 분들과 함께 공간정보 관련 진로를 희망하시는 분들을 위해 특강을 준비하게 되었습니다! 저 개인적으로는 이러한 특강을 직접 준비해본 경험이 없어 다소 부족함이 있겠으나, 공간정보 관련 진로가 궁금하신 분들께 저희의 경험을 공유드리고 싶습니다. :) 연사자분들께서 각자 어떤 여정을 거쳐왔는지, 어떤 역량이 필요한지를 중점적으로 소개드릴 예정입니다. 이번 첫 특강을 잘 마무리하여, 더 많은 연사분들을 초빙해 더 좋은 세션을 진행하는 것이 저의 목표입니다. 또한 더 많은 후배 분들이 저희의 동료가 되실 수 있도록 도움을 드리는 것이 저의 궁극적인 목표입니다. 현재 취업을 준비하고 계시거나, 취준생이 아니더라도 공간정보 현직자들이 어떤 일을 하는지 궁금하신 분이 계시다면 참석 부탁드립니다! 또한 공간정보 커뮤니티 Geo Network에 들어오셔서 저희와 뜻을 함께하실 분이 계시면 연락 주시기 바랍니다. (현재 44분이 계시며, 오프라인 모임도 주최 중입니다!) ========== ✦ 제1회 공간데이터 실무자 취업특강 안내 - 일시 : 2025. 8. 31(일) 14:00 - 16:00 (2시간) - 참여방법 : 온라인 (접속 링크는 행사 전 이메일로 안내) - 세션 구성 : 데이터, 개발, 공공기관, 해외 세션 구성 - 본 특강은 무료로, 온라인으로 진행됩니다. ✦ 특강 신청 구글폼 https://lnkd.in/gCqiW-hf

커뮤니티/진로
더보기 →
[서울 "초품아" 아파트 🏢 리스트를 공유드립니다.]

[서울 "초품아" 아파트 🏢 리스트를 공유드립니다.]

[서울 "초품아" 아파트 🏢 리스트를 공유드립니다.] 주거용 부동산 투자 시, 교육 환경 조건으로 빼놓을 수 없는 것이 '초품아' 여부인데요. 초품아(초등학교를 품은 아파트)란, 말 그대로 아이들이 안전하게 초등학교 등하교를 할 수 있을 정도로 접근성이 좋은 아파트를 말합니다. 🔍 초품아의 조건, 어떻게 보시나요? 투자자분들의 의견을 살펴보면, 초품아의 범위는 다양하게 정의되고 있었습니다. 1) 초등학교를 아파트 단지가 감쌀 것 (가장 엄격한 조건) 2) 횡단보도 1개만 건너면 되는 아파트 3) 여러 아파트 단지들만 통과하면 등교할 수 있는 아파트 4) 초등학교의 반경 수백 m 내에 존재하는 아파트 (가장 느슨한 조건) 저는 이번에 가장 느슨한 조건인 ‘초등학교 반경 500m 이내 아파트’를 기준으로 리스트를 만들어 보았습니다. 📌 필터링 조건 다만, 현실적인 투자 가치를 고려하여 아래의 조건들로 필터링하였습니다. 1) 아파트, 주상복합만 포함 (도시형생활주택 및 연립주택 제외) 2) 세대수 100 미만 아파트 제외 3) 1980년 이전 준공 아파트 제외 4) 총학생수 270명 미만 초등학교 제외 → (한 학년에 3개 반, 학급당 15명 × 6학년 = 최소 270명 기준) → 꾸준한 실수요가 있는 아파트만 선별하기 위함 📂 초품아 아파트 리스트 공유 제가 만든 "초품아" 아파트 리스트의 링크를 공유받고싶으시다면,    👉 댓글에 "초품아"라고 남겨주세요! 확인 후 DM으로 구글 스프레드시트 링크를 공유드리겠습니다. (.xlsx 엑셀 파일로 다운 가능) 🔎 참고 - 어떻게 만들었을까요? 이번에 공유드리는 아파트 리스트는 다양한 공공 데이터를 활용하여 GIS 툴로 공간연산한 결과입니다.  데이터를 바탕으로 주거·교육 환경을 조금 더 객관적으로 바라볼 수 있도록 한 시도인데요, 앞으로도 이런 GIS 분석을 통해 생활 속에서 도움이 될 만한 인사이트를 자주 공유드리겠습니다. :)

공간데이터 분석
더보기 →

안녕하세요, 데이터라는 렌즈를 통해 공간과 사람들을 분석하는 김지윤입니다!

안녕하세요, 데이터라는 렌즈를 통해 공간과 사람들을 분석하는 김지윤입니다! 이전에 최초의 공간분석 SNS 매거진 "스페이셜매거진" 컨텐츠의 1인 제작자로 활동했다는 회고 글을 공유드린 적이 있는데요. 인스타그램, 브런치, 쓰레드, 네이버블로그 네 곳에 공간분석 컨텐츠를 천천히 연재해 왔습니다! 최근에 링크드인에도 뉴스레터 기능이 있다는 것을 우연히 알게 되어, 이전에 작성했던 글들을 재업로드해보고자 합니다 :) 재미있게 읽어주세요! ➨ 공간분석 매거진 컨텐츠 소개 이전 글 https://lnkd.in/gNbwXWKw ➨ 스페이셜매거진 SNS 계정 링크 - 인스타그램 https://lnkd.in/gwBs9Xbs (@spatial.magazine) - 스레드 https://lnkd.in/gAhKTvWh (@spatial.magazine) - 브런치블로그 https://lnkd.in/g3Vhupxn - 네이버블로그 https://lnkd.in/ge8sDT4C

퍼스널 브랜딩
더보기 →
🌞 "폭염 시 2030 세대가 많이 방문하는 지역"에 대한 예언 글이 기사에 소개되었습니다! 🌞

🌞 "폭염 시 2030 세대가 많이 방문하는 지역"에 대한 예언 글이 기사에 소개되었습니다! 🌞

🌞 "폭염 시 2030 세대가 많이 방문하는 지역"에 대한 예언 글이 기사에 소개되었습니다! 🌞 이번 여름에 용산 아이파크몰, 잠실 롯데월드몰, 영등포 타임스퀘어, 신세계백화점 강남점 방문하신 분 계신가요? 덥고 습한 여름에는 야외활동보다는 시원하고 쾌적한 실내공간에서 시간을 보내는 분들이 많으신데요. 그래서 여름이 되기도 전에 저는 "지난 해 폭염일 기준, 유동인구 데이터" 분석을 바탕으로 7월과 8월 중에 위의 네 곳을 방문하실 것이라 예언한 바 있습니다 ㅎㅎ (이전 예언글(!) 링크도 아래에 첨부드립니다!) 이번에 좋은 기회로 애드타입의 해당 컨텐츠가 디지털 인사이트(Digital Insight)에 실려 소개드립니다! 폭염일에 젊은 2030 세대들이 어느 지역을 방문하며 시간을 보내는지 궁금하신 마케터분들이 계시다면, 아래 기사를 참고해주시면 감사하겠습니다! 모두 시원하고 건강한 여름 보내시길 바랍니다! ① 디지털 인사이트 기사 링크 https://lnkd.in/gbbHtJPY ② 이전 예언글(!) 링크 https://lnkd.in/gNXmh7Qe

오프라인 광고/마케팅
더보기 →

🎓 왜 ‘대학생들의 동선’을 파악해야 할까요?

🎓 왜 ‘대학생들의 동선’을 파악해야 할까요? — 마케팅 타겟의 ‘루틴’을 아는 것이, 곧 성과의 출발점이기 때문입니다. 많은 브랜드들이 MZ세대를 타겟으로 삼지만, 정작 그들이 ‘언제’, ‘어디로’, ‘어떻게’ 이동하는지는 놓치기 쉽습니다. "강남에 많지 않을까?" "성수가 힙하다던데." 와 같은 감에 의존하는 의사결정을 내리죠. 20대 초반 여성 대학생은 고정된 시간표에 따라 반복적으로 이동하며, 그 동선은 곧 일상 속 브랜드 접점이 될 수 있습니다. 📍 왜 '20대 초반 대학생 동선'이 중요할까요? 1) 광고 효율을 높이는 '루틴 기반 노출' 대학생의 통학길은 매우 반복적입니다. 같은 길을 매일 걷고, 같은 정류장에 매일 내립니다. 강의를 들으러 가는 바쁜 아침, 굳이 평소와 다른 경로로 이동하는 모험을 하지는 않기 때문입니다. 이러한 동선 위에 노출된 광고는 무의식적인 반복 각인으로 이어집니다. 2) 생활권 중심의 초정밀 타겟팅 가능 대학생들은 캠퍼스 인근에 자취하는 경우가 많아, 행정동 내 근거리 이동이 많습니다. 즉, 편의점 매체 등 생활밀착형 광고가 잘 작동하는 타겟이라는 특징이 있습니다. 3) 페르소나에 기반한 마케팅 필요 같은 20세~24세 여성으로 분류된다 하더라도, 이들은 각기 다른 특성을 보입니다. 특히 지하철을 이용하는 통학생, 캠퍼스 근처에서 도보 통학하는 자취생 등 세부 페르소나에 따라 매체 전략도 달라져야 합니다. 🔍 데이터는 정답을 알고 있습니다. 서울시 이동동선 데이터를 기반으로 대학생의 실제 이동 경로를 파악하면, 출발지와 도착지, 시간대, 이동수단을 종합한 현실적인 타겟팅이 가능해집니다. 자세한 내용은 블로그를 확인해주세요! https://lnkd.in/gGgagNvi

오프라인 광고/마케팅
더보기 →

👣 서울의 평일 아침 8시, 세 명의 여성이 움직입니다.

👣 서울의 평일 아침 8시, 세 명의 여성이 움직입니다. 1️⃣ 20대 초~중반, 연세대 학생 장원영 씨 신촌동의 한 원룸에서 나와, 1교시 강의를 들으러 학교로 향합니다. 강의 전 아침으로 먹을 삼각김밥을 구매하기 위해 CU에 들렀는데요. 평소 좋아하던 캐릭터와 콜라보한 편의점 상품이  편의점 외벽 광고판과 포스기 앞 광고판에서 홍보되고 있습니다. 장원영 씨는 반가운 마음에 삼각김밥과 함께 콜라보 굿즈를 구매한 후, X에 사진을 올리며 '트친'들과 공유합니다. 2️⃣ 20대 중~후반, 사회초년생 카리나 씨 최근 강남역에 위치한 스타트업에 취업한 카리나 씨는 월세가 비교적 저렴하고 강남으로 출근하기 편리한 서울대입구역에서 자취 중입니다. "빠른 하차"로 안내되는 서울대입구역 4-2번 스크린도어 앞에서 지하철을 기다리고 있는 카리나 씨. 가성비 좋은 SPA 브랜드의 스크린도어 광고가 눈에 띕니다. 최근 출근룩을 고민하며 '비즈니스 캐주얼' 옷을 찾아보았던 카리나 씨이기에, 퇴근 후 회사 근처의 SPA 브랜드 매장에 들러야겠다는 계획을 세웁니다.  지하철을 타고 강남역 10번 출구로 나와 사무실로 걸어가는 동안 지하철 내부 광고와 스크린도어 광고, 횡단보도 앞 전광판이 눈길을 끕니다. 3️⃣ 30대 초~중반, 8년차 경력의 직장인 아이유 씨 가양역의 한 아파트에 신혼집을 구해 거주 중인 아이유 씨. 출근을 위해 아파트 엘리베이터를 타고 지하주차장으로 향합니다. 지하로 내려가는 동안, 엘리베이터 광고판에서 피부 결을 정돈해주고 탄력을 높여주는 더마 코스메틱 제품이 소개되고 있습니다. 자차를 타고 올림픽대로를 지나 여의도 오피스 건물에 도착한 아이유 씨. 지하주차장에 차를 세우고 사무실로 올라가는 길에 오피스 내부 대형 광고판에서도 아까 보던 그 제품이 등장합니다. 호기심이 생긴 아이유 씨는 올리브영 앱을 켜서 그 제품을 검색해봅니다. ------- 🎯 2030 여성의 아침 동선, 그 안에 광고 전략의 기회가 숨겨져 있습니다. 매일 같은 시간, 같은 길을 따라 출근하는 사람들. 이 반복되는 일상 속에서, 브랜드는 어떻게 존재감을 만들어낼 수 있을까요? 서울의 유동인구 데이터를 활용해 20세~34세 여성의 평일 오전 출근·통학 동선을 분석해보면서 연령대에 따라 이동 패턴이 어떻게 달라지는지,  그리고 그 차이가 어떤 마케팅 전략으로 이어질 수 있을지에 주목했습니다. 분석 결과, 위와 같이 연령대에 따른 아침 이동 루틴이 명확히 나타나는 것이 확인되었습니다. 사람들은 주말에는 각기 다른 곳을 향하지만, 평일 아침엔 꽤나 예측 가능한 경로로 이동합니다. 이 루틴 속에서 브랜드가 적시적소에 적절한 메시지를 전달한다면 단발성 광고보다 훨씬 높은 주목도와 회상도를 만들어낼 수 있습니다. 👉🏻 자세한 내용은 아래 블로그 전문을 확인해주세요! https://lnkd.in/gZMX8gcQ

오프라인 광고/마케팅
더보기 →

본 영상은 애드타입에서 옥외광고 전략 수립 시 활용 중인 20세~24세 여성의 이동 동선 대시보드입니다.

본 영상은 애드타입에서 옥외광고 전략 수립 시 활용 중인 20세~24세 여성의 이동 동선 대시보드입니다. 곧 20세~24세, 25세~29세, 30세~34세 여성의 이동동선을 비교하며, 어떤 차이가 있는지 살펴보는 컨텐츠도 공유드리도록 하겠습니다! 더 많은 공간 데이터 대시보드가 궁금하시다면, 애드타입 뉴스레터를 구독해주세요! (하단 링크) https://adtype.work/report

오프라인 광고/마케팅
더보기 →

제가 예언 한 가지 해보겠습니다. 🪄🔮

제가 예언 한 가지 해보겠습니다. 🪄🔮 여러분 중 많은 분들은 앞으로 다가오는 7월과 8월 어느 주말, 아래 장소 중 한 곳을 방문하게 될 것입니다. - 용산역 용산아이파크몰 - 잠실역 롯데월드몰, 롯데백화점 - 영등포역 타임스퀘어 - 고속터미널역 신세계백화점 강남점, 파미에스테이션 그리고 특별히 사고 싶은 것이 없더라도, 이리저리 걸으면서 구경하다가(몰링, Malling), 마음에 드는 아이템이나 먹거리를 만나면 자연스레 구매하게 될지도 모릅니다. 어떤가요, 그럴듯 하지 않나요? 제가 이렇게 자신 있게 말씀드리는 이유는, "존재인구"와 "이동인구" 데이터가 그렇게 말해주고 있기 때문입니다. 작년 7월과 8월, 특히 33도 이상이었던 여름의 주말, 20대~30대가 많이 찾았던 곳은 "쾌적한 실내의 복합상업시설"이었습니다. 🚶‍♂️🚶‍♀️실제 2030의 수도권 내 이동 동선을 분석해본 결과, 아래와 같은 공통점이 있었습니다. 1️⃣ 지하철/버스로 30분 이내에 접근 가능하고 2️⃣ 지하철 역사와 연결되거나 매우 가까이에 위치하며 3️⃣ 쇼핑과 맛집, 엔터테인먼트를 한 곳에서 즐길 수 있는 장소가 선택받고 있었습니다. 🛍 만약 20~30대들의 구매 타이밍 직전에 여러분의 브랜드를 노출시키고 싶으시다면? -> 이러한 복합상업시설 내에 있는 매체를 이용하시거나, 시설로 가는 동선 상에 있는 매체를 이용하실 수 있습니다. 공간데이터는 단순한 정보가 아닙니다. 사람들의 소비행동을 읽을 수 있고, 비즈니스적 인사이트를 담고 있는 중요한 재료입니다! 더 자세한 이야기가 궁금하시다면, 아래 링크를 확인해주세요. https://lnkd.in/d2QetYHX

오프라인 광고/마케팅
더보기 →

[더운 여름 시즌, 2030 여성들은 어디에서 시간을 보낼까?]

[더운 여름 시즌, 2030 여성들은 어디에서 시간을 보낼까?] 여름철 오프라인 마케팅, 어디에 집중하고 계신가요? 🌞 더운 여름에도 사람들은 움직입니다. 단, 목적지가 달라질 뿐입니다. 33℃ 이상 폭염일을 기준으로 서울 생활인구 빅데이터를 분석하여, 2030 여성 유동인구가 어느 공간을 많이 찾았는지 분석해보았습니다. 그 결과는 놀라웠습니다. 🔻여의도역은 2,931명 감소, 가산디지털단지역은 2,400명이 감소한 반면 🔺️영등포 타임스퀘어는 849명 증가, 롯데월드몰 인근은 810명 증가, 용산아이파크몰은 545명 증가라는 수치를 보였습니다. 즉, 더운 여름에는 "오피스·실외 공간" 에서 "쾌적한 실내 복합공간"으로의 대이동이 일어나고 있었던 것이죠. *2030 여성들이 여름에 머무는 공간의 공통점은? - 지하철과 연결된 대형 실내 복합상업시설 🚇 - 냉방이 잘 되고 하루 종일 머물 수 있는 공간 💨 - 쇼핑, 식음료, 문화가 원스톱으로 해결되는 장소 🛍 *대표 유입 지역 - 영등포 타임스퀘어 (+849명) - 롯데월드 어드벤처 (+846명) - 용산 아이파크몰 (+545명) - 고속터미널·파미에스테이션 (+430명) *대표 이탈 지역 - 여의도역 (-2,931명) - 가산디지털단지역 (-2,400명) - 연세대 (-2,264명) 더운 여름에는, 야외 매체보다는 실내 상업시설 & 지하철 연결 동선에 집중된 옥외광고가 더 많은 노출과 주목, 그리고 구매 전환으로 이어집니다. 분석 결과 데이터와 상세 지역별 수치는 태블로 대시보드로 공개 중이니, 많은 관심 부탁드립니다! https://lnkd.in/gp--7CFR

오프라인 광고/마케팅
더보기 →

📊 2025년 제21대 대통령선거 결과, 어디까지 들여다보셨나요?

