면접관이 이 한 문장으로 확인하려는 것들. 각 갈래를 알면 답의 뼈대가 잡혀요.
입지 분석 모델을 만들 때 저는 데이터 수집의 우선순위를 3단계로 정했습니다. (1) 1순위: 거시 경제 데이터 — GDP, 인구 성장률, 실업률, 건설 허가. 이들은 지역 부동산 수요를 가장 직접적으로 반영합니다. (2) 2순위: 미시 위치 데이터 — 근처 교통(버스, 지하철), 상권(카페, 병원, 학교), 경쟁 시설(유사 업종). (3) 3순위: 심층 데이터 — 보행 흐름, 야간 조명, 소셜 미디어 언급. 첫 두 가지를 먼저 수집한 이유는 수집 용이성과 예측력이 높기 때문이고, 3순위는 여유 예산이 있을 때 수집했습니다. 이 우선순위로 모델 정확도 85%를 달성했습니다.
초기 입지 분석 프로젝트에서 저는 통계 데이터만 수집했습니다. 공개 데이터가 수집하기 쉬웠거든요. 하지만 모델 예측이 실제 입지 선정과 맞지 않는 경우가 많았습니다. 예를 들어 경제 지표상 좋은 지역도 실제로는 "그 구역을 피하는 고객들"이 있다는 걸 알았습니다. 이를 알기 위해 저는 Google Maps 데이터(근처 음식점 리뷰 감정, 평점, 이용 시간대)와 보행 흐름 분석을 추가했습니다. 그 이후 모델 정확도가 72%에서 85%로 올랐고, 실제 입지 선택 결과도 80% 일치율을 달성했습니다.
입지 분석 모델의 데이터 수집 현황을 정리하면 다음과 같습니다. (1) 거시 경제: 정부 공개 데이터 포털(인구·GDP·건설 허가) — 100% 커버리지. (2) 미시 위치: Google Maps API + 공공 교통 데이터(transit.co.kr) — 전국 기초 지자체 226개 중 224개(99%). (3) 보행 흐름: 상권 분석 서비스(유동인구 기준) — 주요 상권 215곳 중 180곳(84%, 일부 소규모 상권은 데이터 미제공). 이렇게 수집한 총 180개 특성을 머신러닝 모델(XGBoost)에 입력해 정확도 0.85, AUC 0.91을 달성했습니다.
같은 실수가 반복돼요. 이것만 피해도 절반은 갑니다.
진짜 면접은 두 번째 질문부터예요. 이 답 뒤에 따라올 법한 것들.