Demographic Differences in the Predictability of Consumer Mobility
अनाम क्रेडिट-कार्ड लेनदेन डेटा का उपयोग करते हुए, यह अध्ययन मात्रात्मक रूप से बताता है कि उपभोक्ता गतिशीलता की पूर्वानुमेयता विभिन्न जनसांख्यिकीय समूहों और सामयिक पैमानों में कैसे भिन्न होती है, जो यह प्रकट करता है कि व्यक्तिगत-स्टोर स्तर पर विज़िट अनुक्रम अत्यधिक पूर्वानुमेय (96-97%) हैं लेकिन व्यवसाय-प्रकार के स्तर पर काफी कम हैं, जिसमें युवा पुरुषों और महिलाओं के बीच मामूली मौसमी अंतर देखे गए हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
मानव गतिशीलता शायद ही कभी यादृच्छिक होती है। हम अक्सर एक ही कॉफी शॉप, एक ही जिम, या एक ही किराने की दुकान पर वापस जाते हैं, जिससे एक ऐसी लय बनती है जो दिन-प्रतिदिन दोहराई जाती है। शहरों में लोग कैसे चलते हैं, इसका अध्ययन करने वाले वैज्ञानिक लंबे समय से जानते हैं कि ये पैटर्न केवल आदतें नहीं हैं; वे पूर्वानुमेय (predictable) हैं। हमारे द्वारा छोड़े गए डिजिटल पदचिह्नों को देखकर—जैसे कि हमारे क्रेडिट कार्ड स्वाइप के रिकॉर्ड—शोधकर्ता यह माप सकते हैं कि हमारा कितना भविष्य हमारे अतीत में पहले से ही लिखा जा चुका है। मूल विचार सरल है: यदि हम जानते हैं कि कोई व्यक्ति कहाँ गया है, तो हम कितनी अच्छी तरह अनुमान लगा सकते हैं कि वह आगे कहाँ जाएगा? यह प्रश्न शहरी नियोजन और डेटा विज्ञान के संगम पर स्थित है, जो यह पूछता है कि क्या दैनिक जीवन की अव्यवस्था में एक छिपी हुई व्यवस्था मौजूद है। इस उत्तर का महत्व इसलिए है क्योंकि इन सीमाओं को समझना हमें बेहतर सेवाएँ डिजाइन करने में मदद करता है, जैसे कि ट्रैफिक सिस्टम से लेकर स्थानीय व्यवसायों तक, बिना भविष्य की सटीक भविष्यवाणी किए, बल्कि यह समझने के लिए कि पूर्वानुमान लगाने की संभावना की सीमाएँ क्या हैं।
एक शोधकर्ता ने 2011 में एक स्पेनिश बैंक के क्रेडिट-कार्ड रिकॉर्डों के एक विशाल संग्रह का उपयोग करके इन सीमाओं का परीक्षण करने का निर्णय लिया। उन्होंने यह अनुमान लगाने के लिए कंप्यूटर प्रोग्राम बनाने की कोशिश नहीं की कि लोग अगली बार कहाँ जाएंगे। इसके बजाय, उन्होंने सूचना सिद्धांत (information theory) पर आधारित एक पद्धति का उपयोग किया ताकि पूर्वानुमेयता की सैद्धांतिक सीमा (theoretical ceiling) की गणना की जा सके। कल्पना कीजिए कि आप एक वाक्य में अगले शब्द का अनुमान लगाने की कोशिश कर रहे हैं; यदि वाक्य अत्यधिक दोहराव वाला है, तो अनुमान लगाना आसान है। यदि यह यादृच्छिक है, तो अनुमान लगाना कठिन है। शोधकर्ता ने इन स्टोर दौरों पर इस तर्क को लागू किया, और ग्राहक के इतिहास में "अनिश्चितता" को मापा। उन्होंने इन दौरों को देखने के दो अलग-अलग तरीकों का विश्लेषण किया: पहला, विशिष्ट, व्यक्तिगत स्टोरों की यात्राओं के रूप में, और दूसरा, दुकानों की व्यापक श्रेणियों, जैसे कि "रेस्तरां" या "कपड़ों के स्टोर" की यात्राओं के रूप में। विभिन्न आयु, लिंग और वर्ष के समय के अनुसार इन दो दृष्टिकोणों की तुलना करके, उन्होंने यह मानचित्रित किया कि हमारे खर्च करने के जीवन में कितनी नियमितता मौजूद है और कौन सबसे कठोर पैटर्न का पालन करता है।