📊 2025년 제21대 대통령선거 결과, 어디까지 들여다보셨나요? 대통령 선거는 지역의 경제·정치·문화적 지형을 드러내는 민심의 지도라고 할 수 있습니다. 그러나 기존에 접하기 쉬운 시도 단위 지도만으로는 지역성의 뉘앙스를 깊게 알기는 어렵습니다. 그래서 직접 전국의 시군구, 읍면동까지 자유롭게 확대·축소하며 탐색할 수 있는 대시보드를 만들어 보았습니다! [1. 시군구별 대시보드] 이재명·김문수·이준석 후보의 시도/시군구별 득표율을 바탕으로 전국 지도를 구현하고, 후보별 강세 지역도 확인할 수 있게 구성했습니다. *후보별 최다 득표 지역 이재명 : 전남 완도군 89.91% 김문수 : 대구 군위군 80.83% 이준석 : 경기 수원시 영통구 12.57% *후보별 최소 득표 지역 이재명 : 대구 군위군 14.84% 김문수 : 전남 완도군 6.26% 이준석 : 전남 고흥군 2.81% * 대시보드 링크 https://lnkd.in/g_dCYyzr [2. 읍면동별 대시보드] (본투표 개표결과만 활용) 보다 미시적인 민심을 들여다보기 위해 읍면동 단위 데이터로 시각화했습니다. 읍면동이라는 상세한 단위에서는 시도·시군구 수준으로 볼 수 없었던 동네 단위의 표심이 드러납니다. * 후보별 최다 득표 지역 이재명 : 전남 완도군 금일읍 93.35% 김문수 : 대구 군위군 우보면 86.48% 이준석 : 서울 성동구 사근동 20.15% * 후보별 최소 득표 지역 이재명 : 대구 군위군 우보면 10.67% 김문수 : 전남 완도군 노화읍 3.76% 이준석 : 전북 임실군 지사면 0.80% * 대시보드 링크 https://lnkd.in/gV9fhPNk ※ 데이터 출처 : 중앙선거관리위원회 선거통계시스템

공간데이터 분석
더보기 →

🇰🇷 <국토교통부 제3기 2030자문단> 중간보고회에 다녀왔습니다! 🇰🇷

🇰🇷 <국토교통부 제3기 2030자문단> 중간보고회에 다녀왔습니다! 🇰🇷 안녕하세요, 김지윤입니다. 저는 작년부터 국토교통부 제3기 2030자문단으로 활동 중인데요, 청년의 입장에서 국토·도시 정책에 대한 의견을 제시하는 조직입니다. 작년 7월에 지원하여 8월 발대식을 시작으로 어느덧 10개월 가까운 시간 동안 활동을 이어오고 있으며, 올해 말까지 활동할 예정입니다. 지난 5월 20일, 임기의 후반기로 접어드는 시점에서 중간보고회가 열렸습니다. 제가 속한 "주거1분과"는 아래와 같은 주제로 활동 내용을 공유했습니다. ➮ 청년특화주택 정책 제언 및 홍보 ➮ 청년주택 관리비 및 이미지 개선방안 제시 ➮ ‘뉴홈’ 정책 홍보 및 활성화 전략 제안 다양한 전문 분야에서 활동하고 계시는 타 분과 소속 분들의 활동을 보며 긍정적인 자극을 얻기도 했고, LH 관계자분들과 함께 직접 실무 토의를 진행던 뜻깊은 시간이었습니다. 앞으로 남은 임기 동안에도, 청년 주거 정책에 청년의 목소리를 담을 수 있도록 최선을 다하겠습니다! 🫡

퍼스널 브랜딩
더보기 →
LS그룹의 연수원에서 빅데이터 분석 현직자 일일 특강을 진행하고 왔습니다! 👩🏻‍🏫

LS그룹의 연수원에서 빅데이터 분석 현직자 일일 특강을 진행하고 왔습니다! 👩🏻‍🏫

LS그룹의 연수원에서 빅데이터 분석 현직자 일일 특강을 진행하고 왔습니다! 👩🏻‍🏫 이번에 좋은 기회로 취업준비생 분들이 k-digital training으로 수강하시는 LS 빅데이터스쿨 4기의 현직자 특강을 다녀오게 되었습니다. 제 도메인인 공간데이터 관련 내용을 한 축으로, 또 다양한 채널에 나만의 데이터 프로젝트를 공유하는 퍼스널브랜딩 전략을 다른 한 축으로 이번 강의를 구성했습니다. 강의는 이론 파트와 실습 파트로 구성했습니다. 8시간을 의미있게 채우기 위해 발표자료는 201장, 실습은 8개를 준비했습니다. (PPT 파일이 궁금하신 분들은 아래 링크 확인 부탁드립니다!) https://litt.ly/jiyunkim [이론 파트] - 특강 및 강사 소개 - 최근의 채용 트렌드와 취업 전략 - 개인 프로젝트와 다양한 SNS 채널을 활용한 퍼스널브랜딩 - 공간데이터 딥다이브 [실습 파트] - QGIS 기초 이론 및 시각화 - Python (Pandas, Geopandas) 활용한 데이터 가공 - Kepler 활용한 공간자료 특화 시각화 수행 - Tableau로 나만의 대시보드 만들기 먼저 취업 전략 부분에서는 제가 그동안 경험했던 면접 썰들을 공유드렸고, 일반적으로 알려진 통념과 달라서 당황스러웠던 부분까지 가감없이 말씀드렸습니다. ㅎㅎ 특히 주니어 데이터사이언티스트로서 그동안 실무에서 어떤 일을 했는지도 간단히 말씀드리며, 훈련생분들이 당장 가까운 미래의 모습을 그려볼 수 있게 도움을 드렸습니다. 또한 나만의 데이터분석 프로젝트를 서류 뿐만 아니라 다양한 채널로 공유하며 적극적으로 어필할 것을 강조했습니다. 최근 채용 트렌드인 소규모 수시채용을 뚫기 위해서는 공고가 오픈되지마자 완성도 높은 포트폴리오를 빠르게 제출하는 것이 중요하기 때문입니다. 이럴 때 유용하게 활용될 수 있는 취준용 노션 템플릿과 양식 파일도 함께 공유드렸습니다. 다음으로 공간데이터 딥다이브 파트에서는 구글, 우버, 배민, 쿠팡 등 빅테크에서 사용되는 공간 경계 데이터(행정 경계, H3, S2 등), 그리고 국내/외에서 구득할 수 있는 다양한 공간데이터를 소개드렸습니다. 실습파트에서는 공간데이터와 관련한 다양한 툴(QGIS, Python, Kepler, Tableau)을 '찍먹' 해보실 수 있게 준비해보았습니다. 일일특강의 한계로 모든 훈련생 분들이 하루만에 툴에 숙련되는 것은 어렵다고 판단했습니다. 대신 실습지를 알차게 구성해서 추후 언제든지 복습할 수 있도록 하였고, 실습 시간 중간중간 오늘 관심 생긴 툴이 있다면, 도서나 구글링, GPT 등을 적극 활용해 더 깊게 학습해볼 것을 권유드리기도 했습니다. 강의 준비, 강의하는 순간, 그리고 강의 후 수강평을 받을 때까지 정말 제 스스로 많이 성장했음을 느꼈습니다. 앞으로 더욱 보완해서, 취업준비 관련 강의나 공간데이터 분석 강의를 꾸준히 진행하고 싶다는 소망도 생겼네요 ㅎㅎ

강의
더보기 →
'강남'🏙 광고가 어렵다면, '강남 가는 사람들👩🏻‍💼👨🏻‍💻💼을 타겟한' 광고는 어떠세요?

'강남'🏙 광고가 어렵다면, '강남 가는 사람들👩🏻‍💼👨🏻‍💻💼을 타겟한' 광고는 어떠세요?

'강남'🏙 광고가 어렵다면, '강남 가는 사람들👩🏻‍💼👨🏻‍💻💼을 타겟한' 광고는 어떠세요? 안녕하세요, 데이터라는 렌즈를 통해 공간과 사람들을 분석하는 김지윤입니다. 강남에 광고를 집행하고 싶은 분들 많으실텐데요. 실제로 광고주분들이 트렌디한 이미지를 주기 위한 옥외광고 집행 시 가장 먼저 떠올리는 지역이 강남입니다! 최대 100만 명에 달하는 유동인구, 2030 직장인 및 소비자가 밀집된 지역에다, 트렌디한 이미지까지. 강남은 오피스 밀집지이면서도 특히 MZ세대 직장인들이 유입되는 지역이기 때문입니다. 하지만 높은 광고 단가와 매체 경쟁으로 인해, 한정된 예산을 가진 브랜드가 효과적인 도달률을 확보하기는 쉽지 않습니다. 이에, 오히려 ‘강남 자체’가 아닌 ‘강남으로 출근하는 사람들’을 타겟팅하는 새로운 전략을 제안합니다. 수도권 시민들의 출퇴근 동선을 분석한 결과, "강남 출퇴근족"의 특징은 아래와 같았습니다. ➭ 강남 출근족의 목적지 1위는 역삼1동 ➭ 관악구(청룡동, 행운동, 신림동, 인헌동), 서초구 양재1동, 송파구 잠실본동에 다수가 거주 ➭ 특히 관악구는 비교적 저렴한 집값으로, 2030 인구 비중이 높은 지역 (신림동 66%, 청룡동 53% 등) ➭ 2호선, 9호선을 따라 30분 내외로 강남으로 출퇴근 출근 동선을 타겟하는 옥외광고를 집행한다면 같은 타겟에게 더 적은 예산으로, 더 집중도 있게 다가갈 수 있습니다. 강남 광고가 부담스럽게 느껴지셨다면, 타겟 중심의 새로운 접근을 이번 기회에 함께 고민해보시면 좋겠습니다. 아래 브런치 글에서 분석 내용 전체를 확인하실 수 있습니다! ✰강남 광고가 부담된다면? 강남 출퇴근족 타겟 지역 추천✰ https://lnkd.in/gNCVEP9P

오프라인 광고/마케팅
더보기 →
🛍중국인 MZ 여성 관광객, 이제 '면세점'이 아닌 '올리브영'을 간다고?🛍

🛍중국인 MZ 여성 관광객, 이제 '면세점'이 아닌 '올리브영'을 간다고?🛍

🛍중국인 MZ 여성 관광객, 이제 '면세점'이 아닌 '올리브영'을 간다고?🛍 안녕하세요, 데이터라는 렌즈를 통해 공간과 사람들을 분석하는 김지윤입니다. 오늘은 외국인 관광객을 타겟으로 한 마케팅 전략에 관심 있는 분들이라면 흥미로워하실 콘텐츠를 소개드립니다.🌏 최근 방한 외국인 국적 1위인 중국인 관광객들🇨🇳은 과거와는 전혀 다른 여행 트렌드를 보이고 있습니다. ➭ 단체여행(유커)👨‍👩‍👧‍👧보다는 개별여행(싼커)👭🏻, ➭ 면세점✨️보다는 올리브영🫒, ➭ 가이드보다는🚩 SNS 속 왕홍(인플루언서)📱 중국인 관광객 중 핵심 소비층은 2030 중국 여성인데요. 이들은 깃발 따라 수동적으로 움직이는 여행을 하는 것이 아닌, 100% 본인의 취향에 맞도록 코스를 세팅한 적극적인 여행을 하고 있습니다. 이들은 중국판 인스타 "샤오홍슈" 속 "왕홍(인플루언서)"들이 추천하는 힙한 장소를 찾아 간 후, 본인의 여행 후기를 다시 SNS에 공유합니다. 올리브영, 무신사, 다이소 등 현지 MZ세대와 같은 공간에서 소비를 하기도 합니다. 또 힙한 동네인 성수동, 한남동을 방문하기도 하죠. 이번 콘텐츠에서는 중국 SNS 데이터와 유동인구 데이터를 활용해, 2030 중국인 여성 관광객들의 시간대별 동선과 주요 소비 거점을 분석했습니다! 감이 아닌 데이터로 접근하고 국적·연령·성별에 따라 타겟팅된 인사이트를 도출하여, 한정된 광고 예산 속에서도 효율적인 옥외광고 전략 수립이 가능합니다. 2030 중국인 여성 관광객, 그들이 어디를 걷고, 무엇을 사고, 어디에 머무는지 궁금하시다면, 아래 아티클을 통해 상세 분석을 확인해보세요! ✰중국인 MZ여성 타깃광고, 가장 효과적인 지역은?✰ https://lnkd.in/gtR8pjGC

오프라인 광고/마케팅
더보기 →
⭕️ Data Scientist가 된 지리학 전공생이 dot을 connect한 이야기 ⭕️

⭕️ Data Scientist가 된 지리학 전공생이 dot을 connect한 이야기 ⭕️

⭕️ Data Scientist가 된 지리학 전공생이 dot을 connect한 이야기 ⭕️ 안녕하세요, 김지윤입니다. 최근 저는 공간/인구 데이터 기반 옥외광고 기업인 #애드타입 에 새롭게 합류하였습니다! 아직 입사 2주차라 많이 부족하지만, 지금까지 해온 공간분석 경험을 살릴 수 있어 하루하루 기쁜 요즈음입니다! :) 스티브잡스의 Connecting the dots라는 유명한 연설, 저도 참 좋아하는데요.💡 관련 없어 보이는 경험들이 나중에는 이어져서 더 나은 결과를 만들어낸다는 점이 저에게 매우 인상적으로 남아있습니다. 오늘은 지리를 전공한 대학원생으로서 새롭게 dot을 connect한 저의 이야기를 공유드리고자 합니다. [1️⃣첫 번째 dot : 성수동 지역 연구] 저는 2022년 지리학과 대학원생 시절, <한국지리연구-서울의 핫플레이스> 라는 과목을 수강했는데요. 성수동의 젠트리피케이션을 다룬 연구에 대해 발제한 적이 있습니다. 당시에는 '내가 이 강의에서 배운 내용으로 뭘 해보겠다!' 생각한 건 아니었고, 그저 재미있어 보여서 수강했습니다. ㅎㅎ 이 과목을 수강하며, 저는 성수동을 비롯한 전국의 "핫플" 지역을 어떻게 조사하고 분석할지 배울 수 있었습니다. (~리단길, 한옥마을, 서촌...) [2️⃣ 두 번째 dot : 유동인구 데이터를 활용한 이태원 사고 분석] 2022년 이태원 사고가 발생한 후, 많은 또래분들이 희생됨에 따라 큰 슬픔과 분노를 느꼈습니다. '내가 내 자리에서라도 뭔가 할 수 있는 게 없을까?' 고민했고, 이에 유동인구 데이터로 사고 당시의 모습을 조금이라도 재현해보자 하는 생각이 들었습니다. 이후 서울시와 KT가 합작한 생활인구 데이터를 활용해 집계구 (행정동보다 더욱 세밀한 공간단위) 별 유동인구를 파악했습니다. 특히 "할로윈" 기간에 "이태원"에서 일어났다는 시/공간적 특수성을 고려해, 성별/연령별/시간대별/집계구별/국적별로 분석했습니다. 그 결과 사고 전후의 밀집 패턴을 간접적으로나마 확인할 수 있었습니다. 이를 글로 정리해 대학신문에 투고하였고(https://lnkd.in/gYsEGTvG), 구체적인 수치와 이미지를 담아 당시 수강했던 지역 연구 강의의 기말 프로젝트로 발표했습니다. (혹시 해당 연구의 pdf 파일이 궁금하신 분은 https://litt.ly/jiyunkim 에서 확인 가능합니다!) [3️⃣ 점 잇기] 이렇듯 저는 "특정 지역"에 대해, "유동인구 데이터"를 활용해 분석하는 경험을 다수 쌓아왔습니다. 이번에 애드타입에 입사하여 맡은 첫 프로젝트는 <"성수동"을 방문한 20대 여성 "유동인구를 집계구 단위로 분석"하기>였는데요. 놀랍게도 저의 이전 두 개의 점(경험)들을 이은 새로운 경험이 되었습니다.ㅎㅎ 2022년 4월에 성수동에 대해 발제를 준비하던 대학원생이 2024년 4월에 성수에 위치한 직장에서 첫 업무로 성수동을 분석하게 되어 개인적으로는 정말 뜻 깊더라구요! https://lnkd.in/gB8xz6cR 저의 분석 첫 글을 새롭게 브런치 글로 업로드했으니, 궁금하신 분들은 한번 확인해보셔도 좋을 것 같습니다 😊 감사합니다!

퍼스널 브랜딩
더보기 →
👩🏻‍🏫서울대 학부 전공수업의 특강을 다녀왔습니다🌏

👩🏻‍🏫서울대 학부 전공수업의 특강을 다녀왔습니다🌏

👩🏻‍🏫서울대 학부 전공수업의 특강을 다녀왔습니다🌏 이번에 감사한 기회로 제가 작년에 졸업한 서울대학교 지리학과에서 전공강의 특강을 진행하고 왔습니다! 고등학생 시절부터 지리교사를 꿈꿔온 저로서, 졸업자를 대표해 학부생들을 대상으로 전공강의를 진행할 수 있어 매우 감사했습니다. 또한 유튜브나 패스트캠퍼스, 인프런, 유데미 ... 같은 곳에서 언젠가 GIS/공간데이터 분석 강의를 열고싶다는 꿈이 있던 저였기에,,, ^^ 제 전공분야로 강의를 할 수 있음에 정말 가슴이 떨리더라구요.😆 1시간을 어떻게 의미있게 보낼 수 있을지 많이 고민했는데요. 공간데이터 분석 내용과 함께 대학원, 공공부문(시정연구원), 사기업 경험자로서 느낀 점들을 전달하는 걸 목적으로 했습니다 :) 강의 제목은 <Deep dive into 공간-인구데이터>로 잡아 보았어요.ㅎㅎ 강의 내용은 아래와 같이 구성해 보았습니다. - 이제는 단순 지식 습득이 능사가 아님(feat. AI&구글링) - 자신의 전문 분야 내에서 직접 데이터를 수집, 가공, 분석, 해석, 인사이트 도출까지 하는 연습을 학부생 때 꼭 ~! 해볼 것 - 지리전공자로서 우위를 가질 수 있는 공간데이터 분석과 관련한 간단한 이론 소개, 데이터 소개 강의 후 질의응답 시간에는 행정동/법정동 데이터를 활용해야 할 때의 현실적인 문제점에 대한 질문 하나와, 집계구 데이터의 경계 변경에 대한 질문 하나를 받았습니다. 저도 해당 데이터의 찐찐 전문가는 아니지만, 제가 직접 데이터를 다뤄보면서 얻은 지식과 경험을 바탕으로 답변을 드렸네요. 또한 마무리 시 대학원, 연구원, 일반 취업 등 다양한 갈래의 진로 가운데에서 고민이 있으신 분은 따로 메일 주시면 함께 이야기 나눠보자고 말씀드렸습니다. ㅎㅎ 실제로 메일을 바로 보내주신 분도 계시네요..! 이번 특강 내용은 공간 분석에 대한 학부생 수준 내용으로 구성해보았는데요. 혹시 제가 만든 발표자료가 궁금하신 분은 아래 링크에서 확인해보시기 바랍니다 😃 https://litt.ly/jiyunkim 이번에 정말 동기부여 팍팍 되는 경험을 하고 온 것 같은데요~! 앞으로 제 전공인 공간분석 분야에서의 경력을 더욱 발전시켜, 강의 경험을 계속해서 쌓아나가고 싶다는 생각이 들었습니다. ㅎㅎ

강의
더보기 →
🗺지도 덕후가 네이버 지도 "정보 수정 제안"을 20번 한 이유🗺

🗺지도 덕후가 네이버 지도 "정보 수정 제안"을 20번 한 이유🗺

🗺지도 덕후가 네이버 지도 "정보 수정 제안"을 20번 한 이유🗺 안녕하세요, 김지윤입니다. 저는 네이버 지도, 카카오맵, 구글 지도를 매일 사용하면서, 정보를 소비하기도 하지만 직접 장소 데이터를 개선하는 데도 참여하고 있는데요. 오늘은 네이버 지도에서 20번의 정보 수정 제안을 해본,, 재미있는 경험을 공유해보고자 합니다. 😄 ===== 1. 네이버 지도 열혈 제보자 💥 저는 지도 서비스를 매일 사용하며, 잘못된 정보가 있으면 그냥 지나치지 않고 있습니다...!!! 지도 앱을 사용하면서 아래와 같은 상황을 가끔 볼 수 있었습니다. * 폐업한 가게가 여전히 운영 중으로 표시됨 * 주소가 변경되었는데 반영되지 않아 예전 위치로 나옴 * 메뉴판 사진이 없어 방문 전에 메뉴 및 가격 확인이 어려움 저는 이런 오류를 보면 항상 바로바로 ‘정보 수정 제안’을 눌러 바로잡고 있는데요. 누군가의 시간을 아껴주고, 더 정확하고 효율적인 의사결정을 돕는다는 점에서 매우 의미 있기 때문입니다! (물론 네이버 스마트플레이스 팀원 분께서 귀찮으실 수 있겠지만..ㅎㅎ) 실제로 서울대학교 내 장소들의 경우(네이버지도 기준), 위치가 정확하지 않을 때 자동으로 캠퍼스의 중간 경위도 좌표로 맵핑된 케이스가 많더라구요. 대학원생 시절, 가고싶었던 카페(파스쿠치) 위치가 잘못 찍혀있어 넓은 캠퍼스를 헛걸음했던 경우도 있었습니다 ㅋㅋ 물론 바로 수정제안을 눌렀고, 추후 정확한 위치로 잘 반영되었답니다. 2. 수정 반영 내역 ✏️ 그동안 네이버 지도에서 총 20번의 정보 수정 제안을 했고, 그중 17건이 반영되었습니다. ‼️ 수정 반영 내역 ‼️ * 폐업 반영: 7건 * 신규 장소 등록: 4건 * 영업시간 수정: 3건 * 주소 이전 반영: 2건 * 메뉴판 신규 등록: 1건 그 결과 네이버 플레이스로부터 “정보수정 제안하신 내용이 서비스에 반영되었습니다.”라는 메일을 여러 차례 받았습니다. 신규 장소 등록 시에는 그 기여 정도에 따라 작은 보상도 받을 수 있는데요(총 2,700원ㅎㅎ), 하지만 무엇보다 클릭 몇 번만으로 지도 서비스의 품질을 개선했고, 누군가의 시간을 아껴줄 수 있었다는 점이 더 뿌듯했네요. 물론 반영 불가 메일을 받기도 했는데요. 이미 동일한 제보가 있었거나 정보가 불충분한 경우였습니다. 이 경험을 통해서도 하나의 서비스에 관하여 합리적인 정책을 수립해 운영해야 하는 점을 자연스레 배울 수 있었습니다. 3. 신규 기능 제안 (지역화폐 필터링 기능) 👍🏻 이외에도 네이버 지도에 지역화폐 사용 가능 매장을 필터링하는 기능을 제안하기도 했습니다. 경기지역화폐를 자주 사용하다 보니, 사용 가능한 매장을 쉽게 찾을 수 있으면 좋겠다고 생각했기 때문입니다. (별도의 전용 앱이 있는데, 네이버지도에 비해 지역화폐 사용 가능여부 정보가 부정확하고 편의성 면에서 좀 아쉽더라구요.) 지나가는 유저 1명의 개인적인 의견으로 취급될 수 있었지만 네이버 팀으로부터 피드백을 받을 수 있어 좋았습니다. 언젠가 이 기능이 생겨서 더 많은 분들이 지역화폐를 활발하게 사용할 수 있으면 좋겠네요. 4. 나가며 앞으로도 지도 서비스가 더 정확한 정보를 제공할 수 있도록, 저만의 작은 기여를 계속해 나갈 생각입니다. 🔥 더 나은 사용자 경험을 위한 지도 데이터를 함께 만들어가는 과정이 좋기도 하고, 이 일이 누군가의 불편을 줄이는 데 도움이 된다면 더욱 의미 있다고 생각하기 때문입니다.ㅎㅎ 지도 덕후인 저.. 앞으로도 열심히 제보하도록 하겠습니다 ㅋㅋ #POI데이터 #네이버지도

GIS/공간데이터
더보기 →
[ChatGPT 활용 사례] "사이드 프로젝트에 o3-mini-high 모델을 활용해보았습니다."

