Egzogeniczne formowanie się koalicji na e-rynku oparte na lokalizacji geograficznej
description
Transcript of Egzogeniczne formowanie się koalicji na e-rynku oparte na lokalizacji geograficznej
1
Egzogeniczne formowanie się koalicji na e-rynku oparte na lokalizacji geograficznej
Tomasz Michalak, Uniwersytet Warszawski, 23.11.2009
2
Wprowadzenie Internet to tania i w miarę niezawodna metoda
komunikacji;
Jest przez to naturalnym miejscem podejmowania współpracy między ludzmi
Zajmiemy się dzisaj kooperacją klientów na e-rynku- Czy możliwości kooperacyjne na e-rynku są wykorzystywane?
Światło w tunelu: systemy rekomendacyjne w sklepach internetowych – poprzez napisanie swojej recenzji kooperujemy z innymi użytkonwikami internetu (co mam w zamian?)
3
Modele w Literaturze
Podstawowa idea w literaturze: zniżka ilościowa – większa liczba klientów w grupie ma siłe przebicia by wytargować obniżke ceny.
Yamamoto & Sycara (2001) – proponuje system formowania się koalicji pomiędzy kupującymi, GroupBuyAuction – pozwala on na wchodzenie w koalicje wielu klientów chcących kupić ten sam produkt.
Tsetovat et al. (2003) podobnie ("buying clubs“).
4
Aplikacje w rzeczywistości?
Czy znacie jakieś aplikacje takich systemów w rzeczywistości?
1. Ag Guild z okolic Chicago, korporacja założona przez 35 farmerów – sprzedają plony i kupują ziarno do zasiewu razem
2. the Accompany – e-sklep, „cykl kupowania", zniżka zależała od wielkości grupy (koalicji) klientów jaka sie stworzyła (zbankrutowała)
Czy znacie jakieś inne implementacje w realu?
5
Główne przesłanie Wszystkie powyższe pomysły są teoretycznie ciekawe
ale trudne do zastosowania w rzeczywistości
Inaczej byłyby już używane na większą skale
Spójrzmy na inne sposoby zaoszczędzenia pieniędzy – coś co może okazać się realnym business planem!
Oszczęsności poprzez łączenie przez sprzedawce zamówien z tym samym kodem pocztowym (ZIP-
codes)
6
Przykład Prostego Systemu
Zamiast dostarczania zamówien do domu sprzedawca (e-retailer) dostarcza zbiorczą przesyłkę pod wskazany adres (np. KIOSK RUCHU)
Załóżmy, że koszt wysłania 2 jednostek towaru oddzielnie to £1+£1
A koszt wysłania towaru razem to √(£2) = £1.4142 (graph)
Kpujący/sprzadwca oszczędza 29% na koszcie transportu
Czy to nie za mało? Ilu zamówien z jednego miejsca możemy się spodziewać każdego dnia?
“Show me the money!” (Jerry Maguire)
7
Czy uda się na tym zarobić? (1)Birthday Paradox – what is the probability that two of us have the same birthday?
8
Czy uda się na tym zarobić? (2)
Birthday paradox – generalna formuła:
Teraz policzymy wartość oczekiwaną łączenia zamówien:
3 zamówienia z jednego ZIP-code w czasie 3 tygodni co daje 15 dni roboczych
!365365
!365
365
11...
365
21
365
111
n
nn
9
Czy uda się na tym zarobić? (3)
Koszt wysyłki: c1 c2 c3
Załóżmy, że prawdopodobieństwo złożenia zamówienia jest takie samo każdego dnia
Sytuacja Prawdopodob. Koszt
c1 c2 c3
(c1 c2) c3
c1 (c2 c3)
(c1 c3) c2
(c1 c2 c3)
1*14/15*13/15
1*1/15*14/15
1*1/15*14/15
1*1/15*14/15
1*1/15*1/15
c1+c2+c3
√(c1+c2)+c3
c1+ √( c2+c3)
√(c1+c3)+c2
√(c1+c2+c3)
10
Czy uda się na tym zarobić? (4)
Oczekiwany koszt wysyłki bez CDS: c1+c2+c3
Oczekiwany koszt z CDS:
321
323121
321
225
1225
14225
196
ccc
cccccc
ccc
11
Czy uda się na tym zarobić? (5)Oszczędności dla c1=20; c2=30; c3=30 to:
11.24%
Interpretacja:Profit increase =
Czy to dużo, jeśli zysk to 5% ceny a koszty przesyłki to 15% ceny, nasz system zwiększa zysk o 33.72%.
