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