Create app.py

app.py

@@ -0,0 +1,856 @@
+"""
+AI 기반 상권 분석 시스템 - 강화 버전
+Dataset: https://huggingface.co/datasets/ginipick/market
+"""
+import gradio as gr
+import pandas as pd
+import numpy as np
+from typing import Dict, List, Tuple
+import json
+from datasets import load_dataset
+import plotly.express as px
+import plotly.graph_objects as go
+from plotly.subplots import make_subplots
+import folium
+from folium.plugins import HeatMap, MarkerCluster
+import requests
+from collections import Counter
+import re
+import os
+import time
+
+# ============================================================================
+# 데이터 로더 클래스
+# ============================================================================
+
+class MarketDataLoader:
+    """허깅페이스 상권 데이터 로더"""
+    
+    REGIONS = {
+        '서울': '서울_202506', '경기': '경기_202506', '부산': '부산_202506',
+        '대구': '대구_202506', '인천': '인천_202506', '광주': '광주_202506',
+        '대전': '대전_202506', '울산': '울산_202506', '세종': '세종_202506',
+        '경남': '경남_202506', '경북': '경북_202506', '전남': '전남_202506',
+        '전북': '전북_202506', '충남': '충남_202506', '충북': '충북_202506',
+        '강원': '강원_202506', '제주': '제주_202506'
+    }
+    
+    # 업종 분류 매핑
+    CATEGORY_MAPPING = {
+        'G2': '소매업',
+        'I1': '숙박업',
+        'I2': '음식점업',
+        'L1': '부동산업',
+        'M1': '전문/과학/기술',
+        'N1': '사업지원/임대',
+        'P1': '교육서비스',
+        'Q1': '보건의료',
+        'R1': '예술/스포츠/여가',
+        'S2': '수리/개인서비스'
+    }
+    
+    @staticmethod
+    def load_region_data(region: str, sample_size: int = 30000) -> pd.DataFrame:
+        """지역별 데이터 로드"""
+        try:
+            file_name = f"소상공인시장진흥공단_상가(상권)정보_{MarketDataLoader.REGIONS[region]}.csv"
+            dataset = load_dataset("ginipick/market", data_files=file_name, split="train")
+            df = dataset.to_pandas()
+            
+            if len(df) > sample_size:
+                df = df.sample(n=sample_size, random_state=42)
+            
+            return df
+        except Exception as e:
+            print(f"데이터 로드 실패: {str(e)}")
+            return pd.DataFrame()
+    
+    @staticmethod
+    def load_multiple_regions(regions: List[str], sample_per_region: int = 30000) -> pd.DataFrame:
+        """여러 지역 데이터 로드"""
+        dfs = []
+        for region in regions:
+            df = MarketDataLoader.load_region_data(region, sample_per_region)
+            if not df.empty:
+                dfs.append(df)
+        
+        if dfs:
+            return pd.concat(dfs, ignore_index=True)
+        return pd.DataFrame()
+
+
+# ============================================================================
+# 상권 분석 클래스
+# ============================================================================
+
+class MarketAnalyzer:
+    """상권 데이터 분석 엔진"""
+    
+    def __init__(self, df: pd.DataFrame):
+        self.df = df
+        self.prepare_data()
+    
+    def prepare_data(self):
+        """데이터 전처리"""
+        if '경도' in self.df.columns:
+            self.df['경도'] = pd.to_numeric(self.df['경도'], errors='coerce')
+        if '위도' in self.df.columns:
+            self.df['위도'] = pd.to_numeric(self.df['위도'], errors='coerce')
+        self.df = self.df.dropna(subset=['경도', '위도'])
+        
+        # 층 정보 정제
+        if '층정보' in self.df.columns:
+            self.df['층정보_숫자'] = self.df['층정보'].apply(self._parse_floor)
+    
+    def _parse_floor(self, floor_str):
+        """층 정보를 숫자로 변환"""
+        if pd.isna(floor_str):
+            return None
+        floor_str = str(floor_str)
+        if '지하' in floor_str or 'B' in floor_str:
+            match = re.search(r'\d+', floor_str)
+            return -int(match.group()) if match else -1
+        elif '1층' in floor_str or floor_str == '1':
+            return 1
+        else:
+            match = re.search(r'\d+', floor_str)
+            return int(match.group()) if match else None
+    
+    def get_comprehensive_insights(self) -> List[Dict]:
+        """포괄적인 인사이트 생성"""
+        insights = []
+        
+        # 1. 업종별 점포 수 (상권업종중분류)
+        insights.append(self._create_top_categories_chart())
+        
+        # 2. 대분류별 분포 (파이 차트)
+        insights.append(self._create_major_category_pie())
+        
+        # 3. 층별 분포 상세 분석
+        insights.append(self._create_floor_analysis())
+        
+        # 4. 지역별 업종 다양성 지수
+        insights.append(self._create_diversity_index())
+        
+        # 5. 프랜차이즈 vs 개인사업자 분석
+        insights.append(self._create_franchise_analysis())
+        
+        # 6. 업종별 층 선호도
+        insights.append(self._create_floor_preference())
+        
+        # 7. 시군구별 상권 밀집도 TOP 20
+        insights.append(self._create_district_density())
+        
+        # 8. 업종 상관관계 (같은 지역에 자주 나타나는 업종)
+        insights.append(self._create_category_correlation())
+        
+        # 9. 소분류 트렌드 (상위 20개)
+        insights.append(self._create_subcategory_trends())
+        
+        # 10. 지역별 특화 업종
+        insights.append(self._create_regional_specialization())
+        
+        return insights
+    
+    def _create_top_categories_chart(self) -> Dict:
+        """업종별 점포 수 차트"""
+        if '상권업종중분류명' not in self.df.columns:
+            return None
+        
+        top_categories = self.df['상권업종중분류명'].value_counts().head(15)
+        fig = px.bar(
+            x=top_categories.values,
+            y=top_categories.index,
+            orientation='h',
+            labels={'x': '점포 수', 'y': '업종'},
+            title='🏆 상위 업종 TOP 15',
+            color=top_categories.values,
+            color_continuous_scale='blues'
+        )
+        fig.update_layout(showlegend=False, height=500)
+        return {'type': 'plot', 'data': fig, 'title': '업종별 점포 수 분석'}
+    
+    def _create_major_category_pie(self) -> Dict:
+        """대분류별 분포"""
+        if '상권업종대분류코드' not in self.df.columns:
+            return None
+        
+        major_counts = self.df['상권업종대분류코드'].value_counts()
+        labels = [MarketDataLoader.CATEGORY_MAPPING.get(code, code) for code in major_counts.index]
+        
+        fig = px.pie(
+            values=major_counts.values,
+            names=labels,
+            title='📊 업종 대분류 분포',
+            hole=0.4,
+            color_discrete_sequence=px.colors.qualitative.Set3
+        )
+        fig.update_traces(textposition='inside', textinfo='percent+label')
+        return {'type': 'plot', 'data': fig, 'title': '대분류별 상권 구성'}
+    
+    def _create_floor_analysis(self) -> Dict:
+        """층별 분포 상세 분석"""
+        if '층정보_숫자' not in self.df.columns:
+            return None
+        
+        floor_data = self.df['층정보_숫자'].dropna()
+        floor_counts = floor_data.value_counts().sort_index()
+        
+        # 지하, 1층, 2층 이상으로 그룹화
+        underground = floor_counts[floor_counts.index < 0].sum()
+        first_floor = floor_counts.get(1, 0)
+        upper_floors = floor_counts[floor_counts.index > 1].sum()
+        
+        fig = go.Figure(data=[
+            go.Bar(
+                x=['지하', '1층', '2층 이상'],
+                y=[underground, first_floor, upper_floors],
+                text=[f'{underground:,}<br>({underground/len(floor_data)*100:.1f}%)',
+                      f'{first_floor:,}<br>({first_floor/len(floor_data)*100:.1f}%)',
+                      f'{upper_floors:,}<br>({upper_floors/len(floor_data)*100:.1f}%)'],
+                textposition='auto',
+                marker_color=['#e74c3c', '#3498db', '#95a5a6']
+            )
+        ])
+        fig.update_layout(
+            title='🏢 층별 점포 분포 (지하 vs 1층 vs 상층)',
+            xaxis_title='층 구분',
