지식산업센터 분석 및 머신러닝 추천 모델 개발 프로젝트

Knowledge Industry Center Analysis and Machine Learning Recommendation Model Development Project

지식산업센터에 입주하고자 하는 기업에게 최적의 매물을 추천하는 머신러닝 기반 의사결정 지원 시스템

• 기간: ‘25년 4월 ~ ‘25년 6월(3개월)

• 건국대학교 산업공학과 데이터애널리틱스(윤장혁 교수님)

• 기술 스택

파트	사용 도구
데이터 수집	Selenium, Requests
전처리	pandas, numpy
머신러닝	scikit-learn, KMeans, Gensim
자연어처리	KoNLPy, Transformers, SBERT
시각화	matplotlib, seaborn, plotly

프로젝트 개요

• 기업의 재무구조와 유사한 기업들이 선택한 부동산 데이터를 기반으로 매물 추천
• 재무 정보만으로 실제 입주 여부를 예측하여 효율적이고 정량적인 추천 시스템 제공
• 추천 후보군 수, 각 평가 지표의 가중치를 데이터 기반으로 최적화
• 입주 기업들의 특성을 분석하여 비즈니스 인사이트 도출

목차

1. 데이터 수집 및 전처리
2. 추천 모델 설계
3. 모델 성능 평가
4. 주요 인사이트
5. 한계점 및 개선 방향

데이터 수집 및 전처리

• 입주 기업 데이터
  • 출처: 중소기업현황정보시스템
  • 주요 변수: 총자산, 자본금, 순이익, 종업원수 등
• 매물 데이터
  • 출처: 네이버 부동산 API
  • 주요 변수: 전용면적, 평당 예상 매매가, Infra Score 등
• 인프라 스코어 산정 방식
  • 지하철, 도로, 은행 접근성 종합 평가
  • 거리 기반 점수화 + 조화평균 사용

모델 프로세스

추천 모델 설계

• 핵심 로직

  • 입력기업의 재무정보로 유사 기업 Top K 추출
  • 이들의 부동산 매물 중 유사 매물 K개 추천
  • 유클리드 거리 기반 추천, Optuna로 파라미터 최적화

• 적용 모델

  • 협업 필터링 기반 매물 추천 알고리즘
  • PCA 활용 차원 축소
  • Logistic Regression (L1/L2), RandomForest로 성능 평가

• 파라미터 튜닝

  • Optuna를 이용해 w1~w5 (가중치), k (추천 개수) 최적화
  • 추천 정확도(Precision@K)를 기준으로 평가

모델 성능 평가

• Precision@K
  • 최적 추천 개수: k=13
  • 최종 CV Score: 0.3778 ± 0.0831
  • 실전 테스트 성공률: 34.0%
• 회귀 분석
  • 영향력 가장 큰 요인: 기업 규모, 평당 매매가
  • AUC: 0.824

주요 인사이트

1. 기업 규모가 유사할수록 매물 선택도 유사
   → 매출이나 자산보다는 규모가 부동산 결정에 더 직접적 영향을 미침

2. 면적보다 가격이 결정적인 변수
   → 넓은 공간보다 ‘적절한 가격’이 선택에 큰 영향을 줌

3. 수도권-비수도권 간 인프라 격차 큼
   → 지하철 접근성은 수도권 중심으로 편중

한계점 및 개선 방향

구분	설명
데이터	재무 정보 부정확성, 일부 산업 데이터 부재
모델 성능	변동성 있음, 평균 정확도 낮음 (37.8%)
추천 전략	추천 개수 많아 오히려 선택 부담, 추천 수 축소 필요

• 추천 매물 수 축소 (k = 13 → 6)
• 산업별 맞춤형 추천 모델 도입
• 실시간 피드백 시스템으로 유동적 가중치 조정
• 이상치/결측치 정제 및 모델 앙상블 강화

본 프로젝트는 실제 부동산 시장에서 사용 가능한 모델을 지향하며, 정량적 분석을 기반으로 효율적인 의사결정을 지원합니다.
향후 산업군별 정교화, 실시간 업데이트 및 피드백 시스템을 추가함으로써 더 나은 성능을 기대할 수 있습니다.