Ηλεκτρονικό εμπόριο

Ηλεκτρονικές δημοπρασίες

Πίνακας περιεχομένων

1 Περίληψη
2 Εισαγωγή
3 Θεωρία Online Δημοπρασιών
4 Οι παράγοντες που επηρεάζουν μια ηλεκτρονική δημοπρασία
5 Το προτεινόμενο μοντέλο υπολογισμού της πιθανότητας
- 5.1 Τα μοντέλα πιθανότητας ανά παράγοντα
6 Γενικά συμπεράσματα και μελλοντική έρευνα
7 Αναφορές

Περίληψη

Είναι γνωστό ότι η αύξηση παροχής υπηρεσιών στον παγκόσμιο ιστό οδηγεί όλο και περισσότερους καταναλωτές στον κλάδο του ηλεκτρονικού εμπορίου. Τα τελευταία χρόνια ειδικά, η μεγάλη αύξηση των μεμονωμένων ηλεκτρονικών καταστημάτων (Β2C) οδήγησε στην εμφάνιση ολοκληρωμένων ιστότοπων αγοραπωλησιών (marketplaces – Β2Β2C) ή και ηλεκτρονικών δημοπρασιών (auction sites). Πολλοί ερευνητές, ^[1], ^[2], έχουν εκπονήσει εργασίες σχετικά με τον τρόπο που οι καταναλωτές αλληλεπιδρούν με τις εταιρείες ηλεκτρονικών δημοπρασιών. Ερωτήματα όπως “πως αποφασίζουν τα εκατομμύρια των χρηστών για τις ηλεκτρονικές τους αγορές”, “ποιοι είναι εκείνοι οι παράγοντες που επηρεάζουν τις αποφάσεις τους και με ποια σειρά” απασχολούν τους ερευνητές σήμερα.

Στην εργασία αυτή κάνουμε μία ανάλυση και περιγράφουμε ένα γραμμικό μοντέλο για τον υπολογισμό της πιθανότητας που έχει ένα προϊόν που εμφανίζεται σε μία ηλεκτρονική δημοπρασία να δεχτεί προσφορά από έναν υποψήφιο αγοραστή. Οι μεταβλητές σε αυτό το γραμμικό μοντέλο είναι οι παράγοντες που επηρεάζουν τον υποψήφιο αγοραστή. Ο εντοπισμός των παραγόντων έγινε αρχικά από τη μεθοδολογία που ακολουθεί ο μεγαλύτερος παγκοσμίως οργανισμός ηλεκτρονικών δημοπρασιών eBay, ^[3]. Τα βάρη που πολλαπλασιάζουν τις μεταβλητές-παράγοντες του μοντέλου προκύπτουν από τη στατιστική επεξεργασία των απαντήσεων ενός ερωτηματολογίου που συμπληρώθηκε ηλεκτρονικά από Έλληνες χρήστες του eBay το Σεπτέμβριο του 2006.

Το πλεονέκτημα του μοντέλου είναι ότι έχει ως παράμετρο το χρόνο που απομένει ως την ολοκλήρωση της ηλεκτρονικής δημοπρασίας και έτσι μπορεί να εφαρμοστεί σε πραγματικό χρόνο για τον υπολογισμό της πιθανότητας να εμφανιστεί υποψήφιος αγοραστής μέχρι το τέλος της. Το μοντέλο αυτό έχει ελεγχθεί ως προς την αξιοπιστία του με πραγματικά δεδομένα που συλλέχθηκαν στο διάστημα Ιανουάριος – Φεβρουάριος του 2007 από το eBay, ^[3], και τα αποτελέσματα είναι ικανοποιητικά.

Τέλος, από την ανάλυση που ακολουθήθηκε προέκυψαν δυνατότητες γενίκευσης και επέκτασης του μοντέλου με άλλους παράγοντες που διαφαίνεται ότι επηρεάζουν την πιθανότητα εμφάνισης αγοραστή. Σε μελλοντική εργασία θα ασχοληθούμε με τη δημιουργία προδιαγραφών ενός διαδικτυακού λογισμικού που θα αλληλεπιδρά με το μοντέλο που περιγράφουμε σε αυτήν την εργασία και θα μπορεί να χρησιμοποιηθεί για την υποστήριξη, σε πραγματικό χρόνο, των πωλητών μίας ηλεκτρονικής δημοπρασίας ώστε για να αυξήσουν την πιθανότητα εμφάνισης αγοραστών.

Εισαγωγή

Τα τελευταία χρόνια είναι γνωστή η ολοένα και μεγαλύτερη συγκέντρωση μεταπρατικών υπηρεσιών στις ηλεκτρονικές δημοπρασίες αντί του παραδοσιακού πια τρόπου αγοράς αγαθών στο διαδίκτυο μέσω on-line καταλόγων (e-shops). Οι ηλεκτρονικές δημοπρασίες επέτρεψαν σε ένα ολοκαίνουργιο μοντέλο ανταλλαγής δεδομένων να αναπτυχθεί ιδιαίτερα τα τελευταία χρόνια, αυτό του χρήστη προς χρήστη (C2C) εκτός από το κλασσικό εταιρία προς χρήστης (B2C). Ακολούθως αναπτύχθηκε ένα ολοκαίνουργιο ερευνητικό και θεωρητικό πεδίο που άπτεται στην επιστήμη των υπολογιστικών συστημάτων και προσπαθεί να ερμηνεύσει τη φυσιολογία των on-line δημοπρασιών.

