Big Data y Centros Comerciales Segunda entrega caso práctico, estudio viabilidad apertura centro comercial Madrid. Herramientas de Big Data creado por ("http://wi-sen.com.es") Próxima entrega 13 Octubre.2017
1. Por: Oscar Cuenca Roca
Tecnología WI-SEN
C A S O P R A C T I C O
RETAIL
Estudio de Viabilidad y Conveniencia
APERTURA CENTRO COMERCIAL
en Madrid-España
linkedin.com/in/cuencaoscar
S E G U N D A E N T R E G A
2
2. Determinación de variables.
Clasificación y cálculo de datos.
Hitatiisaceatemililloreptassiblaborem
fugit, ut ut elesed estiorehendi blab
ipsum quia nosanitate peratio de
experum res Occulla ceriatum
Hitatiis aceate mil illoreptassi blaborem fugit,
ut ut elesed estiorehendi blab ipsum
Uptae nisciis
Hitatiisaceatemililloreptassiblaborem
fugit, ut ut elesed estiorehendi blab
ipsum quia nosanitate peratio de
experum res Occulla ceriatum
Hitatiis aceate mil illoreptassi blaborem fugit,
ut ut elesed estiorehendi blab ipsum
Offic tetur?
Hitatiisaceatemililloreptassiblaborem
fugit, ut ut elesed estiorehendi blab
ipsum quia nosanitate peratio de
experum res Occulla ceriatum
Hitatiis aceate mil illoreptassi blaborem fugit,
ut ut elesed estiorehendi blab ipsum
Gentium rerist,
CUENCA
Óscar
TECNOLOGÍA WI-SEN
Ahora que en nuestro primer módulo ya hemos definido el objetivo principal del estudio
y que método vamos a utilizar, pasamos estudiar las variables que nos van a ayudar a encontrar
la carga “K” y algunas otras claves para entender mejor la viabilidad de un centro comercial.
Recordatorio: Primer módulo:
https://www.slideshare.net/OscarCuenca1/estudio-viabilidad-big-data-y-centros-comerciales-1
Este modulo tiene el objetivo de seleccionar las variables que tienen relación con los centros
comerciales.
Con el fin poder usar estas variables, deberemos disponer de todos los datos y los que no
tengamos encontrarlos por aproximación o por predicción.
En un primer momento estos son los datos que tenemos de los tres posibles Centros Ciales.
3. Nota 1. Tipo de centro comercial ha sido normalizado a su tamaño
no teniendo en cuenta otro factor con el fin de poder procesar
datosde forma homogénea
PROCESAMIENTO DE DATOS
WI-SEN
Tecnología
Por: Oscar Cuenca Roca
Nota 2. El precio de alquiler está basado en una aproximación de
precio por m2 para una superficie de 40 m2. Este precio cambia
mucho dependiendo los metros cuadrados a alquilar, por ese
motivo, para estandarizar de nuevo los datos hemos seleccionado
el precio de alquiler según una estimación de 40 m2 a alquilar.
Nota 3. Tanto en tiendas como en restaurante hemos seleccionado
las tres tiendas más reconocidas en términos generales y los tres
restaurantes más populares.
A continuación los centros comerciales que vamos a trabajar en la zona de Madrid.
Continua en la siguiente pagina
4. WI-SEN
TECNOLOGÍA
Por: Óscar Cuenca Roca
91Centros
COMERCIALES
Ya existentes
y haremos la proyección de los
3 Centros Comerciales
Que nuestro cliente propone Para determinar cual es la opción
más viable , conveniente y rentable.
En Total Analizaremos
Qué datos vamos a manejar
Vamos a dividir los datos
en dos grandes tablas.
Una tabla que será una
fotografía a 2016
y otra que será un histórico.
7. Variables segunda tabla Históricos por
zona de influencia de cada centro comercial:
CUENCA
Óscar
TECNOLOGÍA WI-SEN
Una vez ya hemos determinado las variables. Vamos a intentar calcular datos que no hemos
podido encontrar y que necesitaremos en nuestro estudio.
En nuestra primera tabla tenemos los datos de afluencia como primera variable. En esta
columna nos hacen falta datos.
8. METODOLOGÍA
En nuestro caso:
Dividiremos los centros en
• Urbanos
• Semi Urbanos
• Extra Radio
Disponemos de aproximadamente de
un 50% de datos completos sobre la
afluencia anual a centros comerciales.
Para poder usar TableCurve 2D y
generar una ecuación que nos dé una
fórmula capaz de entregar aproximaciones
de afluencia necesitaríamos datos numéricos
en los dos ejes, X e Y.
En este caso no existen 2 ejes numéricos
relacionados directamente como podría
ser el caso de precio alquiler y gastos
comunes. Esto nos obliga a usar otras
técnicas.
TECNOLOGÍA APLICADA
ENTREGA
PRIMERA
TECNOLOGÍA WI-SEN
Metodología Para encontrar los Datos que Faltan de afluencia de publico
Hemos observado que existe una continuidad en cuanto al volumen de afluencia según si
se trata de centros urbanos o de otro tipo. Dicha relación es más clara que si se intenta ver
alguna relación con la afluencia y el tamaño del centro. Así mismo el número de plazas de
parking no es determinante para predecir la afluencia aunque parecería que debería ser
directamente proporcional. La explicación es que en los centros urbanos y semiurbanos las
plazas de parking son limitadas por la falta de espacio disponible, la falta de este tipo de
servicio en la provincia de Madrid y especialmente en la ciudad de Madrid es un hecho.