[ChatGPT 활용 사례] "사이드 프로젝트에 o3-mini-high 모델을 활용해보았습니다."

[ChatGPT 활용 사례] "사이드 프로젝트에 o3-mini-high 모델을 활용해보았습니다." 안녕하세요, 김지윤입니다. 오늘은 4일 전에 출시된 따끈따끈한 모델인 o3-mini-high를 이용해, 사이드 프로젝트 컨텐츠를 작성한 사례를 공유드립니다. * 들어가며 이전 글에서도 소개했듯, 저는 스페이셜 매거진이라는 공간분석 SNS 매거진을 운영 중입니다. (인스타그램 @spatial.magazine) 오늘은 동아시아에 입점한 애플 스토어의 입점 패턴을 분석하는 글을 작성했고, 이 글을 작성하는 데에 o3-mini-high 모델을 활용해보았습니다. 간단한 명령만으로, GPT는 2,804자 분량에 달하는 보고서를 작성해 주었습니다. * GPT 활용 과정 제가 작성한 프롬프트는 다음과 같습니다. - (애플스토어 주소/위도/경도 데이터 복붙) - "위는 동아시아 국가들의 애플스토어 주소야. 위의 자료를 가지고 자세한 공간분석 수행해줘." 이 간단한 명령을 보낸 후, GPT는 3분 2초 동안 "spatial analysis of Apple Stores"에 대해 Reason해주었습니다. 그 리즈닝의 순차적인 과정도 보여주었는데, 제 사례는 총 27개의 세부 단계들을 거쳐 나온 결과더라구요. (애플 스토어 위치 조사 - 데이터 인사이트 수집 - 애플 스토어 위치 식별 - 애플 스토어 위치 매핑 - 매장 위치 정확히 파악 - 정밀한 위치 매핑 - 세분화 및 분석 - 한국 내 매장 위치 파악 - 독특한 입지 포인트 탐색 - 조각 맞추기 - 중국 본토 매장 매핑 - 공간 분석 마무리 - 세부 정보 정리 - 주소 개수 확인 - 진행 상황 추적 - 애플 스토어 지도 작성 - 분포 분석 - 지리적 점유율 매핑 - 공간 밀도 분석 - 공간 패턴 조사 - 공간적 트렌드 차트화 - 지역 패턴 매핑 - 패턴 조합 - 공간 클러스터 차트화 - 데이터 차트화 - 애플 스토어 지도 제작 - 리테일 트렌드 매핑) 그 결과, GPT가 작성해준 보고서의 구성을 확인해보니   1) 데이터 개요 및 국가별 분포 2) 지역별 및 도시별 클러스터링 3) 좌표 분포 및 공간적 범위 4) 공간 클러스터링과 경제적 함의 5) 결론 및 향후 연구 방향 으로, 내용이 상당히 알차고 유용했습니다. 이후, GPT가 써준 보고서 내용을 참고해 본 컨텐츠를 작성하였습니다. 솔직히 저는 중국 지역에 대해서는 비교적 배경지식이 많지 않은 상황이었는데요. 약 50곳에 달하는 많은 애플스토어를 보유하고 있는 중국의 사례를 조금 더 디테일하게 설명할 수 있었다는 점에서, o3-mini-high 모델에게 큰 도움을 받았습니다. * 느낀 점 평소 공간 분석 컨텐츠를 작성할 때는 해당 지역에 대한 배경지식을 바탕으로 직접 하나하나 글을 작성했는데요. 앞으로는 배경지식이 많지 않은 지역에 대해서도 자세한 공간분석을 수행할 수 있다는 생각에 굉장히 설렙니다! 또한 석사과정을 작년에 마친 대학원생으로서, 앞으로 난이도가 높은 연구를 할 때에도 본 모델을 유용하게 활용할 수 있지 않을까 싶습니다 :) 물론 크로스체크는 반드시 거쳐야 할 것 같습니다 ㅎㅎ 본 활용 사례의 구체적인 답변이 궁금하신 분은 아래 채팅 링크 참고하시면 됩니다~ https://lnkd.in/gT_DPE4x

GIS/공간데이터
더보기 →
[사이드 프로젝트 회고] "3개월 간, 최초의 공간분석 SNS 매거진 컨텐츠의 1인 제작자로 활동했습니다."

[사이드 프로젝트 회고] "3개월 간, 최초의 공간분석 SNS 매거진 컨텐츠의 1인 제작자로 활동했습니다."

[사이드 프로젝트 회고] "3개월 간, 최초의 공간분석 SNS 매거진 컨텐츠의 1인 제작자로 활동했습니다." 안녕하세요, 김지윤입니다. 오늘은 제가 지난 10월 말부터 세 달 간 1인 사이드프로젝트를 진행한 경험을 소개해드리고자 합니다! :) * 배경 - 그동안 사회현상을 공간적으로 분석하는 연구를 수행해왔고, 특히 인구와 지역격차에 관심을 가지고 있습니다. - 이에 이러한 사회현상과 트렌드를 시각화해 대중분들께 전달하는 프로젝트를 수행해보고 싶었습니다. - 또한 평소 인스타그램이라는 매체를 통해 유의미한 인사이트를 전달하는 인스타 매거진을 다수 구독해오고 있었습니다. - 이에 그동안 세상에 없었던, "공간 데이터를 통해 트렌드와 사회현상을 분석" 하는 인스타그램 매거진을 시작했습니다! * 예상 독자 및 마케팅 수행 - 트렌드 관련 컨텐츠는 2030 여성들을, 부동산 관련 컨텐츠는 3040 중 부동산 및 재테크에 관심있는 분들을 타겟했습니다. 이에 인스타그램에서 각 피드에 적합한 특정 유저들을 대상으로 유료 마케팅을 수행해보았습니다. 이에 개인화 마케팅을 찍먹해볼 수 있었습니다. 😅 * 방법 - 평소 관심 많은 사회현상이나 새롭게 호기심이 생긴 내용을 주제로 잡았습니다. - 공공데이터를 구득 및 가공했고, 파이썬을 활용한 크롤링을 수행해 직접 데이터를 수집하기도 했습니다.  - 수집한 데이터를 간단히 분석한 후, GIS 프로그램을 활용해 시각화했습니다. - 인스타그램, 스레드, 브런치블로그, 네이버블로그 총 4곳의 SNS에 업로드하였습니다. * 주요 컨텐츠 내용 - 프랜차이즈 점포 입지 분석 : 스타벅스, 올리브영, 다이소, 공차 등 유명 프랜차이즈들의 점포 개발 패턴을 시각화했습니다. 기업별로 서로 다른 출점 전략을 보이는 것이 흥미로웠습니다. - 인구 분포 : 전국 인구 51%가 수도권에 거주한다는 점, 매년 평균 연령이 높아져 현재는 44.8세에 달한다는 점 등, 인구의 지역격차를 조명했습니다. - 2030 여성들의 서울 유동인구 시각화 : 전통 유력상권 외에도 고척돔 등 야구 경기장에서도 많은 젊은 여성 유동인구가 탐지된 점이 흥미로웠습니다. - 서울에서 가장 땅값이 비싼 곳 : 공시지가 데이터를 활용해 지역별 공시지가를 시각화했습니다.  - 강남 출퇴근 30분컷 지하철역 : 강남역 출퇴근 직장인들을 대상으로 자취/거주하기 좋은 지역을 추천하는 컨텐츠입니다. 앞으로 다양한 업무지구로 확대해 분석할 계획입니다.  - 출산 불가능 지역 : 무려 전국 73곳 시군구 지역에서는 출산이 불가능하다는 다소 충격적인 결과를 확인했습니다. 분만 가능 병원이 없는 지역 산모는 인근 지역으로 이동해야 하는 부담이 발생합니다. 개인적으로 이 분만진료 지역격차 문제는 더 많은 분들께 알려지면 좋겠다는 생각이 들었습니다. - 이외에도 2030이 많이 사는 지역 / 영유아가 많이 사는 지역 시각화, 결혼 많이하는 지역 시각화 등등 생활과 밀접한 공간 분석 및 시각화를 수행했습니다. * 회고 - 사이드프로젝트는 직장 외 개인 시간을 내어 수행해야 하는 만큼, 생각보다 빠른 진도를 나가기 어렵다는 것을 느꼈습니다. - 지도 시각화에는 시간과 노력이 많이 들어 업데이트 주기가 느립니다. 보다 독자들에게 다양한 컨텐츠를 노출시키기 위해서는 지도 시각화보다 공수가 덜 들어가는 컨텐츠 제작도 병행해야겠다고 생각했습니다. - 내가 정말 궁금한 주제에 대해 분석해볼 수 있다는 점이 사이드프로젝트의 가장 큰 묘미인 듯합니다! - 최근 인스타 매거진에 대한 관심이 높아짐에 따라 저 또한 언론사 인터뷰 요청을 받기도 했습니다. 앞으로도 꾸준히 업데이트하겠습니다! :) * 링크 공유 아래 중 친숙한 SNS가 있으시다면, 조심스레 팔로우 요청 드려봅니다 :) - 인스타그램 https://lnkd.in/gwBs9Xbs (@spatial.magazine) - 스레드 https://lnkd.in/gAhKTvWh (@spatial.magazine) - 브런치블로그 https://lnkd.in/g3Vhupxn - 네이버블로그 https://lnkd.in/ge8sDT4C

GIS/공간데이터
더보기 →
안녕하세요! 김지윤입니다 :)

안녕하세요! 김지윤입니다 :)

안녕하세요! 김지윤입니다 :) 2024년 2월 26일자로 서울대학교 사회과학대학 지리학과 대학원을 졸업하여, 네 학기의 석사과정 대학원생 생활을 마무리하게 되었습니다. 제가 누구보다도 사랑하는 GIS(지리정보시스템)을 전업 대학원생으로서 공부할 수 있어, 정말 행복했습니다. 이와 더불어 아래와 같이 다양한 경험들을 통해 스스로도 크게 성장할 수 있었던 소중한 2년이었다고 생각합니다 :) 1. KCI 논문 두 편 게재 : 저의 2번째, 3번째 논문이 KCI 학술지에 무사히 게재되었습니다! 2. 석사 학위논문 무사히 제출 : 피땀눈물이 담긴 학위논문을 제출했습니다 ㅠㅠ 3. 신문기사 투고 : 이태원 사고 당시의 유동인구 데이터를 활용해 분석한 결과를 신문에 투고하였습니다. 공간 데이터를 활용하여 사회에 유의미한 인사이트를 전할 수 있는 소중한 기회였습니다! 4. 학술대회 발표 우수상 : 2번째 논문을 학술대회에서 발표하여 발표 우수상을 수상했습니다. 5. 대학원 우수학술상 : 학과 대학원생을 대표하여 우수학술상을 수상했습니다. 6. 미국 학술대회 세션 진행, 발표 : 지리학계에서 가장 규모가 큰 학술대회 중 하나인 AAG에서 세션의 의장으로서 세션을 진행하고, 3번째 논문을 발표하였습니다. Academic English 를 GPT 4로 준비할 수 있었던 놀라운 경험이었습니다. 7. 대학원생 교류 커뮤니티 운영 : 카톡방 기반의 커뮤니티를 운영하여, 1기는 20명, 2기는 32명의 대학원생들과 오프라인 / 온라인의 형태로 교류하였습니다. 8. 학과 홈페이지 개편 담당자 : 학과 홈페이지를 기획하였고, 간단한 동적 지도 개발을 하였으며 홈페이지 개발 업체와 원활히 소통하였습니다. 9. 연구실에 오래 있는 습관 가지기 : 오전 9시 반까지만 운영되는 "아침 천원학식"을 먹고, 오후 10시부터 운영되는 "야간 셔틀버스"를 타면서 순 가용시간을 늘리고자 하였습니다. 10. 노션 페이지 판매 : 블로그를 통해 이력서/CV/포트폴리오/논문정리/부동산매물/일정 정리 노션 템플릿 양식을 판매하고 있습니다. 11. 티스토리 블로그 운영 : 공부하는 틈틈이 도메인지식이나 파이썬 코드 등을 업로드하는 티스토리 블로그를 운영하고 있습니다. 12. 대학원생 블로거 : 대학원 입시 준비, 대학원 생활, 졸업과 관련한 많은 절차들을 틈틈이 블로그 포스팅의 형태로 기록하였습니다. 3,200명 이상의 팔로워를 보유하고 있습니다. 13. 인스타그램 운영 : 자기계발 계정, 직접 찍고 보정한 사진을 올리는 계정, AI 생성 이미지를 올리는 계정을 운영하고 있습니다. 14. 취업 성공 : 저의 첫 직장 뤼튼 테크놀로지스의 재팬 팀에 합류하여, 재팬 프로덕트의 데이터를 다루고 일본 관련 리서치를 수행하는 등의 업무를 담당하게 되었습니다!! 무사히 졸업하고 취업도 할 수 있었던 데에는 지도교수님과 동료 대학원생 선생님들, 주위의 고마운 많은 분들 덕분이라고 생각합니다. 뤼튼이라는 새로운 직장에서도 빠르게 팀의 일부로 녹아들 수 있도록 치열하게 노력하겠습니다! 감사합니다 🥰

퍼스널 브랜딩
더보기 →
'그날'의 '이태원'이 가지는 의미는? (시간과 공간)

'그날'의 '이태원'이 가지는 의미는? (시간과 공간)

본 시리즈는 이태원 사고 (2022.10.29) 1주기를 기억하기 위해 연재하는 글입니다. 저는 데이터가 그 자체로 가치를 가진다기보다는, 데이터를 분석하여 인사이트를 얻어낸 후, 이를 통해 현실의 문제를 개선하는 데에 가치가 있다고 생각합니다. 이에 본 분석이 지난 해 발생한 이태원 사고와 관련하여, 원인 분석과 문제 개선 및 예방에 도움이 되기를 바랍니다. 첫 번째 글에서는 이태원 사고 당시, 어떤 연령대/성별/국적의 사람들이 이태원을 많이 방문했는지를 생활인구 데이터를 통해 살펴보았습니다.https://brunch.co.kr/@geography17/31그날의 이태원, 누가 방문했을까? (연령/성별/국적) 0. 들어가며 오늘은 그날의 이태원을 방문한 사람들은 주로 어떤 사람들이었는지를, 데이터를 통해 확인해보고자 합니다. 본 분석에서 활용한 데이터는 생활인구 데이터입니다. 이 데이터를 통 https://brunch.co.kr/@geography17/31 두 번째 글에서는 언제 이태원을 주로 방문했는지 (방문/체류 시간)를 알아보았습니다. https://brunch.co.kr/@geography17/33그날의 이태원, 언제 방문했을까? (연도 및 시간대) 본 시리즈는 이태원 사고 (2022.10.29) 1주기를 기억하기 위해 연재하는 글입니다. 저는 데이터가 그 자체로 가치를 가진다기보다는, 데이터를 분석하여 인사이트를 얻어낸 후, 이를 통해 현실의 문 https://brunch.co.kr/@geography17/33 세 번째 글에서는 이태원의 어느 동네를 방문했는지 (방문 지역)와 어디로부터 방문했는지 (출신 지역)를 알아보았습니다.https://brunch.co.kr/@geography17/34그날의 이태원, 주로 어디를 어디에서 방문했을까? 이동의 출발지와 도착지를 알아보자 | 본 시리즈는 이태원 사고 (2022.10.29) 1주기를 기억하기 위해 연재하는 글입니다. 저는 데이터가 그 자체로 가치를 가진다기보다는, 데이터를 분석하여 인사 https://brunch.co.kr/@geography17/34 이번 글에서는 '이태원' '할로윈'이 가지는 시간과 공간의 특성과 본 분석 시리즈의 결론 및 요약을 담아보겠습니다. 1. 이태원이라는 '공간' 左 : 이태원 일대 해발고도 / 中 : 경사도 / 右 : 지적편집도본 분석의 연구 대상은 서울특별시 용산구 이태원 일대이며, 사고가 발생한 지점은 이태원 1동에 포함됩니다.구득한 데이터별로 연구지역을 각기 달리 설정하였는데, 행정동 기준으로 제공되는 데이터의 경우 이태원 1동을 기준으로 하였습니다.법정동 기준의 데이터를 사용한 경우 이태원동을 연구지역으로 설정했는데, 법정동 이태원동은 이태원 1동과 이태원 2동을 합한 공간적 범위를 가집니다. 이태원 1동 세계음식거리의 북측부터 급격하게 고도가 높아져, 이태원 1동과 2동의 사이에는 오르막길이 비교적 많이 있습니다. 경사도 또한 이 부근에서 높게 나타납니다. 우측의 지적편집도를 살펴보면 이태원역 인근을 중심으로 상업지역으로 설정되어있고, 그 외에는 대부분 주거지역으로 설정되어 있음을 확인할 수 있습니다. 이태원 남쪽에 일반상업지역으로 나타나는 곳은 실제로는 군사시설이 위치해 있는 곳입니다. 이태원 1·2동의 연령별 인구 (자료 : 통계청)이태원 1·2동의 연령별 인구를 살펴보면 위의 그림과 같습니다. 30대의 구성 비율이 가장 높은 것을 알 수 있으며, 특히 이태원 2동의 경우 30대가 2천 명 이상 거주하고 있어 약 20%를 차지하고 있습니다. 한편 서울 동 평균 전체 인구는 22,728명인 데에 비해 이태원 1동과 이태원 2동의 인구는 각각 7,935명, 10,432명으로, 평균보다 인구 수가 적은 편입니다. 그러나 등록 외국인의 경우 서울 동 평균 543명에 비해 이태원 1동은 1,784명, 이태원 2동 1,661명인 것으로 나타났습니다. 평균적인 수준에 비해 동 전체 인구는 적음에도 외국인은 많은 이태원은 외국인이 많이 거주한다는 지역적 특성을 보인다고 할 수 있습니다. 서울의 대표적인 다문화 거리로 꼽히는 이태원은 인근에 용산미군기지가 위치하여 주한미군들의 유흥지가 되었던 지역성을 바탕으로, 현재는 많은 외국인들이 방문하는 관광지가 되었습니다. 1997년에 한국의 관광특구 1호로 지정되었고, 이태원 세계음식거리가 2013년에 지정되었습니다. 젊은 세대와 외국인들은 이국적인 식당, 카페, 주점이 몰려있는 이태원을 다수 방문하고 있습니다. 지도 플랫폼에서 이태원 식당의 검색 결과를 정리한 결과(네이버 지도 크롤링), 다양한 문화권의 음식을 판매하는 식당이 이태원에서 영업중임을 알 수 있었습니다. 32곳이 영업 중인 한식당과 비교했을 때 양식으로 분류된 식당은 55곳, 이탈리아 식당은 24곳이 영업 중이었습니다. 또한 일식 및 이자카야는 22곳, 중식은 11곳이었으며 멕시코·남미음식과 태국음식은 5곳, 아시아음식은 4곳이었습니다. 그 외에도 터키, 베트남, 스페인, 프랑스, 인도 음식을 판매하는 식당도 영업 중이었습니다. 2. 할로윈이라는 시간 90년대 초반부터 압구정, 홍대, 잠실 일대로 전파되기 시작한 할로윈 이벤트 문화는(중앙일보, 1996) 이제 한국에서 매년 10월 진행되는 상업적인 이벤트로서 자리매김하였습니다. 초반에는 국내 대형 테마파크나 호텔, 프랜차이즈 레스토랑을 중심으로 할로윈 기념 행사가 열렸고, 점차 유통업계와 식음료업계로 확산되어갔습니다. 일반적으로 10월이 시작됨과 함께 점차 할로윈을 테마로 한 다양한 마케팅이 진행되고, 할로윈이 다가올수록 점차 그 분위기는 고조되며, 10월 31일 할로윈이 지나고 11월이 되면 기념 행사는 끝나게 됩니다. 上 : 1990년 – 2022년 할로윈 키워드가 포함된 기사 검색량 (연도별) / 下 : 2017년 – 2022년 할로윈 키워드가 포함된 기사 검색량 (월별) 뉴스 빅데이터를 제공하는 플랫폼인 빅카인즈에서 1990년 1월 1일부터 사고 전날인 2022년 10월 28일까지 ‘할로윈’이라는 검색어로 검색한 결과 그림 3과 같이 나타났습니다. 이때, 표준 외래어 표기를 준수하는 언론사의 경우 할로윈을 ‘핼러윈’으로 표기한다는 것을 고려하여 ‘핼러윈’으로 검색한 결과도 함께 활용하였습니다. 먼저 연도별 기사 검색량을 살펴보면 검색 기간 중 가장 이른 시기인 1990년에 두 건 검색된 것을 시작으로 해가 갈수록 조금씩 증가하였으며, 2010년대 초반에 급증한 것을 확인할 수 있습니다. 월별 기사 검색량을 살펴보기 위해 2017년에서 2022년만 추려 자세히 살펴본 결과, 다른 시기에는 관련 기사가 거의 없다가 10월 앞뒤 월을 중심으로 기사가 다수 검색된 것을 확인할 수 있습니다. 한편, 이태원 할로윈에 대한 관심도 변화를 확인하기 위해 ‘이태원 할로윈’과 ‘이태원 핼러윈’ 키워드로 검색한 결과는 그림 4와 같습니다. 최초로 이태원 할로윈이 언급된 시기는 2002년 1월이었고, 해가 갈수록 이태원 할로윈이라는 키워드를 포함한 뉴스 기사가 점차 증가하였습니다. 2017년에서 2022년의 기사만을 추려 월별 기사 검색량을 살펴본 결과 10월을 중심으로 많은 기사가 검색되었습니다. 이를 통해 실제로 이태원의 할로윈은 언론에서도 다수 보도되는 하나의 문화현상으로 자리잡았음을 확인할 수 있습니다. 3. 본 분석 시리즈의 요약 본 분석에서는 대중교통 이용 데이터, 생활인구 데이터를 활용하여 이태원 일대의 할로윈 기간 통행 패턴을 분석하였습니다. 먼저 대중교통 데이터를 활용해 지난 수년 동안 할로윈 기간에 이태원을 방문한 사람들이 어느 정도의 규모인지, 그리고 시간이 지남에 따라 그 규모가 어떻게 변화하는지 파악하였습니다. 해당 기간 대중교통 이용 결과를 분석한 결과 이태원 직전 토요일이 가장 많은 사람들이 이태원을 방문하는 요일이었음을 확인할 수 있었습니다. 다음으로는 생활인구 데이터를 활용해 집계구라는 보다 상세한 단위에서 이태원 방문객들을 탐지할 수 있었습니다. 생활인구를 연령별, 성별, 국적별로 나누어 살펴볼 수 있었으며 사고 당일 오후 10시 경, 이태원역과 인접한 집계구 두 곳이 실제로 서울에서 가장 집계구 당 생활인구가 많았던 곳이었다는 점을 밝혀낼 수 있었습니다. 또한 행정동 단위로 상세성을 일부 포기하는 대신 관내·외이동이라는 타 지역과의 상호작용도 살펴볼 수 있었습니다. 할로윈 기간 동안 이태원 1동을 방문한 사람들은 일반적으로 가까운 지역에서 방문한 경우가 먼 지역에서 방문한 경우보다 많은 경향을 보였음을 확인할 수 있었습니다. 본 연구의 의의는 다양한 빅데이터를 활용하여 그동안 공간적으로 논의된 바 없는 이태원 할로윈 시기 보행 문화에 초점을 맞추었다는 점입니다. 다문화 지역이라는 이태원의 지역성을 고려하여, 내국인 뿐만 아니라 외국인도 분석에 포함하였다는 의의가 있습니다. 또한 타 지역과의 상호작용을 살펴봄으로써 공간적인 맥락에서 할로윈 시기의 이태원을 조망하였습니다. 4. 본 시리즈의 한계 본 분석의 한계는 크게 3가지가 있습니다. 우선 분석 시 활용한 생활인구 데이터는 KT 외의 통신사 (SKT, LG, 알뜰폰)는 추정을 통해 얻기 때문에 본질적으로 완벽하게 정확히 집계한 결과는 아니라는 점입니다. 그리고 집계구는 지역별로 그 규모가 다르기 때문에, 집계구별 생활인구에 대해 단순 비교를 하기 어렵다는 점이 있습니다. 만약 집계구 자체의 크기가 절대적으로 작다면 다른 지역에 비해 생활인구 밀도가 높게 나타난다고 하더라도 생활인구 순위에서 밀려날 수 있습니다. 또한 이태원 일대에 원래부터 거주하고 있던 인원이 있기 때문에 할로윈 기간이 발생시킨 순수 인원을 계산하지 않았다는 한계가 있습니다. 이는 전월 혹은 6개월 전의 인원을 빼는 방식으로 파악할 수 있습니다. 5. 본 시리즈를 마무리하며... 이태원 압사 사고가 발생한 이후, 현장통행 및 통행 관리가 제대로 되지 않았다는 비판이 이루어졌습니다. 먼저 경찰 측에서 이태원에 결집할 인원을 추산하는 데 실패하였습니다. 2021년의 할로윈 참석 규모는 10월 평균 이태원역 및 녹사평역 승하차인원의 2.4~2.97배에 달했음에도, 경찰은 2022년의 할로윈 참석 규모를 두 역 승하차인원의 1.5~2배 규모에 해당할 것으로 추산하였습니다(서울용산경찰서 보도자료, 2022). 이에 전문가들은 안전사고 예방의 첫걸음인 인원 추산부터 틀렸으며, 이벤트 문화를 과소평가했다고 지적했습니다(문화일보b, 2022). 경찰은 실제로 이태원 일대에 137명에 불과한 인력을 배치했으며 이마저도 안전사고를 대비하고자 함이 아닌 불법촬영 및 마약 관련 단속을 하기 위함이었습니다. 2017년에는 설치했던 폴리스라인을 이번에는 설치하지 않았다는 점도 비판을 받고 있습니다. 또한 할로윈 결집 규모를 추산할 때 활용 가능한 공공 데이터와 플랫폼이 이미 구축되어 있었음에도 불구하고 지자체나 경찰들이 이를 활용하지 않았다는 비판 또한 제기되었습니다. 서울시의 경우 실시간으로 특정 지점에 모여있는 인원의 밀집도를 알려주는 서비스인 서울시 실시간 도시데이터 플랫폼을 구축해놓고도 이를 안전 부문에 활용하지 않았습니다(비즈월드, 2022; 조선일보, 2022; 시사IN, 2022), 이에 정부는 금번 사고를 계기로 안전 부문에 유용하게 활용 가능한 공공데이터 선별·운용을 늘린다는 방침이라 밝혔습니다(행정안전부 브리핑, 2022). 연구지역 전체로 1㎡ 당 6.07명의 인원이, 압사사고가 발생한 지점에서는 1㎡ 당 16.45명이 밀집한 상황에서 압사 사고가 발생했다는 점을 감안하여, 앞으로는 좁은 공간에 많은 인원이 집결하는 경우의 대처 방안을 행정 당국에서 매뉴얼화하는 등의 대책이 필요합니다. 할로윈과 같이 명확한 주최자가 없는 행사나 기념일이더라도 많은 인원이 모일 것으로 예상된다면 사전에 예상 결집 인원을 예측하고, 밀집도가 크게 높아질 경우 재난 문자 서비스로 알려주거나 경찰이 해당 지역에 긴급 출동할 수 있도록 하는 등의 조치를 취해야 할 것입니다. 대규모의 인원이라 하더라도 통행로가 제대로 확보되고 인원 통제가 잘 된다면 큰 인명사고 없이 마무리될 수 있을 것입니다. 본 분석은 추후 이러한 이벤트적 성격을 가진 통행의 연구를 진행함에 있어서 유용한 참고자료가 될 수 있을 것입니다. 그럼 본 이태원 분석 시리즈를 마무리하겠습니다!다음에 새로운 공간분석 글로 찾아오겠습니다!

