검색어 2:

기간

성별

연령

위 3가지 항목중 변경한 내용을 기재

검색어2: 9월 모의고사

검색어3: 수능

기간 1년

연령 13~29

검색어 2: 손흥민

기간: 1개월

연령: 전체

성별: 전체

검색어 2: 해수욕장

검색어 3: 오션월드

검색어 4: 캐리비안베이

기간 : 최근 3개월 이내(2025.03~ 현재)

성별

연령

데이터 시각화

아래는 4개 키워드의 일별 검색량 변화를 나타낸 라인 차트입니다.

주요 경향 분석

차트와 데이터를 통해 다음과 같은 주요 경향을 파악할 수 있습니다.

1. 전반적인 상승 추세: 여름을 향한 관심도 증가

• 3월 초에는 모든 키워드의 검색량이 낮은 수준에서 시작하지만, 6월로 갈수록 모든 키워드의 검색량이 꾸준히 상승합니다. 이는 날씨가 더워지면서 사람들이 물놀이와 여름 휴가 계획을 본격적으로 시작한다는 것을 명확히 보여줍니다.

2. 워터파크의 압도적 우위: '오션월드'와 '캐리비안베이'

• 분석 기간 내내 '오션월드'와 '캐리비안베이'가 다른 두 키워드에 비해 압도적으로 높은 검색량을 기록합니다.

• 두 워터파크는 서로 매우 유사한 패턴으로 움직이며, 이는 두 장소가 직접적인 경쟁 관계에 있고, 비슷한 시기(주말, 연휴, 할인 프로모션 등)에 사람들의 관심을 받는다는 것을 의미합니다.

3. 특정 시점의 급증: 연휴 효과

• 5월 초(5/45/6)와 6월 초(6/56/6)에 모든 키워드의 검색량이 일시적으로 크게 급증하는 것을 볼 수 있습니다.

• 이는 각각 어린이날 연휴와 현충일 연휴 기간으로, 연휴를 맞아 단기 여행이나 나들이를 계획하는 수요가 폭발적으로 증가했음을 보여줍니다. 특히 캐리비안베이는 6월 6일에 검색량 최댓값(100)을 기록하며 최고조의 관심을 받았습니다.

4. '가평빠지'와 '해수욕장'의 후발 상승

• '가평빠지'는 6월 초부터 본격적인 시즌이 시작되기 때문으로 보입니다.

• '해수욕장' 역시 비슷한 패턴이지만, '가평빠지'보다도 상승 시점이 약간 더 늦고 상승폭도 완만합니다. 이는 해수욕장이 보통 6월 말~7월 초에 정식 개장하는 경우가 많아, 구체적인 계획이 상대적으로 늦게 시작되는 경향을 반영하는 것으로 해석할 수 있습니다.

결론

요약하자면, 3월부터 6월까지 날씨가 더워짐에 따라 여름 휴가지 관련 키워드의 관심도는 전반적으로 증가합니다. 특히 '오션월드'와 '캐리비안베이'가 검색량을 주도하며, 5-6월 연휴 기간에 관심이 폭발적으로 증가하는 뚜렷한 패턴을 보입니다. 반면, '가평빠지'와 '해수욕장'은 5월 말부터 본격적인 상승세를 타기 시작하며 진짜 여름 시즌의 시작을 알리는 지표로 볼 수 있습니다.

데이터는 2024년 5월 26일부터 2025년 5월 26일까지의 일간 검색량 추이를 보여주며, 특정 기간 내 가장 높은 검색량을 100으로 설정하고 나머지를 상대적인 값으로 표현한 자료입니다.

📊 데이터 분석 결과 요약

1. 압도적인 '손흥민'의 검색량: 1년 내내 '손흥민' 키워드의 검색량이 '유로파'에 비해 압도적으로 높습니다. 손흥민의 평소 검색량(약 35)이 유로파의 시즌 중 최고 검색량(12)보다 높은 경우가 많습니다.

2. 뚜렷한 시즌성: 두 키워드 모두 축구 시즌(8월-5월)에 검색량이 활발하고, 비시즌(6월-7월)에는 검색량이 현저히 감소하는 전형적인 스포츠 관련 키워드의 특징을 보입니다.

3. 이벤트 기반의 급등 패턴: 검색량은 평탄하게 유지되다가 특정 이벤트(경기, 이적설, 대회 결승 등)가 발생했을 때 수직에 가깝게 급등하는 패턴을 보입니다.

4. '손흥민'은 꾸준한 관심, '유로파'는 특정일 관심: 손흥민은 경기 외에도 이적설, 광고, 개인 소식 등으로 꾸준한 관심을 받는 반면, 유로파는 경기일(주로 금요일 새벽 한국 시간 기준), 조 추첨일 등에만 관심이 집중됩니다.

📈 키워드별 상세 분석

1. 손흥민 (Son Heung-min)

손흥민 키워드는 대한민국에서 가장 인기 있는 스포츠 스타 중 한 명임을 증명하듯 높은 검색량을 꾸준히 유지합니다.

• 비시즌 (2024년 6월 말 ~ 8월 초): 검색량이 가장 낮은 시기입니다. 하지만 이 기간에도 프리시즌 경기나 이적설이 있을 때마다 소폭 상승합니다. (예: 2024-07-31: 9.69)

• 시즌 중 (2024년 8월 중순 ~ 2025년 5월): 프리미어리그 시즌이 시작되면서 검색량이 전반적으로 상승합니다.

• 주요 급등 시점 (Peaks):

  • 🥇 2025-05-22 (100.0): 데이터 기간 내 최고치. 이날은 유로파리그 결승전이 열린 날이기도 하지만, 손흥민 개인의 검색량이 100을 기록한 것은 프리미어리그 최종전 직후 시즌을 결산하는 시점과 맞물렸기 때문일 가능성이 큽니다. 한 시즌의 활약상, 공격포인트 기록, 각종 수상 후보 거론, 차기 시즌 거취에 대한 팬들의 폭발적인 관심이 집중된 날로 보입니다.

  • 🥈 2025-05-16 (55.9), 2025-05-17 (52.3): 시즌 막바지 중요 경기에서 맹활약(골, 어시스트 등)을 펼쳤을 가능성이 매우 높습니다.

  • 🥉 2024-09-30 (22.39): 시즌 초반 리그 경기에서 인상적인 활약을 보였을 때 나타나는 전형적인 패턴입니다.

  • 기타 급등일: 2024-08-25 (20.09), 2024-12-16 (15.09), 2024-12-20 (20.84), 2025-01-07 (15.25) 등 대부분 주말 리그 경기 또는 주중 챔피언스리그 경기 직후와 일치할 것으로 추정됩니다. 국가대표팀 경기(A매치) 기간에도 검색량이 상승합니다. (예: 2024-06-06, 2024-06-11)

2. 유로파 (Europa League)

유로파리그는 유럽 축구 대회지만, 손흥민이나 이강인 같은 한국 선수가 출전하지 않을 경우 관심도가 상대적으로 낮습니다. 검색량은 특정일에만 집중됩니다.

• 비시즌 (2024년 6월 ~ 8월): 검색량이 거의 0에 가깝습니다. 대회가 열리지 않기 때문에 당연한 결과입니다.

• 시즌 중 (2024년 9월 ~ 2025년 5월): 대회가 진행되는 기간에만 검색량이 발생합니다.

• 주요 급등 시점 (Peaks):

  • 🥇 2025-05-22 (15.80): 데이터 기간 내 최고치. 유로파리그 결승전이 열린 날입니다. 토너먼트의 최종 승자를 가리는 날인 만큼 가장 높은 관심을 보입니다.

  • 🥈 2025-05-09 (7.29): 준결승(4강) 2차전이 열렸을 가능성이 높습니다. 결승 진출팀이 가려지는 중요한 날입니다.

  • 🥉 2025-04-18 (5.45): 8강 2차전이 열린 날로 추정됩니다.

  • 기타 급등일: 2025-03-14 (2.43), 2024-11-08 (1.58), 2024-11-29 (1.31) 등은 조 추첨일 또는 토너먼트/조별리그의 주요 경기일에 해당합니다. 유로파리그 경기는 주로 목요일에 열려 한국 시간으로는 금요일 새벽에 결과가 알려지므로, 금요일에 검색량이 급등하는 특징이 있습니다.

💡 결론 및 인사이트

1. 개인 vs 대회 브랜드 파워: 한국에서는 '유로파리그'라는 유럽 대항전 자체보다 '손흥민'이라는 개인 선수의 브랜드 파워와 화제성이 훨씬 강력하다는 것을 알 수 있습니다.

2. 이벤트의 중요성: 두 키워드 모두 팬들의 검색 행동이 '이벤트'에 의해 좌우됩니다. 특히 유로파리그는 경기 외에는 거의 관심이 없다가 경기 당일에만 폭발적으로 관심이 증가하는 '이벤트 의존도'가 매우 높습니다.

3. 시즌 종료 시점의 관심 집중: 2025년 5월 22일 두 키워드의 검색량이 모두 연중 최고 수준을 기록한 것은 흥미로운 지점입니다. 이는 유럽 축구의 한 시즌이 마무리되는 시점에 모든 축구 관련 이슈(대회 결승, 리그 최종 순위, 선수 거취 등)에 대한 관심이 최고조에 달했음을 보여줍니다.

이 데이터를 시계열 그래프로 시각화하면 두 키워드의 검색량 추이와 급등 시점을 한눈에 비교할 수 있어 더욱 명확한 분석이 가능할 것입니다.

이 데이터는 특정 기간 동안 수험생 및 관련자들의 관심사가 어떻게 변화하는지를 명확하게 보여주는 흥미로운 자료입니다.

1. 이 자료로 만들어낼 수 있는 문제나 질문들

이 데이터는 데이터 분석, 사회 현상 탐구, 마케팅 등 다양한 분야에서 활용될 수 있는 질문을 도출할 수 있습니다.

(1) 추세 및 패턴 분석 질문

• 각 키워드(6월 모의고사, 9월 모의고사, 수능)의 검색량은 시험일이 다가옴에 따라 어떤 패턴으로 변화하는가?

• 시험일 직후 검색량이 급격히 감소하는 이유는 무엇이며, 감소 속도는 세 시험 간에 차이가 있는가?

• '수능' 키워드 검색량은 연중 어느 시점부터 본격적으로 증가하기 시작하는가?

• 연말연시(12월 말~1월 초)와 같이 학업에서 관심이 멀어지는 시기에 검색량은 어떻게 변화하는가?

(2) 비교 분석 질문

• 세 가지 키워드 중 검색량의 최고점(Peak)이 가장 높은 것은 무엇이며, 그 수치 차이가 의미하는 바는 무엇인가?

• 6월 모의고사와 9월 모의고사 중 수험생들에게 더 중요하게 인식되는 시험은 무엇이라고 추정할 수 있으며, 그 근거는 무엇인가?

• 시험 기간이 아닐 때(평상시) 가장 꾸준하게 검색되는 키워드는 무엇이며, 그 이유는 무엇일까?

(3) 특정 이벤트 기반 질문

• 2025년 6월 4일에 '6월 모의고사' 검색량이 19.25로 폭증하고, 2024년 9월 4일에 '9월 모의고사' 검색량이 34.72로 폭증한 이유는 무엇인가? (→ 시험 당일)

• 2024년 11월 14일 '수능' 검색량이 기준치 100을 기록했다. 이 날은 어떤 날이며, 이후 일주일간 검색량은 어떻게 변화했는가?

• 2025년 4월 8일에 '6월 모의고사' 검색량이 1.7로 작은 상승을 보였는데, 이 시기에는 어떤 이벤트(예: 모의고사 접수)가 있었을 것으로 추측할 수 있는가?

(4) 행동 및 심리 분석 질문

• 이 데이터는 수험생들의 불안감이나 정보 탐색 요구가 시간에 따라 어떻게 변하는지를 보여주는가?

• 모의고사와 수능 간의 검색량 차이는 수험생들에게 각 시험이 갖는 '중요도'나 '절박함'의 차이를 어떻게 반영하는가?

• 데이터를 기반으로 수험생 대상 교육 상품(인터넷 강의, 문제집 등)의 마케팅 전략을 수립한다면, 어느 시점에 어떤 키워드를 중심으로 캠페인을 진행하는 것이 가장 효과적일까?

2. 데이터에서 끌어낼 수 있는 주요 내용 및 인사이트

데이터를 분석한 결과, 다음과 같은 핵심적인 내용을 파악할 수 있습니다.

1. 시험 당일 검색량 폭증: 정보 탐색의 정점

• 모든 시험(6월 모평, 9월 모평, 수능)은 시험 당일에 검색량이 압도적으로 폭증하는 패턴을 보입니다.

  • 수능: 2024년 11월 14일 (100.0)

  • 9월 모의고사: 2024년 9월 4일 (34.72)

  • 6월 모의고사: 2025년 6월 4일 (19.25)

• 이는 시험 직후 가채점, 정답 확인, 예상 등급컷, 난이도 분석 등에 대한 정보 수요가 최고조에 달하기 때문입니다.

2. '수능'의 압도적인 중요도와 지속적인 관심

• '수능'은 검색량 최고치가 100으로, 9월 모의고사(34.72)나 6월 모의고사(19.25)와 비교할 수 없을 정도로 높습니다. 이는 수능이 갖는 최종적이고 결정적인 중요성을 명확히 보여줍니다.

• 또한, 수능 검색량은 9월 모의고사가 끝난 9월 중순부터 점진적이고 꾸준하게 상승하여 11월에 정점을 찍습니다. 이는 수능이 단기적 이벤트가 아닌, 장기간에 걸친 수험생들의 최대 관심사임을 나타냅니다.

3. '벼락치기'와 '사후처리'의 명확한 패턴

• 모의고사의 경우, 시험일 약 1~2주 전부터 검색량이 서서히 오르기 시작해 시험 당일 폭발하고, 시험 다음 날부터 급격히 감소합니다.

• 이는 시험 직전에 집중적으로 정보를 찾고, 시험이 끝나면 관심이 빠르게 식는 전형적인 '단기 집중형' 관심 패턴을 보여줍니다.

4. 9월 모의고사 > 6월 모의고사: 수능 직전 최종 리허설의 중요성

• 9월 모의고사의 검색량 최고치(34.72)는 6월 모의고사(19.25)의 약 1.8배에 달합니다.

• 이를 통해 수험생들이 수능을 약 2달 앞두고 치르는 9월 모의고사를 6월 모의고사보다 훨씬 더 중요한 최종 점검 기회로 인식하고 있음을 알 수 있습니다.

5. 사전 준비 기간의 작은 '신호'

• 본격적인 시험 시즌이 아니더라도, 특정 시점에 작은 검색량 상승이 나타납니다. 예를 들어, 2025년 3월 말~4월 초에 '6월 모의고사' 검색량이 소폭 상승하는데, 이는 모의고사 접수 기간이나 본격적인 대비 계획을 시작하는 시점과 관련이 있을 가능성이 높습니다.

결론적으로, 이 데이터는 대한민국 수험생들의 1년 주기 관심사 변화를 숫자로 명확하게 보여주는 '수험생 라이프사이클 캘린더'와 같습니다. 시험일에 폭발하는 정보 수요, 시험의 중요도에 따른 관심도 차이, 그리고 수능을 향해 점차 고조되는 긴장감까지 생생하게 파악할 수 있습니다.

데이터에서 끌어낼 수 있는 주요 내용:

1. 대중적 관심도 비교: 1년 동안 이재명, 이준석, 김문수, 권영국 순으로 대체적인 검색량 수준이 높은 것을 알 수 있습니다. 특히 이재명 후보는 전반적으로 가장 높은 관심을 받았습니다.

2. 검색량 급증 시점 (이벤트 발생 추정): 특정 날짜에 검색량이 급격히 증가하는 패턴이 나타납니다. 이는 각 인물 또는 정치권 전반과 관련된 중요한 뉴스가 발생했음을 시사합니다.

   • 이재명: 2024년 9월 20일, 9월 30일, 11월 15일, 11월 25일, 12월 4일, 2025년 3월 26일, 5월 1일, 6월 3일, 6월 4일(최대 100) 등에 큰 폭의 상승이 있었습니다.

   • 김문수: 2024년 7월 31일, 8월 26일, 8월 27일, 12월 27일, 2025년 1월 23일, 4월 8일, 4월 29일, 5월 3일, 5월 8일, 5월 9일, 5월 10일, 5월 11일, 5월 12일 등에 비교적 높은 상승이 있었습니다.

   • 이준석: 2024년 12월 4일, 12월 7일, 2025년 5월 12일, 5월 18일, 5월 19일, 5월 23일, 5월 27일, 5월 28일, 5월 29일 등에 높은 상승이 있었습니다.

   • 권영국: 전반적으로 검색량이 매우 낮지만, 2025년 5월 12일, 5월 18일, 5월 23일, 5월 27일, 5월 29일, 6월 3일, 6월 4일 등에 자신의 평균치 대비 큰 폭의 상승을 보였습니다.

3. 동시다발적 관심 증가 시점: 2024년 12월 초와 2025년 4월 말~6월 초에는 네 사람 모두 검색량이 크게 증가하는 패턴을 보입니다. 이는 특정 후보 개인이 아닌, 전체 정치 지형 또는 주요 정치 일정과 관련된 이슈가 있었음을 추정하게 합니다. 특히 2025년 5월과 6월 초에 모든 후보의 검색량이 대폭 상승했습니다.