Una vez obtenemos la media por tipo de centro de afluencia (solo los datos disponibles
como es obvio), entonces los ordenamos por su tamaño, y aquí sí, vemos en qué proporción
varía según su tamaño con respecto a la media y aplicamos su correspondiente correlación.
10. Oscar CuencaTECNOLOGÍA WI-SEN
La siguiente columna donde no tenemos datos es la de gastos comunes:
Metodología Para encontrar los Datos que Faltan en nuestra columna Gastos Comunes.
Los datos que disponíamos
eran los precios de alquiler
por m2 para un local de
40m2 en todos los centros
comerciales que forman
parte de la provincia de
Madrid.
Los datos que teníamos de
gastos comunes eran
incompletos por lo que
deseábamos encontrar esos
datos de forma predictiva a
partir de la representación
de una curva que reflejase
los datos que teníamos y
que nos proporcionase una
función capaz de arrojar
dichos datos que faltaban
ya que no teníamos infor-
mación suficiente para
determinar dichos gastos
desde un punto de vista
cualitativo debíamos
afrontar dicho problema
desde un punto de vista
cuantitativo.
Hemos usando la ecuación
de Kinetic y el software de
TableCurve 2D para encontrar
estos datos que nos faltan.
Los datos que faltan los
hemos dividido en 3 grupos
para hacer los cálculos por
separado pues la naturaleza
de dichos grupos varía sus_
tancialmente de uno a otro.
Dicha división es:
El resultado ha sido el siguiente.
• Centros Urbanos
• Centros Semi Urbanos
• Centros Extra radio
Tabla original, columna G corresponde a los gastos comunes y F a los precios alquiler por
m2 para 40 m2:
12. Oscar CuencaTECNOLOGÍA WI-SEN
Uso de Kinetic Equation
Los modelos de intercambio cinético son modelos
dinámicos multi-agentes inspirados en la física
estadística de la distribución de energía, que tratan
de explicar las características robustas y universales
de las distribuciones renta / riqueza que bien pueden
extrapolarse a precios de alquiler/gastos comunes en
nuestro caso teniendo dichas variables (renta/riqueza)
y (precio alquiler/gastos comunes) una relación real
entre ambas.
Dado que las distribuciones de ingreso / riqueza y en
el caso que tratamos precios de alquiler / gastos co_
munes son los resultados de la interacción entre
muchos agentes heterogéneos, existe una analogía
con la mecánica estadística, en la que interaccionan
muchas partículas. Esta similitud fue observada por
Meghnad Saha y B. N. Srivastava en 1931 [1] y treinta años más tarde por Benoit Mandelbrot.
[2] En 1986, una versión elemental del modelo de intercambio estocástico fue propuesta por
primera vez por J. Angle [3]
Aunque esta teoría se ha derivado originalmente del principio de maximización de la
entropía de la mecánica estadística, recientemente se ha demostrado [4] que el mismo
podría derivarse también del principio de maximización de la utilidad, siguiendo un modelo
de intercambio estándar con función de utilidad de Cobb-Douglas . Las distribuciones exactas
producidas por esta clase de modelos cinéticos sólo se conocen en ciertos límites y se han
realizado extensas investigaciones sobre las estructuras matemáticas de esta clase de
modelos [5] [6]. Las formas generales no se han derivado hasta ahora.
17. Oscar CuencaTECNOLOGÍA WI-SEN
[1] Saha, M.; Srivastava, B.N. (1931). A Treatise on Heat. Indian Press (Allahabad). p. 105.
(the page is reproduced in Fig. 6 in Sitabhra Sinha, Bikas K Chakrabarti, Towards a physics
of economics, Physics News 39(2) 33-46, April 2009)
[2] Mandelbrot, B.B. (1960). "The Pareto-Levy law and the distribution of income".
International Economic Review. 1: 69. doi:10.2307/2525289.
[3] Angle, J. (1986). "The surplus theory of social stratification and the size distribution of
personal wealth". Social Forces. 65 (2): 293–326. JSTOR 2578675. doi:10.2307/2578675
[4] A. S. Chakrabarti; B. K. Chakrabarti (2009). "Microeconomics of the ideal gas like market
models". Physica A. 388: 4151–4158. doi:10.1016/j.physa.2009.06.038.
[5] Jump up ^ During, B.; Matthes, D.; Toscani, G. (2008). "Kinetic equations modelling wealth
distributions: a comparison of approaches".
Physical Review E. 78: 056103. doi:10.1103/physreve.78.056103.
[6] Jump up ^ Cordier, S.; Pareschi, L.; Toscani, G. (2005). "On a kinetic model for a simple
market economy". Journal of Statistical Physics. 120: 253–277. doi:10.1007/s10955-005-5456-0.
18. TECNOLOGÍA WI-SEN
Ó S C A R C U E N C A R O C A
C h i e f N e w B u s i n e s s a n d I n n o v a t i o n
l i n k e d i n . c o m / i n / c u e n c a o s c a r /
13 Octubre 2017
Próximo Informe