+            yaxis_title='점포 수',
+            height=400
+        )
+        return {'type': 'plot', 'data': fig, 'title': '층별 입지 분석'}
+    
+    def _create_diversity_index(self) -> Dict:
+        """지역별 업종 다양성 지수"""
+        if '시군구명' not in self.df.columns or '상권업종중분류명' not in self.df.columns:
+            return None
+        
+        # 각 시군구별 업종 다양성 계산 (업종 수 / 전체 점포 수)
+        diversity_data = []
+        for district in self.df['시군구명'].unique()[:20]:  # 상위 20개
+            district_df = self.df[self.df['시군구명'] == district]
+            num_categories = district_df['상권업종중분류명'].nunique()
+            total_stores = len(district_df)
+            diversity_score = (num_categories / total_stores) * 100
+            diversity_data.append({
+                '시군구': district,
+                '다양성 지수': diversity_score,
+                '업종 수': num_categories,
+                '총 점포': total_stores
+            })
+        
+        diversity_df = pd.DataFrame(diversity_data).sort_values('다양성 지수', ascending=False).head(15)
+        
+        fig = px.bar(
+            diversity_df,
+            x='다양성 지수',
+            y='시군구',
+            orientation='h',
+            title='🌈 지역별 업종 다양성 지수 (상위 15개)',
+            labels={'다양성 지수': '다양성 지수 (%)', '시군구': '지역'},
+            color='다양성 지수',
+            color_continuous_scale='viridis',
+            hover_data=['업종 수', '총 점포']
+        )
+        fig.update_layout(height=500)
+        return {'type': 'plot', 'data': fig, 'title': '업종 다양성 분석'}
+    
+    def _create_franchise_analysis(self) -> Dict:
+        """프랜차이즈 vs 개인사업자 분석"""
+        if '상호명' not in self.df.columns:
+            return None
+        
+        # 주요 프랜차이즈 키워드
+        franchise_keywords = [
+            'CU', 'GS25', '세븐일레븐', '이마트24', '미니스톱',
+            '스타벅스', '투썸플레이스', '이디야', '탐앤탐스', '커피빈',
+            '맥도날드', '버거킹', '롯데리아', 'KFC', '맘스터치',
+            'BBQ', '교촌', '굽네', 'bhc', '네네치킨'
+        ]
+        
+        franchise_counts = {}
+        for keyword in franchise_keywords:
+            count = self.df['상호명'].str.contains(keyword, case=False, na=False).sum()
+            if count > 0:
+                franchise_counts[keyword] = count
+        
+        total_franchise = sum(franchise_counts.values())
+        total_stores = len(self.df)
+        individual_stores = total_stores - total_franchise
+        
+        # 파이 차트
+        fig = make_subplots(
+            rows=1, cols=2,
+            specs=[[{'type': 'pie'}, {'type': 'bar'}]],
+            subplot_titles=('전체 비율', '프랜차이즈별 점포 수')
+        )
+        
+        # 전체 비율
+        fig.add_trace(
+            go.Pie(
+                labels=['개인사업자', '프랜차이즈'],
+                values=[individual_stores, total_franchise],
+                hole=0.3,
+                marker_colors=['#3498db', '#e74c3c']
+            ),
+            row=1, col=1
+        )
+        
+        # 프랜차이즈별
+        top_franchises = dict(sorted(franchise_counts.items(), key=lambda x: x[1], reverse=True)[:10])
+        fig.add_trace(
+            go.Bar(
+                x=list(top_franchises.keys()),
+                y=list(top_franchises.values()),
+                marker_color='#e74c3c'
+            ),
+            row=1, col=2
+        )
+        
+        fig.update_layout(
+            title_text='🏪 프랜차이즈 vs 개인사업자 분석',
+            showlegend=True,
+            height=400
+        )
+        return {'type': 'plot', 'data': fig, 'title': '프랜차이즈 점유율'}
+    
+    def _create_floor_preference(self) -> Dict:
+        """업종별 층 선호도"""
+        if '상권업종중분류명' not in self.df.columns or '층정보_숫자' not in self.df.columns:
+            return None
+        
+        # 상위 10개 업종의 층별 분포
+        top_categories = self.df['상권업종중분류명'].value_counts().head(10).index
+        
+        floor_pref_data = []
