Documentos de Académico
Documentos de Profesional
Documentos de Cultura
utilizando
ARTÍCULO
Cómo citar: Oliveira, M. F. F., Albuquerque, P. H. M., Hao, P. Y., & Henrique, P. A. (2020). Mapeo de
oportunidades de negocio regionales utilizando geomarketing y aprendizaje automático. Gestão &
Produção, 27(3), e4158. https://doi.org/10.1590/0104-530X4158-20
Resultados, se optó por aplicar el método para el mercado dechocolates finos (Cacau-Show) en el Distrito Federal.
Las principales bases de datos utilizadas en este estudio provienen de la Encuesta de Presupuestos Familiares y
el Censo Demográfico, ambos desarrollados por el Instituto Brasileño de Estadística y Geografía (IBGE). Como
resultado, obtuvimos el Gasto Estandarizado, que indica el nivel de demanda para cada Sección Censal,
la información georreferenciada de la competencia, que contiene 44 tiendas que tienen como producto principal
el chocolate fino, y las mallas. del Distrito Federal. El cruce de esta información permitió la elaboración de un
mapa que facilita la identificación de oportunidades de negocio para el mercado de chocolates finos en el Distrito
Federal.
Palabras clave: Geomarketing; Máquinas de soporte vectorial; Economía regional; Franquicias estratégicas;
Aprendizaje supervisado.
1 Introducción
La ubicación es un elemento crucial para el éxito o el fracaso de una empresa. Se sabe que una
parte representativa de los empresarios que cerraron sus empresas no sabían el número de clientes
que tendrían y su consumo. hábitos; el número de competidores presentes en la región; y la mejor
ubicación para la instalación de su negocio. Estos datos expresan la importancia de elegir el punto fo
el futuro de una organización.
Según Cliquet (2006), la cobertura territorial tanto a nivel regional como internacional es al menos
tan importante como el volumen de ventas para determinar la fortaleza de una red de tiendas. En este
contexto, y considerando la necesidad de que una red de franquicias cuente con un proceso de
decisión juicioso y estratégico en la determinación de un punto comercial, este trabajo tiene el siguiente
problema de investigación:
"Demostrar el potencial del Geomarketing, combinado con técnicas de Machine Learning, para
mejorar las estrategias de elección de ubicación en una red de franquicias".
Así, el objetivo de este artículo es la elaboración de un método cuantitativo que ayude al proceso
de decisión profesional de una red de franquicias a partir del uso de Técnicas de Geomarketing y
Machine Learning. Durante el transcurso del estudio, se preparó una cesta de productos de acuerdo
a lo que ofrece la red de franquicias elegida y que están presentes en el POF 2008-2009. Además,
se elaboró un modelo explicativo basado en las variables contenidas en el POF 2008-2009 que fueron
relevantes para explicar el consumo del producto ofrecido. por la franquicia. Esto se hizo para
construir un modelo de aprendizaje machine capaz de predecir el comportamiento del consumidor
de acuerdo con la información recopilada por el POF 2008-2009. Después de eso, la función de
decisión estimada por el clasificador se aplicó en la base de datos del Censo Demográfico de la
Universidad Brasileña de Geografía y Estadística (IBGE, 2010) de 2010, para obtener pronósticos
sobre el consumo de la población del Distrito Federal. Finalmente, se realizó una construcción
cartográfica, con la ayuda del software Qgis y técnicas de Geomarketing, de la competencia y la
distribución de la demanda del producto elegido a lo largo del territorio del Distrito Federal; así como
indicar, mediante criterios eliminatorios y clasificatorios, el lugares que representan negocios.
Según Dobbs y Hamilton (2007 apud Machado, 2016) y Wright & Stigliani (2012 apud Machado,
2016), el entorno externo y las condiciones de oferta y demanda pueden o no favorecer el crecimiento
de una empresa. . Un mercado competitivo se caracteriza por la incertidumbre y su compacidad
requiere el uso de una gran cantidad de información para la toma de decisiones (Janssen, 2009 apud
Machado, 2016).
Administración & Producción, 27(3), e4158, 2020 2/14
Cartografía regional negocio Oportunidades...
