Публикация научных статей.
Вход на сайт
E-mail:
Пароль:
Запомнить
Регистрация/
Забыли пароль?
Вакпрофи. Публикация статей ВАК, Scopus
Научные направления
Поделиться:
Разделы: Экономика
Размещена 05.11.2018. Последняя правка: 06.11.2018.

Исследование алгоритмов рекомендательных сервисов с персонализированным ценообразованием

Дмитриев Виктор Андреевич

Студент

НИУ Высшая Школа Экономики

Студент магистерской программы "Системы Больших Данных"

Пахолкова Анна Юрьевна, студент магистерской программы, НИУ Высшая Школа Экономики. Консультант: Иванова Татьяна Борисовна, доцент кафедры общей экономики ВГУ


Аннотация:
Среди последних трендов Интернет-маркетинга можно выделить рекомендательные системы. Рекомендательные системы – специальные приложения, ориентированные на предсказание интересов и потребностей потенциальных клиентов Интернет-магазинов, являющиеся удобным инструментом выбора при покупке товаров и услуг в Интернет-магазинах. Принципиально важным является то, что рекомендательные сервисы полезны и удобны одновременно и для пользователя, и для Интернет-магазина. Пользователь, прежде всего, обладает удобством и интуитивностью выбора. В то же время, для магазина открываются такие возможности как увеличение среднего чека и выручки на визит, альтернативная навигация во всем множестве товаров и источник информации о клиентах. Стоит отметить, что современные рекомендательные сервисы повышают наполненность онлайн-корзин на 12-60%, что обычно зависит от профильной направленности продукции.


Abstract:
Among the latest trends in Internet marketing can be identified recommendation systems. Recommender systems are special applications focused on predicting the interests and needs of potential customers of online stores, being a convenient tool of choice when purchasing goods and services in online stores. It is fundamentally important that recommendatory services are useful and convenient at the same time for the user and for the online store. The user, above all, has the convenience and intuitiveness of choice. At the same time, the store offers opportunities such as an increase in the average check and revenue per visit, alternative navigation in the entire set of products and a source of information about customers. It should be noted that modern reference services increase the fullness of online baskets by 12-60%, which usually depends on the profile of the product.


Ключевые слова:
рекомендательный сервис; контентная фильтрация; коллаборативная фильтрация; персонализрованное ценообразование

Keywords:
advisory service; content filtering; collaborative filtering; personalized pricing


УДК 330.837.1

1. Введение

Ясно, что с экономической точки зрения рекомендательные сервисы – это, прежде всего, дополнительный источник дохода для Интернет-магазина. Данный источник может быть реализован, с одной стороны, путем уменьшения неопределенности клиента, связанной с принятием решения при выборе между аналогичными продуктами, и, с другой стороны, путем предоставления персонализированной цены каждому отдельно взятому покупателю. Дик Бергеман и Деран Озмен в своей статье “Optimal Pricing Policy with Recommender Systems” уделили внимание рассмотрению первой стороны вопроса, т.е. неопределённости [3]. Они связывали данную неопределенность с двумя факторами: во-первых, неопределенность в отношении своего собственного вкуса и, во-вторых, неуверенность в просматриваемом товаре. Более поздние исследования были посвящены, как уже было упомянуто ранее, выставлению персонализированной цены внутри рекомендательного блока. Тосихиро Камишима и Шотаро Акахо посвятили свою статью “Personalized Pricing Recommender System” описанию рекомендательной системы, способной проводить ценовую дискриминацию на основе данных о текущем покупателе [5].

1.1 Актуальность

Одним из пяти Интернет-трендов, упомянутых финансово–экономическим журналом Forbes, является индивидуальный подход к клиенту («The Best Service is Still No Service For Many») [4]. Актуальность работы заключается в актуальности современных рекомендательных систем и отсутствии качественно проработанных русскоязычных работ, посвященных анализу алгоритмов в персонализированных рекомендательных сервисах.

