BankTradeMap: A data-driven framework based on the Huff model for analyzing how social class diversity influences business attractiveness

Abstract

Comprender cuáles son los factores que influyen en la atractividad de un negocio es uno de los principales intereses de los comercios. Dichos factores, que pueden ser controlables y no controlables, ejercen influencia en su atractividad. Es por ello que se han venido desarrollando diversas técnicas que permitan realizar este análisis, considerando como principales factores de influencia: cercanía, ubicación, instalaciones, moda, cultura, etc; siendo los principales conjuntos de datos empleados los datos de las redes celulares, redes sociales y al modelo de Huff como modelo probabilístico más comúnmente empleado. En la actualidad, el auge en la utilización de medios de pago electrónicos al momento de realizar una transacción monetaria abre la posibilidad de poder también utilizar este conjunto de datos en el análisis de la atractividad de un negocio. Es importante resaltar que la persona que efectúa la transacción utilizando dicho medio de pago es comúnmente conocida como tarjetahabiente y que la entidad financiera emisora de la tarjeta (débito / crédito) ha clasificado a la persona en una clase social (factor de atractividad no controlable) tomando en consideración diversas aristas. El presente trabajo propone BankTradeMap, un framework computacional basado en el modelo de Huff, diseñado para analizar cómo la diversidad de clases sociales influye en la atractividad comercial en contextos urbanos. A partir de 10 millones de transacciones bancarias anónimas y geolocalizadas en Lima y Callao (Perú), se evalúan tres variantes del modelo de Huff: una base (solo distancia), otra incorporando diversidad social a nivel de usuario y una tercera a nivel de transacción. La diversidad se cuantifica mediante la entropía de Shannon aplicada a la distribución de clases sociales por comercio. Esta variable se integra al modelo como un factor multiplicador de atractividad, bajo la hipótesis de que una mayor mezcla social puede asociarse a una demanda más diversa y sostenida. La evaluación del framework se realiza utilizando RMSE entre la probabilidad empírica de visita y la predicha por cada modelo. Los resultados muestran que incluir diversidad social reduce consistentemente el error de predicción, especialmente en usuarios de clase alta (CS3), grupo que además presenta mayor volumen de datos y bancarización. El framework desarrollado contribuye al modelado probabilístico del comportamiento del consumidor mediante la integración de atributos socioeconómicos medibles. Además, abre líneas de investigación para combinar modelos clásicos con aprendizaje automático supervisado y extender el análisis a variables contextuales y temporales. Concluyendo en que la incorporación explícita de diversidad social mejora el rendimiento predictivo del modelo de Huff y demuestra su potencial como componente relevante en sistemas de análisis espacial.Understanding the factors that influence business attractiveness is a key challenge in datadriven marketing, urban and computational analysis. Due to the growing and widespread adoption of electronic payment methods, it is now feasible to analyze large-scale financial transaction data and understand consumer behavior. Among various influencing factors, social class — typically considered uncontrollable — remains underexplored due to limited access to banking data. This paper introduces BankTradeMap, a Huff model-based computational framework designed to analyze how social class diversity influences businesses attractiveness. We analyze approximately 10 million banking transactions and business geolocation records from Lima and Callao, Perú. We implement and compare three versions of the Huff’s model: (1) a baseline model based solely on distance, (2) a variant incorporating user-level social class diversity and (3) another using transaction-based diversity. Model performance is evaluated using Root Mean Squared Error (RMSE) to assess prediction accuracy. Finally, the results show that incorporating social class diversity significantly improves model fit, especially for higher-income groups.