Communitygithub.com

입지 선정 및 자기잠식 분석

CARTO 워크플로우를 구축하여 새로운 시설(매장, 충전소, 사무실)의 최적 입지를 공간 기준으로 평가하고, 중복되는 권역으로 인한 자기잠식 위험을 정량화합니다. 또한 유사 입지 및 쌍둥이 지역 탐색도 지원합니다.

입지 선정 및 자기잠식 분석란 무엇인가요?

이 스킬은 CARTO 플랫폼에서 입지 선정, 자기잠식 분석, 유사 입지 탐색을 위한 완전한 워크플로우를 제공합니다. 사용자가 '새 매장 위치', '자기잠식', '최적 입지' 등을 언급하면 활성화되며, 크게 세 가지 패턴으로 동작합니다: (A) 점수 기반 입지 선정 – 기존 위치와 대상 지역을 H3/Quadbin 그리드로 변환 후 인구, 소득 등 수요 신호로 보강하고 점수를 매겨 최적 후보를 선정합니다. (B) 자기잠식 분석 – 기존 및 제안 위치의 상권(iso/Buffer)을 생성하고 H3 그리드로 변환하여 중첩 정도를 계산함으로써 신규 점포가 기존 매출에 미치는 영향을 정량화합니다. (C) 쌍둥이 지역 – 우수 지점의 상권 프로필을 PCA 기반 모델로 학습시킨 후, 동일한 변수로 보강된 다른 지역과 유사도를 비교하여 유사 입지를 발굴합니다. 모든 패턴은 CARTO MCP 서버의 워크플로우 도구(create_workflow, validate_workflow, run_workflow) 또는 CLI(carto workflows)를 통해 실행됩니다. 이 스킬은 BigQuery, Snowflake 등 주요 클라우드 데이터 웨어하우스를 지원하며, 상업적 핫스팟 분석을 위한 Retail 모듈도 포함합니다. 워크플로우 구성 시 테이블 분할, 거리 계산, 점수 정규화 등에 대한 구체적인 가이드와 주의사항(Gotchas)을 함께 제공합니다.

지원 대상✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/CartoDB/agent-skills/tree/HEAD/skills/carto-site-selection

즐겨 사용하는 AI에게 물어보기

이 에이전트 스킬이 미리 로드된 새 채팅을 엽니다.

문서

입지 선정 및 자기잠식 분석은(는) 무엇을 하나요?

공간 기준을 결합하여 새 시설(매장, 충전소, 사무실)의 최적 입지를 식별하고, 중복되는 권역의 자기잠식 위험을 정량화하는 CARTO 워크플로우를 구축합니다. 또한 쌍둥이 지역 및 유사 입지 탐색도 다룹니다.

전제 조건: 개발 프로세스, JSON 구조 및 검증을 위해 carto-create-workflow를 로드하세요. MCP 서버의 워크플로우 도구(create_workflow, validate_workflow, run_workflow)가 연결된 경우의 접근 경로와 그 외 carto workflows CLI를 모두 다룹니다. 라우팅 신호: carto-basics/references/access-paths.md. 등시선, 버퍼, 권역 보강이 포함된 워크플로우라면 carto-trade-area-analysis를 로드하세요. 권역 파이프라인을 자세히 다룹니다.


의사 결정 트리

사용자 의도패턴
"새 매장은 어디에 열어야 하나요?"입지 선정 (점수화 + 순위화)
"새 매장이 기존 매장에 타격을 줄까요?"자기잠식 분석
"내 최고 성과 매장과 유사한 입지를 찾아주세요"쌍둥이 지역 / 유사 입지

지침

패턴 A: 입지 선정 (점수화 + 순위화)

기존 위치 + 대상 영역 -> 공간 인덱싱 -> 인구/POI 보강 -> 점수화/순위화 -> 상위 후보 필터링 -> 저장

1단계: 데이터 로드

native.gettablebyname으로 두 데이터셋을 로드합니다:

  • 기존 위치 (현재 매장/시설)
  • 대상 영역 (예: 도시 경계, 구역 폴리곤, 또는 연구 지역을 덮는 그리드)

두 데이터셋이 하나의 테이블에 있을 때 후보와 기존 네트워크 분할. 사용자 소스가 하나의 테이블이고 "후보"가 수치 임계값(예: revenue ≥ X, size ≥ Y)으로 정의된 경우, 해당 조건을 가진 native.where 하나를 사용하여 match 출력을 후보 파이프라인에 연결하고 unmatch 출력을 기존 네트워크 파이프라인에 연결합니다. 하나의 노드에서 두 개의 스트림이 생성되어 orderby + limit + customsql NOT IN 방식보다 훨씬 간단하며, custom SQL을 완전히 피할 수 있습니다. 임계값은 "상위 N개"에 근접합니다. 사용자가 정확히 "정확히 상위 25개"라고 말한 경우 orderby + limit이 올바른 선택이지만, 추가 노드 비용을 인지하고 사용하세요.