1.2 Цель, задачи, методы

Целью данной статьи является исследование алгоритмов персонализированного ценообразования в рекомендательных сервисах Интернет-магазинов.

Для достижения поставленной цели необходимо решить следующие задачи:

  1. Анализ релевантной литературы;
  2. Моделирование алгоритмов персонализированных рекомендательных систем на реальных примерах.

Основными методами исследования являются:

  1. Анализ;
  2. Моделирование.

1.3 Научная новизна

Рекомендательные системы являются одним из мощнейших инструментов Интернет-маркетинга, который реализуют онлайн-магазины сегодня. Однако, несмотря на это, исследовательских работ, которые могут объяснить устройство и алгоритмику рекомендательных систем, с точки зрения персонализированного ценообразования, довольно мало, особенно в русскоязычной литературе. Научная новизна заключается в глубоком анализе релевантных алгоритмов персонализированного ценообразования в рекомендательных системах Интернет-магазинов, который не был ранее реализован в русскоязычной литературе.

2. Основные предпосылки

Как утверждают авторы статьи
[5], рекомендательные системы добились больших успехов, однако полностью раскрыть свой потенциал до сих пор не смогли. Существующие системы принципиально ограничены: хотя они и показывают элементы, которые предпочли бы клиенты, они не способны извлекать всю сумму, которую клиенты готовы заплатить. К несчастью, система не может вести себя как клерк в реальном магазине. Впервые проблеме персонализированной цены в Интернете уделили внимание Карл Шапиро и Хэл Вэриан в своей книге “Information Rules” [6]. Они указали на невероятные возможности, скрывающиеся в недрах Интернета. Сравнивая Интернет- торговлю с офлайн-торговлей, они рассмотрели пример продажи билетов авиакомпаниями. При продаже онлайн, авиакомпании могут корректировать цены в реальном времени с использованием изощренных программ управления доходом. Таким образом, в настоящий момент все больше авиакомпаний получают возможность избавляться от всех непроданных билетов в самолеты, вылетающие в скором времени, минимизируя тем самым значительную часть издержек авиакомпаний, связанную с простоем самолетов. При продаже авиабилетов офлайн, компании лишены такой возможности. Хотя они рассмотрели только примеры ценовой дискриминации в Интернете, никаких формальных моделей введено не было.

Следующим этапом развития данной теории была статья Кристофера Авери, Пола Резника и Ричарда Зекхаузера “The Market for Evaluations”, опубликованная в 89 выпуске журнала American Economic Review [2]. В данной статье впервые вводится формальная модель, которая описывает взаимодействие между продавцом, имеющим рекомендательную систему и покупателем, с учетом присутствия на рынке доминирующей фирмы (“competitive fringe”). Кроме того, они утверждали, что проблема оптимального ценообразования в рекомендательных системах имеет двойственную природу: во-первых, необходимо понять при какой цене захваченная доля рынка будет наибольшей и, во-вторых, какую цену необходимо установить, чтобы оптимально распределить покупателей в многообразии продуктов так, чтобы собрать достаточное количество информации о каждом продукте.

В целом, исследования в данной области посвящены скорее описанию возможных видов и примеров ценовой дискриминации в Интернет-торговле, чем созданию и исследованию формальных моделей. Однако, две статьи ([3], [5]), анализ которых будет проведен в рамках данной статьи, описывают именно моделирование и возможную реализацию подобных формальных алгоритмов.

3. Общие положения

Говоря об оптимальном ценообразовании, необходимо вспомнить различия между тремя известными родами ценовой дискриминации, определенными ранее упомянутыми К. Шапиро и Х. Вэрианом. Итак, дискриминация первого рода – каждому покупателю предлагается своя цена (изымается весь потребительский излишек); второго рода – назначение различных цен в зависимости от объемов покупки (например, версификация товаров); третьего рода – групповая дискриминация (выделение нескольких групп и назначение персонализированной цены каждой из них). На данном этапе анализа нас будет интересовать дискриминация первого рода, другими словами, назначение персонализированных цен.

