劍橋大學的研究人員解析了 5 個月內用戶發佈在 Twitter 上的星巴克、麥當勞、Dunkin’ Donuts（僅限紐約）相關的 62 萬個打卡數據，同時結合傳統的地理區域數據，利用 Machine learning （機器學習）技術得出一個研究結果：Foursquare 打卡數據有助於星巴克、麥當勞、Dunkin’ Donuts 這樣的速食連鎖店選擇更好的門店地址。
- 運用技術分析店面選址，分析不同商家的不同特色
該研究團隊先分析了影響客流量的傳統區域因素，比如鄰近的商店類型、所在範圍內商店類型是否豐富、是否有吸引人的地標、是否靠近火車站等。接著，他們利用打卡數據分析了哪些是顧客密集區，每個店面的受歡迎程度，不同地點之間的客流特點。接著運用這些資料對 Machine learning 進行訓練，得出各個地址的優劣排名，這個結果可以拿來和這些地址的真實打卡密度比較得出其中的關聯。
- 不同店家有不同的選址考量
該研究團隊發現星巴克、麥當勞、Dunkin’ Donuts 打卡數據模式各有特點。星巴克的打卡總量是麥當勞和 Dunkin’ Donuts 加起來的 5 倍，但該結果忽略的一個事實是曼哈頓的星巴克店面本就是麥當勞和 Dunkin’ Donuts 的 2 倍。而且星巴克建在火車站附近的機率也更大。
三個連鎖店的選擇地址的預測模型各有不同特徵。競爭激烈程度是星巴克預測模型中權重最大的因素，這意味著它在周邊競爭對手較少的時候表現更好；對麥當勞來說，其顧客多來自當前商業區以外，他們往往不太在乎選擇稍遠的店面地址；Dunkin’ Donuts 的顧客則多是購物人群，它的顧客往往會在鄰近的周邊商舖打卡。
這個研究發現，即便有這些差異，不管針對哪家連鎖店，傳統地理特徵和基於 Foursquare 的打卡數據解析出的人員流動特徵相結合都能得到最好的預測結果。如果以紐約全部星巴克門店為基數，店面地址選擇的準確率為 67%，如果以客流密集的店面為基數，準確率為 76%。
（資料來源：fastcolabs；圖片來源：RachelH_, CC Licensed）
