Оптимальное проектирование онлайн-канал аукциона: аналитический, эмпирических и вычислительных идеи

Оптимальное проектирование Интернет аукцион Источник: Аналитические, Эмпирическое и вычислительной Insights *

РЕЗЮМЕ

Основное внимание в этом исследовании на бизнес-потребитель (132C) интернет-аукционах возможным с появлением электронной торговли более открытым исходным кодом, вездесущий Интернет-протокола (IP) сети. Эта работа представляет собой аналитическую модель, которая характеризует процесс получения доходов для популярных онлайн B2C аукциона, а именно: Янки аукционов. Такие аукционы продать несколько одинаковых единиц товара на несколько покупателей использованием восходящего и открытый механизм аукциона. Методологий, используемых для проверки аналитических модельный ряд от эмпирического анализа для моделирования. Основной вклад данного исследования является разработка схемы разметки дискретного пространства оценки участников торгов, что точек равновесия с высшим структуры доходов стали идентифицировать и осуществимо. Наш анализ показывает, что аукционисты являются, чаще всего, далеко от оптимального выбора ключевых факторов управления, такие как увеличение ставки, что привело к значительным потерям на рынке с жесткой уже прибыли. С учетом этого, мы выдвинули портфеля инструментов, различающихся по уровню абстракции и интенсивность потребности в информации, которые помогают аукциона максимально повысить уровень доходов.

Предметные области: новые цепочками поставок "каналы, онлайновые аукционы, а также моделирование.

ВВЕДЕНИЕ

Онлайновые аукционы, в отсутствие пространственных, временных и географических ограничений, обеспечить альтернативный канал цепочке распределения товаров и услуг. Этот канал отличается от общего механизма относительно цен, которые обычно используются в розничном секторе. В ориентированных на потребителя рынках, покупатели теперь могут испытать радость победы продукт, потенциально за сделку, а не как правило, более утомительным понятие покупать его. Продавец, с другой стороны, дополнительный канал для распространения своих товаров, а также возможность ликвидировать быстро стареющим товаров в большей, чем спасти ценности. Первичного посредника это явление широкое распространение электронной торговли более открытым исходным кодом, вездесущий Интернет-протокола (IP) на основе сети.

В этой статье мы сосредоточимся на оптимизации дизайна новых бизнес-потребитель (B2C) канала сбыта известен как аукционы янки. Такие аукционы продать несколько одинаковых единиц товара на несколько покупателей использованием восходящего и открытый механизм аукциона, который имеет свои корни в английском аукционе, но существенно различаются.

Эта работа представляет собой аналитическую модель, которая характеризует процесс получения доходов от аукционов янки. Чтобы проверить аналитическая модель и получить более глубокое понимание процесса доходов таких аукционов, мы анализируем реальных эмпирических данных, собранных программным агентом, которая отслеживала эти аукционы круглосуточно. Интересный побочный продукт процесса сбора данных аукциона является наша способность построить эмпирические кривые спроса на аукционе товаров. Потребительский спрос информация является важным вкладом в управлении цепочкой поставок. Она обеспечивает обратную связь, необходимую для принятия ключевых решений, вниз по течению в цепочке поставок. Покажем, используя возможности Интернета, как динамические механизмы ценообразования, таких как интернет-аукционах может обеспечить возможности для интеграции спроса информации в процессе разработки механизма. Это повышает механизмов в двух направлениях. Во-первых, надлежащим настройки параметров онлайн аукцион, аукционисты максимального увеличения прибыли. Во-вторых, признав требование последствия и визуализации процесса торговли априори, выделения в конечном итоге может быть более справедливым, таким образом, что приводит к повышению благосостояния потребителей, так и аукционист ..

Чтобы проверить и дополнить аналитические модели, мы также ввести гибкую модель моделирования, предлагая аукционисты портфеля инструментов, различающихся по уровню абстракции и интенсивность потребности в информации, чтобы помочь аукциона максимально повысить уровень доходов. Таким образом, этот портфель инструментов для принятия решений обеспечивает относительно безрисковый и экономически эффективный подход к управлению этой новой, сервисную динамический канал распределения цен распространенных в онлайн настройки, а именно аукциона янки.

