[43일차] 프랜차이즈 입점 전략 분석

송정근·2026년 8월 4일

Data Anaylsis

랭체인 AI 영상객체탐지분석 플랫폼 구축

목록 보기

67/106

1. 분석 주제

서울의 스타벅스와 커피전문점 위치 데이터를 이용해 커피 매장이 스타벅스 주변에 얼마나 밀집되어 있는지 분석한다.

주요 질문은 다음과 같다.

스타벅스 주변에 커피전문점이 많이 분포하는가?
특정 프랜차이즈가 스타벅스 근처에 입점하는 경향이 있는가?
스타벅스와 커피전문점이 함께 밀집된 지역은 어디인가?
거리 구간별 분포에서 어떤 특징을 확인할 수 있는가?

이 분석은 두 매장의 위치가 가까운지를 확인하는 상관관계 분석이다. 개업일과 입점 순서가 없으므로 스타벅스가 다른 카페의 입점 원인이라는 인과관계까지 증명할 수는 없다.

2. 사용 데이터

데이터	크기	주요 컬럼
서울 스타벅스	692행	지점명, 주소, 위도, 경도
서울 상가 정보	537,489행	상호명, 업종, 주소, 위도, 경도

from pathlib import Path
import pandas as pd

BASE_DIR = Path.cwd()
DATA_DIR = BASE_DIR / "data"
OUTPUT_DIR = BASE_DIR / "output"

OUTPUT_DIR.mkdir(exist_ok=True)

starbucks = pd.read_csv(
    DATA_DIR / "starbucks_seoul.csv"
)

stores = pd.read_csv(
    DATA_DIR / "소상공인시장진흥공단_상가(상권)정보_서울_202603.csv",
    low_memory=False,
)

pathlib.Path를 사용하면 운영체제에 맞는 파일 경로를 편리하게 만들 수 있다.

3. 데이터 전처리

스타벅스 데이터는 분석하기 쉬운 이름으로 컬럼을 변경한다.

starbucks = starbucks.iloc[:, :4].copy()

starbucks.columns = [
    "스타벅스지점명",
    "스타벅스주소",
    "스타벅스위도",
    "스타벅스경도",
]

위도와 경도를 숫자로 변환하고 결측치와 중복 데이터를 제거한다.

starbucks["스타벅스위도"] = pd.to_numeric(
    starbucks["스타벅스위도"],
    errors="coerce",
)

starbucks["스타벅스경도"] = pd.to_numeric(
    starbucks["스타벅스경도"],
    errors="coerce",
)

starbucks = (
    starbucks
    .dropna(subset=["스타벅스위도", "스타벅스경도"])
    .drop_duplicates()
)

errors="coerce"는 숫자로 변환할 수 없는 값을 NaN으로 바꾼다.

상가 데이터에서는 분석에 필요한 컬럼만 선택한다.

use_columns = [
    "상가업소번호",
    "상호명",
    "상권업종대분류명",
    "상권업종중분류명",
    "상권업종소분류명",
    "도로명주소",
    "위도",
    "경도",
]

stores = stores[use_columns].copy()

4. 커피전문점 추출

업종명과 상호명에 커피 관련 단어가 포함된 데이터를 찾는다.

coffee_keywords = [
    "커피",
    "카페",
    "까페",
    "coffee",
    "cafe",
]

coffee_mask = (
    stores["상권업종중분류명"]
    .astype(str)
    .str.contains("커피|카페|음료", na=False)
    |
    stores["상권업종소분류명"]
    .astype(str)
    .str.contains("커피|카페|음료", na=False)
    |
    stores["상호명"]
    .astype(str)
    .str.contains(
        "|".join(coffee_keywords),
        case=False,
        na=False,
    )
)

cafes = stores[coffee_mask].copy()

추출 결과는 다음과 같다.

커피 관련 매장: 27,250곳

키워드 범위가 넓기 때문에 스터디카페나 음료 소매점이 포함될 수 있다. 정확도를 높이려면 업종 코드와 제외 키워드를 함께 사용하는 것이 좋다.