profitnet
ccc
%24.11 321
12
Cel Naszej Analizy Businessowa analiza takiego systemu Combined
Delivery Service (CDS)
Zapronopowania algorytmu do kombinowania
zamówień, czyje, jak, kiedy?
Jakie kwestie powinny być wzięte pod uwagę?
1. Z punktu widzenia zarządzania stanami magazynowymi
wprowadzenie takie systemu stwarza duże wyzwanie.
2. Prawdopodobieństwo powstania problemów per wysłane
zamówienie znacznie wzrasta – zmniejszenie satysfakcji i
lojalności klientów
3. Ogólnie – cały czas nie jesteśmy pewni czy w długim okresie
czasu taki system przyniesie zysk
13
Model
Jeden E-sprzedawca (E-retailer)
Jeden konkurent (HS-shop, RoW)
2000 klientów
30 różnych dóbr
300 ZIP-codes (6.6 klienta per ZIP – nie dużo!)
E-sprzedawca ma własny magazyn
Symulacje
14
Model
ZIP 1
ZIP 2
ZIP 1
E-retailer
Producer 1
Producer 2
...............
...
Producer m
ZIP r
Hight street shop
15
Funkcja Nieużyteczności (Disutility)
p – cena, równa się cena towaru + koszt wysyłki
d – delivery time, równa się czas przygotowania towaru i czas dostawy
16
Funkcja Nieużyteczności (Disutility)
17
Zarządzanie Magazynemi Planowanie Popytu
Jaki jest perfekcyjny Warehouse Management System?1. Konsument może wybrać z bogatej oferty dostępnych w ciągu
dnai towarówale2. Magazyn jest pusty pod koniec dnia.
Przykład:
2000 – Ilość produktów w katalogu;£50 – średnia cena produktu;10 – średnia ilość danego produktu w magazynie
Średni stan magazynu: 2000*£50*10 = £1.000.000
Realna stopa procentowa: 5%. Sprzedawca traci £50.000 per annum Stany magazynowe = zamrożone pieniądze!!!
18
Zakładamy dwa WMS
“Commitment” WMS – e-sprzedawca ogłasza następny
czas dostawy. Konsumenci składają zamówienia. Towar
jest zawsze przywożony od producentów do magazynu
niezależnie od tego ile włąściwie złożyli zamówien
klienci (graph)
“Doomed-to-default” WMS – tak samo jak powyżej, za
wyjątkiem najważniejszego: tylko te towary są
przywożone do magazynu na które klienci złożyli
wystarczająco zamówień (graph)
19
Zmiany w Satysfakcji (Stf)po E-ZakupieStfn(t=0) = 1 Pozytywny: (disU<E(disU)):
Stfn(t+1)= Stfn(t)*103%
Neutralne: (disU=E(disU):
Stfn(t+1)= Stfn(t)*101%
Negatywne: (disU(HS)>disU>E(disU):
Stfn(t+1)= Stfn(t)*98%
Bardzo Negatywne: (disU>disU(HS)):
Stfn(t+1)= Stfn(t)*95%Satisfaction graphExample
20
Decyzja ZakupuKonsument n kupuje dobro m od e-
sprzedawcy gdy:
W innym przypadku dobro to kupowane jest u konkurencji.
tstf
tmnUtmnU
n
es
,,,,
21
CDS i WMS
CDS I – e-sprzedawca łączy podobne zamówienia, czyli takie, które powinny zostać wysłane tego samego dnia. Zatem z punktu widzenia kupca czas dostawy to punkt w czasie;
CDS II – wprowadzamy czas na przygotowanie do wysłania – daje to więcej czasu na kombinowanie zamówien ale wydłuza czas dostarczenia (Algorithm).
