AI가 분석한 동네 성격으로 "나에게 맞는 동네"를 찾는 서비스
이사를 결정할 때 가격, 교통, 학군은 쉽게 찾을 수 있습니다.
그런데 "이 동네가 나와 맞는가" 는 어디서도 알려주지 않습니다.
| 서비스 | 무엇을 알 수 있나 | 빠진 것 |
|---|---|---|
| 직방·다방 | 매물 가격, 면적 | 동네 분위기·성격 |
| 호갱노노 | 실거래가 시세 흐름 | 라이프스타일 적합성 |
| 카카오맵 | 주변 시설 위치 | 데이터 기반 동네 정의 |
매년 약 43만 명이 타 지역에서 서울로 이사 옵니다. 서울 내 이동까지 합치면 연간 122만 건의 주거 이동이 발생합니다.
이 중 79.8%가 1인 이동, 전입자의 68.8%가 20-30대 청년입니다.
한국리서치 조사(2024.11)에 따르면 **78%**가 주거지 선택 시 '동네 분위기·생활환경'을 중요하게 보지만,
기존 부동산 플랫폼은 가격·면적 정보만 제공합니다. (한국소비자원 2018: 앱 정보-실제 일치율 41%)
동네 MBTI는 Snowflake Marketplace 데이터(상권·부동산·유동인구·소비)를 교차 분석하여
서울 3구 118개 동의 성격을 MBTI 16유형으로 정의합니다.
8가지 질문에 답하면 나에게 딱 맞는 동네를 찾아줍니다.
"직방에서 가격은 봤는데, 이 동네 분위기가 나랑 맞는지 모르겠어요"
→ Tab 1에서 동네 MBTI를 확인하고, 내 성격과 잘 맞는 동네를 찾아보세요.
"조용하고 카페 많은 동네를 찾고 싶은데 일일이 검색하기 너무 힘들어요"
→ Tab 2에서 "조용하고 문화생활 즐기기 좋은 서초구 동네 추천해줘"처럼 자연어로 물어보세요.
"전세 계약이 만료되는데 지금 이사 타이밍인지 더 기다려야 하는지 모르겠어요"
→ Tab 3에서 실거래가 데이터 기반 향후 3개월 시세 전망을 확인하세요.
"서초구에서 T 성향이 가장 강한 동네 순위가 궁금해요"
→ Tab 4에서 자연어로 물어보면 SQL로 변환해 정확한 수치를 뽑아줍니다.
퀴즈 결과 — 나에게 맞는 동네 TOP 3:
서울 3구 118개 동을 4축 데이터로 분석해 MBTI 16유형 중 하나로 분류합니다.
| 축 | 의미 | 데이터 |
|---|---|---|
| E / I | 활발한 동네 vs 조용한 동네 | 유동인구, 주말 활성도 |
| S / N | 실용적 동네 vs 문화적 동네 | 상권 업종 분포 |
| T / F | 경제 중심 vs 생활 중심 | 자산 수준, 소비 패턴 |
| J / P | 안정적 동네 vs 변화하는 동네 | 시세 변동성, 인구이동 |
동네 카드에서 MBTI 유형 + 성격 요약 + 다른 동네와의 궁합 점수를 확인할 수 있습니다.
예시 — 서초구 내곡동은
ESTJ 독수리
"생활 속에서 필요한 모든 것을 찾을 수 있는 활기찬 동네. 생활 밀착형 소비를 즐기는 이들에게 최적화된 지역."
궁합: 신원동(ESTJ) ★★★★★ · 반포동(ISTP) ★★☆☆☆
"지하철 2호선 근처에서 조용하고 카페 많은 동네 알려줘"처럼 자연어로 대화하면
Cortex Search + Cortex Analyst가 조건에 맞는 동네를 추천해줍니다.
멀티턴 대화를 지원하여 조건을 좁혀가며 탐색할 수 있습니다.
