날씨매출지수와 매출활성화지수 개발

딥러닝을 활용한 날씨 빅데이터와 소상공인 매출 분석

한국과학기술정보연구원

날씨매출지수와 매출활성화지수 개발

딥러닝을 활용한 날씨 빅데이터와 소상공인 매출 분석

한국과학기술정보연구원

저자

신성호 KISTI 선임연구원

선충녕 KISTI 선임연구원/공학박사

이미경 KISTI 선임연구원

임형준 KISTI 선임연구원/공학박사

조민희 KISTI 선임연구원

홍승균 UST 박사과정

송사광 KISTI 책임연구원/UST교수/공학박사

조민수 KISTI 책임연구원/UST교수/이학박사

서문

우리는 약 300만 사업체, 600만 소상공인 시대에 살고 있다.

우리나라 전체 사업체수가 약 350만이므로, 사업체 수로 보면

소상공인들의 것이 절대 다수를 차지한다.

우리 주변에서도 식당, 미용실, 커피숍 등 수없이 많은

소상공인 점포들을 볼 수 있으며 거의 매일 이용하고 있다.

소상공인 사업체가 활성화 되면 골목 상권이 살아나게 되어

내수가 활성화 되는 효과를 가져온다. 이는 곧 실질적인 국가

경제 발전으로 이어질 수 있다.

이를 위해, 정부에서도 다양한 방법으로 소상공인 사업체를

지원하고 있으며, 관련 정책들을 추진하고 있다.

소상공인 사업체들의 매출은 유동 인구나 주변 거주 인구에

많은 영향을 받는다. 특히, 유동인구가 소상공인 점포를

방문하여 제품이나 서비스를 구매하는 행위에는 날씨라는

변수를 무시할 수 없다.

날씨는 사람들의 생활 방식에 절대적인 영향을 미치기

때문에, 좋지 않은 날씨에는 손님이 적고 장사가 잘 되지

않는다는 것은 누구나 알만큼 보편적 사실이다. 이는 날씨가

매출에 많은 영향을 미칠 수 있음을 방증한다.

대기업들은 기업 경영에서 일찍부터 날씨의 중요성을

파악하고 앞다투어 빅데이터 분석을 통한 날씨경영기법을

경영에 적용하고 있다. 이에 반해, 소상공인들은 여전히

경험에 의존적으로 날씨 변화에 대응하고 있다.

이러한 상황을 인지하고, 소상공인들의 날씨 경영을 지원하기

위한 작은 노력을 기울였다. 최근 핫이슈로 부각되고 있는

딥러닝 기술을 활용하여 날씨 데이터와 소상공인 매출

데이터를 분석한 날씨매출지수와 매출활성화지수를

개발하였고 그 결과를 본 기술보고서에 수록하였다.

모쪼록, 본 기술보고서가 소상공인들의 매출 증대와 사업체

활성화에 조금이나마 기여할 수 있기를 기대한다.

2016년 10월

지은이 씀.

- i -

목차

제1장 소상공인 날씨경영이란······················································· 1

제1절 소상공인 날씨경영················································································ 1

제2절 데이터 분석 기술·················································································· 7

제2장 국내‧외 날씨경영 사례 ······················································ 10

제1절 국내 사례······························································································ 10

제2절 국외 사례······························································································ 18

제3장 날씨경영을 위한 데이터 분석········································· 24

제1절 활용 데이터·························································································· 24

제2절 데이터 가공·························································································· 28

제3절 분석 기법 및 도구 ················································································36

제4장 데이터 분석 결과······························································· 44

제1절 업종별 소상공인 매출 특성 분석···················································· 44

제2절 날씨매출지수························································································ 49

제3절 매출활성화지수 ···················································································· 53

- ii -

제5장 서비스 활용 시나리오······················································· 57

제1절 지수별 활용 예시················································································ 57

제2절 업종별 활용 시나리오 ········································································ 59

제6장 서비스 기대 효과······························································· 66

제1절 경제적‧산업적 효과············································································· 66

제2절 소상공인 효과 ······················································································ 67

참고문헌··························································································· 68

부록. 날씨매출지수 세부 분석 결과·········································· 69

- iii -

표 목차

<표1> 날씨가 산업에 주는 영향 ··········································································1

<표2> 데이터 종류 및 가공/융합 ······································································ 9

<표3> 서울시 유동인구 데이터 스키마 ·························································· 25

<표4> 일별 매출 데이터 구축을 위한 RESTful Interface ························· 28

<표5> 일별 매출 모델 데이터 스키마 ···························································· 29

<표6> 시간 정보 변환························································································ 33

<표7> 동별 AWS 데이터 스키마 (변환 후) ··················································· 33

<표8> 유동인구 데이터 스키마········································································ 35

<표9> 매출 범주 및 지수 구간 ········································································ 45

<표10> 한식 업종의 매출 범주 및 비율························································ 46

<표11> 고깃집 업종의 매출 범주 및 비율···················································· 47

<표12> 커피숍 업종의 매출 범주 및 비율···················································· 48

<표13> 한식 업종의 날씨매출지수 예시 ························································ 50

<표14> 고깃집 업종의 날씨매출지수 예시···················································· 51

<표15> 커피숍 업종의 날씨매출지수 예시···················································· 51

<표16> 업종별 예측 오차·················································································· 55

<표17> 매출활성화지수 유형 및 대응전략 ···················································· 58

- iv -

그림 목차

<그림1> 주요국들의 날씨 시장 규모································································ 2

<그림2> 기상정보 활용 범위 및 기대효과······················································ 4

<그림3> 날씨 경영 기법······················································································ 5

<그림4> 데이터 분석 개념도 ·············································································· 7

<그림5> 파리바게뜨 날씨판매지수(POS 화면) ·············································· 10

<그림6> 파리바게뜨 매출 변화········································································ 11

<그림7> 겨울철 나들가게에서 잘 팔리는 상품············································ 14

<그림8> 업종별 기상 정보 이용 현황 ···························································· 16

<그림9> 미국의 계절별 날씨에 따른 제품 판매 전략································ 18

<그림10> WeatherSmart의 Weather-Driven Demand (WDD) 모델········· 19

<그림11> 소비자의 소비 정도와 날씨의 영향도 분석 ································ 20

<그림12> 날씨와 온라인 상품 구매 의사 관계성········································ 21

<그림13> Sears Automotive 할인 쿠폰·························································· 22

<그림14> Bravissimo 할인 쿠폰······································································· 22

<그림15> Timberland 할인 쿠폰······································································ 22

<그림16> 소상공인 마케팅 지원 시나리오 생성 모델 및 매출 추정을 위한 API···· 24

<그림17> 기상청 AWS 데이터 조회 및 다운로드 서비스························· 26

<그림18> 기상청 동네 예보 서비스 ································································ 27

<그림19> 기상청 AWS 위치(서울 지역 중심) 및 제공 정보····················· 31

<그림20> 서울시 (행정동, 일)별 유동인구 합산 ·········································· 34

<그림21> 기계학습의 종류················································································ 37

- v -

<그림22> 지도 학습 (supervised learning) ···················································· 37

<그림23> 비지도 학습 (unsupervised learning) ············································ 38

<그림24> 합성곱 신경망(CNN) 구조······························································· 39

<그림25> 다중 히든 층을 갖는 신경망의 구조············································ 39

<그림26> 순환 신경망(RNN) 구조··································································· 39

<그림27> RNN의 Recurrent Weight ······························································· 40

<그림28> 순환 신경망의 Time Unfolding 형태············································ 40

<그림29> 텐서플로 동작과정 ············································································ 42

<그림30> 텐서 보드(Tensor Board): 텐서플로 시각화 도구······················ 42

<그림31> 의사결정트리(Decision Tree) ·························································· 43

<그림32> 업종별 월 매출 비율········································································ 44

<그림33> 한식 업종의 매출 분포 ···································································· 46

<그림34> 고깃집 업종의 매출 분포································································ 47

<그림35> 커피 업종의 매출 분포 ···································································· 48

<그림36> 날씨매출지수 분석 개요 ·································································· 49

<그림37> 업종별 날씨매출지수 분석 결과···················································· 52

<그림38> 매출활성화지수 분석 개요······························································ 53

<그림39> TensorFlow 기반의 딥러닝 플랫폼 ··············································· 54

<그림40> 업종별 예측 오차 ·············································································· 56

<그림41> 기상청 동네 예보에 날씨매출지수 적용······································ 57

<그림42> 활용 시나리오(커피숍 업종) ··························································· 61

<그림43> 활용 시나리오(고깃집 업종) ··························································· 63

<그림44> 활용 시나리오(한식 업종)······························································· 65

- 1 -

제1장 소상공인 날씨경영이란

제1절 소상공인 날씨경영

1. 날씨경영 배경

가. 날씨로 인한 생활 및 산업 활동 변화

날씨는 일상생활 뿐 아니라 산업에도 많은 영향을 미치고 있다. 비오는

날에는 운동, 산책 등 야외 활동이 줄어들게 되지만, 중국집의 배달이 늘

어나게 된다. 반대로 맑은 날에는 사람들이 야외로 많이 나가게 되고 밖

에서 외식하는 사람들이 늘어나게 되어 중국집의 배달은 줄어들게 된다.

날씨는 농사에도 영향을 미치는데, 겨울 추위가 심한 강원도, 평안도 북

부의 산간 지역에서는 봄에 보리를 심지만, 평균 기온이 조금 더 높은 중

남부 지역에서는 가을에 보리를 심어 겨울을 보낸 후 6월 초에 수확한다.

이는 북쪽의 겨울 온도가 중남부의 온도보다 더 낮아 보리가 추위에 얼어

죽지 않도록 하기 위함이다.

산업 날씨 요소 날씨의 영향

냉난방 에너지 기온⦁이상 기온 현상으로 겨울이 따뜻하

거나, 여름이 시원할 때 사용량 감소⦁추운 겨울이나 무더운 여름에 소비량

증가빙과류와 음료 기온 ⦁신선한 여름에는 소비량 감소

백화점/대형마트 기온,강우,강설 ⦁각각의 날씨 변화에 따라 상품 판매 및 매장 방문 고객 수의 변동이 큼

에어컨/난방 기온 ⦁날씨에 민감한 냉낭방기 제조업체의 겨울 기온 변화에 따라 변동이 큼

농사/과수 기온,강우,강설 ⦁기온, 강우량 변화에 따라 수확량의 차이가 발생

<표1>� 날씨가 산업에 주는 영향

(출처:� 날씨가 우리 생활에 미치는 영향,� 에듀넷,� 2015)

- 2 -

나. 날씨를 활용한 비즈니스 가치 증대

세계적 유통업체 월마트의 경우 비가 오는 날 주 고객은 중년 주부이고

매장에 나온 중년 주부가 가장 많이 사는 것은 자줏빛 립스틱이라는 사실

을 빅데이터 분석을 통해 확인하고, 비가 오는 날엔 자줏빛 립스틱을 매

장 전면에 배치하여 전체 매출의 12%가 증가하는 효과를 보게 되었다.

