Một sự kết hợp của dữ liệu phương tiện truyền thông xã hội và dữ liệu vận chuyển có thể được sử dụng để dự đoán khả năng một doanh nghiệp bán lẻ nào đó sẽ thành công hay thất bại, các nhà nghiên cứu cho biết.

Sử dụng thông tin từ 10 thành phố khác nhau trên thế giới, các nhà nghiên cứu, dẫn đầu là Đại học Cambridge, đã phát triển một mô hình có thể dự đoán với độ chính xác 80% liệu rằng một doanh nghiệp mới sẽ thất bại trong vòng 6 tháng.

Trong khi lĩnh vực bán lẻ luôn có nhiều rủi ro, trong vài năm qua đã chứng kiến sự biến đổi trên các mặt phố khi ngày càng nhiều nhà bán lẻ thất bại. Mô hình được xây dựng bởi các nhà nghiên cứu có thể hữu ích cho cả doanh nhân và nhà quy hoạch đô thị khi xác định vị trí đặt doanh nghiệp của họ hoặc khu vực nào để đầu tư vào.

"Một trong những câu hỏi quan trọng nhất đối với bất kỳ doanh nghiệp mới nào là lượng nhu cầu mua mà họ sẽ nhận được. Điều này liên quan trực tiếp đến việc kinh doanh đó sẽ thành công như thế nào", Krittika D'Silva, một học giả của Gates và nghiên cứu sinh tại Cambridge. "Loại số liệu nào chúng ta có thể sử dụng để đưa ra những dự đoán đó?". 

D'Silva và các đồng nghiệp của cô đã sử dụng hơn 74 triệu lượt check-ins từ mạng xã hội, địa điểm từ Chicago, Helsinki, Jakarta, London, Los Angeles, New York, Paris, San Francisco, Singapo và Tokyo; và dữ liệu từ 181 triệu chuyến taxi từ New York và Singapo.

Sử dụng dữ liệu này, các nhà nghiên cứu đã phân loại các địa điểm theo các thuộc tính của các khu vực của các địa điểm này, các luồng truy cập vào các thời điểm khác nhau trong ngày và liệu một khu phố có thu hút du khách từ các khu phố khác hay không.

"Chúng tôi muốn hiểu rõ hơn về khả năng dự đoán của các số liệu về một địa điểm tại một thời điểm nhất định", D'Silva nói.

Việc một doanh nghiệp thành công hay thất bại thường dựa trên một số yếu tố có thể kiểm soát và không kiểm soát được. Các yếu tố có thể kiểm soát có thể bao gồm chất lượng hoặc giá của sản phẩm của cửa hàng, giờ mở cửa và sự hài lòng của khách hàng. Các yếu tố không thể kiểm soát có thể bao gồm tỷ lệ thất nghiệp của một thành phố, điều kiện kinh tế tổng thể và chính sách đô thị.

"Chúng tôi thấy rằng ngay cả khi không có thông tin về bất kỳ yếu tố nào trong số những yếu tố không thể kiểm soát này, chúng tôi vẫn có thể sử dụng các tính năng dựa trên địa điểm, liên quan đến địa điểm và di động để dự đoán khả năng thất bại của một doanh nghiệp", D'Silva nói.

Dữ liệu cho thấy trên tất cả 10 thành phố, những địa điểm đông đúc suốt ngày đêm, thay vì chỉ vào một số thời điểm nhất định trong ngày, có nhiều khả năng thành công hơn. Ngoài ra, các địa điểm mà có giờ cao điểm về nhu cầu mua bán khác với giờ cao điểm về nhu cầu mua bán của các địa điểm khác trong khu vực có xu hướng tồn tại lâu hơn.

Dữ liệu cũng cho thấy các địa điểm trong các khu phố khác nhau, với nhiều loại hình kinh doanh, có xu hướng tồn tại lâu hơn.
Trong khi 10 thành phố có những điểm tương đồng nhất định, các nhà nghiên cứu cũng phải tính đến sự khác biệt của chúng.

"Các số liệu là các yếu tố dự đoán hữu ích khác nhau giữa các thành phố, điều này cho thấy các yếu tố ảnh hưởng đến các thành phố theo những cách khác nhau", D'Silva nói. "Lấy một ví dụ, tốc độ di chuyển đến địa điểm là một chỉ số đáng kể chỉ có ở New York và Tokyo. Điều này có thể liên quan đến tốc độ vận chuyển trong các thành phố đó hoặc có lẽ là tốc độ giao thông".

Để kiểm tra khả năng dự đoán của mô hình này, trước tiên các nhà nghiên cứu phải xác định xem một địa điểm cụ thể có bị đóng cửa trong thời gian của tập dữ liệu của họ hay không. Sau đó, họ 'đào tạo' mô hình về một tập hợp các địa điểm, cho mô hình biết các tính năng của những địa điểm đó trong lần đầu tiên, và liệu địa điểm đó được mở hay đóng trong lần thứ hai. Sau đó, họ đã thử nghiệm mô hình được đào tạo trên một tập hợp con khác của dữ liệu để xem nó chính xác đến mức nào.

Theo các nhà nghiên cứu, mô hình của họ cho thấy rằng khi quyết định mở doanh nghiệp khi nào và ở đâu, điều quan trọng là phải nhìn xa hơn các tính năng tĩnh của một khu phố nhất định và xem xét cách mọi người di chuyển đến và qua khu phố đó vào các thời điểm khác nhau trong ngày. Bây giờ các nhà nghiên cứu muốn xem xét các tính năng này khác nhau như thế nào giữa các vùng lân cận khác nhau để cải thiện độ chính xác của mô hình của họ.

Đ.T.N (NASATI), theo https://www.sciencedaily.com/releases/2018/10/181009091513.htm, 12/12/2018

admin admin