Στην εργασία αυτή θα προσπαθήσουμε να διατυπώσουμε τους ανεξάρτητους παράγοντες που επηρεάζουν τους χρήστες ώστε να κάνουν μία προσφορά για ένα αντικείμενο σε μια on-line δημοπρασία και να διερευνήσουμε πόσο συμμετέχουν στην τελική του απόφαση. Επιπλέον, θα ερευνήσουμε αν έχουν την ίδια ένταση ή αυξομειώνονται ανάλογα με τις επιμέρους συνθήκες;

Θεωρία Online Δημοπρασιών

Αρχικά έγινε μια προσπάθεια να περιγραφούν οι ηλεκτρονικές δημοπρασίες σε αντιδιαστολή με τις φυσικές με παράλληλη καταγραφή των χαρακτηριστικών των on-line δημοπρασιών από την πλευρά του δημοπράτη [^[4], ^[5], ^[6], ^[7], ^[8], ^[9]]. Στη συνέχεια, η έρευνα κατευθύνθηκε προς τον υποψήφιο αγοραστή, των παραγόντων που τον επηρεάζουν και τα αποτελέσματα τους [^[10], ^[11], ^[12]]. Στις εργασίες [^[1], ^[13]] γίνεται μια προσπάθεια ερμηνείας της συμπεριφοράς του υποψηφίου αγοραστή βάσει των παραγόντων αυτών και πως αυτοί μπορούν να τον οδηγήσουν να πληρώσει παραπάνω χρήματα για το ίδιο αντικείμενο ανάμεσα σε δύο δημοπρασίες.

Στην [^[8]] αναφέρεται ότι η αξιολόγηση του αντικειμένου που δημοπρατείται είναι αποτέλεσμα όχι μόνο αντικειμενικών αλλά και προσωπικών παραγόντων. Ειδικά στις περιπτώσεις που ένα αντικείμενο αγοράζεται για προσωπικούς ή συλλεκτικούς λόγους και όχι για μεταπώληση τότε η αξιολόγηση του αντικειμένου είναι καθαρά προσωπική υπόθεση, [^[3]]. Έτσι δημιουργείται η ανάγκη για διερεύνηση σε επίπεδο υποψηφίου αγοραστή και όχι σε επίπεδο δημοπρασίας.

Στην [^[9]] εξετάζονται τα διάφορα χαρακτηριστικά των on-line δημοπρατών και των δημοπρασιών τους, ενώ στις [^[4], ^[5]] εξηγείται πως αυτά γίνονται παράγοντες επιρροής του υποψήφιου αγοραστή σε αντιδιαστολή με αυτούς μιας φυσικής δημοπρασίας.

Στην εργασία [^[14]] αναλύεται πως διαφορετικών ειδών υποψήφιοι αγοραστές συμπεριφέρονται ανάλογα με την κάθε δημοπρασία, ενώ στις εργασίες [^[11], ^[12]] διερευνάται πόσο οι υποψήφιοι αγοραστές διατίθενται να πληρώσουν σε μια ηλεκτρονική δημοπρασία σε αντίθεση με έναν ηλεκτρονικό κατάλογο προϊόντων, δηλαδή τον κλασσικό τρόπο για on-line αγορές. Το κύριο συμπέρασμα είναι ότι οι χρήστες των δημοπρασιών προτιμούν μικρότερες δημοπρασίες και περιμένουν μεγαλύτερες εκπτώσεις για τα ακριβότερα αντικείμενα. Επίσης, αναφέρουν ότι οι χρήστες των on-line δημοπρασιών κάνουν προσφορά για τα αντικείμενα σε δημοπρασία μέσα στην πρώτη μισή ώρα από την έναρξή της και πως υψηλότερες αρχικές τιμές οδηγούν σε λιγότερες προσφορές από χρήστες που ενδιαφέρονται για το αντικείμενο και αντιστρόφως.

Τέλος, στην εργασία [^[13]] εξετάζεται πως οι παράγοντες επηρεάζουν τις τελικές τιμές των συλλεκτικών νομισμάτων σε δημοπρασίες στο eBay. Συμπεραίνουν ότι η τιμή καταλόγου, η αρχική προσφορά, ο αριθμός των αρνητικών σχολίων του δημοπράτη και η διάρκεια της δημοπρασίας διαμορφώνουν την τελική τιμή του αντικειμένου.

Στην εργασία [^[1]] αναλύονται οι δημοπρασίες όμοιων αντικειμένων σε διαφορετικές χρονικές στιγμές και οι παράγοντες που οδηγούν τους υποψήφιους αγοραστές να πληρώσουν παραπάνω για όμοια αντικείμενα. Επίσης, αναφέρεται ότι ο υποψήφιος αγοραστής είναι διατεθειμένος να πληρώσει παραπάνω για ένα αντικείμενο που δημοπρατείται το Σαββατοκύριακο, για αντικείμενα τα οποία δημοπρατούνται από περισσότερο έμπειρους χρήστες και για αντικείμενα τα οποία έχουν εικόνα στην παρουσίασή τους. Επίσης, τονίζουν ότι παρατηρείτε αυξανόμενη τάση για συγκέντρωση προσφορών (φαινόμενο θεωρίας αγέλης) σε προϊόντα για τα οποία εμφανίζονται προσφορές από πολλούς χρήστες στην ίδια δημοπρασία.

