이디야는 스타벅스 옆에 있을까?

지난 포스트에서 스타벅스와 이디야 홈페이지에서 각각의 매장정보를 스크랩하는 방법을 정리했습니다. 이번엔 수집한 정보를 바탕으로 간단한 시각화와 함께 '이디야는 스타벅스 옆에 있을까?'란 주제로 데이터를 살펴보겠습니다. 이 포스트는 '제로베이스 데이터스쿨'에서 과제로 제출한 것을 일부 수정한 것입니다.

구별 매장 수 비교

수집했던 정보를 먼저 불러오겠습니다.

import pandas as pd

df_starbucks = pd.read_csv('./data/starbucks_info.csv')
df_ediya = pd.read_csv('./data/ediya_info.csv')

분석을 위해 '구분' 컬럼을 만들어 주겠습니다.

df_starbucks['구분'] = '스타벅스'
df_ediya['구분'] = '이디야'

df_ediya

df_starbucks

스타벅스와 이디야 데이터는 동일한 형식의 데이터 프레임입니다. 매장명, 구, 주소, 위도, 경도 데이터를 갖고 있고, 방금 분석을 위해 '구분' 컬럼을 만들어 주었습니다.

스타벅스와 이디야 데이터를 합쳐줍니다.

combined_df = pd.concat([df_starbucks, df_ediya])
combined_df

combined_df.reset_index(drop=True, inplace=True)
combined_df

시각화 작업을 위해 필요한 설정을 합니다.

# 폰트 설정
%matplotlib inline
plt.rcParams['font.family'] = 'Malgun Gothic'
plt.rcParams['axes.unicode_minus'] = False

구별로 스타벅스와 이디야 매장수를 보기 위해 countplot을 그려보겠습니다.

def draw_countplot():
    plt.figure(figsize=(10, 6))
    sns.countplot(data=combined_df, x='구', hue='구분', 
                  order=combined_df['구'].value_counts().index, 
                  palette={'스타벅스': '#104C33', '이디야':'#243C84'})
    plt.xticks(rotation=45)
    plt.xlabel('구', size=15)
    plt.ylabel('매장수', size=15)
    plt.title('서울시 구별 스타벅스/이디야 매장수', size=20)
    plt.show()

draw_countplot()

• 스타벅스와 이디야는 모두 서울 매장이 600여개로 비슷한 수준이나 구별 매장 분포는 큰 차이를 보입니다.
• 스타벅스는 강남구, 중구, 서초구 등 매장 수 상위 5~7개구에 매장 대부분이 몰렸있습니다.
• 이디야도 강남구, 영등포구 등이 다른 구에 비해 많은 매장이 위치하고 있지만, 스타벅스에 비해 구별로 고른 분포를 보이고 있습니다.

구별 매장수가 혹시 구별 인구와 관계가 있는지 궁금해져서 그걸 확인해보기로 했습니다.
구별 인구 데이터는 '서울시 열린데이터 광장'(https://data.seoul.go.kr/dataList/419/S/2/datasetView.do)에서 구했습니다.

# '서울시 열린데이터 광장'(https://data.seoul.go.kr/dataList/419/S/2/datasetView.do)에서 수집한 2022 서울시 구별 주민등록인구
population = pd.read_csv('./data/주민등록인구_20231109120918.csv', header=2)
population

분석을 위해 컬럼 이름을 변경하고, 분석에 필요한 컬럼만 선택해 새로 데이터 프레임을 만들어 줍니다.

population.rename(columns={'동별(2)': '구', '소계': '인구', '소계.1': '한국인', '소계.2': '외국인'}, inplace=True)
population = population[['구', '인구', '한국인', '외국인']]
population

population.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 25 entries, 0 to 24
Data columns (total 4 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   구       25 non-null     object
 1   인구      25 non-null     int64 
 2   한국인     25 non-null     int64 
 3   외국인     25 non-null     int64 
dtypes: int64(3), object(1)
memory usage: 928.0+ bytes

구별 인구 순으로 정렬했습니다. 송파구, 강서구, 강남구의 인구가 가장 많습니다. 중구, 종로구가 인구가 가장 적습니다.

population.sort_values(by='인구', ascending=False)

좀 전에 그렸던 countplot과 인구를 하나의 그래프에 나타내도록 하겠습니다.

def drawGraph_with_pop():
    plt.figure(figsize=(14, 8))
    ax1 = sns.countplot(data=combined_df, x='구', hue='구분', 
                  order=combined_df['구'].value_counts().index, 
                  palette={'스타벅스': '#104C33', '이디야':'#243C84'})
    plt.xticks(rotation=45)

    ax2 = ax1.twinx()

    # combined_df의 x축과 인구 데이터의 '구' 순서를 일치시킵니다.
    ordered_population = population.set_index('구').loc[combined_df['구'].value_counts().index].reset_index()

