Forskare har använt en kombination av sociala medier och transportdata för att förutsäga sannolikheten för att en viss detaljhandel kommer att lyckas eller misslyckas.

Med hjälp av information från tio olika städer runt om i världen, forskarna, ledd av University of Cambridge, har utvecklat en modell som med 80 % noggrannhet kan förutsäga om en ny verksamhet kommer att misslyckas inom sex månader. Resultaten kommer att presenteras på ACM Conference on Pervasive and Ubiquitous Computing (Ubicomp), äger rum denna vecka i Singapore.

Även om detaljhandeln alltid har varit riskfylld, under de senaste åren har en förändring av gatorna skett i takt med att fler och fler återförsäljare misslyckas. Modellen som forskarna byggt kan vara användbar för både entreprenörer och stadsplanerare när de ska bestämma var de ska placera sin verksamhet eller vilka områden de ska investera i.

"En av de viktigaste frågorna för alla nya företag är hur mycket efterfrågan det kommer att få. Detta är direkt relaterat till hur sannolikt att verksamheten kommer att lyckas, " sa huvudförfattaren Krittika D'Silva, en Gates Scholar och Ph.D. student vid Cambridges institution för datavetenskap och teknologi. "Vilken typ av mått kan vi använda för att göra dessa förutsägelser?"

D'Silva och hennes kollegor använde mer än 74 miljoner incheckningar från det platsbaserade sociala nätverket Foursquare från Chicago, Helsingfors, Jakarta, London, Los Angeles, New York, Paris, San Francisco, Singapore och Tokyo; och data från 181 miljoner taxiresor från New York och Singapore.

Med hjälp av dessa data, forskarna klassificerade arenor efter egenskaperna hos de kvarter där de var belägna, besöksmönstren vid olika tidpunkter på dygnet, och om en stadsdel lockade besökare från andra stadsdelar.

"Vi ville bättre förstå den förutsägelseeffekt som mätvärden om en plats vid en viss tidpunkt har, sa D'Silva.

Huruvida en verksamhet lyckas eller misslyckas baseras normalt på ett antal kontrollerbara och okontrollerbara faktorer. Kontrollerbara faktorer kan inkludera kvaliteten eller priset på butikens produkt, dess öppettider och dess kundnöjdhet. Okontrollerbara faktorer kan inkludera arbetslöshet i en stad, övergripande ekonomiska förhållanden och stadspolitik.

"Vi fann att även utan information om någon av dessa okontrollerbara faktorer, vi kan fortfarande använda platsspecifika, platsrelaterade och mobilitetsbaserade funktioner för att förutsäga ett företags troliga bortgång, sa D'Silva.

Uppgifterna visade att i alla tio städer, platser som är populära dygnet runt, snarare än bara vid vissa tidpunkter på dagen, är mer benägna att lyckas. Dessutom, ställen som efterfrågas utanför de typiska populära timmarna för andra ställen i grannskapet tenderar att överleva längre.

Uppgifterna föreslog också att arenor i olika stadsdelar, med flera typer av företag, tenderar att överleva längre.

Medan de tio städerna hade vissa likheter, forskarna fick också redogöra för sina skillnader.

"De mätvärden som var användbara prediktorer varierar från stad till stad, vilket tyder på att faktorer påverkar städer på olika sätt, sade D'Silva. Som ett exempel, att hastigheten på resor till en plats är en betydande måttstock endast i New York och Tokyo. Detta kan relatera till hastigheten för transitering i dessa städer eller kanske till trafikhastigheten. "

För att testa deras modells prediktiva kraft, forskarna var först tvungna att avgöra om en viss plats hade stängts inom tidsfönstret för deras datauppsättning. De "tränade" sedan modellen på en delmängd av arenor, tala om för modellen vilka funktioner som dessa platser hade i det första tidsfönstret och om lokalen var öppen eller stängd i ett andra tidsfönster. De testade sedan den tränade modellen på en annan delmängd av data för att se hur exakt den var.

Enligt forskarna, deras modell visar att när man bestämmer när och var man ska öppna ett företag, det är viktigt att se bortom de statiska egenskaperna hos en given stadsdel och att överväga hur människor rör sig till och genom det området vid olika tidpunkter på dygnet. De vill nu överväga hur dessa funktioner varierar mellan olika stadsdelar för att förbättra noggrannheten i deras modell.