Οι παράγοντες που επηρεάζουν μια ηλεκτρονική δημοπρασία

Στην ενότητα αυτή παρουσιάζονται και αναλύονται οι κυριότεροι παράγοντες που επηρεάζουν μία ηλεκτρονική δημοπρασία. Όπου απαιτείται κάνουμε διάκριση σε τρεις κατηγορίες αντικειμένων

κατηγορία $K 1$ : καινούργιο αντικείμενο,
κατηγορία $K 2$ : μεταχειρισμένο σε άριστη κατάσταση και
κατηγορία $K 3$ : μεταχειρισμένο σε σχετικά καλή κατάσταση

ενώ για κάθε παράγοντα διατυπώνουμε και την αντίστοιχη μηδενική υπόθεση.

α) Η τιμή: αποτελεί ίσως το σημαντικότερο παράγοντα που επηρεάζει μία δημοπρασία. Στην εργασία αυτή θα προσπαθήσουμε να εντοπίσουμε την επιθυμητή τιμή πώλησης που ικανοποιεί τον υποψήφιο αγοραστή για να πραγματοποιήσει μια αγορά on-line, εκφρασμένη σε ποσοστό έκπτωσης επί της τιμής σε ένα φυσικό κατάστημα. Επιπλέον, προσπαθούμε να εξακριβώσουμε αν ο υποψήφιος αγοραστής έχει διαφορετική απαίτηση έκπτωσης στην τελική τιμή ανάλογα με αυτές.

H1: Η μέση έκπτωση στην τιμή δεν διαφέρει στις τρεις κατηγορίες αντικειμένων.

β) Ο χρόνος: ο χρόνος που απομένει για τη λήξη της δημοπρασίας διαδραματίζει συγκεκριμένο ρόλο αφού όσο περνάει μεταβάλλεται η τιμή και το ενδιαφέρον των υποψήφιων αγοραστών. Συγκεκριμένα, παρατηρούμε το χρόνο ως μέγεθος από την αρχή της δημοπρασίας και προσπαθούμε να εντοπίσουμε σε ποιο χρονικό σημείο κάνουν προσφορά οι περισσότεροι από αυτούς.

H2: Το 40% των προσφορών πραγματοποιείται την τελευταία ώρα πριν το τέλος της δημοπρασίας έναντι της εναλλακτικής υπόθεσης ότι το ποσοστό είναι μεγαλύτερο από 40%.

γ) Αξιοπιστία πωλητή: για την αξιοπιστία του πωλητή βασιζόμαστε στο σύστημα αξιολόγησης που παρέχει το eBay. Μετά από κάθε εκτελεσθείσα δημοπρασία ο αγοραστής είναι υποχρεωμένος να εκφράσει ένα θετικό, αρνητικό ή ουδέτερο σχόλιο για τον πωλητή και την υπηρεσία που του παρείχε. Το ποσοστό των θετικών σχολίων ως προς το σύνολο τους καθορίζει το ποσοστό αξιοπιστίας του πωλητή. Εμείς θα διερευνήσουμε πόσο επηρεάζει τον υποψήφιο αγοραστή το ποσοστό αυτό και πάνω από ποιο ποσοστό αξιοπιστίας είναι σε θέση να κάνει προσφορά για ένα αντικείμενο σε δημοπρασία.

Η3: Το 16% των χρηστών αδιαφορεί για την αξιοπιστία του πωλητή έναντι της εναλλακτικής υπόθεσης ότι το ποσοστό αυτό είναι μεγαλύτερο από 16%.

δ) Φαινόμενο αγέλης: διερευνούμε αν επηρεάζονται οι προσφορές των χρηστών για ένα αντικείμενο σε μια δημοπρασία και αν ο χρήστης "οδηγείται" ανάμεσα σε δημοπρασίες παρόμοιων αντικειμένων σε μία συγκεκριμένη όταν προϋπάρχουν προσφορές σε αυτήν (herd effect).

H4: Το ποσοστό των χρηστών που δεν επηρεάζεται από το φαινόμενο αγέλης είναι 75% έναντι της εναλλακτικής υπόθεσης ότι είναι μικρότερο.

ε) Φωτογραφία του προϊόντος: διερευνούμε αν και πόσο επηρεάζει τον χρήστη η ύπαρξη φωτογραφίας/ών του αντικειμένου της δημοπρασίας. Επιπλέον εξετάζουμε το πλήθος των φωτογραφιών σε σχέση με την κατηγορία των αντικειμένων (καινούργιο / μεταχειρισμένο σε άριστη κατάσταση / μεταχειρισμένο σε σχετικά καλή κατάσταση).

H5: Το μέσο πλήθος των φωτογραφιών είναι ίδιο στις τρεις κατηγορίες αντικειμένων.

στ) Περιγραφή του προϊόντος: διερευνούμε το πόσο επηρεάζει μια αναλυτικότερη περιγραφή για ένα αντικείμενο τον υποψήφιο αγοραστή σε σχέση με μια συνοπτικότερη ανάλογα με την κατηγορία του αντικειμένου (καινούργιο αντικείμενο / μεταχειρισμένο σε άριστη κατάσταση / μεταχειρισμένο σε σχετικά καλή κατάσταση).