공간데이터 분석
더보기 →
그날의 이태원, 주로 어디를 어디에서 방문했을까?

그날의 이태원, 주로 어디를 어디에서 방문했을까?

본 시리즈는 이태원 사고 (2022.10.29) 1주기를 기억하기 위해 연재하는 글입니다. 저는 데이터가 그 자체로 가치를 가진다기보다는, 데이터를 분석하여 인사이트를 얻어낸 후, 이를 통해 현실의 문제를 개선하는 데에 가치가 있다고 생각합니다. 이에 본 분석이 지난 해 발생한 이태원 사고와 관련하여, 원인 분석과 문제 개선 및 예방에 도움이 되기를 바랍니다. 첫 번째 글에서는 이태원 사고 당시, 어떤 연령대/성별/국적의 사람들이 이태원을 많이 방문했는지를 생활인구 데이터를 통해 살펴보았습니다.https://brunch.co.kr/@geography17/31그날의 이태원, 누가 방문했을까? (연령/성별/국적) 0. 들어가며 오늘은 그날의 이태원을 방문한 사람들은 주로 어떤 사람들이었는지를, 데이터를 통해 확인해보고자 합니다. 본 분석에서 활용한 데이터는 생활인구 데이터입니다. 이 데이터를 통 https://brunch.co.kr/@geography17/31 두 번째 글에서는 언제 이태원을 주로 방문했는지 (방문/체류 시간)를 알아보았습니다. https://brunch.co.kr/@geography17/33그날의 이태원, 언제 방문했을까? (연도 및 시간대) 본 시리즈는 이태원 사고 (2022.10.29) 1주기를 기억하기 위해 연재하는 글입니다. 저는 데이터가 그 자체로 가치를 가진다기보다는, 데이터를 분석하여 인사이트를 얻어낸 후, 이를 통해 현실의 문 https://brunch.co.kr/@geography17/33 이번 글에서는 이태원의 어느 동네를 방문했는지 (방문 지역)와 어디로부터 방문했는지 (출신 지역)를 알아보겠습니다. 1. 주로 어디를 방문했을까? : 집계구별 생활인구 (24시간 / 야간만) 본 분석에서도 동일한 집계구 단위를 사용합니다. 사고 당일 24시간 집계구별 생활인구위의 지도는 집계구별로 시간이 흐름에 따라 생활인구가 변화하는 패턴을 확인한 결과입니다. (내국인, 외국인 포함) 새벽 시간까지 집계구 당 수천 명의 인구가 분포하다, 아침이 되어 감소하는 모습을 보였습니다. 이후 낮 시간에 다시 증가하다 저녁시간에 급증하였습니다. 특히 18시-24시 시간대에 이태원 역의 남서쪽에 위치한 D집계구에서는 6시간 동안 99,088명의 인구가 모인 것으로 분석되었는데, 이는 이태원을 방문하기 위해 이태원역으로 도착하거나, 귀가를 위해 이태원역에서 출발하는 인원이 저녁에 지하철과 버스을 많이 이용했기 때문인 것으로 보입니다. 특히 18시-24시 시간대에 사고 발생 골목을 포함하는 B집계구에서는 6시간동안 93,675명의 생활인구가 집계되었습니다. 사고 당일 18시-24시의 집계구별 생활인구위의 지도는 사고 발생 시간을 포함한 18시-24시의 생활인구를 1시간 단위로 자세히 살펴본 결과입니다. 전반적으로 사고가 발생한 B집계구와 이태원역 남측의 D집계구가 많은 유동인구를 보였습니다. 야간 생활인구 중 최고치는 22시의 D집계구로, 당시 29,116㎡의 면적에 19,828명의 인원이 모였습니다. 사고가 발생한 B집계구 또한 157,037㎡의 면적에 17,459명의 인원이 모였습니다. 사고가 일어난 이후의 시간인 23시에는 귀가하는 인원이 늘어나 B집계구와 D집계구의 인원이 감소하였습니다. 하지만 A집계구는 인원이 오히려 증가하였습니다. 2. 주로 어디로부터 방문했을까? : 관내/관외 이동 분석 사고 당일 오후 10시 이태원 1동의 관내·외 이동 (左 : 한국인 기준, 右 : 장기체류 외국인 기준)다음으로 행정동 단위로 제공되는 서울생활인구의 관내이동 및 관외이동 데이터를 구득하여 분석하였습니다. 관내이동 데이터는 해당 행정동 밖의 서울 지역에서 해당 행정동으로 방문한 사람이 집계되며, 관외이동 데이터는 시간대 별로 서울 생활인구 중 서울 외의 지역에서 서울로 방문한 사람이 집계됩니다. 위의 지도는 사고 당일인 2022년 10월 29일 오후 10시 경, 이태원 1동에 있었던 사람들 중 이태원1동이 자택이 아닌 사람들의 수 및 출신 지역을 보여줍니다.이때 출신 지역은 전월 기준으로 00시-06시 사이에 연속해서 4시간 이상 체류한 날 수가 14일 이상인 행정동으로 정의됩니다. 따라서 변경신청을 별도로 해야 변경이 가능한 주민등록 주소보다도 더욱 정확도가 높다고 할 수 있습니다. 좌측의 지도는 한국인의 관내·외 이동을, 우측의 지도는 장기체류 외국인의 관내·외 이동을 보여줍니다. 먼저 한국인의 관내이동을 살펴보면 그 결과 용산구(자택이 이태원 1동 관내인 자는 제외)가 4,617명으로 가장 많았고, 관악구(1,920명), 마포구(1,538명), 동대문구(1,453명), 성북구(1,287명) 순서로 많았습니다. 반면, 도봉구는 294명, 금천구는 373명, 양천구는 405명인 것으로 나타나, 비교적 이 지역으로부터 이태원 1동을 방문한 사람은 적은 것으로 나타났습니다. 다음으로 한국인의 관외 이동을 살펴보면, 충남(1,043명), 경기 부천시 (803명), 충북 (783명), 강원(733명), 경기 남양주시 (720명), 경기 화성시(718명), 경기 평택시 (509명) 순으로 많았습니다. 부산, 대구, 광주, 대전, 울산 출신은 한 명도 집계되지 않았습니다. 장기 체류 외국인의 관내이동을 살펴보면 용산구가 776명, 동대문구가 446명, 마포구가 320명, 서대문구가 313명 순으로 나타났고, 양천구(16명), 도봉구와 은평구(28명), 중랑구(37명), 강동구(38명), 구로구(40명) 출신은 적었습니다. 한편 장기체류 외국인의 관외이동의 경우 충남(131명), 경기 화성시 (131명), 경기 포천시 (107명), 경기 평택시 (105명), 충북(102명) 순이었으며 부산, 대구, 광주, 대전, 울산 출신은 집계되지 않았습니다. 3. 실제 사고와의 비교 사고지점 골목의 사고 당시 상황 (자료 : 문화일보, 2022)한편, 통신 3사로부터 제출 받은 자료에 따르면 참사가 발생했던 지난달 29일 오후 10시 기준 이태원1동·2동의 기지국에 접속한 이들은 총 124,350명에 육박했으며, 통신사별로 살펴보면 SK 52,474명, KT 43,751명, LG 28,125명으로 집계됐습니다. 여기에 알뜰폰 사용자는 포함되지 않은 것을 감안하면 약 13만 명에 가까운 인원이 이태원1동과 2동에 모인 것을 알 수 있습니다. 본 분석에서는 앞서 언급한 바와 같이 보다 조사범위를 좁혀, 이태원역 인근 특정 집계구만을 대상으로 (이태원1·2동의 25.7%, 이태원1동의 65.2% 면적을 차지) 기지국 접속인원을 추계했습니다. 그 결과 6만 명이 넘는 사람들이 사고 당시 연구 대상 집계구에 몰려있었음을 확인할 수 있었습니다. 이태원1·2동 전체에는 13만명의 인구가, 연구 대상 집계구에는 61,734명의 인구가 집계되었다는 것은, 이태원동 집계인원의 절반에 해당하는 인원이 이태원동의 25.7%의 면적에 해당하는 공간에 모였음을 의미합니다. 다시 말해 이태원동 안에서도 사고가 발생한 지점 인근에서 비교적 더 밀집도가 높았다고 해석할 수 있습니다. 이 수치는 이태원동 전체적으로는 1㎡당 0.09명, 연구지역 집계구에서는 1㎡당 0.16명이 모여있었음을 뜻합니다. 이 지역은 골목이 좁고 경사가 다소 있다는 물리적 특성을 감안할 때, 실제 체감되는 밀집도는 이보다 더욱 심할 것으로 추정됩니다. 사고 당시 위의 그림과 같이 해밀톤 호텔 뒤편 좁고 폐쇄적인 내리막길 골목에서 사상자가 집중적으로 발생하였는데, 18.24㎡의 면적에 300명 이상이 몰렸던 것으로 보고되었습니다(문화일보a, 2022). 이는 1㎡의 면적 내에 16.44명이라는 초고밀도의 상황으로서, 누군가가 넘어진 지점 위에 또 다른 사람이 넘어지는 것이 반복되어 6~7겹씩 뒤엉켜 있었음을 짐작할 수 있습니다. 성인 최대 6명 정도만이 지나갈 수 있는 좁은 골목에 위에서 내려오는 사람과 이태원역 출구로 나와 위로 올라가려는 사람들의 동선이 겹치는 상황이었기에 문제가 더욱 심각해졌던 것이지요. 이태원동, 연구집계구, 사고 지점의 밀집 정도 이태원동, 이태원역 인근의 연구집계구, 사고지점의 밀집 정도를 도식화하면 위의 그림과 같습니다. 일반적으로 군중밀집도는 1㎡당 몇 명의 사람이 모여있는지를 기준으로 계산하는데, 1㎡당 5명 이상이 모이면 군중밀집도의 임계치에 다다르게 됩니다. 집단 충돌(crowd crush)에 휘말린 사람들은 유체처럼 행동하게 되며 스스로의 움직임을 통제하거나 주위 사람들을 도울 수 없게 됩니다. Pearl(2015)은 1㎡당 7명의 사람들이 모이면 그 힘은 치명적인 수준이 되어, 군중은 유동적인 덩어리가 되고 사람들은 신발 밖으로 들어올려지거나 옷이 찢어질 수도 있으며, 불안을 느끼는 사람들로부터 압박되어 숨쉬기가 어려워지는 정도에 해당한다고 경고하였습니다. 실제로 금번 사고에서 사망자 대부분의 사인은 질식에 의한 심정지로, 구조인력이 도착했을 때 이미 상당수가 질식으로 뇌손상을 입었던 것으로 밝혀졌습니다. 그는 또한 넘어진 사람들에게 접근하는 것은 불가능하며, 넘어진 이들을 들어올려서 머리 위로 전달해야만 군중 밖으로 빼낼 수 있다고 강조하였습니다. 압사 사고 발생 당시에 넘어져 부상을 입은 사람들이 겹겹이 쌓여있던 상황이어서, 이들을 구조해 심폐소생술을 진행하는 데 큰 어려움이 있었습니다. 요컨대 이태원 사고 당일, 사고 발생 지점에는 전문가들이 경고하는 군중밀집 임계점을 훨씬 넘어선 초고밀도의 인원이 모여있었으며 이로 인해 압사사고가 발생해 수 많은 인원의 사상자를 낳았다고 정리할 수 있겠습니다. 다음 글에서는 이태원의 할로윈이라는 공간과 시간이 가지는 특성, 그리고 본 시리즈의 결론 및 요약을 담은 글로 이어집니다.