4. 검색량 추세 변화: 각 인물의 검색량 추이가 시간에 따라 어떻게 변화하는지 파악할 수 있습니다. 예를 들어, 김문수와 권영국은 초기에는 매우 낮은 관심도를 보였으나, 특히 2025년 4월 이후 검색량이 의미 있게 증가했습니다. 이준석 후보도 2025년 5월 이후 검색량이 크게 상승하며 이재명 후보에 필적하거나 특정 날짜에는 더 높은 검색량을 기록하기도 했습니다.

데이터를 통해 만들 수 있는 문제/질문:

1. 이재명 후보의 검색량이 가장 높았던 날짜와 그 수치는 얼마입니까? 이 날짜에 어떤 주요 정치적 사건이 있었을 가능성이 높습니까? (외부 정보 필요)

2. 김문수 후보의 검색량이 2024년 8월 말과 2025년 1월 말, 그리고 2025년 4월 이후에 특히 급증한 이유는 무엇일 것으로 추정됩니까? (외부 정보 필요)

3. 이준석 후보와 권영국 후보의 검색량이 2025년 5월 이후 크게 증가했습니다. 이 시기에 이 두 인물과 관련된 어떤 주요 정치적 사건이나 활동이 있었을 가능성이 높습니까? (외부 정보 필요)

4. 2024년 12월 4일과 2025년 5월 12일은 이재명, 김문수, 이준석, 권영국 네 사람 모두의 검색량이 비교적 높은 날입니다. 이 날짜들에 정치권에 어떤 큰 이슈가 있었을 것으로 예상할 수 있습니까? (외부 정보 필요)

5. 전체 기간 동안 이재명 후보, 김문수 후보, 이준석 후보, 권영국 후보의 검색량 순위는 어떻게 변화해왔습니까? 특히 2025년 4월 이후의 변화를 중심으로 설명해보세요.

6. 이 데이터는 검색량 트렌드만을 보여줍니다. 이 데이터를 해석할 때 주의해야 할 한계점이나, 이 데이터만으로는 알 수 없는 정보는 무엇입니까? (예: 검색 의도, 검색자의 특정 연령/성별/지역, 검색 결과에 대한 반응 등)

7. 후보자 간의 검색량 추이에는 어떤 상관관계가 나타납니까? 특히 검색량 급증 시점을 중심으로 분석해보세요. (예: 한 후보의 검색량 증가는 다른 후보의 검색량에도 영향을 미치는가?)

8. 이 데이터는 2025년 대한민국 대통령 선거의 결과나 후보자의 인기도를 직접적으로 예측하는 데 사용될 수 있을까요? 그 이유를 설명하세요. (검색량과 실제 지지율의 관계에 대한 논의 필요)

이 데이터는 특정 시기 대중의 관심 정도를 보여주는 유용한 자료이지만, 검색량 상승의 구체적인 원인이나 이것이 실제 지지율에 미치는 영향 등을 파악하기 위해서는 추가적인 정보와 분석이 필요합니다.

검색어 2: 한화 이글스

검색어 3: 롯데 자이언츠

검색어 4: 삼성 라이온즈

검색어 5: kt 위즈

기간: 1년

성별: 남성

연령: 전 연령

검색어 2:공항고등학교

기간 2024.11.1~2025.6.9

연령 1~24

1) 압도적인 '한화 이글스'의 화제성

• 데이터 전체 기간에 걸쳐 한화 이글스의 검색량이 다른 4개 구단을 압도적으로 상회합니다.

• 특히 2025년 5월 13일, 한화 이글스의 검색량은 기준치인 100.0을 기록하며 전체 기간, 모든 팀을 통틀어 최고치를 기록했습니다. 이 날은 무언가 매우 특별한 사건(예: 역사적인 대기록, 스타 선수의 이적/은퇴, 극적인 경기 등)이 있었을 것으로 강력히 추정됩니다.

• 다른 팀들의 검색량이 1020대에 머무를 때도, 한화 이글스는 3050, 심지어 70이 넘는 높은 수치를 자주 기록하며 '화제를 몰고 다니는 팀'의 면모를 보여줍니다.

2) 뚜렷한 '시즌성' 패턴 (On-Season vs. Off-Season)

• 모든 팀에서 프로야구 시즌(3월10월)에 검색량이 높고, 비시즌(11월2월)에 급격히 감소하는 뚜렷한 계절성이 나타납니다.

• 시즌 중: 검색량이 활발하며, 주말 경기나 중요한 시리즈가 있을 때 수치가 상승합니다.

• 비시즌: 검색량이 1 이하로 떨어지는 등 팬들의 관심이 급감하지만, FA(자유계약선수) 시장이나 트레이드 소식이 있을 때(스토브리그) 소폭 반등하는 모습을 보입니다. (예: 2024년 11월)

3) 주간 검색량 패턴 ('월요일 효과')

• 자세히 살펴보면, KBO 경기가 없는 월요일에 검색량이 일시적으로 하락했다가 경기가 시작되는 화요일부터 다시 상승하는 경향이 반복적으로 나타납니다. (예: 2024년 6월 10일(월), 17일(월), 24일(월) 수치가 전날인 일요일에 비해 크게 하락)

• 이는 검색량이 실제 경기 일정과 매우 밀접하게 연관되어 있음을 보여줍니다.

4) 팀별 화제성 비교 및 순위 변동

• 롯데 자이언츠와 삼성 라이온즈는 한화 이글스 다음으로 높은 검색량을 기록하며, 두터운 팬덤을 기반으로 한 꾸준한 관심을 보여줍니다.

• 특히 롯데 자이언츠는 2024년 6월 말, 9월 중순에, 삼성 라이온즈는 2024년 10월 말 포스트시즌 기간에 높은 검색량 스파이크를 보였습니다.

• LG 트윈스는 꾸준한 검색량을 보이지만 폭발적인 스파이크는 상대적으로 적습니다.

• KT 위즈는 5개 구단 중 지속적으로 가장 낮은 검색량을 기록하고 있어, 타 구단에 비해 온라인 화제성이 상대적으로 낮다는 것을 알 수 있습니다.

2. 데이터를 기반으로 한 질문 및 문제 제기

이 데이터는 '무엇'이 일어났는지는 보여주지만 '왜' 일어났는지는 알려주지 않습니다. 따라서 다음과 같은 질문을 던질 수 있습니다.

1) 특정 날짜의 급등 원인은 무엇인가?

• (가장 큰 질문) 2025년 5월 13일, 한화 이글스에 무슨 일이 있었는가? (검색량 100.0) 이 날의 경기 결과, 선수 기록, 언론 보도 등을 교차 분석하여 원인을 파악해야 합니다.

• 2024년 6월 25~26일, 롯데 자이언츠의 검색량이 왜 급등했을까? (연승, 스타 플레이어의 활약, 라이벌전 등)

• 2024년 10월 19일, 21일, 28일, 삼성 라이온즈의 검색량은 왜 폭발적으로 증가했는가? (포스트시즌 진출 및 중요 경기로 추정)

• 2025년 5월 17일, 롯데 자이언츠와 한화 이글스의 검색량이 동시에 매우 높게 나타났는데, 두 팀 간의 맞대결에서 특별한 이벤트가 있었는가?

2) 팀의 특성과 관련된 질문

• KT 위즈의 검색량이 지속적으로 낮은 이유는 무엇일까? (연고지 인구, 팬덤의 규모, 구단 역사, 2024-25시즌 성적 등과 관련이 있을까?)

• 한화 이글스는 성적과 무관하게 항상 높은 화제성을 유지하는가? 이 데이터가 '보살팬'으로 불리는 팬덤의 특성을 반영하는 것일까?

3) 데이터의 범위를 확장하는 질문

• 이 데이터는 '남성' 기준인데, '여성' 또는 '전체' 데이터와 비교하면 팀별 인기 순위나 관심도 패턴이 어떻게 달라질까? (예: 특정 팀이 여성 팬덤에서 더 강세일 수 있음)

• 연령대별로 데이터를 나누어 보면 어떤 차이가 나타날까? (예: 10대20대는 특정 선수나 밈(meme)에, 4050대는 전통의 라이벌 구도에 더 민감하게 반응할 수 있음)

3. 데이터의 한계 및 추가 분석 제안

• 검색량 ≠ 긍정적 관심: 검색량은 긍정적 이슈(승리, 호수비)뿐만 아니라 부정적 이슈(패배, 사건사고, 논란)에도 급증할 수 있습니다. 따라서 검색량 수치만으로 인기의 척도나 긍정적 관심을 판단하기는 어렵습니다.

• 원인 부재: 이 데이터만으로는 검색량 변화의 구체적인 원인을 알 수 없으므로, 경기 결과, 선수 기록, 언론 기사, 커뮤니티 반응 데이터와 결합하여 분석하면 훨씬 더 깊이 있는 인사이트를 얻을 수 있습니다.

• 분석 제안:

  1. 각 팀별 검색량 최고/최저 지점의 날짜를 뽑아 당시의 경기 결과 및 관련 뉴스를 정리하여 원인 분석 보고서를 작성.

  2. 검색량과 팀 순위, 승률, 관중 수 데이터 간의 상관관계를 분석하여 '온라인 관심도가 실제 흥행에 미치는 영향'을 탐구.

  3. 주간 패턴(월요일 효과)을 통계적으로 검증하고, 예외(월요일에 오히려 검색량이 높은 날)가 있었다면 그 원인을 분석.

검색어2: 롯데 자이언츠

검색어3: 두산 베어스

검색어4: LG 트윈스

검색어5: 기아 타이거즈

기간: 최근1년

성별: 여성

연령: 전 연령

검색어 2: 홈트레이닝

기간 2016.5-2020.2 // 2020.5-2022.4)

(두 개 비교. 코로나 이전과 이후)

검색어 2: 이상민

기간: 2016년 1월 1일 ~ 2025년 6월 9일

성별: 남녀

연령: 전체

제공된 이미지는 '한서고등학교'(초록색 선)와 '공항고등학교'(분홍색 선)의 관심도(또는 검색량) 추이를 비교한 라인 차트입니다. 분석 기간은 2024년 11월 1일부터 다음 해 5월 초까지 약 6개월간입니다.

### 주요 분석 내용

1. 전반적인 관심도 (평상시)

* 대부분의 기간 동안 두 학교에 대한 관심도는 0~25 사이의 낮은 수준에서 유지됩니다. 이는 특정 이벤트가 없을 때의 기본적인 관심도 수준을 나타냅니다.

2. 주요 관심도 급증 시점 (스파이크)

차트에는 세 번의 뚜렷한 관심도 급증(스파이크)이 나타납니다.

* 1차 급증 (2024년 11월 초):

* 현상: 두 학교의 관심도가 동시에 폭발적으로 증가합니다. '한서고'는 최고치인 100을 기록하고, '공항고' 역시 90을 넘는 매우 높은 수치를 보입니다.

* 해석: 이 시기는 일반적으로 고등학교 원서 접수 및 지원 기간에 해당합니다. 수험생과 학부모들이 두 학교를 동시에 비교 검색하거나 지원 관련 정보를 집중적으로 찾아보면서 관심도가 급증한 것으로 보입니다.

* 2차 급증 (2월 초):

* 현상: '한서고'(초록색)의 관심도만 약 80까지 매우 높게 치솟습니다. '공항고'도 약간 상승하지만 '한서고'에 비하면 미미합니다.

* 해석: 2월 초는 신입생 예비소집, 오리엔테이션, 반 배정 발표 등 입학 관련 행사가 있는 시기입니다. '한서고'에서 이와 관련하여 더 큰 규모의 행사나 주목받을 만한 공지가 있었을 가능성이 큽니다.

* 3차 급증 (3월 중순):

* 현상: 이번에는 '공항고'(분홍색)의 관심도만 약 90까지 크게 급증합니다. '한서고'의 관심도는 평상시 수준에 머뭅니다.

* 해석: 3월은 학기 시작 시점입니다. 3월 중순에 특정 학교의 관심도가 급증하는 것은 학교 축제, 주요 대회 참가, 언론 보도, 동아리 모집 등 해당 학교만의 특별한 이벤트가 있었음을 시사합니다.

### 결론

이 차트는 '한서고등학교'와 '공항고등학교'에 대한 대중의 관심이 특정 학사일정과 밀접하게 연관되어 주기적으로 급증하는 패턴을 명확하게 보여줍니다.

* 11월 (고교 입시철): 두 학교 모두에 대한 관심이 최고조에 달합니다.

* 2월~3월 (신학기 시즌): 입학 절차나 개별 학교의 특정 이벤트에 따라 각 학교에 대한 관심도가 개별적으로 급증하는 모습을 보입니다.

평상시에는 두 학교에 대한 관심도가 비슷하지만, 특정 시점에서는 각 학교의 이벤트에 따라 관심도가 크게 달라지는 것을 확인할 수 있습니다.

첫 번째 파일(5인 비교)과 이 파일을 함께 보면 훨씬 더 흥미로운 분석이 가능합니다. 두 데이터의 가장 큰 차이점은 상대적 비교 기준입니다. 5인 데이터는 5명 중 최고점을 100으로 놓지만, 이 데이터는 허재와 이상민 둘 중의 최고점을 100으로 설정하여 두 사람의 인기도를 더욱 세밀하고 직접적으로 비교할 수 있습니다.

1. 데이터를 통해 이끌어낼 수 있는 내용 (인사이트 및 분석)

1. 라이벌 구도의 재정의: '코트의 황태자' vs. '농구 대통령'의 은퇴 후 행보

• 이상민의 압도적인 미디어 파급력: 전체 기간에 걸쳐 이상민의 검색량은 허재를 압도하는 경우가 많습니다. 특히 2019년 7월 24일, 이상민의 검색량은 100으로 최고치를 기록한 반면, 같은 날 허재의 검색량은 0.65에 불과했습니다. 이는 이상민이 방송인으로서 만들어내는 이슈가 허재에 비해 훨씬 더 폭발적인 대중적 관심을 유발한다는 것을 보여줍니다.

• 허재의 '이벤트성' 강세: 허재의 검색량은 특정 시기에 집중적으로 폭발하는 패턴을 보입니다.

  • 감독 시절 (2018년 9월): 아시안게임 대표팀 감독으로서 활동할 때(9.43)는 이상민(0.14)을 압도하며 '농구인 허재'의 영향력을 명확히 보여줍니다.

  • 예능 캐릭터 부상 (2019년 6월 이후): 뭉쳐야 찬다를 시작으로 예능 활동이 본격화되면서 검색량의 기본 수준(baseline)이 이전보다 확연히 높아지고, 예능에서의 활약상에 따라 피크를 기록하는 '방송인 허재'의 패턴이 나타납니다.

2. 인기의 성격 차이: '사생활 서사' vs '캐릭터 플레이'

• 이상민: 개인 서사의 극대화

  • 그의 검색량 피크는 대부분 방송 프로그램(미운 우리 새끼, 아는 형님, 돌싱포맨 등)에서 다뤄진 지극히 개인적인 이슈들과 강하게 연관됩니다.

  • 주요 피크 원인 추정:

    • 빚, 채무 상환 스토리 (2017년~2019년): 대중의 공감과 응원을 받으며 지속적으로 높은 화제성 유지.

    • 재혼, 이혼, 가족사 등 (2020년 11월, 2022년 11월, 2023년 이후): 그의 연애와 결혼, 어머니의 투병 및 별세 등 개인사가 방송을 통해 공개될 때마다 검색량이 폭증합니다. 이는 그의 인기가 '리얼리티'에 기반한 강력한 서사에서 비롯됨을 보여줍니다.

• 허재: '농구 대통령' 캐릭터의 예능적 변주

  • 허재의 검색량은 그의 '호통', '꼰대 같지만 정 많은 형님', '허당미' 등의 캐릭터가 부각될 때 상승합니다.

  • 주요 피크 원인 추정:

    • 감독/지도자 역할 (뭉쳐야 찬다): 농구 감독으로서의 전문성과 카리스마가 예능과 결합하며 시너지를 냈습니다.

    • 가족 예능 (해방타운, 아들들과의 관계): '가장'으로서의 인간적인 모습이 조명받으며 관심을 끌었습니다.

    • 이슈의 폭발력은 이상민보다 약하지만, 안정적인 캐릭터를 바탕으로 꾸준한 방송 활동을 이어가고 있음을 알 수 있습니다.

3. 주목할 만한 시점: 라이벌의 역전과 동반 상승

• 유일한 역전의 순간 (2018년 하반기): 허재가 농구 국가대표팀 감독으로 아시안게임을 치를 때, 그의 검색량은 이상민을 크게 앞지릅니다. 이는 허재가 '농구계'의 중심에 설 때 그의 영향력이 극대화됨을 보여주는 상징적인 구간입니다.

