Nell'ultimo decennio, i cambiamenti nel modo in cui le persone fanno acquisti hanno portato sempre più aziende a chiudere i battenti, dai piccoli locali musicali alle librerie e persino ai grandi magazzini. Questa tendenza è stata attribuita a diversi fattori, compreso uno spostamento verso lo shopping online e la modifica delle preferenze di spesa. Ma le chiusure di attività sono complesse, e spesso a causa di molti fattori intrecciati.

Per comprendere e spiegare meglio alcuni di questi fattori, io e i miei colleghi dell'Università di Cambridge e della Singapore Management University abbiamo costruito un modello di apprendimento automatico, che ha previsto la chiusura di negozi in dieci città in tutto il mondo con una precisione dell'80%.

La nostra ricerca ha modellato il modo in cui le persone si muovono nelle aree urbane, per prevedere se una determinata attività chiuderà. Questa ricerca potrebbe aiutare le autorità cittadine e gli imprenditori a prendere decisioni migliori, ad esempio su accordi di licenza e orari di apertura.

Individuazione del modello

L'apprendimento automatico è uno strumento potente in grado di identificare automaticamente i modelli nei dati. Un modello di machine learning utilizza questi modelli per testare ipotesi e fare previsioni. I social media forniscono una ricca fonte di dati per esaminare i modelli dei suoi utenti attraverso i loro post, interazioni e movimenti. I dettagli in questi set di dati possono aiutare i ricercatori a costruire modelli robusti, con una comprensione complessa delle tendenze degli utenti.

Utilizzando i dati sulla domanda dei consumatori e sui trasporti, insieme a dati veritieri sull'effettiva chiusura delle aziende, abbiamo ideato metriche che il nostro modello di apprendimento automatico ha utilizzato per identificare i modelli. Abbiamo quindi analizzato quanto bene questo modello prevedeva se un'azienda avrebbe chiuso, dati solo le metriche su quell'attività e l'area in cui si trovava.

Il nostro primo set di dati proveniva da Foursquare, una piattaforma di raccomandazione della posizione, che includeva i dettagli del check-in di utenti anonimi e rappresentava la domanda per le imprese nel tempo. Abbiamo anche usato i dati delle traiettorie dei taxi, che ci ha fornito i punti di ritiro e consegna di migliaia di utenti anonimi; questi rappresentavano le dinamiche di come le persone si muovono tra le diverse aree di una città. Abbiamo utilizzato i dati storici dal 2011 al 2013.

Abbiamo esaminato alcune metriche diverse. Il profilo del quartiere ha preso in considerazione l'area circostante un'impresa, come i diversi tipi di attività anche operanti, così come la concorrenza. I modelli di visita dei clienti rappresentavano la popolarità di un'attività in un determinato momento della giornata, rispetto ai suoi concorrenti locali. E gli attributi aziendali definivano proprietà di base come la fascia di prezzo e il tipo di attività.

Queste tre metriche ci hanno permesso di modellare come le previsioni di chiusura differiscono tra sedi nuove e consolidate, come le previsioni variavano tra le città e quali metriche erano i più significativi predittori di chiusura. Siamo stati in grado di prevedere in modo più accurato la chiusura di attività consolidate, che ha suggerito che le nuove imprese possono affrontare la chiusura per una maggiore varietà di cause.

Fare previsioni

Abbiamo scoperto che diverse metriche erano utili per prevedere le chiusure in diverse città. Ma nelle dieci città del nostro esperimento, inclusa Chicago, Londra, New York, Singapore, Helsinki, Giacarta, Los Angeles, Parigi, San Fransciso e Tokyo:abbiamo visto che tre fattori erano quasi sempre predittori significativi della chiusura di un'azienda.

Il primo fattore importante era l'intervallo di tempo durante il quale un'attività era popolare. Abbiamo scoperto che le aziende che si rivolgono solo a specifici segmenti di clientela, ad esempio, un caffè popolare tra gli impiegati all'ora di pranzo - è più probabile che chiuda. Importava anche quando un'attività era popolare, rispetto ai concorrenti del vicinato. Le attività commerciali che erano popolari al di fuori degli orari tipici di altre attività commerciali nell'area tendevano a sopravvivere più a lungo.

Abbiamo anche scoperto che quando la diversità delle imprese è diminuita, la probabilità di chiusura è aumentata. Quindi le aziende situate in quartieri con un mix più diversificato di attività tendevano a sopravvivere più a lungo.

Certo, come qualsiasi set di dati, le informazioni che abbiamo usato da Foursquare e taxi sono in qualche modo distorte, poiché gli utenti potrebbero essere orientati verso determinati dati demografici o fare il check-in in alcuni tipi di attività più di altri. Ma utilizzando due set di dati che si rivolgono a diversi tipi di utenti, speravamo di mitigare questi pregiudizi. E la coerenza della nostra analisi in più città ci ha dato fiducia nei nostri risultati.

Ci auguriamo che questo nuovo approccio alla previsione della chiusura delle attività con set di dati altamente dettagliati aiuti a rivelare nuove informazioni su come i consumatori si spostano nelle città, e informare le decisioni degli imprenditori, autorità locali e urbanisti di tutto il mondo.

Questo articolo è stato ripubblicato da The Conversation con una licenza Creative Commons. Leggi l'articolo originale.