[Offline Behavior Insights] 역대급 폭염! 오프라인 비즈니스에 어떤 영향을 미쳤을까?

로플랫에서는 ‘Wi-Fi Fingerprint (기술소개 클릭)’라는 기술을 활용하여 모바일앱 사용자의 오프라인 고객 행동 데이터를 수집 및 분석하고 있습니다. 오프라인 데이터라는 새로운 데이터를 어떻게 활용할 수 있을지 다양한 시각으로 접근하기 위하여 ‘Offline Behavior Insight(OBI)’라는 분석 리포트를 매월 발간할 예정입니다. 첫 주제는 ‘폭염’입니다.

-   ⧫ -   ⧫ - ⧫   -

이번 여름 유난히 무더웠었죠?

[올여름 제일 더웠던 8월 1일의 서울 최고기온 분포도 - 출처: 경향신문]

특히 7월 마지막 주에 찾아온 폭염은 기상관측 111년만에 서울 일 최고기온 39.6도로, 대한민국 폭염 역사를 모조리 갈아치울 정도의 역대급 기록이었다고 합니다.

폭염 기간에는 아무래도 외부 활동을 자제하게 되어서 오프라인에서 비즈니스를 운영하는 기업이나 소상공인 입장에서는 반가운 소식만은 아닐텐데요.

실제로 폭염이 오프라인 매장의 이용행태에 어떤 영향을 미쳤는지 숫자로 확인해 보면 어떨까하는 호기심이 솟구쳤습니다. 그래서, 로플랫에서 매장 방문 빅데이터를 활용해서 직접 분석해 보았습니다.

결과를 설명하기에 앞서 분석에 활용한 데이터의 정의에 대해서 먼저 짚고 넘어가겠습니다.

• 분석기간
• 7월 29일 일요일 ~ 8월 4일 토요일 - 8월 1주차 
• 폭염기간은 가장 기온이 높았던 8월 첫째주 일주일 간을 대상으로 하였습니다.
• 비교기간
• 1) 6월 17일(일요일) ~ 6월 23일(토요일) - 6월 2주차
• 2) 7월 15일(일요일) ~ 7월 21일(토요일) - 7월 3주차
• 비교 기간은 요일과 우천으로 인한 변수를 통제하기 위해서 폭염기간과 동일하게 일요일부터 토요일까지 비가 오지 않았던 일주일을 선정하였습니다.
• 또한, 학생들의 방학이라는 변수를 통제하기 위해서 6월과 7월 중에 각각 1주일 기간을 비교하였습니다.
• 사용자 방문데이터
• 분석에 사용된 데이터는 전체 인구가 아닌 로플랫에서 매장 방문 인식이 가능한 사용자만을 대상으로 하였습니다. 
• 로플랫에서 위치인식이 가능한 사용자가 점차 증가 추세에 있어서, 기간별 사용자 증가분에 따른 가중치로 보정하였습니다. 6월 2주차는 약 124만명, 7월 3주차는 약 129만명, 8월 1주차는 약 132만명의 사용자 데이터가 분석에 활용되었습니다.
• 매장 방문 인식 장소
• 로플랫에서는 ‘Wi-Fi Fingerprint’라는 기술을 적용하여 모바일앱을 통해 사용자의 오프라인 방문 데이터를 확보하고 있고, 방문 인식이 가능한 장소는 지속적으로 확대하고 있습니다. 
• 금번 분석에서는 인식 가능 장소 확대에 따른 영향을 배제하기 위해서 6월 15일 이전에 수집된 50여만개 매장 방문 인식 결과만을 활용하였습니다.

여러가지 각도에서 분석이 가능하겠지만, 금번 분석에서 답하고자 하는 질문은 크게 세 가지였습니다.