В остальной части этой статьи следующим образом. В следующем разделе мы опишем процесс получения доходов от механизма аукциона янки. Наши представления о процессе получения доходов от аукционов Янки направляет нас сосредоточить свое внимание на комбинаторных динамики предпоследнего раунда аукциона, который является основой нашей теоретической модели в данной работе. Позже мы покажем, как теоретические результаты могут быть применены к аукционов янки с помощью потребительского спроса оценках, полученных из реальных собранных данных. Это следует с проверки подход к теоретическому анализу использования средств моделирования в той или иной степени информации абстракции. В заключение обзора нашего подхода и резюме выводов этого документа.

YANKEE МЕХАНИЗМ АУКЦИОН

Аукциона янки особый случай многоквартирных английском аукционе. Вот, несколько единиц одного и того же продукта продаются в несколько претендентов. Хорошо известно (Rothkopf

Аукцион прогрессивный характер, однако, каждая новая ставка не должна быть строго больше, чем предыдущие ставки с Существуют многочисленные подразделения. Множества выигрышных ставки состоит из верхней ставки N, где N это количество единиц на аукцион. Новая ставка либо должна быть равна минимальной ставки, то есть между победившей ставки (если множества выигрышных ставок, мощность меньше, чем N), или он должен быть по меньшей мере равную минимальной выигрышной ставки плюс предварительного -минимальные прирост предложения. В нескольких одинаковых элементов на предложение, можно наблюдать несколько выигрышных ставки, которые равны между собой. После того, потребители имеют цену за весь размер лота, новая ставка должна быть больше, чем маленький победившей ставке. Когда такое предложение представляется, победитель с наименьшим победившая ставка заменена новой ставки. Если несколько предложений равны, и на уровне минимальной выигрышной ставки, время приоритет, применяемых для определения ставки для перемещенных лиц, когда новый, более высокий предложение получено. Последнее ставку на уровне минимальной выигрышной ставки становится первым покинуть список победителя аукциона. Этот процесс продолжается до закрытия аукциона. На данный момент победителя аукциона определяются. Аукционе прекращается или после этой даты заранее объявил о закрытии, и выигрыш участников заплатить сумму, которую они последней попытке победить на аукционе.

Большинство аукционов имеют уходит, уходит, прошло время, что аукцион заканчивается после закрытия время прошло, и никакой дополнительной ставки, полученные за последние пять минут. Отметим, что в нескольких единиц настройки зачастую это приводит к дискриминационное ценообразование с потребителями оплаты различных сумм за тот же товар. Такие аукционы, используемых на различных аукционных сайтах в Интернете, впервые Egghead.com 'прибавочной аукционов (в настоящее время не функционирует) и в настоящее время популяризировал Ubid.com ..

Ключевые факторы, которые могут контролировать аукциона в торгах янки являются: (1) размер лота; (2) шаг аукциона; (3) продолжительность аукциона, а также (4) открытие торгов.

Игнорирование контроля расходов в настоящее время, мы полагаем, что клиентам максимально чистой стоимости и, следовательно, всегда ставка на текущей котировки на продажу, при условии, что текущие котировки на продажу, не превышает их оценочную стоимость этого пункта. Rothkopf и Харстад (1994b), в единый пункт анализа, характеризуют это как пешеходный подход к торгам. Такая стратегия в соответствии с рациональными, капитал максимального предположения для потребителей. Исли и Тенорио (1999) распространить этот результат на Янки аукционов, кондиционирования его на отсутствие каких-либо расходов на подготовку и представление предложения. Примечательно, что такая стратегия может включать активное участие руководства или могли бы быть проведены с использованием запрограммированных агента программное обеспечение, которое ставки минимальной ставки на любом этапе в ходе аукциона. Оба были на практике. Принимая эту стратегию, выбирать участников, не более агрессивны, чем необходимо продолжать конкурировать.