В случае с введением ценовой дискриминации первого рода возникает ряд проблем. Даже если не учитывать тот факт, что это нелегально, есть проблема определения готовности текущего покупателя платить за товар, то есть невозможно различить тип покупателя при одном взгляде на него. Другими словами, персонализированное ценообразование требует эффективного измерения потребительских предпочтений. Для этого ритейлер должен в некотором роде проводить маркетинговые исследования для определения индивидуальных стратегий ценообразования. Не вдаваясь в термины теории сигналов и сканирования, следует сказать, что различить тип текущего покупателя в офлайн-магазине зачастую невозможно. Однако, совсем иначе дело обстоит с онлайн-торговлей. У онлайн-ритейлеров есть целый ряд инструментов для осуществления ценовой дискриминации. Так, дискриминация первого рода может быть достигнута, например, с помощью технологии анализа истории покупательских привычек. Огромные Интернет-магазины, такие как Amazon, легко анализируют операции с использованием данных по истории покупок текущих клиентов. Говоря об Amazon, следует отметить, что Amazon принимает участие во многих видах персонализированных маркетинговых и ценовых схем, ведь они имеют целую инфраструктуру для сбора и анализа информации о поведении потребителей. В то же время, в случае офлайн-торговли таких механизмов сбора информации о транзакциях клиентов не существует, исключая, разве что программы лояльности и дисконтные программы клиента, в которых обычно участвует малая доля всех потребителей.

Теперь необходимо понять какие именно системы сбора информации о клиентах существуют у Amazon. Итак, внутри компании активно используется рекомендательная система коллаборативной фильтрации товаров для определения рекомендаций для книг, видео и многих других товаров. Что же такое коллаборативная фильтрация товаров? Есть два способа внедрения таких рекомендательных блоков. Не вдаваясь в подробности моделирования и машинного обучению, я просто поясню работу таких систем на двух простых примерах. Во-первых, это простые системы фильтрации, сравнивающие меру близости двух покупателей между собой и выстраивающие рекомендации на основе этой близости. Например, если Аня любит фильмы Стивена Спилберга, а другие люди, которые купили те же фильмы Стивена Спилберга, что и Аня, также купили фильмы Квентина Тарантино, то рекомендательный сервис будет предлагать Ане купить фильмы, снятые Тарантино. Во-вторых, системы коллаборативной фильтрации могут включать в себя различные рейтинги. Например, Аня купила и поставила ее новому смартфону IPhone 6 оценку в 5 звезд. Кроме того, Аня и многие другие покупатели, купившие и высоко оценившие IPhone 6, также приобрели к нему кожаный чехол Case. На основе этого рекомендательная система будет впоследствии предлагать всем покупателям, просматривающим IPhone 6, в дополнение купить чехол Case.

Переходя к возможным способам ценовой дискриминации внутри рекомендательной системы, я также рассмотрю простой пример. Пусть человек купил IPhone 6, однако не купил чехол Case. Для извлечения дополнительного дохода онлайн- система должна быть запрограммирована так, чтобы отправлять письмо по электронной почте с указанием того, что кожаный чехол Case в данный момент продается по сниженной цене (очевидно, что эта цена выше закупочной), до тех пор пока человек не зайдет на сайт по отправленной ссылке и не увидит, что он действительно продается по такой цене. Вся суть дискриминации в том, что все остальные покупатели, которым раньше не был рекомендован кожаный чехол и которые, соответственно, не получали письмо на электронную почту, видят данный чехол на сайте по обычной цене.

Наконец, интересен тот факт, что в одних сферах Интернет-торговли предприниматели уже научилась получать значительный дополнительный доход, используя рекомендательные системы, в то же время другие сферы онлайн-торговли очевидно страдают без сопутствующего дохода. Так, например, для автомобилей или бытовой техники и электроники этот процент минимален, напротив, для книжных или музыкальных онлайн-маркетов доход от работы сервиса стремится к половине от всей выручки магазина. Аналитики и экономисты связывают этот факт с тремя основными воздействующими на индивида факторами: сумма (сумма обратно пропорциональна доли дохода магазина от рекомендательной системы), потребительское восприятие важности товара (обратная зависимость), скидки и распродажи (прямая зависимость). В дальнейшей части статьи я перейду непосредственно к анализу основных статей [3] и [5].