미국의 날씨 시장의 규모는 연간 9조원대로 기상 산업에 종사하는 기업

이 350개, 인원은 대략 1만1,000명 정도이고, 일본의 시장 규모는 6,000억

원에 이르며, 등록된 기상 사업체 수는 122개이다. 영국의 날씨 시장 규모

는 7,580억 원이며 등록된 기업은 17개이다. 이외에도 노르웨이, 핀란드,

네덜란드 등 주요 선진국들은 날씨 정보를 분석하여 비즈니스에 적극적으

로 활용하고 있다.

<그림1> 주요국들의 날씨 시장 규모

- 3 -

2. 소상공인 날씨경영 필요성

가. 기상 변화에 따른 기업 경영 변화

기상 변화는 외식업종, 건설업종, 농업업종, 제조업종, 교통업종, 에너지

업종, 레저업종 등 다양한 산업별 분야에서 기업의 생산량과 매출에 영향

을 주고 있다. 미국, 일본 등 선진국에서는 오래전부터 날씨를 유가나 환

율금리처럼 중요한 경영변수로 인식해 경영에 적극 활용 중이다. 또한 국

내에서도 대기업 중심으로 날씨 경영 서비스를 시행하고 있다.

기업의 상품별 특성과 기상 요소별 상관관계를 분석하여 그에 따라 수

요를 예측하여 위험 관리 및 판매 전략을 수립하는 날씨 경영기법을 많은

기업에서 활용 중이다. 업종에 따른 기상 변화의 영향은 다음과 같다1).

○ 외식업종:

- 식재료 관리, 편차가 심한 배달수요, 원가관리 등에 영향

○ 건설업종:

- 공사현장 재해, 공정관리, 품질관리, 안전관리, 원가관리 등에 영향

○ 농업업종:

- 수해, 가뭄, 이상고온·저온 등으로 생산량 감소 및 병충해 증가, 품질 저하

○ 제조업종:

- 태풍, 폭우, 폭설, 황사 등으로 운항 중단 및 안전사고 발생률 증가

○ 교통업종:

- 여름 이상저온 시 음료, 주류, 에어컨 제조업 매출 감소

- 겨울 이상고온 시 패션업계 계절상품 재고 물량 증가, 매출 감소

- 황사 시 기계조립, 초정밀산업 생산비용 증가

1) http://wm.kmipa.or.kr/index.do

- 4 -

○ 에너지업종:

- 여름 저온, 겨울 고온 시 전력, 가스 생산업 매출 감소

- 가뭄 시 수력 발전의 발전량 감소

- 폭설 시 전력 송전 이상 발생

○ 레저업종:

- 여름 이상저온, 이상다우 시 항공, 여행사 레저객 감소

- 겨울 이상고온 시 스키장 고객감소 및 운영비용 증가

<그림2> 기상정보 활용 범위 및 기대효과(출처: 한국방송통신전파진흥원)

- 5 -

나. 대기업의 날씨 경영

대기업을 중심으로 날씨 경영 서비스를 시행하고 있다. 날씨 경영은 기

업 경영의 전 과정에 걸쳐 기상정보를 활용하여 매출액 향상 또는 비용

절감, 인적·물적 피해를 예방하는 등 날씨경영 활동을 통해 부가가치를

창출하고 기상재해로부터 안전성을 획득하는 경영 방법이다2).

<그림3> 날씨 경영 기법

체계적인 관리와 날씨에 민감한 유통업, 음식점을 위주로 날씨 경영 서

비스를 제공한다. 현재 조선·해운·항공, 유통·물류, 레저, 보험, 건설, 농업·

수산업, 에너지, 방재, 정보통신·연구 등에서 날씨경영을 이미 활용하고

있다.

기후변화는 기업 비즈니스에 많은 영향을 미치고 있다. 기후변화에 따

라 매출에 손실을 입는 기업도 많지만 오히려 날씨 관련 상품을 출시하는

등 적극 대처한 기업들은 기상 정보로 새로운 부가가치를 창출하고 있다.

대기업의 경우 다양한 빅데이터를 보유하고 있으며 데이터를 분석·활용

할 수 있는 기술을 갖고 있기 때문에 날씨 경영 서비스를 경영에 활용하

여 매출을 극대화시키고 있다. 날씨 경영은 마케팅의 필수 경영전략으로

자리 잡았다.

2) http://wm.kmipa.or.kr/itrd/userWeaManaItrd.do?menuNO=9110000

- 6 -

다. 소상공인들을 위한 날씨 경영 마케팅 지원 필요성 대두

기상청과 중소기업청에서 개발한 나들가게의 날씨 경영 마케팅 서비스

의 시범 사례를 통해 소상공인을 위한 날씨 경영 마케팅의 필요성을 확인

하였다. 일부 소상공인들은 날씨 정보와 과거의 판매 경험을 토대로 날씨

변화에 따른 수요 예측 및 위험 관리를 수행하고 있다. 하지만 소상공인

들이 전문적인 데이터를 분석하여 경영에 활용하는 것이 쉽지 않다.

대부분의 골목 상권 소상공인들은 날씨 정보와 매출 간의 상관관계를

분석하고 의사를 결정하는데 도움을 주는 전문 분석 지원 시스템이 없기

때문에 날씨 변화에 따라 과거 경험에 의존한 직관적인 의사결정을 하고

있는 실정이다.

한 김밥전문점의 날씨 경영 사례를 보면 날씨정보를 이용한 경영은 대

기업뿐만 아니라 소상공인들도 충분히 가능할 수 있음을 보여준다. 이 김

밥전문점의 경우, 주간 날씨 예보와 동네 예보를 체크하여 주문 물량을

조절하고 취소 수량에 대처하며, 김밥 변질 가능성에 따라 김밥 재료 변

경 및 아이스 팩 대처 등을 시행한다. 또한 날씨에 따른 주문량 사전 예

측으로 재료 손실 감소 및 인력 투입을 조절하여 30%이상의 원가절감,

나들이 철 매출 3배 이상 증가하였다.

본 연구에서 제안하는 소상공인을 위한 날씨 경영 서비스의 경우, 과거

의 날씨 변화에 따른 업종별 매출 추이를 분석하여 날씨에 따라 변화하는

매출 및 손실에 대한 대처방안을 분석하고, 매출 향상을 위한 판매 전략

을 제시하여 소상공인의 매출을 극대화하고 손실을 최소화하는 방안을 제

안한다. 현재 소상공인들이 직접 매출 관련 빅데이터를 분석하거나 인공

지능 기법을 활용한 전략 도출 서비스를 이용할 수 있는 상황이 아니므

로, 인공지능 기반 빅데이터 분석 기술을 보유한 공공기관에서 해당 기술

을 지원해 줄 필요가 있다.

- 7 -

제2절 데이터 분석 기술

1. 데이터 분석 개요

본 연구는 날씨의 변화에 따른 급격한 매출 변화를 사전에 알려주는 날

씨매출지수와 단기 매출 예측을 통한 매출활성화지수를 도출하여 지역 소

상공인들에게 제공하는 것을 목표로 한다.

생활과 밀접한 관련이 있는 날씨는 음식점, 커피숍, 옷가게, 빵집 등 지

역 소상공인들의 매출에 많은 영향을 미치고 있다. 기존에는 점주들의 경

험에 기초해서 날씨 변화에 대비하였지만, 날씨와 매출 데이터에 대한 분

석에 기초한 데이터 과학적인 접근법을 제시하고자 한다. 지수들을 활용

하여 소상공인들이 데이터 분석에 기반한 매출 보전 또는 증대를 위한 전

략을 마련할 수 있다.

<그림4> 데이터 분석 개념도

- 8 -

데이터 분석 및 지수 개발을 위해, 딥러닝 및 의사결정트리 기법을 적

용한다. 매출활성화지수 개발을 위해, 단기 날씨 예보와 소상공인 매출 데

이터를 분석하였고, 분석을 위해 TensorFlow 플랫폼을 활용한 딥러닝 기

계학습 기법을 적용한다. 날씨매출지수 개발을 위해, 매출에 영향을 주는

3가지 기상 요소(온도, 강수량, 풍속)를 범주화하고 이들을 변수로 하여

매출값을 예측하는 의사결정트리 기법을 사용한다. 기상 데이터 확보를

위해서는 기상청에서 공개하는 AWS 데이터를 가공하여 동별 기상 데이

터를 만들었고 자체 개발한 소상공인 마케팅 전략 지원 플랫폼에서 제공

되는 데이터를 활용하였다.

- 9 -

2. 데이터 분석 범위

○ 날씨 변화에 따른 비즈니스 활성도 예측을 활용한 소상공인 매출 증대

전략 제공을 위해 아래와 같은 분석 작업을 진행한다.

- 지역별/업종별/시간별 소상공인 매출 분석

- 날씨매출지수3) 도출

- 업종별 매출 활성화 지수4) 도출

- 매출 활성화 지수에 따른 소상공인 매출 증대 시나리오 제시

대상 지역은 서울시 전체로 하며, 활용 데이터는 아래 4가지 데이터를

주로 활용한다.

- AWS별 기상 데이터 (과거 1년)

- ‘지역별’ 유동인구 데이터 (과거 1년)

※ 지역은 동보다 물리적으로 작은 개념

- 기상청 동네예보 데이터

- 소상공인 마케팅 전략 지원 모델

위 데이터들은 본 연구에서 수행하고자 하는 분석에 맞지 않는 부분이

있기 때문에 아래와 같은 가공 및 데이터 융합 작업을 수행한다.

데이터 종류 수집 데이터 필요 데이터 가공/융합 작업지역 기간 지역 기간기상 AWS 위치 시간별 동별 시간별 AWS 위치별 → 동별

유동인구 지역별 시간별(7~21시) 동별 시간별(전체) 지역별 → 동별

동네예보 동별 시간별 동별 시간별 -

<표2> 데이터 종류 및 가공/융합

3) 날씨와 매출 간 상관관계를 분석하여 날씨가 매출에 급격한 영향을 미치는 주중 또는 주말의 날씨 조건 (조기 얼럿 모델). 이를 통해 소상공인들이 해당 날씨 조건의 기간에는 사전에 대비를 할 수 있는 효과가 있음

4) 날씨와 유동인구 데이터를 분석한 향후 3일간의 업종별 매출 추세. 향후 3일 간의 날씨 및 유동인구에 따라 5가지 매출 추세가 제시되어 매출 추세를 미리 대비할 수 있는 효과가 있음

- 10 -

제2장 국내 외 날씨경영 사례

제1절 국내 사례

1. 대표적인 날씨 경영 서비스

가. SPC 날씨 판매지수

SPC그룹(파리바게트)은 식품업계 최초 ‘날씨 판매지수’를 개발하여 과

거에 감으로 맞췄던 제품의 수량을 구체적인 데이터를 기반하여 예측하기

때문에 물량 조절이 용이하고 재고 부담을 줄였으며, 날씨 판매지수 도입

이후 파리바게뜨의 조리빵 매출이 30% 증가하였다5).