1. 폭염 기간에 실제로 사람들의 오프라인 활동이 줄어들었을까?
2. 폭염으로 인해 득이 된 업종과 실이 된 업종은 무엇일까? (양적인 변화)
3. 방문자수 증감 이외에 방문 행태의 변화는 없을까? (질적인 변화)

그럼 본격적으로 분석 결과에 대해서 알아볼게요.

첫번째, 가장 궁금한 것부터 시작해 볼까요? 과연 폭염 기간 동안 고객의 오프라인 매장 방문이 줄어들었을까요?

정답은 ‘그렇지 않다’입니다. 폭염 기간에 ‘외부 활동’을 자제했는데 무슨 소리냐고 하실 수 있는데요. 여기서 저희가 사용하는 용어의 정의가 중요합니다. ‘외부 활동’이 ‘오프라인 매장 방문’과 동일한 개념이 아니기 때문이죠. 무더위에 노출되는 ‘야외 활동’은 줄어들었을 수 있으나, 여전히 실내에서 활동이나 소비가 이루어지는 ‘오프라인 매장 방문’은 크게 달라지지 않았습니다.

여전히 못 믿으시겠다구요? 실제로 해당 기간 동안 교통량의 변화가 있었는지 살펴보면, 각 기간 동안 교통량에서는 큰 차이가 없었음을 알 수 있습니다.

하지만, 이 결과가 폭염이 사람들의 행태를 바꾸지 않았다는 의미는 아닙니다. 실제로 업종별 방문행태를 들여다보면, 폭염은 우리의 생활 패턴을 상당히 바꾸어 놓았음을 알 수 있습니다. 우리의 생활 패턴이 어떻게 바뀌었는지, 더 자세히 들여다 보겠습니다.

둘째, 그렇다면 폭염으로 인해서 남몰래 미소를 지은 업종과 울상이 된 업종은 무엇일까요?

모두가 예상하셨듯이 폭염으로 인한 최대 수혜자는 영화관이었습니다. 영화관은 7월 대비해서 방문자가 126% 증가하였습니다. (단, 영화 흥행으로 인한 효과는 무시하였습니다.) 역시 피서는 시원한 영화관에서 땀흘리지 않고 콜라와 팝콘과 함께하는 게 최고인가봐요.

영화 ‘리틀포레스트’를 보면 주인공이 무더위에 냉방이 잘 되는 은행에서 더위를 피하는 모습이 나오는데, 실제로는 어떨까요? 예상 외로 은행은 폭염 기간에 방문객이 오히려 소폭 줄어들었습니다. 이제는 온라인뱅킹도 보편적이고, 어디를 가더라도 냉방이 잘 되어 있어서 은행에서 더위를 피하는 것은 옛이야기인가 봅니다.

반대로 피자, 치킨 등 패스트푸드 업종과 예식 업종은 방문객이 상당히 많이 줄어들었는데요. 패스트푸드점은 아무래도 배달이 가능하다 보니 무더위 동안에는 매장 방문보다는 집에서 주문해서 이용했기 때문이라고 해석이 됩니다. ‘배달의 민족’이나 ‘요기요’ 같은 배달 전문 모바일앱 등은 주문이 몰려서 매우 바쁜 시기였겠네요. 예식 관련 업종의 경우는 폭염으로 인한 영향보다는 예식이 봄 또는 가을철에 많이 이루어지다보니 계절적인 영향이 큰 것으로 보여집니다.

폭염 기간에 상대적으로 실내에서 다양한 활동이 가능한 대형복합몰이 피서지로 각광을 받았다고 하는데요. ‘몰캉스’라는 신조어도 생겨났었죠. 데이터로 검증해 보니 실제로 대형복합몰의 경우 방문자가 확연히 증가하는 것으로 드러났습니다. 실내에서 쇼핑이 가능한 백화점이나 대형마트와 비교해서도 방문자 증가가 월등한 것으로 확인이 되었습니다.