H6: Η περιγραφή του αντικειμένου είναι εξίσου σημαντική στις τρεις κατηγορίες των αντικειμένων.

ζ) Τρόπος πληρωμής: διερευνούμε τους εναλλακτικούς τρόπους εξόφλησης των αντικείμενων που συμμετέχουν σε μια δημοπρασία.

H7: Το ποσοστό των χρηστών που πληρώνουν με PayPal είναι 70% έναντι της εναλλακτικής υπόθεσης ότι είναι μεγαλύτερο.

η) Ημέρα λήξης δημοπρασίας: στις αργίες (μη εργάσιμες μέρες) η κίνηση του διαδικτύου αυξάνεται και ταυτόχρονα η κινητικότητα στις on-line δημοπρασίες καθώς οι χρήστες έχουν περισσότερο χρόνο. Διερευνούμε κατά πόσο η πιθανότητα να κάνει προσφορά για ένα αντικείμενο σε δημοπρασία αυξάνεται τις μέρες αυτές.

H8: Το 45% των χρηστών αδιαφορεί για την ημέρα λήξης έναντι της εναλλακτικής υπόθεσης ότι είναι μεγαλύτερο.

θ) Επικοινωνία με τον πωλητή: ένας άλλος σημαντικός παράγοντας σε κάθε δημοπρασία είναι η επικοινωνία μεταξύ των δύο μερών (δημοπράτη και υποψήφιου αγοραστή). Ανάλογα με την δυνατότητα του δημοπράτη να απαντήσει άμεσα σε ερωτήσεις του υποψήφιου αγοραστή σχετικά με το αντικείμενο που δημοπρατείται και τις λεπτομέρειες της πώλησης, επηρεάζεται και η προοπτική να κάνει ο δεύτερος προσφορά για το αντικείμενο.

H9: Το 85% των χρηστών απαιτεί να υπάρχει σωστή επικοινωνία έναντι της εναλλακτικής ότι είναι μικρότερο το ποσοστό αυτό.

Το προτεινόμενο μοντέλο υπολογισμού της πιθανότητας

Σύμφωνα με την ανάλυση της προηγούμενης ενότητας οι κυριότεροι παράγοντες που επηρεάζουν μία ηλεκτρονική δημοπρασία είναι η τιμή, ο χρόνος, η αξιολόγηση πωλητή, το φαινόμενο αγέλης, η ύπαρξη φωτογραφίας, η ανάλυση της περιγραφής του αντικειμένου, ο τρόπος πληρωμής, η ημέρα λήξης της δημοπρασίας και η επικοινωνία με τον πωλητή.

Υποθέτουμε ότι κάθε ένας παράγοντας ερμηνεύεται από μία συνάρτηση πιθανότητας για τα j το πλήθος διαφορετικά ενδεχόμενα του. Συμβολίζουμε με $ω i j$ τα ενδεχόμενα του παράγοντα i. Επιπλέον, συμβολίζουμε με $P i$ την πιθανότητα ο παράγοντας i που εμφανίζεται στη δημοπρασία να ταυτίζεται με το ενδεχόμενο $ω i 0$ . Με δεδομένο ότι οι παραπάνω παράγοντες είναι ανεξάρτητοι μεταξύ τους η πιθανότητα να δεχτεί ένα συγκεκριμένο προϊόν, που συμμετέχει σε μία ηλεκτρονική δημοπρασία, προσφορά σε ένα χρονικό διάστημα από την έναρξη της δημοπρασίας, το οποίο το συμβολίζουμε ως γεγονός A, δίνεται από τη σχέση:

$P(\Alpha) = \sum_{i=1}^{10} \alpha_i P_i(\Alpha | \omega_{ij} = \omega_{i0}), 0 < \alpha_i < 1, \sum_{i=1}^{10} \alpha_i = 1.$

Σύμφωνα με την παραπάνω σχέση πρέπει να εκτιμηθούν: α) το ποσοστό συμμετοχής $α i$ κάθε παράγοντα στη συνολική πιθανότητα και β) η κατανομή που ερμηνεύει κάθε παράγοντα ξεχωριστά.

Για να μπορέσουμε να εκτιμήσουμε την τιμή των παραμέτρων $α i$ καθώς και τις συναρτήσεις πιθανότητας των ανεξάρτητων παραγόντων αναπτύξαμε ένα ερωτηματολόγιο.

Για την κατασκευή του ερωτηματολογίου εφαρμόσαμε βασικές αρχές για την εξασφάλιση της αξιοπιστίας των απαντήσεων με βάση τη θεωρία μέτρησης και κατασκευής ερωτηματολογίων [^[15]].

Στο ερωτηματολόγιο διαμορφώθηκαν 12 βασικές κατηγορίες ερωτήσεων για να ομαδοποιηθούν οι 21 ερωτήσεις που ανιχνεύουν τους παράγοντες που επηρεάζουν μια ηλεκτρονική δημοπρασία. Για να διερευνήσουμε αν υπάρχουν επιπλέον παράγοντες που επηρεάζουν το μοντέλο και να εκτιμηθεί η επιρροή τους ζητήσαμε από τους ερωτηθέντες να περιγράψουν ελεύθερα κάποιον παράγοντα που θεωρούν ότι επηρεάζει μία δημοπρασία και δεν αναφέρθηκε στο ερωτηματολόγιο. Επιπλέον ζητήσαμε να μας αναφέρουν το ποσοστό επιρροής του ελεύθερου παράγοντα στο προτεινόμενο μοντέλο.

