Google Maps diam-diam membentuk ulang ekosistem restoran London, dan pembuatan dashboard untuk membedah strukturnya

• Proyek yang mengikis seluruh data restoran di London dan membangun model machine learning untuk menganalisis dampak struktural algoritme Google Maps terhadap kelangsungan hidup usaha kecil di kota
• Peringkat Google Maps bukan sekadar daftar, tetapi berperan sebagai 'pembentuk pasar' yang secara aktif mengatur permintaan melalui sinyal relevance, distance, prominence
• Menunjukkan struktur yang diperkuat secara kumulatif oleh jumlah ulasan, kecepatan datangnya ulasan, pengenalan merek, dan penyebutan di web, sehingga memicu siklus paparan awal → kenaikan permintaan → bertambahnya ulasan → paparan tambahan
• Struktur ini menguntungkan jaringan restoran dan restoran di area pusat, sementara restoran independen baru menghadapi ‘masalah cold start’ karena sulit bahkan untuk ditemukan akibat minim ulasan
• Untuk membedakannya, dibangun model ML yang memprediksi rating yang diharapkan (counterfactual) hanya dari kondisi struktural restoran, lalu menghitung selisih dengan rating aktual sebagai residual, sehingga dapat mengidentifikasi restoran yang dinilai terlalu tinggi atau terlalu rendah oleh algoritme
• Lebih jauh lagi, restoran diagregasi per wilayah untuk menganalisis kekuatan struktural hub restoran dengan PCA dan clustering, memperlihatkan bagaimana platform membentuk ulang ekosistem kuliner kota

---

Google Maps bukan direktori, melainkan market maker

• Berlawanan dengan narasi resmi bahwa Google Maps secara pasif mencerminkan “apa yang disukai orang”, dalam praktiknya ia mengatur permintaan melalui tiga sinyal utama: relevance, distance, prominence
• relevance disimpulkan dari pencocokan teks antara kata kunci pencarian dan metadata bisnis, sedangkan distance adalah faktor spasial murni
• prominence dihitung dari jumlah ulasan, laju ulasan, rating rata-rata, pengenalan merek, visibilitas web, dan lainnya; inilah titik awal pengaruh politik-ekonomi
  • Ini mencerminkan seberapa sering orang berinteraksi dengan, menyebut, dan sudah mengenali sebuah tempat
• Artinya, Google Maps tidak sekadar ‘mencerminkan’ permintaan, tetapi menjadi market maker yang mengaturnya lewat algoritme peringkat

Struktur keunggulan kumulatif dan Matthew Effect

• Visibilitas dalam daftar peringkat menentukan jumlah pengunjung, pengunjung menentukan laju akumulasi ulasan, dan ulasan tersebut kembali masuk ke sinyal prominence, membentuk keunggulan kumulatif
• Ini mirip dengan cara modal bertumbuh secara majemuk di pasar finansial, dan merupakan penerapan Matthew Effect ala Robert Merton pada toko kebab
  • Prinsip “yang punya akan diberi lebih banyak”
• Jaringan restoran diuntungkan oleh pengenalan merek lintas lokasi, dan usaha di area dengan lalu lintas tinggi dapat mengumpulkan ulasan lebih cepat meski kualitasnya sama, sehingga naik dalam peringkat prominence
• Usaha independen baru menghadapi masalah cold-start: tanpa ulasan sulit ditemukan, dan tanpa ditemukan sulit mengumpulkan ulasan
• Apa yang tampak seperti pilihan konsumen yang netral sebenarnya perlu dipahami sebagai desain pasar yang dimediasi algoritme

Platform sebagai market maker

• Dalam ekonomi, market maker bukan sekadar mencerminkan permintaan dan pasokan, tetapi perantara yang secara aktif membentuk likuiditas, matching, dan penemuan harga
• Platform seperti Google Maps menjalankan fungsi serupa pada layanan lokal dengan mengendalikan visibilitas, bukan harga
• Dalam istilah ekonomi digital, algoritme peringkat berperan sebagai attention allocator, mengarahkan permintaan ke pelaku tertentu dan menjauhkannya dari pelaku lain