다만, 대형복합몰 중에서도 업무 지구에 위치한 스타필드 코엑스몰 대비해서 종합 엔터테인먼트 공간으로서의 성격이 강한 롯데월드몰, 스타필드 하남점, 타임스퀘어 등의 복합몰이 월등히 인기를 끌었습니다. 내년 폭염 마케팅도 미리 준비하셔야겠네요.

셋째, 양적인 변화도 중요하지만 질적인 방문행태의 변화도 살펴보아야겠지요?  

앞서 언급되었던 복합몰의 사례를 가지고 폭염으로 인한 방문자 구성의 변화가 있었는지 다시 살펴볼게요.

재미있는 것은 폭염 기간에 주요 복합몰의 경우 신규 방문자의 구성이 증가했다는 점입니다. 평소에 복합몰을 잘 가지 않던 고객들도 폭염이라는 요인이 처음으로 복합몰을 방문하는 계기가 되었다는 이야기인데요. 각 복합몰들이 이 기간에 신규 방문 고객들을 위한 적절한 마케팅을 병행했다면 상당한 효과가 있었을 것 같습니다.

특히 방문자의 거주지역을 분석해 보면, 폭염 기간 동안 서울, 경기 지역이 아닌 그 외 지역으로부터 방문 비중이 증가했습니다. 그만큼 폭염 기간에 더위를 피해 방문할 만한 장소로 대형복합몰에 대한 관심이 반영된 결과가 아닐까 합니다.

-   ⧫ -   ⧫ - ⧫   -

이번에는 ‘폭염’이라는 주제로 고객의 오프라인 행동 분석을 진행해 보았는데요. 로플랫은 앞으로도 지속적으로 오프라인 데이터를 가지고 다양한 주제로 활용 방법을 연구해서 공유해드릴 예정입니다.

사용자의 위치 정보 및 오프라인 데이터를 활용하여 고객의 문제를 해결하고자 하는 기업 고객은 언제든지 문의해 주세요.

제휴 관련 문의: business@loplat.com

또한, 로플랫과 오프라인 데이터라는 새로운 영역의 무궁무진한 가능성에 대해 함께 탐구하고 고민하실 개발자를 상시 채용하고 있으니 관심있으신 개발자분들의 많은 지원 부탁드립니다.

채용 관련 문의: recruit@loplat.com

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

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

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

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

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




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

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


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

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

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


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

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

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

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

학교나 연구단체 등 공익적인 목적의 사용처에는 가능한한 무료로 제공될 예정입니다~

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

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

안녕하세요, 로플랫입니다.

영등포 지역은 4개의 백화점이 밀집해 있는 대규모 상권 중에 하나 입니다. 

백화점의 입장에서는 다양한 매장이 입점해 있어서 방문객의 백화점 내 매장 이용 행태에 대한 관심과 궁금증이 높을 것 같습니다. 

거기에 인접한 경쟁 백화점과의 경쟁이나 소비자 선호 등 사업자 측면에서도 답을 찾고 싶은 질문이 많을 것 같구요.

이러한 질문에 답을 하기 위해 로플랫이 영등포 상권 백화점 이용 행태 데이터를 분석해 보았습니다. 

➤ 분석 데이터 

본격적인 분석 내용 소개에 앞서서 분석에 사용한 데이터에 대해 살펴보겠습니다.

로플랫이 쌓고 있는 방대한 데이터 중, 2018년 1월부터 4월까지 4개월간의 분석 대상 백화점 이용 정보를 활용했습니다.

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

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

➤ 백화점으로 인입

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

C백화점이 가장 방문자 수가 많네요.

그렇다면 한 명의 고객이 4개월간 평균적으로 몇 번을 방문할까요? 

평균적으로는 2회정도 되는 것 같네요. (전체 평균)

조금 더 자세히 살펴보겠습니다.

높은 비율로 기간 중에 한 번 방문한 것으로 보이는데, D백화점은 2회 이상 방문한 비율도 적지 않습니다. 5회 이상 방문한 비율도 10% 정도 되네요.