공간데이터 분석
더보기 →
그날의 이태원, 언제 방문했을까? (연도 및 시간대)

그날의 이태원, 언제 방문했을까? (연도 및 시간대)

본 시리즈는 이태원 사고 (2022.10.29) 1주기를 기억하기 위해 연재하는 글입니다. 저는 데이터가 그 자체로 가치를 가진다기보다는, 데이터를 분석하여 인사이트를 얻어낸 후, 이를 통해 현실의 문제를 개선하는 데에 가치가 있다고 생각합니다. 이에 본 분석이 지난 해 발생한 이태원 사고와 관련하여, 원인 분석과 문제 개선 및 예방에 도움이 되기를 바랍니다. 이전 글에서는 이태원 사고 당시, 어떤 연령대/성별/국적의 사람들이 이태원을 많이 방문했는지를 생활인구 데이터를 통해 살펴보았습니다. https://brunch.co.kr/@geography17/31그날의 이태원, 누가 방문했을까? (연령/성별/국적) 0. 들어가며 오늘은 그날의 이태원을 방문한 사람들은 주로 어떤 사람들이었는지를, 데이터를 통해 확인해보고자 합니다. 본 분석에서 활용한 데이터는 생활인구 데이터입니다. 이 데이터를 통 https://brunch.co.kr/@geography17/31 이번 글에서는 언제 이태원을 주로 방문했는지 (방문/체류 시간)를 알아보겠습니다. 유동인구 패턴을 확인하기 위해서는 생활인구 데이터를 활용하였습니다.또한 이태원을 대중교통으로 방문한 인원을 파악하기 위해서 대중교통 데이터를 활용하였습니다. 1. 대중교통 데이터?본 분석에서는 두 가지의 교통 데이터를 사용하였습니다.서울특별시 지하철 호선별 역별 승하차 인원 정보와 시내버스 및 지하철의 목적통행량이 바로 그것입니다. 1) 지하철 역별 승하차 인원 데이터 사고가 발생한 이태원 세계음식문화거리는 이태원역 바로 뒤편에 위치해 있습니다.또한 이태원의 '핫플'은 이태원로를 따라 쭉 이어져있습니다. (네이버지도에서는 살구색으로 '핫플'을 표시하고 있습니다.)이에 할로윈을 기념하기 위해 이태원 인근으로 모이는 인원은 녹사평역과 이태원역을 많이 이용할 것이라 예상하였습니다.녹사평역에서 이태원역까지는 약 600m로 도보 10분 이내로 도달 가능한 거리이며, 방문자들은 가고자 하는 장소가 이태원역보다 녹사평역이 더 가까운 경우 녹사평역에서 하차합니다. 실제로 경찰은 할로윈 집결 인원을 추산할 때, 이태원역과 녹사평역의 승하차인원의 합을 활용한다고 합니다.(출처: 문화일보, 2022년 11월 1일, “경찰, 핼러윈 참석규모 계산부터 틀렸다.”) 따라서 6호선 이태원역, 녹사평역 두 역의 승하차 인원을 구하였고, 데이터는 '서울열린데이터광장'에서 제공하는 서울시 지하철호선별 역별 승하차 인원 데이터를 구득하였습니다. 2) 목적 통행량 데이터 목적 통행량의 정의이태원 인근에 내리는 인원의 규모를 파악하기 위해, '교통카드빅데이터 통합정보시스템'에서 제공하는 목적 통행량 데이터를 구득하였습니다. 이때 '목적 통행량'은 그림과 같이, 최초 승차에서 최종 하차까지의 대중교통 이용을 한 회로 보는 이용량을 말합니다. 예를 들어 (1)정류장 A에서 버스 1을 탄 후, (2)정류장 B에서 내려 지하철로 환승한 후, (3)정류장 C에서 내려 다시 버스로 환승해, (4)정류장 D에서 최종하차하는 통행패턴을 생각해 보겠습니다. 이 이용자의 승차 및 하차는 각 버스 정류장 및 지하철역의 승하차 인원으로서 집계가 됩니다. 만약 통행 경로를 고려하지 않고, 각 정류장 및 역의 승하차 인원 데이터를 이용한다면 실제 통행패턴을 알기란 어렵습니다. 즉 그림의 사례의 경우, 최초 승차가 정류장 A에서 이루어졌음에도 정류장 B와 정류장 C에서 승차인원으로 집계가 된다는 점, 그리고 최종 하차가 정류장 D에서 이루어졌음에도 정류장 B와 정류장 C에서 하차인원으로 집계가 된다는 문제가 발생하는 것이죠. 하지만 목적 통행량 데이터를 활용한다면, 이 전체 통행 경로의 대중교통 이용이 1회로 집계가 되기 때문에, 보다 실제 통행 경로를 정확하게 반영할 수 있습니다. 목적통행량 데이터에 집계되는 이태원1동·2동 내의 버스정류장 및 지하철역 위치 본 데이터는 행정동 상 이태원1동과 이태원2동을 합한 이태원동(법정동 기준)을 포함하기 때문에, 그림과 같이 이태원1동과 이태원2동에 위치한 버스정류장 35곳(간선 14곳, 마을 16곳, 관광 2곳) 및 지하철역 1곳 (이태원역)의 목적통행량을 계산합니다. 2. 지하철 승하차 데이터를 통해 분석한 이태원 할로윈 통행 패턴 (2015년~2022년) 사고가 발생한 2022년 뿐만 아니라 과거 비슷한 시점에는 얼마나 많은 인원이 모였는지 확인하기 위해, 구득이 가능한 최대 기간인 2015년부터 2022년까지의 할로윈 기간을 분석 대상 시점으로 잡았습니다. 서울 지하철 6호선 이태원역 및 녹사평역의 승하차 인원을 계산하여, 이태원 일대의 할로윈 기간 방문 인원 규모를 파악한 결과는 아래와 같습니다. 할로윈 기간 동안의 녹사평역·이태원역의 승하차 인원 (2015년-2022년)녹색으로는 녹사평역, 주황색으로는 이태원역의 승하차 인원을 표시하였습니다. 할로윈 당일에 해당하는 10월 31일은 짙게 표시하였습니다. 또한 점선으로 추세선을 표현하였습니다. 먼저 전기 4년 (2015-2018)을 살펴보겠습니다. 일반적인 통행 패턴은 러시아워가 발생하는 평일이 많은 승하차인원을, 주말이 비교적 적은 승하차인원을 보이는데 반해, 이태원 및 녹사평은 평일보다 주말에 더 승하차 인원이 많은 것을 확인할 수 있습니다. 이는 이태원 일대가 평일에 나타나는 업무 목적의 통행보다는 주말에 나타나는 관광·유흥 목적의 통행이 많이 이루어지는 지역임을 암시합니다. 2015년은 할로윈 당일인 31일이 토요일이어서 매우 높은 수치를 보여주며, 해당일 이태원역에서 발생한 승·하차 건수는 약 11만 건에 달했습니다. 2022년 10월 29일 이태원 사고 당일에 필적하는 수준으로 많은 사람이 이 두 역을 이용한 것을 알 수 있네요. 2015년 할로윈도 제법 위험할 수 있었다는 생각이 들게 하는 대목입니다. 이후 연도에서는 날짜와는 관계 없이, 대체적으로 토요일이 가장 많은 승하차 수치를 보여주었습니다. 할로윈 당일인 31일보다는 그 이전 토요일이 더 많은 통행량을 보였습니다. 이를 통해, 한국 이태원의 할로윈 문화는 할로윈 당일인지의 여부보다는 주말/주중 여부가 더욱 중요하다는 것을 짐작할 수 있습니다. 다음으로는 2019년부터 2022년까지의 수치를 살펴보겠습니다. 그 최대치는 2019년까지 비슷한 수치를 보였으나, 코로나19 유행 중이었던 2020년과 2021년에는 전반적으로 수치가 크게 감소한 것을 볼 수 있었습니다. 다만 2021년의 경우 2020년보다 승하차 인원에서 비교적 높은 수치를 보여주었습니다. 그 원인으로는 당시 코로나 거리두기 4단계 시행 중이긴 했으나, 영업시간 제한이 없었다는 점, 그리고 시민들이 오랜 거리두기 기간의 피로감을 느꼈기 때문에 그런 것이라 추측해볼 수 있겠습니다. 한편, 압사 사고 당일인 2022년 10월 29일은 129,821명이 이태원역에서 승·하차를 하였고, 31,413명이 녹사평역에서 승하차하였습니다.사고 당일 이태원 및 녹사평 일대에 161,234명의 승·하차 인원이 발생한 것으로 정리할 수 있겠습니다. 3. 교통카드 목적통행량 데이터를 통해 분석한 이태원 할로윈 통행 패턴 (2018년~2022년) 목적통행량 데이터는 당일 오전 4시부터 익일 오전 2시까지의 교통카드 빅데이터를 수집함으로써 해당 법정동 내의 승하차 인원을 파악할 수 있습니다. 본 시스템에서는 2018년부터의 데이터만을 제공하기 때문에, 2018년부터 2022년까지의 통행량 데이터를 사용하였습니다. 지하철, 버스 각각의 승·하차 데이터를 사용하면 이용자가 환승을 한 경우에도 2회로 취급해야 하지만, 본 목적통행량 데이터를 사용하면 이용자가 환승을 하더라도 1회로 취급할 수 있습니다. 뿐만 아니라 지하철을 이용한 인원과 버스를 이용한 인원을 한꺼번에 확인할 수 있다는 장점이 있습니다. 이태원동 교통카드 목적 통행량 (2018년-2022년)이태원동의 목적통행량을 집계한 결과는 위의 그림과 같습니다. 코로나19가 유행 중이던 2020년과 2021년에는 2018년, 2019년과 비교하면 승하차인원이 적었던 것으로 나타났습니다. 2022년에는 28일에는 약 16만 건의, 29일에는 약 30만 건의 승하차가 발생했는데, 사고 하루 전날인 28일에 이미 최근 5년 중 가장 많은 승하차수를 경신했음을 확인할 수 있습니다. 사고 당일인 29일에는 전날인 28일의 두 배에 해당하는 매우 많은 인원(30만 건)이 이태원동에서 승하차하였습니다.사고 당일, 시민들의 안전한 귀가를 돕기 위해 6호선 지하철이 익일 오전 3시까지 연장 운행되었으며, 해당 인원까지 모두 29일로 집계되었습니다. 사고 다음 날인 30일에는 예년과 비슷한 수준으로 승하차 인원이 급감하였고, 할로윈 당일인 31일에도 특별히 높게 나타나지 않았음을 확인할 수 있습니다. 4. 생활인구 데이터를 통해 분석한 이태원 할로윈 통행 패턴 (2017년~2022년) 생활인구 데이터는 2017년부터 제공되기 때문에 본 분석에서는 2017년부터 2022년까지를 분석 대상 기간으로 잡았습니다. 또한 할로윈 주간은 10월 26일부터 11월 2일까지 8일간으로 정의하였습니다. 할로윈 주간 이태원 집계구의 24시간 합계 및 오후 10시 생활인구 (2017년-2022년)위의 그림은 2017년부터 2022년까지 6년 간 할로윈 주간의 연구지역에 해당하는 집계구의 생활인구를 살펴본 결과입니다. 이때, 왼쪽 축은 해당일 24시간 동안의 생활인구 합을 나타낸 값이고 오른쪽 축은 해당일 오후 10시의 생활인구를 나타낸 값입니다. 여기에서 생활인구 수는 내국인, 단기체류 외국인, 장기체류 외국인을 모두 포함한 값입니다. 토요일과 일요일은 음영처리 되었습니다. 24시간 동안의 생활인구를 단순히 더하는 것은 중복 집계가 된다는 점에서 정확한 값은 아니나, 해당일에 이태원을 방문한 인원의 전체적인 규모를 파악할 수 있다는 점에서 의미가 있다 할 수 있습니다. 다만 2019년은 기지국 통신 오류로 인해 10월 15일~27일 데이터가 누락되어, 본 분석에서도 26일과 27일이 누락되어있습니다. 2017년에 가장 많은 인원이 모여 피크를 찍은 날은 27일 토요일, 2018년은 27일 토요일, 2019년은 1일 금요일, 2020년은 31일 토요일, 2021년은 31일 일요일, 2022년은 사고가 발생한 29일 토요일이었습니다. 다만, 2019년의 경우 전 주 26일 토요일이 1일보다 더 높은 수치였을 가능성도 존재하지만, 해당일의 데이터가 부재하여 이 점은 확인이 어렵습니다. 6년 간 동향을 살펴보면 일반적으로 할로윈 주간 중 할로윈 이전 주 토요일이 가장 많은 생활인구 수를 보였습니다. 아래에서 더 자세히 살펴보겠습니다. 2017년과 2018년에는 50만명 이상의 생활인구가 유지되었습니다. 코로나 유행 중인 2020년과 2021년에는 크게 감소했다가, 2022년에 크게 증가했음을 확인할 수 있습니다. 이렇듯 전체적인 동향은 앞서 대중교통 데이터를 통해 확인한 것과 비슷합니다. 한편, 6년 간의 생활인구 데이터에서 압사사고가 발생한 오후 10시의 데이터만 별도로 집계해 본 결과, 지난 6년 동안 가장 많은 생활인구를 보인 날은 61,734명이 모인 사고 당일 2022년 10월 29일이었음을 알 수 있습니다. 5. 생활인구 데이터를 통해 분석한 사고 이전 30시간의 이태원 할로윈 통행 패턴 (2017년~2022년) 할로윈 이전 주 토요일 기준 30시간 생활인구 변화 (2017년-2022년)할로윈 주간 중 할로윈 이전 주 토요일이 가장 많은 생활인구 수를 보였다는 점을 참고하여, 본 그래프에서는 2017년부터 2022년까지 이태원 이전 주 토요일을 기준으로 30시간 동안의 생활인구를 집계하여 정리하였습니다. 본 생활인구 자료에서도 내국인과 단기체류외국인, 장기체류외국인이 모두 포함되었습니다. 전반적으로 금요일 저녁(그래프 왼쪽)에 점점 인구가 증가하다가 새벽(그래프 중간)이 되면 인구가 감소하였으며, 익일 오후(그래프 오른쪽)부터 다시 생활인구가 증가해 저녁에 최고점을 찍는 패턴을 보였음을 파악할 수 있습니다. 2017년, 2018년에 높은 수치를 기록하다 2019년은 다소 감소하는 것으로 보이는데, 이는 2019년의 경우 장비고장으로 인해 누락된 데이터로 인해 할로윈 이후 토요일인 11월 2일 데이터를 사용했기 때문입니다. 따라서 2019년은 단순 비교하기에는 다소 무리가 있습니다. 2020년과 2021년은 코로나19 확산으로 인한 사회적 거리두기 상황으로 인해 절대적인 인원수가 많지 않았습니다. 2021년의 경우 당시 영업시간 제한은 없었으나, 당시 수도권은 사회적 거리두기 4단계 중이어서 많은 경찰들이 방역 및 거리두기 동참 안내에 동원되어 20시를 기점으로 감소하는 양상을 확인할 수 있습니다. 그전까지는 일반적으로 자정까지 인구가 줄곧 증가 혹은 유지하는 것과 대비되는 모습입니다. 2022년은 전날인 금요일에는 2017년의 수치와 유사하게 나타나, 코로나 이전의 인원 규모를 회복했음을 알 수 있습니다. 토요일 사고 당일에는 오후 4시부터 생활인구가 빠르게 증가하여 오후 9시와 오후 10시 사이 1시간 동안 61,523명으로 정점을 찍었음을 확인할 수 있습니다. 이후 10시 15분 경 압사사고가 발생하였고, 사고의 여파로 응급실로 이동하거나 귀가하는 인구가 늘면서 생활인구가 감소하였습니다. 6. 이렇게 많이 몰린다는 것을 알 수 없었을까? 이태원 압사 사고가 발생한 이후, 현장통행 및 통행 관리가 제대로 되지 않았다는 비판이 이어졌습니다. 먼저 경찰 측에서 이태원에 결집할 인원을 추산하는 데 실패하였다는 것이 지적되었습니다. 2021년의 할로윈 참석 규모는 10월 평균 이태원역 및 녹사평역 승하차인원의 2.4~2.97배에 달했음에도, 경찰은 2022년의 할로윈 참석 규모를 두 역 평균 승하차인원의 1.5~2배 규모에 해당할 것으로 추산하였습니다(서울용산경찰서 보도자료, 2022년 10월 27일, “안전하고 질서있는 이태원 핼러윈 축제를 위한 종합치안 대책 추진.”) 이에 전문가들은 안전사고 예방의 첫걸음인 인원 추산부터 틀렸으며, 이벤트 문화를 과소평가했다고 지적했했습니다. 경찰은 실제로 이태원 일대에 137명에 불과한 인력을 배치했으며 이마저도 안전사고를 대비하고자 함이 아닌 불법촬영 및 마약 관련 단속을 하기 위함이었습니다. 2017년에는 설치했던 폴리스라인을 이번에는 설치하지 않았다는 점도 비판을 받았습니다. 또한 할로윈 결집 규모를 추산할 때 활용 가능한 공공 데이터와 플랫폼이 이미 구축되어 있었음에도 불구하고 지자체나 경찰들이 이를 활용하지 않았다는 비판 또한 제기되었습니다. 서울시의 경우 실시간으로 특정 지점에 모여있는 인원의 밀집도를 알려주는 서비스인 서울시 실시간 도시데이터 플랫폼을 구축해놓고도 이를 안전 부문에 활용하지 않았습니다. (서울시 실시간 도시데이터 플랫폼에 대한 정보는 아래 참고!)https://kimhongsi.tistory.com/entry/%EC%A7%80%EA%B8%88-%ED%95%AB%ED%94%8C%EC%97%90%EB%8A%94-%EB%AA%87-%EB%AA%85%EC%9D%98-%EC%82%AC%EB%9E%8C%EC%9D%B4-%EB%AA%A8%EC%97%AC%EC%9E%88%EC%9D%84%EA%B9%8C-%EC%84%9C%EC%9A%B8%EC%8B%9C-%EC%8B%A4%EC%8B%9C%EA%B0%84-%EB%8F%84%EC%8B%9C%EB%8D%B0%EC%9D%B4%ED%84%B0[공간 자료] 지금 핫플에는 몇 명의 사람이 모여있을까 : 서울시 실시간 도시데이터 아래 기사에서 지적된 대로 서울시 실시간 도시데이터에서는 실시간으로 몇 명의 사람이 몰려있는지를 대략 알 수 있다. https://m.khan.co.kr/national/incident/article/202210312119015#c2b ‘인구 밀집’ 알리 https://kimhongsi.tistory.com/entry/%EC%A7%80%EA%B8%88-%ED%95%AB%ED%94%8C%EC%97%90%EB%8A%94-%EB%AA%87-%EB%AA%85%EC%9D%98-%EC%82%AC%EB%9E%8C%EC%9D%B4-%EB%AA%A8%EC%97%AC%EC%9E%88%EC%9D%84%EA%B9%8C-%EC%84%9C%EC%9A%B8%EC%8B%9C-%EC%8B%A4%EC%8B%9C%EA%B0%84-%EB%8F%84%EC%8B%9C%EB%8D%B0%EC%9D%B4%ED%84%B0 이에 당시 정부는 금번 사고를 계기로 안전 부문에 유용하게 활용 가능한 공공데이터 선별·운용을 늘린다는 방침이라 밝혔습니다. 이렇듯 다양한 데이터들이 이태원에 많은 인원이 결집할 것임을 암시하고 있었음에도, 안전을 위한 대책이 세워지지 않았다는 점이 매우 아쉬운 대목입니다. 다음 분석에서는 이태원을 방문한 사람들이 어디에서 방문했을지, 그 출신지를 분석해 보겠습니다.

공간데이터 분석
더보기 →
그날의 이태원, 누가 방문했을까? (연령/성별/국적)

그날의 이태원, 누가 방문했을까? (연령/성별/국적)