Kota counterfactual yang dibangun dengan machine learning

• Jika Google Maps adalah market maker bagi permintaan kota, maka pertanyaan utamanya adalah seperti apa kota itu tanpa lapisan amplifikasi tersebut
• Untuk memisahkan kinerja intrinsik restoran dan efek visibilitas platform, dibangun model machine learning
• Menggunakan HistGradientBoostingRegressor (gradient-boosted decision tree dari scikit-learn)
  • Cocok untuk data tabel campuran yang besar dan berantakan, serta mampu menangkap efek interaksi tanpa penentuan manual
• Fitur model:
  • Jumlah ulasan (ditransformasikan log untuk mencerminkan efek penurunan marginal dari perhatian)
  • Jenis masakan, status jaringan/independen, rentang harga, kategori usaha (restoran/kafe/takeaway/bar)
  • Lokasi dalam kota melalui grid spasial

Model klasifikasi jenis masakan dibangun terpisah

• Ditemukan bahwa klasifikasi jenis masakan di Google Maps tidak akurat dan tidak konsisten
  • Banyak yang diberi label ambigu seperti “restaurant”, “cafe”, “meal takeaway”, dan sejenisnya
• Dibangun model klasifikasi terpisah untuk memprediksi jenis masakan dari nama restoran, bahasa menu, dan teks ulasan
• Filter jenis masakan di dashboard didasarkan pada hasil machine learning, bukan tag Google
• Jika jenis masakan salah klasifikasi, analisis keragaman, clustering, dan relasi persaingan jarak jauh akan terdistorsi

Mengukur undervaluation algoritmik dengan rating residual

• Semua fitur melewati pipeline prapemrosesan standar, termasuk imputasi nilai hilang dan encoding
• Model hanya mempelajari pemetaan antara fitur yang dapat diamati di platform dan rating
• Untuk setiap restoran, model menghasilkan counterfactual expected rating
• Selisih antara rating aktual dan rating prediksi adalah rating residual
  • residual positif: kinerja nyata lebih baik daripada baseline platform
  • residual negatif: kinerja lebih lemah daripada yang biasanya dihargai algoritme
• Ini memang bukan ukuran sempurna kualitas makanan, tetapi merupakan indikator kuat untuk algorithmic mispricing
  • Menangkap titik ketika nilai sosial dan kuliner menyimpang dari apa yang secara struktural diperkuat oleh platform

Batas visibilitas iklan berbayar

• Sebagian restoran membayar promoted pins atau iklan pencarian lokal
• Visibilitas berbayar tidak dipublikasikan, sehingga tidak bisa diestimasi
  • Ini menjadi tanda betapa tidak transparannya pengaruh platform
• Ada kemungkinan rating residual juga sebagian mencerminkan belanja iklan yang tidak dapat diamati

Memperkenalkan London Food Dashboard

• Dibuat London food dashboard yang merangkum hasil analisis
• Fitur saat ini: pencarian nama, filter tempat makan underrated yang diidentifikasi algoritme machine learning, jenis masakan, borough, rentang harga, rating minimum, dan jumlah ulasan
• Meski masih versi beta, dashboard ini berfungsi sebagai mikroskop untuk melihat ekonomi pangan algoritmik di London
• Alamat akses: laurenleek.eu/food-map
• Filter “underrated gems” adalah contoh penggunaan residual machine learning
  • Bubble yang lebih besar dan lebih gelap menandai tempat yang dinilai terlalu rendah oleh algoritme