4. Анализ релевантной литературы

Как было сказано ранее, данная статья [1] посвящена ведению оптимальной ценовой политики, связанной с моделированием рекомендательных систем. Авторы статьи указывают на то, что с зарождением Интернет-торговли, появилась возможность аккумулировать огромным количеством данных, что, безусловно, является хорошим шансом проводить более персонализированную ценовую дискриминацию. Конечно, одним из особенных способов аккумулирования данными является использование рекомендательных систем. Рекомендательные системы помогают покупателям принимать более осознанные решения, и, таким образом, приносят дополнительную прибыль продавцу. Однако, сразу же авторы выявляют проблему, следующую из преимущества:

  • преимущество координации, которая исходит из того, что, если продавец имеет большое количество клиентов, то он может делать более точные рекомендации и, таким образом, привлекать больше клиентов;

  • кажется, что это превосходно, тем не менее, присутствует и "внутренний эффект конкуренции", который появляется в связи с тем, что при большом количество клиентов, покупающих один конкретный продукт в определенное время, другим приходится откладывать покупку этого продукта и быть направленными на другие продукты для ожидания.

В соответствии со сказанным в введении, статья “Personalized Pricing Recommender System” [5], написанная Тосихиро Камишима и Шотаро Акахо, посвящена описанию рекомендательной системы, способной проводить ценовую дискриминацию на основе данных о текущем покупателе. Свое повествование они начали с того факта, что на данный момент рекомендательные системы весьма ограничены и не раскрывают полностью весь свой потенциал, по крайней мере, в части ценообразования. В связи с чем они предлагают свою модель Personalized Pricing Recommender System (PPRS), т.е. рекомендательной системы, обладающей функцией персонализированного ценообразования. В качестве одного из примеров классического персонализированного ценообразования они приводят сети фастфудов, в которых точки продаж, находящиеся в различных регионах, дифференцируют цены на свой товар. Однако, сразу же они обозначают одну из основных проблем персонализированных цен – возможность спекуляции (перепродажи) гамбургеров из регионов с дешевой ценой в регионы с более высокой ценой. Решение данной проблемы авторы видят в дальнем расположении друг от друга торговых точек с различными ценами, что, с одной стороны, требует от спекулянтов дополнительных издержек на транспортировку и, с другой стороны, уменьшает себестоимость давно приготовленных гамбургеров.

Кроме того, авторы статьи утверждают, что уже были предприняты попытки внедрения рекомендательных систем с персонализированным ценообразованием, однако эти попытки были неудачны. Они предполагают, что проблемы, обнаруженные в результате их внедрения, можно избежать, если быть более “искренними” с клиентами и более открытыми в отношении продолжительности программ скидок. Под искренностью они понимают тот факт, что системы должны уведомлять своих клиентов, как только начинаются соответствующие программы. В качестве мер борьбы с проблемой расплывчатых сроков скидок, авторы предлагают показывать предмет по сниженной цене только в том случае, если клиент видит его впервые, в следующий раз – предмет будет показан без скидки. Если сообщить клиентам об этом, то это поможет избежать проблем с так называемыми задержанными покупками. Кроме того, я считаю, что это может положительно повлиять на ранее выявленную проблему спекуляций. Ведь единоразовая скидка будет препятствовать делать покупку спекулянту, так как обычно ему необходимо время для поиска каналов сбыта приобретаемого продукта.

Соответственно, нам следует описать предлагаемую авторами модель рекомендательной системы персонализированного ценообразования. Под персонализированным ценообразованием в данном случае они понимают назначение скидок определенным группам клиентов. Поэтому авторы выделяют три группы покупателей, основываясь на их реакции в системе:

  • стандартные (standart) – те, кто готов купить товар по стандартной цене;

  • чувствительные к скидкам (discount) – те, кто готов купить товар только со

    скидкой;

  • безразличные (indifferent) – те, кто не купит товар ни по стандартной цене, ни по скидке для себя.