5년간 전국 169개 지점의 일별 매출(10억 건의 점포별 상품 판매 데이

터)과 기상관측자료를 통계기법으로 지수화하여 ‘날씨판매지수’를 2012년

6월부터 마케팅에 활용하기 시작하였다. 날씨판매지수는 실시간으로 전국

3100여 파리바게뜨 점포의 단말기에 제공되고 있다.

<그림5> 파리바게뜨 날씨판매지수(POS 화면) (출처: SPC제공)

5) http://www.onkweather.com/bbs/board.php?bo_table=economy1&wr_id=264http://m.bizwatch.co.kr/?mod=mview&uid=23379

- 11 -

가맹점에서는 날씨 판매 지수를 바탕으로 판매량을 예측하고 주문량을

조절하여 찬스로스를 방지하고 재고 부담을 줄이고 있다.

날씨 지수가 날씨에 따라 잘 팔리거나 덜 팔리는 제품 정보를 제공하기

때문에 비오는 날 기름진 피자빵의 매출이 증가한다는 데이터를 활용하여

비오는 날 피자빵을 많이 팔수 있었다.

서울 서초구의 매장에서 7~10월 매출을 보면 샌드위치는 온도가 27도

이상이고 맑은 날씨에 판매량이 10% 증가, 피자빵은 20도 전후 온도에서

판매량이 7%늘다가 27도 이상 올라가면 매출이 3% 감소한다는 분석 정

보를 활용하여 제품 생산 및 판매에 활용하고 있다.

<그림6> 파리바게뜨 매출 변화(출처: 조선일보)

- 12 -

나. 나들가게 날씨경영 마케팅 서비스

나들가게는 기존 자율 점포들이 기업화된 형태의 슈퍼마켓으로 판매시

점관리시스템(POS)로 판매정보가 판매한 즉시 중앙 컴퓨터로 전달되어

각종 사무 처리 및 경영분석까지 이루어지는 시스템을 가지고 있다. 1만

여 곳의 나들가게에 전용 POS기기를 통해 날씨경영 마케팅 서비스를 제

공 중이다.

나들가게에 제공되는 날씨경영 서비스의 주요 내용으로는 날씨에 따른

오늘의 판매전략, 기상예보를 기반으로 한 상품 발주량 권고, 기온·강수

등에 따른 상품군별 매출추이 등을 제공한다.

일주일간의 날씨예보와 상품판매량 분석을 기반으로 상품별 권고 발주량

조회기능을 제공하여 상품 발주량 권고한다. 날씨변화에 따른 상품군별

매출액, 방문객수 변화에 따른 ‘오늘과 내일’의 판매 전략을 제시한다.

“오늘은 차차 흐려져 오후부터 비가 내립니다. 12시∼24시 사이에 우산

을 눈에 띄게 진열하세요. 어제보다 날씨가 추워져 온장고 캔 커피 숫자

를 늘리세요.”

또한 기상청에서 제공하는 불쾌지수, 식중독 지수 등을 활용해 고객대

응, 신선식품 등 상품관리 운영 제언 가능하다.

“오늘의 식중독지수는 80입니다. 신선식품, 일일배달 식품의 철저한 관

리가 필요합니다.”

- 13 -

나들가게의 날씨경영 마케팅 체계는 다음과 같다6).

<오늘의 판매전략>

날씨와 경영의 상관관계를 분석해 상품군별, 매출액, 방문객 변화에 따

라 오늘과 내일의 판매전략을 제시한다.

<상품발주량 권고>

일주일간의 상품판매량과 날씨예보를 기반으로 상품별 권고발주량 조회

기능을 제공한다.

<상품군별 매출추이>

기온, 강수 등 기상 동향에 따라 주요 상품군별 매출액 변화를 제공한다.

<기상특보 제공>

지역별 기상특보를 실시간으로 제공해 골목상권 상품 및 점포운영 관리

를 지원한다.

<기상지수 제공>

불쾌지수, 식중독 지수를 제공해 상품관리(일일배송 식품, 신선식품) 및

고객응대 운영을 제언한다.

겨울을 맞아 평균 기온·습도별 잘 팔리는 상품군을 분석한 결과 2∼4

도 때는 떡국·떡볶이, 의료용품, 탈취·살균제, 초콜릿류, 어묵 등 매출

향상된다. 떡국·떡볶이는 0도, 영하 2도 때도 잘 팔려 겨울철 대표 상품

으로 선정했다.

6) 기상청(http://www.kma.go.kr) 보도자료>> 동네슈퍼(나들가게)에 날씨경영 본격 지원(2014. 5. 14)

- 14 -

<그림7> 겨울철 나들가게에서 잘 팔리는 상품 (출처: 나들가게)

- 15 -

다. CU 판매전략

편의점업계 1위인 CU는 기상청으로부터 날씨경영인증을 받은 차세대판

매시점관리시스템을 구축해 날씨에 따라 발주량을 조절하고 있다. CU의

점포는 날씨와 기온에 따라 당일 매장에 진열되는 상품이 결정된다. 맑은

날, 흐린 날, 비오는 날 등 날씨에 따라 고객들이 선호하는 상품이 다르

고, 진열 위치에 따라 매출이 달라진다는 것을 날씨경영을 통해 알게 되

었다7).

CU는 각 편의점 단말기에 날씨 정보와 함께 권장 주문량 정보 제공한

다. 매장판매시점정보관리(POS)시스템에 상세 기상정보(기온, 강수확률,

날씨경향, 지속시간)을 매일 2회 제공해 날시 민감 상품을 재배치하고 재고

조절 등에 활용한다. 날씨 정보, 과거 매출, 재고량을 토대로 제품이 얼마나

팔릴지 예측한 자료를 제공한다.

점포주는 기상정보를 조회한 다음에 각 매장에 위치한 지역의 예상 날씨에

맞게 상품을 본사에 주문하여 날씨 변화에 따른 최적의 상품 구성을 한다.

본사에서도 기상정보를 토대로 각 지점마다 예상되는 주문 상품의 종류와

수량을 미리 준비해둔다. 날씨에 따른 발주량 조절은 재고 비용 및 폐기 물

량을 감소하게 하여 날씨에 영향을 많이 받는 도시락과 김밥, 우천 상품 등

의 발주량을 조절하고 상품배치에 변화를 줘서 전체 매출이 33% 이상 상승

했다.

시스템 도입 후 물류센터 재고일수는 15일에서 7일로 줄었고 매출은

30% 늘어났으며, 삼각김밥, 샌드위치처럼 날씨에 영향을 받고 유통기간이

짧은 제품의 경우 폐기량이 40% 줄어들었다. 주문량 차이로 인한 손실은

15% 경감된 것으로 나타났다.

7) http://www.onkweather.com/bbs/board.php?bo_table=economy1&wr_id=265

- 16 -

2. 업종별 날씨 경영 서비스

소비자들의 음식에 대한 기호는 날씨와 밀접한 관계가 있다. 기온이

급상승하면 빙과류나 시원한 음료수 매출이 급증하고 날이 추워지면 따뜻

한 음료가 날개 돋친 듯 팔려서 편의점 업계는 기온을 고려해 특정 기온

에 특정 제품을 전면에 배치하여 매출 향상에 기여했다.

GS리테일은 기온이 0~5도일 때 양주가, 6~10도일 때 소주가 가장 많이

판매되고 기온이 30도 이상 일 때는 0도일 때 보다 맥주 판매량이 70% 늘어

난다는 사실을 빅데이터 분석을 통해 증명하여 매장 제품 배치에 활용했다.

홈플러스는 황사예보를 이용한 황사용품 코너를 별도 설치하여 수익증

대, 계절별·월별 판촉전략 수립 및 물량확보에 활용하여 매출 10~15% 증

가 효과를 얻었다.

아웃도어 브랜드 블랙야크는 사내, 매장 내부 정보 공유 시스템에 실시간

날씨 정보를 추가해 마네킹의 옷 교체는 물론 시즌에 맞는 최적의 스타일을

제안하는 등의 날씨 마케팅을 생활화하여 30%의 매출 향상에 기여했다.

<그림8> 업종별 기상 정보 이용 현황

- 17 -

3. 소상공인 마케팅 지원을 위한 빅데이터 분석 기술 활용

KB카드, 전자부품연구원, 한국과학기술정보연구원에서는 소상공인 시장

경쟁력 강화를 위해 빅데이터를 분석하여 소상공인 지원을 위한 플랫폼을

개발하고 있다8). 해당 플랫폼은 소상공인 경쟁력 강화를 위한 맞춤형 마케

팅 전략 제공 솔루션과 홍보물 제작을 위한 소프트웨어 플랫폼 개발 등을

지원한다. 맞춤형 마케팅 전략 방안으로는 매출 증진을 원하는 소상공인에

게 빅데이터를 활용해 해당상권 주변의 유동인구, 인구밀집도 등 인공지

능 분석을 통해 영업시간 운영 전략, 쿠폰 배포 전략 등을 제시한다.

경기도와 신한카드사가 빅데이터를 활용하여 도내 우수 창업기업 및 소

상 공인 지원, 빅데이터 전문 인력 양성, 과학적 도정 현안 해결을 위해

협력하기로 합의했다. 1~2개의 기업과 소상공인에 대한 빅데이터를 활용

하여 주변 상권과 소비자 행동패턴을 분석하여 소상공인에게 서비스를 지

원할 예정이다9). 경기도는 2016년부터 데이터 생태계 조성을 위해 민간

비즈니스 모델을 발굴하고 우수창업기업에 대한 컨설팅 등을 지원할 계획

이다.

서울시 소상공인 원스톱 지원 서비스의 일환으로 빅데이터 기반 골목상

권 분석 서비스10)를 통해 과밀업종과 지역에 대한 정보, 창업위험도 지수

를 제공하여 무분별한 시장 진입을 방지한다. 이를 위해 2016년부터 43개

생계밀접형업종, 1008개 골목 상권에 대한 분석 서비스를 시작하였으며,

2017년 이후 서비스 확대 및 고도화를 실시한다. 또 서울시와 민간이 보

유한 빅데이터를 활용하여 유동인구·매출정보·업종별 과밀도·임대정

보·점포이력 등의 핵심정보를 제공한다. 특히, 생계형 창업이 많은 소상

공인을 위해 발달상권 대비 상대적으로 정보제공이 부족했던 이면도로 주

거밀집지역의 생계밀접형업종의 정보 제공을 확대한다.11)

8) 디지털 소상공인 지원을 위한 비즈니스 전략 분석 및 맞춤형 영상홍보 창작 SW 플랫폼 개발 [과제번호(B0101-16-0559)]

9) http://news1.kr/articles/?246411610) http://golmok.seoul.go.kr/11) 서울시, 124만 소상공인 원스톱 지원하는 자영업지원센터 문연다 (보도자료, 2016.07.29.)