• 이슈의 동반 상승 (2019년 7월 23일): 이상민의 검색량이 100을 찍기 바로 전날, 허재(8.13)와 이상민(75.18)의 검색량이 동시에 급등했습니다. 이는 특정 방송 프로그램이나 연예계 이슈에서 두 사람이 함께 언급되었거나, 비슷한 시기에 각자 다른 이슈로 주목받았을 가능성을 시사합니다. (예: 미우새 예고편과 허재의 방송 활동이 겹치는 시점)

2. 데이터를 통해 던질 수 있는 질문

1. 인물 비교 및 전략 분석 질문

• 두 인물의 검색량 패턴이 2019년을 기점으로 크게 달라지는 이유는 무엇일까? 허재의 본격적인 예능 진출과 이상민의 개인사 서사가 정점에 달한 시점이 맞물린 결과로 볼 수 있는가?

• "안정적인 방송 활동"과 "이슈를 통한 화제성" 중 장기적인 인지도 유지에 더 유리한 전략은 무엇이라고 생각하는가? 두 인물의 데이터를 근거로 논하시오.

• 만약 허재가 뭉쳐야 찬다에 출연하지 않았다면, 그의 2019년 이후 검색량 트렌드는 어떻게 달라졌을까?

2. 데이터 패턴 및 외부 요인 질문

• 이상민의 검색량은 특정 요일(예: 주말 예능 방송 후)에 주기적으로 상승하는 경향이 뚜렷한가? 시계열 분해(Time Series Decomposition)를 통해 계절적 요인을 분석한다면 어떤 결과가 나올까?

• 두 사람의 검색량이 동반 상승하거나 하락하는 시점들을 찾아보고, 당시 농구계 또는 방송계에 어떤 공통된 이슈가 있었는지 추적해볼 수 있는가? (예: KBL 관련 큰 뉴스, 스포츠 예능의 인기 변화 등)

• 2024년 이후 이상민의 검색량 변동성이 줄어들고 허재의 검색량이 상대적으로 안정된 이유는 무엇일까? 각자의 방송 활동 변화(프로그램 종영, 새로운 활동 등)와 관련이 있는가?

3. 데이터를 활용한 문제 및 과제

초급 문제 (데이터 조회 및 기본 계산)

1. 2019년 7월 24일, 이상민의 검색량이 100일 때 허재의 검색량은 얼마였는가?

2. 2018년 한 해 동안, 허재의 검색량이 이상민의 검색량보다 높았던 날은 총 며칠인가?

3. 허재의 검색량이 역대 최고치였던 날(2018-09-05)과 이상민의 검색량이 역대 최고치였던 날(2019-07-24)의 검색량 합계는 각각 얼마인가?

중급 문제 (데이터 시각화 및 비교 분석)

1. 2019년 1월 1일부터 2021년 12월 31일까지, 두 사람의 월별 평균 검색량을 하나의 라인 그래프로 시각화하시오. 그래프를 통해 알 수 있는 두 인물의 인지도 변화 추세를 비교 설명하시오.

2. '허재'와 '이상민' 각각에 대해, 연도별 최고 검색량을 기록한 날짜와 그 수치를 표로 정리하고, 각 시점의 주요 이슈를 간략히 조사하여 함께 기입하시오.

3. 두 사람의 검색량 차이(이상민 검색량 - 허재 검색량)를 일별로 계산하여 새로운 열을 만들고, 이 차이가 가장 컸던 날과 가장 작았던 날(허재가 가장 크게 앞선 날) Top 3를 각각 찾아보시오.

고급 문제 (심층 분석 및 스토리텔링)

1. 주제: 라이벌의 길은 어떻게 갈리는가?

   • 허재와 이상민을 각각 '스포츠 레전드형 방송인'과 '리얼리티 스타형 방송인'으로 정의하고, 두 유형의 인지도 형성 방식과 리스크(risk) 차이를 데이터 트렌드(평균, 표준편차, 피크의 빈도 및 강도)를 근거로 분석하여 보고서를 작성하시오.

2. 이벤트 효과 정량 분석:

   • 이상민의 검색량이 폭증하기 시작한 2017년 5월 7일(12.96)을 기점으로, 이전 1년과 이후 1년의 평균 검색량과 표준편차를 각각 계산하여 비교하시오. 이 '이벤트'가 그의 인지도에 어떤 변화를 가져왔는지 정량적으로 설명하시오.

3. 상관관계 시프트 분석(Correlation Shift Analysis):

   • 전체 기간을 3개의 구간(예: 2016-2018, 2019-2021, 2022-현재)으로 나누어 각 구간별로 두 인물의 검색량 상관계수를 계산하시오. 시간이 지남에 따라 두 사람의 화제성 연관성이 어떻게 변화했는지(예: 라이벌에서 동료 방송인으로 인식이 바뀌며 상관관계가 높아졌는지 등) 해석하시오.

검색어 2: LG 트윈스

검색어 3: 롯데 자이언

검색어 4: 기아타이거즈

검색어 5: 두산베어스

기간: 1년

성별: 여성

연령: 전 연령

먼저 각 구단의 검색량에 대한 기본적인 통계치를 살펴보겠습니다.

가. 구단별 평균 검색량 (관심도)

지난 1년간의 일일 검색량 지수 평균값입니다. 평균치가 높을수록 꾸준한 관심도가 높았다고 볼 수 있습니다.

순위구단명평균 검색량 지수1한화 이글스22.842롯데 자이언츠16.323기아 타이거즈13.914두산 베어스7.375LG 트윈스5.38

분석:

• 한화 이글스가 다른 구단에 비해 압도적으로 높은 평균 검색량을 기록했습니다. 이는 특정 기간(특히 2025년 5월)의 폭발적인 관심도 급증이 평균치를 크게 높인 결과입니다.

• 롯데 자이언츠와 기아 타이거즈 역시 높은 팬덤을 기반으로 꾸준한 상위권의 관심도를 보였습니다.

나. 구단별 최고 검색량 (Peak-Point)

각 구단이 지난 1년간 가장 높은 검색량을 기록한 날짜와 수치입니다.

• 한화 이글스: 100.0 (2025-05-13)

• LG 트윈스: 16.52 (2025-05-17)

• 롯데 자이언츠: 46.36 (2025-05-17)

• 기아 타이거즈: 53.15 (2024-10-28)

• 두산 베어스: 18.88 (2024-10-03)

분석:

• 데이터 전체 기간의 상대적 관심도를 나타내므로, 한화 이글스의 2025년 5월 13일이 모든 팀, 모든 기간을 통틀어 가장 관심도가 높았던 시점입니다.

• 기아 타이거즈는 2024년 10월 28일에 최고치를 기록했는데, 이는 KBO 한국시리즈 우승 시점과 일치합니다.

• 흥미롭게도 LG 트윈스와 롯데 자이언츠는 2025년 5월 17일 같은 날 최고 검색량을 기록했습니다. 이 시기에 두 팀 간의 경기나 공동 이슈가 있었을 가능성이 높습니다.

2. 구단별 검색량 상관관계 분석

두 변수(구단) 간의 데이터 패턴이 얼마나 유사하게 움직이는지를 나타내는 상관관계를 분석했습니다.

• 해석 기준:

  • 1에 가까울수록: 강한 양의 상관관계 (한 팀의 관심도가 오르면, 다른 팀도 오르는 경향)

  • -1에 가까울수록: 강한 음의 상관관계 (한 팀의 관심도가 오르면, 다른 팀은 내리는 경향)

  • 0에 가까울수록: 상관관계 없음

가. 상관관계 계수 행렬 (표)

한화 이글스LG 트윈스롯데 자이언츠기아 타이거즈두산 베어스한화 이글스1.0000.8350.9130.8400.854LG 트윈스0.8351.0000.8980.8520.892롯데 자이언츠0.9130.8981.0000.9160.898기아 타이거즈0.8400.8520.9161.0000.891두산 베어스0.8540.8920.8980.8911.000

나. 상관관계 히트맵 (시각화)

아래 히트맵은 위 표를 시각화한 것입니다. 색이 진하고 붉을수록 두 구단 간의 관심도 변화 패턴이 유사하다는 것을 의미합니다.

3. 분석 결과 해석 및 결론

1. 전체적으로 매우 강한 '양의 상관관계'

   • 가장 눈에 띄는 점은, 모든 구단 간의 상관계수가 0.83 이상으로 매우 강한 양(+)의 상관관계를 보인다는 것입니다.

   • 이유: 이는 개별 구단의 성적이나 이슈보다 '프로야구'라는 전체 카테고리의 시즌성(Seasonality)이 검색량에 가장 큰 공통 요인으로 작용하기 때문입니다. 즉, 정규시즌이 진행되는 기간에는 모든 팀의 관심도가 함께 상승하고, 비시즌(11월~2월)에는 모든 팀의 관심도가 함께 급감하는 패턴이 데이터에 뚜렷하게 나타납니다.

2. 가장 강한 상관관계를 보인 조합: 롯데-기아, 롯데-한화

   • 롯데 자이언츠와 기아 타이거즈 (0.916), 롯데 자이언츠와 한화 이글스 (0.913)가 가장 높은 상관계수를 기록했습니다.

   • 해석: 이 구단들은 KBO를 대표하는 거대 팬덤을 보유한 전통의 인기팀이라는 공통점이 있습니다. 팬덤의 규모나 충성도, 미디어 노출 빈도 등이 유사하여 시즌 중 관심도 등락 패턴이 거의 일치하게 나타난 것으로 보입니다.

3. 라이벌 관계의 확인: LG-두산

   • 서울을 연고지로 하는 라이벌인 LG 트윈스와 두산 베어스(0.892) 역시 매우 높은 상관관계를 보였습니다.

   • 해석: 이는 시즌의 흐름을 함께 타는 것은 물론, 두 팀의 맞대결인 '잠실 더비'가 열릴 때 양 팀의 검색량이 동시에 급증하는 효과가 상관관계를 더욱 강화시킨 것으로 분석됩니다.

4. 가장 낮은 상관관계를 보인 조합: 한화-LG

   • 한화 이글스와 LG 트윈스(0.835)가 상대적으로 가장 낮은 상관계수를 보였습니다.

   • 해석: 하지만 이 수치 역시 통계적으로는 '매우 강한' 상관관계입니다. 다만, 다른 조합에 비해 두 팀의 관심도 패턴이 약간의 차이를 보였다는 의미입니다. 이는 특정 기간(예: 한화의 관심도가 폭증한 2025년 5월)에 LG의 관심도 증가폭이 다른 팀만큼 따라가지 못했거나, 각 팀의 연승/연패 사이클이 다소 엇갈렸을 가능성을 시사합니다.

최종 결론

KBO 인기 구단들의 검색량(대중의 관심도)은 '프로야구 시즌'이라는 거대한 흐름을 따라 거의 동일하게 움직입니다. 비시즌에는 다 함께 관심이 줄고, 시즌이 시작되면 함께 오릅니다.

그 안에서 구단 간 상관계수의 미세한 차이는 각 팀의 팬덤 규모, 라이벌 관계, 그리고 특정 시점의 성적이나 이벤트 등에 의해 발생합니다. 특히, 팬덤이 크고 역사가 깊은 팀들(롯데, 기아, 한화)끼리는 관심도 패턴이 매우 유사하며, 지역 라이벌(LG, 두산) 역시 높은 동조성을 보이는 것이 데이터로 확인되었습니다.

자신이 예측한 결과와 어느정도 차이가 있는지 작성.

추후 발전계획을 작성

코드는 주석과 함께 단계별로 구성되어 있어 따라가기 쉽습니다. datalab.xlsx 파일이 코드 파일과 동일한 폴더에 있다고 가정합니다.

Python 코드 (in Jupyter Notebook or Google Colab)

      # 1. 라이브러리 임포트 및 기본 설정
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import platform

# --------------------------------------------------------------------------
# (중요) 한글 폰트 설정 - OS에 따라 맞는 코드를 선택하여 실행하세요.
# --------------------------------------------------------------------------
# Windows 사용자
if platform.system() == 'Windows':
    plt.rc('font', family='Malgun Gothic')
# Mac 사용자
elif platform.system() == 'Darwin':
    plt.rc('font', family='AppleGothic')
# Linux, Google Colab 사용자
# 먼저 나눔고딕 폰트를 설치해야 합니다.
# !sudo apt-get install -y fonts-nanum
# !sudo fc-cache -fv
# !rm ~/.cache/matplotlib -rf
# 위 설치 후 런타임 재시작이 필요할 수 있습니다.
else:
    # Colab 등에서 실행 시, 아래 코드로 폰트 설정을 진행합니다.
    try:
        import google.colab
        # 나눔 폰트 설치
        !sudo apt-get install -y fonts-nanum
        !sudo fc-cache -fv
        !rm ~/.cache/matplotlib -rf
        print("런타임을 다시 시작한 후 코드를 재실행해주세요.")
    except ImportError:
        pass # Colab이 아닌 다른 Linux 환경일 경우 수동 설정 필요
    plt.rc('font', family='NanumBarunGothic')

# 마이너스 부호 깨짐 방지 설정
plt.rc('axes', unicode_minus=False)

# --------------------------------------------------------------------------
# 2. 데이터 로드 및 전처리
# --------------------------------------------------------------------------
# Excel 파일 로드 (상위 6줄은 메타데이터이므로 건너뜁니다)
file_path = 'datalab.xlsx'
df_raw = pd.read_excel(file_path, header=6)

# 필요한 컬럼만 선택하여 새로운 데이터프레임 생성
# 원본 데이터는 '날짜', '팀명', '날짜.1', '팀명.1' ... 형태로 되어 있습니다.
teams = ['한화 이글스', 'LG 트윈스', '롯데 자이언츠', '기아 타이거즈', '두산 베어스']
columns_to_keep = ['날짜'] + teams

df = df_raw[columns_to_keep].copy()

# '날짜' 컬럼을 datetime 형식으로 변환하고 인덱스로 설정
df['날짜'] = pd.to_datetime(df['날짜'])
df.set_index('날짜', inplace=True)

# 결측치 확인 및 제거 (데이터가 깨끗하여 이 단계는 생략될 수 있습니다)
df.dropna(inplace=True)

print("--- 데이터 전처리 완료 ---")
print(df.head())
print("\n--- 데이터 정보 ---")
df.info()


# --------------------------------------------------------------------------
# 3. 데이터 요약 및 분석 (EDA)
# --------------------------------------------------------------------------
print("\n\n--- 1. 구단별 평균 검색량 (관심도) ---")
mean_search = df.mean().sort_values(ascending=False)
print(mean_search.to_frame(name='평균 검색량 지수'))

print("\n--- 2. 구단별 최고 검색량 (Peak-Point) ---")
peak_search = pd.DataFrame({
    '최고 검색량': df.max(),
    '최고점 기록일': df.idxmax()
})
print(peak_search)


# --------------------------------------------------------------------------
# 4. 상관관계 분석
# --------------------------------------------------------------------------
corr_matrix = df.corr()
print("\n\n--- 3. 구단별 검색량 상관관계 계수 행렬 ---")
print(corr_matrix)


# --------------------------------------------------------------------------
# 5. 시각화
# --------------------------------------------------------------------------

# 시각화 1: 구단별 검색량 추이 (Time Series Plot)
fig, ax = plt.subplots(figsize=(18, 8))
df.plot(ax=ax, linewidth=1.5)

ax.set_title('KBO 5개 구단 네이버 검색량 추이 (2024.06 ~ 2025.06)', fontsize=20, pad=20)
ax.set_xlabel('날짜', fontsize=12)
ax.set_ylabel('검색량 지수 (상대값)', fontsize=12)
ax.legend(title='구단명', fontsize=11)
ax.grid(True, linestyle='--', alpha=0.6)

# 주요 Peak 지점 텍스트로 강조 (예: 기아 우승, 한화 최고점)
# 기아 타이거즈 최고점
kia_peak_date = peak_search.loc['기아 타이거즈', '최고점 기록일']
kia_peak_value = peak_search.loc['기아 타이거즈', '최고 검색량']
ax.text(kia_peak_date, kia_peak_value, ' 기아 KS 우승', verticalalignment='bottom', fontsize=11, color='blue', weight='bold')

# 한화 이글스 최고점
hanwha_peak_date = peak_search.loc['한화 이글스', '최고점 기록일']
hanwha_peak_value = peak_search.loc['한화 이글스', '최고 검색량']
ax.text(hanwha_peak_date, hanwha_peak_value, ' 한화 최고 관심도', verticalalignment='bottom', fontsize=11, color='orange', weight='bold')

plt.tight_layout()
plt.show()


# 시각화 2: 상관관계 히트맵 (Correlation Heatmap)
fig, ax = plt.subplots(figsize=(10, 8))

sns.heatmap(corr_matrix, 
            annot=True,        # 셀 안에 값 표시
            fmt='.3f',         # 소수점 3자리까지 표시
            cmap='Reds',       # 색상 맵 (붉은 계열)
            linewidths=.5,     # 셀 사이 간격
            ax=ax)

ax.set_title('구단별 검색량 상관관계 히트맵', fontsize=18, pad=20)
plt.show()
    

코드 실행 결과 및 시각화 자료

1. 데이터 요약 및 상관관계 (텍스트 출력)

      --- 데이터 전처리 완료 ---
            한화 이글스  LG 트윈스  롯데 자이언츠  기아 타이거즈  두산 베어스
날짜                                                  
2024-06-09  30.21138   8.86213  26.89362  15.15730  10.59453
2024-06-10  11.10894   3.33991   8.86432   5.89323   4.70227
...