0. 들어가며오늘은 그날의 이태원을 방문한 사람들은 주로 어떤 사람들이었는지를,데이터를 통해 확인해보고자 합니다. 본 분석에서 활용한 데이터는 생활인구 데이터입니다.이 데이터를 통해 당일 방문한 사람들의 연령과 성별을 분석해봅니다. 1. 생활인구 데이터?이동통신 빅데이터는 계절, 시간대, 요일 등 시간에 따른 인구의 공간적 변화를 추정할수 있다는 장점이 있어, 유동인구의 변화를 탐지하기에 유용하다고 판단했습니다. 본 분석에서는 이동통신 빅데이터 중 KT와 서울시가 제작하는 서울시 생활인구데이터를 활용하였습니다. 생활인구데이터는 서울에 거주하거나 일시적으로 업무, 관광, 쇼핑의 목적으로 서울을 찾는 인구를 모두 포함하며, 주민등록인구보다도 더욱 현실적인 정보를 제공한다는 장점이 있습니다. 생활인구데이터는 LTE시그널데이터 (휴대폰 단말과 LTE기지국과 통신하는 이력을 수집한 데이터)를 이용해 추계됩니다. 이러한 시그널 데이터는 통화나 문자 기반의 데이터에 비해 데이터 발생량이 매우 많으며, 개인간 차이가 적고 데이터가 고르게 발생한다는 장점이 있습니다. 서울 생활인구 데이터는 집계구 단위로는 내국인, 장기체류 외국인, 단기체류 외국인 데이터가 제공되며, 행정동 단위로는 내국인, 장기체류 외국인, 단기체류 외국인, 서울에서 생활한 관외지역 인구, 서울에서 생활한 관내지역인구 데이터가 제공됩니다. 이때 장기체류 외국인은 외국인 등록증이 발급되는 외국인을 말하며, 단기체류 외국인은 로밍을 사용하여 스마트폰의 기지국 접속 정보를 탐지할 수 있는 외국인을 말합니다. 서울 생활인구 데이터 중 관외·관내지역인구 데이터는 서울 내의 관심 지역에서 생활하는 사람 중, ‘거주지’가 해당 행정동이 아닌 사람을 보여줍니다. 본 데이터는 행정동 단위로 제공되기 때문에 집계구만큼의 상세성을 보장하지는 않지만, 타 지역과의 상호작용을 살펴볼 수 있다는 측면에서 의의가 있습니다. 이때 수도권에 해당하는 서울특별시·경기도·인천광역시는 시군구 단위로 집계되고 비 수도권 지역은 시도 단위로 집계됩니다. 관외지역인구 데이터는 서울 외의 지역에서 거주하면서 특정시점에 서울의 특정 지역에 존재하는 내국인 및 장기 체류 중인 외국인을 보여주고, 관내지역인구 데이터는 서울 관내 지역에서 거주하면서 (대상 행정동은 제외) 특정시점에 서울의 특정 지역에 존재하는 내국인 및 장기 체류 외국인을 보여줍니다. 2. 분석 대상 집계구 본 분석에서 분석 대상이 된 집계구를 설명드리겠습니다.(집계구가 무엇인지 궁금하신 분은 아래의 글 참고!)https://brunch.co.kr/@geography17/183. 공간데이터 분석의 재료: ① 공간경계 데이터(하) 지역 분석을 위해서는 공간경계 데이터(행정구역, 격자구역)가 필요합니다 | 안녕하세요, 공간빅데이터분석 전문가 김홍시입니다. 이번 글에서는 공간경계 데이터 중 집계구 경계와 그리드 경 https://brunch.co.kr/@geography17/18 생활인구 데이터를 활용한 분석의 연구지역은 이태원 1동의 10001번 집계구, 10002번 집계구, 20002번 집계구, 30001번 집계구, 30002번 집계구, 30003번 집계구로 선정했습니다. 생활인구데이터는 2016년의 집계구를 기준으로 했기 때문에, 분석에서도 2016년 집계구 경계 데이터를 사용했습니다. 글에서는 이들 집계구들을 편의상 그림과 같이 A~F 집계구로 정의하겠습니다. 이 집계구들을 제외한 이태원 1동의 다른 집계구들은 종교시설, 군사시설, 아파트, 초등학교 등이 있어 제외하였습니다. 지하철 6호선 이태원역의 출구가 위치한 집계구는 B, D, F집계구이고, B집계구는 압사사고가 난 골목을 포함하고 있습니다. A집계구와 C집계구의 경우, 녹사평역에서 이태원역 방향으로 가기 위해 거쳐야 하는 공간에 해당합니다. E집계구는 이태원역과는 도보 5분 정도 소요되는 지점에 위치하고, 일부 식당·카페·주점이 입점해있습니다. 이태원1동 및 이태원 2동의 면적은 각각 0.567㎢, 0.872㎢인데 본 연구지역 집계구의 면적은 0.375㎢으로서, 이태원1동·2동 면적(1.439㎢)의 25.7%에 해당하고, 이태원1동 면적의 65.2%에 해당합니다. 3. 몇 살 사람들이 몇 시에 이태원을 방문했을까? 외국인을 제외한 한국인만 대상으로 하며 분석한 결과입니다. 가로축은 시간대를, 세로축은 연령대를 나타냅니다. 70세 이상의 경우 일괄 집계되어 60대보다 높은 수치로 나타났고, 60대 노년층은 시간대에 상관없이 일관되게 적은 수치를 기록했습니다. 이와 대비되게 젊은 층에서는 시간이 흐름에 따라 인구수가 크게 변화하는 것으로 보입니다. 특히 20대의 경우 저녁 시간에 크게 증가하여 붉게 나타남을 알 수 있습니다. 오후 9시에서 10시 사이에는 15,236명이 해당 집계구에 있었던 것으로 집계되었습니다. 4. 몇 살 / 어떤 성별의 사람들이 이태원을 방문했을까? 사고 당일 24시간 동안의 해당 집계구 내의 생활인구의 인구피라미드를 그려본 결과입니다.5세 단위의 연령대와 성별 정보를 포함하고 있습니다. 남녀를 불문하고 20대가 가장 많았고, 그 다음으로 30대가 많은 것으로 보입니다.실제로 사망자 중 67.1%에 해당하는 106명이 20대였고, 그 다음으로는 30대가 19.6%에 해당하는 30명이었습니다. 한편 10세 미만 아동보다, 10-14세 초등학교 고학년 ~ 중학교 저학년 연령대 인구가 더 적었습니다.(추측하건대, 초등/중학생은 해당시간에 귀가했거나 학원에 있었고10세 미만 아동은 부모님이 데려간 게 아닐까 싶긴 합니다.이는 실제 해당 집계구의 인구를 확인해야 정확히 알 수 있는 정보겠네요.) 성별과 연령을 함께 살펴본 결과입니다.해당 집계구 내에는 20~24세 여성이 7,958명으로 가장 많았습니다. 다음으로 25~29세 여성, 25~29세 남성, 20~24세 남성, 30~34세 남성, 30~34세 여성 순이었습니다. 5. 사고 순간, 사고 지점 인근에 있었던 사람들의 연령과 성별은? 분석 범위를 한번 더 좁혀서 사고 발생일 오후 10시의 생활인구를 분석하였습니다. 사고일 당시 10시에 해당 집계구에 있었던 한국인을 기준으로 연령을 살펴보면 20대가 56.8%로 가장 많은 비중을 차지했고, 다음으로 30대가 23.0%을 차지했습니다. 20대와 30대를 합치면 26,500여 명으로 약 80%를 차지했습니다. 사고 순간, 사고 지점 근처에 있던 사람들의 대다수가 20-30대라는 점을 확인할 수 있는 대목입니다! 한편 성별을 살펴보면 사고일 당시 10시 남성이 16,874명, 여성은 16,597명으로 거의 비슷했다는 것을 알 수 있습니다. 하지만 사망자는 여성이 102명, 남성이 56명으로 나타나, 여성이 남성보다 더 많은 목숨을 잃었습니다. 이렇게 차이가 크게 나타나는 것은 압사사고 특성 상 체구가 작고 폐활량이 적은 여성들이 상대적으로 피해가 컸기 때문인 것으로 보입니다. 6. 사고 순간, 사고 지점 인근에 있었던 사람들의 국적은? 생활인구 데이터를 활용하면, 국적도 간략하게나마 알 수 있습니다. 사고일 당시 10시 국적별 생활인구를 살펴보면 한국인이 73.8%를 차지했고, 중국인이 6%, 중국 외의 외국 출신이 20.2%를 차지했습니다. 실제로 사망자 158명 중 26명은 외국인이었고, 이란 출신 5명, 러시아와 중국 출신 각각 4명 등 순으로 많았습니다. 한국인 외에도 꽤나 많은 수의 외국인 (약 9700~1만 명)이 사고 당시, 사고 지점 인근에 있었다는 것을 알 수 있습니다.이는 이태원이라는 공간, 그리고 할로윈 주간이라는 시간의 특성 때문이라 할 수 있겠습니다. 7. 사고 순간, 2030은 주로 서울의 어디에 있었을까? 사고 발생일 오후 10시, 서울 전역의 20대와 30대만의 생활인구를 살펴본 결과입니다. 우선 사고 당일 오후 10시 경 집계구별 생활인구가 가장 많았던 집계구를 확인한 결과, 이태원역 남측에 접하는 D집계구, 그리고 사고지역을 포함하는 B집계구가 각각 1, 2위를 차지했습니다! 또한 이태원과 인접해있는 한남동, 용산2가동에서도 많은 젊은 인구가 탐지되었습니다. 이외에도 3위와 5위는 마포구 서교동에 위치한 홍대거리였고, 4위는 강남역이었으며, 그 외에도 압구정로데오거리, 종각역 일대, 삼성동 코엑스 일대가 높게 탐지되었습니다. 이 분석을 통해, 이태원 일대가 사고 당시 서울의 다양한 번화가들 사이에서도 가장 2030들이 많이 몰린 지역임을 알 수 있습니다. 한편, 모든 연령대 생활인구 중에서 2030이 차지하는 정도를 집계구별로도 확인해볼 수 있습니다. 바로 오즈비(odds ratio)를 통해서입니다.이때 오즈비가 1보다 크면 예상보다 많은 정도의 2030 생활인구가 있다는 뜻이며, 오즈비가 1이라는 것은 예상한 정도만큼의 2030 인구가 있다는 뜻입니다. 그리고 오즈비가 1보다 작으면 예상보다 적은 정도의 2030 인구가 있다고 판단할 수 있습니다. 오즈비를 나타낸 결과는 아래와 같습니다. 사고일 오후 10시, 서울전체의 집계구별 20대-30대 생활인구 오즈비를 지도화한 결과입니다. 푸른 계열은 오즈비가 1보다 작아 예상보다 적은 정도의 20대와 30대가 분포한다는 뜻이고, 붉은 계열은 오즈비가 1보다 커서 예상보다 많은 정도의 20대와 30대가 분포한다는 뜻입니다. 전반적으로 서울의 중심부에서 붉게 나타나고 서울의 외곽지역에서 푸르게 나타나는 경향을 확인할 수 있었습니다. 서울대학교가 위치한 관악구 남동부 지점은 이례적으로 붉게 나타나네요. 군집 탐지를 위해 국지적 공간적 상관관계를 확인할 수 있는 지표인 Local Moran’s I 분석을 진행했습니다.Local Moran’s I는 공간통계 지표로서, 4가지 유형의 결과가 나옵니다.HH는 나도 높으면서 주위도 높은 경우, LL는 나도 낮으면서 주위도 낮은 경우, HL은 나는 높으면서 주위는 낮은 경우, LH는 나는 낮으면서 주위는 높은 경우입니다. 20대와 30대는 용산 지역 이외에도 강남, 건대-성수, 신촌-홍대-여의도, 종로 일대 등에서 군집을 이룬 것을 확인할 수 있었습니다. 다음 글로는 시간대별 분석과 타지역으로부터의 이동 분석이 이어집니다.

공간데이터 분석
더보기 →
생활인구 데이터로 확인해 본 ‘이태원의 그 날’

생활인구 데이터로 확인해 본 ‘이태원의 그 날’

2022년 10월 29일, 그날 밤은 우리에게 차마 잊을 수 없는 날이 됐다. 수많은 군중이 핼러윈을 기념하기 위해 이태원으로 몰려들었고, 오후 10시 15분경 이태원역 1번 출구와 이태원 세계음식거리를 잇는 골목길에서 압사 사고가 발생해 158명이 숨지고 196명이 다쳤다. 사고를 대비하지 못한 당국에 대한 비판이 쏟아졌고, 경찰을 향해 사고 예방의 첫 단계인 참석 인원 추산부터 잘못됐다는 지적이 오갔다. 따라서 이런 사고를 예방하기 위해서는 과거 비슷한 상황에서 얼마나 많은 사람들이 모였는지를 확인해 대비하는 과정이 필요하다. 서울시가 제공하는 서울시 생활인구 데이터는 어떤 사람들이 어디에, 얼마나 많이 모였는지를 파악하기 용이한 자료다. 이 자료는 조사 당시 서울에 주민등록된 인구 뿐만 아니라 업무나 관광을 위해 서울에 있던 사람도 포함함으로써, 해당 시간에 그 공간에 있었던 인원의 실질적인 규모를 보여준다는 장점이 있다. 이 데이터는 해당 구역 통신 이용자의 연령, 성별, 국적을 제공하며, 그 이용자가 타 지역에서 왔다면 어디서 왔는지에 대한 정보도 제공한다. 분석 결과, 사고 당일 오후 10시경 서울에서 집계구 당 인구가 가장 많은 곳은 이태원역과 인접한 두 개의 집계구였다. 국적별로는 한국인이 73.8%, 중국인이 6%, 중국 이외 외국에서 온 외국인이 20.2%를 차지했다. 해당 지역 한국인의 성별 생활인구 수는 여성과 남성이 거의 동일했지만 사망자는 여성 102명, 남성 56명으로 여성이 더 많은 목숨을 잃었음을 알 수 있다. 이 같은 큰 차이는 압사 사고 특성상 체격이 작고 폐활량이 낮은 여성이 상대적으로 피해가 컸기 때문으로 추정된다. 성·연령별 생활인구 수를 살펴보면 20~24세 여성이 가장 많았고, 25~29세 여성, 25~29세 남성, 20~24세 남성 순이었다. 집계구 단위로 살펴보면 이태원역 남쪽 집계구는 2만 9,116㎡ 면적에 최대 약 2만 명이, 사고가 발생한 집계구는 15만 7,037㎡ 면적에 최대 약 1만 7,500명이 모였음을 알 수 있었다. 다음으로 서울 생활인구의 관내·관외 이동 데이터를 분석했다. 먼저 한국인의 관내 이동을 살펴보면 용산구(이태원1동 거주자 제외)에서 온 인원이 4,600여 명으로 가장 많았고 관악구(1,900여 명), 마포구(1,500여 명) 순이었으며, 관외 이동은 충남(약 1,050명), 부천시(800여 명), 충북(780여 명) 순으로 많았다. 외국인 장기 거주자 관내 이동은 용산구(780여 명), 동대문구(450여 명), 마포구(300여 명) 순이었고 관외 이동은 충남(131명), 화성시(131명), 포천시(107명), 평택시(105명) 순으로 많았다. 한편 사고 당일 오후 10시경 이태원 1동과 2동 기지국에 접속한 인원은 알뜰폰 사용자를 포함해 약 13만 명에 달했으며, 특히 사고 발생 지점에는 18.24㎡ 면적에 300명 이상이 모여 있었다. 이는 1㎡당 16.44명이라는 초고밀도의 상황으로, 누군가가 넘어진 자리에 또 누군가가 넘어져 뒤엉켜 있었음을 의미한다. 실제로 사고가 발생했을 때 사람들이 서로 겹겹이 쌓여 있어 이들을 구조하고 심폐소생술을 실시하는 데 큰 어려움이 발생했다. 즉, 사고 당시 1㎡당 5명 이상이라는 군중 밀집 임계점을 훨씬 넘어선 초고밀도의 인원이 사고 지점에 모여 있었다는 것이고, 이것이 압사 사고로 이어진 것이다. 앞으로 행정 당국은 특정 공간에 많은 사람이 집결하거나 단체 행사가 생기는 경우, 사전에 이에 대응할 수 있도록 생활인구를 비롯한 다양한 데이터를 활용해 집결 인원을 예측하고, 사고 대처 방안을 매뉴얼화할 필요가 있겠다. 핼러윈과 같이 주최자가 명확하지 않은 행사나 축제에 해당하는 경우라도, 많은 인원이 모일 것으로 예상된다면 면밀히 대비해야 한다. 또한 밀집도가 크게 증가할 경우 재난문자 서비스로 실시간 안내를 하거나 경찰이 해당 지역에 긴급 출동하도록 하는 등의 조치 또한 필요하다. 대규모의 인원이라 하더라도 인원 통제 및 통행에 대한 안내가 잘 이뤄진다면 큰 인명 사고 없이 마무리될 수 있을 것이다. 출처http://www.snunews.com/news/articleView.html?idxno=31867생활인구 데이터로 확인해 본 ‘이태원의 그 날’ - 대학신문 2022년 10월 29일, 그날 밤은 우리에게 차마 잊을 수 없는 날이 됐다. 수많은 군중이 핼러윈을 기념하기 위해 이태원으로 몰려들었고, 오후 10시 15분경 이태원역 1번 출구와 이태원 세계음식거리를 http://www.snunews.com/news/articleView.html?idxno=31867 다음 글에서는 본 원고 작성 시 분석한 생활인구 시각화 자료 분석 과정을 업로드할 예정입니다!

공간데이터 분석
더보기 →
[활용사례] 젊은여성/1인가구는 어디에서 많이 살까?

[활용사례] 젊은여성/1인가구는 어디에서 많이 살까?

이번 글에서는 "KT-서울시 생활인구데이터"를 활용하여 서울에서 젊은 여성과 1인가구는 어디에서 많이 생활하는지를 살펴보도록 하겠습니다. 1. 생활인구데이터 생활인구데이터는 서울시와 KT가 함께 만든 데이터로, 이동통신 데이터를 활용해 해당 사용자가 언제, 어디에 있었는지를 매우 구체적으로 알려줍니다. 이는 주민등록인구 데이터와 달리 자택이 아닌 직장, 여가지 등 실질적으로 사용자가 존재했던 지역을 가감없이 보여준다는 장점이 있습니다. 2. 서울에서 젊은 여성은 어디에서 많이 살까? 심야시간의 젊은 여성 (15세-34세) 생활인구 데이터를 시각화한 결과는 이와 같았습니다. 1위는 서대문구에 위치한 집계구였는데요, 무려 집계구 내에 젊은 여성이 605명이나 거주하고 있었어요.이곳은 어디일까요? 바로 이화여대였습니다!이 집계구가 이화여대 기숙사인 I-house를 포함해서 큰 수치가 나온 거 같네요. 2위는 관악구 낙성대동에 위치한 집계구로, 375명이었습니다.바로 서울대학교 기숙사가 위치한 집계구였어요.3위는 광진구에 위치한 집계구로, 젊은 여성 인구가 372명이었습니다.바로 건국대학교가 위치한 집계구였어요.대학교 자체가 하나의 집계구가 되는 게 신기했습니다. (거기에 초등학교를 곁들인)이 집계구도 기숙사를 포함하고 있었어요. 4위는 노원구에 위치한 집계구로, 338명의 젊은 여성 인구가 있었어요.이곳은 서울 과학기술대학교의 기숙사가 위치한 곳이었어요. 5위는 종로구에 위치한 집계구로, 308명의 젊은 여성인구가 있었습니다.서울국제고등학교가 위치한 곳이었어요. 6위는 송파구에 위치한 집계구로, 299명의 젊은 여성인구가 있었습니다. 문정동 오피스텔이 위치한 곳이었습니다. 7위는 서대문구에 위치한 집계구로, 268명의 젊은 여성인구가 있었습니다. 연세대 기숙사가 있습니다. 8위는 노원구에 위치한 집계구로, 254명의 젊은 여성인구가 있었습니다. 서울여대가 위치해 있는 곳이었어요. 공동 9위는 강서구 마곡동에 위치한 집계구로, 211명의 젊은 여성인구가 있었습니다. 공동 9위는 동작구에 위치한 집계구로, 211명의 젊은 여성인구가 있었습니다. 남도학숙이 위치해 있기 때문인 것으로 보이네요. 3. 서울에서 1인가구는 어디에서 많이 생활할까? 다음으로는 집계구별 1인가구 분포를 시각화해보았습니다.그런 후 집계구별로 1인가구가 1000명 이상이 되는 곳은 어디인지 살펴보았습니다. 집계구별 1인가구가 가장 많은 곳은 송파푸르지오 오피스텔과 송파한화오벨리스크 오피스텔이 있는 집계구로, 1인가구가 무려 1,720명이었어요. 두 번째로 많은 곳은 강서구 마곡의 대방디엠시티 오피스텔로, 1704명이었습니다. 3위는 또 마곡인데, 힐스테이트 에코마곡나루역 오피스텔, 마곡나루역 캐슬파크 오피스텔, 마곡나루역 보타닉 푸르지오시티 오피스텔이 위치한 집계구였습니다.1672개의 1인 가구가 있었습니다. 4위는 또 마곡입니다. 힐스테이트 에코 마곡역, 마곡역 센트럴푸르지오, GMG타워, 힐스테이트 에코동익 오피스텔이 위치한 집계구로 1인가구가 1296개였습니다. 5위는 벽산상암스마트큐브오피스텔, 상암미르웰한올림오피스텔, 동우자인채스토리상암오피스텔, 상암카리스다올림오피스텔, 마포상암시티프라디움리버오피스텔 등이 위치한 집계구로, 1인가구가 1228개였습니다. 6위는 경동미르웰, 유일스카이오피스텔, 경동미르웰 플러스, 대명트웨니퍼스트, 오드카운티 2차, 오드카운티 1차, 아르디에 등이 있는 마곡동이었으며 1인가구는 1,201명이었습니다. 7위는 마곡럭스나인오피스텔이 있는 마곡동이었고 1,187명이었어요. 8위은 문정역 근처로 1,122명이었어요. 문정아이파크오피스텔, 힐스테이트에코문정오피스텔, 문정오벨리스크오피스텔이 위치해 있어요. 나가며이와 같이 생활인구 데이터를 활용하면 실제로 해당 지역, 특정 시간대에 어느 연령대의 사람들이 얼마나 많이 생활하는지를 확인할 수 있습니다.거주지를 기준으로 하는 주민등록인구와는 달리, 생활인구는 시간대별로 각기 달리 생활하는 패턴도 파악할 수 있지요. 공간데이터의 매력, 엄청나지 않나요? 공간데이터 활용한 예시는 다음 편에서 이어집니다.