2 Referencia teórica
El avance de las técnicas y herramientas en el área de la cartografía ha sido increamente útil y
eficaz en las más diversas áreas del conocimiento. La cantidad de datos que se pueden insertar en
los mapas es cada vez mayor, lo que ha cousado la pérdida de espacio por el sistema analógico
(manual,) ya que la tendencia es la inserción de variasinformaciónes en el mismo mapa. El aumento
de la demanda de una representación cada vez mayor de los datos dentro de un mapa, paralelo al
avance de las computadoras, llevó a la aparición de una poderosa herramienta. , Sistemas de
Información Geográfica (SIG).
La ubicación óptima de un establecimiento, según Daskin (1995) apud Briozo & Musetti (2015) es
la que maximiza el servicio prestado. Además, el análisis estratégico de los posibles puntos para
invertir en un negocio es esencial para la supervivencia del negocio, ya que, en varios casos, impacta
directamente en su capacidad productiva (Kloose & Drexl, 2005 apud Briozo & Musetti, 2015).
de mercado, segmentación, localización del cliente o identificación del mejor punto comercial para un
organización
Según Michalski (1983 apud Monard & Baranauskas, 2003) y Kubat, Bratko, Michalski (1988 apud
Monard & Baranauskas, 2003), los sistemas de aprendizaje se pueden clasificar en dos grandes
categorías:
I. Sistemas de caja negra: los sistemas que no presentan resultados internos claros sobre el
concepto creand. Es decir, su proceso interno de representación y reconocimiento no puede ser
fácilmente interpretado por los humanos;
II. Sistemas orientados al conocimiento: Su objetivo es crear resultados en forma de estructuras
simbólicas que sean comprensibles para los humanos.
En general, se produce la especificación del problema y la selección del conjunto de ejemplos
que servirán de entrada al inductor. Después de la inducción, se genera un clasificador capaz de
tomar decisiones futuras en función de la información que se le proporciona en el primer paso.
Después dela misma, se realiza una validación clasificadora, donde, teniendo en cuenta su precisión,
se realizan cambios en la especificación del problema y la selección de datos, con el fin de mejorar
la sistema en su conjunto.
Otra forma interesante de ilustrar el proceso de Machine Learning es imaginar un gráfico que
contenga todos los ejemplos ofrecidos al inductor. En este escenario, el objetivo del clasificador es
identificar qué clase pertenece a cada ejemplo y separarlos de forma lineal, como se muestra en la
Figura 1:
Como puede ver, hay infinitas formas de separar los clasificadores. Por lo tanto, el clasificador
encontrará el que proporciona el mayor margen entre clases, con el objetivo de aumentar la distancia
(n) entre los límites de cada clase. . Cuanto mayor sea el valor de n, menor será la probabilidad de
error de clasificación, como se ilustra en la Figura 2.
objetivo era identificar las principales motivaciones de los consumidores para comprar chocolate. En
su investigación, realizada con el foco en el chocolate, se encontró que la edad es un factor muy
relevante a la hora de tratar de entender el consumo de chocolateen Brasil. Sus datos muestran que
el 89% de los encuestados, con edades comprendidas entre los 13 y los 19 años, afirman consumir
chocolate, mientras que solo el 42% de los encuestados mayores de 60 años tuvieron una respuesta
positiva respecto a la consumo de este producto, mostrando que la discriminación por edad puede
revelar patrones muy diferentes, y la inclusión de esta variable en el modelo tiende a aumentar su
poder explicativo.
Además, se ha encontrado que el consumo de chocolate también varía según el género del
individuo. La encuesta explica que el 71% de las mujeres respondieron que sí al chocolate, mientras
que solo el 64% de los hombres respondieron de la misma manera. Las mujeres también consumen
el producto con más frecuencia, ya que el 35% de los encuestados dijeron que comen chocolate al
menos una vez a la semana, y para los hombres ese número se reduce al 30%. De manera similar a
la observada con consumidores de diferentes grupos de edad, la heterogeneidad observada entre
géneros también es relevante para el problema analizado en este estudio. .
Otra variable que puede influir en el consumo de chocolate son los ingresos. El chocolate es una
mercancía de consumo normal, es decir, su consumo tiende a crecer a medida que aumentan los
ingresos del comprador; por otro lado, se trata de un producto alimenticio, por lo que se espera
que a niveles muy altos de ingresos el consumo de este producto tienda a mostrar m arginalmente
aumentos menores. Por lo tanto, los ingresos no solo influyen decisivamente en el consumo de
chocolate, sino que también constituyen una relación potencialmente no lineal, lo que justifica su
inclusión en el presente. estudio. Así, se definen las variables que se considerarán influyentes en
el consumo de chocolate: edad, sexo e ingresos.