--- 데이터 정보 ---
<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 366 entries, 2024-06-09 to 2025-06-09
Data columns (total 5 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   한화 이글스  366 non-null    float64
 1   LG 트윈스  366 non-null    float64
 2   롯데 자이언츠  366 non-null    float64
 3   기아 타이거즈  366 non-null    float64
 4   두산 베어스  366 non-null    float64
dtypes: float64(5)
memory usage: 17.2 KB


--- 1. 구단별 평균 검색량 (관심도) ---
             평균 검색량 지수
한화 이글스     22.843657
롯데 자이언츠    16.324209
기아 타이거즈    13.914092
두산 베어스      7.369796
LG 트윈스      5.381397

--- 2. 구단별 최고 검색량 (Peak-Point) ---
           최고 검색량  최고점 기록일
한화 이글스     100.00000 2025-05-13
LG 트윈스      16.52453 2025-05-17
롯데 자이언츠     46.36416 2025-05-17
기아 타이거즈     53.14746 2024-10-28
두산 베어스      18.88406 2024-10-03


--- 3. 구단별 검색량 상관관계 계수 행렬 ---
           한화 이글스   LG 트윈스  롯데 자이언츠  기아 타이거즈  두산 베어스
한화 이글스   1.000000  0.835415  0.912554  0.839845  0.854060
LG 트윈스   0.835415  1.000000  0.897968  0.851964  0.892019
롯데 자이언츠  0.912554  0.897968  1.000000  0.915876  0.898424
기아 타이거즈  0.839845  0.851964  0.915876  1.000000  0.890635
두산 베어스   0.854060  0.892019  0.898424  0.890635  1.000000
    

IGNORE_WHEN_COPYING_START

content_copy download

Use code with caution.

IGNORE_WHEN_COPYING_END

2. 시각화 자료

가. 구단별 검색량 추이 그래프

• 그래프를 통해 비시즌(11월~2월)에 모든 팀의 검색량이 급감하고, 시즌 중(3월~10월)에 함께 상승하는 '시즌성' 패턴을 명확히 확인할 수 있습니다.

• 한화 이글스의 검색량이 2025년 4월~5월에 비정상적으로 급등하는 모습과, 기아 타이거즈가 2024년 10월 말(한국시리즈 우승)에 높은 피크를 찍는 모습이 뚜렷하게 보입니다.

나. 상관관계 히트맵

• 모든 셀이 진한 붉은색을 띠고 있어, 모든 구단 간에 매우 강한 양의 상관관계가 있음을 한눈에 파악할 수 있습니다.

• 숫자를 통해 롯데-기아 (0.916), 롯데-한화 (0.913) 등 상관계수가 특히 높은 조합을 직관적으로 확인할 수 있습니다.

이처럼 Python을 활용하면 원본 데이터를 분석하고, 결과를 시각적으로 표현하여 인사이트를 효과적으로 전달할 수 있습니다.

https://colab.research.google.com/drive/1wOl9pkt4HUDCUpG6cSq1TR-Oco7yrrpd?usp=sharing

제공해주신 datalab.xlsx 파일의 데이터를 바탕으로 '유로파'와 '손흥민' 키워드에 대한 네이버 검색 트렌드를 분석한 결과입니다.

분석 기간: 2024년 5월 26일 ~ 2025년 5월 26일

1. 데이터 개요

본 데이터는 지정된 기간 동안 네이버에서 '유로파'와 '손흥민' 키워드의 일일 검색량 추이를 나타내는 상대적 지수입니다. 특정 기간 내 최다 검색량을 100으로 설정하고, 다른 날짜의 검색량을 상대적인 값으로 표현한 것입니다.

2. 주요 통계 지표

두 키워드의 기본적인 통계 지표는 다음과 같습니다.

지표유로파 (Europa)손흥민 (Son Heung-min)평균 (Mean)0.5097.025중앙값 (Median)0.1265.263표준편차 (Std. Dev)1.4878.848최솟값 (Min)0.0182.468최댓값 (Max)15.806 (2025-05-22)100.0 (2025-05-22)

분석:

• 평균 검색량: '손흥민' 키워드의 평균 검색량 지수(7.025)가 '유로파'(0.509)에 비해 약 13.8배 높아, 일상적인 관심도가 압도적으로 높음을 알 수 있습니다.

• 변동성: 두 키워드 모두 표준편차가 평균값보다 높아, 특정 이벤트에 따라 검색량이 급증하는 '스파이크(Spike)' 형태의 트렌드를 보입니다. 특히 '손흥민' 키워드의 변동성이 매우 큽니다.

• 최고점: 두 키워드 모두 2025년 5월 22일에 최고 검색량을 기록했습니다. 이는 두 키워드가 특정일에 강력하게 연관된 사건이 있었음을 시사합니다. (아마도 UEFA 유로파 리그 결승전에 손흥민 선수의 소속팀이 진출하여 활약했을 가능성이 매우 높습니다.)

3. 상관관계 분석

'유로파'와 '손흥민' 두 키워드 검색량 간의 상관계수(Pearson Correlation Coefficient)를 분석했습니다.

상관계수: 0.704

분석:

• 상관계수 값인 0.704는 강한 양(+)의 상관관계를 의미합니다.

• 이는 한 키워드의 검색량이 증가할 때 다른 키워드의 검색량도 함께 증가하는 경향이 뚜렷하다는 것을 보여줍니다.

• 주로 '유로파' 관련 빅 이벤트(조 추첨, 주요 경기, 결승 등)가 있을 때, 손흥민 선수의 소속팀이 해당 대회에 참여하면서 두 키워드에 대한 관심이 동시에 폭발적으로 증가하는 패턴을 보입니다.

4. 시계열 트렌드 분석 및 인사이트

가. '손흥민' 키워드 트렌드

• 꾸준한 관심 속 주기적인 급등: 시즌 중 주말 경기일 직후, 국가대표 경기일 전후로 검색량이 주기적으로 상승하는 패턴을 보입니다. 이는 손흥민 선수의 경기 결과나 활약상에 대한 대중의 즉각적인 반응을 나타냅니다.

• 폭발적인 최고점 (Peak):

  • 2025-05-22 (100.0): 압도적인 최고점으로, 유로파 리그 결승전 등 매우 중요한 경기에서의 결정적 활약(우승, 득점왕 등)과 관련된 것으로 추정됩니다.

  • 2025-05-16 (55.97): 최고점 직전의 높은 수치로, 결승전을 앞둔 기대감이나 관련 뉴스가 집중된 시기로 보입니다.

  • 2024-09-30 (22.39): 시즌 중 중요한 경기(예: 리그 라이벌전, 챔피언스리그/유로파리그 주요 경기)에서의 활약으로 인한 관심도 급증으로 분석됩니다.

나. '유로파' 키워드 트렌드

• 이벤트 중심적 패턴: 평소에는 검색량이 매우 낮게 유지되다가, 토너먼트의 특정 단계에서 검색량이 급격히 치솟는 전형적인 이벤트 기반 키워드의 특성을 보입니다.

• 주요 급등 시점:

  • 2025-05-22 (15.80): 결승전 당일로, 최고치를 기록했습니다.

  • 2025-05-09 (7.29), 2025-04-18 (5.45): 유로파 리그의 준결승, 8강 등 주요 토너먼트 경기일에 검색량이 급등한 것으로 보입니다.

  • 2024-11-29 (1.31), 2025-03-14 (2.43) 등: 조별 예선 마지막 경기나 토너먼트 대진 추첨일 등 주요 이벤트 발생 시점에 관심이 집중되었습니다.

5. 종합 결론

1. 관심도의 차이: '손흥민'은 국민적 스타로서 지속적이고 높은 수준의 관심을 받는 키워드인 반면, '유로파'는 특정 경기나 이벤트가 있을 때만 관심이 폭발하는 이벤트 중심적 키워드입니다.

2. 강한 연관성: 두 키워드는 강한 양의 상관관계(0.704)를 가지며, 이는 손흥민 선수의 소속팀이 유로파 리그에서 좋은 성적을 낼수록 두 키워드에 대한 관심이 동반 상승한다는 것을 의미합니다. 특히 토너먼트 후반부로 갈수록 이 연관성은 더욱 강력해집니다.

3. 최대 관심사 통합: 데이터상 가장 큰 이슈였던 2025년 5월 22일은 두 키워드의 관심사가 하나로 합쳐진 날입니다. '유로파 리그 결승전'이라는 큰 이벤트에 '손흥민의 활약'이라는 대중적 관심이 더해져 양쪽 모두에서 폭발적인 검색량 시너지를 만들어냈습니다.

결론적으로, '손흥민'이라는 키워드의 대중적 파급력은 '유로파'라는 특정 축구 대회의 흥행에 직접적이고 강력한 영향을 미치고 있음을 데이터를 통해 명확히 확인할 수 있습니다.

데이터를 검토한 결과, 아래 두 기간의 데이터가 포함되어 있습니다.

1. 코로나 이전: 2018년 6월 12일 ~ 2019년 6월 12일

2. 코로나 이후(엔데믹): 2024년 6월 12일 ~ 2025년 6월 12일 (※ 현시점 이후 데이터는 예측치 또는 오류로 보입니다. 분석은 현재 유효한 2024년 데이터 중심으로 진행하겠습니다.)

이 데이터를 바탕으로, 코로나19 팬데믹이 우리 삶의 핵심인 '식생활'과 '건강관리' 트렌드를 어떻게 근본적으로 바꾸었는지 심층적으로 분석해 드리겠습니다.

코로나19 전후 '배달' 및 '홈트' 트렌드 변화 분석 보고서

분석 개요

본 분석은 네이버 검색량 데이터를 통해 코로나19를 기점으로 '배달'과 '홈트'에 대한 대중의 관심도 변화를 추적합니다. '코로나 이전'의 평상시 패턴과, 사회적 거리두기가 해제된 '엔데믹 이후'의 패턴을 비교하여, 팬데믹이 남긴 라이프스타일의 영구적인 변화를 도출하는 것을 목표로 합니다.

• 데이터: 네이버 검색량 지수 (기간 내 최다 검색량을 100으로 설정한 상대적 수치)

• 분석 기간:

  • 코로나 이전: 2018.06 ~ 2019.06

  • 코로나 이후(엔데믹): 2024.06 ~ (비교를 위해 동일 기간 데이터 활용)

1. 코로나 이전 (2018.6 ~ 2019.6): 예측 가능한 '일상의 패턴'

코로나19 발생 이전, '배달'과 '홈트'는 매우 명확하고 예측 가능한 패턴을 보였습니다.

📈 '배달' 검색 트렌드: "주말과 휴식의 상징"

• 평균 검색 지수: 56.4

• 핵심 특징: 명확한 요일별 주기성

  • 주중(월-목): 검색량이 현저히 낮게 유지됩니다.

  • 주말(금-일) 및 공휴일: 검색량이 급증하여 주중 대비 최대 2~3배까지 치솟습니다. (예: 2019-04-14 일요일 지수 100)

  • 이는 배달이 '일상적인 식사'라기보다는 '주말의 특별식' 또는 '휴식을 위한 선택'으로 인식되었음을 명확히 보여줍니다.

(위 이미지는 실제 데이터의 시각적 표현 예시입니다)

🤸 '홈트' 검색 트렌드: "새로운 다짐과 계절의 함수"

• 평균 검색 지수: 17.5

• 핵심 특징: 월요일 효과와 계절성

  • 월요일 효과(Monday Effect): 주말 동안 휴식을 취한 후, 새로운 시작을 다짐하는 월요일에 검색량이 가장 높게 나타나는 패턴이 뚜렷합니다.

  • 계절성(Seasonality): 새해 다짐이 몰리는 1월과 여름을 준비하는 6~7월에 검색량이 상승하는 경향을 보입니다.

  • 배달과의 반비례: 재미있게도, 배달 검색량이 정점에 달하는 주말에는 홈트 검색량이 바닥을 기록합니다. 이는 "주말엔 즐기고, 주중엔 관리한다"는 당시의 라이프스타일을 반영합니다.

2. 코로나19가 촉발한 대격변 (2020년 ~ 2022년)

제공해주신 데이터에는 없지만, 분석의 완전성을 위해 이 시기의 알려진 트렌드를 종합하면 다음과 같습니다.

• '배달'의 폭발:

  • 수요 폭증: 사회적 거리두기가 시작된 2020년 2~3월을 기점으로 검색량과 실제 주문량이 수직 상승했습니다.

  • 패턴의 붕괴: '주말 특식' 패턴이 무너지고, 재택근무로 인한 '평일 점심' 수요가 폭발하며 주중/주말 격차가 크게 줄었습니다. 배달은 '선택'이 아닌 '필수'가 되었습니다.

• '홈트'의 부상:

  • 수요 폭증: 헬스장 등 다중이용시설 폐쇄로 인해 갈 곳 잃은 운동 수요가 '홈트'로 몰리며 검색량이 역대 최고치를 경신했습니다.

  • 일상화: '월요일 효과'나 '계절성'을 넘어, 건강과 면역에 대한 관심이 증폭되며 매일의 건강관리 루틴으로 자리 잡았습니다.

3. 엔데믹 이후 (2024년 현재): '새로운 기준'의 정착

코로나 이전과 비교했을 때, 2024년의 데이터는 팬데믹이 일시적 유행이 아닌, 영구적인 라이프스타일 변화를 만들었음을 증명합니다.

📈 '배달' 검색 트렌드: "일상으로 스며든 편리함"

• 평균 검색 지수 (2024년 6월 이후): 37.1

• 코로나 이전 대비 변화:

  1. 기본 관심도의 하락: 2024년 검색 지수(평균 37.1)는 2018-19년(평균 56.4)보다 낮게 나타납니다. 이는 두 가지로 해석할 수 있습니다.

     • 습관화: 배달이 너무나 당연한 일상이 되어 '검색'할 필요 없이 앱을 바로 실행하는 사용자가 늘어났을 가능성.

     • 엔데믹 효과: 외부 활동이 자유로워지면서 배달 수요의 일부가 다시 외식으로 돌아간 현상.

  2. 약화된 주말 효과: 여전히 주말에 검색량이 높지만, 주중과 주말의 격차가 코로나 이전만큼 극적이지 않습니다. 이는 평일에도 배달을 이용하는 것이 자연스러운 문화로 정착했음을 시사합니다.

🤸 '홈트' 검색 트렌드: "여전히 유효한 건강관리법"

• 평균 검색 지수 (2024년 6월 이후): 14.5

• 코로나 이전 대비 변화:

  1. 관심도 유지: 평균 지수(14.5)는 코로나 이전(17.5)과 비교해 소폭 하락했지만, 팬데믹 기간 동안 폭발적으로 늘어난 홈트 인구가 상당수 유지되고 있음을 보여줍니다.

  2. 월요일 효과의 귀환: 헬스장 등 외부 운동이 가능해지면서, 다시 "주말 후 관리" 개념의 월요일 검색량 증가 패턴이 나타나고 있습니다.

  3. 새로운 기준점: 비록 팬데믹 정점보다는 낮아졌지만, 홈트는 이제 운동의 '대체재'가 아닌 '주요 선택지' 중 하나로 확고히 자리매김했습니다.

결론 및 인사이트

1. 패러다임의 전환: '이벤트'에서 '일상'으로

   • 코로나19는 '배달'을 주말의 이벤트에서 매일의 식사 해결책으로, '홈트'를 소수의 선택에서 보편적인 건강관리법으로 바꾸었습니다. 이는 단순한 양적 증가를 넘어선 질적인 변화입니다.

2. '홈코노미(Home-conomy)'의 영속성

   • 엔데믹 이후에도 배달과 홈트에 대한 관심이 코로나 이전 수준으로 완전히 회귀하지 않았습니다. 이는 팬데믹 기간 동안 경험한 '집의 편리함'과 '효율성'이 새로운 라이프스타일 기준으로 자리 잡았음을 의미합니다.

3. 습관의 무서움: 검색 패턴의 변화가 말해주는 것

   • 엔데믹 시대 '배달' 검색량의 감소는 관심의 하락이 아닌, '검색'이 필요 없는 '습관'의 영역으로 진입했음을 시사하는 중요한 단서일 수 있습니다. 이미 사용자들은 특정 앱으로 직행하고 있습니다.

최종 요약: 코로나19는 일시적인 충격에 그치지 않고, '배달'과 '홈트'를 우리 삶에 영구적으로 통합시키는 라이프스타일의 '압축 성장'을 이끌었습니다. 비록 외부 활동이 자유로워졌음에도, 한번 자리 잡은 '집 중심의 편리한 삶'은 쉽게 사라지지 않는 '뉴노멀(New Normal)'이 되었습니다.

상관계수는 두 변수가 얼마나 직선적인 관계를 가지고 있는지를 나타내는 지표입니다. +1에 가까울수록 강한 양의 상관관계(하나가 증가하면 다른 하나도 증가), -1에 가까울수록 강한 음의 상관관계, 0에 가까울수록 상관관계가 없음을 의미합니다.

키워드 간 상관계수 행렬

(상관계수)가평빠지해수욕장오션월드캐리비안베이가평빠지1.000.8980.9570.963해수욕장0.8981.000.9060.908오션월드0.9570.9061.000.988캐리비안베이0.9630.9080.9881.00

상관관계 분석 결과 해석

• 매우 높은 양의 상관관계: 모든 키워드 쌍에서 0.89 이상의 매우 높은 양의 상관관계를 보입니다. 이는 네 가지 활동 모두 '날씨가 더워지면 관심이 증가하는 여름철 물놀이'라는 공통된 테마를 공유하기 때문입니다.

