DE31-2st_team4

🍙서울시 지역별 한식전문점 창업 성공 예측 모델

: 한식당, 어디에 창업해야 성공할 수 있을까?

사용데이터

• 매출데이터 : 서울시 상권분석서비스(추정매출-행정동)

  서울시 상권분석서비스(추정매출-행정동).csv

  • 서울시 열린데이터 광장 - 상권분석 데이터

• 소득데이터 : 서울시 상권분석서비스(소득소비 - 행정동)

  서울시 상권분석서비스(소득소비-행정동).csv

• 점포데이터 : 서울시 상권분석서비스(점포-행정동)

  서울시 상권분석서비스(점포-행정동).csv

이 외에도 면적당 임대료, 상주인구, 직장인구, 유동인구 등의 서울특별시 상권분석 데이터를 사용했습니다.

분석배경

• 문제 인식 한국인의 ‘냄비근성’ “한국인은 냄비근성 때문에 안 돼!” 이 표현은 금방 끓고 금방 식어버리는 냄비의 특성에 빗대어 한국인의 끈기 없고 지조 없고 일관성 없는 성향을 자조적으로 표현하는 부정적인 말입니다. 최근에는 탕후루, 마라탕이 유행하면서 무자비하게 곳곳에서 탕후루 가게가 생겨나고 다시 줄줄이 폐업하는 현상이 발생하고 있습니다. 흔히 ‘유행을 따라가는 창업’이 흔해지고 있습니다.

이러한 '냄비근성'은 한편으로는 신속한 시장 반응과 트렌드 수용을 가능하게 하지만, 지속 가능성과 안정성을 저해하는 요인으로 작용하기도 합니다. 특히, 급작스러운 수요 증가로 인해 많은 자원이 단기간에 집중되면서, 결국 공급 과잉과 사업 실패로 이어지는 문제가 발생하고 있습니다.

• 참고기사) "'스타트업병' 위험 수위"…1세대 유니콘메이커의 뼈 때리는 조언 https://www.hankyung.com/article/202205030701i

분석목적

이 프로젝트는 서울시의 다양한 데이터를 활용하여 한식전문점의 창업 성공 가능성을 예측하는 머신러닝 모델을 구축하는 것을 목표로 합니다. 이를 통해 예비 창업자들이 보다 합리적인 의사결정을 할 수 있도록 지원합니다.

기대효과

• 이러한 분석을 통해 창업자들은 단순히 유행을 좇는 것이 아닌, 데이터에 기반한 신뢰성 있는 사업 계획을 수립할 수 있을 것입니다.
• 기업은 마케팅 전략을 보다 정교하게 수립하여 지속 가능한 성장을 도모할 수 있습니다.
• 청년 창업자들에게 유용한 아이디어를 제공하고, 지역 경제 활성화와 소비자 만족도 증진에 기여할 수 있을 것입니다.
• 특히, 본 프로젝트는 소비의 흐름 즉, ‘화폐’의 동향을 추적하여 경제의 핵심지표가 되는 소비자에 관한 유의미한 인사이트를 제공하면서, 향후 추가적인 금융데이터 프로젝트로 발전할 가능성이 크다고 볼 수 있습니다.

Data Analysis

:데이터 분석과정

EDA

1. 이상치, 결측치 확인

   1. y값 (당월 매출 금액) 의 분산이 너무 크고 이상치가 많음 → 평균보다는 중간값을 기준으로 확인해야겠다고 판단
   2. y값이 정규 분포와 얼마나 가까운지 확인

2. y값에 영향을 미치는 Feature Importance 확인

   1. 변수 간 상관관계 분석 → 매출금액과 상관관계가 높은 피쳐는 유사업종점포수, 개업점포수, 폐업점포수, 당월매출금액, 직장인구 수, 유동인구 수

      

   2. y값과의 상관관계 분석 (랜덤포레스트 모델 돌려서 변수 중요도 확인)

   

3. 분석에 사용할 컬럼 선택

   1. 상관관계가 너무 작은 컬럼 제외

   2. 유사한 컬럼은 묶어서 사용

      점포수 + 프랜차이즈점포수 = 유사업종점포수

      따라서 유사업종점포수만 사용

   3. 다중공선성 확인

      매출 건수 <> 매출액 깊은 관계 있어 drop

3. 전처리

데이터 머징	행정동별 소득소비, 직장인구, 상주인구, 유동인구, 점포 수, 임대료 데이터셋 merge
불필요한 속성 제거	서비스 업종 코드 = 한식음식점
파생변수 추가	'점포당_당월평균판매건수','점포당_당월평균매출금액(Predicted)', '점포당_당월평균매출금액',
'행정동별_월평균소득금액', '행정동별_평당임대료’