성공: 두 테이블 모두 지오메트리 열과 고유 식별자가 로드되었습니다.

2단계: 후보 그리드 구축

native.h3polyfill 또는 native.quadbinpolyfill을 사용하여 대상 영역을 H3 또는 Quadbin 셀로 채웁니다. 각 셀은 하나의 후보 마이크로 입지입니다.

성공: 연구 영역을 덮는 연속적인 셀 그리드가 생성되었습니다.

3단계: 후보 보강

native.h3enrich, native.joinv2 또는 Data Observatory를 사용하여 인구, 소득, 보행자 통행량, POI 밀도 등 수요 신호를 각 셀에 첨부합니다.

후보가 그리드가 아닌 연속 폴리곤(권역/구역)인 경우, native.enrichpolygons와 native.spatialjoin + native.groupby 중 선택 시 carto-spatial-enrichment 4단계에서 절충점(AT 의존성 대 노드 수 대 조건/결합 제어)을 참조하세요.

성공: 각 그리드 셀에 수요/적합성 요소를 나타내는 숫자 열이 있습니다.

4단계: 기존 위치와의 근접성 필터링

native.h3distance를 사용하여 각 후보 셀에서 가장 가까운 기존 위치까지의 홉 거리를 계산합니다. 너무 가까운(자기잠식 위험) 또는 너무 먼(물류 비용) 셀은 필터링합니다. 출력은 홉 수이며, 미터법 거리가 아닙니다. 해상도의 모서리 길이를 통해 변환하세요(주의사항 참조).

거리 의미 — 후보 지점이 아닌 권역 폴리곤에서 자기잠식을 측정. 후보가 생성된 상권(등시선/버퍼 — carto-trade-area-analysis 참조)을 가진 점인 경우, 후보 지점 자체가 아닌 후보의 권역 폴리곤에서 기존 경쟁 지점까지의 native.distance를 계산합니다. 이유: ST_DISTANCE(polygon, point) = 0은 경쟁자가 상권 내부에 있을 때마다 발생하므로, 이는 정확히 원하는 자기잠식 신호입니다. 점-점 거리는 "가장 가까운 경쟁자가 얼마나 먼가"만 보고 중첩을 숨깁니다. 상권 크기와 일관된 radius를 선택하세요(예: 10분 도보 권역의 경우 ~5km). 큰 반경은 신호를 희석시킵니다. 이 폴리곤-점 패턴은 패턴 A의 H3 홉 필터와 패턴 B의 전체 그리드 중첩 분석 사이의 중간 지점입니다. 후보가 이미 연속적인 권역 지오메트리를 가지고 있을 때 사용하세요.

성공: 후보 셀이 기존 위치에서 적절한 거리 범위 내에 있으며, 권역 폴리곤이 존재하는 경우 해당 폴리곤에서 자기잠식 신호가 측정됩니다.

5단계: 점수화 및 순위화

trade-area-analysis의 점수화 패턴을 사용합니다:

  1. 정규화: native.normalize를 사용하여 각 변수를 [0,1]로 정규화
  2. 복합 점수: 사용자 정의 가중치로 native.selectexpression 사용
  3. 순위화: native.orderby (내림차순) + native.limit (상위 N개)

성공: 복합 점수와 기여 변수가 포함된 순위가 매겨진 후보 셀 최종 후보 목록입니다.

6단계: 저장

native.saveastable을 사용합니다. H3/Quadbin 열은 CARTO Builder에서 바로 시각화할 수 있습니다.

성공: 업로드 준비가 완료된 검증된 워크플로우입니다.


패턴 B: 자기잠식 분석

기존 + 제안 위치 -> 상권 (등시선/버퍼) -> 그리드 채움 -> 교차/결합 -> 중첩 측정 -> 저장

1단계: 데이터 로드

기존 위치와 제안 위치(또는 두 세트를 구분하는 플래그 열이 있는 단일 테이블)를 로드합니다. 두 세트가 단일 테이블에 있고 수치 임계값(예: revenue ≥ X)으로 분할되는 경우, 패턴 A 1단계의 native.where match/unmatch 분할을 참조하세요. 하나의 노드에서 두 스트림을 생성하고 custom SQL을 피합니다.