• 가장 강한 상관관계: '오션월드'와 '캐리비안베이'의 상관계수가 0.988로 거의 1에 가깝습니다. 이는 두 키워드의 검색량 추이가 거의 동일하게 움직인다는 것을 의미하며, 소비자들이 두 워터파크를 직접적인 대체재이자 경쟁 상대로 인식하고 동시에 정보를 탐색하는 경향이 매우 강하다는 것을 명확히 보여줍니다.

• 높은 동조화: '가평빠지' 역시 워터파크 키워드들과 0.95 이상의 높은 상관관계를 보여, 물놀이 레저라는 큰 틀 안에서 관심도 변화가 함께 일어나는 것을 알 수 있습니다.

4. 결론 및 인사이트

1. 강력한 계절성: 여름철 레저 활동 키워드들은 3월(비시즌)부터 6월(시즌 초입)까지 날씨의 변화에 따라 검색량이 동반 상승하는 강력한 계절적 요인의 지배를 받습니다.

2. 공휴일 효과: 주말, 특히 5월과 6월의 공휴일 연휴는 검색량 급증의 핵심적인 기폭제 역할을 합니다. 이는 단기 여행 및 레저 계획이 이때 집중적으로 이루어짐을 시사합니다.

3. 시장 내 위치: 워터파크(캐리비안베이, 오션월드)가 여름철 물놀이 관련 검색 시장을 주도하고 있으며, 그중에서도 '캐리비안베이'가 근소한 우위를 점하고 있습니다.

4. 수요의 동질성: 모든 키워드 간의 높은 상관관계는 이들이 동일한 시장(여름 레저) 내에서 움직이며, 마케팅이나 프로모션 활동 시 유사한 고객 반응을 기대할 수 있음을 의미합니다. 예를 들어, 한 워터파크가 대규모 할인을 시작하면 경쟁 워터파크 및 다른 물놀이 활동의 검색량에도 영향을 미칠 수 있습니다.

이번 분석의 핵심은 '이벤트성 스포츠 키워드'와 '스타 플레이어 키워드' 간의 관계를 규명하는 것이었습니다.

분석 결과, '유로파'와 '손흥민' 두 검색어의 상관계수는 0.704로, 통계적으로 '강한 양(+)의 상관관계'가 존재함을 명확히 확인했습니다. 이는 단순히 두 검색어의 관심도가 우연히 함께 움직이는 것을 넘어, 한쪽의 관심도 변화가 다른 쪽에 매우 큰 영향을 미친다는 것을 의미합니다.

구체적으로, 이 관계는 '손흥민'이라는 국민적 관심사가 '유로파 리그'라는 특정 대회의 국내 흥행을 직접적으로 견인하는 구조를 띠고 있습니다. 평상시 '유로파'의 검색량은 미미하지만, 손흥민 선수의 소속팀이 해당 대회의 주요 경기(8강, 준결승, 결승 등)를 치를 때 두 키워드의 검색량은 함께 폭발적으로 증가하는 '동조화 현상'이 뚜렷하게 나타났습니다. 특히, 두 키워드 모두 최고점에 도달한 2025년 5월 22일은 이러한 상관관계의 정점을 보여주는 사례입니다.

나. 예측과 실제 결과의 차이

• 분석 전 예측:
  데이터 분석에 앞서, 저는 두 키워드 간에 '어느 정도의 긍정적인 상관관계'가 있을 것이라고 예측했습니다. 손흥민 선수가 유로파 리그에 출전한다면 당연히 두 키워드가 함께 검색될 확률이 높기 때문입니다. 하지만 '손흥민' 키워드는 프리미어리그, 국가대표팀 경기, 광고 및 개인 이슈 등 유로파 리그와 무관한 검색 요인이 훨씬 많을 것이므로, 상관관계가 뚜렷하되 아주 강력하지는 않은 '중간 정도(moderate)' 수준일 것이라 예상했습니다.

• 실제 결과와의 차이:
  실제 분석 결과, 상관계수가 0.704로 나타나 저의 예상을 뛰어넘는 '강한 상관관계'를 보였습니다. 이러한 차이는 '이벤트 집중 효과(Event-driven Synergy)'를 과소평가했기 때문입니다. 평상시에는 각기 다른 요인에 의해 검색될 수 있지만, 유로파 리그 결승전과 같은 초대형 이벤트가 발생했을 때, 대중의 관심은 '유로파 리그에서 뛰는 손흥민'이라는 단일 주제로 강력하게 수렴되었습니다. 즉, 결정적인 순간에 두 키워드는 거의 하나의 사건처럼 묶여 움직였고, 이로 인한 동반 상승의 폭발력이 제가 예상했던 것보다 훨씬 컸습니다.

다. 추후 발전계획

이번 분석을 통해 유의미한 결과를 얻었지만, 주제를 더욱 깊이 있게 탐구하기 위해 다음과 같은 발전계획을 제안합니다.

1. 비교 키워드 확장 분석:

   • '챔피언스리그' 키워드를 추가하여, 손흥민 선수가 더 상위 대회에 출전했을 때의 관심도 및 상관관계를 '유로파' 사례와 비교 분석합니다. 이를 통해 대회의 위상에 따라 상관관계의 강도가 어떻게 변하는지 파악할 수 있습니다.

   • '이강인', '김민재' 등 다른 해외파 선수와 그들이 출전하는 대회를 짝지어 분석함으로써, '스타 선수-대회'의 상관관계가 손흥민 선수에게만 국한된 현상인지, 아니면 한국 선수들에게 보편적으로 나타나는 패턴인지 검증합니다.

2. 긍/부정 감성 분석(Sentiment Analysis) 결합:

   • 단순 검색량(Quantity)을 넘어, 관심의 질(Quality)을 분석합니다. '유로파'와 '손흥민'의 검색량이 급증한 시점의 뉴스 기사 댓글이나 소셜 미디어 데이터를 수집하여 긍정, 부정, 중립 감성을 분석합니다. 이를 통해 대중의 반응이 '기대감', '환호', '아쉬움', '비판' 중 무엇이었는지 파악하여 데이터에 깊이를 더할 수 있습니다.

3. 인구통계학적 세부 분석 (Demographic Deep Dive):

   • 네이버 데이터랩의 연령별/성별 분석 기능을 활용하여, 어떤 인구 집단에서 두 키워드의 상관관계가 가장 강하게 나타나는지 분석합니다. 예를 들어 '20-30대 남성'에게서 상관관계가 특히 높게 나타난다면, 해당 타겟층에 대한 미디어 전략이나 스포츠 마케팅에 유용한 인사이트를 제공할 수 있습니다.

제공해주신 datalab.xlsx 파일의 데이터를 기반으로 허재와 이상민의 Naver 검색량 트렌드를 분석하고, 그 결과를 정리했습니다.

1. 주요 분석 결과 요약 (Key Findings)

• 상관계수: 두 인물의 검색량 트렌드 간 상관계수는 약 0.05로, 통계적으로 거의 아무런 관련이 없는 것으로 나타났습니다. 이는 한 인물의 검색량이 증가한다고 해서 다른 인물의 검색량이 함께 증가하거나 감소하는 경향이 없음을 의미합니다.

• 평균 검색 관심도: 전 기간(2016.01.01 ~ 2025.06.09)에 걸쳐 '이상민'의 평균 검색량 지수(0.55)가 '허재'(0.26)보다 약 2배 이상 높았습니다. 이는 이상민이 꾸준히 더 많은 대중의 관심을 받아왔음을 시사합니다.

• 검색 패턴: 두 인물 모두 평소에는 낮은 검색량을 유지하다가, 특정 이슈(방송 출연, 개인사, 사건 등)가 발생했을 때 검색량이 폭발적으로 급증하는 '스파이크(Spike)' 형태를 공통적으로 보입니다.

• 주요 관심사 변화:

  • 허재: 2018년까지는 농구 감독으로서의 이슈로 검색량이 급증했으나, 2019년 이후로는 예능 프로그램(뭉쳐야 찬다, 해방타운 등) 출연으로 인한 관심이 주를 이룹니다. 스포츠인에서 방송인으로 성공적으로 이미지가 확장되었음을 보여줍니다.

  • 이상민: 미운 우리 새끼 등 고정 예능 프로그램과 관련된 개인사(어머니, 부채 등)가 검색량 급등의 주요 원인으로, 꾸준한 방송 활동이 관심도를 유지하는 핵심 동력입니다.

2. 데이터 상세 분석

가. 기술 통계량

두 인물의 검색량 지수에 대한 주요 통계는 다음과 같습니다.

구분허재이상민평균 (Mean)0.2640.553표준편차 (Std Dev)0.7411.954최소값 (Min)0.0080.050최대값 (Max)9.439100.000중앙값 (Median)0.0590.198

• 해석: 이상민의 평균 및 중앙값이 허재보다 높아 전반적인 관심도가 높습니다. 또한, 두 인물 모두 표준편차가 평균보다 훨씬 커서 데이터가 매우 변동성이 크고, 특정 시점에 검색량이 집중되는 '스파이크'가 잦음을 알 수 있습니다.

나. 상관계수 분석

• 허재-이상민 검색량 상관계수: 0.0503

상관계수가 0에 매우 가까워, 두 인물의 검색 트렌드는 서로 독립적으로 움직인다고 볼 수 있습니다. 이는 두 사람이 함께 연관된 이슈가 거의 없었음을 의미합니다.

3. 시각화 및 패턴 분석

가. 전체 기간 트렌드 시각화 (2016 ~ 2025)

위 그래프는 두 인물의 검색량 추이를 보여줍니다. 대부분의 기간 동안 검색량은 1.0 미만의 낮은 수준에 머물지만, 특정 지점에서 매우 날카로운 스파이크가 발생합니다.

나. 주요 급등 시점 (스파이크) 분석

데이터에서 가장 눈에 띄는 검색량 급등 시점과 그 원인은 다음과 같습니다.

이상민 (최대값: 100.0)

1. 2019-07-24 (지수: 100.0): 검색 기간 내 최고점입니다. 이날은 이상민의 모친상 소식이 전해진 날로, 그가 출연하던 SBS 미운 우리 새끼를 통해 어머니 역시 대중에게 친숙했기 때문에 국민적인 애도와 관심이 집중되었습니다.

2. 2017-04-16 (지수: 18.15): 미운 우리 새끼 방송에서 채권자와의 만남 등 그의 채무와 관련된 진솔한 이야기가 다뤄지며 큰 화제를 모았습니다.

3. 2017-05-07~08 (지수: 12.96, 11.93): 미운 우리 새끼 관련 이슈가 지속적으로 높은 관심을 받은 시기입니다.

4. 2023-11-05 (지수: 3.59): 69억 원에 달하는 빚을 모두 청산했다는 소식이 전해지며 다시 한번 큰 관심을 받았습니다.

허재 (최대값: 9.43)

1. 2018-09-05 (지수: 9.43): 검색 기간 내 최고점입니다. 2018 자카르타-팔렘방 아시안게임 이후 남자 농구 국가대표팀 감독직에서 사퇴를 발표하며 큰 주목을 받았습니다.

2. 2019-07-23 (지수: 8.13): JTBC 예능 뭉쳐야 찬다가 큰 인기를 얻기 시작하며 그의 예능인으로서의 모습이 부각된 시점입니다.

3. 2019-06-14 (지수: 7.81): 음주운전 논란 이후 뭉쳐야 찬다 출연 소식이 전해지며 갑론을박과 함께 검색량이 급증했습니다.

4. 2021-03-14 (지수: 3.81): 아들 허웅, 허훈과 함께 출연한 미운 우리 새끼 방송 이후 가족에 대한 관심이 높아졌습니다.

4. 결론

허재와 이상민은 2000년대 초반까지 농구계의 라이벌로 엮였지만, Naver 검색량 데이터는 2016년 이후 두 사람의 대중적 관심사가 완전히 다른 경로로 형성되었음을 명확히 보여줍니다.

• 허재는 '농구 대통령'이라는 스포츠 스타에서 출발해, 감독직 사퇴를 기점으로 뭉쳐야 찬다 등 성공적인 예능 활동을 통해 '예능 치트키', '친근한 아버지' 이미지로 대중적 인기를 확장했습니다.

• 이상민은 음악의 신으로 예능감을 입증한 후, 미운 우리 새끼를 통해 자신의 진솔한 개인사(채무, 가족 이야기)를 꾸준히 공개하며 대중과 공감대를 형성하고 지속적인 관심의 중심에 서 있습니다.

결론적으로, 두 인물의 검색 트렌드는 상관관계가 거의 없으며, 각자의 커리어와 삶에서 발생하는 독립적인 이벤트에 의해 대중의 관심이 촉발되는 뚜렷한 특징을 보입니다. 이는 두 사람이 각기 다른 분야에서 자신만의 브랜드와 서사를 구축해 나가고 있음을 데이터가 증명하는 사례라 할 수 있습니다.

분석 및 시각화는 다음과 같은 단계로 진행됩니다.

1. 환경 설정: 필요한 라이브러리(pandas, matplotlib, seaborn)를 설치하고 한글 폰트를 설정합니다.

2. 데이터 로딩 및 전처리: 텍스트 형태의 데이터를 DataFrame으로 변환하고, 시계열 분석에 적합한 'Tidy Data' 형태로 가공합니다.

3. 시각화 1: 전체 기간 검색량 추이: 5개 구단의 검색량 변화를 라인 차트로 그려 전체적인 흐름을 비교합니다.

4. 시각화 2: 월별 평균 검색량: 시즌과 비시즌의 차이를 명확히 보기 위해 월별 평균 검색량을 바 차트로 시각화합니다.

5. 시각화 3: 구단별 평균 검색량: 전체 기간 동안의 평균적인 관심도 순위를 바 차트로 확인합니다.

6. 시각화 4: 상관관계 히트맵: 구단 간 관심도 패턴의 유사성을 히트맵으로 시각화합니다.

Python 시각화 전체 코드

먼저 필요한 라이브러리를 설치합니다.

      pip install pandas matplotlib seaborn
    

아래 코드를 파이썬 스크립트나 주피터 노트북에 복사하여 실행하세요.

      import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import io
import platform

# --- 1. 환경 설정: 한글 폰트 설정 ---
# 운영체제에 맞는 폰트 설정
if platform.system() == 'Windows':
    plt.rc('font', family='Malgun Gothic')
elif platform.system() == 'Darwin': # Mac
    plt.rc('font', family='AppleGothic')
else: # Colab, Linux 등
    # 나눔고딕 폰트 설치 필요
    # !sudo apt-get install -y fonts-nanum
    # !fc-cache -fv
    # !rm ~/.cache/matplotlib -rf
    plt.rc('font', family='NanumGothic')