- 18 -

제2절 국외 사례

1. Weather Co.의 날씨 마케팅 전략

Weather Co.12)는 <그림6>과 같이 맥주, 로션, 에너지바, 생수 등의 상

품 판매량이 지역마다 계절별로 기온의 조건에 따라 얼마나 달라지는지를

분석하여 판매 전략을 수립한다. 지역별로 날씨를 분석한 결과를 제품 판

매를 위한 마케팅에 활용하는데 지역마다 봄 날씨를 분석하여 살충제를

판매하는 전략이 대표적인 경우로 댈러스의 봄은 기온이 이슬점 아래로

내려갈 경우(습도와 안개나 얼음의 발생 가능성을 측정) 살충제가 잘 팔

리는 반면, 보스턴의 봄은 기온이 이슬점 보다 높을 경우 살충제 판매량

이 증가한다는 분석으로 마케팅에 적용한다. 이와 함께, Weather Co.의

연구자들은 시카고의 여름은 평균 기온보다 높은 첫 날 에어컨 판매가 급

증하는 반면, 찌는 듯이 자주 더운 애틀란타의 여름은 평균 기온보다 높

더라도 이틀 정도는 더위를 지낸 후 에어컨을 구입하는 분석 정보를 활용

하여 에어컨 판매 전략 마케팅을 수립한다.

<그림9> 미국의 계절별 날씨에 따른 제품 판매 전략

12) The Wall Street Journal, Weather Channel Now Also Forecasts What You'll Buy, 2016.09.09.

- 19 -

2. WeatherSmart 날씨 마케팅 서비스

WeatherSmart13)는 특정 지역의 날씨와 시장과 제품의 수요의 상관관계

를 분석하여 고객들의 소비를 촉진시키는 마케팅과 광고를 제공하는 기업

이다. <그림7>과 같이 날씨에 따른 제품 수요 모델(WDD; Weather-

Driven Demand)은 날씨 데이터베이스와 실제 제품 판매량을 결합한 모

델을 통해 Planalytics가 보유한 8,500개 이상의 날씨와 제품 판매량 카테

고리를 분류하고, 해당 지역에 이메일, 디지털 광고, 소셜 미디어, 모바일

등을 이용하여 소비자에게 알리는 과정으로 이루어진다.

예를 들어, 고객이 느끼는 “춥다”, “덥다”, “건조하다” 등의 감정에 따

라 제품을 살지가 결정되는데 가장 큰 영향 인자는 현재의 날씨 조건으로

날씨에 따라 고객들이 선호하거나 선호하지 않는 제품을 매일 분석하여

판매자에게 알리며, 향후 14일의 예측 정보는 재고 관리 및 상품의 배치

등을 대비할 수 있게 한다.

<그림10> WeatherSmart의 Weather-Driven Demand (WDD) 모델

13) Planalytics, WeatherSmart, 2016.09.09.

- 20 -

3. WeatherUnlocked의 날씨 기반 마케팅

WeatherUnlocked14)는 소비자가 제품을 구입하는 의사결정에 가장 중요

한 요인으로 경제력과 함께 날씨를 선정하여 사람들이 언제 어디를 가는

지, 무엇을 먹는지, 무엇을 사는지의 영향관계를 분석하여 마케팅에 활용

한다. 구체적으로는 날씨에 따라 소비자의 감정, 구매의도를 실시간으로

파악하면 판매자가 마케팅 전략을 수립하여 소비를 촉진시킬 수 있다. 예

를 들어, <그림8>과 같이 햇볕이 내리쬐는 경우에 사람들은 제품을 사거

나 서비스를 받는데 돈을 지불할 용의가 56%정도 늘어난다.

<그림11> 소비자의 소비 정도와 날씨의 영향도 분석

날씨는 미국 경제의 3조 가량의 영향력이 있는 요인이고, 영국 국민의

70%정도가 적어도 하루에 한 번은 날씨를 확인하는 것과 같이 날씨는 사

람들의 생활습관에 밀접한 관련성이 있으며 날씨에 따른 판매 전략은 지

역성, 계절성에 따른 편차를 지닌다. 화씨 1℉도의 차이는 음식 & 음료,

의류, 여행, 여가, 건강, 에너지, 보험 등에 큰 영향이 있는데 1℉도가 높

아지면 음료의 판매량이 2%, 에어컨은 24%, 선크림 계열의 화장품은

14) WeatherUnlocked, The Complete Guide to Weather Based Marketing, 2016.09.09.

- 21 -

11%, 유아용품은 4%가 상승한다. 반면에 1℉도가 낮아지면 휴대용 난로

의 판매량이 15%, 쥐덫은 25%정도 늘어나고 입술보호제는 5000개 이상이

더 판매된다.

온라인 판매량과 기온의 관계는 <그림9>와 같이 섭씨 30~35℃일 경우

소비자가 구매하고 싶은 마음이 늘어나 상품을 클릭하는 경우가 증가하기

때문에 판매량에 날씨가 어느 정도 영향을 주는지 확인할 수 있다.

<그림12> 날씨와 온라인 상품 구매 의사 관계성

날씨에 따른 과거의 마케팅 전략은 날씨 기록에 따라 쿠폰을 발급하는

1차원적인 접근 방법이다. 예를 들어, 3일 정도의 영하권 날씨에서는 구입

한지 5년 이상이 지난 차량의 배터리가 방전되거나 수명이 다 된 경우 배

터리 할인 쿠폰을 발급한다<그림13>. 현재의 마케팅 전략은 날씨에 따라

즉각적으로 반응하지만, 추후에는 날씨의 예보에 따라 마케팅 전략을 세

울 수 있다. <그림14>, <그림15>는 각각 현재, 미래의 날씨에 따른 쿠폰

을 제공하는 예로 <그림14>는 겨울에 햇볕이 쨍쨍할 때 여름 상품을 판

- 22 -

매하기 위해 쿠폰을 발급하는 경우이고, <그림15>는 소비자의 위치에 따

라 날씨 예보를 적용한 것으로 Timberland는 등신하기 좋은 날씨에 필요

한 제품에 대한 쿠폰을 발급하여 소비자가 제품을 구입하도록 한다.

<그림13> Sears Automotive 할인 쿠폰

<그림14> Bravissimo 할인 쿠폰

<그림15> Timberland 할인 쿠폰

- 23 -

4. 대표적인 날씨 경영 서비스

대표적인 날씨 경영 서비스로는 Point Defiance Zoo & Aquarium15)과

Red Root Inn16)이 있는데 Point Defiance Zoo & Aquarium는 관객의 수

에 따라 직접적으로 매출에 영향을 받기 때문에 IBM, BrightStar과 업무

협약을 통해 수년간 수집한 관객 수와 미국립기상국에서 수집한 기후 데

이터를 분석하여 주말에 어느 정도의 관객이 관람하는지를 예상하여 프로

그램을 구성하고 배치하는 인력의 수 등을 결정하는데 도움을 준다.

Red Roof Inn은 날씨에 의해 취소된 항공편이 있을 경우 승객들에게

날씨의 변화, 여행 기간 등의 변수를 고려하여 공항에서 근접한 숙박 업

체를 추천하는 서비스를 제공한다. 평균적으로 매일 날씨에 의해 취소되

는 항공편은 1~3%(150~500편)으로 승객 수로 환산하면 25,000명~90,000명

정도임. Red Roof Inn의 날씨 빅데이터 분석을 통한 마케팅 전략은 2013

년~2014년에 약 10%의 매출 성장으로 이어진다.

15) WIRED, How Point Defiance Zoo & Aquarium uses Data Analytics to Predict Attendance, 2016.09.09.

16) Forbes, How Big Data and Anlytics are Changing Hotels and the Hospitality Industry, 2016.09.09.

- 24 -

제3장 날씨경영을 위한 데이터 분석

제1절 활용 데이터

1. 소상공인 매출 데이터

소상공인 수익 최적화 시나리오 추천하기 위해 매출 추정 모델을 활용

하여 소상공인 매출 데이터를 생성한다.17)

<그림16> 소상공인 마케팅 지원 시나리오 생성 모델 및 매출 추정을 위한 API

17) 디지털 소상공인 지원을 위한 지역 비즈니스 전략 분석 및 맞춤형 영상홍보 창작 SW 플랫폼 개발 [과제번호(B0101-16-0559)], 2016.

- 25 -

2. 유동인구 데이터 (출처: 서울시 공공데이터18))

유동인구 데이터는 서울시에서 공개하는 서울시의 1만개 세부 지역에

대한 연도별 유동인구 및 사업체 정보를 활용하였다. 스키마는 아래와 같

다.

컬럼명 컬럼설명 비고ADMI_CD 행정동코드 　ADMI_NM 행정동명 　EXAMIN_SPOT_CD 조사지점코드EXAMIN_SPOT_NM 조사지점명 행정동 코드로 매핑하여 활용EXAMIN_CLS 조사구분EXAMIN_DATE 조사요일TMZON 시간대POPLTN 유동인구수YEAR 측정 년도

<표3> 서울시 유동인구 데이터 스키마

18) http://data.seoul.go.kr/openinf/sheetview.jsp?infId=OA-13288&tMenu=11]

- 26 -

3. 기상 데이터 (출처: 기상자료개방포털19))

과거 기상 데이터와 소상공인 매출 간 관계를 분석하기 위해 과거 기상

데이터를 수집하여 활용하였다. 과거 기상 데이터는 서울시 소재의 AWS

별 매시간 기온, 평균 풍속, 1시간 누적 강수량 데이터 활용하였다. 기상

자료개방포털에서 csv 데이터를 다운로드 받을 수 있다.

<그림17> 기상청 AWS 데이터 조회 및 다운로드 서비스

19) https://data.kma.go.kr/data/grnd/selectAwsRltmList.do?pgmNo=56

- 27 -

4. 동네 예보 데이터 (출처: 기상청20))

날씨매출지수 및 매출활성화지수는 향후 3일간의 날씨 예보를 기반으로

소상공인들의 매출을 예측한 데이터를 활용하기 때문에, 향후 3일간의 날

씨 예보 데이터가 필요하다. 이를 위해, 기상청에서 제공하는 최근 3일간

동별/시간별 기상 예보 데이터를 수집하여 활용한다. 기상청 동네 예보

데이터는 API를 통해 공개되고 있다.

<그림18> 기상청 동네 예보 서비스

20) http://www.kma.go.kr/weather/forecast/timeseries.jsp

- 28 -

제2절 데이터 가공

1. 일별 매출 추정

가. 개요

날씨별 매출 정보를 연계하기 위해서는 대상 업종별로 날씨 변화에 따

라 매출 값이 필요하다. 매출 추정 모델을 이용한 RESTful API를 이용하

여 업종별 일 데이터를 생성하였다.

나. 매출 데이터 생성

매출 데이터의 기간은 2015년 1월 1일부터 12월 31일까지 1년치에 대한

서울시의 각 행정동별 매출을 요청하여 학습용 데이터를 생성하였다. 분

석의 간소화를 위해 업종을 한식, 고깃집, 커피숍만을 대상으로 선정하였다.