Το ερωτηματολόγιο συμπληρώθηκε ανώνυμα, ενώ η συμμετοχή και συμπλήρωσή του ήταν καθαρά εθελοντική. Το ερωτηματολόγιο κατασκευάστηκε σε δύο γλώσσες (Αγγλικά και Ελληνικά) χρησιμοποιώντας το λογισμικό ανάπτυξης και συλλογής ερωτηματολογίων PHPSurveyor, [^[16]]. Οι απαντήσεις στα ερωτήματα δόθηκαν το διάστημα Φεβρουάριος - Μάρτιος 2007 και συμπληρώθηκαν 218 ερωτηματολόγια από χρήστες με εμπειρία σε ηλεκτρονικές δημοπρασίες είτε ως αγοραστές είτε ως πωλητές (χρήστες του eBay [^[3]]). Τέλος, για την στατιστική επεξεργασία των αποτελεσμάτων των απαντήσεων που δόθηκαν, χρησιμοποιήθηκε το λογισμικό R, [^[17]].

Για να εκτιμήσουμε το ποσοστό συμμετοχής (βάρος) κάθε παράγοντα στο μοντέλο εκτίμησης της πιθανότητας ζητήσαμε από τους ερωτώμενους να κατατάξουν σε φθίνουσα σειρά σημαντικότητας τους παράγοντες αυτούς. Στους παράγοντες που κατέταξαν οι ερωτώμενοι συμπεριλάβαμε και τον ελεύθερο παράγοντα. Τα αποτελέσματα από τη στατιστική επεξεργασία της κατάταξης των παραγόντων παρουσιάζονται στον Πίνακα 1. Επίσης, αναγράφονται τα αποτελέσματα αναφορικά με τον έλεγχο υποθέσεων των παραγόντων που εκτέθηκαν στην ενότητα 3 με επίπεδο σημαντικότητας 95%.

**Πίνακας 1**: Κατάταξη σε φθίνουσα σειρά των παραγόντων που επηρεάζουν την εμφάνιση προσφοράς σε μία δημοπρασία
Κατάταξη^[18]	Περιγραφή	Βάρος	Μηδενική Υπόθεση (α=0.05)
1	Τιμή πώλησης (έκπτωση)	$α 1 = 0.8119$	Απορρίπτεται η $H 1$
2	Ανατροφοδότηση πωλητή	$α 2 = 0.0640$	Απορρίπτεται η $H 3$
3 - 4	Φωτογραφία	$α 3 = 0.0294$	Απορρίπτεται η $H 5$
	Περιγραφή	$α 4 = 0.0294$	Απορρίπτεται η $H 6$
5 - 6	Επικοινωνία	$α 5 = 0.0215$	Απορρίπτεται η $H 9$
	Τρόπος πληρωμής	$α 6 = 0.0215$	Απορρίπτεται η $H 7$
7 - 8	Χρόνος (ώρες)	$α 7 = 0.0087$	Απορρίπτεται η $H 2$
	Θεωρία αγέλης	$α 8 = 0.0087$	Απορρίπτεται η $H 4$
9	Ημέρα λήξης	$α 9 = 0.0043$	Απορρίπτεται η $H 8$
10	Άλλος λόγος	$α 10 = 0.0006$

Τα μοντέλα πιθανότητας ανά παράγοντα

α) Η τιμή: από το στατιστικό έλεγχο προκύπτει ότι οι υποψήφιοι αγοραστές απαιτούν διαφορετικά επίπεδα έκπτωσης ανάλογα με την κατάσταση του αντικειμένου. Ειδικότερα, για τη σχέση (1), η πιθανότητα $P 1 (A)$ υπολογίζεται από την κανονική κατανομή με τις παρακάτω παραμέτρους (οι παράμετροι αφορούν το ποσοστό έκπτωσης):

$ω 11$ : κατηγορία $K 1$ από την κανονική κατανομή $N (0.3381,0.1598 2)$ .
$ω 12$ : κατηγορία $K 2$ από την κανονική κατανομή $N (0.5034,0.2036 2)$ .
$ω 13$ : κατηγορία $K 3$ από την κανονική κατανομή $N (0.6103,0.1943 2)$ .

β) Αξιοπιστία πωλητή: σημαντικό συμπέρασμα απορρέει από την διερεύνηση σχετικά με το ποσοστό αξιολόγησης πωλητή, για το οποίο προκύπτει ότι το 70% των υποψηφίων αγοραστών αποζητούν ποσοστό αξιολόγησης πωλητή τουλάχιστον 95% για να κάνουν προσφορά. Από τη στατιστική επεξεργασία των σχετικών απαντήσεων προκύπτει ότι ο υπολογισμός της πιθανότητας $P 2 (Α)$ μπορεί να γίνει με την κανονική κατανομή με παραμέτρους $N (0.9680,0.0250 2)$ .