# 마이너스 폰트 깨짐 방지
plt.rcParams['axes.unicode_minus'] = False


# --- 2. 데이터 로딩 및 전처리 ---

# 제공된 데이터를 문자열로 저장
csv_data = """
url,http://datalab.naver.com/keyword/trendResult.naver?hashKey=N_c5c955f745b4eb480cadf3308927fd80,,,,,,,,
주제,통검,,,,,,,,
범위,합계,,,,,,,,
기간,일간 : 2024-06-09 ~ 2025-06-09,,,,,,,,
성별,남성,,,,,,,,
연령대,전체,,,,,,,,
날짜,LG 트윈스,날짜,한화 이글스,날짜,롯데 자이언츠,날짜,삼성 라이온즈,날짜,KT 위즈
2024-06-09,6.62619,2024-06-09,25.24752,2024-06-09,21.38258,2024-06-09,8.01386,2024-06-09,0.81606
2024-06-10,2.66356,2024-06-10,9.36291,2024-06-10,7.42953,2024-06-10,3.98898,2024-06-10,0.42438
2024-06-11,5.30486,2024-06-11,17.09234,2024-06-11,10.87508,2024-06-11,9.09301,2024-06-11,0.51253
2024-06-12,4.99815,2024-06-12,22.57895,2024-06-12,10.04902,2024-06-12,10.12127,2024-06-12,0.52253
2024-06-13,4.92136,2024-06-13,21.88648,2024-06-13,14.36743,2024-06-13,12.12099,2024-06-13,0.58478
2024-06-14,5.43572,2024-06-14,17.71075,2024-06-14,13.36417,2024-06-14,12.36362,2024-06-14,0.69792
2024-06-15,7.41499,2024-06-15,16.28309,2024-06-15,17.75573,2024-06-15,13.23421,2024-06-15,0.76426
2024-06-16,7.25596,2024-06-16,17.08598,2024-06-16,22.4281,2024-06-16,10.90507,2024-06-16,0.70792
2024-06-17,2.69582,2024-06-17,8.60501,2024-06-17,6.47897,2024-06-17,4.09849,2024-06-17,0.49845
2024-06-18,3.41465,2024-06-18,16.9742,2024-06-18,9.99813,2024-06-18,8.37464,2024-06-18,0.67656
2024-06-19,3.60685,2024-06-19,21.57614,2024-06-19,10.28484,2024-06-19,9.40608,2024-06-19,0.60432
2024-06-20,3.6541,2024-06-20,18.11287,2024-06-20,12.71213,2024-06-20,10.05084,2024-06-20,0.67338
2024-06-21,4.56468,2024-06-21,13.99166,2024-06-21,11.45123,2024-06-21,11.09636,2024-06-21,0.62386
2024-06-22,3.3633,2024-06-22,8.75132,2024-06-22,8.93352,2024-06-22,8.86446,2024-06-22,0.54707
2024-06-23,6.07049,2024-06-23,25.09485,2024-06-23,12.94841,2024-06-23,21.47254,2024-06-23,0.71746
2024-06-24,1.77116,2024-06-24,7.63309,2024-06-24,6.04004,2024-06-24,7.30685,2024-06-24,0.43029
2024-06-25,3.59185,2024-06-25,15.75465,2024-06-25,26.68608,2024-06-25,10.48204,2024-06-25,0.47664
2024-06-26,3.92764,2024-06-26,18.48001,2024-06-26,23.90438,2024-06-26,9.43561,2024-06-26,0.50844
2024-06-27,3.75225,2024-06-27,16.43485,2024-06-27,19.01663,2024-06-27,8.62455,2024-06-27,0.49527
2024-06-28,3.48735,2024-06-28,16.20085,2024-06-28,19.66503,2024-06-28,10.26803,2024-06-28,0.67566
2024-06-29,2.46363,2024-06-29,8.68861,2024-06-29,12.47949,2024-06-29,9.58783,2024-06-29,0.88013
2024-06-30,3.52915,2024-06-30,9.27204,2024-06-30,12.54719,2024-06-30,12.36635,2024-06-30,1.07687
2024-07-01,1.76116,2024-07-01,5.26124,2024-07-01,6.55304,2024-07-01,3.9858,2024-07-01,0.36032
2024-07-02,3.36285,2024-07-02,13.8508,2024-07-02,8.66408,2024-07-02,10.96096,2024-07-02,0.46846
2024-07-03,3.61957,2024-07-03,13.37689,2024-07-03,15.77646,2024-07-03,9.93906,2024-07-03,0.49572
2024-07-04,3.74589,2024-07-04,13.53138,2024-07-04,12.06464,2024-07-04,9.41789,2024-07-04,0.51344
2024-07-05,1.85022,2024-07-05,8.67044,2024-07-05,7.58357,2024-07-05,5.21035,2024-07-05,0.36895
2024-07-06,1.17683,2024-07-06,4.77778,2024-07-06,4.20118,2024-07-06,3.7159,2024-07-06,0.25399
2024-07-07,1.00144,2024-07-07,3.68682,2024-07-07,3.37057,2024-07-07,2.8026,2024-07-07,0.20038
2024-07-08,1.05597,2024-07-08,3.68409,2024-07-08,3.51506,2024-07-08,2.96481,2024-07-08,0.22946
2024-07-09,2.66083,2024-07-09,10.02948,2024-07-09,8.92943,2024-07-09,6.02687,2024-07-09,0.4212
2024-07-10,3.37875,2024-07-10,10.12536,2024-07-10,8.43371,2024-07-10,10.40435,2024-07-10,0.53525
2024-07-11,3.74044,2024-07-11,13.10063,2024-07-11,9.62327,2024-07-11,11.37808,2024-07-11,1.81842
2024-07-12,3.51143,2024-07-12,13.66633,2024-07-12,11.13362,2024-07-12,10.76512,2024-07-12,0.981
2024-07-13,3.21563,2024-07-13,13.59999,2024-07-13,11.02684,2024-07-13,10.95414,2024-07-13,0.66611
2024-07-14,3.04751,2024-07-14,11.81474,2024-07-14,7.99387,2024-07-14,9.6628,2024-07-14,0.60114
2024-07-15,1.61849,2024-07-15,4.72825,2024-07-15,4.00579,2024-07-15,4.87366,2024-07-15,0.37849
"""
# StringIO를 사용하여 문자열을 파일처럼 취급하고, 필요한 부분만 로드
df_raw = pd.read_csv(io.StringIO(csv_data), skiprows=6)

# 데이터를 분석하기 좋은 'Tidy Data' 형태로 변환 (날짜, 팀, 검색량)
data_frames = []
teams = ['LG 트윈스', '한화 이글스', '롯데 자이언츠', '삼성 라이온즈', 'KT 위즈']
for i, team in enumerate(teams):
    # 각 팀에 맞는 날짜와 검색량 컬럼을 선택
    # 첫번째 팀(i=0)은 컬럼명이 '날짜', 그 이후는 '날짜.1', '날짜.2'...
    date_col = '날짜' + (f'.{i}' if i > 0 else '')
    
    # 임시 데이터프레임 생성
    temp_df = df_raw[[date_col, team]].copy()
    temp_df.columns = ['Date', 'Volume']
    temp_df['Team'] = team
    data_frames.append(temp_df)

# 모든 팀의 데이터를 하나로 합치기
df = pd.concat(data_frames, ignore_index=True)

# 데이터 타입 변환 (날짜: datetime, 검색량: numeric)
df['Date'] = pd.to_datetime(df['Date'])
df['Volume'] = pd.to_numeric(df['Volume'])
df = df.dropna() # 결측치 제거

print("--- 데이터 전처리 완료 ---")
print(df.head())
print("\n" + "="*30 + "\n")


# --- 3. 시각화 1: 전체 기간 검색량 추이 ---
plt.figure(figsize=(16, 8))
sns.lineplot(data=df, x='Date', y='Volume', hue='Team', lw=2)
plt.title('KBO 5개 구단 네이버 검색량 추이 (남성, 전체연령)', fontsize=18, pad=20)
plt.xlabel('날짜', fontsize=12)
plt.ylabel('상대적 검색량', fontsize=12)
plt.grid(True, which='both', linestyle='--', linewidth=0.5)
plt.legend(title='구단', fontsize=11)
plt.tight_layout()
plt.show()

# --- 4. 시각화 2: 월별 평균 검색량 (시즌성 확인) ---
df['Month'] = df['Date'].dt.month
monthly_avg = df.groupby(['Month', 'Team'])['Volume'].mean().reset_index()

plt.figure(figsize=(14, 7))
sns.barplot(data=monthly_avg, x='Month', y='Volume', hue='Team')
plt.title('월별 평균 검색량 (시즌 vs 비시즌)', fontsize=18, pad=20)
plt.xlabel('월', fontsize=12)
plt.ylabel('평균 검색량', fontsize=12)
plt.xticks(ticks=range(12), labels=[f'{i+1}월' for i in range(12)])
plt.legend(title='구단')
plt.tight_layout()
plt.show()


# --- 5. 시각화 3: 구단별 평균 검색량 (관심도 순위) ---
team_avg = df.groupby('Team')['Volume'].mean().sort_values(ascending=False)

plt.figure(figsize=(10, 6))
bars = sns.barplot(x=team_avg.index, y=team_avg.values, palette='viridis')
plt.title('구단별 평균 검색량 (2024.06 ~ 2025.06)', fontsize=18, pad=20)
plt.xlabel('구단', fontsize=12)
plt.ylabel('평균 검색량', fontsize=12)

# 바 위에 값 표시
for bar in bars.patches:
    plt.text(bar.get_x() + bar.get_width() / 2,
             bar.get_height() + 0.3,
             f'{bar.get_height():.2f}',
             ha='center',
             va='bottom',
             fontsize=11)
             
plt.tight_layout()
plt.show()


# --- 6. 시각화 4: 상관관계 히트맵 ---
# 상관분석을 위해 데이터를 다시 넓은 형태로 피벗
df_pivot = df.pivot_table(index='Date', columns='Team', values='Volume')

# 상관계수 계산
correlation_matrix = df_pivot.corr()

plt.figure(figsize=(10, 8))
sns.heatmap(correlation_matrix, annot=True, fmt='.2f', cmap='coolwarm', linewidths=.5)
plt.title('구단별 검색량 상관계수 히트맵', fontsize=18, pad=20)
plt.show()
    

IGNORE_WHEN_COPYING_START

content_copy download

Use code with caution. Python

IGNORE_WHEN_COPYING_END

각 시각화 결과 및 해석

1. 전체 기간 검색량 추이 (라인 차트)

• 한화 이글스의 압도적 화제성: 다른 팀들과 비교할 수 없을 정도로 높은 검색량을 기록하며, 특히 2025년 5월경에는 최고치(100)를 달성합니다. 이는 팀 자체의 이슈가 전체 리그의 흐름을 압도함을 보여줍니다.

• 뚜렷한 시즌성: 모든 팀이 야구 시즌이 아닌 겨울(11월~2월)에 검색량이 급감하는 동일한 패턴을 보입니다.

2. 월별 평균 검색량 (바 차트)

• 시즌과 비시즌의 명확한 구분: 3월부터 검색량이 상승하기 시작해 시즌 중인 4월~10월에 높은 수치를 유지하다가, 11월부터 2월까지 급격히 하락하는 모습을 모든 팀에서 공통으로 확인할 수 있습니다.

• 성수기: 특히 시즌이 절정에 달하는 5월과 포스트시즌이 있는 10월에 관심도가 높게 나타납니다.

3. 구단별 평균 검색량 (바 차트)

• 관심도 순위: 한화 이글스 > 롯데 자이언츠 > 삼성 라이온즈 > LG 트윈스 > KT 위즈 순으로 평균 검색량이 높게 나타납니다.

• 이는 해당 기간 동안 온라인상에서 남성 팬들에게 가장 많이 언급되고 검색된 팀의 순위를 직관적으로 보여줍니다.

4. 상관관계 히트맵

• 높은 양의 상관관계: 모든 팀이 0.5 이상의 양의 상관관계를 보여, 리그 전체의 흐름을 함께 탄다는 것을 알 수 있습니다.

• 강력한 동조 그룹: 롯데 자이언츠와 삼성 라이온즈(0.83) 의 상관관계가 가장 높습니다. LG 트윈스 또한 이들과 높은 상관관계(0.77, 0.70)를 보여, 이 세 팀이 '전통 인기 구단'으로서 비슷한 관심도 패턴을 공유함을 시사합니다.

• 독자적 패턴의 한화: 한화 이글스는 압도적인 검색량에도 불구하고 다른 팀과의 상관계수는 상대적으로 낮습니다. 이는 리그의 일반적인 흐름보다 팀의 독자적인 이슈에 더 큰 영향을 받는다는 분석을 뒷받침합니다.

• 분석 대상: 한서고등학교, 공항고등학교

• 분석 기간: 2024년 11월 1일 ~ 2025년 6월 9일 (일간 데이터)

• 데이터 출처: 네이버 데이터랩 (통합검색, 전체 성별, 10대~20대 초반 중심)

• 데이터 특성: 특정 기간 내 최대 검색량을 100으로 설정하고, 나머지 기간의 검색량을 상대적인 값으로 표현한 수치입니다.

2. 주요 통계 및 기술 분석

구분한서고등학교공항고등학교최대 검색량100.0 (2024-11-13)88.98 (2025-03-23)최소 검색량1.69 (2025-01-07)5.36 (2024-12-21)평균 검색량약 11.96약 14.88표준편차약 14.94약 12.59

• 해석:

  • 두 학교 모두 특정 시점에 검색량이 폭발적으로 증가하며, 이로 인해 평균값에 비해 표준편차가 매우 크게 나타납니다. 이는 평상시 관심도와 특정 이벤트 발생 시의 관심도 격차가 매우 크다는 것을 의미합니다.

  • 전체 기간의 평균 검색량은 공항고등학교가 한서고등학교보다 소폭 높게 나타났습니다.

  • 한서고등학교는 2024년 11월 13일에 전체 기간 내 최고 검색량인 100을 기록하며 전체 데이터의 기준점이 되었습니다.

3. 상관 관계 분석 (Correlation Analysis)

두 키워드(학교) 간의 검색량 데이터에 대한 피어슨 상관계수를 계산한 결과는 다음과 같습니다.

• 상관계수 (Correlation Coefficient): 약 0.35

• 해석:

  • 상관계수 0.35는 '약한 양의 상관관계'를 의미합니다.

  • 이는 두 학교에 대한 관심도가 어느 정도는 같은 방향으로 움직이는 경향이 있지만(동반 상승/하락), 항상 그렇지는 않다는 것을 뜻합니다.

  • 실제로 데이터에서 11월 입시철에는 두 학교의 관심도가 함께 급증했지만, 2월과 3월에는 각 학교가 독립적으로 급증하는 패턴을 보였습니다. 이러한 독립적인 움직임이 상관계수를 낮추는 요인으로 작용했습니다.

4. 주요 트렌드 및 이상치(Spike) 분석

데이터에서 나타나는 세 번의 주요 검색량 급증(Spike) 시점은 다음과 같습니다.

1) 1차 급증: 2024년 11월 13일 (고교 입시 시즌)

• 데이터: 한서고 (100.0), 공항고 (89.27)

• 분석: 두 학교의 검색량이 동시에 최고 수준으로 폭증했습니다. 이는 고등학교 원서 접수 및 지원 기간과 일치하며, 수험생 및 학부모들이 두 학교를 비교 분석하거나 지원 정보를 집중적으로 탐색하면서 나타난 현상으로 강력하게 추정됩니다.

2) 2차 급증: 2025년 2월 10일 (한서고 단독 급증)

• 데이터: 한서고 (82.49), 공항고 (20.62)

• 분석: 공항고의 검색량은 평소보다 약간 높은 수준에 그친 반면, 한서고의 검색량만 매우 큰 폭으로 급증했습니다. 이는 신입생 예비소집, 반 배정 발표, 오리엔테이션 등 한서고등학교만의 중요한 학사일정이 있었을 가능성을 시사합니다.

3) 3차 급증: 2025년 3월 23일 (공항고 단독 급증)

• 데이터: 한서고 (6.21), 공항고 (88.98)

• 분석: 한서고의 검색량은 최저 수준에 머무른 반면, 공항고의 관심도만 폭발적으로 증가했습니다. 3월은 신학기가 시작되는 달로, 학교 축제, 주요 대회 수상, 언론 보도 등 공항고등학교와 관련된 특별한 이벤트나 이슈가 발생했을 것으로 보입니다.

5. 종합 결론

• 이벤트 기반 관심도: '한서고등학교'와 '공항고등학교'에 대한 검색 관심도는 평상시에는 낮은 수준을 유지하다가, 특정 이벤트(입시, 학사일정 등)에 따라 폭발적으로 증가하는 패턴을 보입니다.

• 공통 관심사와 개별 관심사의 공존: 11월 고교 입시철에는 두 학교가 '경쟁 또는 비교 대상'으로서 관심사가 겹치며 동반 상승하는 모습을 보입니다. 하지만 그 외 기간에는 각 학교의 개별적인 학사일정이나 이벤트에 따라 관심도가 독립적으로 움직이는 경향이 뚜렷합니다.

• 데이터 기반 추론: 상관계수(0.35)는 이러한 '때로는 같이, 때로는 따로' 움직이는 복합적인 관계를 수치적으로 뒷받침하며, 데이터 분석을 통해 특정 날짜에 어떤 학교에 중요한 이벤트가 있었는지 구체적으로 추론할 수 있습니다.

검색어2:짬뽕

기간:2024년6월9일~2025년6월9일

네, 제공해주신 엑셀 데이터를 바탕으로 파이썬을 이용해 분석 및 시각화를 진행하는 코드를 작성해 드리겠습니다.

아래 코드는 pandas로 데이터를 처리하고, matplotlib과 seaborn을 이용해 원본 이미지와 유사한 스타일의 그래프를 생성합니다. 또한, 분석에서 언급된 주요 급등(Spike) 지점에 주석(Annotation)을 추가하여 데이터의 스토리를 명확하게 전달합니다.

사전 준비

코드를 실행하기 전에 필요한 라이브러리를 설치해야 합니다. 터미널이나 명령 프롬프트에서 아래 명령어를 실행하세요.

pip install pandas openpyxl matplotlib seaborn

content_copydownload

Use code with caution.Bash

또한, 코드와 동일한 폴더에 datalab.xlsx 파일을 위치시켜 주세요.

