Seminarium QFRG WNE i DS LAB WNE - 27 listopada
Zapraszamy na trzydzieste dziewiąte seminarium w ramach cyklu spotkań badawczych prowadzonych wspólnie przez QFRG (Quantitative Finance Research Group) oraz DSLab (Data Science Lab). Spotkanie poświęcone będzie tematowi: Beyond Yelp – predicting restaurant closures based on Google Maps data, w ramach którego Tomasz Starakiewicz opowie na ile skutecznie można przewidywać upadłość restauracji wykorzystując informacje dostępne na mapach google, narzędzia analizy języka naturalnego oraz uczenie maszynowe.
QFRG http://qfrg.wne.uw.edu.pl/ jest miejscem prowadzenia badań i wymiany doświadczeń osób zaangażowanych w badanie zjawisk świata inwestycji z perspektywy teorii i praktyki na styku nauki i biznesu.
Działalność DSLab http://dslab.wne.uw.edu.pl/ oparta jest w głównej mierze na projektach akademickich mających na celu pogłębianie wiedzy członków zespołu, dzielenie się nią z innymi zainteresowanymi tematyką Data Science oraz przygotowanie publikacji o charakterze naukowym i dydaktycznym.
Spotkanie odbędzie się 27 listopada 2023 (poniedziałek) o godz. 17:45 online na platformie Zoom.
Link do spotkania:
https://uw-edu-pl.zoom.us/j/97978554927?pwd=ZmorRmNDTThXWFhrV1JmODNWbG9udz09
Spotkanie będzie prowadzone w języku angielskim. Wystąpienie zaplanowane jest na ok. 45 minut, a po nim zapraszamy do dyskusji.
Prosimy o zalogowanie najpóźniej o 17:40. O 17:45 rozpocznie się prezentacja.
Dołączenie do spotkania oznacza zgodę na nagrywanie. Prosimy o wyłączenie kamer i mikrofonów w trakcie prezentacji i wysyłanie pytań do prelegenta na czacie.
Streszczenie wystąpienia:
The restaurant sector is pivotal to firm exit research, influencing economic policy and managerial strategy recommendations. Recent studies using online data are based on geographically limited datasets and have largely omitted temporal dynamics in user interactions. Additionally, these studies rely on manual labeling for text analysis, a resource intensive approach. Our study introduces the first comprehensive, nationwide analysis of restaurant survival using Google Maps data. We analyze all Polish restaurants that have at least one review on google maps. The sample includes almost 41 thousand companies. We enhance the predictive performance of model by incorporating time-sensitive user interactions. Our model controls for established determinants of business exit and proves robust to data quality issues associated with user-provided business directories. We apply an efficient, label-free method for extracting semantic content from reviews, creating useful features for firm exit prediction. We apply a state-of-the-art xgboost algorithm and present an efficient feature selection strategy using hierarchical agglomerative clustering that retains predictive power while reducing model complexity. Our model has broad applications ranging from credit scoring to early-warning systems for business closures and presents a viable alternative to geographically constrained Yelp data.