Повышение ставки и аукционов доходов

Bapna (1999) использует модель регрессии, чтобы показать, что среди всех контрольных факторов, упомянутых в предыдущем разделе, шаг аукциона является единственным фактором значительных изменений в объяснении аукциона доходов. Кроме того, отдельные данные свидетельствуют о том, что аукционисты понимают важность ставку шагом. Мы постоянно наблюдали, что подобные предметы на аукцион, в разное время, с использованием различных шагом торгов.

Хотя большинство из существующих теории (подробный обзор см. McAfee и Макмиллан, 1987; Милгром 1989 и Милгром и Вебер, 1982) анализ аукционах либо по частным или общим значение параметра, он-лайн контекст, в котором эти аукционы B2C место делает такой строгой классификации соответствуют действительности. Тщательное наблюдение видов товаров, продаваемых в этих ликвидации виды аукционов показывает, что большая часть предметов (например, компьютерной техники и потребительской электроники), имеют как своеобразный (частные) и общие элементы значения. Это тем более важно с учетом наличия несовершенных заменителей и цены сравнению агентов, которые предоставляют информацию относительно сопоставимых альтернативных продуктах и их относительно цен. Таким образом, исходя из общей модели Милгром и Вебера (1982), нескольких единиц аукционы B2C лежат в континууме между частной и общей модели значение. См. Paarsch (1992) о том, как сделать выбор между общими ценностями и частных парадигм значение в аукционах. Наличие прайс-агентов сравнению создает массу потребителей оценки в или вокруг рыночных цен. Следовательно, можно ожидать, что в прогрессивных аукционов в Интернете, например аукциона янки, таких уровней ставки может быть реализована к концу торгов, а не в начале или в промежуточных этапах.

Предполагая, что участниками торгов являются рациональными и следовать стратегии пешеходных торгов, Bapna, идет, и Гупта (2000) показали, что на заключительном этапе проведения аукциона, не более двух уровнях торгов не наблюдается. По крайней мере, все заявки будут на более низком уровне, а в другую крайность бы, чтобы все участники торгов на более высоком уровне. Разница между этими двумя уровнями торгов равна шаг аукциона. С точки зрения аукциониста большего числа участников торгов на высшем уровне ставки, тем больше доход. Интуитивно понятно, что процесс определения оптимального прироста ставка, чтобы создать раздел в дискретном пространстве оценки участников торгов, что выше уровня ставки появляется возможность максимально возможное число участников. Из этого следует, что такие перегородки политики позволит оптимизировать ожидаемые доходы.

В следующем разделе мы представляем наши аналитические модели, которая характеризует ожидаемый доход на аукционах янки.

Теоретическая модель

На основе многомерного регрессионного анализа многоквартирных Янки аукционов, Bapna, идет, и Гупта (2000, 2001) показали, что в значительной степени, оценка предельной потребителей и шаг аукциона установленным аукционист, определить Диапазон торгов доходов. Стандартной практикой в аукционе литературе является определение предельных потребителя как самой неудачной торгов или низкая победителя торгов (Булоу

Из ожидаемых доходов выражения в уравнения 1-3, то ясно, что к шаг аукциона = ключевым фактором, определяющим аукциона доходов. В данной работе мы стремимся к созданию механизмов для калибровки шаг аукциона, которые оптимизируют ожидаемые доходы аукциона. Критическим параметром, необходимых для оптимизации шаг аукциона является значение вероятности р того, что участник торгов сможет ставку на следующую более высокую ставку выше уровня B югу 0 ^ ^. Для оценки р аукционист нуждается в информации о участникам оценки, нетривиальная задача. Использование такой информации, при любом уровне торгов, аукционов можно заключить, число участников, которые могут иметь оценки за произведения, которые равны или выше, чем на следующий возможный уровень ставки.

Прежде чем описывать эмпирические инструменты оценки, мы хотели бы обеспечить дальнейшее интуиции в оптимизации ожидаемых доходов путем установления оптимального прироста ставки использованием числовой пример:

Численный пример 2. Пусть аукциона 5 пунктов продажи, а для оценки наивысший 6 участников таковы:

Пусть B ^ югу 0 = $ 110. Не зная фактические оценки каждого участника, то было бы достаточно, если аукционист знал число участников с оценки выше определенного уровня ставок. С множеством участников выше, ниже таблице соответствующей информации для аукциона.