γ) Φωτογραφία: σχετικά με τον παράγοντα αυτόν όλοι οι υποψήφιοι αγοραστές θεωρούν απαραίτητη την ύπαρξη φωτογραφίας σε μια δημοπρασία, ενώ όσο αυξάνεται η παλαιότητα του αντικειμένου τόσο γίνεται η φωτογραφία πιο επιτακτικά αναγκαία. Ο διαχωρισμός αυτός επιβεβαιώνεται και με τον στατιστικό έλεγχο πάνω στις τρεις διακριτές κατηγορίες $K 1$ , $K 2$ και $K 3$ . Επομένως, η πιθανότητα $P 3 (Α)$ για τα ενδεχόμενα $ω 31$ : καμία φωτογραφία, $ω 32$ : μία φωτογραφία, $ω 33$ : δύο φωτογραφίες και $ω 34$ : παραπάνω από δύο, στις τρεις διακριτές κατηγορίες είναι:

$K 1$ : $P 3 (ω 31) = 0.0005, P 3 (ω 32) = 0.1149, P 3 (ω 33) = 0.5184, P 3 (ω 34) = 1.0000$ .
$K 2$ : $P 3 (ω 31) = 0.0005, P 3 (ω 32) = 0.0086, P 3 (ω 33) = 0.1278, P 3 (ω 34) = 1.0000$ .
$K 3$ : $P 3 (ω 31) = 0.0005, P 3 (ω 32) = 0.0969, P 3 (ω 33) = 0.0456, P 3 (ω 34) = 1.0000$ .

δ) Περιγραφή του προϊόντος: από το στατιστικό έλεγχο προέκυψε ότι ένα μικρό ποσοστό των χρηστών (μικρότερο από 8%) δεν επηρεάζεται από την έκταση και αναλυτικότητα της, ενώ οι περισσότεροι δείχνουν ένα αυξανόμενο ενδιαφέρον για την περιγραφή αναφορικά με την παλαιότητα του αντικειμένου. Αν κατηγοριοποιήσουμε την επάρκεια της περιγραφής σε 5-βάθμια κλίμακα (ενδεχόμενα $omega_{4i}, i=1,\dots,5$ ) τότε για κάθε κατηγορία πρoϊόντος η αντίστοιχη πιθανότητα $P 3 (Α)$ δίνεται από τη σχέση:

$K 1$ : $P 4 (ω 41) = 0.0138, P 4 (ω 42) = 0.0156, P 4 (ω 43) = 0.0879, P 4 (ω 44) = 0.3000, P 4 (ω 45) = 1.0000$ .
$K 2$ : $P 4 (ω 41) = 0.0023, P 4 (ω 42) = 0.0026, P 4 (ω 43) = 0.0326, P 4 (ω 44) = 0.2100, P 4 (ω 45) = 1.0000$ .
$K 3$ : $P 4 (ω 41) = 0.0029, P 4 (ω 42) = 0.0036, P 4 (ω 43) = 0.0188, P 4 (ω 44) = 0.1231, P 4 (ω 45) = 1.0000$ .

ε) Επικοινωνία με τον πωλητή: στον παράγοντα επικοινωνία τα πράγματα είναι ξεκάθαρα, καθώς παρατηρούμε ένα μικρό ποσοστό (μικρότερο από 13,5%) που δεν τον απασχολεί καθόλου ο παράγοντας αυτός ή τον επηρεάζει πολύ λίγο. Επομένως, αν αξιολογήσουμε με μία 5-βάθμια κλίμακα από τη χειρότερη προς τη καλύτερη την επικοινωνία με το δημοπράτη, το μοντέλο πιθανότητας $P 5 (Α)$ για τα ενδεχόμενα $\omega_{5i}, i=1,\dots,5$ είναι:

$P 5 (ω 51) = 0.0230, P 5 (ω 52) = 0.0230, P 5 (ω 53) = 0.0872, P 5 (ω 54) = 0.3486, P 5 (ω 55) = 1.0000$

στ) Τρόπος πληρωμής: η κατάταξη των δημοφιλέστερων τρόπων πληρωμής ήταν η αναμενόμενη. Συγκεκριμένα, οι περισσότεροι χρήστες αναζητούν το PayPal ( $ω61$ ) για τρόπο πληρωμής των αντικειμένων για τα οποία κάνουν προσφορά στο eBay, ενώ δεύτερος δημοφιλέστερος τρόπος αποδεικνύονται οι πιστωτικές κάρτες ( $ω62$ ), τρίτος με διαφορά η τραπεζική μεταφορά ( $ω63$ ) και τέταρτος η ονομαστική επιταγή ( $ω64$ ), που φαίνεται να εξυπηρετεί ελάχιστους. Οι αντίστοιχες πιθανότητες $P 6 (Α)$ είναι:

$P 6 (ω 61) = 0.7844, P 6 (ω 62) = 0.1322, P 6 (ω 63) = 0.0573, P 6 (ω 64) = 0.0261$

ενώ οι συνδυασμοί αυτών δίνουν τις αντίστοιχες αθροιστικές πιθανόντητες.