    # 재정렬된 인구 데이터를 사용해 선 그래프를 그립니다.
    sns.lineplot(data=ordered_population, x='구', y='인구', sort=False, ax=ax2, color='black', marker="s")

    plt.xlabel('구', size=15)
    ax1.set_ylabel('매장수', size=15)
    ax2.set_ylabel('인구수', size=15)
    plt.title('서울시 구별 스타벅스/이디야 매장수와 구별 인구', size=20)
    ax1.legend(title='구분', loc='upper left')
    ax2.legend(['인구'], loc='upper right')
    plt.grid(True)
    plt.show()

drawGraph_with_pop()

• 그래프로는 구별 인구와 매장수간에 뚜렷한 관계가 관찰되지 않습니다.
• 스타벅스의 매장수가 많은 강남구, 중구, 영등포구, 서초구 등은 일반적으로 상업지역이며 유동인구가 많다고 알려져 있습니다.
• 개인점주가 주를 이루는 이디야의 경우 임대료가 높은 지역에 입점하는데는 제한이 많을 것으로 예상됩니다.

구별로 상이한 스타벅스와 이디야 매장수가 인구와 관련성이 있지 않을까 생각해 '구별 주민등록 인구' 데이터를 함께 살펴봤지만, 이와는 상관성이 높지 않아 보입니다. 주민등록인구보다는 흔히 말하는 유동인구와 관련성이 더 높을 것 같습니다. 이를 위해선 유동인구 데이터가 필요한데, 이건 여기선 다루지 않겠습니다.

folium을 이용한 지도 시각화

스타벅스와 이디야의 위경도 정보를 이용해 각각을 지도에 나타내 보겠습니다.

def draw_folium_Graph():
    geo_path = './data/02. skorea_municipalities_geo_simple.json'
    geo_str = json.load(open(geo_path, encoding='utf-8'))

    seoul = folium.Map(
        location=(37.5502, 126.982),
        zoom_start=12,
        tiles='cartodbpositron'
        )
    
    pop = population.set_index('구')

    folium.Choropleth(
        geo_data=geo_str,
        data=pop['인구'],
        columns=[pop.index, pop['인구']],
        key_on='feature.id',
        fill_color='RdPu',
        fill_opacity=0.4,
        line_opacity=0.4,
        legend_name='구별 인구'
    ).add_to(seoul)
    
    for _, row in combined_df.iterrows():
        folium.Marker(
            location=(row['lat'], row['lng']),
            popup= row['store'],
            tooltip= row['구분'], 
            icon=folium.Icon(
                icon_color= '#104C33' if row['구분'] == '스타벅스' else '#243C84',
                icon='star' if row['구분'] == '스타벅스' else 'mug-saucer',
                prefix='fa'
            )
        ).add_to(seoul)

    return seoul

draw_folium_Graph()

• 스타벅스는 초록색 별, 이디야는 파란색 컵 모양의 아이콘으로 나타냈습니다.
• 구별 인구가 많을 수록 해당 지역을 진한색으로 나타냈습니다.
• 지도를 확대해 구별로 살펴보면 스타벅스 매장 인근에 반드시 이디야 매장이 있지는 않은 걸로 보입니다.
• 앞서 구별 매장 수에 대한 시각화에서 살펴 보았듯, 강남구와 중구에 매우 많은 마커가 밀집해 있음을 눈으로 확인할 수 있습니다.

스타벅스와 이디야 매장간 거리 계산

이번엔 직접 스타벅스와 이디야 매장이 얼마나 가까이 위치해 있는지 거리를 계산해 보겠습니다.

haversine 모듈을 이용하면 두 지점 사이의 거리를 계산할 수 있습니다. 시험삼아 haversine 모듈로 이디야 강남YMCA점과 스타벅스 역삼아레나빌딩점의 거리를 계산해 보겠습니다.

# 테스트

ediya1 = (37.509943, 127.035702) # 이디야 강남YMCA점
star1 = (37.501087, 127.043069) # 스타벅스 역삼아레나빌딩
haversine(ediya1, star1) # 킬로미터 단위로 계산된 거리를 반환

1.17983920649527

구글 지도를 통해 두 지점의 거리를 계산한 결과는 1.2km입니다. 구글 지도와 오차는 30m정도입니다. 사용하기에 큰 무리가 없을 것 같습니다.