Explicando brevemente el método, tenemos un ejemplo (x xi1, i2, , ... x yim, i )=(x yi, i ) que tiene m
atributos xij y cada atributo corresponde a una coordenada en el espacio de descripción 1 ≤ ≤i n y n
representa una serie de ejemplos. Además, cada coordenada definida por un atributo xij se inserta en
una región del espacio de descripción, que fue asociada, por el clasificador, con un clase yi . (Monard
& Baranauskas, 2003, p. 45).
Otro punto importante en el entrenamiento de una máquina es la definición de la tasa de error de
un clasificador h, así como su precisión. La tasa de error no es más que una comparación
entre la clase verdadera del ejemplo y la etiqueta imputada por el clasificador, generalmente
1n
1n 2
manera, y solo PDE 2008-2009 tiene información relacionada con el gasto (gasto) del chocolate. Así,
la máquina, de forma sencilla, comparó las dos bases, aplicando el patrón de consumo establecido a
partir del POF 2008-2009 en el Censo 2010. En otras palabras, los individuos con características
similares de edad, género e ingresos, hipotéticamente, tendrán patrones de consumo similares.
El POF 2008-2009 es una encuesta a nivel nacional y se utilizó en su totalidad para establecer un
patrón de consumo. En cuanto al censo de 2010, que también es una encuesta nacional, sólo se
utilizaron datos referidos al Distrito Federal.
Después de la fase de solicitud, determine el Gasto Estandarizado (GP) para cada sector censal del
Distrito Federal. El GP sigue la misma lógica de la puntuación estandarizada y se definió aquí como
la diferencia entre el pronóstico de gastos (G), asignado a un censo en particular. sector, y el Gasto
Promedio (G ) registrado en el Distrito Federal, dividido por la desviación estándar (σ), como se
muestra en la Ecuación 2 a continuación:
(G G− )
GP= (2) s
Esta ecuación permite comparar la posición relativa de cada sector censal, en el caso del gasto
en chocolate, en relación con los demás. Así, cuanto más cerca de cero esté el GP del sector
censal, más cerca estará del Gasto Promedio del Distrito Federal (G ).
Así, a través del índice (GP), las secciones censales se clasificaron según su nivel de demanda
de chocolate, como se muestra en la Tabla 1 a continuación:
4 Resultados y discusión
negocios. se iniciaron las oportunidades. Esta etapa consiste en identificar las áreas que están
predispuestas al consumo de chocolate, teniendo en cuenta la información generada por el método de
Machine Learning y la aplicación de los patrones de consumo del POF 2008-2009 en el censo
demográfico del IBGE (2010) para el Distrito Federal.
Además de la información obtenida en la sesión anterior sobre el perfil de quién consume chocolate
y cuáles son las características demográficas de estos individuos, algunos criterios cualitativos tienen
abeja definida para que cualquier punto pueda ser clasificado como una oportunidad de negocio. Por
lo tanto, se estableció que una oportunidad de negocio debe respetar los siguientes criterios:
CRITERIOS ELIMINATORIOS
Estar dentro de una región clasificada por el IBGE (2010) como urbana; Estar
ubicado en una zona comercial.
Formar parte de un sector censal que, según su GP, presente una clasificación de demanda alta,
muy alta o extremadamente alta.
CRITERIOS CLASIFICATORIOS
Cuanto mayor sea el pronóstico del GP , mejor será la oportunidad de negocio en comparación
con los demás.
Refiriéndose al mencionado punto "b" de los criterios eliminatorios, que trata de la restricción
de la competencia en el mismo establecimiento comercial, es necesario definición detallada de qué
tiendas, presentes en el Distrito Federal, serán consideradas como competencia para una nueva
franquicia de cacao-show.
