[论文解读] 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 6

一句话总结

本文提出了一种基于Facebook数据的框架，利用签到数据、企业类型和邻近企业特征，预测假设商业地点的受欢迎程度。通过利用带有地理标签的Facebook页面数据和机器学习模型，该框架能够准确预测‘签到’得分，其中邻近企业的受欢迎程度被证明是最具影响力的预测因子，从而实现新企业选址的数据驱动决策。

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.

研究动机与目标

• 解决传统调查方法在选择最优实体商业位置时所面临的复杂性和高资源消耗问题。
• 利用公开的Facebook页面数据（特别是签到、企业类型和地理位置）来估算目标商业地点的潜在受欢迎程度。
• 开发一个预测模型，使企业和房产所有者能够评估城市地图上任意位置的可行性。
• 通过一个交互式网络应用程序展示该框架的实际应用价值，实现实时预测。
• 探究邻近热门企业是否能提升新选址的成功潜力。

提出的方法

• 该框架使用了从公开Facebook页面中提取的20,877家新加坡餐饮企业数据集，包含签到数、企业类别和地理位置信息。
• 提取关键特征，如邻近企业的签到数和点赞数、到最近热门场所的距离，以及半径范围内企业类别的分布情况。
• 训练一个机器学习模型，基于这些特征预测在给定位置开设假设企业的‘签到’得分。
• 系统采用全栈架构，使用Node.js处理查询，Python进行特征提取和预测，ElasticSearch进行数据库查询，Google Maps用于地理空间可视化。
• 网络应用程序允许用户在地图上放置标记，检索附近企业数据，并实时获取潜在受欢迎程度的预测结果。
• 通过排名比较系统评估模型性能，将目标位置在预测签到数方面与现有企业进行相对排序。

实验结果

研究问题

• RQ1 在实体零售环境中，哪些因素显著影响商业地点的受欢迎程度？
• RQ2 邻近热门企业是否存在如何影响新企业在特定位置的潜在成功？
• RQ3 公开的Facebook数据能否有效用于预测假设商业地点的受欢迎程度？
• RQ4 靠近高流量或高签到量场所在多大程度上能提升新企业预测成功的可能性？
• RQ5 机器学习模型在估算尚未存在的新企业地点的‘签到’得分方面有多准确？

主要发现

• 邻近企业的受欢迎程度是预测目标地点潜在成功度的最关键因素，两者之间表现出强烈的正相关性。
• 模型能够准确预测‘签到’得分，例如在希尔顿酒店附近等高流量区域开设的假设企业，其保守预测得分高达802.24。
• 该目标位置在213家附近企业中排名第160位，表明尽管本地人流量高，其竞争力仍属中等水平。
• 系统成功识别出靠近成熟商业中心且人流密集的地点更可能吸引顾客签到。
• 该框架表明，Facebook数据能够有效捕捉社会经济价值，并支持数据驱动的商业选址决策。
• 通过引入至热门场所的距离以及周边相似企业类型的集中度等特征，模型性能得到显著提升。