+        for category in top_categories:
+            cat_df = self.df[self.df['상권업종중분류명'] == category]
+            underground = (cat_df['층정보_숫자'] < 0).sum()
+            first_floor = (cat_df['층정보_숫자'] == 1).sum()
+            upper_floors = (cat_df['층정보_숫자'] > 1).sum()
+            
+            total = underground + first_floor + upper_floors
+            if total > 0:
+                floor_pref_data.append({
+                    '업종': category,
+                    '지하': (underground / total) * 100,
+                    '1층': (first_floor / total) * 100,
+                    '2층 이상': (upper_floors / total) * 100
+                })
+        
+        pref_df = pd.DataFrame(floor_pref_data)
+        
+        fig = go.Figure(data=[
+            go.Bar(name='지하', x=pref_df['업종'], y=pref_df['지하'], marker_color='#e74c3c'),
+            go.Bar(name='1층', x=pref_df['업종'], y=pref_df['1층'], marker_color='#3498db'),
+            go.Bar(name='2층 이상', x=pref_df['업종'], y=pref_df['2층 이상'], marker_color='#95a5a6')
+        ])
+        
+        fig.update_layout(
+            title='🎯 업종별 층 선호도 (상위 10개)',
+            xaxis_title='업종',
+            yaxis_title='비율 (%)',
+            barmode='stack',
+            height=500,
+            xaxis_tickangle=-45
+        )
+        return {'type': 'plot', 'data': fig, 'title': '층별 입지 선호도'}
+    
+    def _create_district_density(self) -> Dict:
+        """시군구별 상권 밀집도"""
+        if '시군구명' not in self.df.columns:
+            return None
+        
+        district_counts = self.df['시군구명'].value_counts().head(20)
+        
+        fig = px.bar(
+            x=district_counts.values,
+            y=district_counts.index,
+            orientation='h',
+            title='🌆 시군구별 상권 밀집도 TOP 20',
+            labels={'x': '점포 수', 'y': '시군구'},
+            color=district_counts.values,
+            color_continuous_scale='reds'
+        )
+        fig.update_layout(showlegend=False, height=600)
+        return {'type': 'plot', 'data': fig, 'title': '지역별 밀집도'}
+    
+    def _create_category_correlation(self) -> Dict:
+        """업종 상관관계 (같은 동에 자주 나타나는 업종)"""
+        if '행정동명' not in self.df.columns or '상권업종중분류명' not in self.df.columns:
+            return None
+        
+        # 상위 10개 업종만 분석
+        top_categories = self.df['상권업종중분류명'].value_counts().head(10).index.tolist()
+        
+        # 각 동별로 업종 카운트
+        correlation_matrix = []
+        for cat1 in top_categories:
+            row = []
+            for cat2 in top_categories:
+                # 두 업종이 같은 동에 있는 경우의 수
+                cat1_dongs = set(self.df[self.df['상권업종중분류명'] == cat1]['행정동명'].unique())
+                cat2_dongs = set(self.df[self.df['상권업종중분류명'] == cat2]['행정동명'].unique())
+                intersection = len(cat1_dongs & cat2_dongs)
+                union = len(cat1_dongs | cat2_dongs)
+                similarity = (intersection / union * 100) if union > 0 else 0
+                row.append(similarity)
+            correlation_matrix.append(row)
+        
+        fig = go.Figure(data=go.Heatmap(
+            z=correlation_matrix,
+            x=top_categories,
+            y=top_categories,
+            colorscale='Blues',
+            text=np.round(correlation_matrix, 1),
+            texttemplate='%{text}',
+            textfont={"size": 10}
+        ))
+        
+        fig.update_layout(
+            title='🔗 업종 상관관계 매트릭스 (같은 지역 동시 출현율)',
+            xaxis_title='업종',
+            yaxis_title='업종',
+            height=600,
+            xaxis_tickangle=-45
+        )
+        return {'type': 'plot', 'data': fig, 'title': '업종 공존 분석'}
+    
+    def _create_subcategory_trends(self) -> Dict:
+        """소분류 트렌드"""
+        if '상권업종소분류명' not in self.df.columns:
+            return None
+        