성공: 두 세트 모두 지오메트리와 고유 식별자로 로드되었습니다.

2단계: 상권 생성

native.isolines (현실적) 또는 native.buffer (단순)를 사용하여 기존 및 제안 위치 모두에 대해 권역을 생성합니다. 비교 가능성을 보장하기 위해 두 세트에 동일한 매개변수를 사용합니다.

성공: 모든 위치에 일관된 매개변수의 권역 폴리곤이 있습니다.

3단계: 공간 인덱스로 채움

native.h3polyfill로 모든 권역 폴리곤을 H3 또는 Quadbin 셀로 변환합니다. 위치 식별자와 is_proposed 플래그를 유지합니다.

성공: 위치당, 셀당 한 행이며, 위치 ID와 유형 플래그가 있습니다.

4단계: 중첩 찾기

기존 위치 셀과 제안 위치 셀 간에 native.joinv2 (공간 인덱스 열에 대한 내부 조인)를 사용합니다. 결과에는 하나 이상의 기존 위치와 하나 이상의 제안 위치에 모두 속하는 셀이 포함됩니다.

성공: 기존 및 제안 권역 모두에 속하는 셀만 출력됩니다.

5단계: 영향 측정

native.groupby를 사용하여 중첩 집계:

  • 기존 위치별: 중첩 셀 수 / 해당 위치 권역의 전체 셀 수 = 중첩 백분율
  • 중첩 셀 보강: 공유 수요를 정량화하기 위해 인구 또는 매출로 보강

native.selectexpression을 사용하여 중첩 비율을 계산합니다.

성공: 각 기존 위치에는 권역이 제안 위치와 얼마나 공유되는지 보여주는 중첩 지표가 있습니다.

6단계: 저장

native.saveastable을 사용합니다.

성공: 위치별 자기잠식 지표가 포함된 검증된 워크플로우입니다.


패턴 C: 쌍둥이 지역 / 유사 입지

최고 성과 위치 -> 상권 -> 보강 -> 유사성 모델 구축 -> 모든 후보 영역 점수화 -> 순위화 -> 저장

1단계: 참조 위치 식별

전체 위치 데이터셋을 로드합니다. native.wheresimplified 또는 native.orderby + native.limit를 사용하여 최고 성과자(예: 상위 사분위수 매출)로 필터링합니다.

성공: 참조 세트로 격리된 고성능 위치의 하위 집합입니다.

2단계: 상권 생성 및 보강

참조 위치 주변에 등시선 또는 버퍼 상권을 만듭니다. H3/Quadbin으로 채웁니다. 인구 통계, POI 및 관련 변수로 보강합니다.

성공: 각 참조 위치에는 풍부한 인구 통계 프로필이 있습니다.

3단계: 쌍둥이 지역 모델 구축

native.buildtwinareasmodel (BUILD_TWIN_AREAS_MODEL)을 사용하여 보강된 참조 위치에서 PCA 기반 유사성 모델을 만듭니다.

  • 입력: 숫자 특성 열이 있는 보강된 참조 위치
  • 모델은 성공적인 위치의 다변량 "시그니처"를 캡처합니다.

성공: 최고 성과자의 인구 통계 프로필을 인코딩하는 모델 아티팩트입니다.

4단계: 유사 입지 찾기

native.findsimilarlocations (FIND_SIMILAR_LOCATIONS)를 사용하여 쌍둥이 지역 모델에 대해 모든 후보 영역의 점수를 매깁니다.

  • 입력: 모델 구축에 사용된 동일한 변수로 보강된 후보 영역
  • 출력: 후보별 유사도 점수

성공: 모든 후보 영역에 참조 세트 대비 유사도 점수가 있습니다.

5단계: 순위화 및 저장

유사도 점수 내림차순으로 순위를 매깁니다. 상위 후보를 저장합니다.

성공: 최고 성과 위치와 가장 유사한 영역의 순위 목록입니다.


상업적 핫스팟 변형

수요 기반 입지 선정(예: "충족되지 않은 수요가 가장 높은 곳은 어디인가?")의 경우 native.commercialhotspots를 사용합니다:

  1. 연구 영역 위에 H3 그리드 구축
  2. 대상 수요 변수(예: 15-34세 인구)로 보강
  3. variablecolumns 및 weights와 함께 native.commercialhotspots 실행
  4. 유의성으로 결과 필터링 (p_value < 0.05)
  5. 선택적으로 native.h3distance로 기존 위치에서 필터링하여 서비스 부족 지역에 집중

참고: variablecolumns는 Python 스타일 목록 구문(['col1', 'col2'])을 사용하고, weights는 쉼표로 구분됩니다. 자세한 내용은 trade-area-analysis 주의사항을 참조하세요.


