Durante la última década, los cambios en la forma en la que la gente realiza sus compras han supuesto el cierre de muchos comercios, desde [pequeños locales de música][1] a [librerías][2] e incluso [grandes almacenes][3]. Esta tendencia ha sido atribuida a varios factores, entre los que se incluye [el giro a las compras por Internet][4] y el [cambio en las preferencias de consumo][5]. Pero en realidad el cierre de empresas es algo más complejo y muchas veces se debe a un conjunto de muchos factores diferentes.
Para entender mejor estos factores y poder analizarlos, mis colegas de la Universidad de Cambridge y de la Universidad de Dirección y Administración de Empresas de Singapur y yo hemos elaborado un modelo basado en machine learning capaz de predecir el cierre de tiendas en diez ciudades del mundo con una precisión del 80%.
[Nuestra investigación][6] tomaba como modelo la forma en la que la gente se mueve por las ciudades para predecir si un comercio en particular va a cerrar. Esta investigación podría ser de ayuda a los ayuntamientos y a los empresarios a la hora de tomar mejores decisiones, por ejemplo en cuanto a licencias y horarios de apertura.
Reconocimiento de patrones
El machine learning es una herramienta poderosa con la que es posible identificar automáticamente patrones en los datos. Un modelo basado en el machine learning utiliza dichos patrones para probar diferentes hipótesis y realizar predicciones. Las redes sociales son una gran fuente de datos con los que se pueden examinar los patrones de conducta de los usuarios mediante sus publicaciones, sus interacciones y sus movimientos.
El nivel de detalle que ofrecen estas bases de datos puede ayudar a los investigadores a construir modelos robustos con los que interpretar de forma compleja las tendencias de los usuarios.
(Cam Morin/Unsplash)
Utilizando datos sobre las demandas de las consumidores y el transporte, junto con datos sobre el terreno para saber si los comercios habían realmente cerrado, pudimos elaborar parámetros que nuestro modelo de machine learning utilizó para reconocer patrones. Posteriormente analizamos la fiabilidad del sistema para predecir si un comercio cerraría proporcionando solamente datos sobre dicho comercio y la zona en la que se encontraba.
Nuestra primera serie de datos procedía de [Foursquare][7], una plataforma de recomendación de ubicaciones, en la que se incluían los detalles de registro de usuarios anónimos y representaba la demanda de los comercios a lo largo del tiempo. También utilizamos datos de los recorridos de los taxis que nos daban los puntos de acceso y destino de miles de usuarios anónimos. Todos estos datos representaban la dinámica de los movimientos de la gente entre diferentes zonas de una ciudad y utilizamos datos históricos desde 2011 a 2013.
Analizamos diferentes parámetros: el perfil de los barrios tenía en cuenta el área circundante a un comercio, como los diferentes tipos de establecimientos operativos en la misma zona, así como sus competidores. Los patrones de visitas de los consumidores representaban la popularidad de un comercio en cualquier momento del día en comparación con sus competidores locales y los atributos empresariales definían características básicas como el rango de precios y el tipo de comercio.
(ja ma/Unsplash)
Con estos tres parámetros pudimos establecer un modelo para conocer las diferencias en cuanto al cierre de establecimientos entre nuevos y antiguos comercios, cómo variaban las predicciones entre ciudades y cuáles eran las señales más significativas de que un comercio iba a cerrar. Fuimos capaces de predecir con mayor exactitud el cierre de establecimientos establecidos, lo que sugería que el cierre de los nuevos comercios responde a un número más amplio de causas.
Haciendo predicciones
Nos dimos cuenta de que diferentes parámetros eran útiles para predecir el cierre de establecimientos en diferentes ciudades, pero en diez de las ciudades de nuestro experimento (entre las que se incluían Chicago, Londres, Nueva York, Singapur, Helsinki, Jakarta, Los Ángeles, París, San Francisco y Tokyo) habían tres factores que casi siempre resultaban ser vaticinadores significativos del cierre de un comercio.
El primer factor relevante era el tiempo que ha sido popular un negocio. Nos dimos cuenta de que los comercios dedicados a un segmento de consumidores específico (como puede ser una cafetería popular entre trabajadores de oficina a la hora de comer) tenía más probabilidades de cerrar. También importaba el momento en el que un comercio era popular en comparación con la competencia del barrio. Los comercios que eran populares fuera de las horas normales de otros comercios en la zona tendían a sobrevivir durante más tiempo.
(Kristaps Grundsteins/Unsplash)
También descubrimos que cuando disminuía la diversidad de los comercios, aumentaba la probabilidad de cierres. De ahí que los comercios ubicados en barrios con una mezcla más diversa de comercios tendieran a durar más tiempo.
Por supuesto, como todo tipo de datos, la información que utilizamos de Foursquare y de los taxis es en parte sesgada, puesto que los usuarios pueden pertenecer a demografías concretas o registrarse más en algunos tipos de comercios que en otros. Pero utilizando estos dos conjuntos de datos procedentes de dos tipos diferentes de usuarios esperábamos mitigar la parcialidad del estudio y la consistencia de nuestro análisis en diferentes ciudades nos dio seguridad en nuestros resultados.
Esperamos que este nuevo enfoque para predecir el cierre de negocios mediante el uso de datos complejos nos ayude a entender la forma en la que los consumidores se mueven por las ciudades y que sea relevante para empresarios, autoridades locales y planificadores urbanos de todo el mundo.
Imagen: Alexandre Godreau/Unsplash
Autora: Krittika D'Silva, Universidad de Cambridge.
Este artículo ha sido publicado originalmente en The Conversation. Puedes leer el artículo original aquí.
Traducido por Silvestre Urbón.