+        subcat_counts = self.df['상권업종소분류명'].value_counts().head(20)
+        
+        fig = px.treemap(
+            names=subcat_counts.index,
+            parents=[''] * len(subcat_counts),
+            values=subcat_counts.values,
+            title='🔍 소분류 업종 트렌드 TOP 20',
+            color=subcat_counts.values,
+            color_continuous_scale='greens'
+        )
+        fig.update_layout(height=600)
+        return {'type': 'plot', 'data': fig, 'title': '세부 업종 분석'}
+    
+    def _create_regional_specialization(self) -> Dict:
+        """지역별 특화 업종"""
+        if '시도명' not in self.df.columns or '상권업종중분류명' not in self.df.columns:
+            return None
+        
+        # 각 시도별 상위 3개 업종
+        specialization_data = []
+        for region in self.df['시도명'].unique():
+            region_df = self.df[self.df['시도명'] == region]
+            top_categories = region_df['상권업종중분류명'].value_counts().head(3)
+            for category, count in top_categories.items():
+                specialization_data.append({
+                    '지역': region,
+                    '특화업종': category,
+                    '점포수': count
+                })
+        
+        spec_df = pd.DataFrame(specialization_data)
+        
+        fig = px.sunburst(
+            spec_df,
+            path=['지역', '특화업종'],
+            values='점포수',
+            title='🎯 지역별 특화 업종 (각 지역 TOP 3)',
+            color='점포수',
+            color_continuous_scale='oranges'
+        )
+        fig.update_layout(height=700)
+        return {'type': 'plot', 'data': fig, 'title': '지역 특화 분석'}
+    
+    def create_density_map(self, sample_size: int = 1000) -> str:
+        """점포 밀집도 지도 생성"""
+        df_sample = self.df.sample(n=min(sample_size, len(self.df)), random_state=42)
+        
+        center_lat = df_sample['위도'].mean()
+        center_lon = df_sample['경도'].mean()
+        
+        m = folium.Map(location=[center_lat, center_lon], zoom_start=11, tiles='OpenStreetMap')
+        
+        # 히트맵
+        heat_data = [[row['위도'], row['경도']] for _, row in df_sample.iterrows()]
+        HeatMap(heat_data, radius=15, blur=25, max_zoom=13).add_to(m)
+        
+        return m._repr_html_()
+    
+    def analyze_for_llm(self) -> Dict:
+        """LLM 컨텍스트용 분석 데이터"""
+        context = {
+            '총_점포_수': len(self.df),
+            '지역_수': self.df['시도명'].nunique() if '시도명' in self.df.columns else 0,
+            '업종_수': self.df['상권업종중분류명'].nunique() if '상권업종중분류명' in self.df.columns else 0,
+        }
+        
+        if '상권업종중분류명' in self.df.columns:
+            context['상위_업종_5'] = self.df['상권업종중분류명'].value_counts().head(5).to_dict()
+        
+        if '층정보_숫자' in self.df.columns:
+            first_floor_ratio = (self.df['층정보_숫자'] == 1).sum() / len(self.df) * 100
+            context['1층_비율'] = f"{first_floor_ratio:.1f}%"
+        
+        return context
+
+
+# ============================================================================
+# LLM 쿼리 프로세서
+# ============================================================================
+
+class LLMQueryProcessor:
+    """Fireworks AI 기반 자연어 처리"""
+    
+    def __init__(self, api_key: str = None):
+        # 환경변수에서 API 키 가져오기
+        self.api_key = api_key or os.getenv("FIREWORKS_API_KEY")
+        self.base_url = "https://api.fireworks.ai/inference/v1/chat/completions"
+        
+        if not self.api_key:
+            raise ValueError("❌ FIREWORKS_API_KEY 환경변수를 설정하거나 API 키를 입력해주세요!")
+    
+    def process_query(self, query: str, data_context: Dict, chat_history: List = None, max_retries: int = 3) -> str:
+        """자연어 쿼리 처리 (재시도 로직 포함)"""
+        system_prompt = f"""당신은 한국 상권 데이터 분석 전문가입니다.
+
+📊 **현재 분석 데이터**
+{json.dumps(data_context, ensure_ascii=False, indent=2)}
+
+구체적인 숫자와 비율로 정량적 분석을 제공하세요.