5. 브랜드 분류

정규표현식을 사용해 상호명에서 프랜차이즈 브랜드를 분류한다.

import re

brand_patterns = {
    "메가커피": r"메가\s*커피|메가\s*엠지씨|MEGA\s*MGC",
    "컴포즈커피": r"컴포즈\s*커피|COMPOSE\s*COFFEE",
    "빽다방": r"빽다방|PAIK",
    "이디야": r"이디야|EDIYA",
    "투썸플레이스": r"투썸|TWOSOME",
    "할리스": r"할리스|HOLLYS",
    "커피빈": r"커피빈|COFFEE\s*BEAN",
    "더벤티": r"더벤티|THE\s*VENTI",
    "매머드커피": r"매머드|MAMMOTH",
}


def extract_brand(name):
    name = str(name).upper()

    for brand, pattern in brand_patterns.items():
        if re.search(
            pattern,
            name,
            flags=re.IGNORECASE,
        ):
            return brand

    return "기타커피전문점"


cafes["브랜드명"] = (
    cafes["상호명"].apply(extract_brand)
)

주요 분류 결과는 다음과 같다.

브랜드	매장 수
기타커피전문점	23,467
메가커피	979
컴포즈커피	458
매머드커피	450
이디야	436
투썸플레이스	376
빽다방	372

정규표현식으로 분류했기 때문에 상호명의 표기 방식에 따라 일부 매장이 누락되거나 잘못 분류될 수 있다.

6. 두 지점 사이의 거리

위도와 경도로 두 지점 사이의 거리를 계산할 때 하버사인 공식을 사용한다.

import numpy as np


def haversine_distance(
    lat1,
    lon1,
    lat2,
    lon2,
):
    radius = 6_371_000

    lat1, lon1, lat2, lon2 = map(
        np.radians,
        [lat1, lon1, lat2, lon2],
    )

    dlat = lat2 - lat1
    dlon = lon2 - lon1

    value = (
        np.sin(dlat / 2) ** 2
        + np.cos(lat1)
        * np.cos(lat2)
        * np.sin(dlon / 2) ** 2
    )

    angle = 2 * np.arcsin(np.sqrt(value))

    return radius * angle

서울시청과 강남역의 직선거리를 계산하면 약 8.79km가 나온다.

하버사인 거리는 지구 표면의 직선에 가까운 거리이며 실제 도보 거리나 도로 이동 거리와는 다르다.

7. 가장 가까운 스타벅스 찾기

각 커피전문점과 모든 스타벅스 사이의 거리를 계산한 뒤 가장 작은 값을 찾는다.

             스타벅스 A  스타벅스 B  스타벅스 C
카페 1          120m        250m        430m
카페 2          310m         80m        190m
카페 3          500m        420m        110m

각 행의 최솟값
카페 1 → 120m
카페 2 → 80m
카페 3 → 110m

전체 거리 행렬을 한 번에 만들면 메모리 사용량이 커질 수 있으므로 chunk_size만큼 나누어 처리한다.

min_idx = distance_matrix.argmin(axis=1)
min_distance = distance_matrix.min(axis=1)

argmin(axis=1)은 가장 가까운 스타벅스의 위치 인덱스를 반환한다.
min(axis=1)은 실제 최소 거리값을 반환한다.

8. 원본 코드의 거리 계산 오류

노트북에는 다음 코드가 들어 있다.

min_idx = dist_matrix.argmin(axis=1)
min_dist = dist_matrix.argmin(axis=1)

두 번째 줄도 argmin()을 사용해 실제 거리가 아니라 스타벅스 배열의 인덱스가 거리 컬럼에 저장된다.

# 수정 코드
min_idx = dist_matrix.argmin(axis=1)
min_dist = dist_matrix.min(axis=1)

따라서 노트북에 출력된 기존 거리 구간 결과는 실제 미터 단위 결과로 사용할 수 없다. 아래 결과는 같은 데이터에 수정된 계산식을 적용해 다시 계산한 값이다.

9. 거리 구간 분석

bins = [
    0,
    50,
    100,
    300,
    500,
    1000,
    np.inf,
]

labels = [
    "0~50m",
    "50~100m",
    "100~300m",
    "300~500m",
    "500m~1km",
    "1km 이상",
]

cafes["거리구간"] = pd.cut(
    cafes["스타벅스까지거리_m"],
    bins=bins,
    labels=labels,
    include_lowest=True,
)

distance_summary = (
    cafes["거리구간"]
    .value_counts()
    .reindex(labels)
    .reset_index()
)

distance_summary.columns = [
    "거리구간",
    "카페수",
]

distance_summary["비율(%)"] = (
    distance_summary["카페수"]
    / distance_summary["카페수"].sum()
    * 100
)

수정 계산 결과는 다음과 같다.