4. 모델링

1. 단순선형회귀

• 최소제곱법(OLS)을 활용한 단순 선형 회귀를 1차적으로 수행
  • 처음에 데이터셋을 뽑아서 상관관계 파악했을 때
  • 수치형 데이터로 수치형 데이터(y값)를 예측하려고 하는 문제이기 때문에
  • 시계열 데이터이기 때문에 → 선형 관계의 핵심

— 중간 EDA

RMSLE
Root Mean Squared Logarithmic Error

실제 매출액보다 더 크게 예측을 하면 발생할 피해(손실)이 더 악영향을 준다고 판단.
즉, 매출액을 실제보다 더 적게 예측하는 건 괜찮을 수 있지만, 더 크게 예측하는 것을 방지하고자 RMSE보다 RMSLE를 사용

매출액의 분포가 왜곡 성향을 가짐 → 왜곡된 값을 정규 분포 형태로 바꾸는 가장 일반적인 방법인 로그를 적용해서 변환

log 변환 전후 비교 :

→ 오류 값이 확연히 줄어들었음.

매출액을 실제보다 더 크게 예측하여 발생하는 손실 문제를 해결할 수 있음. 이 log변환 데이터를 바탕으로 릿지 회귀를 실시함.

b. 릿지 회귀

• 릿지 회귀는 선형 회귀에 L2 규제를 추가한 모델. L2 규제는 상대적으로 큰 회귀 계수 값의 예측 영향도를 감소시키기 위해서 회귀 계수값을 더 작게 만드는 규제 모델 → 피처를 선택하기 위해서라면 예측 영향력이 작은 피처의 회귀 계수를 0으로 만드는 L1규제 라쏘 모델을 사용해야 하는 건 아닌지???

  • 실제 매출액보다 더 크게 예측을 하면 발생할 피해(손실)이 더 악영향을 준다고 판단. 즉, 매출액을 실제보다 더 적게 예측하는 건 괜찮을 수 있지만, 더 크게 예측하는 것을 방지하고자 L2 규제를 사용

• 릿지 회귀 결과

1. 모델별 / 스케일러별 특징 & 선택 이유

   1. 배깅 방식 ㅡ 랜덤포레스트

      각각의 분류기가 모두 같은 Decision Tree 알고리즘 기반으로, 데이터 샘플링을 다르게 가져가면서 개별적으로 학습을 수행해 보팅을 진행한 결과로 최총 예측 결과를 선정하는 방식

      랜덤 포레스트는 앙상블 알고리즘 중 비교적 빠른 수행 속도를 가지고 있으며, 높은 예측 성능을 보이고 있고 쉽고 직관적인 구조를 갖고 있다.

      스케일링 방식을 나누어서 진행, 비교해 보았음.

      • Standard Scaler : 개별 피처를 평균이 0이고 분산이 1인 값으로 표준화
      • MinMax Scaler : 데이터값을 0과 1 사이의 범위 값으로 변환

   2. 부스팅 방식 ㅡ catboost, xgboost, lightgbm 여러 개의 분류기가 순차적으로 학습을 수행하되, 앞에서 학습한 분류기가 예측이 틀린 데이터에 대해서는 올바르게 예측할 수 있도록 다음 분류기에 가중치를 부여하는 알고리즘.

      특히 그래디언트 부스트 머신은 가중치 업데이트를 경사 하강법을 이용해 오류식을 최소화하는 방향으로 반복적으로 학습한다는 특징을 가짐

   • XGBoost : GBM의 단점인 느린 수행 시간 및 과적합 규제의 부재 문제를 해결해 각광 받는 알고리즘.
   • LightGBM : XGBoost 대비해서도 더 빠른 학습과 예측 수행 시간, 메모리 사용량이 더 적음
   • Catboost : 처음 데이터셋은 성별/시간대/연령대/요일이 모두 카테고리로 이루어진 범주형 데이터가 대부분이였기 때문에 범주형 데이터 처리에 특화된 모델인 캣부스트를 사용하려 했으나 전처리 및 추가적인 데이터 수집을 통해 수치형 데이터 세트로 통합되어 캣부스트는 다른 부스팅 알고리즘과의 성능 비교를 해 보고자 수행함

2. 모델별 성능 설명 및 비교

   1. 모델별로 learning curve , 예측 vs 정답값 비교 시각화 자료 필요

3. 하이퍼 파라미터 튜닝 → 어떻게 했는지 취합 필요 3-1. 랜덤포레스트 ㅡ Grid Search

3. 부스팅 방식 ㅡ Optuna / 그리드 서치 3-2. Catboost 에 optuna 활용

   

4. 교차 검증

머신러닝 모델을 만들고 모델의 성능을 높이기 데이터셋을 학습용 데이터(train_set)와 테스트 데이터(test_set)으로 나눕니다.