Из приведенной выше таблицы, становится ясно, что установление ставки прирост на $ 11 даст оптимальные ожидаемых доходов.

Приведенный выше пример предполагает, что знает, аукционист распределение оценок претендентов априори. Обычно в теории аукционов взять на себя некоторые известные непрерывное распределение которых потребительских оценок, как утверждается, принадлежат. В данной работе мы используем программное обеспечение автоматизированного сбора данных агентам следить в режиме реального аукционов в Интернете, и при этом строить исторических архивов ставку моделей, которые позволяют эмпирической оценки значений р, а также для принятия обоснованных предположений относительно распределения оценки претендентов . В следующем разделе мы объясняем, как мы собираем данные от реальных аукционов в Интернете и использовать его для получения эмпирического распределения значений р. Мы также можем соответствовать равномерного распределения критической fractile оценок участников, получаемые из эмпирических наблюдений. Это, в свою очередь, позволяет получить аналитически оптимального прироста спроса и доходов.

Применения средств анализа результатов на REAL АУКЦИОНЫ

Сбор данных

Автоматический агент был запрограммирован, чтобы захватить, непосредственно из веб-сайта, HTML документ, содержащий продукт частности аукциона описание, минимальной ставки, размер лота, и нынешний высокий участников торгов при частых интервалах 5-15 минут. Разбор модуль, разработанный в Visual Basic был использован для конденсации всю информацию, относящуюся к одной аукционе, включая все поданные заявки, в одной таблице. Мы отслеживаться более 150 аукционов, однако полные данные торгов была доступна для 65 аукционов. Процесс отбора был разработан для обеспечения: (1), что нет выборки потери (из-за случайных аварий сервера), и (2), что существует достаточный интерес в ходе самого аукциона, учитывая, что некоторые аукционы не вызвали какого-либо участников. Сбор данных продолжался в течение 6 месяцев, с тем чтобы гарантировать достаточно большой выборки размера (> 20) для каждого из уровней шаг аукциона выбрали ($ 10 и $ 20). Из собранных данных мы можем построить торгов историю каждого участника, которые участвовали в каждом из 65 аукционов.

Получение эмпирических данных оценки

На основании окончательного ставки каждого участника, оценка формируется за это цену путем добавления случайного числа извлечь из U (O, K). Для потери участников использованием стратегии пешеходных торгов, это рациональная оценка, потому что окончательное предложение ставку можно считать жесткой нижняя граница оценки потребителя. Если реальная оценка потребителя больше, чем один шаг аукциона выше окончательное предложение, то цену должен был бы представлять собой новую ставку и либо в списке победителей или движение аукциона на более высокий уровень торгов. Для победителей аукциона, эти оценки являются консервативными, потому что, как мы видели в разделе 3, что аукцион может остановить с победителями N не обязательно торгов вплоть до близкой к их реальной стоимости: Тем не менее, с целью оценки влияния на доходы аукциона "они могут оказаться недостаточными. Таблица 2 содержит список заявки на одном из аукционов, который мы наблюдали и потребительских оценок вытекает из этих предложений.

Оптимизация Аукционы Доходы Использование Прогнозные равномерное распределение

Наши оптимизации подход основан на знании критических fractile из N 1 высоких оценок, который содержится в верхнем хвост общее распределение потребительскую ценность. Поскольку большинство из теоретических распределений относительно квартиру в хвосте, мы предполагаем, что это может быть возможным приблизиться к критической fractile распределения с равномерным распределением.

Из приведенных данных мы собрали, мы можем вычислить число различных участников, которые установил ставку на уровне или выше данного уровня ставки и, таким образом можно построить неявной кривой спроса из участников аукциона путем подсчета количества людей, которые будут готовы купить продукта в любой данной цене.

Таким образом, путем оценки критических fractile использованием равномерного распределения, мы можем использовать уравнение (7) и в интерактивном режиме определить оптимальное значение шаг аукциона и связанные с максимальной прибыли.