Очевидно, что извлечение максимальной прибыли предполагает назначение скидки только чувствительным к скидке клиентам, а стандартной цены – стандартным пользователям. Безразличным клиентам также следует назначать стандартную цену, ведь они все равно не купят при обычных условиях, но при скидках могут купить с целью перепродажи. Построим матрицу выигрышей, основываюсь на ранее выявленных типах:

Тип действия 

Стандартный (S)

Чувтсвительный к скидкам
(D)

Безразличный (I)

Купил

𝛼

𝛽

0

Не купил

0

0

𝛾

Как можно проследить в Табл. 1, суммарные выигрыши владельца системы от покупки стандартными и чувствительными клиентами равны 𝛼 и 𝛽, соответственно, причем 𝛼 < 𝛽. Выигрыш 𝛾, рассматриваемый в ситуации, когда безразличный покупатель не покупает товар, можно определить как потенциальный выигрыш от того, что он не купил товар с целью дальнейшей перепродажи, и продавец не потерял будущего потенциального клиента, ясно, что 𝛾 ≪ 𝛼, 𝛽

После чего, определив и описав модель, авторы статьи указывают на три классические проблемы в моделировании PPRS:

  • Неоднозначность наблюдений (Ambiguity in Observation) определяется тем, что система точно не знает какого типа клиент перед ней (неопределенность);

  • Проблема нарушения баланса классов (The Class Imbalance Problem) заключается в том, что в одном классе экземпляров гораздо больше, чем в другом, поэтому новый пользователь, попадающий в систему, имеет высокую вероятность быть неправильно классифицированным;

  • Проблема эксплуатационно-разведочного компромисса (An exploitation– exploration Trade-Off) возникает в случае сбора данных для прогнозирования. Для проверки правильности текущего предсказания, системе необходимо собирать обучающие данные, идентифицируя покупателей неправильно. Однако, когда система определяет чувствительного к скидкам покупателя как стандартного, то продавец теряет часть прибыли, равную 𝛼 − 𝛽. Соответственно, если система будет принимать такие решения слишком часто общая прибыль продавца будет снижена. Таким образом, баланс между сборам данных для прогнозирования и максимизацией прибыли и получил название проблемы эксплуатационно- разведочного компромисса.

Решение данных проблем авторы статьи видят в использовании многоступенчатой классификации. Под многоступенчатой классификацией они понимают классификацию состоящую из двух стадий: предварительного обследования (prescreening) и основного скрининга (main stage). Цель предварительного обследования заключается в выявлении безразличных клиентов, что помогает в борьбе с проблемой нарушения баланса классов, ведь большинство пользователей без дополнительных знаний о них определяются как безразличные. Основная стадия подразделяется еще на две подстадии: стандартная и скидочная, притом на стандартной стадии пользователи могут определиться как стандартные или могут перейти в скидочную стадию, где они будут определены либо как скидочные, либо как безразличные клиенты. Более того, подход многоступенчатой классификации помогает в решении проблемы неоднозначности наблюдений, так как в результате работы нескольких стадий количество собираемых данных для анализа увеличивается, что помогает более точно определять тип покупателя. 

5. Заключение

В случае Интернет-магазина следует рассматривать процесс персонализации Интернет-страницы, который предлагают рекомендательные системы. В рамках данной статьи был проведен анализ литературы по установленной теме и проанализированы различные алгоритмы персонализрованной фильтрации товаров в рекомендательных системах Интернет-магазинов. Как оказалась, рекомендательные системы – это не просто прихоть клиента, но и действенный инструмент Интернет-маркетинга. Были получены следующие выводы:

  1. Рекомендательные системы помогают клиенту делать выбор более интуитивно, уменьшая неопределенность в отношении выбора между аналогичными товарами;
  2. Помогают клиентам получать удовлетворения от участия в различных скидочных программах, предлагаемых поставщиками рекомендательных систем;
  3. В случае использования рекомендательных систем продавец может получать дополнительный доход за счет оперирования более высокими ценами как плата за услугу интуитивности выбора.