사이킷런의 경우 train_test_split 메소드를 통해 간단하게 데이터를 나눌 수 있습니다.

이 때 테스트 데이터를 사용하여 모델 검증을 하게 됩니다. 하지만 고정된 테스트 데이터를 가지고 모델의 성능을 확인하고, 파라미터를 수정하는 과정을 반복하면, 결국 모델은 테스트 데이터에만 잘 동작하는 모델이 될 수 밖에 없습니다.

이렇게 머신러닝에서 테스트 데이터를 과하게 잘 학습하여 다른 실제 데이터를 가지고 예측을 수행하면 정확성이 떨어지는 것을 과적합이라 하며 일반화 성능이 떨어진다고 볼 수 있습니다.

이러한 과적합 방지를 위해 교차 검증 과정이 필요합니다

교차 검증이란 주어진 데이터셋에 학습된 알고리즘이 얼마나 잘 일반화되어있는지 평가하기 위한 방법이며 데이터를 여러 번 반복해서 나누고 여러 번의 모델 학습 및 검증 과정을 거칩니다.

이러한 교차 검증을 활용하여 데이터셋 내의 모든 데이터를 훈련에 사용할 수 있고, 모델의 성능과 정확도를 향상시킬 수 있어 보다 일반화 된 모델을 만드는 것이 가능합니다.

또한 데이터 부족으로 인한 과소적합을 방지할 수 있고 테스트 데이터가 편중되는 것을 방지할 수 있습니다.

1. Kfold(K겹 교차검증) K겹 교차 검증 과정은 먼저 데이터셋을 훈련 세트와 테스트 세트로 나눕니다. 그리고 훈련 세트를 이름과 같이 K개의 폴드 세트로 나누고 이 폴드 세트를 학습용 데이터와 검증용 데이터로 나누게 됩니다. 모델은 K-1개를 학습 세트로 사용하고 나머지 하나를 검증 데이터 세트로 설정하여 평가를 진행하는데, 이 때 분리된 K개의 폴드 세트에 대하여 검증 데이터세틀 변경하며 K번의 검증을 수행하고 모델을 학습한 뒤 K번의 평가 결과에 대한 평균을 내어 최종 모델의 성능을 구합니다.

2. cross_val_score cross_val_score 는 교차 검증을 위해 사이킷런에서 제공하는 함수이며 매개변수로 모델명, 훈련 데이터, 타겟 데이터, cv가 입력되며 여기서 cv는 폴드 수를 의미합니다. 예시로 위 XGBoost의 최적 파라미터를 찾기 위한 Grid Search 과정에서 cv = 5 라는 값이 입력된 것을 확인할 수 있습니다. 이는 XGBoost에서 기본적으로 제공하는 K겹 교차검증 메소드를 사용하여 5겹 교차검증을 진행하겠다는 의미를 나타냅니다.

6. 창업 예측 분석

1. inverse_transform을 통해 스케일링된 값을 원본 값으로 변환하여 예측 매출액 구하기
2. 행정동별 median값 계산하여 컬럼으로 추가하기
3. a와 b를 비교하여 예측 매출액이 동별 중앙값보다 큰 지 여부에 따라 창업 성공 컬럼에 성공(1)/실패(0) 으로 처리
4. 창업 성공 컬럼의 평균값 계산하여 각 동별 창업 성공률 도출

최종 인사이트

1. 예측 매출액을 통한 창업 성공/실패 여부판단

2. <창업 성공예상점수> 방정식

1) 창업 성공/실패 여부 판단 모델

Minmax_RFmodel.ipynb

• 모델링 목적 창업 성공 여부를 결정 짓기 위한 매출액의 예측값이
• 모델 평가
  • 정확도 97%
  • y값 매출액 단위 때문에 MSE 값의 단위도 크게 잡힌다는 점 설명
• 변수 [창업 성공/실패] 도출 과정
  • 행정동별 월 매출액 median 값과 비교하여 창업 성공/실패 여부를 도출했다
  • 그러나 창업 성공 여부를 판단하기 위해 매출액만 고려하는 것은 아니라고 생각해서 다른 피쳐들의 영향력을 반영하기 위한 방법을 고민했다

2) <창업 성공예상점수> 방정식

• 점포당_당월평균매출금액(Predicted)에 대한 파생변수들의 상관관계를 분석하여 가중치 설정

• 창업 성공 예상 점수 컬럼 추가