22
Simulacje – Parametry i Pętla Główna
// Randomly choose parameters of i-th consumerZIP = random(from 1 to 300)GOOD = random(from 1 to 30)INCOME = random(from 1 to 50)BETA = random(from 900 to 1100)/1000GAMMA = random(from -1000 to 1000)/10000;
// Create a new customer, an instance of a class – i.e. object which belongs to a class of customers
customer(i) = customer_class(ZIP,GOOD,INCOME,BETA,GAMMA);
FOR i = 1 : 2000
END
23
Parametryzacja
Jak wiemy, bardzo istotna w symulacjach:
Parametry muszą być:
(a) Realistyczne – najlepiej wyestymowane; w innym wypadku kalibrowane;
(b) Produkować stabilne rezultaty – tzn e-sprzedawca nie powinien zbankrutować po pół roku
24
Kalibrowanie Modelu (1)W naszych symulacjach celowaliśmy w około 50%-50%
e/hs-zakupów.
25
Kalibrowanie Modelu (2)
26
Rezultaty – “commitment” WMS
CDS I –zwiększa zyski e-sprzedawcy bez zmiany wielkości sprzedaży i satysfakcji klientów
CDS II – przy wybranej parametryzacji efekty powyższe są silniejsze – satysfakcja wzrasta gdyż niektórzy klienci otrzymują towar wczesniej niz oczekiwali;
27
Results‘Doomed to default’ ScenarioFailure:
(1) Can be caused by the fact that the good ordered by the client is late;
(2) Can be also caused by the fact that the other good in a coalition is delayed
Contagion effect – failure which spreads through all the items in the combined order.
28
Conclusions
This paper demonstrates that combined delivery service can constitute an exogenous coalition formation mechanism.
Rentability of this solution depends on:1. The preferences of the consumers as well as - crucially - on the relation of
shipment costs to the price of goods purchased. 2. Shipment costs can be reduced within the range of as much as 10-20%
(under the assumed parametrisation).
Even the application of simple combined delivery shipment (CDS) algorithms can thus significantly boost the rentability in the e-marketplace as well as induce customers to resort to this form of shopping.
However, with failures in warehouse management systems Pareto-improvements are not guaranteed as some clients loose.
29
Extensions
Design special dedicated disutility function. Time is a quite special variable.
Ultimate goal:
Design a negotiation protocol which enables customers to create shipment coalitions themselves.
How to make customers to reveal their real preferences and to increase both their satisfaction and own profits.
30
Simulations
0 50 100 150 200 250 300 35018
19
20
21
22
23
24
25
Days
Cus
tom
ers
ZIP-code nr 4
31
Warehouse Management – System A
0 50 100 150 200 250 300 350
-10
-5
0
5
10
15
20
25
30
Days
Sto
ck
Warehouse Management - System A
32
Warehouse Management – System B
0 50 100 150 200 250 300 350
-35
-30
-25
-20
-15
-10
-5
0
5
10
15
20
Days
Num
ber
of G
oods
on
Sto
ck
System B
33
Combined Delivery Service (CDS)Surplus
34
Satisfaction (Example)
0 200 400 600 800 1000 1200 1400 1600 1800 20000
0.2
0.4
0.6
0.8
1
1.2
1.4
Customers
Sat
isfa
ctio
n
Satisfaction at day 365
35
Profit – CDS I.1 – System A vs. B
0 50 100 150 200 250 300 350 4000
0.5
1
1.5
2
2.5
3
3.5x 10
4
Days
Net
Pro
fit
Warehouse Management Systems Comparison
36
Algorithm
37
Disutility
38
Sensitivity Analysis
39
CDSs under "commitment" scenario
40
“Doomed to default" scenario