주의사항

  • 프로바이더 대/소문자 및 SQL 방언. 이 스킬은 소문자 열 이름(h3, is_proposed, population 등)을 사용합니다. 이는 BigQuery / Databricks / Postgres / Redshift 규칙입니다. Snowflake에서는 따옴표 없는 식별자가 대문자로 표시되므로 H3, IS_PROPOSED, POPULATION으로 참조하세요. 대/소문자 규칙 및 SQL 방언 동등 항목은 carto-create-workflow/references/providers/<provider>.md를 참조하세요.
  • native.commercialhotspots에는 Analytics Toolbox의 Retail 모듈이 필요합니다. --connection으로 가용성을 확인하세요.
  • 쌍둥이 지역 및 유사 입지는 내부적으로 PCA를 사용합니다. 결과는 변수 선택 및 스케일링에 민감합니다. 관련성 있고 중복되지 않는 변수만 포함하고, 스케일 차이가 크면 입력을 정규화하세요.
  • 자기잠식 중첩은 상권 정의(버퍼 반경, 등시선 시간)에 크게 의존합니다. 매개변수의 작은 변화가 결과를 뒤집을 수 있습니다. 선택한 매개변수와 근거를 문서화하세요.
  • native.h3distance는 홉 수를 반환하며, 물리적 거리가 아닙니다. 대략적인 미터법 거리를 얻으려면 해당 해상도의 셀 모서리 길이를 곱하세요(예: 해상도 8 ~ 홉당 460m, 해상도 9 ~ 홉당 174m).
  • 크기가 다른 지역을 비교할 때는 크기 편향을 피하기 위해 인구 통계를 1인당 또는 단위 면적당 값으로 정규화하세요(예: 총 인구 대신 인구 밀도).
  • "최고" 입지는 전적으로 선택한 기준과 가중치에 달려 있습니다. 객관적으로 옳은 답은 없습니다. 항상 가정을 문서화하고 사용자가 가중치를 조정할 수 있도록 하세요.
  • 쌍둥이 지역 모델의 경우 참조 위치와 후보 모두에 동일한 보강 변수 집합을 사용하세요. 변수가 일치하지 않으면 모델이 실패하거나 의미 없는 점수를 생성할 수 있습니다.

참조 템플릿

아카데미 튜토리얼

튜토리얼프로바이더URL
Pizza Hut Honolulu — 상업적 핫스팟을 이용한 입지 선정BigQuery링크
Pizza Hut Honolulu — 상업적 핫스팟을 이용한 입지 선정Snowflake링크
매장 자기잠식 — 신규 매장 영향 정량화BigQuery링크
스타벅스 자기잠식 — H3 그리드 중첩 분석BigQuery링크
매장 자기잠식 — Quadkey 그리드 중첩Snowflake링크
최고 성과 매장의 쌍둥이 지역 찾기BigQuery링크
상권 기반 유사 입지 찾기BigQuery링크
전기차 충전소 입지 선정워크플로우링크

일반적인 변형

변형방법
소매 확장등시선 -> 인구 통계 + 경쟁사 밀도 보강 -> 복합 점수 -> 상위 N개
프랜차이즈 영역 계획자기잠식 패턴을 사용하여 영역 할당 전 비중복 권역 보장
전기차 충전 / 공공 서비스그리드 기반 수요(인구, 교통량) + 기존 위치 거리 필터 -> 서비스 부족 셀 순위화
옥외 광고(OOH) 게재버퍼 -> 오디언스 보강 -> 정규화 + 가중치 -> 상위 N개 (trade-area-analysis 참조)
은행 지점 최적화최고 지점의 쌍둥이 지역 -> 유사한 서비스 부족 지역 찾기 -> 새 지점 제안
경쟁사 입지 분석경쟁사 데이터 로드 -> 상권 생성 -> 자체 네트워크와 중첩 -> 위협 수준 순위화
유통 창고 입지운송 비용 + 인구 밀도 중심 -> 다중 기준 점수화 -> 최적 입지
의료 시설 입지수요 기반(인구 밀도, 연령 분포) + 기존 시설과의 거리 -> 상위 공백 지역

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

관련 스킬