Under det senaste decenniet har förändringar i hur människor handlar har fått fler och fler företag att stänga sina dörrar, från små musikställen till bokhandlar och till och med stora varuhus. Denna trend har tillskrivits flera faktorer, inklusive en förskjutning mot onlineshopping och ändrade utgiftspreferenser. Men nedläggningar av företag är komplexa, och ofta på grund av många sammanflätade faktorer.

För att bättre förstå och redogöra för några av dessa faktorer, mina kollegor vid University of Cambridge och Singapore Management University och jag byggde en maskininlärningsmodell, som förutspådde nedläggning av butiker i tio städer runt om i världen med 80% noggrannhet.

Vår forskning modellerade hur människor rör sig genom stadsområden, att förutsäga om ett visst företag kommer att stängas. Denna forskning kan hjälpa stadsmyndigheter och företagare att fatta bättre beslut, till exempel om licensavtal och öppettider.

Mönsterglas

Maskininlärning är ett kraftfullt verktyg som automatiskt kan identifiera mönster i data. En maskininlärningsmodell använder dessa mönster för att testa hypoteser och göra förutsägelser. Sociala medier ger en rik datakälla för att undersöka användarnas mönster genom sina inlägg, interaktioner och rörelser. Detaljerna i dessa datamängder kan hjälpa forskare att bygga robusta modeller, med en komplex förståelse för användartrender.

Använda data om konsumenternas efterfrågan och transport, tillsammans med grundsanningsdata om huruvida företag faktiskt stängde, vi utarbetade mått som vår maskininlärningsmodell använde för att identifiera mönster. Vi analyserade sedan hur väl denna modell förutspådde om ett företag skulle stänga, med bara mätvärden om den verksamheten och området där den befann sig.

Vår första dataset var från Foursquare, en platsrekommendationsplattform, som inkluderade incheckningsinformation för anonyma användare och representerade efterfrågan på företag över tid. Vi använde också data från taxibanor, vilket gav oss upphämtnings- och avlämningsplatser för tusentals anonyma användare; dessa representerade dynamiken i hur människor rör sig mellan olika delar av en stad. Vi använde historiska data från 2011 till 2013.

Vi tittade på några olika mått. Grannskapsprofilen tog hänsyn till området kring ett företag, som de olika sorters företag som också verkar, liksom konkurrens. Kundbesöksmönster representerade hur populärt ett företag var vid varje given tidpunkt på dygnet, jämfört med sina lokala konkurrenter. Och affärsattribut definierade grundläggande egenskaper som prisgrupp och typ av verksamhet.

Dessa tre mätvärden gjorde det möjligt för oss att modellera hur stängningsprognoser skiljer sig mellan nya och etablerade arenor, hur förutsägelserna varierade mellan städerna och vilka mätvärden som var de viktigaste förutsägarna för nedläggning. Vi kunde förutse stängningen av etablerade företag mer exakt, som föreslog att nya företag kan möta nedläggning av en större mängd olika orsaker.

Förutsäga

Vi fann att olika mätvärden var användbara för att förutsäga stängningar i olika städer. Men över de tio städerna i vårt experiment - inklusive Chicago, London, New York, Singapore, Helsingfors, Jakarta, Los Angeles, Paris, San Fransciso och Tokyo - vi såg att tre faktorer nästan alltid var viktiga förutsägare för ett företags nedläggning.

Den första viktiga faktorn var hur lång tid ett företag var populärt. Vi fann att företag som endast tillgodoser specifika kundsegment - till exempel ett kafé populärt bland kontorsarbetare vid lunchtid - är mer benägna att stänga. Det var också viktigt när ett företag var populärt, jämfört med sina konkurrenter i grannskapet. Företag som var populära utanför de vanliga timmarna för andra företag i området tenderade att överleva längre.

Vi fann också att när mångfalden av företag minskade, sannolikheten för nedläggning ökade. Så företag som ligger i stadsdelar med en mer mångsidig blandning av företag tenderade att överleva längre.

Självklart, som vilken datauppsättning som helst, informationen vi använde från Foursquare och taxibilar är partisk på vissa sätt, eftersom användarna kan vara snedställda mot viss demografi eller checka in på vissa typer av företag mer än andra. Men genom att använda två datamängder som riktar sig till olika typer av användare, vi hoppades att mildra dessa fördomar. Och konsekvensen i vår analys i flera städer gav oss förtroende för våra resultat.

Vi hoppas att detta nya tillvägagångssätt för att förutsäga nedläggningar av företag med mycket detaljerade datamängder kommer att hjälpa till att avslöja nya insikter om hur konsumenter rör sig i städer, och informera företagsägarnas beslut, lokala myndigheter och stadsplanerare runt om i världen.

Denna artikel publiceras från The Conversation under en Creative Commons -licens. Läs originalartikeln.