그러면 가장 가까운 상대 브랜드 매장과의 거리를 구하는 함수를 정의하겠습니다.

def get_distance(first_df, second_df):
    first_location = []
    for _, row in first_df.iterrows():
        first_location.append((row['lat'], row['lng']))

    second_location = []
    for _, row in second_df.iterrows():
        second_location.append((row['lat'], row['lng']))

    first_dist = []
    second_dist = []

    # 가장 가까운 이디야 매장과의 거리를 구함(m 단위)
    for first in tqdm(first_location):
        min_first = np.inf
        for second in second_location:
            distance = haversine(first, second, unit=Unit.METERS) 
            if distance < min_first:
                min_first = distance
        first_dist.append(int(min_first))
    
    # 가장 가까운 스타벅스 매장과의 거리를 구함(m 단위)
    for second in tqdm(second_location):
        min_second = np.inf
        for first in first_location:
            distance = haversine(second, first, unit=Unit.METERS)
            if distance < min_second:
                min_second = distance
        second_dist.append(int(min_second))
        
    result_first = first_df.copy()
    result_second = second_df.copy()
    result_first['가까운 상대 매장(m)'] = first_dist
    result_second['가까운 상대 매장(m)'] = second_dist

    return result_first, result_second

가장 가까운 상대 브랜드 매장까지의 데이터가 추가된 새로운 데이터 프레임을 결과로 반환받습니다.

tmp_star, tmp_edy = get_distance(df_starbucks, df_ediya)

tmp_star

tmp_star[tmp_star['가까운 상대 매장(m)'] < 500]

스타벅스 전체 607개 매장 중 493개가 500m 이내 이디야 매장이 위치합니다.

tmp_star.describe()

가까운 이디야 매장까지의 평균거리는 318m입니다

tmp_edy

tmp_edy[tmp_edy['가까운 상대 매장(m)'] < 500]

이디야 전체 614개 매장 중 437개가 500m 이내 스타벅스 매장이 위치합니다.

tmp_edy.describe()

가장 가까운 스타벅스 매장까지의 평균거리는 401m입니다. 스타벅스에 비해 상대 브랜드까지의 평균거리가 83m 더 멉니다.

시각화를 위해 다시 두 데이터 프레임을 합쳐주겠습니다.

combined_distance = pd.concat([tmp_star, tmp_edy])
combined_distance.reset_index(drop=True, inplace=True)
combined_distance

combined_distance.describe()

def draw_distance_by_boxplot():
    plt.figure(figsize=(12, 8))
    sns.boxplot(data=combined_distance, x='구', y='가까운 상대 매장(m)', 
                hue='구분', palette={'스타벅스': '#104C33', '이디야':'#243C84'})
    plt.xticks(rotation=45)
    plt.title('가장 가까운 상대 브랜드 매장까지의 거리(스타벅스/이디야)', size=20)
    plt.grid(True)
    plt.show()

draw_distance_by_boxplot()

• 이디야가 스타벅스에 비해 상대 브랜드 매장까지의 거리 분포가 더 큰 편입니다.
• 스타벅스 그래프를 보면, 전체 25개구 중 22개구에서 가장 가까운 이디야 매장이 500m 이내 위치합니다.
• 이디야는 대략 절반 정도의 구에서 가장 가까운 스타벅스 매장까지의 거리가 500m 이상인 경우가 존재합니다.

'이디야가 스타벅스 매장이 위치하는 곳에 매장을 위치시키는 것이 아니냐는 의심'은 스타벅스 입장에선 근거가 있는 걸로 보입니다. 하지만 이디야 입장에선 구별 매장 분포도 스타벅스와는 다른 양상을 보이고, 가까운 스타벅스 매장과의 거리가 500m 이상인 매장도 다수 존재한다고 말할 수 있습니다.

haversine 모듈을 통해 상대 브랜드 매장까지의 거리를 계산한 결과를 보면, 스타벅스와 이디야 모두 서울에 위치한 600여개 매장 중 400개 이상의 매장이 상대 브랜드 매장까지의 거리가 400m 이내 라는 걸 알 수 있습니다. 하지만, 두 브랜드가 같은 업종인 점을 생각하면 입점을 위해 고려할 요소들이 유사할 수 있기 때문에 상대 브랜드 매장까지의 거리가 크지 않은 것이라고 판단할 수도 있습니다.

구별 매장 분포에서 스타벅스와 이디야 두 브랜드가 상당히 다른 분포를 보이는 것을 생각하면, 두 브랜드가 고려하는 입점 요소에는 차이가 있다고 생각됩니다. 스타벅스와 이디야 모두 구별 매장 수에 차이가 있지만 이디야는 비교적 고른 분포를 보인 반면, 스타벅스는 일부 지역에 매장이 편중된 양상을 보였습니다.

본문에서 데이터로 확인하진 않았지만, 스타벅스는 유동인구가 많은 지역에 집중적으로 매장을 입점시켜 매출을 극대화하는 방향을 추구한 것 같습니다. 반면, 이디야는 개인점주가 중심이기 때문에 임대료가 비싼 지역에 입점하는데 한계가 있습니다. 또, 점주의 생활반경 내에 매장을 구하는게 보통이기도 합니다. 이런 요소가 스타벅스와 이디야 매장이 구별로 상이한 분포를 보이는 이유일 것 같습니다.