Оценка оптимальной стоимости платных услуг на сайте Avito

Чернышов Дмитрий Олегович

Оценка оптимальной стоимости платных услуг на сайте Avito

В работе рассматривается две задачи. Первая - назначение цен на платные услуги сайта Avito. Данная задача решается с помощью методов кластеризации. В качестве дополнительных характеристик используются уровень автомобилизации, цены на недвижимость, количество организаций и объем платных услуг населению. Принцип назначения цен основан на эмпирической оценке функции спроса. Вторая задача – построение математической модели системы репутации пользователей на сайте Avito. Данная модель адаптирована к искусственным оценкам, цель которых - устранение конкурентов или совершение мошеннических действий.

Общественные науки в целом

Дипломы

Вуз: Санкт-Петербургский государственный университет (СПбГУ)

ID: 587d365f5f1be77c40d58df0

UUID: d1ea2297-80f9-46bc-a671-b99276ecd6a0

Язык: Русский

Опубликовано: около 8 лет назад

Просмотры: 41

Чернышов Дмитрий Олегович

Источник: Санкт-Петербургский государственный университет

Комментировать 0

Рецензировать 0

Скачать - 662410 bytes

Поделиться работой

Санкт-Петербургский государственный университет Кафедра компьютерного моделирования и многопроцессорных систем Чернышов Дмитрий Олегович Выпускная квалификационная работа бакалавра Оценка оптимальной стоимости платных услуг на сайте Avito Направление 010400 Прикладная математика, фундаментальная информатика и основы программирования Научный руководитель, доктор техн. наук, профессор Буре В.М. Санкт-Петербург 2016

Содержание Введение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 Обзор литературы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Глава 1. Сайт Avito . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.1. История сайта . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.2. Статистика сайта . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3. Сервисы и услуги . . . . . . . . . . . . . . . . . . . . . . . . . . 9 Глава 2. Задача установления стоимости платных услуг . . . . . . . 13 2.1. Постановка задачи . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.2. Методы кластеризации . . . . . . . . . . . . . . . . . . . . . . 15 2.3. Эмпирическая оценка стоимости платных услуг . . . . . . . . 19 2.4. Основные результаты и обсуждение . . . . . . . . . . . . . . . 20 Глава 3. Математическая модель репутации пользователей . . . . . . 27 3.1. Постановка задачи . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.2. Метод оценки репутации . . . . . . . . . . . . . . . . . . . . . . 28 3.3. Основные результаты и обсуждение . . . . . . . . . . . . . . . 29 Заключение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 Список литературы . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 Приложение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 2

Введение Данная работа посвящена решению двух задач. Первая из них – определения цен на платные услуги сайта Avito. Эта задача актуальна на сегодняшний день по причине того, что в данный момент на ресурсе существуют неточности в значениях стоимости услуг. Представленный метод решения позволяет пересчитать эти цены с учетом благосостояния каждого региона и дополнительных характеристик каждой категории объявлений. Метод состоит из двух этапов. Первый этап – анализ данных о благосостоянии населения регионов Российской Федерации и проведение процессов кластеризации. Второй этап – проведение опроса пользователей и построение эмпирической оценки функции спроса на вышеуказанные услуги и определении оптимальной цены на них. Статья о разработке данного метода была успешно представлена на международной научной конференции аспирантов и студентов «Процессы управления и устойчивость» Control Processes and Stability (CPS’16). Вторая задача – построение модели репутации пользователей. На данный момент сайт Avito является свободной площадкой для размещения объявлений и не участвует в процессе сделки между пользователями. Это отличает сайт от популярных торговых площадок как, например, eBay. В 2015 году компания 3

Avito приобрела сервис доставки CheckOut, который агрегирует в себе различные способы доставок. Указанный сервис позволит контролировать процесс сделки и, следовательно, получать отзывы о продавцах. В связи с этим, появится необходимость во введении рейтинга продавцов, который будет показывать надежность продавца. В предложенной модели минимизировано влияние искусственного завышения или занижения репутации мошенниками или конкурентами. 4

Обзор литературы В первой части работы, для решения первой задачи, использовался метод кластеризации данных. Такой подход к решению выбран в статье [1]. Данные для кластеризации брались из базы федеральной статистики ЕМИСС. Для всех процессов использовались данные о средней заработной плате [2] и численности населения [3]. В зависимости от категории объявлений, в качестве дополнительных входных параметров были использованы данные о количестве поставленных на учет автомобилей [4], средней стоимости квадратного метра жилья [5], количестве зарегистрированных организаций [6] и объеме предоставленных платных услуг населению [7]. Существующие методы кластеризации описаны в книге [8]. Процессы кластеризации проводились в среде MATLAB с помощью функции k-means, которая реализована в пакете Statistics Toolbox [10]. После проведения процессов кластеризации производилось построение эмпирической оценки функции спроса, принцип которого описан в книге [9]. Во второй части работы, для решении второй задачи использовались статьи, в которых представлена информация о доверии [11] и выборе продавца [12] в области электронной коммерции. Построение модели репутации изложено в статье [13], в которой описываются нюансы и принци5

пы работы системы рейтинга основных торговых площадок. На основе данной статьи предложена новая, адаптированная для сайта Avito, математическая модель. 6