Python 시각화 코드

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import platform

# --- 1. 한글 폰트 설정 ---
# 운영체제에 맞는 한글 폰트를 설정하여 그래프의 한글 깨짐을 방지합니다.
system_name = platform.system()
if system_name == 'Windows':
    plt.rc('font', family='Malgun Gothic')
elif system_name == 'Darwin': # Mac OS
    plt.rc('font', family='AppleGothic')
elif system_name == 'Linux':
    # 리눅스의 경우 나눔고딕 등 설치된 폰트를 지정해야 합니다.
    # ex) plt.rc('font', family='NanumGothic')
    # 나눔 폰트가 없다면 설치 필요: sudo apt-get install fonts-nanum*
    try:
        plt.rc('font', family='NanumGothic')
    except:
        print("나눔고딕 폰트가 설치되어 있지 않습니다. 그래프에 한글이 깨질 수 있습니다.")
        print("설치 명령어: sudo apt-get install fonts-nanum*")


# 마이너스 부호 깨짐 방지
plt.rcParams['axes.unicode_minus'] = False


# --- 2. 데이터 불러오기 및 전처리 ---
try:
    # 엑셀 파일의 메타데이터 7줄을 건너뛰고 불러옵니다.
    df = pd.read_excel('datalab.xlsx', skiprows=7)

    # 필요한 컬럼만 추출하고, 더 직관적인 새 데이터프레임 생성
    clean_df = pd.DataFrame({
        '날짜': pd.to_datetime(df['날짜']),  # 날짜 컬럼을 datetime 형식으로 변환
        '한서고등학교': df['한서고등학교'],
        '공항고등학교': df['공항고등학교']
    })

    # '날짜' 컬럼을 인덱스로 설정
    clean_df.set_index('날짜', inplace=True)

    print("데이터 불러오기 및 전처리 완료.")
    print(clean_df.head())

except FileNotFoundError:
    print("오류: 'datalab.xlsx' 파일을 찾을 수 없습니다. 코드와 같은 폴더에 파일을 위치시켜 주세요.")
    exit()


# --- 3. 시각화 ---
plt.style.use('seaborn-v0_8-whitegrid') # 깔끔한 그리드 스타일 적용
fig, ax = plt.subplots(figsize=(16, 8)) # 그래프 크기 설정

# 라인 플롯 그리기
sns.lineplot(data=clean_df, ax=ax, palette=['#34A853', '#E91E63'], linewidth=1.8)

# 그래프 제목 및 축 레이블 설정
ax.set_title("'한서고등학교' vs '공항고등학교' 검색량 추이 분석", fontsize=20, pad=20)
ax.set_xlabel("기간", fontsize=12)
ax.set_ylabel("상대적 검색량 (최대=100)", fontsize=12)
ax.set_ylim(0, 105) # Y축 범위 설정으로 상단에 여백 주기

# --- 4. 주요 급등(Spike) 지점 주석(Annotation) 추가 ---

# 1차 급증: 2024-11-13 (고교 입시철)
spike1_date = pd.to_datetime('2024-11-13')
spike1_val_hanseo = clean_df.loc[spike1_date, '한서고등학교']
ax.annotate('1차 급증 (고교 입시철)',
            xy=(spike1_date, spike1_val_hanseo),
            xytext=(spike1_date, spike1_val_hanseo - 20),
            fontsize=11,
            ha='center',
            arrowprops=dict(facecolor='black', shrink=0.05, width=1, headwidth=6))

# 2차 급증: 2025-02-10 (한서고 단독)
spike2_date = pd.to_datetime('2025-02-10')
spike2_val_hanseo = clean_df.loc[spike2_date, '한서고등학교']
ax.annotate('2차 급증 (한서고)\n신입생 관련 이벤트 추정',
            xy=(spike2_date, spike2_val_hanseo),
            xytext=(spike2_date, spike2_val_hanseo - 25),
            fontsize=11,
            ha='center',
            bbox=dict(boxstyle='round,pad=0.3', fc='ivory', ec='gray', lw=1, alpha=0.8),
            arrowprops=dict(arrowstyle='->', connectionstyle='arc3,rad=0.3', color='black'))


# 3차 급증: 2025-03-23 (공항고 단독)
spike3_date = pd.to_datetime('2025-03-23')
spike3_val_gonghang = clean_df.loc[spike3_date, '공항고등학교']
ax.annotate('3차 급증 (공항고)\n학교 관련 이벤트 추정',
            xy=(spike3_date, spike3_val_gonghang),
            xytext=(spike3_date, spike3_val_gonghang - 25),
            fontsize=11,
            ha='center',
            bbox=dict(boxstyle='round,pad=0.3', fc='ivory', ec='gray', lw=1, alpha=0.8),
            arrowprops=dict(arrowstyle='->', connectionstyle='arc3,rad=-0.3', color='black'))


# 범례(Legend) 스타일 설정
ax.legend(title='학교명', fontsize=11, title_fontsize=13)

# 레이아웃을 깔끔하게 조정하고 그래프 출력
plt.tight_layout()
plt.show()

# --- 5. 상관계수 계산 ---
correlation = clean_df['한서고등학교'].corr(clean_df['공항고등학교'])
print("\n--- 상관관계 분석 ---")
print(f"두 학교 검색량 간의 피어슨 상관계수: {correlation:.4f}")
if correlation > 0.7:
    print("해석: 강한 양의 상관관계가 있습니다.")
elif correlation > 0.3:
    print("해석: 뚜렷한 양의 상관관계가 있습니다. (한쪽이 증가할 때 다른 쪽도 증가하는 경향)")
elif correlation > 0.1:
    print("해석: 약한 양의 상관관계가 있습니다.")
else:
    print("해석: 상관관계가 거의 없거나 매우 약합니다.")

content_copydownload

Use code with caution.Python

코드 실행 결과 예시

1. 터미널 출력

데이터 불러오기 및 전처리 완료.
            한서고등학교  공항고등학교
날짜
2024-11-01  14.97175  14.68926
2024-11-02   4.23728  11.01694
2024-11-03   9.32203   9.60451
2024-11-04  14.68926   9.03954
2024-11-05   7.90960  13.55932

--- 상관관계 분석 ---
두 학교 검색량 간의 피어슨 상관계수: 0.3508
해석: 뚜렷한 양의 상관관계가 있습니다. (한쪽이 증가할 때 다른 쪽도 증가하는 경향)

content_copydownload

Use code with caution.

2. 생성된 그래프

코드를 실행하면 아래와 같이 원본 이미지와 유사하면서도, 분석 결과가 추가된 시각화 자료가 생성됩니다.

그래도 어느 정도 연관성이 있다 생각하여 0.3 정도의 계수가 최소한으로 나올 거라고 생각하였는데 0.057이라는 너무 낮은 값이 나와서 당황하였다.

추후에 위의 사례처럼 실제로 연관이 많이 돼있고 많은 사람들이 그렇게 느끼지만 상관 계수는 낮은 사례들을 더 찾아보고 왜 그러한 계수의 값을 가지게 됐는지, 다른 키워드를 넣었을 때 얼마나 계수를 높일 수 있는 지 등을 탐구할 것 같습니다.

아래 코드를 실행하기 전에, 필요한 라이브러리가 설치되어 있는지 확인해주세요. openpyxl은 pandas가 .xlsx 파일을 읽기 위해 필요합니다.

pip install pandas openpyxl matplotlib seaborn

content_copydownload

Use code with caution.Bash

Python 시각화 전체 코드

아래 코드를 복사하여 Python 환경(Jupyter Notebook, VS Code 등)에서 실행하시면 됩니다. datalab (1).xlsx 파일이 코드와 동일한 폴더에 위치해야 합니다.

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import platform

# --------------------------------------------------------------------------
# 1. 한글 폰트 설정 (그래프에 한글이 깨지지 않게 하기 위함)
# --------------------------------------------------------------------------
# OS에 따라 적절한 폰트 설정
if platform.system() == 'Windows':
    plt.rc('font', family='Malgun Gothic')
elif platform.system() == 'Darwin': # Mac OS
    plt.rc('font', family='AppleGothic')
else: # Linux
    # Linux에서는 나눔폰트를 미리 설치해야 합니다.
    # sudo apt-get update -qq
    # sudo apt-get install fonts-nanum* -qq
    plt.rc('font', family='NanumGothic')

# 마이너스 부호 깨짐 방지
plt.rcParams['axes.unicode_minus'] = False


# --------------------------------------------------------------------------
# 2. 데이터 불러오기 및 전처리
# --------------------------------------------------------------------------
# 엑셀 파일의 8번째 줄(인덱스 7)부터 데이터가 시작되므로 header=7로 지정
file_path = 'datalab (1).xlsx'
df = pd.read_excel(file_path, header=7)

# 필요한 컬럼만 선택하여 데이터프레임 재구성
# '날짜'는 첫 번째 컬럼을 사용하고, 나머지 키워드 컬럼을 선택합니다.
df_clean = df[['날짜', '가평빠지', '해수욕장', '오션월드', '캐리비안베이']].copy()

# '날짜' 컬럼을 datetime 형식으로 변환하고 인덱스로 설정
df_clean['날짜'] = pd.to_datetime(df_clean['날짜'])
df_clean.set_index('날짜', inplace=True)

print("---------- 데이터 전처리 완료 ----------")
print(df_clean.head())
print("\n")


# --------------------------------------------------------------------------
# 3. 시각화 1: 키워드별 검색량 트렌드 (라인 플롯)
# --------------------------------------------------------------------------
plt.figure(figsize=(18, 9))
sns.lineplot(data=df_clean)

plt.title('여름철 레저 키워드 네이버 검색량 트렌드 (2025-03-09 ~ 2025-06-09)', fontsize=20, pad=20)
plt.xlabel('날짜', fontsize=14)
plt.ylabel('상대적 검색량 (최대치=100)', fontsize=14)
plt.xticks(rotation=45)
plt.legend(title='키워드', fontsize=12)
plt.grid(True, linestyle='--', alpha=0.6)
plt.tight_layout() # 그래프 요소들이 겹치지 않게 조정

print("---------- 1. 라인 플롯 생성 중... ----------")
plt.show()


# --------------------------------------------------------------------------
# 4. 시각화 2: 키워드 간 상관계수 (히트맵)
# --------------------------------------------------------------------------
# 상관계수 행렬 계산
corr_matrix = df_clean.corr()

print("\n---------- 상관계수 행렬 ----------")
print(corr_matrix)
print("\n")


# 히트맵 시각화
plt.figure(figsize=(10, 8))
sns.heatmap(corr_matrix, 
            annot=True,      # 각 셀에 수치 표시
            fmt='.3f',       # 소수점 3자리까지 표시
            cmap='coolwarm', # 색상 맵 (양수는 따뜻한 색, 음수는 차가운 색)
            linewidths=0.5,    # 셀 사이의 경계선
            cbar_kws={'label': '상관계수'}) # 컬러바 라벨

plt.title('키워드 간 상관계수 히트맵', fontsize=18, pad=20)
plt.xticks(fontsize=12)
plt.yticks(fontsize=12, rotation=0)

print("---------- 2. 히트맵 생성 중... ----------")
plt.show()

content_copydownload

Use code with caution.Python

생성된 시각화 결과물 예시

1. 키워드별 검색량 트렌드 (라인 플롯)

이 그래프는 3월부터 6월까지 모든 키워드의 검색량이 함께 증가하는 강력한 계절적 패턴을 보여줍니다. 특히 5월부터 검색량이 급증하며, '캐리비안베이'와 '오션월드'가 시장을 주도하고 있음을 시각적으로 확인할 수 있습니다.

2. 키워드 간 상관계수 (히트맵)

이 히트맵은 모든 키워드 간의 관계가 매우 강한 양의 상관관계(붉은색, 1에 가까운 값)임을 명확히 보여줍니다. 특히 '오션월드'와 '캐리비안베이'의 셀이 0.988로 가장 진한 붉은색을 띠어, 두 키워드가 거의 동일한 패턴으로 움직인다는 분석 결과를 시각적으로 뒷받침합니다.

제공해주신 '짜장면'과 '짬뽕'의 2024년 6월 9일부터 2025년 6월 9일까지의 일간 검색량 데이터를 분석한 결과입니다. 본 데이터는 특정 기간 동안의 상대적인 검색 관심도를 나타내는 지수로, 주요 통계, 시계열 추세, 그리고 두 키워드 간의 상관관계를 중심으로 분석했습니다.

1. 주요 통계 분석

먼저 두 키워드의 기본적인 통계치를 비교하면 다음과 같습니다.

구분짜장면짬뽕평균 (Mean)36.3342.71표준편차 (Std. Dev)9.7113.51최솟값 (Min)24.57 (2024-12-04)27.91 (2025-01-02)최댓값 (Max)76.58 (2024-09-17)100.00 (2024-09-17)

• 관심도: 전반적으로 짬뽕(평균 42.71)이 짜장면(평균 36.33)보다 높은 검색 관심도를 보입니다.

• 변동성: 표준편차 또한 짬뽕(13.51)이 더 높아, 특정 시기에 검색량이 더 크게 급증하는 등 변동성이 큰 것을 알 수 있습니다.

• 최고/최저점: 두 키워드 모두 2024년 9월 17일에 최고점을 기록했으며, 이는 추석 연휴의 영향으로 분석됩니다. 연휴 기간 외식 및 배달 음식에 대한 관심이 폭증한 것으로 보입니다.

2. 시계열 추세 분석

데이터를 시계열로 분석했을 때 몇 가지 뚜렷한 패턴이 발견되었습니다.

가. 뚜렷한 주간 주기성 (Weekly Cyclicity)

두 키워드 모두 주말(토, 일)에 검색량이 평일 대비 급증하고, 주 초반(월, 화)에 가장 낮은 수치를 보이는 패턴이 1년 내내 일관되게 나타납니다. 이는 주말에 외식이나 배달 음식을 즐기는 라이프스타일이 반영된 결과입니다.

나. 특정일 및 공휴일 효과

주간 주기성 외에도 특정 공휴일에 검색량이 급등하는 경향을 보입니다.

• 추석 연휴 (2024/09/16 ~ 18): 두 키워드 모두 연중 최고치를 기록하며, 특히 짬뽕은 기준 기간 내 최대치인 100을 기록했습니다.

• 크리스마스 (2024/12/25), 신정 (2025/01/01), 어린이날 (2025/05/05) 등: 다른 공휴일 및 연휴 기간에도 평소 주말보다 높은 검색량을 기록했습니다.

• 날씨 및 계절성: 짬뽕의 경우, 날이 추워지는 늦가을겨울철(10월12월)에 평일 검색량의 저점이 짜장면보다 상대적으로 높게 유지되는 경향이 일부 관찰됩니다.

다. 전반적인 관심도 비교

대부분의 기간 동안 짬뽕의 검색량이 짜장면보다 높게 나타났습니다. 특히 관심도가 급증하는 주말과 공휴일에는 그 격차가 더욱 벌어지는 경향을 보입니다.

3. 상관관계 분석

'짜장면'과 '짬뽕' 검색량 간의 관계를 수치적으로 파악하기 위해 피어슨 상관계수(Pearson Correlation Coefficient)를 계산했습니다.

상관계수 (r) = 0.885

• 분석 결과: 상관계수는 약 0.885로, 매우 높은 양의 상관관계를 나타냅니다. (상관계수는 -1에서 1 사이의 값을 가지며, 1에 가까울수록 강한 양의 관계를 의미합니다.)

• 해석: 이는 '짜장면'의 검색량이 증가할 때 '짬뽕'의 검색량도 함께 증가하는 경향이 매우 강하다는 것을 의미합니다. 반대의 경우도 마찬가지입니다.

4. 결론 및 종합 의견

1. 짬뽕의 우세: 전체 기간 동안 '짬뽕'이 '짜장면'보다 평균적으로 더 높은 검색 관심도를 보이며, 관심도 변화의 폭도 더 큽니다.

2. 동일한 소비 패턴: 두 키워드는 주말 및 공휴일에 검색량이 함께 급증하는 동일한 소비 주기를 공유합니다. 이는 소비자들이 두 메뉴를 '주말/특별한 날에 먹는 중식'이라는 공통된 카테고리 안에서 인식하고 있음을 시사합니다.

3. 강력한 연관성: 상관계수 0.885라는 높은 수치는 두 메뉴가 대체재 또는 보완재로서 매우 밀접한 관계에 있음을 증명합니다. 즉, 소비자들은 중식을 고려할 때 '짜장면이냐 짬뽕이냐'를 함께 고민하는 경우가 매우 많다는 의미로 해석할 수 있습니다.

최종적으로, 이 데이터는 소비자들이 '짜장면'과 '짬뽕'을 개별 메뉴라기보다는 '중식'이라는 큰 카테고리 안에서 함께 소비하고 탐색하는 패턴을 명확하게 보여줍니다.

상관계수란?

먼저 상관계수가 무엇인지 간단히 설명해 드리겠습니다.

• -1부터 +1 사이의 값을 가집니다.

• 두 데이터가 얼마나 선형적인 관계를 갖는지 나타내는 지표입니다.

  • +1에 가까울수록: 하나가 증가할 때 다른 하나도 함께 증가하는 강한 양의 상관관계를 의미합니다. (예: 키와 몸무게)

  • -1에 가까울수록: 하나가 증가할 때 다른 하나는 감소하는 강한 음의 상관관계를 의미합니다. (예: 산의 높이와 기온)

  • 0에 가까울수록: 두 데이터 간에 뚜렷한 선형적 관계가 없음을 의미합니다.

배달 vs 홈트 검색량 상관관계 분석 결과

두 기간의 데이터를 분리하여 상관계수를 계산한 결과는 다음과 같습니다.

구분 (Category)상관계수 (Correlation Coefficient)해석 (Interpretation)코로나 이전 (2018.6 ~ 2019.6)-0.627뚜렷한 음의 상관관계 (Strong Negative Correlation)코로나 이후 (2024.6 ~ 현재)-0.528다소 약화된 음의 상관관계 (Moderate Negative Correlation)

이 숫자들은 코로나19 전후로 우리의 라이프스타일 패턴이 어떻게 변화했는지를 명확하게 보여줍니다. 아래에서 각 시기별 분석을 자세히 설명해 드리겠습니다.