РЕЗУЛЬТАТЫ И ПРОВЕРКИ

Проверка с помощью моделирования

Bapna и др.. (2001b) разработали надежное средство моделирования для тиражирования аукциона янки работает. Материалы для моделирования является список всех окончательные заявки размещены на всех участников в реальном аукционе. Оценка генерируется для каждого участника с помощью процесса, аналогичного тому, что указано выше в настоящем документе. Моделирование программа считывает эти оценки из файла, так и для любой шаг аукциона он может генерировать определенное количество серий, представляющих различные возможности торгов результатов в лице комбинаторные возможности показано в теоретической модели выбора.

Этот инструмент моделирования оказались очень прочными; всесторонние испытания показали, что конкурс потоков, порожденных моделирования, образцы же распределение, что реальный случай аукциона. Она обеспечивает очень эффективное средство для оценки влияния выбора параметров аукциона. Например, Bapna и др.. (2001b) обнаружили, что в связи с шаг аукциона, выручка функция мульти-модальных, то есть, часто можно получить оптимальные значения для доходов в различных выбор шаг аукциона. Было также отмечено, что в большинстве случаев аукционисты выбрал ставку приращений, которые были далеки от оптимальных решений. Благодаря своей гибкости и надежности, этот инструмент моделирования была выбрана для проверки теоретических результатов данной работы. В частности, мы хотели бы сравнить две теоретически оценкам мер оптимального объема поступлений, с 2 моделируемых ситуациях.

2 теоретически предполагаемых количествах являются:

* Оптимальный доход R (к югу К ^ ^), полученные из выражения (3), когда к шаг аукциона ^ ^ К югу определяется на основе расчетной р представлены в уравнении (4) используя эмпирические данные напрямую. Это делается путем оценки численно уравнение (3) для всех возможных выбора ставки шагом.

* Оптимальный доход R (к югу ^ ^ ТУ), полученные из выражения (3), когда к шаг аукциона ^ ^ к югу Ту выбирается с помощью уравнения (7), т. е. основе лежит предположение о том, что критическая fractile происходит от равномерного распределения.

Каждый из них по сравнению с двух следующих случаях получены от использования средств моделирования:

* Максимальный доход R ^ югу S ^ (к югу ^ SO ^), полученные с помощью средств моделирования на вычислительной оценку каждого возможным увеличение спроса и определить оптимальные 1 (к югу SO ^ ^). Это сравнение, предназначенный для измерения точности нашего аналитического подхода в получении оптимального дохода.

* Оптимальный доход инструмент моделирования с помощью соответствующего оптимального прироста ставки, RS (к югу ^ К ^) или RS (к югу ТУ ^ ^). Это сравнение тест предназначен для оценки последствий использования оптимального прироста ставки, полученных каждым теоретической модели.

Напоминая, что основной интерес аукционисты 'находится в максимальном увеличении доходов, мы хотели бы проверить точность аналитических моделей с использованием наших средств моделирования в рамках двух различных уровнях интенсивности информации (эмпирический и форма). Мы делаем упор на изучение эквивалентности доходов структур. Мы делаем это в два этапа начала первой путем изучения простой процент отклонений между теоретическими и моделирование доходов, а затем строго следить диск моделирования проверку, предложил аль Клейен и др. (1996, 1998).

Анализ данных

На основании данных, полученных из реальных аукционов, как описано в предыдущем разделе, мы провели 31 репликаций для каждого аукциона на каждом из трех случаев доходов: R (к югу ^ SO ^), RS (к югу К ^ ^), и RS (к югу ТУ ^ ^). Мы использовали среднем 31 вольеров для каждого из 65 аукционов по каждому доходов случае сравнивать с теоретическими случаях R (к югу К ^ ^) и R (к югу ТУ ^ ^). Результаты аукционов 65 представлены в таблице 5 в терминах среднее отклонение процента от соответствующего моделирования дела.

Первая строка означает, что при использовании реальных оценок в теоретической модели, мы достигаем среднее отклонение 0,48% вот из результатов моделирования с использованием лучших возможным увеличение ставки. Это приводит нас к форме изначальную веру, что с учетом эмпирически вероятность р, теоретически оптимального дохода строению близка к моделируемой доходов максимум.