Глава 1. Сайт Avito Avito – один из крупнейших сайтов объявлений в России. На данный момент на активно более 30 миллионов объявлений и миллионы людей ежедневно пользуются этим сервисом. Мобильные технологии позволяют обращаться к этой торговой площадке из любого места, а недавно запущенные сервисы привлекают все больше рекламодателей. 1.1. История сайта Сайт был создан 15 октября 2007 года. Специализировался на товарах повседневного спроса. Помимо публикации объявлений, существовала возможность размещения аукционов, но в 2009 от этой функции было решено отказаться, вместо этого все внимание руководства компании сфокусировалось на работе с объявлениями. В том же году на сайте появился сервис «Магазины», позволяющий размещать на сайте витрины для товаров. • В 2011 году запустились мобильная версия сайта и мобильное приложение. • В 2012 году появились категории «Авто» и «Недвижимость». 7

• В 2013 году произошло слияние Avito и ресурсов OLX.ru и Slando.ru. Запустилась новая категория «Услуги». В этом же году состоялся запуск проекта Domofond.ru. • В 2015 году состоялся запуск сервиса контекстной рекламы «Avito Контекст». 1.2. Статистика сайта • В 2010 году количество уникальных посетителей достигло отметки 10 млн в месяц. • В 2012 году количество уникальных посетителей достигло отметки 10 млн в неделю. • В 2014 году компания заняла 10-е место в рейтинге крупнейших интернет-компаний в России по версии Forbes. • В 2015 году ежемесячная посещаемость ресурса со стационарных устройств составила 25 млн человек, согласно статистике TNS Web Index report. Также в этом году ежемесячная аудитория находилась на уровне 35 млн уникальных посетителей, из которых 10,1 млн человек использовали мобильные устройства, согласно отчету Vostok New Ventures. 8

• Avito входит в ТОП-5 крупнейших сайтов России по версии Liveinternet, а также является наиболее посещаемым российским сайтом в категории «Товары и услуги». 1.3. Сервисы и услуги В данный момент на сайте Avito существуют 10 категорий объявлений: «Авто», «Недвижимость», «Работа», «Услуги», «Личные вещи», «Для дома и дачи», «Бытовая электроника», «Хобби и отдых», «Животные», «Для бизнеса». На сайте предлагаются как новые, так и товары, бывшие в употреблении. Сайт имеет несколько сервисов для бизнеса: • Магазины – сервис, позволяющий открыть на сайте собственную страницу с магазином. Возможность использования как компанией, так и частными предпринимателями. • Промо – сервис, позволяющий создать рекламу, направленную на конкретную аудиторию сайта. • Контекст – сервис, привлекающий пользователей с Avito на страницы интернет-магазинов с помощью контекстной рекламы. • CheckOut – логистический сервис, агрегирующий услуги различных служб доставки. 9

• ActiAgent – инструмент для работы агентов и брокеров. Позволяет управлять своей базой, размещать и отслеживать объявления на площадках, вести клиентов. Помимо представленных сервисов для бизнеса, пользователям предоставляются дополнительные платные услуги. Все они направлены на привлечение внимания потенциальных покупателей теми или иными способами. Премиум-размещение Премиум-объявления отображаются сверху каждой страницы списка результатов поиска и обозначаются соответствующим значком (см. рис. 1). Премиум-объявления упорядочены по дате или цене и соответствуют поисковому запросу, региону и выбранной категории. Рис. 1: Премиум-объявление 10

VIP-объявление VIP-объявления располагаются на странице результатов поиска в специальном блоке и обозначаются соответствующим значком (см. рис. 2). В нем могут располагаться не более 3 VIP-объявлений, поэтому они показываются в случайном порядке. Все VIP-объявления соответствуют поисковому запросу пользователя, региону и категории. Рис. 2: VIP-объявление Поднятие объявления в поиске Поднятие объявления в поиске – услуга, с помощью которой объявление дважды поднимается на верхнюю позицию в списке результатов поиска. Также обозначается соответствующим значком (см. рис. 3). Второе поднятие происходит через 24 часа после первого. 11

Рис. 3: Поднятие объявления в поиске Выделение объявления Выделенные объявления помечаются специальной иконкой и показываются на золотом фоне в общем списке на странице результатов поиска (см. рис. 4). В качестве бонуса после применения услуги объявление однократно поднимается в поиске. Рис. 4: Выделение объявления 12

Глава 2. Задача установления стоимости платных услуг 2.1. Постановка задачи Существование платных услуг порождает задачу установления цен на эти услуги. Функционал сайта позволяет публиковать объявления в любом регионе Российской Федерации. В каждой области различный уровень жизни и благосостояния населения. Кроме того, на сайте публикуются как товары, отдающиеся даром, так и товары, стоимостью несколько сотен миллионов рублей. Это должно приниматься во внимание при назначении цены на дополнительные услуги. С учетом изложенных обстоятельств, возникает задача исследования благосостояния всех регионов. Ввиду большого количества субъектов в Российской Федерации задача исследования благосостояния каждого региона по отдельности становится трудоемкой. Для оптимизации данного процесса можно использовать методы кластеризации данных [1], чтобы получить группы, которые будут содержать регионы с примерно одинаковым уровнем жизни. Стоит разделить все категории следующим образом: «Авто», «Недвижимость», «Работа», «Услуги» и остальные категорий вместе взятые. Данное разделение обосно13

вано зависимостью цен на товары от уровня жизни в конкретном субъекте. Задача состоит в проведении нескольких процессов кластеризации для каждой категории отдельно, учитывая специфику товара в каждой из них. В качестве основных данных для всех категорий объявлений будем использовать среднюю заработную плату [2] и численность населения [3] в соответствующем регионе. Рассмотрим категорию «Авто». По причине того, что стоимость автомобиля не зависит от его местонахождения, стоит учитывать их количество в каждой области. Чем больше автомобилей, тем больше конкуренция. Соответственно возрастает и цена на услуги. Таким образом, в качестве дополнительного параметра будем использовать количество автомобилей, зарегистрированных в конкретной области [4]. В категории «Недвижимость» местонахождение объекта играет главную роль. Следовательно, чем дороже стоимость, например, квартиры, тем дороже услуги для объявления о ее продаже. Дополнительный параметр для данной категории – средняя стоимость квадратного метра жилья по области [5]. Цена на услуги для объявлений категории «Работа» должна зависеть от количества работодателей в конкретной области. В качестве дополнительного параметра используем количество 14

