건축물대장 연동으로 의료시설 개원 컨설팅 시장 진입

🎯 건축물대장 API를 기존 localdata 파이프라인에 연동하여, 의료시설 개원 상담 시 건물 정보를 자동 제공하는 부가 서비스를 출시합니다.

문제

의료시설 개원을 준비하는 의사/약사는 입지 선정 시 건물의 용도, 면적, 주차 여부 등을 직접 확인해야 합니다. 현재는 부동산 중개업소를 통하거나 직접 방문해야 하며, 정보 비대칭으로 의사결정에 평균 2~3주가 소요됩니다.

제안

OpenDoctor 의료시설 데이터베이스(7만건)에 건축물대장 정보를 자동 매칭합니다. 기존 localdata 일배치 파이프라인에 건축물대장 API 호출을 추가하여 추가 인프라 비용 없이 구현 가능합니다. 개원 컨설팅 부가 서비스로 월 구독료 또는 건별 과금 모델로 수익화합니다.

근거

연간 의료시설 신규 개원 약 5,000건 (심평원 통계 기준)
개원 준비 과정에서 입지 분석에 평균 200~500만원 지출
기존 localdata 파이프라인 활용으로 추가 개발비 최소화

실행 계획

단계	내용
1달차	건축물대장 API 연동 및 데이터 매칭 로직 개발
2달차	컨설팅 화면 UI/UX 개발 및 베타 테스트
3달차	정식 출시 및 초기 고객 확보

리스크

건축물대장 API의 응답 지연이 발생할 수 있으며, 비동기 처리로 대응합니다. 초기 시장 규모가 작아 손익분기점 도달에 6개월 이상 소요될 수 있습니다.

부록

A. 수익 모델 시뮬레이션

항목	보수적	낙관적
월 구독 고객	50건	150건
건당 구독료	5만원	5만원
월 매출	250만원	750만원
연간 매출	3,000만원	9,000만원

B. 경쟁 환경

현재 의료시설 개원에 특화된 건물 정보 서비스는 부재합니다. 부동산 플랫폼(직방, 다방 등)은 범용 서비스로 의료 도메인 특화 데이터(용도지역, 주차, 접근성 등)를 제공하지 않습니다. OpenDoctor의 7만건 의료시설 DB가 핵심 진입 장벽입니다.

C. 참고 자료

건축물대장 API 명세: data.go.kr
심평원 의료시설 통계 연보 2025
개원 컨설팅 시장 조사 내부 문서

H3 헥사고널 인덱싱 도입으로 지도 검색 성능 3배 개선

🎯 70,000건 의료시설 데이터에 H3 인덱싱을 적용하여 반경 검색 응답 시간을 800ms → 250ms로 단축합니다.

문제

현재 OpenDoctor의 지도 검색은 PostGIS ST_DWithin 기반으로 동작합니다. 남양주/팔당 권역처럼 시설 밀도가 낮은 지역에서는 검색 반경이 커져 전체 테이블 스캔이 발생하고, 평균 응답 시간이 800ms를 초과합니다. 사용자 이탈률이 높아지는 주요 원인입니다.

제안

H3 헥사고널 인덱싱을 도입하여 2단계 검색 패턴을 구현합니다. 1단계에서 H3 grid_disk()로 후보 셀을 빠르게 필터링하고, 2단계에서 정밀 거리 계산으로 결과를 확정합니다. 해상도는 Res 8~10을 사용하고, 기존 PostGIS 인프라와 병행 운용합니다.

근거

	현재 (PostGIS)	도입 후 (H3)
반경 검색 응답	~800ms	~250ms
캐시 히트율	N/A	~85% (예상)
인프라 변경	-	h3_index 컬럼 추가

실행 계획

1주차: h3-py 설치, 모델에 h3_index 필드 추가, 기존 데이터 백필
2주차: 2단계 검색 API 구현 및 단위 테스트
3주차: 스테이징 환경 성능 테스트 및 프론트엔드 연동

리스크

H3 인덱스 백필 시 일시적 DB 부하가 발생할 수 있으며, 비수기 배치 처리로 대응합니다. 헥사고널 경계 불일치 문제는 2단계 정밀 거리 계산으로 해소됩니다.

부록

A. H3 해상도별 비교

해상도	셀 평균 면적	적합 용도
Res 7	5.16 km²	광역 검색
Res 8	0.74 km²	도시 권역 검색 (권장)
Res 9	0.105 km²	동네 단위 검색
Res 10	0.015 km²	정밀 검색

B. 구현 상세

Django 모델에 h3_index 필드를 CharField(max_length=15)로 추가하고, db_index=True로 설정합니다. 백필 명령어는 h3.latlng_to_cell() 함수를 사용하여 기존 좌표 데이터를 변환하며, bulk_update로 일괄 처리합니다.

API 레이어에서는 요청 좌표를 H3 셀로 변환 → grid_disk(k)로 이웃 셀 확보 → h3_index IN 필터로 1차 조회 → 결과에 대해 정밀 거리 계산으로 2차 필터링하는 흐름입니다.

C. 참고 자료

Uber H3 공식 문서: https://h3geo.org
H3 vs S2 vs Geohash 비교 내부 검토 문서
PostgreSQL 인덱스 성능 벤치마크 결과