상품의 추천을 넘어 사용자의 행동까지도 분석의 대상으로 바뀌었다. 과거에는 어느 검색엔진을 통해 접속했는지, 몇 명이나 우리 사이트에 접속했는지 보던 기초 통계 기능들이 대폭 개선되기 시작했다. 구체적으로 어느 배너를 통해, 어느 검색어를 통해 우리 사이트를 접근했는지 로그를 남기고, 각각의 사용자가 어느 페이지로 이동해 가는지 하나하나 추적 로그를 남겼다. 실제 구매까지 얼마나 걸리는지, 사용자가 일주일에 몇 번이나 방문하는지 등 남길 수 있는 모든 데이터를 남기기 시작했다. 이를 활용해 인터넷 서비스 운영 기업들은 고객들의 행동을 분석해 메뉴의 위치와 명칭, 색깔 등을 어떻게 제공해야 구매율이 높아지는지 혹은 사용자의 재방문이 많아지는지를 파악할 수 있게 되었고 빅데이터의 활용 범위는 계속 증가했다.
--- 「01_빅데이터 기술」 중에서

이러한 복합적인 상권 분석 구조를 설계하기 위해 딥러닝 기술을 활용하면 알고리즘이 스스로 각 변수와 관계와 영향도를 데이터에서 스스로 학습할 수 있게 된다. 신기하게도 데이터에 대한 과적합(우연히 특정 지점에만 특별히 발생한 매출 형태를 전체 매장에 반영해 발생하는 성급한 일반화의 오류 문제)도 딥러닝 알고리즘은 스스로 해결한다. 또한 전국적인 판매망을 가진 기업의 상권 분석에서는 월 단위로 변화하는 전국의 배후지 정보와 매출 정보를 결합해 분석하더라도 GPU를 통해 빠르게 학습하고 시의적절하게 결과를 활용할 있어서 유용하다.
--- 「04_딥러닝 기술의 발전」 중에서

기존 권역으로서 상권 분석 방법을 뛰어넘기 위해 개별 구매자의 선택 모형을 학습하고, 이를 활용해 다시 개별 입지에서 매장 매출액을 구체적인 수치로 시뮬레이션해 제시할 수 있는 모형이 필요하다. 과거에는 학계에서도 구현이 불가능에 가까운 복잡한 모형이었지만 빅데이터와 딥러닝 기술의 발달로 손쉽게 이를 학습하고 구현할 수 있게 되었다.
--- 「06_상권 분석의 관점」 중에서

쉽게 말해서 연령별, 성별 소득 수준의 정보를 모아서 모델링을 하는 경우 고소득 배후지, 중소득 남성 배후지, 중소득 여성 배후지, 저소득 저연령 배후지 등 다양한 형태의 그룹이 만들어질 수 있다. 이렇게 만들어진 그룹으로 데이터를 이해하면 차원이 축소되어 데이터를 이해하고 활용하기 수월해진다. 다만 이러한 그룹을 만드는 과정은 사람에 의해 이루어지는 게 아니고 인공지능 모델의 설계를 통해 이루어져야 한다. 그렇게 하지 않으면 우리 상품과 무관한 소비자 그룹을 만들어 낼 수 있기 때문이다.