Теоретически определить оптимальный прирост ставку, часто отличается от шаг аукциона, на котором моделируется доход максимален. Таким образом, еще один вопрос, стоит ли изучать моделирование доходов на теоретически оптимальный шаг аукциона значительно ниже, чем предполагаемые теоретические доходов. В строке 2 таблицы 5 мы видим, что при применении полученных теоретически шаг аукциона в симуляции, отклонение составляет 0,47%. Этот результат далее добавляет, мера устойчивости к нашей первоначальной убеждение, что аналитически определена ставка прироста является тот, который максимизирует доход аукциона. Обе строки 1 и 2 таблицы 5 были рассмотрены в соответствии с высокими случае информация об интенсивности, когда аукционист был эмпирических распределений оценок потребителей.

Тем не менее, во многих случаях аукциона может иметь более ограниченный набор информации о OT потребительских оценок. Например, аукционист может иметь только оценки снизу и сверху на ожидаемые цены, что потребители могут платить. Основываясь на результатах предыдущего раздела, сравнение доходов в строках 3 и 4 таблицы 5 проводились с использованием равномерного распределения для потребителя оценок. Ясно, что с меньшей интенсивностью информации, по сравнению с эмпирическими знаниями случае, точность теоретической модели, не так высока, как средний процент отклонений возрастает до 5,85%, но по-прежнему в очень разумных пределах.

Трейс Driven проверки

Чтобы проверить более тщательно наших аналитических результатов в борьбе против нашей имитационной модели мы приняли следов механических проверки техники, как это предлагается др. Клейен и др. (1996, 1998). Идея сравнить результаты двух временных потоков, в нашем случае поток теоретических значений аукциона доходов и моделирование потока. Мы в состоянии это сделать, потому что наш анализ отражает временных аспектов аукционов мы отслеживаться. Они варьировались для каждого аукциона по размерам площадь, цена величины, а число участников процедур. Следа driven испытаний подход проверку, если два потока имеют одинаковые средства и отклонений. Хотя детали подход выходит за рамки данной статьи, мы представляем основные методологии ниже.

Существует подавляющую поддержку эквивалентности означает для всех доходов сравнений. Существует также поддержкой подавляющего большинства эквивалентности отклонений для сопоставления, связанные с теоретической моделью эмпирических оценок наблюдается. Поддержка идет вниз (R2 выходит в четвертом столбце таблицы 6) для сопоставления теоретической модели предполагается равномерной оценки. Это и не удивительно, поскольку в соответствии с едиными предположения мы имеем больше потери информации, поскольку отдельные оценки не используются, и, следовательно, более изменчивости. Как аль Клейен и др. (1996, 1998) указывают, это тот случай, когда два распределения не имеют эквивалентных отклонений. Иными словами, несмотря на центральной тенденции эквивалентны, распределения сами таковыми не являются. Клейен и др.. (1998) полагают, что, когда результаты второго регрессии несоответствующей к гипотезе о равной дисперсии отдельных тестов или попарно т-тест должен быть использован для дальнейшего изучения свойств.

Таким образом, на уровне отдельных аукционе, мы проверить теоретические доход был эквивалентен среднем 31 вольеров для моделирования, что аукцион. Мы использовали стандартную Т-тест разности средств. Таблица 7 показывает количество отдельных аукционов, в которых мы не смогли отказаться от доходов эквивалентности (теоретические против моделируемых) при 10% уровне значимости, по той же сравнение выше.

Таблица 7 показывает, что в целом ряде случаев даже при ограниченной информации (в предположении равномерного критических оценок fractile), мы можем предсказать, по крайней мере ожидаемого дохода. В целом, результаты показывают, что если аукционист имеет доступ к эмпирической оценки потребителя, теоретические модели могут быть использованы с высокой степенью точности, чтобы определить оптимальный шаг ставки на аукционе. Если эти оценки не имеется, но покупательский спрос критической fractile еще можно вывести через равномерное распределение, шаг аукциона определяется теоретическая модель может по-прежнему дают очень хорошие результаты. Из таблицы 7, доходов от использования таких приращений ставка может быть очень точной две трети времени. Из результатов в таблице 5, в среднем, доходов, получаемых с помощью этих ставку приращения от менее чем на 4%.

