Este artículo de opinión fue escrito por Krittika D'Silva , estudiante de doctorado en Ciencias de la Computación y estudioso de Gates en la Universidad de Cambridge. También aparece en nuestras noticias de ciudades inteligentes .

Durante la última década, los cambios en la forma en que las personas compran han llevado a más y más empresas a cerrar 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 negocios son complejos y, a menudo, se deben a muchos factores entrelazados.

Para comprender mejor y tener en cuenta algunos de estos factores, mis colegas de la Universidad de Cambridge y la Universidad de Administración de Singapur y yo construimos un modelo de aprendizaje automático, que preveía el cierre de tiendas en diez ciudades de todo el mundo con un 80% de precisión.

• Si desea escribir un artículo de opinión, eche un vistazo a la guía de Apolitical para contribuyentes

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

Manchado de patrones

El aprendizaje automático es una herramienta poderosa que puede identificar automáticamente patrones en los datos. Un modelo de aprendizaje automático utiliza 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. El detalle en estos conjuntos de datos puede ayudar a los investigadores a construir modelos robustos, con una comprensión compleja de las tendencias de los usuarios.

Utilizando datos sobre la demanda y el transporte de los consumidores, junto con datos reales sobre si las empresas realmente cerraron, diseñamos métricas que nuestro modelo de aprendizaje automático utilizó para identificar patrones. Luego analizamos qué tan bien este modelo predijo si una empresa se cerraría, dada solo las métricas sobre esa empresa 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 negocios a lo largo del tiempo. También utilizamos datos de trayectorias de taxis, que nos dieron los puntos de recogida y devolución de miles de usuarios anónimos; Estas representaban dinámicas de cómo las personas se mueven entre diferentes áreas de una ciudad. Utilizamos datos históricos de 2011 a 2013.

Observamos algunas métricas diferentes. El perfil del vecindario tomó en cuenta el área que rodea a un negocio, como los diferentes tipos de negocios que también operan, así como la 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 definieron 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 las predicciones variaron entre las ciudades y qué métricas fueron los predictores más significativos de cierre. Pudimos predecir el cierre de negocios establecidos con mayor precisión, lo que sugirió que los nuevos negocios 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, incluidas Chicago, Londres, Nueva York, Singapur, Helsinki, Yakarta, Los Ángeles, París, San Fransciso y Tokio, vimos que tres factores fueron casi siempre predictores significativos del cierre de un negocio.

El primer factor importante fue el rango de tiempo durante el cual un negocio era popular. Descubrimos que las empresas que atienden solo a segmentos específicos de clientes, por ejemplo, un café popular entre los trabajadores de oficina a la hora del almuerzo, tienen más probabilidades de cerrar. También importaba cuando un negocio era popular, en comparación con sus competidores en el vecindario. Las empresas que eran populares fuera del horario habitual de otras empresas en el área tendían a sobrevivir más tiempo.

También descubrimos que cuando la diversidad de empresas disminuía, aumentaba la probabilidad de cierre. Por lo tanto, las empresas ubicadas en vecindarios con una mezcla más diversa de empresas tendieron a sobrevivir más tiempo.

Por supuesto, como cualquier conjunto de datos, la información que utilizamos de Foursquare y los taxis está sesgada de alguna manera, ya que los usuarios pueden estar sesgados hacia ciertas características demográficas o registrarse en algunos tipos de negocios más que en otros. Pero al usar dos conjuntos de datos que apuntan a diferentes tipos de usuarios, esperamos mitigar esos sesgos. Y la consistencia de nuestro análisis en varias ciudades nos dio confianza en nuestros resultados.

Esperamos que este enfoque novedoso para predecir el cierre de negocios con conjuntos de datos altamente detallados ayude a revelar nuevas ideas sobre cómo los consumidores se mueven por las ciudades e informar las decisiones de los propietarios de negocios, las autoridades locales y los planificadores urbanos de todo el mundo. - Krittika D'Silva

Este artículo fue publicado originalmente en The Conversation.

(Crédito de la imagen: Pexels)