Cet article d'opinion a été rédigé par Krittika D'Silva , étudiante au doctorat en informatique et universitaire Gates à l'Université de Cambridge. Il apparaît également dans notre fil d'actualité des villes intelligentes .

Au cours de la dernière décennie, les changements dans la façon dont les gens achètent ont conduit de plus en plus d'entreprises à fermer leurs portes, des petites salles de musique aux librairies et même aux grands magasins . Cette tendance a été attribuée à plusieurs facteurs, notamment un virage vers les achats en ligne et la modification des préférences en matière de dépenses . Mais les fermetures d'entreprises sont complexes et souvent dues à de nombreux facteurs étroitement liés.

Pour mieux comprendre et prendre en compte certains de ces facteurs, mes collègues de l'Université de Cambridge et de Singapore Management University et moi avons construit un modèle d'apprentissage automatique, qui prévoyait des fermetures de magasins dans dix villes du monde avec une précision de 80%.

• Si vous voulez écrire un article d'opinion, jetez un œil au guide d' Apolitical pour les contributeurs

Notre recherche a modélisé la façon dont les gens se déplacent dans les zones urbaines, pour prédire si une entreprise donnée fermera ses portes. Cette recherche pourrait aider les autorités municipales et les propriétaires d'entreprises à prendre de meilleures décisions, par exemple concernant les accords de licence et les heures d'ouverture.

Repérage de motifs

L'apprentissage automatique est un outil puissant qui peut identifier automatiquement les modèles dans les données. Un modèle d'apprentissage automatique utilise ces modèles pour tester des hypothèses et faire des prédictions. Les médias sociaux fournissent une riche source de données pour examiner les modèles de ses utilisateurs à travers leurs publications, interactions et mouvements. Le détail de ces ensembles de données peut aider les chercheurs à construire des modèles robustes, avec une compréhension complexe des tendances des utilisateurs.

En utilisant des données sur la demande et le transport des consommateurs, ainsi que des données véridiques sur la fermeture effective des entreprises, nous avons conçu des mesures que notre modèle d'apprentissage automatique a utilisées pour identifier les modèles. Nous avons ensuite analysé dans quelle mesure ce modèle prédisait la fermeture d'une entreprise, compte tenu uniquement des mesures concernant cette entreprise et la zone dans laquelle elle se trouvait.

Notre premier ensemble de données provenait de Foursquare , une plate-forme de recommandation d'emplacement, qui comprenait les détails d'enregistrement des utilisateurs anonymes et représentait la demande d'entreprises au fil du temps. Nous avons également utilisé les données des trajectoires des taxis, ce qui nous a donné les points de ramassage et de dépôt de milliers d'utilisateurs anonymes; ceux-ci représentaient la dynamique de la façon dont les gens se déplacent entre les différents quartiers d'une ville. Nous avons utilisé des données historiques de 2011 à 2013.

Nous avons examiné quelques mesures différentes. Le profil du quartier tenait compte de la zone entourant une entreprise, comme les différents types d'entreprises en activité, ainsi que de la concurrence. Les modèles de visites des clients représentaient la popularité d'une entreprise à un moment donné de la journée, par rapport à ses concurrents locaux. Et les attributs d'entreprise définissaient des propriétés de base telles que la fourchette de prix et le type d'entreprise.

Ces trois mesures nous ont permis de modéliser la façon dont les prévisions de fermeture diffèrent entre les sites nouveaux et établis, la façon dont les prévisions variaient selon les villes et les mesures qui étaient les prédicteurs les plus importants de la fermeture. Nous avons été en mesure de prédire la fermeture d'entreprises établies avec plus de précision, ce qui suggère que les nouvelles entreprises peuvent faire face à la fermeture d'une plus grande variété de causes.

Faire des prédictions

Nous avons constaté que différentes mesures étaient utiles pour prévoir les fermetures dans différentes villes. Mais dans les dix villes de notre expérience - dont Chicago, Londres, New York, Singapour, Helsinki, Jakarta, Los Angeles, Paris, San Fransciso et Tokyo - nous avons vu que trois facteurs étaient presque toujours des prédicteurs significatifs de la fermeture d'une entreprise.

Le premier facteur important était la plage de temps pendant laquelle une entreprise était populaire. Nous avons constaté que les entreprises qui s'adressent uniquement à des segments de clientèle spécifiques - par exemple, un café populaire auprès des employés de bureau à l'heure du déjeuner - sont plus susceptibles de fermer. Il importait également quand une entreprise était populaire, par rapport à ses concurrents du quartier. Les entreprises populaires en dehors des horaires habituels des autres entreprises de la région avaient tendance à survivre plus longtemps.

Nous avons également constaté que lorsque la diversité des entreprises diminuait, la probabilité de fermeture augmentait. Ainsi, les entreprises situées dans des quartiers avec un mélange plus diversifié d'entreprises avaient tendance à survivre plus longtemps.

Bien sûr, comme tout ensemble de données, les informations que nous utilisons de Foursquare et des taxis sont biaisées à certains égards, car les utilisateurs peuvent être biaisés vers certaines données démographiques ou se connecter à certains types d'entreprises plus que d'autres. Mais en utilisant deux ensembles de données qui ciblent différents types d'utilisateurs, nous espérions atténuer ces biais. Et la cohérence de notre analyse dans plusieurs villes nous a donné confiance dans nos résultats.

Nous espérons que cette nouvelle approche pour prédire les fermetures d'entreprises avec des ensembles de données très détaillés aidera à révéler de nouvelles perspectives sur la façon dont les consommateurs se déplacent dans les villes et éclairera les décisions des propriétaires d'entreprise, des autorités locales et des urbanistes du monde entier. - Krittika D'Silva

Cet article a été initialement publié sur The Conversation.

(Crédit photo: Pexels)