организаций, зарегистрированных в регионе [6]. В категория «Услуги» в роли дополнительного параметра будет использоваться объем платных услуг, оказанных населению области за год [7]. Подробнее с используемыми данными можно ознакомиться в Приложении 1. 2.2. Методы кластеризации Все алгоритмы кластеризации делятся на иерархические и неиерархические [8]. Отличаются они по типу выходных данных. При использовании иерархического алгоритма мы получим результат в виде иерархии кластеров. В случае использовании алгоритма другого типа никакой иерархии у выходных данных не будет. Иерархические алгоритмы включают в себя дивизимные и агломеративные. Принцип работы дивизимного алгоритма основан на объединении всех объектов в общий кластер и последующем разделении этого кластера. Агломеративный алгоритм работает наоборот. Все объекты помещаются в собственные кластеры и только потом объединяются. К неиерархическим алгоритмам относятся плотностные, модельные и итерационные. Принцип работы плотностного алгоритма заключается в представлении кластера как группы объектов, расположенных близко друг к другу. Модельный алго15

ритм выделяет в данных модели, которые и будут являться кластерами. Итеративные алгоритмы основаны на перераспределении объектов между кластерами. На них и остановимся подробнее. Одними из представителей итеративных алгоритмов являются k-means и c-means. Основное действие этих алгоритмов заключается в минимизации расстояния между объектами в кластерах. Для начала выполнения алгоритма необходимо знать нужное количество кластеров. Выбор этого числа может зависеть от результатов прошлых исследований, теории или интуиции. Описание алгоритма k-means Минимизируемой функцией для k-means кластеризации является: J= M X N X d2(xi, ck ), k=1 i=1 xi ∈ X – объект (точка), ck ∈ C – центроид (центр кластера), |X| = N , |C| = M . • Выбираются точки C. Сначала они будут являться центрами кластеров. Выбор центроидов может происходить случайно или вручную. • Объекты перераспределяются по кластерам с помощью минимизации расстояния от объекта кластера до центра. 16

• На момент, когда объекты находятся в кластерах, происходит пересчет центров: PL ci = i=1 xi L , где xi ∈ Cj , а |Cj | = L. • Центроиды считаются стабилизированными, если ci = ci − 1. Выбор количества кластеров – важная часть процесса кластеризации. Если конкретного количества нет, то нужно поступать методом индукции. Провести несколько процессов и сравнить результаты. После получения результатов кластерного анализа нужно оценить, насколько кластеры отличаются друг от друга. Для такой оценки сравниваются средние значения для каждого из кластеров. При правильной кластеризации они должны сильно отличаться. Достоинства k-means: • простой • быстрый • понятный Недостатки k-means: • медленная работа с большими объемами данных 17

Описание алгоритма c-means Этот алгоритм, в отличие от k-means, является нечетким методом кластеризации. Он основан на предположении, что определенный элемент принадлежит определенному кластеру с определенной долей вероятности. Минимизируемая функция: J= M N X X um ij d(xi , ck ), i=1 k=1 где также xi ∈ X – объект, ck ∈ C – центроид, |X| = N , |C| = M . • Выбираем число классов M и меру m: 1 < m < ∞, функцию расстояния d(x, c) и критерий остановки поиска 0 < ε < 1 . Задаем U 0 – матрицу весов принадлежности определенной точки к определенному кластеру. • Вычисляем центры кластеров: PN cj = m i=1 uij xi PN m i=1 uij • Пересчитываем веса: uij = 1 2 PM d(cj ,xi) m−1 k=1 (ck ,xi ) • Проверка условия ||U k − U k−1|| < ε. Если выполняется, то конец алгоритма. 18

Из описанных методов к нашей задаче наиболее подходит k-means. Его основные черты, которые послужат помощью в решении нашей задачи: четкость, простота и быстрая работа. Минусы данного метода не отразятся на результате ввиду того, что объем входных данных является небольшим. 2.3. Эмпирическая оценка стоимости платных услуг Для решения основной задачи потребуется провести эмпирическую оценку функции спроса [9]. Для начала проводится опрос продавцов, которые зарегистрированы продолжительное время и имеют опыт продаж на сайте. Данную процедуру можно реализовать в личном кабинете пользователя. Опрос должен содержать следующие пункты: место жительства продавца, категория (подкатегория) товаров (должны быть доступны только те, в которых пользователь уже совершал сделки) и сумма, которую продавец был бы готов заплатить за каждую из предлагаемых сайтом услуг. Логично предположить, что не все пользователи согласятся пройти данный опрос и некоторые категории (подкатегории) определенных регионов не будут иметь статистических данных. Эта проблема решается наличием кластеров. Все данные будут собираться не для конкретного региона, а для определенного кластера. При этом, следует разделять 19

