Modelos de aprendizaje estadístico para la caracterización de los sectores comerciales en la Ciudad de México, usando datos de movilidad alternativos.

Abstract

El objetivo principal de esta investigación es lograr entender los factores que influyen en el potencial de ventas de una tienda de comercio al por menor o un restaurante. Partiendo del supuesto que la afluencia peatonal tiene una relación estrecha con la venta, además de otros factores propios de la ubicación, se busca implementar modelos de aprendizaje estadísticos que logren entender la relación y logre predecir el potencial de venta de una futura tienda. Para esto se implementaron tres modelos: Redes Neuronales, XGBoost y Regresión Multinivel. Se usaron fuentes de datos alternativas cuyo costo y disponibilidad las hacen accesibles para los usuarios. Estas fuentes de datos miden la afluencia y movilidad de personas y ciclistas, así como también datos socio demográficos del entorno. Usando todo esto se logró obtener un resultado parcial que es capaz de predecir una ubicación mala para una tienda con una precisión del 92% de acierto. Mientras que las buenas ubicaciones son inciertas y requieren de una mayor investigación. Estos resultados se deben a los múltiples problemas que presentan los datos, tales como el gran desbalance entre tiendas de bajo potencial y alto potencial de ventas. Por último se concluyó que la caracterización del potencial de venta es posible, pero se deben hacer ajustes en los datos que se utilicen para entrenar el modelo. (A)