Общий смысл наших выводов из исследовательского анализа данных и следа driven проверки является то, что, как представляется, будет оказывать решительную поддержку использования теоретически рассчитанных шаг аукциона в разработке многих интернет-аукцион единицы. Выбрав аналитически определить шаг аукциона, аукциона может рассчитывать на максимально повысить уровень доходов. Существует также интересный компромисс затрат и выгод между затратами на приобретение информации, необходимой для подключения к модели (р оценка) и соответствующие выгоды доходов.

ЗАКЛЮЧЕНИЕ

В этой статье мы предлагаем подходы на различных уровнях, моделирования и данных абстракции для решения задачи оптимального проектирования аукциона. Фактического применения каждого подхода, может зависеть от конкретного продукта и / или наличие информации о рынке. Рисунок 3 представляет собой концептуальную основу для интеграции ценную информацию, содержащуюся в настоящем документе в дизайн интернет-аукционах янки. Начиная с отслеживания реальной аукционы онлайн, чтобы получить оценку потребительских оценок и кривая спроса, мы разрабатываем теоретическую модель процесса генерации доходов. Оптимизации этой модели, требует оценки вероятности того, что участники торгов ставки на следующую более высокую ставку уровне, выше предельной ставки.

В итоге, мы разработали теоретические основы для определения оптимального прироста ставки настройки для интернет-аукционах Yankee, важных новых канала в цепочке поставок. Теория опирается на информацию, которая имеет в отношении аукционистом цену оценок. На одном полюсе, опираясь на эмпирические распределения цену оценки, наши теоретические модели могут быть использованы для определения оптимальных настроек увеличение ставки. Результаты теоретических моделей были протестированы с использованием средств моделирования и мы обнаружили, что теоретически дает оптимальный шаг аукциона максимальной выручки. Аналогичные, но не таким сильным, результаты получаются, если мы полагаемся на равномерное распределение характеристика претендента оценки в критических fractile, в отличие от эмпирических 1. Следует отметить, с точки зрения информации о стоимости, последняя гораздо легче установить, чем первый, следовательно, соответствующие небольшая слабость в результате. Иными словами, в зависимости от объема информации, доступной для оценщиков, низкой или высокой интенсивности отслеживать информацию можно было бы продолжать и оптимального приращения ставки могут быть получены. Инструмент моделирования могут быть использованы для изучения различных сценариев и политики, а также может использоваться в качестве испытательного стенда для улучшения проектирования и / или параметризации данного аукциона ..

С практической точки зрения мы ожидаем, аукционисты иметь некоторые предыдущих оценок предельных (БО) и максимальной оценки, что потребители могут ожидать, что для продукта на аукцион. Они могли бы быть получены от исторического распределения данных, сравнения цен агентов, а также других третьих источников. Они могли бы использовать эти первоначальные оценки для расчета оптимального прироста спроса и начать аукцион. Как аукциона прогрессирует, это может быть необходимо, чтобы первоначальная смета, возможно, потребуется пересмотреть, или просто более точной оценки Бо может стать доступной аукционов. В пересмотренной смете будет накапливаться динамика этого конкретного аукциона и торгов стратегий, работающих в нем. Было бы вот, для повторного аукциона нашей вычислительно эффективный метод оптимизации с пересмотренной оценки параметров и динамически настраивать параметры аукциона аукционе прогрессирует. Например, на аукционе было бы начать с шаг аукциона в размере 20 и перейти на более низкую ставку прирост, скажем, $ 10, как это кажется закрыться.

В дальнейшей работе мы сосредоточим внимание наше внимание на другие параметры аукциона в разработке интернет-аукционах, которые требуют оптимизации. Они включают, но не ограничиваясь этим, продолжительность аукциона и размер лота и другие. [В редакцию: 6 октября 2001. Принято редколлегией: 3 июля 2002.]