대화 예시
나 : 서초구에서 부유한 동네 알려줘 AI : 잠원동(ESTP), 서초동(INTP), 내곡동(ESTJ) 등을 추천해 드릴게요. 나 : 나는 ESTP인데 서초구에서 나와 맞는 동네는 없어? AI : 잠원동(ESTP)이나 원지동(ESTP)을 추천해 드릴게요. 나 : 용산구는 어때?? AI : 죄송해요! 용산구는 현재 서비스 범위에 없어요. 서초구·영등포구·중구만 지원합니다.
5년치 실거래가 시계열 데이터를 기반으로 향후 3개월 시세를 예측합니다.
"지금 이사하면 좋을까?"에 대한 AI 판단을 계절성·인구이동·시세 추이로 제공합니다.
Tab 2가 "느낌으로 동네 찾기"라면, Tab 4는 수치로 파고드는 분석 도구입니다.
자연어 질문을 SQL로 자동 변환(NL2SQL)하여 MBTI 점수·통계·순위를 정확하게 조회합니다.
질의 예시
- "서초구에서 가장 외향적인(E) 동네 TOP 3 알려줘"
- "16개 MBTI 유형 분포가 어떻게 돼?"
- "각 구별 평균 TF 점수 비교해줘"
Tab 2(Cortex Search)와 Tab 4(Cortex Analyst)의 차이:
| Tab 2 | Tab 4 | |
|---|---|---|
| 방식 | 벡터 + 키워드 하이브리드 검색 | 자연어 → SQL 자동 변환 |
| 적합한 질의 | "조용하고 카페 많은 동네" | "EI 점수 상위 3개 동" |
| 결과 형식 | 동네 프로필 카드 | 테이블·수치 |
"동네 성격을 숫자로 표현하면 해석이 어렵다."
클러스터링(K-means)은 '1번 군집·2번 군집' 같은 레이블을 만들어내는데,
사람들이 이미 알고 있는 언어인 MBTI 16유형을 쓰면 "반포동은 INTJ" 한 마디로 전달됩니다.
한국 18-35세의 **93%**가 MBTI 검사 경험이 있고, Google Trends 기준 MBTI 검색량은 세계 1위(2위 홍콩의 약 6배)입니다.
Rentfrow et al. (2013)은 150만 명 데이터로 미국을 3개 성격 지역으로 분류했고,
Jokela et al. (2015, PNAS)은 런던 216개 구역에서 Person-Environment Fit이 삶의 만족도에 영향을 미침을 실증했습니다.
동네 MBTI는 이 학술적 기반 위에 한국인이 가장 익숙한 MBTI 프레임을 적용한 응용 구현입니다.
핵심 원칙: "사람의 MBTI가 아닌 동네의 MBTI" — 같은 축이라도 측정 대상이 다릅니다.
| 축 | 해석 | 핵심 지표 | 근거 |
|---|---|---|---|
| E / I | 활발한 동네 vs 조용한 동네 | 외부 방문자 비율, 주말 유동인구 비율, 유흥/여가 소비 비율 | 외부인이 많이 오고 주말에 활성화될수록 외향적(E) |
| S / N | 실용적 동네 vs 문화적 동네 | 음식·의료·학원 소비 비율(S↑) vs 카페·문화·스포츠 소비 비율(N↑) | 생활 밀착형 소비가 높을수록 감각(S), 문화 소비가 높을수록 직관(N) |
| T / F | 경제력 중심 동네 vs 생활감 동네 | 평균 소득, 평균 자산, 평균 매매가 | 고자산·고시세 동네일수록 논리/경제(T), 반대일수록 감정/생활(F) |
| J / P | 안정적 동네 vs 변화하는 동네 | 시세 변동계수(CV), 20·30대 인구 비율 | 시세가 출렁이고 젊은 층이 많을수록 유동적(P), 안정적이면 계획적(J) |
각 피처를 z-score로 정규화 (평균 0, 표준편차 1) 한 뒤, 3개 피처의 z-score 평균으로 축 점수를 계산합니다.