공간데이터 분석
더보기 →
4. 공간데이터 분석의 재료: ② 통계 데이터

4. 공간데이터 분석의 재료: ② 통계 데이터

안녕하세요, 공간빅데이터분석 전문가 김지윤입니다. 앞선 글에서는 공간 경계에 대해 알아보았는데요,오늘은 공간데이터 분석 시 반드시 필요한 통계 데이터에 대해서 알아봅니다. 통계 데이터는 일반적으로 특정 공간 경계에 맞게 제공됩니다.시군구나 집계구 등 행정경계에 따라 제공되는 경우도 있고, 그리드 경계에 따라 제공되는 경우도 있습니다. 1) 통계 데이터 예시 행정구역 경계 (집계구)로 제공되는 통계 데이터 예시 이 데이터는 각각 서울열린데이터광장, 국토정보맵에서 구한 데이터입니다. 사용한 통계 데이터 측면에서 보면왼쪽은 생활인구 데이터이고, 오른쪽은 주민등록인구 데이터입니다. 사용한 데이터 단위 측면에서 보면 왼쪽은 집계구 단위 데이터이고, 오른쪽은 격자 단위 데이터입니다. (1) 주민등록 인구 데이터우리가 접할 수 있는 대표적인 행정안전부 제공 데이터로서, 주민등록 시 작성한 주소를 바탕으로 인구를 보여줍니다.따라서 유동인구를 보여주지는 못합니다. KOSIS 통계포털에서 제공하는 데이터가 가장 대표적입니다.이러한 단순 통계자료는 지도화하기 위해서 Shp 파일과 Join해주는 과정이 필요하다는 단점이 있습니다.그렇지만 매우 다양한 종류의 통계자료를 이용할 수 있다는 장점이 있습니다. 다음으로는 SGIS 홈페이지에서 구득 가능한 인구 자료입니다.아래의 경우 특정 행정구역 내의 인구/가구/주택/사업체 수가 들어있는 shp 파일을 제공합니다.따라서 사용자는 별도의 작업 없이 바로 지도화할 수 있습니다. (2) 생활인구 데이터 생활인구 데이터는 서울시와 KT가 제공하는 빅데이터로서,주민등록인구와는 달리 유동인구의 분포를 파악할 수 있다는 장점이 있습니다. 홈페이지에 나와있는 "생활인구 데이터"의 정의를 볼까요? 조사시점 현재 서울에 머무르고 있는 ‘현재 인구(De Facto Population)’로 서울에 주소지를 둔 사람은 물론이고, 업무, 관광, 의료, 교육 등 일시적으로 서울을찾아 행정수요를 유발하는 인구를 총칭(UN 작성권고 서비스인구개념) **UN 권고안 : 상주인구(Residence Population)가 도시서비스의 수요 및 공급을 잘 설명하지 못할 때 서비스인구(Service Population) 작성할 수 있음 즉, 통신 데이터를 활용하여 해당 휴대폰의 사용자가 어디에 있는지 그 위치정보를 함께 저장하여 배포하는 유동인구 자료라고 할 수 있겠습니다. 자세한 생활인구 데이터 정보는 아래 글 참조! https://kimhongsi.tistory.com/entry/%EA%B3%B5%EA%B0%84%EC%9E%90%EB%A3%8C-%EC%84%9C%EC%9A%B8-KT-%EC%83%9D%ED%99%9C%EC%9D%B8%EA%B5%AC-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EC%A0%95%EB%A6%AC-%EC%84%9C%EC%9A%B8-%EC%83%9D%ED%99%9C%EC%9D%B8%EA%B5%AC%EC%B6%94%EA%B3%84-%EB%A7%A4%EB%89%B4%EC%96%BC[공간자료] 서울 KT 생활인구 데이터 정리 : 서울 생활인구추계 매뉴얼 1. 생활인구 데이터 개요 1. 생활인구 데이터의 필요성 O 서울의 주간 생활인구에 대한 통계 부재로 신규 개발(추계) 필요 O 서울 생활인구 추계를 위해 이미 보유한 인구, 교통, 카드정보 이외에 https://kimhongsi.tistory.com/entry/%EA%B3%B5%EA%B0%84%EC%9E%90%EB%A3%8C-%EC%84%9C%EC%9A%B8-KT-%EC%83%9D%ED%99%9C%EC%9D%B8%EA%B5%AC-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EC%A0%95%EB%A6%AC-%EC%84%9C%EC%9A%B8-%EC%83%9D%ED%99%9C%EC%9D%B8%EA%B5%AC%EC%B6%94%EA%B3%84-%EB%A7%A4%EB%89%B4%EC%96%BC 본 데이터의 장점은 바로,시간대별/국적별(한국인 or 중국인 or 그외)/5세 연령별/행정동or집계구별유동인구를 무료로 제공한다는 점입니다.3명 이하의 경우 *로 처리합니다. 아쉽지만 현재는 서울만 무료로 데이터를 제공하고 있습니다. 서울 열린데이터광장 페이지에서 무료로 다운 가능합니다.https://data.seoul.go.kr/ 이와 유사하게 생활이동 데이터도 제공하는데요,이는 특정 지역에서 다른 지역으로 이동한 사람들의 수를 보여줍니다. 특이한 점은 이동 유형도 제공한다는 점이에요.평소 해당 사용자의 이동 패턴을 감지하여, H(야간상주지), W(주간상주지), E(기타 지역)를 표기하고 있습니다.예를들어, 이동 코드가 HW라면, 야간상주지에서 주간상주지로 이동했다는 뜻이죠. (3) 공시지가 데이터 공시지가는 쉽게 말해 그 토지 얼마만큼의 가치가 있는지를 보여주는 통계자료입니다.해당 지역이 얼마나 높은 토지가격을 가지고 있는지가 중요한 변수일 때 활용합니다. 국토정보맵에서 구득 가능합니다. 이러한 데이터를 사용하면 다양한 곳에 활용이 가능할 것입니다.인터넷에서 매우 다양한 통계자료를 무료로 받을 수 있습니다. 2) 통계데이터 내려받을 수 있는 사이트통계 데이터는 다양한 사이트에서 구득할 수 있습니다. 아래는 통계 데이터를 구할 수 있는 사이트 목록입니다. (1) KOSIS 국가통계포털 https://kosis.kr/index/index.doKOSIS 국가통계포털 https://kosis.kr/index/index.do •무료, 다운 가능, 방문 구득해야 하는 곳보다 이용 가능한 데이터 범위가 좁음 (2) 서울열린데이터광장 https://data.seoul.go.kr/ •무료, 다운 가능, 방문 구득해야 하는 곳보다 이용 가능한 데이터 범위가 좁음 (3) 서울빅데이터캠퍼스https://bigdata.seoul.go.kr/main.do서울특별시 빅데이터 캠퍼스 https://bigdata.seoul.go.kr/main.do •인터넷으로 구득할 수 없는 비교적 상세한 데이터를 본원 (상암동) 방문해 가공 •사이트로 이용 신청 •인터넷 되지 않고 외부 파일 및 프로그램 이용이 제한적인 공간에서 업무 시간 내에 가공을 완료해야 함, ArcGIS 등 상용프로그램 사용 어려움 •매년 서울시 빅데이터캠퍼스 공모전 시행 (4) SGIS 통계지리정보서비스https://sgis.kostat.go.kr/view/index통계지리정보서비스 https://sgis.kostat.go.kr/view/index •통계청 담당 •무료, 신청 후 승인 시 자료 다운 가능 •행정구역 경계, 격자, 경계/격자 별 통계 등 데이터 제공 •매년 SGIS 활용 우수사례 공모전 시행 (5) 마이크로데이터 통합서비스 https://mdis.kostat.go.kr/mdis.kostat.go.kr https://mdis.kostat.go.kr/ •통계청 담당 •크게 공공용(인가절차 없고 무료)과 인가용(사전 인가 절차, 별도의 보안환경에서, 유료)의 2가지 서비스로 마이크로데이터를 제공 •센터방문해야 하는 데이터의 경우 이용이 유료, 서울대 구성원이라면 이용이 50,000원에서 5,000원으로 할인, 올해는 무료 *마이크로데이터 : 통계조사 raw data에서 개인정보, 입력오류, 논리오류 등을 수정한 조사개별 단위(개인, 가구, 사업체별 등) 자료 (6) 공공데이터포털https://www.data.go.kr/index.do공공데이터 포털 국가에서 보유하고 있는 다양한 데이터를『공공데이터의 제공 및 이용 활성화에 관한 법률(제11956호)』에 따라 개방하여 국민들이 보다 쉽고 용이하게 공유•활용할 수 있도록 공공데이터(Datase https://www.data.go.kr/index.do •행정안전부 담당•공간데이터 뿐만 아니라 각종 지자체 관련 다양한 데이터 보유•무료, 인터넷 구득 가능 (7) 국가공간정보포털http://www.nsdi.go.kr/www.nsdi.go.kr http://www.nsdi.go.kr/ •국토교통부 담당 •지자체가 보유한 각종 공간데이터 위주 •무료, 인터넷 구득 가능 (8) 토지이음http://www.eum.go.kr/web/am/amMain.jsp토지이음 이음지도, 용어사전, 질의회신사례, 규제법령집, 주민의견청취 공람, 도시계획통계 제공 http://www.eum.go.kr •무료, 인터넷 구득 가능•토지의 공시지가 조회 가능

GIS/공간데이터
더보기 →
3. 공간데이터 분석의 재료: ① 공간경계 데이터(하)

3. 공간데이터 분석의 재료: ① 공간경계 데이터(하)

안녕하세요, 공간빅데이터분석 전문가 김지윤입니다.이번 글에서는 공간경계 데이터 중 집계구 경계와 그리드 경계에 대해 이야기해보겠습니다. https://brunch.co.kr/@geography17/72. 공간데이터 분석의 재료: ① 공간경계 데이터(상) 지역 분석을 위해서는 공간경계 데이터(행정구역, 격자구역)가 필요합니다 | 공간분석가 김홍시입니다. 오늘은 지역을 분석하기 위해 반드시 필요한 공간경계 데이터에 대해 이야기해보겠습니 https://brunch.co.kr/@geography17/7 이전 글은 이곳을 참고해주세요! 4) 집계구 경계이전의 시도 경계, 시군구 경계, 읍면동 경계는 익숙하신 분들이 많을텐데,집계구 경계는 생소한 분들이 계실 거 같아요! (1) 집계구란?집계구의 정의를 먼저 살펴봅시다."집계구(Output Area; OA)"란 기초단위구를 결합시켜 만든 구역으로 기초단위구에 통계적 특성인 동질성, 동량성을 부가하여 확정한 근린지역 통계서비스 구역을 말한다. [통계청훈령 제345호, 2014. 3. 26., 일부개정] 집계구는 읍면동보다도 더 작은 단위인데요, 인구규모(최적 500명), 사회경제적 동질성(주택유형, 지가), 형상을 고려하여 구축한 최소 통계 집계구역이라 할 수 있습니다. 이 경계는 통계청에서 제공합니다. 통계청에서 개인정보보호 및 통계적 유의성 확보를 위하여 적정 규모의 경계를 별도로 만들어서 이 경계에 맞게 자료를 제공합니다. 즉 통계청의 전수조사 자료를 읍면동보다 더 작은 소지역단위(집계구)로 집계하여 서비스하는 거라 생각하면 됩니다. 먼저 인구의 측면에서는 최소인구 300명, 최적인구 500명, 최대인구 1,000명을 설정하고,건물의 측면에서는 단독, 아파트, 비거주용으로 분류하고 기초단위구별로 주택유형을 분석해, 이를 기반으로 집계구가 유사한 주택유형을 가지도록 합니다.지가의 측면에서는 필지별 지가를 기반으로 기초단위구의 평균지가를 산정하고, 이를 기반으로 집계구가 유사한 평균지가를 가지도록 합니다.형상의 측면에서는 단순한 형태를 유지하는 것이 좋으며, 정방형이 가장 이상적인 형태입니다. (2) 집계구의 특징 집계구는 도시지역처럼 좁은 지역에 인구가 많으면 크기가 작은 반면, 비도시지역에서는 크기가 크다는 특징이 있습니다. 그렇다면 우리나라에서 가장 집계구의 크기가 큰 곳과 작은 곳은 어디일까요? 먼저 제가 찾아본 작은 곳들은 모두 도서(島嶼)지역이었습니다. 반면 가장 큰 집계구는 화순군 사평면이었습니다. 산지가 많은 농촌지역임을 알 수 있습니다. 그렇다면 서울에서 집계구가 가장 작은 지역과 큰 지역은 어디일까요?가장 작은 곳은 서초3동의 서초한신플러스타운 아파트에 위치한 미니스톱 건물입니다. 평범한 상가 건물 같은데 왜 하나의 개별적인 집계구인지는 모르겠습니다. 그 다음으로 작은 집계구는 은평신사두산위브와 한신휴플러스, 신사 현대2차 안에 있는 은광교회였습니다.여기 또한 왜 교회 하나가 집계구로 처리되었는지 모르겠네요. 반면, 가장 큰 집계구는 쉬이 예측 가능하게도 김포공항이었습니다. 그 다음으로 큰 집계구는 서울대학교 관악캠퍼스와 그 주위 산지였습니다. (3) 집계구 단위 데이터의 장점집계구 단위 데이터의 장점은 바로 읍면동 단위보다 훨씬 상세한 수준의 데이터라는 점입니다. 이 지도는 집계구 단위로 나타낸 지도인데요, 확실히 네모로 큼직큼직한 동단위 경계보다 훨씬 상세한 모습을 보여주고 있죠! (4) 집계구 경계 파일 다운로드집계구 경계는 SGIS 홈페이지에서 내려받으실 수 있어요.https://sgis.kostat.go.kr/view/pss/requestData센서스 공간통계 자료신청:통계지리 정보서비스 https://sgis.kostat.go.kr/view/pss/requestData 3. 그리드 경계 다음으로는 그리드 경계를 살펴보겠습니다.행정구역 경계는 그 크기와 모양이 각기 다르기 때문에, 내가 알고 싶은 주제가 일정한 규모 당 어떤 모습인지 알기 어렵다는 단점이 있습니다. 이런 경우 100m / 200m 등 특정 해상도를 가진 grid (격자) 경계를 이용한다면,그 불규칙함이 사라지기 때문에 보다 일정한 비교가 가능하다고 할 수 있겠습니다. 경계 데이터는 국토정보맵에서 http://map.ngii.go.kr/ms/map/NlipMap.do국토정보플랫폼 국토정보맵 http://map.ngii.go.kr/ms/map/NlipMap.do 100/200/500m, 혹은 1/10/100km 단위의 해상도로 구득할 수 있어요.

GIS/공간데이터
더보기 →
2. 공간데이터 분석의 재료: ① 공간경계 데이터(상)

2. 공간데이터 분석의 재료: ① 공간경계 데이터(상)

안녕하세요, 공간빅데이터분석 전문가 김지윤입니다. 오늘은 지역을 분석하기 위해 반드시 필요한 공간경계 데이터에 대해 이야기해 보겠습니다. 이전 글에서 공간을 다룰 때 벡터 데이터를 사용하면 점/선/면으로 공간을 취급할 수 있다고 말씀드렸는데요.오늘 다루는 공간경계 데이터는 면 데이터 (areal data)라고 볼 수 있습니다. 넓은 땅덩어리를 사람들이 관리하기 좋도록 임의적으로 나눈 것이기 때문에, 공간단위 수정가능성 문제(MAUP)가 발생하는데요.이것은 공간 분석에서 주의해야 할 점입니다. 이와 같은 공간분석 시 고려해야 할 유의점에 대해서는 이후 추가로 다루어보기로 해요. 1. 공간경계 데이터란? 공간분석의 기준이 되는 경계를 말하며,일반적으로 행정구역 경계와 그리드 경계를 사용합니다. 2. 행정구역 경계 국가별로 행정구역의 체계가 다른데, 한국은 시도/시군구/읍면동/(+집계구) 체계를 가지고 있습니다. 1) 광역시·도 : 여기에는 특별시, 광역시, 특별자치시, 도, 특별자치도가 포함됩니다.ex. 서울특별시, 대구광역시, 세종특별자치시, 경기도, 제주특별자치도(최근 강원특별자치도 출범) 2) 시·군·구 : 여기에는 시 (특례시 포함), 군, 자치구가 포함됩니다.ex. 경기 고양시, 경기 양평군, 서울 용산구이때의 구는 자치구인데요, 한국 행정구역의 구에는 '자치구'와 '일반구(자치구가 아닌 구)'가 있습니다.자치구가 아닌 구는 일반 시 하위에 있는 구들이 해당합니다. (ex. 성남시 분당구) 3) 읍·면·동 : 여기에는 읍, 면, 행정동이 포함됩니다.한국의 '동'에는 법정동과 행정동이 있습니다. 각기 역할이 다르고 유형도 달라 굉장히 복잡합니다. (1) 법정동법정동은 역사적으로 오래된 지명이 한자로 등록된 경우가 많은데요, 주로 부동산(건물) 데이터나 도로명주소 마지막에 동을 병기할 때 사용됩니다. 행정동은 행정의 편의를 위해 자주 바뀌는 데에 반해, 법정동은 자유롭게 변경할 수 없다는 특징이 있습니다. 따라서 그 동네의 역사를 알 수 있기도 해요. (2) 행정동행정동은 지역의 실정에 맞게 적절한 행정서비스를 제공하기 위해 만들어진 경계입니다. 만약 법정동 경계대로 행정서비스를 제공하게 되면 문제가 발생합니다. 법정동은 어떤 동은 인구나 면적이 너무 작고, 어떠한 동은 너무 크기 때문이죠. 그리고 신도시 건설로 인구가 증가하거나, 생활권이 변경되는 경우도 발생하면 효과적인 행정서비스 제공이 불가능합니다. 행정동에는 행정복지센터(舊 동사무소, 주민센터)라고 불리는 기관이 있어서 해당 지역의 여러 행정업무를 처리합니다. (3) 법정동 vs. 행정동법정동과 행정동은 지역마다 둘 중 어떤 유형이 더 큰지가 다릅니다.가령 종로구의 경우 오피스지역이기 때문에 상주인구가 주간인구보다 적기 때문에 도심공동화 현상이 발생합니다. 따라서 종로1.2.3.4가동이라는 1개의 행정동이 무려 27개의 법정동을 관할하게 되었습니다. 반대의 경우도 살펴볼까요?관악구의 신림동이라는 법정동은 굉장히 면적이 큰데요, 신림동이라는 1개의 법정동 안에 11개의 행정동이 있습니다. 신림동이라는 법정동에 과거에는 사람이 집중적으로 살지 않았습니다. 따라서 종로1.2.3.4동 안의 법정동과 비교하면 매우 크게 법정동이 지정되었는데요.한국이 급격히 경제 성장을 하면서 저렴한 지가에 사람들이 대거 몰려들게 되었고, 또 근 30년 동안은 공무원 고시촌의 대표적인 장소가 되었죠. 따라서 과거에 비해 매우 많은 사람들이 살게 되었습니다.사람이 많아지면 당연히 행정서비스도 많이 필요해지기 때문에, 행정동의 개수도 많아진 것이죠. 즉 요약하자면 아래와 같습니다.종로구 종로1.2.3.4가동) 1개의 행정동 = 27개의 법정동관악구 신림동) 1개의 법정동 = 11개의 행정동 헷갈리신다면, ㅇㅇ1가, ㅇㅇ2가처럼 "가"가 붙은 동은 법정동,ㅇㅇ1동, ㅇㅇ2동(정식 명칭은 제1동, 제2동)처럼 "동"이 붙은 동은 행정동으로 구분할 수도 있어요. 종로1가~종로5가 같은 '가'는 역사적/지리적 네이밍이므로 변화가 없지만,가양1동, 문정1동의 경우 단순히 행정적 편의를 위해 나눈 것이기 때문이에요. 또한 '지번주소'에 나오는 동은 법정동이랍니다! (4) 법정동, 행정동 체계에서 주의할 점 혹자는 이렇게 얘기할 수 있겠습니다."아, 그러면 행정동이든 법정동이든둘 중 크기가 큰 무언가가 다른 무언가를 포함한다고 생각하면 되겠네요?" 아닙니다. 행정동과 법정동 경계가 같은 경우,하나가 다른 무언가를 완전히 포함하는 경우도 있지만아래와 같이 굉장히 머리 아픈 경우도 있습니다. 실제 행정동, 법정동을 살펴보며 설명드릴게요.https://kimhongsi.tistory.com/entry/%ED%96%89%EC%A0%95%EA%B5%AC%EC%97%AD-%EB%B2%95%EC%A0%95%EB%8F%99-%ED%96%89%EC%A0%95%EB%8F%99-%EC%89%BD%EA%B2%8C-%EB%B3%B4%EB%8A%94-%EB%B0%A9%EB%B2%95-%EC%B9%B4%EC%B9%B4%EC%98%A4%EB%A7%B5-%EB%B2%95%EC%A0%95%EA%B2%BD%EA%B3%84%ED%96%89%EC%A0%95%EA%B2%BD%EA%B3%84[행정구역] 법정동, 행정동 쉽게 보는 방법 :: 카카오맵 법정경계/행정경계 한국의 법정동과 행정동은 서로 다르다. 두 경계가 어떻게 다른지는 아래 글 참고 https://brunch.co.kr/@geography17/7 2. 공간데이터 분석의 재료: ① 공간경계 데이터(상)지역 분석을 위해서는 공간경 https://kimhongsi.tistory.com/entry/%ED%96%89%EC%A0%95%EA%B5%AC%EC%97%AD-%EB%B2%95%EC%A0%95%EB%8F%99-%ED%96%89%EC%A0%95%EB%8F%99-%EC%89%BD%EA%B2%8C-%EB%B3%B4%EB%8A%94-%EB%B0%A9%EB%B2%95-%EC%B9%B4%EC%B9%B4%EC%98%A4%EB%A7%B5-%EB%B2%95%EC%A0%95%EA%B2%BD%EA%B3%84%ED%96%89%EC%A0%95%EA%B2%BD%EA%B3%84 행정동/법정동을 쉽게 확인하는 방법은 위 참고! 대표적인 사례로 아현동을 살펴보겠습니다.지도에서 푸른색 경계로 나타나는 곳은 행정동 아현동, 붉은색 경계로 나타나는 곳은 법정동 아현동입니다. 각 번호별로 행정동과 법정동을 살펴봅시다. 1번 지역) 행정동 : 공덕동, 법정동 : 아현동2번 지역) 행정동 : 아현동, 법정동 : 공덕동3번 지역) 행정동 : 아현동, 법정동 : 아현동 보기만 해도 골치가 아프죠.. 그러니 행정동 데이터를 이용한다면 최대한 행정동 데이터끼리 사용하고,법정동 데이터를 이용한다면 최대한 법정동 데이터끼리 이용해야 합니다. 만약 부동산 데이터와 인구 데이터를 쓰고 싶다고 해볼까요?부동산 자료는 법정동 데이터를 써야 하는데, 통계청에서 제공하는 인구 데이터는 행정동 데이터입니다.이러면 위에서 살펴본 문제가 발생하게 됩니다. 따라서 인구 데이터를 법정동 기준 데이터로 사용하는 방법으로 최대한 법정동-행정동 차이에서 발생하는 이슈를 줄여야 합니다. 법정동 인구 데이터는 data.go.kr 에서 별도로 제공하니 참고하세요! https://www.data.go.kr/data/15099158/fileData.do행정안전부_지역별(법정동) 성별 연령별 주민등록 인구수_20230531 법정동(읍면동리) 성별 연령별 주민등록 인구에 대한 데이터입니다.<br/>법정동은 시 또는 구의 하위 행정구역으로 법률로 지정한 구역을 말합니다. https://www.data.go.kr/data/15099158/fileData.do 또한 지금까지 살펴본 시도, 시군구, 읍면동 행정구역 경계 데이터는 SGIS 사이트에서 내려받을 수 있습니다.https://sgis.kostat.go.kr/view/index통계지리정보서비스 https://sgis.kostat.go.kr/view/index 다음 2. 공간데이터 분석의 재료: ① 공간경계 데이터(하) 편에서는 집계구와 격자 데이터를 알아보겠습니다. 데이터(상) 2. 공간데이터 분석의 재료: ① 공간경계 데이터(상

GIS/공간데이터
더보기 →
1. 공간데이터가 뭐예요?