Así, continuamos con la búsqueda, a través de Google Maps, de tiendas que cuenten con una
propuesta similar a la presentada por Cacau Show. El resultado de esta investigación fue una lista de
44 tiendas, donde 15 son del cacauí S, ya que la asignación de estas tiendas cercanas a cada una
otros pueden generar un proceso de "canibalismo" dentro de la red. Además, 9 tiendas pertenecen a
la franquicia Brasil Cacau, 10 tiendas a la cadena Kopenhague, 3 tiendas a Kaebisch Chocolatey las
marcas Aguimar Ferreira Bombons, Baby Chocolates, Brigadeirando, Chocolataria Gramado Brasilia,
Dulce Patagonia, Fábrica de Chocolate y Chocolate Stans tienen una tienda cada uno.
A continuación, se utilizó el programa Qgis para crear el mapa. Este software permite la
conexiónpráctica entre el Gasto Estandarizado (GP), la competencia y las mallas digitales del Distrito
Federal . Como resultado de este cruce de datos, se creó un mapa coloreado según el GP (Tabla
1) y marcado con la ubicación de cada una de las 44 tiendas que venden chocolates finos de el Distrito
Federal.
Con esto, se realizó un análisis general del DF, con el propósito de hacer posible la identificación
de puntos de oportunidad para el mercado de chocolates finos de la Federal. Distrito. Como espropio
en el mapa a continuación, hay regiones que se pueden identificar fácilmente como de baja
competencia y una demanda interesante para abrir una nueva tienda. De forma rápida y estratégica,
teniendo en cuenta la información sobre la previsión de la demanda y la competencia disponible en
el mapa, es posible definirlas. regiones como posibles puntos de oportunidad.
La Figura 3 muestra que incluso con el alto número de tiendas competitivas, hay puntos fácilmente
identificables a través de los tonos más oscuros de rojo, que deberían ser rojos como posibilidades.
para abrir un nuevo negocio. Como resultado, se genera un análisis complejo, considerando aspectos
demográficos que influyen en la previsión de la demanda del producto, y al mismo tiempo eficiente
puede reducir en un aspecto relevante la forma en que las regiones deben analizarse en profundidad
rápidamente, ahorrando tiempo y disponibilidad de recursos organizacionales en el proceso de
selección de ubicación.
5 Conclusión y recomendaciones
5.1 Conclusión
El método propuesto consistió en construir una herramienta cuantitativa capaz de identificar
oportunidades de negocio en el Distrito Federal. Para ello, se eligió el mercado de chocolates finos
y se inició el tratamiento de datos de la Encuesta de Presupuesto Familiar 2008-2009, creando las
variables deseadas y eliminando información innecesaria para este análisis. Dentro del POF 2008-
2009, se seleccionaron productos relacionados con el chocolate fino. Next, identificamos qué
individuos consumieron al menos uno de los ítems seleccionados, obteniendo el gasto total de cada
encuestado con chocolate, así como sus ingresos. , información de sexo, edad y ubicación. A partir
de esta información, el clasificador se able ab le para establecer un consumo estandarizado del
producto, teniendo, como requisito previo para el pronóstico, las características obtenidas en el POF
- 2008-2009. Después del Machine Learning, la etapa de aplicación se produjo en la base de datos del
Censo IBGE 2010, con el resultado final mapeando la demanda de chocolates finos en todo el Distrito
Federal.
Desde el análisis de los resultados y el mapeo exitoso de oportunidades de negocio hasta el
mercado del chocolate fino en el Distrito Federal, se puede decir, con un fou práctico. ndation, que
el Geomarketing, combinado con técnicas de machine learning, representa una herramienta con
valiosos recursos para la delimitación de estrategias organizacionales, ya sea en la ayuda de acciones
de marketing o en materia de elección de ubicación y expansión de negocio, con posibilidad de
enfoque y previsiones de consumo para un público objetivo específico.
La herramienta cuantitativa desarrollada en el presente trabajo ha demostrado ser capaz de
ayudar al proceso de decisión de localización de una red de franquicias, logrando con éxito la
creaciónde una Solución al problema de investigación, dado que el potencial de la herramienta para
generar mejoras en las estrategias de elección de ubicación se evidenció una red de franquicias a
través de la elaboración del mapa como resultado final, que contiene los pronósticos de demanda para
el mercado de chocolates en todo el Distrito Federal, y la ubicación de la competencia directa del red
elegida.
