클로드 코드를 활용한 소매 예측을 위한 위성 이미지 분석 파이프라인 구축

프로젝트 개요

한 개발자가 Claude Code를 사용하여 실적 발표 시 4-5% 수익률을 낸다고 알려진 헤지펀드의 위성 이미지 분석 기법을 재현하는 실험을 진행했습니다. 목표는 무료 위성 데이터로 전문 펀드가 사용하는 연간 10만 달러 이상의 고해상도 데이터를 어느 정도 근사할 수 있는지 확인하는 것이었습니다.

기술적 구현

이 파이프라인은 2025년 여름 실적 결과가 알려진 세 소매업체(월마트(미달), 타겟(미달), 코스트코(초과))의 주차장 점유율을 분석합니다. 개발자는 구름 없는 이미지를 최대화하기 위해 미국 선벨트 지역에서 각 소매업체별로 10개 매장(총 30개)을 선정했습니다.

프로젝트 구조는 다음과 같습니다:

• orchestrator - 소매업체 세트별 전체 파이프라인을 실행하는 메인 컨트롤러
• skills/ 디렉토리에는 특화 모듈이 포함:
  • fetch-satellite-imagery - Google Earth Engine을 통해 Sentinel-2 광학 + Sentinel-1 레이더 데이터 가져오기
  • query-parking-boundaries - OpenStreetMap에서 주차장 폴리곤 가져오기
  • subtract-building-footprints - 주차장 마스크에서 건물 지붕 제거
  • mask-vegetation - NDVI 필터링 적용하여 잔디/나무 제외
  • calculate-occupancy - 밝기 + 근적외선 비율 계산 → 픽셀별 점유율 점수 산출
  • normalize-per-store - 95번째 백분위수 기준선으로 각 매장을 자체 '빈' 상태와 비교
  • compute-yoy-change - 매장별 점유율의 전년 대비 % 변화
  • alpha-adjustment - 그룹 평균을 빼서 각 소매업체의 상대적 신호 분리
  • run-statistical-tests - 순열 검정(1만 회 반복), 이항 검정, 부트스트랩 리샘플링
• sub-agents/ 결과 기반 반복적 개선을 위한:
  • optical-analysis - Sentinel-2 가시광선 + 근적외선 밴드
  • radar-analysis - Sentinel-1 SAR(금속은 마이크로파 반사, 아스팔트는 반사 안 함)
  • vision-scoring - 위성 썸네일을 Claude에 입력하여 직접 점유율 예측

Claude Code 활용 방식

Claude는 통계 분석, 폴리곤 정제 로직, 비디오 제작 도구를 포함한 전체 파이프라인을 위한 35개 이상의 Python 스크립트를 작성했습니다. 개발 과정에는 Claude가 결과를 분석하고 문제를 식별하며 수정안을 제안하는 여러 반복 주기가 포함되었습니다.

주요 개발 단계:

1단계 (데이터 수집): Claude는 Google Earth Engine API 호출을 작성하여 Sentinel-2 이미지를 가져오고, 구름 마스킹을 처리하며, 스펙트럼 밴드를 추출하고, CSV로 내보냈습니다. 초기 경계 상자 접근법이 노이즈가 많았을 때, Claude는 실제 주차장 폴리곤을 OpenStreetMap에서 쿼리하고 건물 발자국을 빼는 것을 제안했습니다.

2단계 (점유율 계산): Claude는 가시광선 밝기와 근적외선 반사율을 결합한 점유율 공식을 설계했으며, 자동차와 아스팔트가 파장에 따라 빛을 다르게 반사한다는 점을 인식했습니다. 각 매장이 자체 기준선과 비교되도록 매장별 정규화를 구현했습니다.

3단계 (레이더 전환): 광학 결과가 노이즈(1/3 정확)로 돌아왔을 때, Claude는 Sentinel-1 레이더 데이터를 가져오고 각 소매업체의 상대적 신호를 분리하기 위해 알파 조정 정규화를 구현하여 SAR 파이프라인을 처음부터 구축했습니다.

4단계 (Claude Vision 실험): 개발자는 5,955개의 썸네일을 생성하여 Claude에 입력하여 직접 점유율 예측 점수를 매겼습니다.

기술적 제약

이 실험은 버클리 연구진이 사용한 30cm/픽셀 이미지와 비교하여 10m 해상도 Sentinel 데이터를 사용했습니다. 10m 해상도에서는 한 대의 자동차가 단지 1/12 픽셀이지만, 30cm 해상도에서는 한 대의 자동차가 약 80픽셀입니다. 가설은 10m 해상도에서도 가득 찬 주차장이 빈 주차장과 스펙트럼적으로 다르게 보일 것이라는 것이었습니다.