[논문 리뷰] Store Location Selection via Mining Search Query Logs of Baidu Maps

Mengwen Xu, Tianyi Wang외 4명|arXiv (Cornell University)|2016. 06. 12.

Human Mobility and Location-Based Analysis참고 문헌 23인용 수 12

한 줄 요약

이 논문은 Baidu Maps 검색 쿼리 로그를 분석하여 공간-시간 수요 분포와 수요-공급 격차를 탐지함으로써 최적의 매장 위치를 결정하는 데이터 기반 프레임워크인 D3SP를 제안한다. 클러스터링과 기계학습 모델(회귀 및 러닝-투-랭킹)을 활용하여 잠재력이 높은 위치를 식별하며, 실제 사례 연구에서 실제 매장 개설 위치와 1km 이내로 예측하여 높은 정확도를 달성한다.

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.

연구 동기 및 목표

• 기존의 시간이 많이 소요되는 수동 설문조사와 정적 인구통계 기반 모델의 한계를 해결하기 위해.
• 특히 Baidu Maps의 검색 쿼리 로그를 포함한 모바일 기기에서 유도되는 빅데이터를 활용해 사업 서비스에 대한 동적 사용자 수요를 모델링하기 위해.
• 사용자 쿼리의 공간-시간 분석을 통해 수요가 공급을 초과하는 지역을 탐지함으로써 최적의 매장 위치를 식별하기 위해.
• 기존 매장 성과와 사용자 행동 데이터를 기반으로 학습된 기계학습 모델을 개발하고 평가하여 신규 매장 위치의 고객 유입량을 예측하고 후보 위치를 랭킹하기 위해.

제안 방법

• Baidu Maps에서 특정 브랜드나 일반 서비스 카테고리에 대한 검색 쿼리를 분석하여 사용자 수요의 공간-시간 분포를 탐지한다.
• 5km 반경 기준을 사용해 기존 매장의 서비스 커버리지 범위를 추정하고, 사용자 수요가 인근 공급을 초과하는 수요-공급 격차 지역을 식별한다.
• 중요한 수요-공급 격차를 보이는 지역을 클러스터링하여 후보 매장 위치 목록을 생성한다.
• 도심 중심 거리, 부동산 가격, 지역 인기도 등의 특징을 사용해 후보 위치의 고객 유입량을 예측하기 위해 지도 학습 회귀 모델(예: 랜덤 포레스트)을 훈련한다.
• 예측된 고객 유치력 기반으로 후보 위치를 직접 랭킹하는 러닝-투-랭킹 모델을 적용하여 위치 최적화 성능을 향상시킨다.
• POI 데이터, 경제 지표, 교통 특성 등 다양한 소스의 데이터를 통합하여 모델 입력을 풍부하게 한다.

실험 결과

연구 질문

• RQ1 Baidu Maps와 같은 대규모 지ap 서비스의 검색 쿼리 로그가 특정 사업 서비스에 대한 사용자 수요의 진정된 공간 분포를 효과적으로 드러내는가?
• RQ2 지리적 공간에서 수요-공급 격차를 체계적으로 탐지하고 클러스터링하여 실현 가능한 신규 매장 위치를 식별할 수 있는가?
• RQ3 역사적 매장 성과 및 사용자 행동 데이터를 기반으로 학습된 기계학습 모델이 신규 위치의 고객 유입량을 얼마나 정확하게 예측할 수 있는가?
• RQ4 종합적인 러닝-투-랭킹이 전통적인 두 단계 예측-랭킹 방식보다 매장 위치 최적화에서 더 우수한 성능을 보이는가?

주요 결과

• D3SP 프레임워크는 Baidu Maps 쿼리 로그 분석을 통해 높은 공간 정밀도로 수요-공급 격차를 탐지함으로써 잠재력이 높은 매장 위치를 성공적으로 식별했다.
• 하이디라오 사례 연구에서 상위 랭king된 예측 위치는 실제 매장 개설 위치와 1km 이내에 위치하여 강력한 예측 정확도를 입증했다.
• 스타벅스 사례에서는 예측 최적 위치가 실제 매장 위치에서 200m 떨어져 있었으며, 모델의 실제 적용 효과를 검증했다.
• 지도 학습 회귀 모델과 종합적 러닝-투-랭킹 모델의 조합이 기준 방법 대비 위치 랭킹 성능을 크게 향상시켰다.
• 다양한 사업 카테고리에 걸쳐 높은 정확도를 달성하여, 실제 운영 환경에서의 일반화 능력과 강건성을 입증했다.
• D3SP는 Baidu의 비즈니스 분석 플랫폼에 통합되어 Baidu 누오미를 통해 체인 매장 유통업자들이 전략적 매장 위치 결정에 적극적으로 활용하고 있다.