Este artigo de opinião foi escrito por Krittika D'Silva, uma estudante de PhD em Ciência da Computação e bolsista Gates na Universidade de Cambridge. Ele também aparece em nosso newsfeed de cidades inteligentes .

Na última década, as mudanças na forma como as pessoas compram levaram cada vez mais empresas a fechar as portas, em [pequenos locais de música](https://www.theguardian.com/commentisfree/2017/jul/18/small-music -venues) para [livrarias](https://www.publishersweekly.com/pw/by-topic/industry-news/bookselling/article/75247-book-world-to-close-all-45-stores-across -the-midwest.html) e até mesmo [grandes lojas de departamentos](https://theconversation.com/how-high-streets-and-shopping-malls-face-a-domino-effect-from-major-store-closures -97263). Essa tendência foi atribuída a vários fatores, incluindo [uma mudança em direção às compras online](https://www.businessinsider.com/nothing-can-stop-the-shift-to-online-shopping-2017-11/?IR = T) e [alterar preferências de gasto](https://www.forbes.com/sites/hughmcintyre/2017/03/10/this-airbnb-for-classical-music-is-changing-how-young-people- experience-the-genre-live / # 75f8317a6e55). Mas o fechamento de empresas é complexo e, muitas vezes, devido a muitos fatores interligados.

Para entender melhor e explicar alguns desses fatores, meus colegas da Universidade de Cambridge e da Singapore Management University e eu construímos um modelo de aprendizado de máquina, que previa o fechamento de lojas em dez cidades ao redor do mundo com 80% de precisão.

_ • Se você quiser escrever um artigo de opinião, dê uma olhada no [guia para colaboradores] do Apolitical (https://apolitical.co/opinion-writing-becoming-an-apolitical-contributor/) _

Nossa pesquisa modelou como as pessoas se movem nas áreas urbanas para prever se uma determinada empresa fechará. Esta pesquisa pode ajudar as autoridades municipais e proprietários de empresas a tomar melhores decisões, por exemplo, sobre acordos de licenciamento e horários de funcionamento.

Detecção de padrões

O aprendizado de máquina é uma ferramenta poderosa que pode identificar automaticamente padrões nos dados. Um modelo de aprendizado de máquina usa esses padrões para testar hipóteses e fazer previsões. A mídia social fornece uma rica fonte de dados para examinar os padrões de seus usuários por meio de suas postagens, interações e movimentos. Os detalhes desses conjuntos de dados podem ajudar os pesquisadores a construir modelos robustos, com uma compreensão complexa das tendências do usuário.

Usando dados sobre a demanda e transporte do consumidor, junto com dados verdadeiros sobre se as empresas realmente fecharam, criamos métricas que nosso modelo de aprendizado de máquina usou para identificar padrões. Em seguida, analisamos como esse modelo previu se uma empresa seria fechada, considerando apenas as métricas sobre a empresa e a área em que ela estava.

Nosso primeiro conjunto de dados foi do Foursquare, uma plataforma de recomendação de localização, que incluía detalhes de check-in de usuários anônimos e representava a demanda de negócios ao longo do tempo. Também usamos dados de trajetórias de táxis, que nos forneceram os pontos de embarque e desembarque de milhares de usuários anônimos; isso representava a dinâmica de como as pessoas se movem entre as diferentes áreas de uma cidade. Usamos dados históricos de 2011 a 2013.

Vimos algumas métricas diferentes. O perfil do bairro levou em consideração o entorno de um negócio, como os diferentes tipos de negócios que também operam, bem como a concorrência. Os padrões de visita do cliente representavam a popularidade de uma empresa em qualquer hora do dia, em comparação com seus concorrentes locais. E os atributos de negócios definiam propriedades básicas, como faixa de preço e tipo de negócio.

Essas três métricas nos permitiram modelar como as previsões de fechamento diferem entre locais novos e estabelecidos, como as previsões variaram entre as cidades e quais métricas foram os preditores mais significativos de fechamento. Fomos capazes de prever o fechamento de negócios estabelecidos com mais precisão, o que sugere que novos negócios podem enfrentar o fechamento por uma variedade maior de causas.

Fazendo previsões

Descobrimos que diferentes métricas são úteis para prever fechamentos em diferentes cidades. Mas nas dez cidades em nosso experimento - incluindo Chicago, Londres, Nova York, Cingapura, Helsinque, Jacarta, Los Angeles, Paris, San Francisco e Tóquio - vimos que três fatores quase sempre foram preditores significativos do fechamento de uma empresa.

O primeiro fator importante foi o intervalo de tempo durante o qual um negócio foi popular. Descobrimos que as empresas que atendem apenas a segmentos específicos de clientes - por exemplo, um café popular entre os funcionários de escritório na hora do almoço - têm maior probabilidade de fechar. Também importava quando uma empresa era popular, em comparação com seus concorrentes na vizinhança. As empresas que eram populares fora do horário normal de outras empresas na área tendiam a sobreviver por mais tempo.

Também descobrimos que, quando a diversidade de negócios diminuía, a probabilidade de fechamento aumentava. Portanto, as empresas localizadas em bairros com uma mistura mais diversificada de empresas tendiam a sobreviver por mais tempo.

É claro que, como qualquer conjunto de dados, as informações que usamos do Foursquare e táxis são tendenciosas de algumas maneiras, já que os usuários podem ser inclinados para certos dados demográficos ou fazer check-in em alguns tipos de negócios mais do que em outros. Mas, ao usar dois conjuntos de dados que visam diferentes tipos de usuários, esperamos mitigar esses preconceitos. E a consistência de nossa análise em várias cidades nos deu confiança em nossos resultados.

Esperamos que esta nova abordagem para prever fechamentos de empresas com conjuntos de dados altamente detalhados ajude a revelar novos insights sobre como os consumidores se movem nas cidades e informar as decisões de proprietários de negócios, autoridades locais e planejadores urbanos em todo o mundo. - Krittika D'Silva

_Este artigo foi publicado originalmente em The Conversation. _

(Crédito da imagem: Pexels)