ζ) Ο χρόνος: σχετικά με το χρονικό διάστημα στο οποίο οι χρήστες επιλέγουν να κάνουν προσφορά για ένα προϊόν που τους ενδιαφέρει παρατηρούμε ότι το 50% περίπου των προσφορών για ένα αντικείμενο πραγματοποιείται στην τελευταία ώρα της δημοπρασίας, το 25% στο διάστημα 1 έως 3 ώρες πριν τη λήξη της δημοπρασίας, το 12,5% στο διάστημα από 3 έως 12 ώρες πριν τη λήξη της δημοπρασίας κλπ. Επομένως, η πιθανότητα να δεχτεί προσφορά το αντικείμενο στο αντίστοιχο διάστημα είναι:

$ω 71 :$ από 5 ημέρες έως 24 ώρες μέχρι τη λήξη $P 7 (ω71) = 0.0780$ .
$ω 72 :$ από 24 ώρες έως 12 ώρες μέχρι τη λήξη $P 7 (ω72) = 0.1147$ .
$ω 73 :$ από 12 ώρες έως 3 ώρες μέχρι τη λήξη $P 7 (ω73) = 0.1193$ .
$ω 74 :$ από 3 ώρες έως 1 ώρα μέχρι τη λήξη $P 7 (ω74) = 0.1972$ .
$ω 75 :$ από 1 ώρα έως τη λήξη $P 7 (ω75) = 0.4908$ .

η) Θεωρία αγέλης: από τις απαντήσεις για το αν επηρεάζουν οι υπάρχουσες προσφορές σε μια δημοπρασία, παρατηρούμε πως οι χρήστες χωρίζονται σε δύο κατηγορίες:

σε ένα μικρό ποσοστό (μικρότερο από 18%) που αδιαφορεί για τον παράγοντα αυτόν και
στην πλειοψηφία (μεγαλύτερο από 82%) των χρηστών που τον λαμβάνουν υπόψιν. Από αυτούς φαίνεται ότι επηρεάζονται καθοριστικά από τη θεωρία της αγέλης τουλάχιστον το 57%.

Επομένως, αναφορικά με την συνάρτηση πιθανότητας $P 8 (Α)$ στην περίπτωση που υπάρχουν ομοειδή προϊόντα που προσφέρονται παράλληλα σε μία ηλεκτρονική δημοπρασία θα πρέπει να αυξήσουμε κατά 46,74% (0.57 ∙ 0.82 = 0.4674) την πιθανότητα εμφάνισης επιπλέον προσφορών στα αντικείμενα που συγκεντρώνουν πάνω από το 75% των συνολικών προσφορών (αναλογία προσφορών 8 προς 2).

θ) Ημέρα λήξης: σχετικά με την ημέρα λήξης της δημοπρασίας το μεγαλύτερο ποσοστό (όχι μεγαλύτερο από 60%) δηλώνει ανεπηρέαστο από την μέρα που θα κάνει προσφορά για αυτήν, ενώ το υπόλοιπο ποσοστό (όχι μικρότερο από 40%) φαίνεται να επηρεάζεται. Επομένως, αναφορικά με την πιθανότητα $P 9 (Α)$ θα πρέπει να θεωρήσουμε δύο ενδεχόμενα:

$ω 91$ : η δημοπρασία λήγει σε εργάσιμη ημέρα οπότε $P 9 (ω 91) = 0.60$ ,
$ω 92$ : η δημοπρασία λήγει σε μη εργάσιμη ημέρα οπότε $P 9 (ω 92) = 1.00$ ,

ι) Άλλος παράγοντας: από τη στατιστική επεξεργασία προέκυψε ότι ακόμα και αν υπάρχουν άλλοι παράγοντες που επηρεάζουν την πιθανότητα εμφάνισης προσφοράς στη δημοπρασία υστερούν σε σημαντικότητα από τους υπόλοιπους εννέα που έχουν αναφερθεί. Επιπλέον, χωρίς βλάβη της γενικότητας μπορούμε να υποθέσουμε ότι η πιθανότητα για αυτόν τον παράγοντα ερμηνεύεται από την κανονική κατανομή N(0,1).

Γενικά συμπεράσματα και μελλοντική έρευνα

Σε αυτήν την έρευνα, διερευνήσαμε αναλυτικά τους παράγοντες που επηρεάζουν έναν υποψήφιο αγοραστή στην απόφασή του για να κάνει προσφορά σε μια ηλεκτρονική δημοπρασία.

Τα σημαντικότερα αποτελέσματα της εργασίας είναι: (α) η κατάταξη των παραγόντων ανάλογα με τη σπουδαιότητά τους, (β) το μαθηματικό μοντέλο για τον υπολογισμό της πιθανότητας ένα αντικείμενο να δεχθεί προσφορά και (γ) η ανάλυση κάθε παράγοντα ξεχωριστά καθώς και η εμφάνιση νέων παραγόντων.

Ειδικότερα, αξιολογήσαμε για πρώτη φορά το ρόλο της επικοινωνίας ανάμεσα στον πωλητή και τον χρήστη. Επίσης, αποσαφηνίστηκε ότι η παρουσία φωτογραφίας είναι κάτι απαραίτητο για τον χρήστη, όπως και η σπουδαιότητα της άναλυσης στην περιγραφή των αντικειμένων.

Ταυτόχρονα, παρατηρήσαμε ότι οι περισσότεροι χρήστες, παρόλο που παρακολουθούν την δημοπρασία που τους ενδιαφέρει σε βάθος 3 ημερών πριν τη λήξη της, περιμένουν μέχρι την τελευταία ώρα για να κάνουν προσφορά.