+창업, 투자, 경쟁 분석 관점에서 실용적 인사이트를 제공하세요."""
+
+        messages = [{"role": "system", "content": system_prompt}]
+        if chat_history:
+            messages.extend(chat_history[-6:])
+        messages.append({"role": "user", "content": query})
+        
+        payload = {
+            "model": "accounts/fireworks/models/qwen3-235b-a22b-instruct-2507",
+            "max_tokens": 2000,
+            "temperature": 0.7,
+            "messages": messages
+        }
+        
+        headers = {
+            "Authorization": f"Bearer {self.api_key}",
+            "Content-Type": "application/json"
+        }
+        
+        # 재시도 로직
+        for attempt in range(max_retries):
+            try:
+                # 타임아웃을 60초로 증가
+                response = requests.post(
+                    self.base_url, 
+                    headers=headers, 
+                    json=payload, 
+                    timeout=60
+                )
+                
+                if response.status_code == 200:
+                    return response.json()['choices'][0]['message']['content']
+                elif response.status_code == 429:
+                    # Rate limit - 재시도
+                    wait_time = (attempt + 1) * 2
+                    time.sleep(wait_time)
+                    continue
+                else:
+                    return f"⚠️ API 오류: {response.status_code} - {response.text[:200]}"
+                    
+            except requests.exceptions.Timeout:
+                if attempt < max_retries - 1:
+                    time.sleep(2)
+                    continue
+                else:
+                    return "⚠️ API 응답 시간 초과. 잠시 후 다시 시도해주세요."
+                    
+            except requests.exceptions.ConnectionError:
+                if attempt < max_retries - 1:
+                    time.sleep(2)
+                    continue
+                else:
+                    return "⚠️ 네트워크 연결 오류. 인터넷 연결을 확인해주세요."
+                    
+            except Exception as e:
+                if attempt < max_retries - 1:
+                    time.sleep(1)
+                    continue
+                else:
+                    return f"❌ 오류: {str(e)}"
+        
+        return "⚠️ 최대 재시도 횟수 초과. 잠시 후 다시 시도해주세요."
+
+
+# ============================================================================
+# 전역 상태
+# ============================================================================
+
+class AppState:
+    def __init__(self):
+        self.analyzer = None
+        self.llm_processor = None
+        self.chat_history = []
+
+app_state = AppState()
+
+
+# ============================================================================
+# Gradio 인터페이스 함수
+# ============================================================================
+
+def load_data(regions):
+    """데이터 로드"""
+    if not regions:
+        return "❌ 최소 1개 지역을 선택해주세요!", None, None, None
+    
+    try:
+        df = MarketDataLoader.load_multiple_regions(regions, sample_per_region=30000)
+        if df.empty:
+            return "❌ 데이터 로드 실패!", None, None, None
+        
+        app_state.analyzer = MarketAnalyzer(df)
+        
+        # 기본 통계
+        stats = f"""
+✅ **데이터 로드 완료!**
+
+📊 **통계**
+- 총 점포: {len(df):,}개
+- 분석 지역: {', '.join(regions)}
+- 업종 수: {df['상권업종중분류명'].nunique()}개
+- 대분류: {df['상권업종대분류명'].nunique()}개
+"""
+        
+        return stats, gr.update(visible=True), gr.update(visible=True), gr.update(visible=True)
+    except Exception as e:
+        return f"❌ 오류: {str(e)}", None, None, None
+
+
+def generate_insights():
+    """인사이트 생성"""
+    if app_state.analyzer is None:
+        return [None] * 11
+    
+    insights = app_state.analyzer.get_comprehensive_insights()
+    map_html = app_state.analyzer.create_density_map(sample_size=2000)
+    
+    result = [map_html]
+    for insight in insights:
+        if insight and insight['type'] == 'plot':
+            result.append(insight['data'])
+        else:
+            result.append(None)
+    
+    # 부족한 차트는 None으로 채우기
+    while len(result) < 11:
+        result.append(None)
+    
+    return result[:11]
+
+
+def chat_respond(message, history):
+    """챗봇 응답"""
+    if app_state.analyzer is None:
+        return history + [[message, "❌ 먼저 데이터를 로드해주세요!"]]
