[論文レビュー] Where is the Goldmine? Finding Promising Business Locations through Facebook Data Analytics

Jovian Lin, Richard J. Oentaryo+4 more|Institutional Knowledge (InK) - Institutional Knowledge at Singapore Management University (Singapore Management University)|Sep 9, 2016

Human Mobility and Location-Based Analysis参考文献 14被引用数 6

ひとこと要約

本論文は、チェックインデータ、事業種別、周辺事業者の特徴を活用して、仮想の事業所の場所の人気を予測する、フェイスブックデータ駆動型フレームワークを提案する。地理的にタグ付けされたフェイスブックページのデータと機械学習モデルを活用することで、正確に「チェックイン」スコアを予測でき、周辺事業者の人気度が最も影響力のある予測要因であることが明らかになった。これにより、新規事業の立地選定をデータドリブンで行えるようになる。

ABSTRACT

If you were to open your own cafe, would you not want to effortlessly identify the most suitable location to set up your shop? Choosing an optimal physical location is a critical decision for numerous businesses, as many factors contribute to the final choice of the location. In this paper, we seek to address the issue by investigating the use of publicly available Facebook Pages data---which include user check-ins, types of business, and business locations---to evaluate a user-selected physical location with respect to a type of business. Using a dataset of 20,877 food businesses in Singapore, we conduct analysis of several key factors including business categories, locations, and neighboring businesses. From these factors, we extract a set of relevant features and develop a robust predictive model to estimate the popularity of a business location. Our experiments have shown that the popularity of neighboring business contributes the key features to perform accurate prediction. We finally illustrate the practical usage of our proposed approach via an interactive web application system.

研究の動機と目的

• 従来のアンケート手法では複雑でリソースを多く要するため、物理的な事業所の最適立地選定という課題に対処すること。
• 特にチェックイン、事業種別、位置情報を含む、公開されているフェイスブックページのデータを活用して、対象事業所の場所の人気の可能性を推定すること。
• 都市の地図上での任意の場所の事業の実現可能性を評価できる予測モデルを開発すること。
• インタラクティブなウェブアプリケーションを通じて、フレームワークの実用的価値を実証すること。
• 周辺に人気の事業者が存在する場合、新規立地の成功可能性が向上するかどうかを調査すること。

提案手法

• シンガポールの20,877軒の飲食店を対象に、公開されているフェイスブックページから抽出したデータセットを用いる。このデータには、チェックイン数、事業分類、地理的場所が含まれる。
• 周辺事業者のチェックイン数やいいね数、最も近い人気の高い施設までの距離、半径内での事業分類の分布といった、主要な特徴量を抽出する。
• これらの特徴量に基づいて、特定の場所に仮想の事業所が立地した場合の「チェックイン」スコアを予測するための機械学習モデルを訓練する。
• クエリ処理にはNode.js、特徴抽出および予測にはPython、データベースクエリにはElasticSearch、地理空間可視化にはGoogleマップを活用したフルスタックアーキテクチャを採用する。
• ウェブアプリケーションでは、ユーザーがマップ上にピンを配置し、周辺の事業者データを取得して、即時の潜在的人気度予測を受信できる。
• モデルの評価には、予測されたチェックイン数に基づいて、対象場所が既存の事業者と比較してどこに位置するかを順位付けするランク付き比較システムを用いる。

実験結果

リサーチクエスチョン

• RQ1 物理的な小売環境において、事業所の場所の人気が左右される要因として、どのような要因が顕著に影響を及ぼすか？
• RQ2 周辺に人気の事業者が存在する場合、特定の場所に新規事業を立地させた場合の成功可能性にどのような影響があるか？
• RQ3 公開されているフェイスブックデータを活用して、仮想の事業所の場所の人気を効果的に予測できるか？
• RQ4 高流量または高チェックイン数の施設に近接することで、新規事業の予測された成功度がどの程度向上するか？
• RQ5 機械学習モデルは、存在しない新しい事業所の場所の「チェックイン」スコアをどの程度正確に推定できるか？

主な発見

• 周辺事業者の人気度が、対象場所の成功可能性を予測する上で最も重要な要因であり、強い正の相関関係が確認された。
• モデルは「チェックイン」スコアを正確に予測でき、例えばハイリットホテルの近くに仮想の事業所を設けると、保守的な予測スコアが802.24に達した。
• 対象場所は、周辺の213軒の事業者の中での順位が160位であり、高水準の地域の足取りにもかかわらず、中程度の競争力であることが示された。
• このシステムは、人通りの多い既存の商業集積地に近い場所は、顧客のチェックインを引きつけやすいと効果的に同定した。
• フェイスブックデータが社会的経済的価値を的確に捉え、データドリブンな事業所立地意思決定を支援できることをフレームワークが示した。
• 人気の施設までの距離や、周辺に類似した事業種別の集中度といった特徴量が、モデルの性能を向上させた。