Durant la dernière décennie, les changements dans la façon dont les gens font leurs achats ont conduit de plus en plus d'entreprises à fermer leurs portes, des petites salles de concert aux librairies et même aux grands magasins. Cette tendance a été attribuée à plusieurs facteurs, y compris une évolution vers les achats en ligne et l'évolution des préférences de dépenses. Mais les fermetures d'entreprises sont complexes, et souvent en raison de nombreux facteurs entrelacés.

Pour mieux comprendre et expliquer certains de ces facteurs, mes collègues de l'Université de Cambridge et de la Singapore Management University et moi avons construit un modèle d'apprentissage automatique, qui a prédit les fermetures de magasins dans dix villes du monde avec une précision de 80 %.

Notre recherche a modélisé la façon dont les gens se déplacent dans les zones urbaines, pour prédire si une entreprise donnée fermera. Cette recherche pourrait aider les autorités municipales et les propriétaires d'entreprises à prendre de meilleures décisions, par exemple sur les accords de licence et les heures d'ouverture.

Repérer les motifs

L'apprentissage automatique est un outil puissant qui peut identifier automatiquement des modèles dans les données. Un modèle d'apprentissage automatique utilise ces modèles pour tester des hypothèses et faire des prédictions. Les médias sociaux fournissent une riche source de données pour examiner les habitudes de ses utilisateurs à travers leurs publications, interactions et mouvements. Les détails de ces ensembles de données peuvent aider les chercheurs à construire des modèles robustes, avec une compréhension complexe des tendances des utilisateurs.

En utilisant des données sur la demande des consommateurs et les transports, ainsi que des données factuelles sur la fermeture effective des entreprises, nous avons conçu des métriques que notre modèle d'apprentissage automatique a utilisé pour identifier des modèles. Nous avons ensuite analysé dans quelle mesure ce modèle prédisait si une entreprise fermerait, donné uniquement des métriques sur cette entreprise et la région dans laquelle elle se trouvait.

Notre premier jeu de données provenait de Foursquare, une plateforme de recommandation de localisation, qui comprenait les détails d'enregistrement des utilisateurs anonymes et représentait la demande pour les entreprises au fil du temps. Nous avons également utilisé les données des trajectoires des taxis, qui nous a donné les points de ramassage et de dépôt de milliers d'utilisateurs anonymes ; ceux-ci représentaient la dynamique de la façon dont les gens se déplacent entre les différentes zones d'une ville. Nous avons utilisé des données historiques de 2011 à 2013.

Nous avons examiné quelques métriques différentes. Le profil du quartier a pris en compte le périmètre d'un commerce, tels que les différents types d'entreprises également en activité, ainsi que la concurrence. Les modèles de visite des clients représentaient la popularité d'une entreprise à un moment donné de la journée, par rapport à ses concurrents locaux. Et les attributs commerciaux définissaient des propriétés de base telles que la fourchette de prix et le type d'entreprise.

Ces trois mesures nous ont permis de modéliser la façon dont les prévisions de fermeture diffèrent entre les sites nouveaux et établis, comment les prédictions variaient d'une ville à l'autre et quelles mesures étaient les prédicteurs les plus significatifs de la fermeture. Nous avons pu prévoir plus précisément la fermeture des entreprises établies, qui a suggéré que les nouvelles entreprises peuvent faire face à la fermeture d'une plus grande variété de causes.

Faire des prédictions

Nous avons constaté que différentes mesures étaient utiles pour prédire les fermetures dans différentes villes. Mais dans les dix villes de notre expérience, y compris Chicago, Londres, New York, Singapour, Helsinki, Djakarta, Los Angeles, Paris, San Francisco et Tokyo – nous avons vu que trois facteurs étaient presque toujours des prédicteurs significatifs de la fermeture d'une entreprise.

Le premier facteur important était la période pendant laquelle une entreprise était populaire. Nous avons constaté que les entreprises qui s'adressent uniquement à des segments de clientèle spécifiques - par exemple, un café populaire auprès des employés de bureau à l'heure du déjeuner - sont plus susceptibles de fermer. Il importait aussi quand une entreprise était populaire, par rapport à ses concurrents du quartier. Les entreprises qui étaient populaires en dehors des heures normales d'ouverture des autres entreprises de la région avaient tendance à survivre plus longtemps.

Nous avons également constaté que lorsque la diversité des entreprises diminuait, la probabilité de fermeture a augmenté. Ainsi, les entreprises situées dans des quartiers avec un mélange plus diversifié d'entreprises avaient tendance à survivre plus longtemps.

Bien sûr, comme n'importe quel jeu de données, les informations que nous avons utilisées de Foursquare et des taxis sont biaisées à certains égards, car les utilisateurs peuvent être biaisés vers certaines données démographiques ou s'enregistrer davantage dans certains types d'entreprises que d'autres. Mais en utilisant deux ensembles de données qui ciblent différents types d'utilisateurs, nous espérions atténuer ces biais. Et la cohérence de notre analyse dans plusieurs villes nous a donné confiance dans nos résultats.

Nous espérons que cette nouvelle approche pour prédire les fermetures d'entreprises avec des ensembles de données très détaillés contribuera à révéler de nouvelles informations sur la façon dont les consommateurs se déplacent dans les villes, et éclairer les décisions des chefs d'entreprise, collectivités locales et urbanistes du monde entier.

Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l'article original.