областные центры, рядовые города, поселки городского типа и села. Получив результаты опроса, построим оценку функции спроса на платные услуги сайта. Далее определяем оптимальную цену на конкретную услугу с учетом доступности пользователю и максимальной прибыли компании. 2.4. Основные результаты и обсуждение Написана программа в среде MATLAB, считывающая базу с данными для кластеризации и автоматически разделяющая столбцы для каждой категории объявлений. Кластеризация проводилась с помощью метода k-means, который реализован в пакете Statistics Toolbox для MATLAB [10]. Количество кластеров определялось эмпирическим путем, и в данном случае количество кластеров для всех категорий равно пяти. Код программы представлен в Приложении 2. Результаты кластеризации для категории «Авто» • 1-й кластер: 9 регионов • 2-й кластер: 47 регионов • 3-й кластер 24 региона 20

• 4-й кластер: 3 региона • 5-й кластер: 1 регион Результаты кластеризации для категории «Недвижимость» • 1-й кластер: 10 регионов • 2-й кластер: 50 регионов • 3-й кластер 21 региона • 4-й кластер: 2 региона • 5-й кластер: 1 регион Результаты кластеризации для категории «Работа» • 1-й кластер: 57 регионов • 2-й кластер: 15 регионов • 3-й кластер 9 региона • 4-й кластер: 2 региона • 5-й кластер: 1 регион Результаты кластеризации для категории «Услуги» • 1-й кластер: 55 регионов 21

• 2-й кластер: 16 регионов • 3-й кластер 9 региона • 4-й кластер: 3 региона • 5-й кластер: 1 регион Результаты кластеризации для остальных категорий • 1-й кластер: 9 регионов • 2-й кластер: 49 регионов • 3-й кластер 22 региона • 4-й кластер: 3 региона • 5-й кластер: 1 регион Подробные результаты представлены в Приложении 3. Оценка функции спроса на услугу «Премиум-размещение» Для примера возьмем г. Санкт-Петербург (четвертый кластер категории «Авто»). Пусть, для определенности, выборка из результатов опроса для услуги «Премиум-размещение» в подкатегории «Автомобили» выглядит следующим образом: 22

1100, 1300, 1000, 1300, 900, 1000, 900, 1500, 800, 900, 700, 1000, 1200, 900, 1400, 1600, 1000, 800, 1000, 700, 700, 1200, 900, 1000, 1200, 1200, 800, 900, 1000, 1000, 1000, 1100, 1000, 1100, 1300, 800, 1100, 1400, 900, 1300, 900, 700, 1100, 1000, 1100, 1100, 1000, 1200, 1300, 1200. Следующим шагом оценим функцию спроса. Для начала упорядочиваем максимально допустимые для опрашиваемых цены на услугу. Результаты представлены во втором столбце. В третьем столбцы указано количество повторений той или иной цены. Далее строим функцию спроса, которая располагается в четвертом столбце. Из результатов опроса замечаем, что никто из опрошенных данную услугу не приобретет по цене, превышающей 1600. При цене, равной 1600, появится только один покупатель. При снижении цены до 1500, услугу смогут позволить себе приобрести уже двое пользователей. Аналогичным образом заполняется весь столбец. В пятом столбце отражена прибыль от продаж услуги по определенной цене. 23

№, i Цена, pi Повторы, Ni Спрос, D(pi ) Прибыль, pi D(pi ) 1 700 4 50 35000 2 800 4 46 36800 3 900 8 42 37800 4 1000 12 34 34000 5 1100 7 22 24200 6 1200 6 15 18000 7 1300 5 9 11700 8 1400 2 4 5600 9 1500 1 2 3000 10 1600 1 1 1600 Ввиду отсутствия издержек, оптимальную цену услуги определить достаточно просто. В нашем случае это та цена, при которой мы получим максимальную прибыль, т. е. 900. Аналогичным образом рассчитаем оптимальную цену на остальные услуги для категории «Авто» подкатегории «Автомобили». 24

Оценка функции спроса на услугу «VIP-объявление» №, i Цена, pi Повторы, Ni Спрос, D(pi ) Прибыль, pi D(pi ) 1 100 3 50 5000 2 200 3 47 9400 3 300 8 44 13200 4 400 9 36 14400 5 500 10 27 13500 6 600 11 17 10200 7 700 3 6 4200 8 800 2 3 2400 9 900 1 1 900 По аналогии с предыдущими расчетами замечаем, что максимальная прибыль будет при цене 400. Это и есть оптимальная цена на данную услугу. 25

Оценка функции спроса на услугу «Поднятие объявление в поиске» №, i Цена, pi Повторы, Ni Спрос, D(pi ) Прибыль, pi D(pi ) 1 0 2 50 0 2 100 10 48 4800 3 200 20 38 7600 4 300 13 18 5400 5 400 5 5 2000 Данная услуга интересна обеим сторонам по цене 200. Оценка функции спроса на услугу «Выделение объявления» №, i Цена, pi Повторы, Ni Спрос, D(pi ) Прибыль, pi D(pi ) 1 0 3 50 0 2 100 11 47 4700 3 200 24 36 7200 4 300 9 12 3600 5 400 3 3 1200 Оптимальная цена этой услуги совпадает с ценой на услугу «Поднятие объявления в поиске», т. е. 200. 26

Глава 3. Математическая модель репутации пользователей На данный момент сайт Avito не участвует в процессе сделки между пользователями и не является гарантом. Данный факт значительно отличает сайт от таких популярных торговых площадок, как Ebay, Amazon, Taobao. В 2015 году компания приобрела сервис доставки Checkout, который является агрегатором доставок для интернет-магазинов, позволяющий выбирать из нескольких способов доставки, таких как ҝПочта Россиињ, SPSR Express, DPD, PickPoint и автоматически расcчитывает стоимость доставки до клиента. 3.1. Постановка задачи Учитывая наличие сервиса доставки и возможность с помощью него контролировать процесс сделки, появится необходимость во введении шкалы репутации продавцов. Следовательно, каждый продавец будет стараться заработать показатель репутации, стремящийся к 100%, т. к. рейтинг показывает надежность [11] и является одним из главных критериев выбора покупателем того или иного продавца [12]. 27