Dari restoran individual ke lingkungan algoritmik

• Restoran tidak gagal sendirian, melainkan gagal di dalam ekosistem
• Untuk menganalisis apa yang terjadi ketika dinamika platform meluas dari restoran individual ke seluruh ekosistem pangan lingkungan, ditambahkan lapisan pemodelan kedua
• Restoran diagregasi ke dalam sel spasial kecil (heksagon di peta, yang lebih baik daripada persegi dalam mengurangi edge effect)
• Dihitung fitur ringkasan tiap area: kepadatan restoran, rating rata-rata, residual rata-rata, total ulasan, rasio jaringan, cuisine entropy, dan rentang harga
• Fitur distandardisasi lalu dijalankan PCA untuk memadatkan keseluruhan “kekuatan ekosistem restoran” menjadi satu hub score kontinu
• K-means clustering diterapkan pada ruang fitur yang sama untuk mengklasifikasikan area menjadi 4 tipe struktur:
  • elite, strong, everyday, weak hub

Hasil analisis hub

• Polanya tampak familier: pusat London mendominasi
• Yang penting bukan lokasi hub, tetapi tipe hub-nya
• Dengan menggunakan hub score keseluruhan, bukan rating mentah, diidentifikasi 5 hub restoran paling kuat secara struktural di London
  • Tempat di mana kepadatan, perhatian algoritmik, kelangsungan hidup usaha independen, dan daya beli konsumen saling selaras
  • Ditandai dengan label di peta
• Demi menghindari pemicu konflik antarkawasan, peringkatnya tidak disebutkan secara eksplisit dalam uraian

Kepadatan jenis masakan dan keragaman kuliner London

• Saat panel kepadatan jenis masakan dioverlay ke analisis hub, hasilnya menjadi lebih jelas
• Keragaman kuliner di London tidak tersebar merata di seluruh ekonomi platform
• Masakan imigran sangat terkonsentrasi di area kota yang secara struktural memiliki visibilitas algoritmik lebih lemah
• Italian, Indian, Turkish, Chinese, Thai, British, Japanese, French, American, fish-and-chips masing-masing mencerminkan sejarah pemukiman, jaringan tenaga kerja, format ritel, dan relasi dengan modal serta sewa yang berbeda
• Sebagian masakan membentuk koridor yang panjang dan berkesinambungan, sementara yang lain muncul sebagai klaster terputus yang terhubung pada pusat komersial atau lapisan pendapatan tertentu
• Keragaman kuliner bukan sekadar selera: ia terkait dengan di mana keluarga menetap, pertokoan mana yang cukup lama tetap terjangkau sehingga generasi kedua bisa membuka usaha, dan bagian kota mana yang mengalami migrasi sebelum ekosistem kuliner menjadi matang

Implikasi kebijakan

• Proyek ini dimulai dari masalah pencarian, lalu berujung pada persoalan yang lebih besar
• Hasil terpentingnya bukan lingkungan mana yang menempati peringkat pertama, tetapi kesadaran bahwa platform kini diam-diam membentuk struktur kelangsungan hidup di pasar kota sehari-hari
• Kancah restoran London tidak lagi diatur hanya oleh selera
  • Ia diatur oleh visibilitas yang bertumbuh secara majemuk, kenaikan sewa ketika penemuan mulai datang, dan algoritme yang membagikan perhatian jauh sebelum konsumen tiba
• Apa yang tampak sebagai “pilihan” semakin menjadi efek hilir dari sistem peringkat

Kebutuhan transparansi dan audit algoritme

• Jika penemuan kini membentuk kelangsungan hidup usaha kecil, maka persaingan, keadilan, dan regenerasi kota tidak lagi bisa mengabaikan sistem peringkat platform
• Pemerintah daerah bisa saja membangun ulang jalan dan melonggarkan perizinan, tetapi ketaktampakan algoritmik tetap dapat mengisolasi sebuah tempat secara ekonomi
• Transparansi platform dan kemampuan audit bukan lagi debat teknologi yang nis, melainkan diam-diam menjadi alat kebijakan ekonomi lokal
• Setidaknya, algoritme peringkat yang berdampak ekonomi sebesar ini harus bisa diaudit
  • Sebagaimana pasar keuangan diaudit, attention market juga perlu diaudit
• Perlu memberi perhatian pada besarnya kekuasaan Google Maps sebagai aplikasi navigasi