En la última década, Los cambios en la forma en que las personas compran han hecho que cada vez más empresas cierren sus puertas. desde pequeños locales de música hasta librerías e incluso grandes almacenes. Esta tendencia se ha atribuido a varios factores, incluido un cambio hacia las compras en línea y cambios en las preferencias de gasto. Pero los cierres de empresas son complejos, ya menudo debido a muchos factores entrelazados.

Para comprender y explicar mejor algunos de estos factores, mis colegas de la Universidad de Cambridge y la Universidad de Administración de Singapur y yo creamos un modelo de aprendizaje automático, que predijo cierres de tiendas en diez ciudades de todo el mundo con un 80% de precisión.

Nuestra investigación modeló cómo las personas se mueven a través de áreas urbanas, para predecir si una determinada empresa cerrará. Esta investigación podría ayudar a las autoridades de la ciudad y a los dueños de negocios a tomar mejores decisiones, por ejemplo, sobre acuerdos de licencia y horarios de apertura.

Detección de patrones

El aprendizaje automático es una herramienta poderosa que puede identificar automáticamente patrones en los datos. Un modelo de aprendizaje automático usa esos patrones para probar hipótesis y hacer predicciones. Las redes sociales proporcionan una rica fuente de datos para examinar los patrones de sus usuarios a través de sus publicaciones. interacciones y movimientos. Los detalles de estos conjuntos de datos pueden ayudar a los investigadores a construir modelos sólidos, con una comprensión compleja de las tendencias de los usuarios.

Utilizando datos sobre la demanda de los consumidores y el transporte, junto con datos reales sobre si las empresas realmente cerraron, ideamos métricas que nuestro modelo de aprendizaje automático utilizó para identificar patrones. Luego analizamos qué tan bien este modelo predijo si una empresa cerraría, dado solo métricas sobre ese negocio y el área en la que se encontraba.

Nuestro primer conjunto de datos fue de Foursquare, una plataforma de recomendación de ubicación, que incluía detalles de registro de usuarios anónimos y representaba la demanda de empresas a lo largo del tiempo. También usamos datos de trayectorias de taxis, que nos proporcionó los puntos de recogida y devolución de miles de usuarios anónimos; estos representaban dinámicas de cómo las personas se mueven entre diferentes áreas de una ciudad. Usamos datos históricos de 2011 a 2013.

Analizamos algunas métricas diferentes. El perfil del vecindario tuvo en cuenta el área que rodea a un negocio, como los diferentes tipos de negocios que también operan, así como competencia. Los patrones de visitas de los clientes representaban la popularidad de una empresa en cualquier momento del día. en comparación con sus competidores locales. Y los atributos comerciales definen propiedades básicas como el rango de precios y el tipo de negocio.

Estas tres métricas nos permitieron modelar cómo las predicciones de cierre difieren entre lugares nuevos y establecidos, cómo variaron las predicciones entre las ciudades y qué métricas fueron los predictores más importantes del cierre. Pudimos predecir el cierre de negocios establecidos con mayor precisión, lo que sugirió que las nuevas empresas pueden enfrentar el cierre por una mayor variedad de causas.

Haciendo predicciones

Descubrimos que diferentes métricas eran útiles para predecir cierres en diferentes ciudades. Pero en las diez ciudades de nuestro experimento, incluida Chicago, Londres, Nueva York, Singapur, Helsinki, Jacarta, Los Angeles, París, San Francisco y Tokio:vimos que tres factores eran casi siempre predictores importantes del cierre de una empresa.

El primer factor importante fue el intervalo de tiempo durante el cual una empresa fue popular. Descubrimos que las empresas que atienden solo a segmentos de clientes específicos, por ejemplo, un café popular entre los trabajadores de oficina a la hora del almuerzo - es más probable que cierren. También importaba cuándo una empresa era popular, en comparación con sus competidores en el barrio. Los negocios que eran populares fuera del horario habitual de otros negocios de la zona tendían a sobrevivir más tiempo.

También descubrimos que cuando la diversidad de negocios disminuyó, la probabilidad de cierre aumentó. Por lo tanto, las empresas ubicadas en vecindarios con una combinación de negocios más diversa tendían a sobrevivir más tiempo.

Por supuesto, como cualquier conjunto de datos, la información que usamos de Foursquare y los taxis está sesgada de alguna manera, ya que los usuarios pueden estar sesgados hacia ciertos datos demográficos o registrarse en algunos tipos de negocios más que en otros. Pero al utilizar dos conjuntos de datos que se dirigen a diferentes tipos de usuarios, esperábamos mitigar esos sesgos. Y la coherencia de nuestro análisis en varias ciudades nos dio confianza en nuestros resultados.

Esperamos que este enfoque novedoso para predecir cierres de empresas con conjuntos de datos altamente detallados ayude a revelar nuevos conocimientos sobre cómo los consumidores se mueven por las ciudades. e informar las decisiones de los dueños de negocios, autoridades locales y urbanistas de todo el mundo.

Este artículo se ha vuelto a publicar de The Conversation con una licencia de Creative Commons. Lea el artículo original.