1. 코로나 이전 (상관계수: -0.627): '휴식'과 '관리'의 명확한 분리

-0.627이라는 수치는 통계적으로 뚜렷하고 강한 음의 상관관계를 의미합니다. 즉, '배달' 검색량이 높을 때 '홈트' 검색량은 낮아지는 경향이 매우 강했다는 뜻입니다.

• 수치가 말해주는 라이프스타일:

  • 'On & Off' 패턴: 배달 검색량이 폭발하는 금요일 저녁~일요일에는 홈트 검색량이 연중 최저 수준으로 떨어집니다. 반대로, 홈트 검색량이 급증하는 월요일에는 배달 검색량이 다시 낮아집니다.

  • 명확한 경계: 이는 "주말엔 마음껏 먹고 즐기고(배달↑), 주중엔 다시 관리한다(홈트↑)"는 라이프스타일이 명확하게 분리되어 있었음을 수치로 증명합니다.

  • '배달'은 휴식과 보상의 상징이었고, '홈트'는 새로운 시작과 관리의 상징이었습니다. 두 키워드는 서로의 활동을 대체하는 대립적인 관계에 가까웠습니다.

2. 코로나 이후 (상관계수: -0.528): 경계가 허물어진 일상

-0.528이라는 수치는 여전히 음의 상관관계를 보이지만, 코로나 이전(-0.627)보다 그 강도가 약해졌습니다. 상관관계의 절대값이 0에 가까워졌다는 것은 두 키워드의 '반비례' 관계가 느슨해졌다는 것을 의미합니다.

• 수치가 말해주는 라이프스타일:

  • 배달의 일상화: 배달이 더 이상 '주말의 이벤트'가 아닌, 재택근무 점심이나 평일 저녁 등 일상적인 식사 해결 방식으로 자리 잡았습니다. 이로 인해 주중/주말의 검색량 격차가 줄어들고, 배달 그래프가 이전보다 평탄해졌습니다.

  • 홈트의 상시화: 홈트 역시 '월요일의 다짐'을 넘어, 언제든 할 수 있는 상시적인 건강관리 수단으로 인식되었습니다. 이 또한 홈트 그래프의 요일별 변동 폭을 줄이는 효과를 가져왔습니다.

  • 느슨해진 관계: 두 활동 모두 특정 요일에 집중되기보다는 일상 전반으로 퍼지면서, "배달이 늘면 홈트가 줄어드는" 극적인 반비례 관계가 완화된 것입니다.

결론: 수치로 증명된 라이프스타일의 변화

상관계수가 -0.627에서 -0.528로 변화한 것은 단순한 숫자의 변화가 아니라, 코로나19 팬데믹이 우리 사회에 남긴 중요한 흔적입니다.

코로나19는 '배달'과 '홈트'의 관계를 '대립(On/Off)'에서 '공존(Always-On)'으로 재정의했습니다.

코로나 이전에는 명확히 구분되던 휴식과 관리의 경계가, 팬데믹을 거치며 집이라는 공간 안에서 서로 융합되고 일상화되었습니다. 이 상관계수 분석은 이러한 라이프스타일의 구조적 변화를 명확한 수치로 보여주는 강력한 증거입니다.

이런 검색량 데이터를 토대로 어떤 예측이 가능할지 생각해보고 싶다.

일간 : 2024-06-09 ~ 2025-06-09

성별

전체(여성,남성)

연령대전체날짜짜장면날짜짬뽕2024-06-9 ~2025-6~9

0주제통검NaNNaNNaNNaNNaNNaNNaNNaNNaN1범위합계NaNNaNNaNNaNNaNNaNNaNNaNNaN2기간일간 : 2024-06-09 ~ 2025-06-09NaNNaNNaNNaNNaNNaNNaNNaNNaN3성별전체(여성,남성)NaNNaNNaNNaNNaNNaNNaNNaNNaN4연령대전체NaNNaNNaNNaNNaNNaNNaNNaNNaN....................................3672025-06-0528.821412025-06-0531.723NaNNaNNaNNaNNaNNaNNaN3682025-06-0641.983242025-06-0640.02393NaNNaNNaNNaNNaNNaNNaN3692025-06-0740.726892025-06-0748.47442NaNNaNNaNNaNNaNNaNNaN3702025-06-0843.179772025-06-0857.07448NaNNaNNaNNaNNaNNaNNaN3712025-06-0931.61832025-06-0934.16093NaNNaNNaNNaNNaNNaNNaN

372 rows × 11 columns

알겠습니다. 류현진, 프로야구 검색어를 제외하고, 오직 제공된 데이터 파일에 있는 5개 구단 검색어 간의 상관관계에 대해서만 집중적으로 분석하여 작성해 드리겠습니다.

KBO 5개 구단 검색어 간의 상관관계 분석

요청하신 한화 이글스, LG 트윈스, 롯데 자이언츠, 기아 타이거즈, 두산 베어스 5개 구단의 검색량 데이터 간의 상관관계를 심층 분석한 결과입니다.

1. 구단 간 상관관계 계수 행렬

먼저 5개 구단 간의 상관계수를 표로 나타내면 다음과 같습니다.

한화 이글스LG 트윈스롯데 자이언츠기아 타이거즈두산 베어스한화 이글스1.0000.8350.9130.8400.854LG 트윈스0.8351.0000.8980.8520.892롯데 자이언츠0.9130.8981.0000.9160.898기아 타이거즈0.8400.8520.9161.0000.891두산 베어스0.8540.8920.8980.8911.000

2. 상관관계 분석 결과 해석

가장 두드러지는 특징은, 모든 구단 간의 상관계수가 0.83 이상으로 매우 강한 양(+)의 상관관계를 보인다는 점입니다.

• 해석: 이는 특정 구단의 개별적인 성적이나 이슈보다 '프로야구 시즌'이라는 거대한 주기(Seasonality)가 모든 구단의 관심도에 가장 큰 공통 요인으로 작용하기 때문입니다. 즉, 정규시즌이 진행되는 기간에는 모든 팀의 검색량이 함께 상승하고, 비시즌(11월~2월)에는 모든 팀의 관심도가 함께 급감하는 패턴이 데이터에 뚜렷하게 나타납니다. "야구 시즌이 오면 모든 팀이 함께 주목받는다"는 당연한 사실이 데이터로 증명된 것입니다.

1. 롯데 자이언츠와 기아 타이거즈 (상관계수: 0.916)

   • 분석: 두 구단은 분석 대상 중 가장 높은 상관관계를 보였습니다.

   • 해석: KBO 리그를 대표하는 최고의 인기 구단이자 흥행 보증수표로 불리는 두 팀입니다. 팬덤의 규모나 충성도, 언론의 주목도가 리그 전체의 흐름을 주도하기 때문에, 두 팀의 관심도 등락 패턴이 거의 일치하게 나타난 것으로 분석됩니다. 한 팀의 소식은 다른 팀 팬들에게도 큰 관심사이며, 이들이 리그의 전반적인 분위기를 만들어간다고 볼 수 있습니다.

2. 롯데 자이언츠와 한화 이글스 (상관계수: 0.913)

   • 분석: 롯데-기아 조합 다음으로 매우 높은 상관관계를 기록했습니다.

   • 해석: 두 팀 모두 열정적인 팬덤을 보유하고 있으며, 특히 이번 시즌 한화 이글스에 대한 폭발적인 관심이 리그 전체의 화제를 모으면서, 전통의 인기팀인 롯데 자이언츠와 관심도 패턴이 유사하게 흘러갔음을 의미합니다.

• LG 트윈스와 두산 베어스 (상관계수: 0.892)

  • 분석: 서울을 연고지로 하는 '잠실 라이벌'인 두 팀 역시 매우 높은 상관관계를 보였습니다.

  • 해석: 이는 시즌의 흐름을 함께 타는 것은 물론, 두 팀의 맞대결인 '잠실 더비'가 열릴 때 양 팀의 검색량이 동시에 급증하는 효과가 상관관계를 더욱 강화시킨 것으로 분석됩니다. 라이벌전은 양 팀 팬뿐만 아니라 모든 야구 팬의 관심을 집중시키는 이벤트이기 때문입니다.

• 한화 이글스와 LG 트윈스 (상관계수: 0.835)

  • 분석: 이 조합은 상대적으로 가장 낮은 상관계수를 보였습니다.

  • 해석: 하지만 이 수치 역시 통계적으로는 '매우 강한' 상관관계입니다. 단지 다른 조합에 비해 두 팀의 관심도 패턴이 약간의 차이를 보였다는 의미입니다. 이는 특정 기간(예: 한화의 관심도가 폭증한 2025년 5월)에 LG의 관심도 증가폭이 다른 팀만큼 따라가지 못했거나, 각 팀의 연승/연패 사이클 및 이슈 발생 시점이 다소 엇갈렸을 가능성을 시사합니다.

최종 결론

KBO 인기 구단들의 검색량(대중의 관심도)은 '프로야구 시즌'이라는 거대한 파도를 따라 거의 동일하게 움직이는 운명 공동체와 같습니다.

그 안에서 나타나는 상관계수의 미세한 차이는 각 구단이 가진 전통적인 팬덤의 규모(롯데-기아), 지역 라이벌리(LG-두산), 그리고 특정 시즌의 압도적인 화제성(한화)과 같은 고유한 특성들이 반영된 결과입니다. 결국 모든 팀의 관심도는 서로 긴밀하게 연결되어 있으며, 한 팀의 흥행이 리그 전체에 긍정적인 영향을 미치는 선순환 구조를 데이터로 확인할 수 있습니다.

자신이 예측한 결과와 어느정도 차이가 있는지 작성.

아무래도 야구팀간의 관계를 파악하는건 어렵지 않았다. 하지만 롯데-기아 서로의 관계가 검색량이 많은 것을 보니 서로 관계가 없는 두 팀간의 검색결과가 왜이리 많은 것인지를 모르겠다고 생각했다

추후 발전계획을 작성

다른 10개 구단도 포함해 더 자세한 정보를 만들고싶다

' 주말에 먹고, 주중에 운동하자' 라는 인식이

허물어졌다. 코로나 이전에는 더 큰 반비례 상간관계를 지녔는데 코로나 이후, 배달과 흠트레이닝이 일상화가 되면서 그 경계가 허물어지고 일상화되는 경향을 가졌다. 아직도 음의 상간관계를 갖는 것은 맞지만 그 수치가 낮아졌다는 점이 주목할만한 점인 것같다. 원래 생각하지 못했던 부분을 ai가 잘 캐치한 점이 놀랍다.

프로야구 5개 구단 검색량 데이터 심층 분석

1. 데이터 개요

• 분석 대상: 한화 이글스, LG 트윈스, 롯데 자이언츠, 기아 타이거즈, 두산 베어스

• 분석 기간: 2024-06-09 ~ 2025-06-09 (1년간)

• 데이터: 네이버 일일 검색량 지수 (가장 높은 시점을 100으로 둔 상대값)

2. 주요 분석 결과 (Key Findings)

가. 구단별 평균 관심도 (Average Search Volume)

지난 1년간의 일일 검색량 평균을 통해 각 구단의 꾸준한 관심도를 파악했습니다.

순위구단명평균 검색량 지수분석1한화 이글스22.84압도적인 1위. 특정 기간(2025년 4-5월)의 폭발적인 관심도 급증이 평균치를 크게 끌어올렸습니다.2롯데 자이언츠16.32전통의 인기 구단답게 꾸준히 높은 관심도를 유지하며 2위를 기록했습니다.3기아 타이거즈13.91롯데와 함께 KBO 리그의 흥행을 이끄는 구단으로, 안정적인 상위권 관심도를 보입니다.4두산 베어스7.37꾸준한 강팀의 면모를 보이지만, 최상위 3개 구단과는 관심도에서 다소 차이가 있습니다.5LG 트윈스5.385개 구단 중에서는 가장 낮은 평균 검색량을 기록했습니다.

나. 관심도 최고점 (Peak-Point)

각 구단이 지난 1년간 가장 높은 검색량을 기록한 날짜와 수치입니다. 이는 해당 구단에 가장 큰 이벤트가 있었음을 시사합니다.

구단명최고 검색량최고점 기록일주요 사건 추정한화 이글스100.002025-05-13류현진 선수의 복귀 후 시즌 중 최고의 활약 또는 연승 등 팀의 최대 화제 시점기아 타이거즈53.152024-10-282024 KBO 한국시리즈 우승 시점과 일치할 가능성이 매우 높음롯데 자이언츠46.362025-05-17인기팀 간의 빅매치 또는 팀의 극적인 연승/연패 등 주요 이슈 발생 시점두산 베어스18.882024-10-032024시즌 막바지 포스트시즌 진출 경쟁이 치열했던 시점LG 트윈스16.522025-05-17롯데 자이언츠와 같은 날 최고점을 기록. 두 팀 간의 경기나 공동 이슈 발생 가능성

다. 관심도 변동성 (Volatility)

관심도가 얼마나 역동적으로 변했는지를 표준편차를 통해 확인했습니다. 수치가 높을수록 관심도가 급등락을 반복했음을 의미합니다.

순위구단명표준편차분석1한화 이글스19.89압도적인 1위. 평소에도 관심이 높지만, 특정 시점에 다른 팀이 따라올 수 없을 정도로 폭발적인 이슈를 만들어냈습니다.2롯데 자이언츠9.47시즌과 비시즌의 차이가 크고, 시즌 중에도 흥행 대진 등에 따라 관심도 등락이 컸음을 의미합니다.3기아 타이거즈7.90포스트시즌 우승이라는 큰 이벤트가 있었음에도 롯데보다 변동성이 낮아, 더 꾸준한 관심도를 보였습니다.4두산 베어스3.395개 구단 중에서는 비교적 안정적인 관심도 패턴을 보입니다.5LG 트윈스3.22가장 안정적인 관심도를 보였습니다. 상대적으로 꾸준하지만 폭발적인 이슈의 중심에서는 다소 벗어나 있었음을 의미합니다.

3. 시각화 분석

가. 검색량 추이 (시계열 그래프)

아래 그래프는 5개 구단의 관심도가 시간의 흐름에 따라 어떻게 변화했는지를 한눈에 보여줍니다.

• 명확한 시즌성(Seasonality): 모든 구단의 검색량은 정규시즌(그래프의 양쪽 높은 부분)에 급증하고, 비시즌(11월~2월, 그래프 중앙의 낮은 부분)에 급감하는 동일한 패턴을 보입니다. 이는 프로야구 팬덤의 공통적인 관심사 흐름입니다.

• 한화 이글스의 독주: 2025년 4월부터 한화 이글스의 검색량이 다른 팀들을 압도하며 치솟는 모습이 명확하게 보입니다. 이는 리그 전체의 화제를 한화가 독점했던 시기가 있었음을 증명합니다.

• 기아 타이거즈의 우승 피크: 2024년 10월 말, 다른 팀들의 관심도가 하락세로 접어들 때 기아 타이거즈만 홀로 급등하는 모습이 관찰됩니다. 이는 포스트시즌, 특히 한국시리즈 우승의 효과임을 알 수 있습니다.

나. 구단 간 상관관계 (히트맵)

두 구단의 관심도 변화 패턴이 얼마나 유사한지를 히트맵으로 시각화했습니다. (색이 진할수록 강한 관계)

• 결론: 모든 구단은 운명 공동체: 모든 구단 간의 상관계수가 0.83 이상으로 매우 강한 양의 관계를 보입니다. 이는 한 팀의 흥행이 다른 팀에게도 긍정적인 영향을 주며, 리그 전체가 함께 움직이는 경향이 강하다는 것을 의미합니다.

• 최고의 흥행 조합 (롯데-기아: 0.916): KBO 리그를 대표하는 최고 인기 구단인 롯데와 기아는 관심도 패턴이 거의 동일하게 움직입니다. 두 팀의 맞대결이나 순위 경쟁이 리그 전체의 흥행을 견인하는 핵심 동력임을 보여줍니다.

• 라이벌은 함께 움직인다 (LG-두산: 0.892): '잠실 라이벌'인 LG와 두산 역시 매우 높은 상관관계를 보입니다. 이는 라이벌전이 열릴 때 양 팀 팬덤의 관심이 동시에 최고조에 달하기 때문입니다.

4. 최종 결론

분석 결과, KBO 리그 5개 인기 구단의 대중적 관심도는 다음과 같은 다층적 구조를 가집니다.

1. 기본 구조: 모든 팀의 관심도는 '프로야구 시즌'이라는 거대한 흐름을 함께 탑니다.

2. 핵심 동력: 그 안에서 롯데와 기아라는 전통의 인기 구단이 리그 전체의 관심도 흐름을 주도합니다.

3. 시즌 변수: 한화는 2024-2025 시즌에 압도적인 화제성을 바탕으로 기존의 판도를 뒤흔드는 가장 강력한 변수 역할을 했습니다.

4. 지역 구도: LG와 두산은 라이벌 관계를 통해 서로의 관심도를 함께 끌어올리는 안정적인 구조를 형성하고 있습니다.

결론적으로, KBO 리그의 흥행은 리그 전체의 주기적인 흐름 위에, 전통적인 인기 구단들의 꾸준한 관심과 특정 시즌을 지배하는 '스토리'를 가진 팀의 등장이 결합될 때 폭발적인 시너지를 낸다는 점을 데이터가 명확하게 보여주고 있습니다.