[論文レビュー] Geo-Spotting: Mining Online Location-based Services for Optimal Retail Store Placement

Dmytro Karamshuk, Anastasios Noulas+3 more|arXiv (Cornell University)|Jun 7, 2013

Human Mobility and Location-Based Analysis参考文献 18被引用数 43

ひとこと要約

本稿では、Foursquareのチェックインデータを活用して地理的特徴と移動行動特徴を統合する機械学習フレームワークを提案し、小売店の最適立地を予測する手法を提示している。これらの特徴を組み合わせることで予測精度が著しく向上し、最良のモデルでは候補地の上位5%内に最適な立地が含まれるケースが半数以上にのぼる。

ABSTRACT

The problem of identifying the optimal location for a new retail store has been the focus of past research, especially in the field of land economy, due to its importance in the success of a business. Traditional approaches to the problem have factored in demographics, revenue and aggregated human flow statistics from nearby or remote areas. However, the acquisition of relevant data is usually expensive. With the growth of location-based social networks, fine grained data describing user mobility and popularity of places has recently become attainable. In this paper we study the predictive power of various machine learning features on the popularity of retail stores in the city through the use of a dataset collected from Foursquare in New York. The features we mine are based on two general signals: geographic, where features are formulated according to the types and density of nearby places, and user mobility, which includes transitions between venues or the incoming flow of mobile users from distant areas. Our evaluation suggests that the best performing features are common across the three different commercial chains considered in the analysis, although variations may exist too, as explained by heterogeneities in the way retail facilities attract users. We also show that performance improves significantly when combining multiple features in supervised learning algorithms, suggesting that the retail success of a business may depend on multiple factors.

研究の動機と目的

• 都市環境における小売店の認知度を予測するための最も効果的なデータ駆動型特徴を特定すること。
• 位置ベースサービスから得られる地理的および移動行動パターンが小売成功に与える影響を調査すること。
• 教師あり学習を用いて複数の特徴を統合することで、個々の特徴に比べて予測性能が向上するかどうかを評価すること。
• 異なる小売チェーンおよび都市的文脈において、研究結果の一般化可能性を評価すること。
• 伝統的な高コストの立地選定手法に対するスケーラブルでデータ駆動型の代替手法を提供すること。

提案手法

• ニューヨーク市からのFoursquareチェックインデータを収集・分析し、ユーザーの移動行動と施設の人気度を調査した。
• 施設の種別分布、密度、およびアトラクター（例：鉄道駅、観光地）からの距離に基づいた地理的特徴を抽出した。
• 施設間の遷移確率と、ターゲット地域への長距離ユーザー流入を測定する移動行動特徴を生成した。
• 空間的構造と人間の移動パターンを統合した特徴セットを策定し、小売の潜在的ポ텐シャルを表現した。
• 3つの小売チェーン（コーヒーショプ、レストランなど）に対して、個々の特徴のランク付け性能を評価した。
• 勾配ブースティングやランダムフォレストなどの教師あり学習モデルを用いて特徴を統合し、施設の人気度を予測し、立地選定を最適化した。

実験結果

リサーチクエスチョン

• RQ1 位置ベースサービスから抽出した地理的および移動行動特徴の中で、小売施設の人気度を最も強く予測するのはどれか？
• RQ2 コーヒー店とレストランなどの異なる小売チェーンにおいて、特徴のパフォーマンスと予測力はどのように変化するか？
• RQ3 地理的特徴と移動行動特徴を統合することで、それぞれを個別に使用した場合に比べて予測精度がどの程度向上するか？
• RQ4 地域の競合状況とユーザー誘致要因（例：鉄道駅）の存在が、施設の人気度に果たす役割は何か？
• RQ5 Foursquareデータで学習した機械学習モデルは、新規小売店の立地選定において、上位の立地を信頼性高くランク付けできるか？

主な発見

• ユーザー移動の50%が200〜300メートル圏内の施設から発生しており、90%が1キロメートル圏内に収まっていることから、強い地域内移動バイアスが確認された。
• ユーザー誘致要因（例：鉄道駅、空港）の存在と、同種の小売施設による地域競合状況が、施設の人気度の予測において最も強い予測要因となった。
• 長距離ユーザー流入と施設タイプ間の遷移品質をモデル化する移動行動特徴は、予測性能の向上に顕著に寄与した。
• 教師あり学習を用いて地理的特徴と移動行動特徴を統合することで予測精度が向上し、最適立地が候補地の上位5%内にランクされるケースが50%以上にのぼった。
• 教師ありモデルは、移動行動特徴を追加することでわずかではあるが一貫して性能向上を示しており、静的空間特徴に加えて動的かつ変化する人間の移動パターンが、補完的なインサイトを提供していることが示された。
• 顧客誘致メカニズムの特異性により、小売チェーンごとに特徴のパフォーマンスに差が見られたが、競合状況や誘致要因といったコアな予測要因は、一貫して強い影響を持っていた。