1. 공간데이터가 뭐예요?

#공간데이터#GIS (지리정보과학)#빅데이터 분석0. 들어가며 안녕하세요, 공간빅데이터분석 전문가 김지윤입니다. 우리는 바야흐로 '빅데이터' 시대에 살고 있습니다.기업이나 기관 뿐만이 아니라 개개인 또한 엄청난 양의 데이터를 직접 생산해내고 있는 요즘입니다. 그런데 이 데이터 중 상당수(60% 이상)가 위치정보를 포함하고 있는 공간데이터라고 합니다. (Hahmann and Burghardt 2013, https://www.researchgate.net/publication/262245536_How_much_information_is_geospatially_referenced_Networks_and_cognition) 공간데이터(spatial data)는 현실의 지리를 디지털로 재현한 결과물입니다. geographically referenced information(지리참조정보)은 어떠한 데이터가 실제 어딘가의 위치를 담고 있음을 말해요. 그런데 공간데이터는 일반 데이터와는 달리 가공 및 분석을 하는 방법이 조금 다른데요,따라서 공간데이터를 제대로 가공 및 활용하지 않는다면, 우리가 이용 가능한 정보 중 많은 부분을 잃어버리는 거라 할 수 있습니다. 저에게 있어서 공간데이터는 하나의 인문학입니다. 물론 공간데이터 분석에는 다양한 기술적인 지식이 필요합니다. 하지만 저는 공간데이터를 통해 사람의 의도 및 행동을 파악할 수 있으므로, 사람에 대한 깊은 이해를 할 수 있는 인문학이라 생각합니다. 공간데이터 분석을 통해서 우리는 아주 다양한 것들을 할 수 있습니다. 공간데이터로부터 유의미한 인사이트를 도출하면 기업의 영업에 쓰일 수도 있고, 지자체의 행정 정책 등에 활용할 수도 있습니다. 또 우리들이 즐겨하는 게임에도 공간데이터가 쓰이고, 다양한 위치기반 서비스를 제작할 수도 있습니다. 세상을 입체적으로 보는 방법은 바로 공간데이터가 들려주는 이야기에 귀 기울이는 것입니다. 저는 앞으로 업로드할 "공간데이터 시리즈" 글을 통해, 비전공자 및 일반인들에게도 이 공간데이터의 매력을 전달할 수 있도록 하고자 합니다. 1. 공간데이터란? 1) 공간(space, 空間)'공간데이터'가 무엇인지 알기 위해서는 '공간'이 무엇인지부터 먼저 살펴보는 게 필요하겠습니다.위키피디아에서는 '공간'에 대해 철학적/수학적/물리적/공간측량/지리학적 정의를 설명하고 있습니다.https://en.wikipedia.org/wiki/SpaceSpace - Wikipedia https://en.wikipedia.org/wiki/Space 요약해보자면 공간이란, "어떤 물질 또는 물체가 존재할 수 있거나 어떤 일이 일어날 수 있는 장소"입니다. 2) 공간데이터 (spatial data) 어떤 데이터가 공간에 대한 정보를 담고 있으면 이는 곧 공간데이터가 됩니다.'공간데이터'란, 특정 지리적 위치 또는 영역과 관련된 데이터를 나타냅니다. 공간 속에서 물체나 현상의 위치/ 모양/속성에 대한 정보를 포함합니다. 특히 지리 정보 시스템(GIS) 등을 활용하면 공간 데이터를 표현하고 분석할 수 있습니다. 인간은 공간 밖에서 살아갈 수 없기 때문에, 인간과 공간은 뗄레야 뗄 수 없는 불가분의 관계라 할 수 있습니다. 따라서 공간데이터의 활용 분야 또한 무궁무진하다고 할 수 있겠습니다. 공간데이터의 범위는 어떻게 될까요?공간이라 하면 굉장히 범위가 넓습니다. 지상이든 지하든, 실외든 실내든, 지구 상이든 우주 공간이든 다양한 형태의 공간이 존재합니다.공간에 다양한 유형이 있기 때문에 당연히 공간데이터에도 다양한 형태가 있습니다. 2. 공간데이터의 활용 분야 공간데이터의 활용 분야를 알아보겠습니다. 1) 지도 아마 많은 분들이 공간데이터 하면 지리학과 지도를 떠올리실 거 같습니다. 실제로 GIS(지리정보과학)으로 공간데이터를 활용하여 다양한 목적의 지도를 제작할 수 있습니다. 특히 과거에는 종이지도를 썼지만 그 이후 디지털 지도가 등장하면서 많은 변화가 나타났습니다. 범위와 축척을 자유롭게 바꿀 수 있게 되었고요, 또 다양한 공간데이터를 추가하여 중첩시킬 수 있게 되었습니다.앞으로는 3D지도의 등장으로 한번 더 큰 변화가 있을 것으로 보입니다. 좌 : 종이지도 예시 (구글 검색 갈무리) / 우 : 디지털 지도 예시 (네이버지도 화면 갈무리) 3D 지도 예시 https://mediahub.seoul.go.kr/archives/1287252 2) 지도 기반(Map-Based) Game in GIS 출처 : https://www.eurogamer.net/acclaimed-city-builder-cities-skylines-getting-the-virtual-reality-treatment-in-cities-vr / https://ag.hyperxgaming.com/article/10654/all-maps-levels-and-minigames-in-fall-guys-ultimate-knockout / https://img.khan.co.kr/news/2014/11/18/l_2014111801002608200198091.jpg / https://play-lh.googleusercontent.com/j-VBPRuRdeJTXLreH8U-P8CTNLqqz4JSzVhs-KTe2b_BiwrknuNG7MxK0BzkC1VfeGQ=w526-h296-rw 리그오브레전드, 배틀그라운드, 시티즈스카이라인, 폴 가이즈 네 가지 게임의 공통점은 바로 맵 기반의 게임이라는 것입니다. 게임의 지도를 제작할 때도 공간데이터가 쓰인다고 할 수 있겠네요. 좌 : https://www.sisaon.co.kr/news/articleView.html?idxno=52472 / 우 : 포켓몬고 웨이페러 검색 결과포켓몬고 또한 공간정보를 활용합니다.특히 포켓몬고의 경우 게임 내의 '포켓스탑'이 개인 이용자가 신청을 한 후 심사를 받는 방식으로 이루어지기 때문에 사용자 참여형 공간데이터라고도 할 수 있겠네요! 3) 4차 산업혁명의 필수품 (자율주행, UAM 드론, 디지털 트윈, 스마트시티) 공간데이터는 4차산업혁명 관련 다양한 산업에 쓰이는 인프라가 되어줍니다. 자율주행, UAM(드론), 디지털 트윈, 스마트시티 등의 산업에는 공간데이터가 반드시 필요합니다. - 자율주행과 고정밀도로지도 (HD MAP, High Definition Map)자율주행을 위해서는 고정밀도로지도가 필요합니다. 사람을 위한 지도인 내비게이션과는 달리, 고정밀도로지도는 자율주행차가 활용하는 지도입니다. 차선, 신호등, 표지판 등의 도로환경 및 상태 대한 정보를 담고 있습니다. - 디지털 트윈실제 도시의 모든 측면을 디지털 환경으로 모델링하는 개념입니다. 디지털 트윈은 현실 도시와 거의 동일한 구성 요소를 갖추고 있으며, 실제 도시에서 발생하는 데이터를 수집하고 분석하여 디지털 플랫폼에 반영합니다. 3D 모델링이 가능합니다. - 스마트시티현대 도시에서 정보통신 기술과 인프라를 활용하여 효율적이고 지능적인 도시를 구축하는 개념을 말합니다. 이러한 도시는 다양한 기술과 데이터를 활용하여 시민들의 삶의 질을 향상시키고 도시 운영을 효율화하는데 주력합니다.실내공간정보는 건물, 복합시설물의 실내공간을 3차원으로 현실과 똑같이 구축하여 현장에 방문하지 않더라도 실내 대한 정보 검색이 가능합니다. 실외공간정보와 실내공간정보가 모여 스마트시티의 구현이 가능합니다. - 드론(UAM) 드론을 통해 일반인들도 공간정보 구축이 가능하게 되었습니다. 라이다(LiDAR)와 함께 활용합니다. - 이외에도 해저지형, 산림 등 다양한 공간에 대해 정보를 구축하기도 합니다. 4) 보건 부문 보건 부문에는 크게 역학(疫學)과 보건 시설 입지 선정 등에 이용될 수 있습니다. - 역학(전염병 관리)전염병은 공간적인 특성을 가지고 있기 때문에 공간정보 시스템을 활용하여 전염병의 유행 경향을 분석하고, 감염병의 발생 및 확산 패턴을 예측할 수 있습니다. 이를 통해 보건 당국이 예방 및 대응 전략을 수립하고, 효과적인 재난 대비를 하는 데 도움이 됩니다. 존 스노우의 콜레라 오염 지도(런던) - 보건 시설 입지 선정공간데이터를 활용하여 의료 시설의 위치를 결정할 수 있습니다. 인구 분포, 거주 지역의 특성, 건강 서비스 접근성 등을 고려해서 보건 혹은 의료 시설의 최적 위치를 결정하면 시민들의 건강 서비스 이용이 향상되고 응급 상황에 대한 대응이 높아집니다. 5) 행정 부문 - 국토 계획 및 도시 개발공간 데이터를 분석하여 토지 이용 계획을 수립하고, 도시 개발을 지원하는데 활용됩니다. 인구 분포, 교통 인프라, 자연 환경 등 다양한 지리적인 요소를 고려하여 효율적이고 지속 가능한 도시 계획을 수립할 수 있습니다. - 통계 및 인구 조사지역별 인구 밀도, 인구 구성, 경제 활동 등의 통계 정보를 지도 상에 시각화하여 분석하고, 정책 수립 및 예산 할당에 활용할 수 있습니다. 일반적으로 통계청에서 제공되는 통계자료는 행정구역별로 구축되는 것이 일반적입니다. 따라서 지역별 통계 자료 또한 공간데이터라고 할 수 있겠습니다. 좌 : 통계청 자료 (kosis.kr) / 우 : 통계청 SGIS 자료 (sgis.kostat.go.kr) - 선거 구역 설정선거 구역 설정은 공정한 선거를 위해 필수 요소인데요, 입맛대로 선거구를 설정하는 경우에 게리맨더링 문제가 발생할 수 있습니다.게리맨더링이란 특정 후보자의 당선을 유리하게 하거나 특정 정당이 더 많은 의석을 확보하도록 선거구를 지리적인 구역과 다르게 기형적인 모양으로 분할하는 것을 말합니다.공간데이터를 활용하면 인구 밀도, 거리, 지리적인 특성 등을 고려하여 선거 구역을 설정할 수 있습니다. 위키백과 '게리맨더링' 검색 결과 https://ko.wikipedia.org/wiki/%EA%B2%8C%EB%A6%AC%EB%A7%A8%EB%8D%94%EB%A7%81 6) 부동산 부문 - 부동산 시장 분석: 부동산은 공간적인 특성이 매우 중요합니다. 공간정보 시스템을 활용하여 부동산 시장 동향을 분석하고, 지역별 가격 변동, 수요-공급 균형 등을 파악할 수 있습니다. 이를 통해 투자자와 시장 참여자들은 합리적인 결정을 내릴 수 있습니다. - 부동산 투자 분석: 부동산 투자자는 공간정보를 활용하여 투자 가능성을 평가합니다. 지리적 분석을 통해 인구 밀도, 교통 편의성, 시설 접근성 등의 요소를 고려하여 부동산 투자의 잠재적 가치를 평가합니다. 아파트 실거래가 분석 및 가공 사례사진은 아파트 실거래가 분석 및 가공 사례입니다.이와 관련하여 자세한 정보가 필요하신 분은 아래 두 개의 링크를 참고하세요.https://kimhongsi.tistory.com/entry/%EB%B6%80%EB%8F%99%EC%82%B0-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EA%B3%B5%EB%8F%99%EC%A3%BC%ED%83%9D-%ED%86%B5%ED%95%A9-%EB%A7%A4%EB%A7%A4-%EC%8B%A4%EA%B1%B0%EB%9E%98%EA%B0%80%EA%B2%A9%EC%A7%80%EC%88%98-KOSIS[부동산 데이터] 공동주택 통합 매매 실거래가격지수 (KOSIS) - 조사기관 : 한국부동산원 - 기준연월 : 2017.11 - 지수산정기간 중 거래신고가 2번 이상 있는 동일 아파트의 가격변동률과 거래량 -> 지수 산출 * 증감률 자료는 약월로부터 익월말까지 신고된 자 https://kimhongsi.tistory.com/entry/%EB%B6%80%EB%8F%99%EC%82%B0-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EA%B3%B5%EB%8F%99%EC%A3%BC%ED%83%9D-%ED%86%B5%ED%95%A9-%EB%A7%A4%EB%A7%A4-%EC%8B%A4%EA%B1%B0%EB%9E%98%EA%B0%80%EA%B2%A9%EC%A7%80%EC%88%98-KOSIS https://kimhongsi.tistory.com/entry/Python-API%EB%A5%BC-%ED%99%9C%EC%9A%A9%ED%95%9C-%EC%95%84%ED%8C%8C%ED%8A%B8-%EB%A7%A4%EB%A7%A4-%EC%8B%A4%EA%B1%B0%EB%9E%98%EA%B0%80-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EA%B5%AC%EB%93%9D[Python] API를 활용한 아파트 매매 실거래가 데이터 구득 공공데이터포털의 오픈 API를 활용하면 아파트 매매 실거래가 데이터를 구득할 수 있다. 준비물 API 인증키가 필요하여, 아래에는 인증키를 발급받는 과정을 설명한다. https://www.data.go.kr/data/1505874 https://kimhongsi.tistory.com/entry/Python-API%EB%A5%BC-%ED%99%9C%EC%9A%A9%ED%95%9C-%EC%95%84%ED%8C%8C%ED%8A%B8-%EB%A7%A4%EB%A7%A4-%EC%8B%A4%EA%B1%B0%EB%9E%98%EA%B0%80-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EA%B5%AC%EB%93%9D 이 외에도 다양한 부문에 공간데이터가 사용될 수 있습니다. 3. 공간데이터의 유형 : 벡터와 래스터공간정보를 표현하는 데 사용되는 두 가지 주요 데이터 형식에는 벡터 데이터와 래스터 데이터가 있습니다. 1) 벡터 데이터 벡터 데이터에는 점, 선, 면 세 가지의 유형이 있습니다. - 점(Point): 벡터 데이터에서 가장 기본적인 형태로, 지리적인 위치를 나타냅니다. 점은 좌표 (경도, 위도 또는 x, y)로 표현되며, 개별적인 위치를 나타내는 지점을 나타냅니다. 예를 들어 도시의 위치, 강의 출발지점 등이 점으로 표현될 수 있습니다. - 선(Line): 두 개 이상의 점을 연결하여 형성된 선분을 나타냅니다. 선은 길이와 방향을 가지고 있으며, 경로, 도로, 강 등과 같은 지리적인 특성을 표현할 수 있습니다. 도로 네트워크, 하천, 해안선 등이 선으로 표현될 수 있습니다. - 면(Area): 선으로 둘러싸인 영역을 나타내며, 폴리곤이라고도 불립니다. 면은 점과 선을 이용하여 생성되는 폐쇄된 도형으로, 지리적인 영역을 나타냅니다. 주택 구역, 도시 경계, 공원 등과 같은 지리적인 영역을 면으로 표현할 수 있습니다. https://www.earthdatascience.org/courses/use-data-open-source-python/intro-vector-data-python/spatia 2) 래스터 데이터 래스터 데이터는 공간 정보를 그리드 형태로 표현하는 데이터 형식입니다. 이미지, 지형 데이터, 위성 사진 등과 같은 연속적인 데이터를 표현하기에 적합합니다. - 그리드 형태: 래스터 데이터는 공간을 정사각형 또는 직사각형 그리드로 분할하여 표현합니다. 이 그리드는 픽셀(pixel) 또는 셀(cell)이라고 불리는 작은 단위로 나눠져 있으며, 각 픽셀은 해당 지점의 값을 나타냅니다. - 픽셀 단위의 값: 각 픽셀은 해당 지점의 속성, 값, 색상 등을 나타냅니다. 예를 들어, 흑백 이미지의 경우 각 픽셀은 밝기 값을 가지고 있고, 컬러 이미지의 경우 각 픽셀은 RGB(빨강, 녹색, 파랑) 색상 값을 가지고 있습니다. - 공간 해상도: 그리드의 크기에 따라 래스터 데이터의 공간 해상도가 결정됩니다. 픽셀 크기가 작으면 공간적인 세부 정보를 높은 해상도로 표현할 수 있지만, 대신 그만큼 용량이 커집니다. - 연속적인 데이터 표현: 벡터 데이터가 분리된 정보를 표현하는 데 유리한 것과 달리, 래스터 데이터는 연속적인 정보를 표현하기에 적합합니다. - 저장 공간: 래스터 데이터는 픽셀 단위로 값을 저장하기 때문에 공간 효율성이 비교적 낮습니다. 특히 고해상도 데이터의 경우 용량이 매우 큽니다. 3) 벡터 데이터와 래스터 데이터 하나의 지도 안에서 두 유형의 데이터가 공존할 수 있으며, 도구를 사용하여 벡터 -> 래스터, 래스터 -> 벡터 변환 가능합니다. 변환방식은 아래와 같습니다. 6. 공간데이터 파일 유형 1) ShapefileESRI에서 개발된 가장 널리 사용되는 공간 데이터 파일 형식 중 하나입니다. Shapefile은 점, 선, 면 등의 지오메트리 데이터와 속성 데이터를 저장합니다. .shp, .shx, .dbf 등의 확장자를 가지며, 벡터 데이터를 저장하는 데에 사용됩니다.가장 중요한 확장자는 shp이지만, 아래와 같이 하나의 데이터를 사용하기 위해서는 shp 이외에 다양한 확장자 파일이 필요합니다. shp만 있으면 활용할 수 없습니다. 2) GeoJSONGeoJSON은 지리적인 데이터를 표현하기 위한 JSON 기반 형식입니다. GeoJSON 파일은 지오메트리 유형과 해당 속성 데이터를 포함하며, 지점, 선, 폴리곤 등을 표현할 수 있습니다. .json 확장자를 가지며, 벡터 데이터를 저장하는 데에 사용됩니다. https://ko.wikipedia.org/wiki/GeoJSON3) GeoTIFFGeoTIFF는 지리정보를 포함하는 TIFF 이미지 파일 형식입니다. 픽셀 기반의 래스터 데이터를 저장하며, 지리적인 위치와 추가 정보를 포함할 수 있습니다. .tif 또는 .tiff 확장자를 가지며, 고해상도 영상이나 지형 데이터와 같은 래스터 데이터를 저장하는 데에 사용됩니다. 원격탐사에 사용되는 위성영상 데이터 (tif 확장자) 4) KML/KMZKML(KMZ)은 Google Earth와 같은 가상 지구 소프트웨어와 호환되는 공간 데이터 파일 형식입니다. KML은 지오메트리, 스타일, 속성 데이터 등을 포함하여 지리 정보를 기술하는 XML 기반 형식입니다. .kml 또는 .kmz(KML 압축 파일) 확장자를 가지며, 점, 선, 폴리곤 등을 포함한 벡터 데이터를 저장하는 데에 사용됩니다. kml 확장자를 이용하여 구글어스 위에 나타낸 결과 5) PostgreSQL/PostGISPostgreSQL 데이터베이스와 PostGIS 공간 데이터 확장을 사용하여 공간 데이터를 저장할 수 있습니다. PostgreSQL은 관계형 데이터베이스이며, PostGIS는 공간 데이터를 저장하고 공간 쿼리를 수행하는 데에 사용되는 확장 기능입니다. 벡터 및 래스터 데이터를 저장할 수 있습니다. 그럼 다음 편에서 만나요!...

GIS/공간데이터
더보기 →