<표4> 일별 매출 데이터 구축을 위한 RESTful Interface

- 29 -

다. 일별 매출 모델 결과 데이터 포멧

필드 설명 값 (예시)

년월일 매출 년월일 20160101

행정동 코드읍면동 수준 행정동 코드

(서울:11로 시작)1101055

업종 코드 업종 별로 정의된 코드 값 고깃집

요일 범주 W1(월) ~W7(일) W4

매출 일 매출 모델 결과값 55835

<표5> 일별 매출 모델 데이터 스키마

- 30 -

2. AWS 기상 데이터를 동별 기상 데이터로 변환

가. 개요

날씨와 소상공인의 매출 간 상관관계 분석을 위해서 일별/시간별 기상

데이터 필요하다. 날씨를 대표할 수 있는 데이터는 온도, 강수량, 풍속 등

이며, 매 시간별 또는 특정 시간 구간별 날씨 정보가 수집되면 소상공인

의 매출 데이터와 연계하여 날씨와 매출 간의 상관관계를 분석할 수 있

다.

AWS 지점별 기상 데이터를 동별 기상 데이터로 변환 필요하다. 날씨

정보는 대부분 기상청에서 제공하고 있는데, 현재 기상청에서 제공하고 있

는 기상 데이터는 AWS 데이터(과거)와 동네 예보(미래)가 있다.

매출과의 관계를 분석하기 위해서는 과거 데이터가 필요하지만, 과거

날씨 데이터는 기상청의 AWS 데이터만 확보 가능하다. 따라서 서울시

전역에 존재하는 AWS 지점별 기상 데이터를 활용하여 동별 기상 데이터

를 추정하였다.

- 31 -

나. AWS 데이터 현황

서울시 전역에 30개의 AWS가 설치 및 운영 중이다. 기상청 사이트를

통해 AWS 지점별로 매분, 매시간, 일 기상 데이터를 보여주고 있다.

<그림19> 기상청 AWS 위치(서울 지역 중심) 및 제공 정보

<각 기상 요소별 설명>

○ 강수 : 강수량과 별도로 준비된 강수 감시 센서에서 관측한 강수 유무

○ 강수15 : 자료시간에서 과거 15분간 내린 강수의 양 (mm)

○ 강수60 : 자료시간에서 과거 60분간 내린 강수의 양 (mm)

○ 강수6H : 자료시간에서 과거 6시간 내린 강수의 양 (mm)

○ 강수12H : 자료시간에서 과거 12시간 내린 강수의 양 (mm)

○ 일강수 : 오늘 00시 00분부터 자료시간까지 내린 강수의 양 (mm)

○ 기온 : 현재 기온 (C)

- 32 -

○ 습도 : 현재 습도 (%)

○ 풍향1 : 1분 풍향 (degree, 16방위)

○ 풍속1 : 1분 평균 풍속 (m/s)

○ 풍향10 : 10분 평균 풍향 (degree, 16방위)

○ 풍속10 : 10분 평균 풍속 (m/s)

기상청에서 공개하는 AWS 데이터는 data.kma.go.kr에서 제공한다. 시

간 또는 일별 자료 조회 가능하다. 서울 지역에 산재한 30개의 AWS에서

측정한 방재기상관측 자료 제공한다. 방재기상관측 자료 중 온도, 강수량,

풍속만 추출 가능하다. (습도 데이터는 제공하지 않음)

다. 변환 과정

서울시 동별 중심 좌표에서 가장 가까운 AWS 3개의 데이터의 평균값을 취

하되, 거리에 가중치를 두어 3개 중 가까운 거리의 AWS 데이터 값을 가중치

에 비례하여 많이 반영하고, 멀리 있는 AWS 기상 데이터 값을 적게 반영

하여 동별 기상 데이터 확보한다. 변환 과정은 아래와 같다.

○ 서울시 내 동별(d) 대표 위경도와 각 AWS별(ak) 위경도의 거리 계산

- 유클리디언 거리 계산 공식 활용

- 동별 위경도 좌표 그대로 활용 (정확한 거리보다 거리 순서가 중요)

○ 각 동별 3개의 가장 가까운 AWS를 선택 (closest a1, a2, a3)

○ 동별 대표 위경도와 3개의 AWS 위경도 간 거리를 가중치(w1, w2, w3)

로 해서 최종 동별 AWS의 값을 계산

- 가중치 계산 ⇒ w1 = 1/2 * [1 - {|d-a1|/(|d-a1| + |d-a2| + |d-a3|)}],

w2 = 1/2 * [1 - {|d-a2|/(|d-a1| + |d-a2| + |d-a3|)}],

w3 = 1/2 * [1 - {|d-a3|/(|d-a1| + |d-a2| + |d-a3|)}]

- 동별 AWS 값 계산 ⇒ AWS기온 =

- 33 -

○ 시간정보 변환

- 매시간을 미리 정해 놓은 시간 구간으로 매핑

02~06시 ⇒ T01 07~09시 ⇒ T02 10~11시 ⇒ T0312시 ⇒ T04 13시 ⇒ T05 14~15시 ⇒ T06

16~17시 ⇒ T07 18시 ⇒ T08 19시 ⇒ T0920시 ⇒ T10 21시 ⇒ T11 22~23시 ⇒ T12

00~01 ⇒ T13 - -

<표6> 시간 정보 변환

- T01~T13까지의 기상 데이터 값은 각 시간 범위의 평균값으로 설정

(ex. T01의 강수량은 02, 03, 04, 05, 06시 온도의 평균값으로 설정)

○ 변환 결과 데이터 스키마

컬럼명 컬럼 설명 예시si 시 ex) 서울특별시gu 구 ex) 종로구dong 동 ex) 청운효자동latitude 위도 ex) 37.5841367longitude 경도 ex) 126.9706519a1_distance 동에서 a1의 관측소까지의 거리(m) ex) 2404.71004624a1_code a1 관측소 코드 ex) 422wa1 거리를 고려한 a1 관측소의 가중치 ex) 0.412808662959706a2_distance 동에서 a2의 관측소까지의 거리(m) ex) 3036.43412151a2_code a2 관측소 코드 ex) 412wa2 거리를 고려한 a2 관측소의 가중치 ex) 0.327682516153862a3_distance 동에서 a3의 관측소까지의 거리(m) ex) 3825.24623095a3_code a3 관측소 코드 ex) 419wa3 거리를 고려한 a3 관측소의 가중치 ex) 0.259508820886433fcst_date_st 측정일 ex) 20160513time_tag 시간 구분값 ex) T03aws_temper 기온 측정값 ex) 17.2aws_wind 풍속 측정값 ex) 1.9aws_rainfall 강우량 측정값 ex) 3.7

<표7> 동별 AWS 데이터 스키마 (변환 후)

- 34 -

3. 유동인구 데이터 변환

가. 개요

서울시 유동인구 데이터를 이용하여 행정동 단위의 매핑을 통해 유동인

구 데이터 생성한다. 시간대별 유동인구수 합산을 통해 일별로 데이터로

변환한다.

나. 행정동별 유동인구 추출 및 일별 유동인구 합산

<그림20> 공공 데이터를 이용한 서울시 (행정동, 일)별 유동인구 합산

- 35 -

다. 유동인구 결과 데이터 포멧

필드 설명 값 (예시)

행정동 코드 읍면동 수준 행정동 코드 1101055

요일 범주 W1(월) ~W7(일) W1

유동인구수 요일/시간대 유동인구 추정값 1006

<표8> 유동인구 데이터 스키마

- 36 -

제3절 분석 기법 및 도구

1. 기계학습 (machine learning)

인공지능의 한 분야인 기계학습은 컴퓨터가 학습할 수 있도록 하는 알

고리즘과 기술을 개발하는 것으로 컴퓨터에 샘플 데이터를 통한 지속적인

학습을 통해서, 문제에 대한 답을 얻어내는 기법이다.

기계학습의 학습 방법은 크게 지도 학습(supervised learning), 비지도

학습(unsupervised learning)과 강화 학습(reinforcement learning)의 3가지

로 분류된다. 지도 학습은 훈련 데이터(training data)로부터 하나의 함수

를 유추해내기 위한 방법으로 훈련 데이터로부터 주어진 데이터에 대해

예측하고자 하는 값을 올바로 추측해내는 것이다. 대표적으로 분류

(classification)와 회귀(regression)로 나눌 수 있는데 분류는 레이블 y가

이산적(discrete)인 경우 즉, y가 가질 수 있는 값이 [0,1,2 ..]와 같이 유한

한 경우 분류 또는 인식 문제라고 부르며, 회귀는 유추된 함수 중 연속적

인 값을 출력하는 것을 의미한다. 비지도 학습은 사람 없이 컴퓨터가 스

스로 레이블 되어 있지 않은 데이터에 대해 학습하는 것으로 훈련 데이터

에 정답이 없는 경우에 해당한다. 대표적인 군집화(clustering)는 데이터가

있을 때 레이블이 없다고 하더라도 데이터 간의 거리에 따라 묶을 수 있

는 군집이 있는지 판단하는 방법이고, 분포 추정(underlying probability

density estimation)은 데이터들이 어떤 확률 분포에서 나온 샘플들인지

추정하는 문제이다. 강화학습은 현재의 상태(state)에서 어떤 행동(action)

을 취하는 것이 최적인지를 학습하는 것으로 행동을 취할 때마다 외부 환

경에서 보상(reward)이 주어지는데, 이러한 보상을 최대화하는 방향으로

학습을 진행한다.

- 37 -

<그림21> 기계학습의 종류

기계학습 알고리즘은 확률 기반의 NBC(Naive Bayes Classifier),

HMM(Hidden Markov Model), 주어진 특징(feature)을 벡터로 만들어 특

징 벡터끼리의 기하학적 관계를 추론하는 K-Means, KNN(K Nearest

Neighbors), SVM(Support Vector Machine)과 인공신경망의 Perceptron,

MLP(Multi Layer Perceptron), 딥러닝(Deep Learning)이 존재한다.

<그림22> 지도 학습 (supervised learning)

- 38 -

<그림23> 비지도 학습 (unsupervised learning)

2. 딥러닝 (Deep Learning)

다수의 계층(layer)을 갖춘 신경망을 통해 컴퓨터가 태스크를 학습하고

정보를 체계화하여 스스로 패턴을 찾아낼 수 있게 하는 것으로 심층 신경

망(DNN; Deep Neural Network), 합성곱 신경망(CNN; Convolutional

Neural Network), 순환 신경망(RNN; Recurrent Neural Network) 등의

다양한 알고리즘들을 통해 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호

처리 등의 분야에 적용하고 있다. 심층 신경망은 입력 계층(input layer)과

출력 계층(output layer) 사이에 복수개의 은닉 계층(hidden layer)들로 이뤄

진 인공신경망(ANN; Artificial Neural Network)이다. 합성곱 신경망은 최

소한의 전처리를 사용하도록 설계된 다계층 퍼셉트론의 한 종류로 하나

또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층

들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활

용한다. 순환 신경망은 인공신경망을 구성하는 유닛 사이의 연결이 반복되는

구조의 신경망을 말함. 인공신경망의 뉴런이 연결된 구조에서 순환 신경망

은 Recurrent Weight가 추가된 구조로 과거의 데이터에 대한 정보를 기억

하여 새로운 데이터를 처리한다.