Uno de los mayores éxitos de este estudio fue su contribución intelectual a un área de conocimiento
que aún no está desarrollada, principalmente en Brazil, y que puede traer muchos beneficia tanto al
sector privado como a la esfera pública. El diferencial de esta metodología es la posibilidad de realizar
estimaciones de demanda, o aceptación de un determinado producto, a nuevos mercados, es decir,
regiones. que aún no tienen un historial de consumo en relación con el objeto de análisis. Además,
el resultado final del análisis, como se muestra en la Figura 3, ofrece al gestor mapas
georreferenciados que contienen información detallada sobre el funcionamiento del mercado. en
relacióncon su sector de actividad. Un ejemplo de esto es la clasificación de cada subdistrito por
bandas de Gastos Estándar (GP) y la ubicación de la competencia. Un producto final como este
reduce el riesgo involucrado en la decisión y permite al pesebre, teniendo el informe a mano, rastrear
sus estrategias de forma rápida y eficiente.
Referencias
Araña, F. (1996). Sistemas de información geográfica: un arma estratégica para el Marketing de Bases de Datos.
RAE - Revista de Administración de Empresas, 36(2), 12-16. http://dx.doi.org/10.1590/S0034-
75901996000200003.
Baviera-Puig, A., Buitrago, J. M., Escriba, C., & Clemente, J. S. (2009). Geomarketing: aplicación de los sistemas
de información geográfica al marketing. In Octava Conferencia Iberoamericana en Sistemas, Cibernética e
Informática. Winter Garden: International Institute of Informatics and Systemics.
Briozo, R. A., & Musetti, A. (2015). Método de toma de decisiones multicriterio : aplicación a la ubicación
espacial de una Unidad de Atención de Urgencias - UPA 24 h. Revista Management & Production,
22(4), 805-819. http://dx.doi.org/10.1590/0104-530X975-13.
Carnasciali, A. M. S., & Delazari, L. S. (2011). Ubicación geográfica como recurso organizativo. Uso de Sistemas
Especializados para Spara tomar la Decisión de Decisión Local del Sector Bancario. , 15(1), 103-125.
Cliquet, G. (2006). Geomarketing: métodos y estrategias en marketing espacial. Londres: ISTE Limited.
Fan, F., & Collischonn, W. (2014). Integración del Modelo MGB-IPH con el Sistema de Información Geográfica .
Revista Brasileña de Recursos Hídricos, 19(1), 243-254. http://dx.doi.org/10.21168/rbrh.v19n1.p243-254.
Furlan, A. A. (2011). Geoprocesamiento: Estudios de geomarketing y las posibilidades de su aplicación en la
planificación del desarrollo socioeconómico. Espacio y Tiempo, 29, 97105.
Genaro, S. (1986). Sistema experto: conocimiento artificial. Río de Janeiro: Libros Técnicos y Científicos Editora
S. A.
Harmon, P., & King, D. (1988). Sistemas expertos (A. F. Carpintero, Trad.). Río de Janeiro: Campus.
Instituto Brasileño de Geografía y Estadística - IBGE. (2010). Encuesta de Presupuestos Familiares 2008-2009:
gastos, ingresos y condiciones de vida. Río de Janeiro: IBGE.
Machado, H. P. V. (2016). Crecimiento de las pequeñas empresas: revisión de la literatura y perspectivas de
estudio. Revista Ges So & Production, 1(2), 419-432. http://dx.doi.org/10.1590/0104-530x1759-14.
Mangini, E. R., Rossini, F. H. B., Santos, A., & Urdan, A. T. (2017). Análisis de ubicación de estaciones de
ferrocarril y uso de Geomarketing. Revista Brasileña de Gestión y Desarrollo Regional, 13(2), 129-152.
Monard, M. C., & Baranauskas, J. A. (2003). Conceptos sobre machine learning. En S.O. Rezende (Ed.). Sistemas
inteligentes-fundamentos y aplicaciones (pp. 89-114). Barueri: Manole.
Shepard, D. (1993). Marketing de bases de datos: el nuevo marketing directo. São Paulo: Makron Books.
Waterman, D. A. (1983). Construcción de sistemas expertos. Canadá: Addison-Wesley Publishing Company.
Waterman, D. A. (1986). Una guía de tallos de sy expertos. Canadá: Addison-Wesley Publishing Company.