거리 구간	카페 수	비율
0~50m	1,837	6.74%
50~100m	3,138	11.52%
100~300m	11,248	41.28%
300~500m	5,560	20.40%
500m~1km	4,675	17.16%
1km 이상	792	2.91%

가장 가까운 스타벅스까지의 중앙값은 약 241.9m, 평균은 약 322.2m다.

10. 반경별 누적 비율

거리 구간별 비율뿐 아니라 특정 반경 안에 포함되는 누적 비율도 계산할 수 있다.

radius_list = [50, 100, 300, 500, 1000]

summary = []

for radius in radius_list:
    count = (
        cafes["스타벅스까지거리_m"]
        <= radius
    ).sum()

    ratio = count / len(cafes) * 100

    summary.append({
        "반경": f"{radius}m 이내",
        "반경_m": radius,
        "카페수": count,
        "비율(%)": ratio,
    })

radius_summary = pd.DataFrame(summary)

스타벅스 반경	카페 수	누적 비율
50m 이내	1,837	6.74%
100m 이내	4,975	18.26%
300m 이내	16,223	59.53%
500m 이내	21,783	79.94%
1km 이내	26,458	97.09%

서울의 커피 관련 매장 중 약 59.53%가 스타벅스 300m 안에 있고 약 79.94%가 500m 안에 있다.

다만 스타벅스와 다른 카페가 모두 유동 인구가 많은 상권을 선호하기 때문에 나타난 결과일 수도 있다. 이 결과만으로 스타벅스가 주변 카페 입점을 유발했다고 해석하면 안 된다.

11. 시각화

11.1 거리 구간별 커피전문점 수

Seaborn의 막대 그래프로 거리 구간별 매장 수를 비교한다.

import matplotlib.pyplot as plt
import seaborn as sns

plt.rcParams["font.family"] = (
    "Apple SD Gothic Neo"
)
plt.rcParams["axes.unicode_minus"] = False

plt.figure(figsize=(10, 5))

sns.barplot(
    data=distance_summary,
    x="거리구간",
    y="카페수",
)

plt.title(
    "스타벅스 기준 거리 구간별 커피전문점 수"
)
plt.xlabel("스타벅스까지 거리")
plt.ylabel("커피전문점 수")
plt.xticks(rotation=30)
plt.tight_layout()

plt.savefig(
    OUTPUT_DIR / "distance_bucket_count.png",
    dpi=150,
    bbox_inches="tight",
)

plt.show()

실행 결과

100~300m 구간에 있는 커피전문점이 11,248곳으로 가장 많다.

savefig()를 show()보다 먼저 실행하면 그래프가 빈 이미지로 저장되는 문제를 방지할 수 있다.

11.2 거리 구간별 커피전문점 비율

매장 수를 전체 커피전문점 수에 대한 비율로 변환해 비교한다.

plt.figure(figsize=(10, 5))

sns.barplot(
    data=distance_summary,
    x="거리구간",
    y="비율(%)",
)

plt.title(
    "스타벅스 기준 거리 구간별 커피전문점 비율"
)
plt.xlabel("스타벅스까지 거리")
plt.ylabel("비율(%)")
plt.xticks(rotation=30)
plt.tight_layout()

plt.savefig(
    OUTPUT_DIR / "distance_bucket_ratio.png",
    dpi=150,
    bbox_inches="tight",
)

plt.show()

실행 결과

전체 커피전문점 중 41.28%가 스타벅스와 100~300m 떨어진 구간에 있다. 1km 이상 떨어진 매장은 2.91%로 가장 적다.

11.3 반경별 누적 비율

누적 비율 선그래프를 사용하면 반경이 넓어질수록 포함되는 커피전문점의 비율이 어떻게 증가하는지 확인할 수 있다.

plt.figure(figsize=(9, 5))

sns.lineplot(
    data=radius_summary,
    x="반경_m",
    y="비율(%)",
    marker="o",
)

plt.title(
    "스타벅스 반경별 커피전문점 누적 비율"
)
plt.xlabel("스타벅스 반경(m)")
plt.ylabel("누적 비율(%)")
plt.xticks(radius_list)
plt.tight_layout()

plt.savefig(
    OUTPUT_DIR / "radius_cumulative_ratio.png",
    dpi=150,
    bbox_inches="tight",
)

plt.show()