➤ 백화점 내 이동 

자, 이제 백화점 내 방문 데이터를 살펴보겠습니다.

[층별 방문 행태 분석 - A백화점]

[층별 방문 행태 분석 - B백화점]

[층별 방문 행태 분석 - C백화점]

[층별 방문 행태 분석 - D백화점]

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

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

예를 들어, 식당가의 대기 시간이 너무 길다고 확인되면 상대적으로 한가한 식당을 안내해서 회전율(매출)을 높일 수도 있을 것 같습니다.

또한 방문객들의 식당 브랜드 선호도, 인입 추이를 통해 식당 입점 계획에 반영할 수도 있을 것 같습니다. 

백화점 들어오면 다양한 매장과 상품을 구경하고는 합니다. (보통 다리가 아플때 까지 하지요..)

하지만 실제 매장 방문(2분 이상 체류)로 기준을 높여 보면 대부분의 고객이 1개층 또는 2개층을 방문하고 있는 것으로 나타났습니다. 실질적인 구매 관련 행위는 제한적이라고 해석이 가능합니다. 

➤ 백화점 간 이용

[표: 4개 백화점 방문객의 타 백화점 이용현황]

분석 대상 백화점의 방문객은 (당연하게도) 다른 백화점도 이용합니다. 조금 더 해석을 해보면 동매장 비율과 주변 백화점 이용 비율이 높은 것으로 보아 특정 상권을 선호하는 경향이 있는 것 같습니다. 타 백화점 방문 1/2/3위가 대부분 동일 상권에 속한 분석 대상 백화점들로 나타났습니다.

순위권에 들어온 다른 사례로는 B백화점 강남점 및 A백화점 본점이 눈에 들어오네요.

➤ 지역별 방문 분포

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

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

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

➤ 마치면서.. + 채용 안내

일상 생활에서 자주 접하게 되는 백화점 이용 행태에 대해 간단하게 분석해 봤습니다.

백화점 매장 방문 데이터를 활용해 평소 관찰하던 현상을 확인하는 재미도 있고 사업적으로 유의미한 경향을 파악할 수도 있었습니다.

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

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

https://www.rocketpunch.com/companies/loplat/jobs 

현재 올라와 있는 채용 공고

[로플랫] 안드로이드(Android) 경력 개발자

[로플랫] 백엔드(Backend) 개발 경력자 모집

[로플랫] 프론트엔드(Front end) 개발 경력자 모집

[로플랫의 오프라인 측정 #6] 하남 스타필드 3개월의 기록

9월 9일 하남 스타필드가 개점하고 3개월 여가 지났습니다.

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

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

➤ 일 기준 방문 변화 

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

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

➤ 몰/백화점 방문 비율

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

➤ 지역별 방문 분포

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

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

앞으로도 많은 관심 부탁드립니다. 

감사합니다.

작성: 로플랫 이상호 팀장

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

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

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


---------- 채용 공고 ----------


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

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

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

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

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

이번에는 Junior 보다는 경력자를 우선적으로 뽑고자 합니다.

1. Senior 서버 개발자

: Backend 서비스 (DB) 개발/관리/운영 및 Dashboard 개발 업무(채용 완료)

- Cloud Service를 사용하여 (Google, Amazon) 상용 시스템 구현/운영 경험

- python, django, html, javascript, java

- MySQL, DB Performance Tuning

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

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


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

- PoI 수집 아르바이트 관리 및 검증 작업
- PoI 를 비지니스 관점에서 활용가능 형태로 구조화

4. Senior Business Developer

: 매장방문 데이터를 활용한 사업 발굴

- 광고분야에서 데이터를 활용한 타깃마케팅 비지니스 개발/영업 경험자 우대

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

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

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

회사 사무실은 선릉역 디캠프 5층에 있습니다.

감사합니다.