3.2. Метод оценки репутации Оставить отзыв покупатель сможет после совершения сделки в собственном личном кабинете на сайте. Должны быть доступны два варианта отзыва: «Положительный» и «Отрицательный». При расчете они должны иметь значения «1» и «-1» соответственно. Последний подразумевает поле для подробного описания жалобы. Данные отзывы должны обрабатываться соответствующим отделом сотрудников. К сожалению, не исключены случаи искусственного повышения или понижения рейтинга с целью введения в заблуждение потенциального покупателя и проведения в отношении него каких-либо мошеннических действий или устранения конкурентов. Чтобы снизить количество искусственных оценок репутации, нужно ввести сбор, который уплачивается новым пользователем при регистрации на сайте. Данный взнос должен возвращаться на кошелек пользователя спустя некоторое время или после его первой продажи на сайте [13]. Кроме того, оставить отрицательный отзыв о конкретном продавце каждый пользователь может только один раз. Это объясняется тем, что покупатель не будет совершать сделку с человеком, с которым уже был неприятный опыт сотрудничества. Также стоит не принимать первую жалобу на продавца и отклонить ее 28

до появления аналогичной уникальной жалобы. Данные условия помогут минимизировать процент искусственных отзывов и предоставят потенциальным покупателям реальный рейтинг продавца. Для расчета репутации нужно учитывать стоимость товара. Таким образом, вес отрицательного отзыва для более дорогого лота, является большим, относительно отрицательного отзыва для дешевого товара. Это позволит избежать случаев, когда продавец искусственно увеличивает свою репутацию посредством продажи дешевых товаров и совершать в дальнейшем мошеннические действия, предлагая дорогие товары. Следует установить границы ценовых диапазонов и производить расчет репутации отдельно для каждой из них. 3.3. Основные результаты и обсуждение При совершении сделки покупатель оставляет отзыв о продавце. После этого рассчитывается общий рейтинг для всех ценовых диапазонов за текущий месяц. В данном моменте должны учитываться цены на проданные товары. Если рейтинг в i-ом диапазоне < 0.9, то вес отзыва по данному диапазону уменьшается в i раз. Это объясняется тем, что десятая часть отрицательных отзывов может быть допустимой на случаи недо29

понимания между продавцом и покупателем. Если репутация в i-ом диапазоне < 0, то данное значение увеличивается в i раз. Формула для расчета выглядит следующим образом: 3 X 1 cij Mi = , 3n k ij j=1 cij – сумма оценок продавца в j-ом диапазоне цен, за i-ый месяц, kij – количество оценок в j-ом диапазоне цен, за i-ый месяц, а значение n зависит от Nj :    1, Nj ∈ [0.9, 1]     n = j, Nj ∈ [0, 0.9)       1 , Nj ∈ (−∞, 0) j Заключительным этапом расчета рейтинга является учет показателей за предыдущие пять месяцев. Кроме того, нужно учитывать то, что новые показатели репутации важнее, чем прошлые. Поэтому нужно увеличить вес отрицательных отзывов, в зависимости от месяца. Таким образом, значение репутации продавца, которая будет видна зарегистрированному пользователю, рассчитывается за последние полгода и имеет вид: 6 X 1 F = Mi, 6m i=1 30

где значение m зависит     1,        2,     n = 3,      1    2,      1, от Mi: 3 i ∈ [1, 2] i ∈ [3, 4]; Mi ∈ [0, 0.9) i ∈ [5, 6]; Mi ∈ [0, 0.9) , i ∈ [3, 4]; Mi ∈ (−∞, 0) i ∈ [5, 6]; Mi ∈ (−∞, 0) а Mi находится уже по известной формуле: 3 X 1 cij Mi = . 3n k ij j=1 Примеры работы модели Рассмотрим различные сценарии сделок на сайте и изменение репутации продавца. Допустим, что все оценки продавца в текущем месяце были положительными для 1-го и 2-го диапазона и, соответственно, его рейтинг был максимальным. Следующей его оценкой стала «-1» для 3-го диапазона. 31

@ @ @ i k 1 2 3 4 @ @ 1 1 1 1 1 2 1 1 1 1 3 -1 Репутация за предыдущие пять месяцев выглядит следующим образом: j 1 2 3 4 5 6 Mj 0.9 0.9 0.9 0.9 0.9 В результате получим, что за текущий месяц репутация пользователя изменилась с максимальной до −0.33, а общая репутация снизилась с 0.92 до 0.59. Пусть, продавец совершил еще одну сделку с ценой, входящей в 3-ий диапазон. @ @ @ i k 1 2 3 4 @ @ 1 1 1 1 1 2 1 1 1 1 3 -1 1 Тогда рейтинг текущего месяца возрастет до 0.66, а общий станет – 0.79. 32

Пусть продавец имел положительные оценки в 1-ом диапазоне и, соответственно, максимальный рейтинг. @ @ @ i k 1 2 3 4 @ @ j 1 1 1 1 1 1 3 -1 2 3 4 5 6 Mj 0.9 0.9 0.9 0.9 0.9 При получении отрицательной оценки в 3-ем диапазоне, его общая репутация снизится с 0.92 до 0.5. 33