+    
+    data_context = app_state.analyzer.analyze_for_llm()
+    
+    # LLM 프로세서 초기화 (환경변수에서 API 키 자동 로드)
+    try:
+        if app_state.llm_processor is None:
+            app_state.llm_processor = LLMQueryProcessor()
+        
+        chat_hist = []
+        for user_msg, bot_msg in history:
+            chat_hist.append({"role": "user", "content": user_msg})
+            chat_hist.append({"role": "assistant", "content": bot_msg})
+        
+        response = app_state.llm_processor.process_query(message, data_context, chat_hist)
+        
+    except ValueError as e:
+        # API 키가 없는 경우 기본 통계 제공
+        response = f"""📊 **기본 데이터 분석 결과**
+
+**전체 현황**
+- 총 점포 수: {data_context['총_점포_수']:,}개
+- 업종 종류: {data_context['업종_수']}개
+- 1층 비율: {data_context.get('1층_비율', 'N/A')}
+
+⚠️ **AI 분석 사용 방법**
+환경변수를 설정하세요:
+```bash
+export FIREWORKS_API_KEY="your_api_key_here"
+```
+
+또는 Hugging Face Space에서는 Settings > Variables 에서 설정하세요."""
+    
+    history.append([message, response])
+    return history
+
+
+# ============================================================================
+# Gradio UI
+# ============================================================================
+
+with gr.Blocks(title="AI 상권 분석 시스템 Pro", theme=gr.themes.Soft()) as demo:
+    gr.Markdown("""
+    # 🏪 AI 상권 분석 시스템 Pro
+    *전국 상가(상권) 데이터 기반 실시간 분석 | Powered by Fireworks AI*
+    
+    **✨ 10가지 심층 분석 제공**: 업종 트렌드, 경쟁 강도, 입지 분석, 프랜차이즈 비율, 지역 특화, 층별 선호도 등
+    """)
+    
+    with gr.Row():
+        with gr.Column(scale=1):
+            gr.Markdown("### ⚙️ 설정")
+            
+            # 환경변수 상태 표시
+            api_status = "✅ API 키 설정됨" if os.getenv("FIREWORKS_API_KEY") else "⚠️ API 키 미설정 (기본 통계만 제공)"
+            gr.Markdown(f"**🔑 API 상태**: {api_status}")
+            
+            region_select = gr.CheckboxGroup(
+                choices=list(MarketDataLoader.REGIONS.keys()),
+                value=['서울'],
+                label="📍 분석 지역 선택 (최대 5개 권장)"
+            )
+            
+            load_btn = gr.Button("📊 데이터 로드", variant="primary", size="lg")
+            
+            status_box = gr.Markdown("👈 지역을 선택하고 데이터를 로드하세요!")
+        
+        with gr.Column(scale=3):
+            with gr.Tabs() as tabs:
+                with gr.Tab("📊 인사이트 대시보드", id=0) as tab1:
+                    insights_content = gr.Column(visible=False)
+                    
+                    with insights_content:
+                        gr.Markdown("### 🗺️ 점포 밀집도 히트맵")
+                        map_output = gr.HTML()
+                        
+                        gr.Markdown("---")
+                        gr.Markdown("### 📈 10가지 심층 상권 인사이트")
+                        
+                        with gr.Row():
+                            chart1 = gr.Plot(label="업종별 점포 수")
+                            chart2 = gr.Plot(label="대분류 분포")
+                        
+                        with gr.Row():
+                            chart3 = gr.Plot(label="층별 분포")
+                            chart4 = gr.Plot(label="업종 다양성")
+                        
+                        with gr.Row():
+                            chart5 = gr.Plot(label="프랜차이즈 분석")
+                            chart6 = gr.Plot(label="층 선호도")
+                        
+                        with gr.Row():
+                            chart7 = gr.Plot(label="지역 밀집도")
+                            chart8 = gr.Plot(label="업종 상관관계")
+                        
+                        with gr.Row():
+                            chart9 = gr.Plot(label="소분류 트렌드")
+                            chart10 = gr.Plot(label="지역 특화")
+                
+                with gr.Tab("🤖 AI 분석 챗봇", id=1) as tab2:
+                    chat_content = gr.Column(visible=False)
+                    
+                    with chat_content:
+                        gr.Markdown("""
+                        ### 💡 샘플 질문
+                        강남에서 카페 창업? | 치킨집 포화 지역? | 1층이 유리한 업종? | 프랜차이즈 점유율?