ei_score = (z_방문자비율 + z_주말유동 + z_여가소비) / 3
→ 118개 동 전체 평균보다 활발하면 E, 조용하면 I
절대적 기준이 아닌 상대적 비교 — "서울 3구 118개 동 중 어디에 위치하는가"가 기준입니다.
| 항목 | 목표 | 결과 |
|---|---|---|
| 분석 대상 동 수 | 50개 이상 | 118개 |
| 4축 데이터 공백 | 10% 미만 | 0% |
| MBTI 유형 다양성 | 3종 이상 | 16종 전부 |
16종이 전부 나온다는 것은 억지로 레이블을 붙인 게 아니라
데이터가 자연스럽게 동네마다 다른 성격을 만들어냈다는 의미입니다.
서울 3구 118개 동 — 서초구·영등포구·중구
동네 성격을 정밀하게 정의하려면 동(洞) 단위 데이터가 필요합니다.
Snowflake Marketplace에서 SPH + RICHGO가 이 3개 구를 동 단위로 완전히 커버하기 때문에,
서울 25구 전체를 얕게 다루는 대신 3구를 깊게 파는 전략을 선택했습니다.
덕분에 "서초구"가 아닌 "반포동 vs 잠원동"을 구분하는 수준의 분석이 가능합니다.
| 소스 | 무엇을 알 수 있나 |
|---|---|
| SPH (SKT 유동인구 + KCB 자산/소득 + 신한카드 소비) | 동별 활동성, 소비 업종, 자산 수준 |
| RICHGO | 매매·전세 실거래가 이력, 인구이동 추정 |
| DataKnows (AI 추정 시세 + 역세권 거리) | 2026년 최신 매매·전세 시세, 지하철역 접근성 |
모두 Snowflake Marketplace를 통해 연동 — 외부 크롤링·API 없음.
데이터 기준: 2021~2026년 | Dynamic Table로 1일 주기 자동 갱신.
탐색했으나 미채택: 아정당(Telecom) 데이터는 구(區) 단위만 제공하여
동(洞) 단위 분석에 JOIN이 불가해 최종 파이프라인에서 제외했습니다.
Platform: Snowflake (Streamlit in Snowflake)
Language: Python
AI: Snowflake Cortex AI
| Cortex 기능 | 사용 위치 |
|---|---|
| AI_CLASSIFY | 동네 상권 업종 → 라이프스타일 유형 분류 (Tab 1 전처리) |
| AI_COMPLETE | 동네 프로필 텍스트 생성, 이사 전망 해설 (Tab 1·3) |
| CORTEX.SENTIMENT | 동네 프로필 감성 점수 산출 (Dynamic Table 파이프라인) |
| Cortex Search | 동네 프로필 하이브리드(벡터+키워드) 검색 (Tab 2) — 단순 벡터 대비 검색 품질 12%+ 향상 |
| Cortex Analyst | 자연어 → SQL 변환, Semantic Model 기반 (Tab 4) — 90%+ 정확도 |
| Cortex Agent | DDL 설계 완료 — Trial 계정 제약으로 런타임 미호출, 정식 계정 시 즉시 활성화 |
| ML FORECAST | 실거래가 시계열 예측 (Tab 3) |
| 화면 | 설명 |
|---|---|
|
8가지 질문으로 나의 동네 MBTI 파악 |
|
MBTI 카드 + 레이더차트 + 궁합 |
|
자연어 멀티턴 동네 검색 |
|
실거래가 + ML 예측 + AI 전망 |
|
NL2SQL 데이터 탐색 |
Snowflake Hackathon 2026 Korea | Tech Track | 2인 팀
개발 기간: 2026년 4월 1일 ~ 4월 12일
diego.yoon Frontend Engineer 카카오헬스케어 |
enzo.cho Backend Engineer 카카오헬스케어 |
이 프로젝트는 MIT License를 따릅니다.