- 39 -

<그림24> 합성곱 신경망(CNN) 구조

<그림25> 다중 히든 층을 갖는 신경망의 구조

<그림26> 순환 신경망(RNN) 구조

- 40 -

<그림27> RNN의 Recurrent Weight

순환 신경망은 순차적인 데이터를 학습할 수 있는 기반 구조로 시간에

대해 펼쳐서(Time unfolding) 해석이 가능한데 Recurrent Weight는 과거

의 신경망(T-1)과 현재의 신경망(T)을 연결해주는 역할을 함. 동시에 과거

의 과거(T-2), 과거(T-1)을 연결해주는 역할도 수행한다. 따라서, 무한히 시

간에 대해서 거슬러 올라가며 모델을 펼치게 되면, 최초의 데이터로부터

계속해서 정보가 전달된다.

<그림28> 순환 신경망의 Time Unfolding 형태

- 41 -

3. 텐서플로 (TensorFlow)

텐서플로(TensorFlow)는 딥러닝, 기계학습을 지원하기 위해 데이트 플

로우 그래프(data flow graph)를 이용한 수치 연산을 하는 오픈소스 소프

트웨어 라이브러리로 구글 내 연구와 제품개발을 위한 목적으로 구글 브

레인팀이 만들었고 2015년 11월 9일 아파치 2.0 오픈소스 라이센스로 공

개됐다. 데이터 플로우 그래프는 수치 연산과 데이터의 흐름을 노드

(node)와 엣지(edge)를 사용한 방향 그래프(directed graph)로 표현한다.

노드는 수학적 계산, 데이터 입/출력, 그리고 데이터의 읽기/저장 등의

작업을 수행하고, 엣지는 동적 사이즈의 다차원 데이터 배열(tensor)을 통

해 노드들 간 데이터의 입출력 관계를 나타낸다.

텐서플로의 특징은 데이터 플로우 그래프를 통한 풍부한 표현력, 코드

의 수정 없이 CPU/GPU 모드로 동작, 아이디어 테스트에서 서비스 단계

까지 이용 가능, 계산 구조와 목표 함수만 정의하면 자동으로 미분 계산

을 처리, Python/C++를 지원하며, SWIG를 통해 다양한 언어 지원이 가

능한다.

- 42 -

<그림29> 텐서플로 동작과정

<그림30> 텐서 보드(Tensor Board): 텐서플로 시각화 도구

- 43 -

4. 의사결정트리(Decision Tree)

의사결정트리는 어떤 항목에 대한 관측 값과 목표 값을 연결시켜주는

예측 모델로, 데이터마이닝 및 기계 학습에서 사용하는 예측 모델링 방법

중 하나이다. 트리 모델 중 목표 변수가 유한한 수의 값을 가지는 것을

분류 트리라 하며, 리프 노드(leaf node)는 클래스 라벨을 나타내고 가지

는 클래스 라벨과 관련 있는 특징들의 논리곱을 나타낸다. 데이터 마이닝

에서 사용되는 결정 트리 분석법은 크게 두 종류로, 분류 트리 분석은 예

측된 결과로 입력 데이터가 분류되는 클래스를 출력하고, 회귀 트리 분석

은 예측된 결과로 특정 의미를 지니는 실수 값을 출력한다.

회귀 및 분석 트리(CART)는 두 트리를 아울러 일컫는 용어로, 레오 브

레이만에 의해 처음 사용되었다. 회귀 트리와 분류 트리는 일정 부분 유

사하지만, 입력 자료를 나누는 과정 등에서 차이점이 있는데 앙상블 방법

이라고 불리는 기법들은 입력된 자료로부터 한 개 이상의 결정 트리를 생

성한다. 초기 앙상블 방법인 배깅(Bootstrap aggregating) 결정 트리는 반

복적으로 교체 과정을 수행하는 것과 함께 훈련 데이터를 재 샘플링하고,

합의 예측을 위한 트리를 선택하는 것으로 다수의 의사 결정 트리를 생성한다.

<그림31> 의사결정트리(Decision Tree)

- 44 -

제4장 데이터 분석 결과

제1절 업종별 소상공인 매출 특성 분석

1. 월 매출 특성 분석

연중 총 매출 대비 월별 매출의 비율을 통해 각각의 업종에 대한 월별

매출의 추세를 분석할 수 있다.

<그림32> 업종별 월 매출 비율

분석 결과, 모든 업종에서 2월에 매출이 낮음은 것으로 나타났다. 이는

2월의 구정 등 명절 및 휴일의 비율이 높고, 일수가 적으므로 절대 매출

의 비율이 낮은 것으로 판단된다.

- 45 -

업종별 특성은, 한식 업종의 경우 연중 고르게 매출이 발생한다. 특히,

12월에 매출이 커지는 경향이 있다. 고깃집 업종은 연중 등락이 상대적으

로 큰 편이다. 5, 7, 12월에 가장 높은 매출을 보이고 있다. 커피숍 업종은

연중 매출이 고르게 분포하는 것으로 나타났다. 날이 추운 11, 1, 2월에

낮은 매출을 보인다.

2. 일 매출 범주 정의 및 일 매출 분석

가. 일 매출 범주 정의

행정동, 업종 단위로 1년 동안의 일 평균 매출을 계산한다. 각각의 일

매출을 일 평균 매출의 비율로 표시하고, 5개의 범주로 정의하였다.

매출범주 지수 구간

매우나쁨 0 ~ 0.4

나쁨 0.4 ~ 0.6

보통 0.6 ~ 2.0

좋음 2.0 ~ 3.0

매우좋음 3.0 ~

<표9> 매출 범주 및 지수 구간

- 46 -

나. 일 매출 특성 분석

(1) 한식 업종의 일 매출 특성

매출이 좋은 날과 나쁜 날이 고르게 분포하고 있다. 또한 보통 수준의

날이 절반 수준으로 유지되고 있다.

<그림33> 한식 업종의 매출 분포

매출범주 비율

매우나쁨 22%

나쁨 10.7%

보통 50.6%

좋음 10.9%

매우좋음 5.6%

<표10> 한식 업종의 매출 범주 및 비율

- 47 -

(2) 고깃집 업종의 일 매출 특성

○ ‘매우나쁨’과 ‘매우좋음’ 범주의 비율이 상대적으로 높게 나왔다.

<그림34> 고깃집 업종의 매출 분포

매출범주 비율

매우나쁨 29.7%

나쁨 11.5%

보통 38.6%

좋음 10.5%

매우좋음 9.7%

<표11> 고깃집 업종의 매출 범주 및 비율

- 48 -

(3) 커피 업종의 일 매출 특성

보통 범주의 비율이 압도적으로 높게 나타났다. 매출의 편차가 적은 업

종으로 분석되었다.

<그림35> 커피 업종의 매출 분포

매출범주 비율

매우나쁨 2.8%

나쁨 4.2%

보통 88.4%

좋음 4.1%

매우좋음 0.5%

<표12> 커피숍 업종의 매출 범주 및 비율

- 49 -

제2절 날씨매출지수

<그림36> 날씨매출지수 분석 개요

1. 날씨매출지수를 위한 데이터 분석 방법

가. 날씨매출지수 활용 데이터

날씨매출지수의 개발을 위해, 일 최저 기온(℃), 일 최고 기온(℃), 일

최고 풍속(m/s), 일 최고 강우량(mm), 일 매출 범주 등의 데이터를 활용

하였다.

나. 날씨매출지수 데이터 분류

한식, 고깃집, 커피숍 등 3개의 업종에 대해서 주중(weekday) 및 주말

(weekend) 매출 데이터를 분석하여 총 6개 데이터 파일을 생성하였다.

- 50 -

다. 날씨매출지수 분석 알고리즘

날씨매출지수 분석을 위해, 의사결정트리(Decision Tree)를 이용하고, 예

측 대상은 일단위 매출로 하였다. Apache Spark 1.6.1의 머신러닝 라이브

러리의 DecisionTree를 사용하고, 노드의 maxDepth는 5, maxBins는 32로

설정하였다.

2. 업종별 날씨매출지수 분석 결과

가. 한식 업종의 날씨매출지수

한식 업종은 비가 오는지에 따라 주중에는 매출이 줄고, 주말은 매출이

늘어나는 것을 볼 수 있었다. 주중은 비가 오면 매출이 감소되나 주말의

경우 비가 오고 날씨가 더우면 사람들이 배달음식을 선호하여 매출이 증

대되었다.

좋음 나쁨

주중 - 0.15<강수-최고 and 기온-최저<=7.7

주말0.0<강수-최고<=0.05 and

23.7<기온-최저 and 2.15<풍속-최고기온-최저<=-2.4 and 0.9<풍속-최고<=1.4

<표13> 한식 업종의 날씨매출지수 예시

나. 고깃집 업종의 날씨매출지수

○ 고깃집 업종은 주중과 주말 모두 날씨가 춥고 바람이 많이 부는 경

우 매출이 증대되는 경향을 보이고, 주중은 기온이 높으면 매출이

감소되며 주말은 비가 많이 오고 바람이 불면 매출이 줄어듦

- 51 -

좋음 나쁨

주중기온-최고<=-4.85 and

-6.8<기온-최저<=-3.7 and 풍속-최고<=1.52

25.5<기온-최고 and 2.15<풍속-최고<=2.85

주말강수-최고<=0.25 and

-2.4<기온-최고<=16.85 and 기온-최저<=-2.5 and 풍속-최고<=0.05

기온-최고<=-2.4 and -5.1<기온-최저 and 0.0<풍속-최고<=0.5

<표14> 고깃집 업종의 날씨매출지수 예시

다. 커피숍 업종의 날씨매출지수

커피숍 업종의 경우 날씨에 따른 매출 편차가 적기 때문에 매출에 영향

을 주는 날씨 조건이 없는 것으로 분석되었다. 대표적으로 주중에 일 최

고, 최저 기온이 영하권이면서 바람이 많이 부는 날에는 커피숍 업종의

매출이 줄어드는 것을 알 수 있었다.

좋음 나쁨

주중 -기온-최고<=-4.75 and

기온-최저<=-6.7 and 2.45<풍속-최고

주말 - -

<표15> 커피숍 업종의 날씨매출지수 예시

- 52 -

라. 업종별 날씨매출지수 분석 종합

<그림37> 업종별 날씨매출지수 분석 결과

- 53 -

제3절 매출활성화지표

<그림38> 매출활성화지수 분석 개요

1. 매출활성화지표 예측

가. 딥러닝 기반 매출활성화지표 예측

(1) 매출활성화지표 예측

앞서 언급한 기상 정보, 유동인구 정보, 매출 정보 등을 활용하여 각 행

정구역/업종별 매출활성화지표 예측을 수행하였다.

여기서 매출활성화지표라 함은 과거의 다양한 빅데이터 분석을 통해 현

재 시점 이후 3일간 매출의 변화를 지표(0-1사이)로 표현한 것이다.