+                        """)
+                        
+                        chatbot = gr.Chatbot(height=400, label="AI 상권 분석 어시스턴트")
+                        
+                        with gr.Row():
+                            msg_input = gr.Textbox(
+                                placeholder="무엇이든 물어보세요! (예: 강남에서 카페 창업하려면?)",
+                                show_label=False,
+                                scale=4
+                            )
+                            submit_btn = gr.Button("전송", variant="primary", scale=1)
+                        
+                        # 샘플 버튼들
+                        with gr.Row():
+                            sample_btn1 = gr.Button("강남에서 카페 창업?", size="sm")
+                            sample_btn2 = gr.Button("치킨집 포화 지역?", size="sm")
+                            sample_btn3 = gr.Button("1층이 유리한 업종?", size="sm")
+                            sample_btn4 = gr.Button("프랜차이즈 점유율?", size="sm")
+    
+    # 이벤트 핸들러
+    load_btn.click(
+        fn=load_data,
+        inputs=[region_select],
+        outputs=[status_box, insights_content, chat_content, tab1]
+    ).then(
+        fn=generate_insights,
+        outputs=[map_output, chart1, chart2, chart3, chart4, chart5, chart6, chart7, chart8, chart9, chart10]
+    )
+    
+    # 챗봇 이벤트 (API 키 파라미터 제거)
+    submit_btn.click(
+        fn=chat_respond,
+        inputs=[msg_input, chatbot],
+        outputs=[chatbot]
+    ).then(
+        fn=lambda: "",
+        outputs=[msg_input]
+    )
+    
+    msg_input.submit(
+        fn=chat_respond,
+        inputs=[msg_input, chatbot],
+        outputs=[chatbot]
+    ).then(
+        fn=lambda: "",
+        outputs=[msg_input]
+    )
+    
+    # 샘플 버튼 이벤트
+    for btn, text in [
+        (sample_btn1, "강남에서 카페 창업?"),
+        (sample_btn2, "치킨집 포화 지역?"),
+        (sample_btn3, "1층이 유리한 업종?"),
+        (sample_btn4, "프랜차이즈 점유율?")
+    ]:
+        btn.click(
+            fn=lambda t=text, h=chatbot: chat_respond(t, h.value or []),
+            outputs=[chatbot]
+        )
+    
+    gr.Markdown("""
+    ---
+    ### 📖 사용 가이드
+    1. 지역 선택 → 2. 데이터 로드 → 3. 10가지 인사이트 확인 또는 AI에게 질문
+    
+    ### 🔑 AI 챗봇 활성화 방법
+    환경변수 설정:
+    ```bash
+    export FIREWORKS_API_KEY="your_api_key_here"
+    ```
+    
+    Hugging Face Space에서는:
+    1. Settings 메뉴 클릭
+    2. Variables 탭 선택
+    3. New variable 추가: `FIREWORKS_API_KEY`
+    
+    ### 📊 제공되는 10가지 분석
+    1. **업종별 점포 수**: 가장 많은 업종 TOP 15
+    2. **대분류 분포**: 소매/음식/서비스 등 대분류 비율
+    3. **층별 분포**: 지하/1층/상층 입지 분석
+    4. **업종 다양성**: 지역별 업종 다양성 지수
+    5. **프랜차이즈 분석**: 개인 vs 프랜차이즈 비율
+    6. **층 선호도**: 업종별 선호 층수
+    7. **지역 밀집도**: 점포 수 상위 지역
+    8. **업종 상관관계**: 같이 나타나는 업종 패턴
+    9. **소분류 트렌드**: 세부 업종 분포
+    10. **지역 특화**: 각 지역의 특화 업종
+    
+    💡 **Tip**: API 키 없이도 10가지 시각화 분석과 기본 통계를 확인할 수 있습니다!
+    """)
+
+# 실행
+if __name__ == "__main__":
+    demo.launch(server_name="0.0.0.0", server_port=7860, share=False)