Заключение В работе предложен способ установления стоимости платных услуг на сайте Avito с помощью метода кластеризации данных и эмпирической оценки функции спроса. В среде MATLAB реализована программа, самостоятельно проводящая соответствующие процессы. Учтено благосостояние субъектов Российской Федерации, дополнительные характеристики и специфика категорий объявлений, в которых доступно размещение. Как и следовало ожидать, в самом богатом кластере оказался г. Москва. В четвертом кластере, практически по всех категориях оказались г. Санкт-Петербург, Московская область и Краснодарский край. Построена эмпирическая оценка функции спроса на платные услуги сайта Avito и определена оптимальная цена на них. Кроме того, построена математическая модель репутации пользователей, которая должным образом реагирует на некорректное ведение сделок продавцом, на искусственное завышение или занижение репутации другими пользователями, с целью совершения мошеннических действий или устранения конкурентов. Приведены примеры работы данной модели, которые показывают ее поведение в различных ситуациях. 34

Список литературы 1. Буре В. М., Екимов А. В., Свиркин М. В. Имитационная модель формирования профиля мнений внутри коллектива // Вестник Санкт-Петербургского университета. Сер. 10: Прикладная математика. Информатика. Процессы управления. 2014. № 3. С. 93–98. 2. Среднемесячная номинальная начисленная заработная плата на одного работника по полному кругу организаций // ЕМИСС [Электронный ресурс]: URL:https://fedstat.ru/ indicator/33433 (дата обращения: 02.02.16). 3. Численность населения по итогам Всероссийской переписи населения // ЕМИСС [Электронный ресурс]: URL:https:// fedstat.ru/indicator/37427 (дата обращения: 02.02.16). 4. Обеспеченность россиян автомобилями за год увеличилась на 3,2% // Страховая компания – Группа «АльфаСтрахование»: страховые продукты для частных лиц и корпоративных клиентов [Электронный ресурс]: URL:http://www.alfastrah.ru/news/index.php? ELEMENT_ID=721580&sphrase_id=427814 (дата обращения: 02.02.16). 35

5. Средняя цена одного кв.м общей площади квартир на рынке жилья // ЕМИСС [Электронный ресурс]: URL:https:// fedstat.ru/indicator/31452 (дата обращения: 02.02.16). 6. Количество организаций по данным государственной регистрации // ЕМИСС [Электронный ресурс]: URL:https:// fedstat.ru/indicator/42930 (дата обращения: 02.02.16). 7. Объем платных услуг населению // ЕМИСС [Электронный ресурс]: URL:https://fedstat.ru/indicator/31280 (дата обращения: 02.02.16 8. Charu C. Aggrwal, Chandan K. Reddy Data Clustering: Algorithms and Applications, Chapman & Hall/CRC, 2013. 652 p. 9. Орлов А. И. Эконометрика. Учебник. М.: Экзамен, 2002. 576 c. 10. MathWorks – Makers of MATLAB and Simulink // kmeans clustering [Электронный ресурс]: URL:https:// www.mathworks.com/help/stats/kmeans.html (дата обращения: 10.02.16). 11. Wu F., Li H.- H., Kuo Y.- H. Reputation evaluation for choosing a trustworthy counterparty in C2C e-commerce // 36

Electronic Commerce Research and Applications, 2011. Vol. 18, № 3, P. 428-436. 12. Chang J.- S., Wong H.- J. Selecting appropriate sellers in online auctions through a multi-attribute reputation calculation method // Electronic Commerce Research and Applications, 2011. Vol. 10, № 2, P. 144-154. 13. Panayotis F. A novel reputation-based model for e-commerce // Operational Research, 2013. Vol. 13, № 1, P. 113-138. 37

Приложение Приложение 1. Данные для кластеризации Subject Salary Auto Realty Job Services Popular Алтайский к. 19456 583161 43817 55771 72008070 2419755 Амурская о. 32397 186773 56138 16162 38510697 830103 Архангельская о. 33125 267622 62801 24515 57112136 1227626 Астраханская о. 24576 254538 44484 18737 34874271 1010073 Белгородская о. 23895 419912 50973 35745 70453405 1532526 Брянская о. 20911 240305 32458 22548 42682044 1278217 Владимирская о. 22581 319056 44412 35441 64011050 1443693 Волгоградская о. 22828 605557 40460 55485 120534931 2610161 Вологодская о. 26749 316243 41234 43107 50738910 1202444 Воронежская о. 24001 595522 48315 57481 99563753 2335380 г. Москва 61208 3416540 192292 1138560 1324155941 11503501 г. СПб 40697 1439472 83263 357242 386443870 4879566 Еврейская АО 29439 40961 43099 3362 7364349 176558 Забайкальский к. 29319 259063 49866 16662 38839490 1107107 Ивановская о. 20592 186851 45575 34120 36921299 1061651 Иркутская о. 31408 650905 43619 66204 84474425 2428750 Калининградская о. 26639 299516 50280 53061 41851717 941873 Калужская о. 28248 324509 55878 27990 41290776 1010930 Камчатский к. 53167 145580 61532 11519 27104609 322079 Кемеровская о. 26809 577495 40377 51068 91909532 2763135 Кировская о. 20978 288382 45375 38841 48021746 1341312 Костромская о. 20867 154874 42222 17778 22608490 667562 Краснодарский к. 25777 1426875 57058 139913 360831938 5226647 Красноярский к. 34178 743813 46741 78090 130323566 2828187 Курганская о. 21172 234988 39778 17445 27001010 910807 Курская о. 23099 281770 42101 24230 44706939 1127081 Ленинградская о. 31851 465271 61457 38185 57996751 1716868 Липецкая о. 23133 305113 47769 21692 50959322 1173513 Магаданская о. 62152 42232 51810 5296 13137037 156996 38