अध्ययन ने सक्रिय ग्राहकों पर ध्यान केंद्रित करने के लिए डेटा को फ़िल्टर करने के साथ शुरुआत की, जिन्होंने एक महीने में दस से सौ दौरों के बीच की यात्राएं की थीं। फिर शोधकर्ता ने इन दौरों के क्रम का विश्लेषण किया। उन्होंने पाया कि जब विशिष्ट स्टोरों को देखा गया, तो पैटर्न अविश्वसनीय रूप से मजबूत थे। गणित ने दिखाया कि यदि किसी व्यक्ति के विशिष्ट स्थानों के पिछले दौरों की जानकारी हो, तो उनके अगले पड़ाव का अनुमान लगाने की सैद्धांतिक सीमा 96% और 97% के बीच थी। इसका अर्थ यह है कि अधिकांश लोगों के लिए, एक विशिष्ट स्टोर का उनका चुनाव उनके इतिहास द्वारा अत्यधिक निर्धारित होता है। हालाँकि, जब शोधकर्ता ने उन्हीं दौरों को व्यापक श्रेणियों में समूहीकृत किया, तो पूर्वानुमेयता कम हो गई। यह जानना कि कोई व्यक्ति आज एक "रेस्तरां" में जाता है, यह अनुमान लगाने को लगभग 10 प्रतिशत अंक कठिन बना देता है कि वे अगले विशिष्ट प्रकार के रेस्तरां में कहाँ जाएंगे, तुलनात्मक रूप से इस बात के कि उन्होंने एक विशिष्ट रेस्तरां का दौरा किया था। यह अंतर प्रकट करता है कि हमारी सबसे मजबूत आदतें सामान्य गतिविधियों के बजाय विशिष्ट स्थानों से जुड़ी होती हैं।
शोधकर्ता ने यह भी जांचा कि ये पैटर्न समय के साथ और विभिन्न समूहों के बीच कैसे बदलते हैं। उन्होंने अलग-अलग मौसमों के डेटा का विश्लेषण किया और पाया कि वसंत और शरद ऋतु की तुलना में सर्दियों और गर्मियों के महीनों में पूर्वानुमेयता थोड़ी अधिक थी। यह सुझाव देता है कि लोगों की दिनचर्या वर्ष के चरम महीनों के दौरान अधिक दोहराव वाली हो जाती है, जो संभवतः मौसम या अवकाश कार्यक्रमों के कारण होती है। जब उन्होंने डेटा को आयु और लिंग के आधार पर विभाजित किया, तो एक स्पष्ट रुझान सामने आया: जैसे-जैसे लोग बड़े होते गए, पूर्वानुमेयता आम तौर पर घटती गई। इसका अर्थ है कि वृद्ध लोगों की तुलना में युवा वयस्कों की दिनचर्या अधिक सुसंगत थी। पुरुषों और महिलाओं के बीच भी एक छोटा अंतर था। कम समय के अंतराल में, जैसे कि एक ही सीजन में, युवा पुरुषों ने महिलाओं की तुलना में थोड़ी उच्च पूर्वानुमेयता दिखाई। हालाँकि, जब शोधकर्ता ने पूरे वर्ष के डेटा को देखा, तो यह लैंगिक अंतर समाप्त हो गया, और पुरुषों एवं महिलाओं के लिए पैटर्न लगभग समान हो गए।
ये निष्कर्ष मानव व्यवहार की संरचना पर एक सटीक दृष्टि प्रदान करते हैं, लेकिन लेखक सावधानीपूर्वक यह परिभाषित करते हैं कि उनके नंबरों का क्या अर्थ है। 96% से 97% का आंकड़ा वह स्कोर नहीं है जिसे एक कंप्यूटर मॉडल ने परीक्षण में प्राप्त किया है; यह एक सैद्धांतिक सीमा है। यह डेटा के भीतर मौजूद अधिकतम पूर्वानुमेयता का प्रतिनिधित्व करता है, चाहे भविष्य बताने वाला उपकरण कितना भी स्मार्ट क्यों न हो। अध्ययन यह दावा नहीं करता कि कोई विशिष्ट एल्गोरिदम इस संख्या तक पहुँच सकता है, न ही यह सुझाव देता है कि प्रत्येक एकल दौरा पूर्वानुमेय है। इसके बजाय, यह स्थापित करता है कि हमारे लेनदेन इतिहास में मौजूद जानकारी व्यवस्था से समृद्ध है। डेटा 2011 का है, इसलिए यह उस युग की भुगतान आदतों को दर्शाता है, और यह केवल एक बैंक द्वारा रिकॉर्ड किए गए आंदोलनों को ही पकड़ता है, न कि हर उस स्थान को जहाँ कोई व्यक्ति जा सकता है। फिर भी, उन सीमाओं के भीतर, परिणाम स्पष्ट हैं: हमारा दैनिक जीवन मजबूत, मापने योग्य लय द्वारा संचालित होता है, और वे लय इस पर निर्भर करती हैं कि हम एक विशिष्ट दुकान को देख रहे हैं या एक सामान्य श्रेणी को, और हम कौन हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।