В целом, рекомендательные сервисы – это современный, еще до конца не раскрывший свой потенциал, инструмент Интернет-маркетинга. Исследований, посвященных их устройству и моделированию, не очень много. Например, в трудах конференции RecSys – главной конференции, посвященной исследованию рекомендательных систем, было опубликовано всего 400 работ [8]. В то же время, серьезных исследований, посвященных персонализированному ценообразованию и трем типам ценовой дискриминации в отношении рекомендательных систем, действительно очень мало. Поэтому я предполагаю, что это тема будет активно развиваться ближайшие 10 − 15 лет, ведь рекомендательные системы обладают огромным и до сих пор полностью не реализованным потенциалом. 

Библиографический список:


1. Константинов, А. Рекомендательные системы: тематический обзор / Константинов А. // Доклады всероссийской научной конференции АИСТ’12, Екатеринбург, 16-18 марта, 2012 , – С. 179-190
2. Avery, C. The Market for Evaluations / Avery C., Resnick P., Zeckhauser R. // American Economic Review, [Электронный ресурс], 1999, – С. 564-584
3. Bergemann, D. Optimal Pricing Policy with Recommender Systems / Bergemann D., Ozmen D. // EC '06 Proceedings of the 7th ACM conference on Electronic commerce, [Электронный ресурс], 2004
4. Blake, М. Five Trends Shaping The Future Of Customer Service In2015, [Электронный ресурс], 2014
5. Kamishima, T. Personalized Pricing Recommender System / Kamishima T., Akaho S. // Japan 2nd Intl Ws on Information Heterogeneity and Fusion in Recommender Systems In conjunction with RecSys, [Электронный ресурс], 2011
6. Shapiro, C. Information Rules, A strategic Guide to the Network Economy / Shapiro C., Varian R. // Harvard Business School Press, [Электронный ресурс], 1999, – C. 42-50
7. Schmitz, A. Creating Services and Products / Schmitz A. // [Электронный ресурс], 2012, – Chapter 2
8. Dandekar, P. Privacy Auctions for Recommender Systems / Dandekar P., Fawaz N., Ioannidis S. // Stanford University Press, [Электронный ресурс], 2012




Рецензии:

5.11.2018, 9:17 Ашмаров Игорь Анатольевич
Рецензия: Статья на данную тему вызывает несомненный практический интерес и является актуальной. Однако необходимо добавить ряд обязательных разделов, которые являются главными для такого рода работ, а именно: Цели, задачи, материалы и методы, а также Научная новизна. См., пожалуйста, раздел Авторам, Требования к статьям в журнале "SCI-ARTICLE.RU" (URL: http://sci-article.ru/verxx.php?i=10). В результате Вы наполните все необходимые разделы текстом, в том числе новым по своему содержанию; автоматически прибавится текст статьи. Заключение также нужно сделать более значимым и оригинальным, более тщательно и зримо сформулировать выводы. Следует также ответить на вопрос: рекомендательные сервисы – это новый инструмент или "довольно новыи&#774; инструмент Интернет- маркетинга"? Статью следует доработать.

06.11.2018 14:14 Ответ на рецензию автора Дмитриев Виктор Андреевич:
Игорь Анатольевич, спасибо за Ваш отзыв! Ваши комментарии учтены в новой версии работы.



Комментарии пользователей:

6.11.2018, 14:38 Ашмаров Игорь Анатольевич
Отзыв: Необходимо исправить ещё кое-что ,видно ,что очень торопились: "Основными методами исследованиЕ являются", "1.3 Научная новизКа".


6.11.2018, 17:31 Дмитриев Виктор Андреевич
Отзыв: Игорь Анатольевич, прошелся еще раз по тексту работы и исправил все обнаруженные ошибки.


Оставить комментарий


 
 

Вверх