[論文レビュー] Store Location Selection via Mining Search Query Logs of Baidu Maps

Mengwen Xu, Tianyi Wang+4 more|arXiv (Cornell University)|Jun 12, 2016

Human Mobility and Location-Based Analysis参考文献 23被引用数 12

ひとこと要約

本稿では、Baidu Mapsの検索クエリログを分析して空間的・時間的需要分布と需要・供給のギャップを特定することで、最適な店舗立地を決定するデータ駆動型フレームワークD3SPを提案する。クラスタリングおよび機械学習モデル（回帰およびラーニング・トゥ・ランク）を用い、高い精度で潜在的な優良立地を同定し、実世界の事例において実際の店舗開店位置から1km以内の予測を達成した。

ABSTRACT

Choosing a good location when opening a new store is crucial for the future success of a business. Traditional methods include offline manual survey, which is very time consuming, and analytic models based on census data, which are un- able to adapt to the dynamic market. The rapid increase of the availability of big data from various types of mobile devices, such as online query data and offline positioning data, provides us with the possibility to develop automatic and accurate data-driven prediction models for business store placement. In this paper, we propose a Demand Distribution Driven Store Placement (D3SP) framework for business store placement by mining search query data from Baidu Maps. D3SP first detects the spatial-temporal distributions of customer demands on different business services via query data from Baidu Maps, the largest online map search engine in China, and detects the gaps between demand and sup- ply. Then we determine candidate locations via clustering such gaps. In the final stage, we solve the location optimization problem by predicting and ranking the number of customers. We not only deploy supervised regression models to predict the number of customers, but also learn to rank models to directly rank the locations. We evaluate our framework on various types of businesses in real-world cases, and the experiments results demonstrate the effectiveness of our methods. D3SP as the core function for store placement has already been implemented as a core component of our business analytics platform and could be potentially used by chain store merchants on Baidu Nuomi.

研究の動機と目的

• 伝統的な時間のかかる手動調査や静的かつ人口統計ベースのモデルの限界を是正すること。
• 特にBaidu Mapsの検索クエリログを含むモバイルデバイスからのビッグデータを活用し、ビジネスサービスにおける動的ユーザー需要をモデル化すること。
• 空間的・時間的分析によるユーザークエリの分析を通じて、需要が供給を上回る地域を特定し、最適な店舗立地を同定すること。
• 新規店舗立地のための候補地を予測する顧客流入量とランク付けする機械学習モデルの開発および評価すること。

提案手法

• Baidu Mapsにおける特定ブランドや一般的なサービスカテゴリの検索クエリを分析することで、ユーザー需要の空間的・時間的分布を特定する。
• 5kmの半径閾値を用いて既存店舗のサービスカバレッジを推定し、ユーザー需要が近隣の供給を上回る需要・供給ギャップを同定する。
• 顕著な需要・供給ギャップを示す場所をクラスタリングし、候補店舗立地のリストを生成する。
• 都市中心部までの距離、不動産価格、地域の人気度などの特徴を用いて、候補地における顧客流入量を予測するための教師あり回帰モデル（例：ランダムフォレスト）を訓練する。
• 予測された顧客吸引力に基づいて直接候補地をランク付けするためのラーニング・トゥ・ランクモデルを適用し、立地最適化を向上させる。
• POIデータ、経済指標、交通インフラなどの複数ソースのデータを統合し、モデル入力を豊かにする。

実験結果

リサーチクエスチョン

• RQ1 Baidu Mapsのような大規模な地図サービスからの検索クエリログは、特定のビジネスサービスにおけるユーザー需要の真の空間的分布を効果的に明らかにできるか？
• RQ2 地理空間における需要・供給ギャップを体系的に同定し、クラスタリングすることで、実現可能な新規店舗立地を特定できるか？
• RQ3 歴史的店舗のパフォーマンスおよびユーザー行動に基づいて訓練された機械学習モデルは、新規立地における顧客流入量をどの程度正確に予測できるか？
• RQ4 エンドツーエンドのラーニング・トゥ・ランクは、従来の二段階の予測・ランク付け手法を上回る効果を発揮するか？

主な発見

• D3SPフレームワークは、Baidu Mapsのクエリログを分析することで、高い空間的精度で需要・供給ギャップを特定し、高潜在力の店舗立地を効果的に同定した。
• Haidilaoの事例において、上位ランクの予測立地は実際の店舗開店位置から1km以内に位置しており、予測精度の高さが裏付けられた。
• Starbucksの事例では、予測された最適立地が実際の店舗からわずか200mの距離に位置しており、モデルの実世界での有効性が検証された。
• 教師あり回帰モデルとエンドツーエンドのラーニング・トゥ・ランクモデルの組み合わせにより、ベースライン手法と比較して立地ランク付け性能が著しく向上した。
• フレームワークは多様なビジネスカテゴリーにわたり高い精度を達成し、実世界での展開において汎用性と頑健性を示した。
• D3SPはBaiduのビジネスアナリティクスプラットフォームに統合され、Baidu Nuomiを通じてチェーンストアの商人が戦略的店舗立地意思決定に活用している。