Na última década, mudanças na forma como as pessoas compram levaram cada vez mais empresas a fechar as portas, de pequenos locais de música a livrarias e até mesmo grandes lojas de departamentos. Essa tendência foi atribuída a vários fatores, incluindo uma mudança para compras online e mudanças nas preferências de gastos. Mas o fechamento de negócios é complexo, e muitas vezes devido a muitos fatores interligados.

Para entender melhor e explicar alguns desses fatores, meus colegas da Universidade de Cambridge e da Singapore Management University e eu construímos um modelo de aprendizado de máquina, que previu o fechamento de lojas em dez cidades ao redor do mundo com 80% de precisão.

Nossa pesquisa modelou como as pessoas se movem nas áreas urbanas, para prever se uma determinada empresa fechará. Esta pesquisa pode ajudar as autoridades municipais e proprietários de empresas a tomarem melhores decisões, por exemplo, sobre acordos de licenciamento e horários de funcionamento.

Mancha de padrões

O aprendizado de máquina é uma ferramenta poderosa que pode identificar automaticamente padrões nos dados. Um modelo de aprendizado de máquina usa esses padrões para testar hipóteses e fazer previsões. A mídia social fornece uma rica fonte de dados para examinar os padrões de seus usuários por meio de suas postagens, interações e movimentos. Os detalhes desses conjuntos de dados podem ajudar os pesquisadores a construir modelos robustos, com uma compreensão complexa das tendências do usuário.

Usando dados sobre a demanda do consumidor e transporte, junto com dados verídicos sobre se as empresas realmente fecharam, criamos métricas que nosso modelo de aprendizado de máquina usou para identificar padrões. Em seguida, analisamos o quão bem este modelo previu se uma empresa iria fechar, dados apenas métricas sobre o negócio e a área em que ele atua.

Nosso primeiro conjunto de dados foi do Foursquare, uma plataforma de recomendação de localização, que incluía detalhes de check-in de usuários anônimos e representava a demanda por empresas ao longo do tempo. Também usamos dados de trajetórias de táxis, que nos deu os pontos de coleta e entrega de milhares de usuários anônimos; isso representava a dinâmica de como as pessoas se movem entre as diferentes áreas de uma cidade. Usamos dados históricos de 2011 a 2013.

Vimos algumas métricas diferentes. O perfil do bairro levou em consideração a área ao redor de uma empresa, como os diferentes tipos de negócios que também operam, bem como a competição. Os padrões de visita do cliente representavam o quão popular uma empresa era a qualquer hora do dia, em comparação com seus concorrentes locais. E os atributos de negócios definiam propriedades básicas, como faixa de preço e tipo de negócio.

Essas três métricas nos permitiram modelar como as previsões de fechamento diferem entre locais novos e estabelecidos, como as previsões variaram entre as cidades e quais métricas foram os indicadores de fechamento mais significativos. Conseguimos prever o fechamento de empresas estabelecidas com mais precisão, que sugeriu que novos negócios podem enfrentar o fechamento de uma variedade maior de causas.

Fazendo previsões

Descobrimos que diferentes métricas são úteis para prever fechamentos em diferentes cidades. Mas nas dez cidades em nosso experimento - incluindo Chicago, Londres, Nova york, Cingapura, Helsinque, Jacarta, Los Angeles, Paris, San Fransciso e Tóquio - vimos que três fatores quase sempre foram preditores significativos do fechamento de uma empresa.

O primeiro fator importante foi o intervalo de tempo durante o qual um negócio foi popular. Descobrimos que as empresas que atendem apenas a segmentos específicos de clientes - por exemplo, um café popular entre os trabalhadores de escritório na hora do almoço - é mais provável que feche. Também importava quando uma empresa era popular, em comparação com seus concorrentes na vizinhança. As empresas que eram populares fora do horário normal de outras empresas na área tendiam a sobreviver por mais tempo.

Também descobrimos que, quando a diversidade de negócios diminuiu, a probabilidade de fechamento aumentou. Portanto, as empresas localizadas em bairros com uma mistura mais diversificada de empresas tendiam a sobreviver por mais tempo.

Claro, como qualquer conjunto de dados, as informações que usamos do Foursquare e táxis são tendenciosas em alguns aspectos, já que os usuários podem ser desviados para determinados dados demográficos ou verificar alguns tipos de negócios mais do que outros. Mas, ao usar dois conjuntos de dados que visam diferentes tipos de usuários, esperávamos mitigar esses preconceitos. E a consistência de nossa análise em várias cidades nos deu confiança em nossos resultados.

Esperamos que esta nova abordagem para prever o fechamento de empresas com conjuntos de dados altamente detalhados ajude a revelar novos insights sobre como os consumidores se movem nas cidades, e informar as decisões dos proprietários de negócios, autoridades locais e planejadores urbanos em todo o mundo.

Este artigo foi republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.