исследования * Alok Гупты поддержана грантом NSF КАРЬЕРА

Ссылки

Bapna, R. (1999). Экономический и экспериментального анализа и проектирования на основе аукциона Онлайн торговых процессов. Неопубликованные докторскую диссертацию. Университет штата Коннектикут, Сторрс, штат Коннектикут.

Bapna Р., Goes, П.,

Bapna Р., Goes, П.,

Bapna Р., Goes, П.,

Бюлов, J.,

Исли Р.,

Клейен Дж. PC., Bettonvil, B.,

Клейен Дж. PC., Bettonvil, B.,

McAfee, Р. П.,

Милгром, П. (1989). Аукционы и конкурсы: грунт. Журнал "Экономические перспективы", 3, 3-22.

Милгром, P,

Nautz Д.,

Paarsch, H. J. (1992). Выбор между общими ценностями и частных парадигм значение в эмпирических моделях аукционов. Журнал эконометрика, 51, 191215.

Rothkopf, М. Х.,

Rothkopf, М. Х.,

Ravi Bapna и Пауло Goes

Департамент операций и управления информацией, U-41 И. М., Школа бизнеса университета штата Коннектикут, Сторрс, CT 06269, адрес электронной почты: @ ravi.bapna business.uconn.edu, <A HREF = "mailto: paulo.goes @ business.uconnt.edu "> @ paulo.goes business.uconnt.edu </ A>

Alok Gupta

Информация и Decision Sciences Департамента Карлсон школы менеджмента университета штата Миннесота, 321 19-я авеню Юг, Minneapolis, MN 55455, адрес электронной почты: <a href="mailto:gupta037@umn.edu"> gupta037@umn.edu </ >

Гилберт Karuga

Бухгалтерского учета и информационных систем Департамента школа бизнеса, Университет штата Канзас, 1300 Саннисайд-авеню, Лоуренс, KS 66045, адрес электронной почты: <a href="mailto:gkaruga@ku.edu"> gkaruga@ku.edu </ A>

Ravi Bapna в настоящее время доцент информационных систем управления в Университете штата Коннектикут. Он также занимал аналогичную позицию в Школе менеджмента при Университете штата Техас в Далласе в 1999-2000 годах и Северо-Восточного университета в 2000-2001 учебном году, соответственно. Он получил докторскую степень в ходе операций и управления информацией из университета штата Коннектикут в 1999 году. Д-р Bapna интересов в исследования в области электронной коммерции, е - торгового процесса проектирования и оценки, Интернет-аукционы, и экономика информационных систем. Его исследования были опубликованы в самых разных журналов, таких как менеджмент, логистика Naval Research, EJOR, DSS, информационных технологий и управления и материально-технического и информационного менеджмента.

Паулу B. Goes является доцентом операций и управления информацией и Гладштейн профессор по информационным технологиям

Alok Гупта, доцент кафедры информационных систем в Департаменте IDSC, Университет штата Миннесота. Он получил докторскую степень в УСИС из Техасского университета в Остине в 1996 году. Его направлениями деятельности компании являются передача данных, электронная коммерция, разработка и оценка экономических механизмов, математическое моделирование информационных систем, крупномасштабных систем моделирования и экономики информационных систем. Его исследования были опубликованы в различных информационных систем, экономики и информатики журналах, таких как менеджмент, ISR, Decision Sciences, ЦАОР, JMIS, Журнал экономической

Динамика и контроль. Он был удостоен престижной NSF Карьера награду за свои исследования в интернет-аукционах. Он является членом редакционных коллегий DSS и бразильские Электронный журнал экономики.

Гилберт Г. Karuga является ассистентом профессора в Университете штата Канзас. Он получил докторскую степень в ходе операций и управления информацией из университета штата Коннектикут в 2002 году. Он также получил степень бакалавра наук (математика) и MBA в Университете Найроби. Д-р Karuga нынешние научные интересы в интернет-услуг, особенно в области разработки и оптимизации интернет бизнес-моделей. Его исследования были опубликованы в систем поддержки принятия решений и электронной коммерции журнал.