Московская о. 38598 2291724 76684 248852 427558186 7095120 Мурманская о. 43378 224305 50123 21552 54787533 795409 Ненецкий АО 65816 8208 82717 1114 2512852 42090 Нижегородская о. 25497 741574 66698 97764 149205526 3310597 Новгородская о. 25225 171210 46645 16384 31720530 634111 Новосибирская о. 27214 711798 55130 142813 129952090 2665911 Омская о. 26205 526059 44873 49088 77460182 1977665 Оренбургская о. 23469 585525 43968 40936 80014487 2033072 Орловская о. 20885 212472 35902 16609 28261033 786935 Пензенская о. 22392 310506 41633 27590 43357959 1386186 Пермский к. 27102 534961 40965 77199 130983732 2635276 Приморский к. 32431 1070204 85047 67834 138156738 1956497 Псковская о. 21004 210781 38332 15992 21039190 673423 Р. Адыгея 20945 110879 38733 7500 11243300 439996 Р. Алтай 22598 41234 42921 6484 3934828 206168 Р. Башкортостан 24988 965133 54922 88888 218847512 4072292 Р. Бурятия 27739 179824 43962 20136 38748437 972021 Р. Дагестан 18194 436537 45641 33869 96395555 2910249 Р. Ингушетия 20993 47441 35438 5347 9582868 412529 Р. К.-Балкария 20323 166828 39648 12646 24030151 859939 Р. Калмыкия 19341 60212 40564 5547 4608485 289481 Р. К.-Черкессия 19746 69767 44006 6964 11757972 477859 Р. Карелия 29371 200143 49087 23520 27318383 643548 Р. Коми 40222 220791 58158 21103 45734516 901189 Р. Крым 17912 649319 52820 22000 8624208 1908322 Р. Марий Эл 20473 113523 41097 15788 19613429 696459 Р. Мордовия 20342 171960 41674 16505 22187369 834755 Р. Саха 51111 165825 82462 26879 67744867 958528 Р. С. Осетия 20311 151152 40030 11862 23268023 712980 Р. Татарстан 28294 988273 58935 118995 229759711 3786488 Р. Тыва 27507 50193 50342 3815 5274981 307930 Р. Удмуртия 23421 345362 45743 38585 52494730 1521420 Р. Хакасия 29085 148008 46198 11727 15786830 532403 39

Р. Чечня 21452 143396 42161 9690 37771099 1268989 Р. Чувашия 20854 217782 42915 25372 39945179 1251619 Ростовская о. 23818 1112274 53667 89297 171447339 4277976 Рязанская о. 24280 337001 46524 34068 37908510 1154114 Самарская о. 25884 868194 54103 110587 144819480 3215532 Саратовская о. 22012 645604 40999 50292 78937770 2521892 Сахалинская о. 54896 140428 79194 17485 44552489 497973 Свердловская о. 29492 1044353 60364 168241 281070867 4297747 Смоленская о. 22279 267081 36361 26946 30038173 985537 Ставропольский к. 22597 660349 34212 56821 130278576 2786281 Тамбовская о. 20757 291562 41476 17813 42424637 1091994 Тверская о. 23866 369476 50692 36057 42022753 1353392 Томская о. 32042 264991 49448 36226 42019997 1047394 Тульская о. 25873 414898 50236 35356 59850535 1553925 Тюменская о. 34125 1015331 59973 46425 66577249 3395755 Ульяновская о. 21272 294758 43875 29023 44894484 1292799 Хабаровский к. 36781 255335 61771 44561 118595549 1343869 Х.-Мансийский АО 57976 458141 58937 41838 92177389 1532243 Челябинская о. 27683 879483 40926 108092 134025764 3476217 Чукотский АО 76285 3385 32924 1208 4228570 50526 Я.-Ненецкий АО 74489 131249 60465 11527 37218937 522904 Ярославская о. 25434 258311 48730 45347 46011792 1272468 40

Приложение 2. Реализация процессов кластеризации в MATLAB clear, clc; Universal = xlsread(’Data for clustering.xls’, ’Лист2’) Universal(:,1) = [ ] Universal(:,1) = [ ] n = size(Universal, 1) m = size(Universal, 2) Clusters = cell(84,1) Auto = zeros(n,1) Realty = zeros(n,1) Job = zeros(n,1) Services = zeros(n,1) Others = zeros(n,1) for i = 1:m if Universal(85,i) == 0 Auto = [Auto, Universal(:,i)] Realty = [Realty, Universal(:,i)] Job = [Job, Universal(:,i)] Services = [Services, Universal(:,i)] Others = [Others, Universal(:,i)] end if Universal(85,i) == 1 Auto = [Auto, Universal(:,i)] end if Universal(85,i) == 2 Realty = [Realty, Universal(:,i)] end 41

if Universal(85,i) == 3 Job = [Job, Universal(:,i)] end if Universal(85,i) == 4 Services = [Services, Universal(:,i)] end end Auto(:,1) = [ ] Realty(:,1) = [ ] Job(:,1) = [ ] Services(:,1) = [ ] Others(:,1) = [ ] Auto(n,:) = [ ] Realty(n,:) = [ ] Job(n,:) = [ ] Services(n,:) = [ ] Others(n,:) = [ ] opts = statset(’Display’,’final’); k = 5; startPositions1 = [0.0 0.0 0.0; 0.2 0.2 0.2; 0.4 0.4 0.4; 0.6 0.6 0.6; 1.0 1.0 1.0]; startPositions2 = [0.0 0.0 0.0; 0.2 0.2 0.2; 0.4 0.4 0.4; 0.6 0.6 0.6; 1.0 1.0 1.0]; startPositions3 = [0.1 0.1 0.1; 0.2 0.2 0.2; 0.3 0.3 0.3; 0.4 0.4 0.4; 1.0 1.0 1.0]; startPositions4 = [0.1 0.1 0.1; 0.2 0.2 0.2; 0.3 0.3 0.3; 0.4 0.4 0.4; 1.0 1.0 1.0]; startPositions5 = [0.0 0.0; 0.2 0.2; 0.4 0.4; 0.6 0.6; 1.0 1.0]; 42