이 값이 1에 가까울수록 매출 상승 가능성이 커지지만 반대로 0의 값에

가까울수록 매출이 하락할 가능성이 커진다. 이는 과거 매출 정보를 딥러

닝 기계학습 기법을 이용하여 학습하여 향후 3일에 대한 예측을 수행한

것이기 때문이다(T+1, T+2, T+3에 대한 매출 활성화 예측).

- 54 -

각 날의 활성화 유형을 유지, 상승, 하락 세 가지로 구분한다면, 향후 3

일간의 매출 활성화 패턴을 군집화 할 수 있다. 즉, 3일간 매출이 비슷하

게 유지되는 유지-유지-유지, 지속적으로 상승하는 상승-상승-상승, 떨어졌

다가 다시 회복되는 유지-하락-유지 등의 패턴을 찾을 수 있었다.

(2) 딥러닝을 이용한 매출활성화지표 예측 방법

활성화 지표 예측을 위해서 RNN(Recurrent Neural Network)를 기반으

로 분석을 수행하였는데, 이는 다양한 딥러닝 기법 중 특히 RNN이 시계

열 기반 데이터의 학습 및 예측에 적합한 알고리듬이기 때문이다.

분석을 위해서 사용한 하드웨어/소프트웨어 플랫폼은 Tensorflow 기반

의 딥러닝 플랫폼을 활용하였다.

<그림39> TensorFlow 기반의 딥러닝 플랫폼

- 55 -

좀더 구체적으로는 RNN 분류 알고리듬 중 LSTM(Long Short Term

Memory) 알고리듬을 적용하였다. 이 때 사용된 Hyper Parameter는, 800개

의 Hidden Neuron, RMSprop을 Optimizer로, 0.01의 Learning Rate 등으로

다양한 조합의 실험을 통해 테스트 하였다.예측 결과 검증을 위해서, 데이

터를 9:1의 학습 집합과 검증 집합으로 구성하여 실험을 진행하였다.

(3) 활성화 지표 예측 결과

학습을 위해 사용한 과거 데이터의 범위는 다양할 수 있다. 예를 들어,

과거 3일간의 기상, 유동인구, 매출 정보를 활용하거나, 1주일 또는 1개월

데이터를 활용할 수도 있다. 분석에서는 다양한 환경에서 실험을 수행하

여, 2주간의 과거(시계열) 데이터를 학습하여 행정구역별, 업종별 모델을

구축하였다. 예측 정확도는 RMSE(Root Mean Squared Error)로 계산하였

다. 실험 결과, 업종별 예측 오차에 관한 통계정보는 <표16>과 같다.

전체 한식 커피숍 고깃집

최소값 0.0250 0.0335 0.0250 0.0305

Q1 0.0569 0.0793 0.0522 0.0570

중앙값 0.0679 0.0864 0.0578 0.0677

Q3 0.0855 0.0944 0.0626 0.0808

최대값 0.4131 0.3179 0.4131 0.4036

표준편차 0.0397 0.0260 0.0344 0.0553

평균 0.0764 0.0872 0.0613 0.0835

<표16> 업종별 예측 오차

- 56 -

전체 업종에 대한 평균오차는 0.076로 10% 미만의 오차를 보이고 있다.

업종별 평균오차는 한식 업종 0.087, 커피숍 업종 0.061, 고깃집 업종

0.084으로 나타났다. 모델을 통해 예측 오차가 가장 낮은 업종을 순서대로

나열하면 (1) 커피숍, (2) 고깃집, (3) 한식 순이었다. 세 가지 업종 중 커

피숍의 경우, 평균 예측오차가 0.06이고 분산이 상대적으로 낮아 다소 안

정적인 예측이 가능할 것으로 보이나, 전체 데이터에서 가장 큰 오차범위

(0.250~0.413)를 가지는 것으로 분석되었다.

한식의 경우도 오차가 상대적으로 높지만(0.09) 표준 편차가 작으며, 여러

극단값들(최대 0.404)에 의해 우측의 롱 테일(long tail) 현상이 발생하였다.

고깃집 업종에서도 한식 업종과 마찬가지로 유사한 롱 테일 현상이 발생

하였지만, 표준편차 범위 내에서는 오히려 한식 업종보다 오차가 적었다.

<그림40> 업종별 예측 오차

- 57 -

제5장 날씨경영 시나리오

제1절 지수별 활용 시나리오

1. 날씨매출지수 활용

업종별로 주중 및 주말을 기준으로 매출이 나쁜 날씨와 좋은 날씨를 알

려주는 날씨매출지수를 고려하여 대응전략을 수립 후 대비할 수 있다. 날

씨에 따라 업종별 매출에 영향을 주는 요인이 다르기 때문에 날씨매출지

수를 이용한 서비스는 그림과 같이 3일간의 동네예보와 함께 업종별로 날

씨매출지수를 제공할 수 있을 것이다. 매우 좋음, 좋음, 보통, 나쁨, 매우

나쁨의 5단계로 구성된다.

<그림41> 기상청 동네 예보에 날씨매출지수 적용

- 58 -

2. 매출활성화지수 활용

기상청 동네예보 정보를 활용한 향후 3일 간의 매출활성화지수는 아래 5

가지 유형을 가질 수 있다.

소상공인들은 기상청 또는 소상공인 관련 기관에서 업종별로 제공하는

향후 3일간의 매출활성화지수를 비즈니스에 적극 활용할 수 있다.

본인의 점포가 속한 업종에 대해서 향후 3일간의 매출활성화지수를 기

상청 홈페이지에서 확인하고 맞춤 전략 마련할 수 있다. 5가지 지수 유형

(현상유지, 지속증가, 지속감소, 일시증가, 일시감소) 중 어떤 유형이 예상

되는지를 확인하고 유형에 따른 적절한 대응책을 미리 마련할 수 있다. 구체

적인 대응책은 소상공인들의 점포별 제품 및 과거 매출에 대한 추가 분석

을 통해 도출이 가능하며, 데이터 공유 문제로 인한 추가 분석이 어렵다

면 소상공인들의 경험에 의존하여 대응전략을 수립할 수 있을 것이다.

<표17> 매출활성화지수 유형 및 대응전략

- 59 -

제2절 업종별 활용 시나리오

○ 커피숍, 고깃집, 한식 등 업종별 날씨매출지수 및 매출활성화지수를

활용하는 시나리오 작성을 위해 동네 상권에 자리 잡은 일부 소상공

인들을 인터뷰하였고, 인터뷰 결과를 바탕으로 대화내용을 재구성하여

작성하였다.

- 인터뷰 기간: 2016.8.3. ~ 2016.8.5. (3일간)

- 인터뷰 인원: 3개 업종별 각 3명 (전체 9명)

- 인터뷰 형식: 대면 인터뷰 (질문에 대해 대화식으로 답하는 형식)

1. 시나리오1 – A 커피숍 (커피숍 업종)

○ 점포 현황

유명 커피 전문점들과 같은 메이저 프렌차이즈가 아닌 동네 상권에서

개인 사업으로 시작한 A 커피숍은 올해로 6년째 영업을 이어가고 있다.

주변 반경 100미터 내에 유사한 커피숍이 약 10여개 있으며, 점심 및 저

녁 식사가 가능한 음식점들도 주변에 많이 있다. 종류별 커피, 과일 쥬

스, 쿠키/케이크 등을 판매하고 있으며, 고객 서비스를 위해 스탬프

제21)를 운영하고 있다. 평상시 종업원은 주인 부부와 홀 서빙 아르바

이트 2명(2교대 6시간/일 근무) 등 총 4명이 근무한다. 점주가 6년간

영업을 해 오면서 매출에 영향을 미치는 요인으로 고객충성도, 날씨,

요일, 경제상황을 꼽을 정도로 날씨를 중요한 요소로 인식하고 있다.

21) 음료 1잔 구매 시 스탬프 1회, 스탬프 10회가 되면 음료 1잔 무료 제공

- 60 -

○ 매출활성화지수 활용 시나리오

기상청 동네예보를 기반으로 안내되는 향후 3일간의 매출활성화지수

는 요즘 같이 날씨의 변화가 심한 기간에는 매우 중요한 고급 정보로

활용될 수 있다. 8월 둘째 주 주중 3일간은 동네 상권을 이용하는 손님

이 줄어드는 여름휴가 시즌인 동시에 매출활성화지수가 ‘지속감소’ 유형

을 보임에 따라 매출의 유지 또는 증가를 위한 방안 마련을 고심하게

되었다. 현 상황을 극복하고 지속적인 매출감소에 대비하기 위해, 기존

에 단발성으로 운영하던 이벤트를 이 기간에 집중적으로 운영하고자

계획하였다.

첫째, 가게 앞 다른 식당과 연계하여 지정한 식당에서 식사 후 방문

하는 손님들에 한해서 가격할인 행사 실시하기로 한다.

둘째, 비오는 날에 대비하여 가게 이용 후 갑작스럽게 비를 만난 손

님들에게 무료로 대여해 주는 우산을 비치하여 손님들의 만족도를 제고

하고 재방문 유도하는 전략을 수립한다.

셋째, 커피 한잔에 스탬프 2회를 찍어주고 스탬프 5회 시 쿠키를 무

료로 제공한다.

넷째, 친구 또는 단체 손님의 방문을 유도하기 위해 1:1 행사 실시한

다. 즉, 음료 1잔 구매 시 아메리카노 1잔을 무료로 제공하는 식이다.

다섯째, 위와 같은 이벤트에 대한 대 고객 홍보는 전자쿠폰업체 등을

통해 지역 거주자들에게 이벤트 문자 발송 형식으로 적극적으로 알린다.

○ 날씨매출지수 활용 시나리오

폭염과 휴가 시즌이 지난 8월 셋째주 주말에는 일시적으로 초가을과

같은 날씨 유형이 예보되어 날씨매출지수가 ‘매우좋음’이 될 것으로

예상되어 급격한 제품 판매 증가에 대비하는 전략을 수립한다.

첫째, 일 1회 주문하는 로스팅 된 원두의 주문양을 평소 대비 2배로

확대하고, 과일 및 쿠키와 같은 부가 메뉴들의 재료도 넉넉히 확보한다.

- 61 -

둘째, 여름 더위로 인해 방치해 두었던 외부 테이블과 공간을 정비

하여 동일 시간에 더 많은 손님을 수용할 수 있도록 준비한다.

<그림42> 활용 시나리오 (커피숍 업종)

- 62 -

2. 시나리오2 – B 식당 (고깃집 업종)

○ 점포 현황

B 식당은 초기에 프렌차이즈 점포로 시작했지만 계약을 해지하고

최근에 동일 업종으로 개인 사업으로 새로 식당을 시작하였다. 개인

사업을 시작한지는 오래되지 않았지만, 이 지역에서 오래 전부터 식당

을 운영해 오고 있었기 때문에 고정 고객이 많이 있다. 주요 메뉴는

돼지고기 및 소고기 구이이며, 점심 때는 고기를 찾는 손님보다는 간

단한 식사를 원하는 손님들로 인해 전골과 덮밥 메뉴도 판매하고 있

다. 평상시 종업원은 주인 부부와 홀 서빙 아르바이트 2명(2교대 6시

간/일 근무), 주방 직원 2명 등 총 6명이 근무한다. 매출에 영향을 미

치는 요인으로 요일, 날씨, 경제상황이라 답했으며, 여름에 특히 매출

감소가 많아서 날씨의 영향을 많이 받는 것으로 인식하고 있다.

