Os pesquisadores usaram uma combinação de mídia social e dados de transporte para prever a probabilidade de um determinado negócio de varejo ter sucesso ou fracassar.

Usando informações de dez cidades diferentes ao redor do mundo, Os pesquisadores, liderado pela Universidade de Cambridge, desenvolveram um modelo que pode prever com 80% de precisão se um novo negócio irá falhar dentro de seis meses. Os resultados serão apresentados na ACM Conference on Pervasive and Ubiquitous Computing (Ubicomp), acontecendo esta semana em Cingapura.

Embora o setor de varejo sempre tenha sido arriscado, nos últimos anos, assistimos a uma transformação das ruas comerciais à medida que mais e mais varejistas falham. O modelo construído pelos pesquisadores pode ser útil tanto para empreendedores quanto para urbanistas na hora de determinar onde localizar seus negócios ou em quais áreas investir.

"Uma das questões mais importantes para qualquer novo negócio é a quantidade de demanda que ele receberá. Isso está diretamente relacionado à probabilidade de o negócio ter sucesso, "disse a autora principal Krittika D'Silva, um Gates Scholar e Ph.D. estudante do Departamento de Ciência da Computação e Tecnologia de Cambridge. "Que tipo de métrica podemos usar para fazer essas previsões?"

D'Silva e seus colegas usaram mais de 74 milhões de check-ins da rede social baseada em localização Foursquare de Chicago, Helsinque, Jacarta, Londres, Los Angeles, Nova york, Paris, São Francisco, Cingapura e Tóquio; e dados de 181 milhões de viagens de táxi de Nova York e Cingapura.

Usando esses dados, os pesquisadores classificaram os locais de acordo com as propriedades dos bairros em que estavam localizados, os padrões de visita em diferentes horas do dia, e se um bairro atraiu visitantes de outros bairros.

"Queríamos entender melhor o poder preditivo que as métricas sobre um lugar em um determinado momento têm, "disse D'Silva.

O sucesso ou o fracasso de um negócio normalmente se baseia em uma série de fatores controláveis ​​e incontroláveis. Fatores controláveis ​​podem incluir a qualidade ou preço do produto da loja, o seu horário de funcionamento e a satisfação do cliente. Fatores incontroláveis ​​podem incluir as taxas de desemprego de uma cidade, condições econômicas gerais e políticas urbanas.

"Descobrimos que mesmo sem informações sobre qualquer um desses fatores incontroláveis, ainda poderíamos usar locais específicos, recursos relacionados à localização e à mobilidade para prever o provável fim de uma empresa, "disse D'Silva.

Os dados mostraram que em todas as dez cidades, locais que são populares o tempo todo, em vez de apenas em certos momentos do dia, são mais propensos a ter sucesso. Adicionalmente, locais que estão em demanda fora do horário popular típico de outros locais na vizinhança tendem a sobreviver por mais tempo.

Os dados também sugeriram que locais em diversos bairros, com vários tipos de negócios, tendem a sobreviver por mais tempo.

Embora as dez cidades tenham certas semelhanças, os pesquisadores também tiveram que dar conta de suas diferenças.

"As métricas que foram preditores úteis variam de cidade para cidade, o que sugere que fatores afetam as cidades de maneiras diferentes, "disse D'Silva." Como um exemplo, que a velocidade de deslocamento até um local é uma métrica significativa apenas em Nova York e Tóquio. Isso pode estar relacionado à velocidade do trânsito nessas cidades ou talvez às taxas de tráfego. "

Para testar o poder preditivo de seu modelo, os pesquisadores primeiro tiveram que determinar se um determinado local havia fechado dentro da janela de tempo de seu conjunto de dados. Eles então 'treinaram' o modelo em um subconjunto de locais, dizer à modelo quais as características desses locais na janela do primeiro tempo e se o local foi aberto ou fechado na janela do segundo tempo. Em seguida, eles testaram o modelo treinado em outro subconjunto de dados para ver se ele era preciso.

De acordo com os pesquisadores, seu modelo mostra que, ao decidir quando e onde abrir uma empresa, é importante olhar para além das características estáticas de uma determinada vizinhança e considerar as formas como as pessoas se deslocam para e através dessa vizinhança em diferentes horas do dia. Eles agora querem considerar como esses recursos variam entre diferentes bairros, a fim de melhorar a precisão de seu modelo.