Demographic Differences in the Predictability of Consumer Mobility
Unter Verwendung anonymisierter Kreditkartentransaktionsdaten quantifiziert diese Studie, wie die Vorhersehbarkeit der Mobilität von Konsumenten über demografische Gruppen und zeitliche Skalen hinweg variiert, wobei sie aufzeigt, dass Besuchsequenzen auf Ebene des einzelnen Geschäfts hochgradig vorhersagbar (96–97 %) sind, jedoch auf Ebene der Geschäftstypologie signifikant weniger, wobei zwischen jüngeren Männern und Frauen leichte saisonale Unterschiede beobachtet wurden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Menschliche Bewegungen sind selten zufällig. Wir neigen dazu, dasselbe Café, dasselbe Fitnessstudio oder denselben Supermarkt aufzusuchen, wodurch ein Rhythmus entsteht, der sich Tag für Tag wiederholt. Wissenschaftler, die untersuchen, wie sich Menschen durch Städte bewegen, wissen schon lange, dass diese Muster nicht bloß Gewohnheiten sind; sie sind vorhersehbar. Indem sie die digitalen Fußabdrücke betrachten, die wir hinterlassen – wie etwa die Aufzeichnungen darüber, wo wir unsere Kreditkarten einstecken – können Forscher messen, wie viel unseres zukünftigen Verhaltens bereits in unserer Vergangenheit geschrieben steht. Die Kernidee ist einfach: Wenn wir wissen, wo eine Person war, wie gut können wir erraten, wohin sie als Nächstes gehen wird? Diese Frage bewegt sich an der Schnittstelle zwischen Stadtplanung und Datenwissenschaft und fragt, ob das Chaos des täglichen Lebens eine verborgene Ordnung verbirgt. Die Antwort ist wichtig, denn das Verständnis dieser Grenzen hilft uns, bessere Dienstleistungen zu entwerarten – von Verkehrssystemen bis hin zu lokalen Geschäften –, ohne die Zukunft perfekt vorhersagen zu müssen, sondern vielmehr das Verständnis dafür zu vertiefen, was innerhalb der Grenzen des Vorhersehbaren möglich ist.
Ein Forscher setzte sich zum Ziel, diese Grenzen unter Verwendung einer massiven Sammlung von Kreditkartendaten einer spanischen Bank aus dem Jahr 2011 zu testen. Er versuchte nicht, ein Computerprogramm zu erstellen, um zu erraten, wohin Menschen als Nächstes gehen würden. Stattdessen wandte er eine Methode an, die auf der Informationstheorie basiert, um die theoretische Obergrenze der Vorhersehbarkeit zu berechnen. Stellen Sie sich vor, Sie versuchen, das nächste Wort in einem Satz zu erraten; wenn der Satz sehr repetitiv ist, ist das Erraten einfach. Wenn er zufällig ist, ist das Erraten schwer. Der Forscher wandte diese Logik auf Ladenbesuche an und maß die „Unsicherheit“ in der Historie eines Kunden. Er betrachtete zwei verschiedene Arten, diese Besuche zu betrachten: erstens als Fahrten zu spezifischen, individuellen Geschäften und zweitens als Fahrten zu breiteren Kategorien von Geschäften, wie etwa „Restaurants“ oder „Bekleidungsgeschäfte“. Durch den Vergleich dieser beiden Sichtweisen über verschiedene Altersgruppen, Geschlechter und Jahreszeiten hinweg kartierte er, wie viel Regelmäßigkeit in unserem Ausgabeverhalten existiert und wer den starrsten Mustern folgt.
Die Studie begann damit, die Daten zu filtern, um sich auf aktive Kunden zu konzentrieren, die in einem einzigen Monat zwischen zehn und einhundert Besuche getätigt hatten. Der Forscher analysierte anschließend die Sequenz dieser Besuche. Er fand heraus, dass die Muster extrem stark waren, wenn man sich spezifische Geschäfte ansah. Die Mathematik zeigte, dass, wenn man die vergangenen Besuche einer Person an spezifischen Orten kannte, die theoretische Grenze für das Erraten ihres nächsten Ziels zwischen 96 % und 97 % lag. Das bedeutet, dass für die meisten Menschen die Wahl eines spezifischen Ladens stark durch ihre Vergangenheit bestimmt wird. Als der Forscher diese Besuche jedoch in breitere Kategorien gruppierte, sank die Vorhersehbarkeit. Zu wissen, dass eine Person heute ein „Restaurant“ besucht, machte es etwa 10 Prozentpunkte schwieriger zu erraten, welche spezifische Art von Restaurant sie als Nächstes besuchen würde, im Vergleich zu dem Wissen, dass sie ein spezifisches Restaurant besucht hat. Diese Lücke verdeutlicht, dass unsere stärksten Gewohnheiten an spezifische Orte gebunden sind und nicht nur an allgemeine Arten von Aktivitäten.
Der Forscher untersuchte auch, wie sich diese Muster im Laufe der Zeit und über verschiedene Gruppen von Menschen hinweg veränderten. Er betrachtete Daten aus verschiedenen Jahreszeiten und stellte fest, dass die Vorhersehbarkeit in den Winter- und Sommermonaten etwas höher war als im Frühling und Herbst. Dies deutet darauf hin, dass die Routinen der Menschen während der Extremwerte des Jahres repetitiver werden, vielleicht aufgrund des Wetters oder der Ferienpläne. Als er die Daten nach Alter und Geschlecht aufschlüsselte, zeichnete sich ein klarer Trend ab: Die Vorhersehbarkeit nahm im Allgemeinen ab, wenn Menschen älter wurden. Das bedeutet, dass jüngere Erwachsene dazu neigten, konsistentere Routinen zu haben als ältere Menschen. Es gab auch einen kleinen Unterschied zwischen Männern und Frauen. In kürzeren Zeiträumen, wie etwa einer einzelnen Saison, zeigten jüngere Männer eine etwas höhere Vorhersehbarkeit als Frauen desselben Alters. Wenn der Forscher jedoch die Daten des gesamten Jahres betrachtete, verschwand dieser Geschlechterunterschied, und die Muster für Männer und Frauen wurden nahezu identisch.
Diese Ergebnisse bieten einen präzisen Einblick in die Struktur menschlichen Verhaltens, doch der Autor ist sorgfältig darin, zu definieren, was seine Zahlen bedeuten. Die Zahl von 96 % bis 97 % ist keine Punktzahl, die ein Computermodell in einem Test erreicht hat; sie ist eine theoretische Grenze. Sie repräsentiert das maximale Ausmaß an Vorhersehbarkeit, das in den Daten selbst existiert, unabhängig davon, wie intelligent das Vorhersagewerkzeug sein mag. Die Studie behauptet nicht, dass ein spezifischer Algorithmus diese Zahl erreichen könnte, noch legt sie nahe, dass jeder einzelne Besuch vorhersagbar ist. Stattdessen stellt sie fest, dass die in unserer Transaktionshistorie enthaltenen Informationen reich an Ordnung sind. Die Daten stammen aus dem Jahr 2011, daher spiegeln sie die Zahlungsgewohnheiten jener Ära wider, und sie erfassen nur die Bewegungen, die durch eine einzige Bank aufgezeichnet wurden, nicht jeden Ort, den eine Person besuchen könnte. Doch innerhalb dieser Grenzen sind die Ergebnisse eindeutig: Unser tägliches Leben wird von starken, messbaren Rhythmen geleitet, und diese Rhythmen variieren, je nachdem, ob wir auf ein spezifisches Geschäft oder eine allgemeine Kategorie schauen und wer wir sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.