Clusters1 = kmeans(Auto,k,... ’Distance’,’city’,... ’Options’,opts,... ’Start’,startPositions1 ... ); Clusters2 = kmeans(Realty,k,... ’Distance’,’city’,... ’Options’,opts,... ’Start’,startPositions2 ... ); Clusters3 = kmeans(Job,k,... ’Distance’,’city’,... ’Options’,opts,... ’Start’,startPositions3 ... ); Clusters4 = kmeans(Services,k,... ’Distance’,’city’,... ’Options’,opts,... ’Start’,startPositions4 ... ); Clusters5 = kmeans(Others,k,... ’Distance’,’city’,... ’Options’,opts,... ’Start’,startPositions5 ... ); Clusters = [Clusters1, Clusters2, Clusters3, Clusters4, Clusters5] xlswrite(’Clusters.xls’, Clusters, ’C2:G85’) 43

Приложение 3. Результаты кластеризации Subject Auto Realty Job Services Others Алтайский край 3 2 2 2 3 Амурская область 2 2 1 1 2 Архангельская область 2 2 1 1 2 Астраханская область 2 2 1 1 2 Белгородская область 2 2 1 1 2 Брянская область 2 2 1 1 2 Владимирская область 2 2 1 1 2 Волгоградская область 3 3 2 2 3 Вологодская область 2 2 1 1 2 Воронежская область 3 3 2 2 3 г. Москва 5 5 5 5 5 г. Санкт-Петербург 4 4 4 4 4 Еврейская АО 2 2 1 1 2 Забайкальский край 2 2 1 1 2 Ивановская область 2 2 1 1 2 Иркутская область 3 3 2 2 3 Калининградская область 2 2 1 1 2 Калужская область 2 2 1 1 2 Камчатский край 1 1 1 1 1 Кемеровская область 3 3 2 2 3 Кировская область 2 2 1 1 2 Костромская область 2 2 1 1 2 Краснодарский край 4 3 3 4 4 Красноярский край 3 3 2 3 3 Курганская область 2 2 1 1 2 Курская область 2 2 1 1 2 Ленинградская область 3 3 1 2 3 Липецкая область 2 2 1 1 2 Магаданская область 1 1 1 1 1 Московская область 4 4 4 4 4 Мурманская область 1 1 1 1 1 44

Ненецкий АО 1 1 1 1 1 Нижегородская область 3 3 3 3 3 Новгородская область 2 2 1 1 2 Новосибирская область 3 3 2 2 3 Омская область 3 2 2 2 3 Оренбургская область 3 2 2 2 2 Орловская область 2 2 1 1 2 Пензенская область 2 2 1 1 2 Пермский край 3 3 2 2 3 Приморский край 3 3 2 2 3 Псковская область 2 2 1 1 2 Республика Адыгея 2 2 1 1 2 Республика Алтай 2 2 1 1 2 Республика Башкортостан 3 3 3 3 3 Республика Бурятия 2 2 1 1 2 Республика Дагестан 3 3 2 2 3 Республика Ингушетия 2 2 1 1 2 Республика Кабардино-Балкария 2 2 1 1 2 Республика Калмыкия 2 2 1 1 2 Республика Карачаево-Черкессия 2 2 1 1 2 Республика Карелия 2 2 1 1 2 Республика Коми 2 1 1 1 2 Республика Крым 3 2 2 1 2 Республика Марий Эл 2 2 1 1 2 Республика Мордовия 2 2 1 1 2 Республика Саха (Якутия) 1 1 1 1 1 Республика Северная Осетия 2 2 1 1 2 Республика Татарстан 3 3 3 3 3 Республика Тыва 2 2 1 1 2 Республика Удмуртия 2 2 1 1 2 Республика Хакасия 2 2 1 1 2 Республика Чечня 2 2 1 1 2 Республика Чувашия 2 2 1 1 2 45

Ростовская область 3 3 3 3 3 Рязанская область 2 2 1 1 2 Самарская область 3 3 3 3 3 Саратовская область 3 2 2 2 3 Сахалинская область 1 1 1 1 1 Свердловская область 3 3 3 3 3 Смоленская область 2 2 1 1 2 Ставропольский край 3 3 2 2 3 Тамбовская область 2 2 1 1 2 Тверская область 2 2 1 1 2 Томская область 2 2 1 1 2 Тульская область 2 2 1 1 2 Тюменская область 3 3 3 3 3 Ульяновская область 2 2 1 1 2 Хабаровский край 2 3 1 2 2 Ханты-Мансийский АО 1 1 1 2 1 Челябинская область 3 3 3 3 3 Чукотский АО 1 1 1 1 1 Ямало-Ненецкий АО 1 1 1 1 1 Ярославская область 2 2 1 1 2 46

Рецензии:

Авторизуйтесь, чтобы добавить рецензию

- у работы пока нет рецензий -

Отзывы:

Авторизуйтесь, чтобы оставить отзыв