○ 매출활성화지수 활용 시나리오

폭염이 지속되는 한 여름에는 뜨거운 불 앞에서 음식을 먹는 고깃집

의 매출이 감소하는 추세이며, 특히 8월 둘째 주 금~일요일 주말에는

매출활성화지수도 ‘일시감소’ 유형을 보임에 따라 매출 보전을 위한

전략을 마련한다.

첫째, 기간이 주말이라 방문하는 손님들이 주로 가족 단위로 예상되

어 부모들이 편히 음식을 즐길 수 있도록 한시적으로 어린이 놀이방을

운영한다.

둘째, 가게 내 더운 공간이 어디인지 파악하여 단기간 내 설치가 가

능한 선풍기 또는 냉풍기 시설을 추가로 확충한다(에어컨 시설 추가는

비용이 많이 발생하여 이윤이 맞지 않음).

셋째, 냉국수 등 간단하게 준비할 수 있는 여름 계절 메뉴를 추가하고,

손님이 직접 굽지 않고 주방에서 미리 구워서 판매하는 방식도 도입한다.

- 63 -

넷째, 전자쿠폰업체나 전단지를 통해 가게 서비스 변화 및 개선에 대한

홍보도 실시한다.

<그림43> 활용 시나리오 (고깃집 업종)

- 64 -

3. 시나리오3 – C 식당 (한식 업종)

○ 점포 현황

C 식당도 마찬가지로 개인 사업으로 한식 업종을 운영하고 있으며, 이

지역에서 식당을 운영한지는 약 5년이 넘었다. 주요 메뉴는 직접 반죽

하여 빚어낸 국수 면에 들깨, 해물, 김치 등 다양한 재료를 넣어 만든

칼국수이며, 곁들여 먹을 수 있는 족발과 수육도 판매하고 있다. 평상

시 종업원은 주인 부부와 홀 서빙 아르바이트 1명(저녁시간) 등 총 3

명이 있다. 비오거나 흐린 날, 면 음식을 선호하는 손님들의 특성으로

인해 날씨 변화에 따른 매출 변동 폭이 비교적 큰 업종이라, 손님이

한꺼번에 몰리는 날의 음식맛과 서비스 유지를 위해 고민하고 있다.

○ 날씨매출지수 활용 시나리오

8월 마지막 주 기상청 동네 예보에 의하면 초가을로 접어드는 8월

하순경 단기적인 비가 예보되어 있고, 이를 반영한 날씨매출지수는 ‘매

우좋음’으로 예측된다. 날씨매출지수에 의해 8월 하순에 손님이 많을

것으로 예상되므로 한꺼번에 몰리는 손님을 수용할 수 있는 전략을 수

립한다.

첫째, C 식당 특성 상 면 생산에 시간이 걸리므로 평소 주인 한명이

생산하는 양으로는 많이 부족하기 때문에 면 생산 경험이 있는 숙련자

를 단기적으로 고용하기로 한다.

둘째, 기계면으로도 만들 수 있는 신규 면 메뉴를 추가하여 칼국수

에 대한 수요를 분산시킨다.

셋째, 평소보다 많은 음식을 준비할 수 있도록 식재료를 추가 확보한

다(유통기한이 길지 않은 채소들은 매일 주문하고 당일 부족할 경우에

는 주변 시장에서 확보).

- 65 -

넷째, 식당 내 자리 부족을 대비하여, 식당 앞에 간이 의자를 배치

하여 손님들이 되돌아가지 않고 기다리도록 유도하고 기다린 손님에

게는 가격을 할인해 주는 행사를 실시한다.

<그림44> 활용 시나리오 (한식 업종)

- 66 -

제6장 날씨경영 기대 효과

제1절 경제 산업적 효과

소상공인 날씨 경영 서비스 지원을 통해 소상공인들의 경쟁력 강화 및

국내 경제 활성화에 도움이 될 것으로 기대한다.

우리나라는 소상공인 비율이 OECD 평균의 1.7배에 해당하는 소상공인이

많은 국가임. 국내 전체 기업의 약 86.4%를 차지하고 있다.22) 날씨에 직·

간접적으로 영향을 받는 업종은 전체의 80%를 차지하고 있어서 이들에게

날씨 변화에 따른 판매 전략 및 재고 처리에 대한 의사 결정을 지원해 주면

소상공인 매출이 향상되어 국내 경제의 활성화를 기대할 수 있다. 날씨변

화에 따른 실시간 의사결정 지원 시스템이 구축되어 정확한 수요예측에

기반을 둔 마케팅으로 소상공인의 경영효율화에 도움을 주게 될 것이다.

또한 기상 데이터와 소상공인 빅데이터의 융합을 통한 부가 가치의 창

출을 극대화할 수 있을 것이다. 다양한 업종의 소상공인들 보유한 빅데이

터들과 기상 데이터의 융합으로 인해 다양한 신규 빅데이터와 유용한 분

석 정보들이 생산되어 다양한 분야에 재사용될 수 있어서 새로운 부가 가

치 창출을 기대할 수 있다. 기상 빅데이터와 소상공인이 보유한 빅데이터

를 인공지능 기술을 이용한 분석을 통해 의사결정 최적화를 지원함으로써

관련 산업의 발전에 도움을 줄 것으로 예상한다. 국내 산업 데이터와 기

상 데이터의 접목에 따른 서비스 확대, 개인화 서비스 증가 등으로 관련

산업의 부가가치가 상승될 것으로 예상한다.

22) 중소기업청 중소기업 조사통계시스템 제공 (2016년 10월)

- 67 -

제2절 소상공인 효과

먼저, 날씨 및 매출 데이터를 분석하여 체계적인 소상공인 매출활성화

전략 수립이 가능하다. 골목 상권에 영향을 미치는 많은 요소 중 ‘날씨’라

는 중요한 변수를 고려하여 매출활성화 전략을 수립할 수 있다. 기존 경

험에 의존적으로 이루어졌던 매출 예측을 데이터 과학적인 접근법을 통한

체계적인 분석을 할 수 있고, 이로 인해 보다 정확한 매출 예측에 기초한

매출 변동에 대한 대비가 가능할 것이다.

또한 대기업 중심으로 활용되고 있는 날씨 경영 기법을 소상공인들에게

도 적용 가능하다. IT 기술의 발달과 보편화로 그 동안 소상공인이 접근하기

어려웠던 빅데이터 분석을 활용한 마케팅은 이제 대기업의 영역에서 소상

공인 영역으로 확대되고 있으며, 골목 상권에도 영향을 미치고 있다. 특히

날씨를 경영에 활용하는 트랜드가 대기업 중심으로 이루어져 왔고, 날씨

경영이 매출 증대로 연결된 사례들이 많았기 때문에, 소상공인 점포 단위에도

날씨 빅데이터 분석을 활용한 경영을 적용함으로서 매출 증대의 효과를 기

대할 수 있다. 이로 인해, 대기업과 골목 상권 간 경쟁 구도에서 소상공인

비즈니스에도 ‘날씨’라는 변수를 고려해 줌으로서 대기업과의 경쟁에서도

뒤처지지 않을 수 있는 환경이 마련될 수 있을 것으로 기대한다.

- 68 -

참고자료

[1] 김동식 외, 날씨 경영, 매일경제신문사, 2006.

[2] 반기성, 농업, 이제 날씨경영을 해야 한다, 케이웨더, 2013.

[3] 윤미영, 더 나은 미래를 위한 데이터 분석, 한국정보문화진흥원, 2013.

[4] Kyle B. Murray, Fabrizio Di Muro, Adam Finn, Peter Popkowski

Leszczyc, The Effect of Weather on Consumer Spending, Journal of

Retailing and Consumer Services, Vol. 17, no. 6, pp. 512~520, 2010.

[5] Robin Schaefer, Weather Forecasting & Business Management System,

A Report for Nuffield Australia Farming Scholars, 2014.

[6] The Weather Business, Allianz, 2013.

[7] Yonat Zwebnera, Leonard Leeb, Jacob Goldenberg, The Temperature

Premium: Warm Temperatures Increase Product Valuation, Journal

of Consumer Psychology, Vol. 24, no. 2, pp. 251~259, 2014.

- 69 -

부록. 날씨매출지수 세부 분석 결과

가. 한식 업종의 날씨매출지수 분석

시간 사례 매출지수 동일 조건 조건 차이

주중

1

보통 0.0<강수-최고 and 20.4<기온-최고 12.1<기온-최저<=20.1

매우 나쁨 0.0<강수-최고 and 20.4<기온-최고 20.1<기온-최저

2

보통강수-최고<=0.0 and 23.6<기온-최고

and 25.1<기온-최저풍속-최고<=1.0

매우 나쁨강수-최고<=0.0 and 23.6<기온-최고

and 25.1<기온-최저1.23<풍속-최고<=2.2

주말

3

보통-2.4<기온-최저<=9.5 and

풍속-최고<=0.95기온-최고<=14.9

매우 나쁨-2.4<기온-최저<=9.5 and

풍속-최고<=0.9514.9<기온-최고

4

보통 23.7<기온-최저 and 2.15<풍속-최고 0.05<강수-최고

매우 좋음 23.7<기온-최저 and 2.15<풍속-최고 0.0<강수-최고<=0.05

5

보통0.0<강수-최고<=0.35 and

1.9<풍속-최고<=2.15기온-최저<=12.1

매우 좋음0.0<강수-최고<=0.35 and

1.9<풍속-최고<=2.1512.1<기온-최저

- 70 -

나. 고깃집 업종의 날씨매출지수 분석

시간 사례 매출지수 동일 조건 조건 차이

주중 1

좋음기온-최고<=18.3 and

기온-최저<=-6.81.52<풍속-최고<=1.8

매우 나쁨기온-최고<=18.3 and

기온-최저<=-6.81.8<풍속-최고

주말

2보통 26.15<기온-최고 1.3<풍속-최고

매우 나쁨 26.15<기온-최고 풍속-최고<=1.3

3

보통강수-최고<=0.25 and

풍속-최고<=0.05-2.4<기온-최고<=16.85

and -2.5<기온-최저

매우 좋음강수-최고<=0.25 and

풍속-최고<=0.05-2.4<기온-최고<=16.85 and 기온-최저<=-2.5

다. 커피숍 업종의 날씨매출지수 분석

시간 사례 매출지수 동일 조건 조건 차이

주중 1

보통기온-최고<=-4.75 and

기온-최저<=-6.72.2<풍속-최고<=2.45

매우 나쁨기온-최고<=-4.75 and

기온-최저<=-6.72.45<풍속-최고

주말 2

보통-4.9<기온-최고 and

기온-최저<=-4.90.75<풍속-최고<=1.75

매우 나쁨-2.35<기온-최고 and

기온-최저<=-4.91.75<풍속-최고<=2.6