Επιπλέον, από τα αποτελέσματα της στατιστικής επεξεργασίας όλων των παραγόντων προέκυψε μια σαφής και μετρήσιμη διαφοροποίηση ανάλογα με την κατηγορία του προϊόντος (παλαιότητα). Επίσης, μία μικρή μερίδα αγοραστών εμφανίζει ουδετερότητα ή/και αδιαφορία για το ρόλο ορισμένων παραγόντων.

Σε μελλοντική έρευνα θα ασχοληθούμε με την αξιοπιστία του μαθηματικού μοντέλου με πραγματικά δεδομένα αντλούμενα με ειδικό λογισμικά από το eBay ή και άλλους ιστότοπους on-line δημοπρασιών. Τέλος, σημαντικό ερευνητικό ενδιαφέρον παρουσιάζει η εφαρμογή σύγχρονων τεχνικών εξόρυξης γνώσης για τη διαμόρφωση και ανάλυση ενδεχόμενων διαφορετικών προφίλ υποψήφιων αγοραστών.

Αναφορές

↑ ^1,1 ^1,2 ^1,3 R.J. Kauffman and ·C.A. Wood (2006), Doing their bidding: An empirical examination of factors that affect a buyer’s utility in Internet auctions. Information Technology and Management, 7, 171-190.
↑ I. Yahav, A. Gall and N. Larson (2006). Bid-Based Approach for Pricing Web Service, Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 4275 LNCS - I, 360-376.
↑ ^3,1 ^3,2 ^3,3 ^3,4 eBay (2007), New & used electronics, cars, apparel, collectibles, sporting goods & more at low prices, 02/2007, http://www.ebay.com.
↑ ^4,1 ^4,2 J.Y. Bakos (1997). Reducing buyer search costs: implications for electronic marketplaces. Management Science, 43, 1676-1692.
↑ ^5,1 ^5,2 J.Y. Bakos (1998). Towards friction-free markets: the emerging role of electronic marketplaces on the internet. Communications of the ACM, 41, 35-42.
↑ C. Beam and A. Segev (1998). Auctions on the internet: a ﬁeld study, Working paper 96-WP-1019, Fisher Center for Management and Information Technology, Haas School of Business, University of California, Berkeley, CA.
↑ R.A. Feldman and R. Mehra (1993). Auctions: theory and applications, in: International Monetary Fund Staff Papers, Washington, DC.
↑ ^8,1 ^8,2 P.R. Milgrom and R.J. Weber (1982). A theory of auctions and competitive bidding. Econometrica 50(5), 1089–1122.
↑ ^9,1 ^9,2 E. Pincker, A. Seidmann and Y. Vakrat (2003). Managing on-line auctions: current and business issues, Management Science, 49, 1457-1484.
↑ R. Bapna (2003). When snipers become predators: can mechanism design save on-line auctions? Communications of the ACM, 46(12), 152–158.
↑ ^11,1 ^11,2 Y. Vakrat and A. Seidmann (1999). Can on-line Auctions Beat on-line Catalogs? In: Proceedings of the 20th International Conference on Information Systems (ICIS 1999), P. De and J. DeGross (eds.), Charlotte, NC.
↑ ^12,1 ^12,2 Y. Vakrat and A. Seidmann (2000). Implications of the Bidders’ Arrival Process on the Design of on-line Auctions, in: Proceedings of the 33rd Hawaii International Conference on Systems Science (HICSS), R. Sprague (ed.), Maui, HI, IEEE Computing Society Press, Los Alamitos, CA.
↑ ^13,1 ^13,2 D. Lucking-Reiley, D. Bryan, N. Prasad and D. Reeves (2005). Pennies from eBay: the determinants of price in on-line auctions, Working paper, University of Arizona.
↑ R. Bapna, P. Goes and A. Gupta (2001). Οn-line auctions: insights and analysis. Communications of the ACM, 44(11), 42–50.
↑ Γ.Ι. Σιώμκος και Α.Ι. Βασιλικοπούλου (2005), Εφαρμογή Μεθόδων Ανάλυσης Στην Έρευνα Αγοράς, Εκδόσεις Σταμούλη.
↑ PHPSurveyor (2007). http://www.phpsurveyor.org.
↑ R Development Core Team (2006). R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria.
↑ Για την κατάταξη των παραγόντων που βρίσκονται στις θέσεις 3-4, 5-6 και 7-8 δεν προέκυψαν στατιστικά σημαντικές διαφορές σε επίπεδο σημαντικότητας 5%. Αναγράφονται με την πιθανότερη κατάταξη.

Ανακτήθηκε από το "http://androulakis.bma.upatras.gr/mediawiki/index.php/%CE%97%CE%BB%CE%B5%CE%BA%CF%84%CF%81%CE%BF%CE%BD%CE%B9%CE%BA%CF%8C_%CE%B5%CE%BC%CF%80%CF%8C%CF%81%CE%B9%CE%BF".

Αυτή η σελίδα έχει προσπελαστεί 5.825 φορές. Η σελίδα αυτή τροποποιήθηκε τελευταία φορά στις 14:29, 22 Μαρτίου 2007.