C2C電子商務(wù)差異化折扣模型：基于在線購買歷史聚合

李 聰，李雪琴，Gajanan G. Hegde，馬 麗

?

C2C電子商務(wù)差異化折扣模型：基于在線購買歷史聚合

李 聰1,2，李雪琴1，Gajanan G. Hegde2，馬 麗3

（1. 四川師范大學計算機科學學院，四川成都 610068；2. 匹茲堡大學Katz商學院，賓夕法尼亞匹茲堡 15213，美國；3. 四川師范大學圖書信息中心，四川成都 610068）

基于C2C電子商務(wù)網(wǎng)站進行在線購物已成為人們的一種重要生活方式。根據(jù)買家信譽度向其提供購物折扣是有效的營銷技術(shù)。但目前C2C網(wǎng)站使用的信譽評分累積模型過于簡單，無法涵蓋買家在線購買歷史(online purchase history)，因此不能準確反映買家信譽度和提供差異化折扣。針對上述問題，本文提出了一種面向C2C電子商務(wù)的差異化折扣模型。該模型包含能體現(xiàn)買家在線購買歷史的交易、惡意評價懲罰、買家操作、退單、實名認證等五個指標，其中交易指標又包含交易金額、交易時間衰減因子、賣家評價等三個因子，買家操作指標又包含買家付款時間、買家確認收貨時間等兩個因子；然后基于線性加權(quán)方法，將C2C買家在線購買歷史聚合為買家信譽度；進而通過min-max normalization方法對買家信譽度進行線性轉(zhuǎn)換，并與C2C賣家給定的折扣區(qū)間結(jié)合，得到最終的差異化折扣，從而C2C賣家可以根據(jù)當前買家的信譽度實施更精準的一對一營銷和動態(tài)定價策略。以淘寶網(wǎng)為背景的仿真實驗結(jié)果證明了本文新模型的有效性。

C2C電子商務(wù)；差異化折扣；在線購買歷史

0 引言

隨著最近十年來Internet和電子商務(wù)的迅猛發(fā)展，基于C2C(Consumer-to-Consumer)電子商務(wù)網(wǎng)站進行在線購物已成為人們的一種重要生活方式。截至2012年12月底[1]，中國網(wǎng)民數(shù)量達到5.64億，網(wǎng)絡(luò)購物用戶規(guī)模達到2.42億人，網(wǎng)絡(luò)購物使用率提升至42.9%。然而，C2C電子商務(wù)環(huán)境存在競爭激烈、商品同質(zhì)化嚴重、信用體系不完善、信息不對稱等特征，導致“網(wǎng)購消費欺詐、用戶信息泄漏、企業(yè)無序競爭等問題在2012年更加突出”[1]。為此，中國工業(yè)和信息化部在2012年發(fā)布的《電子商務(wù)“十二五”發(fā)展規(guī)劃》[2]中指出，要“促進在線信用服務(wù)的發(fā)展”和“積極營造誠信為本、守信激勵和失信懲戒的社會信用環(huán)境”。同時，根據(jù)2001年度諾貝爾經(jīng)濟學獎得主Akerlof教授提出的“檸檬”原理可知，信息不對稱會破壞市場，即由“檸檬”問題所導致的逆向選擇會降低市場交易效率[3]。這就給C2C平臺的賣家?guī)硪韵码y題：如何有效實施精準的一對一營銷以吸引和維持更多客戶資源？

我們認為，要解決上述問題，一項非常有效的途徑就是根據(jù)客戶信譽度提供差異化折扣服務(wù)，以此增強客戶對賣家的“粘度”，同時也幫助賣家識別惡意買家以防范欺詐。信譽(也稱為聲譽)評價機制是一種在網(wǎng)絡(luò)環(huán)境下，通過收集、合計、發(fā)布用戶歷史行為反饋信息，激勵陌生人之間的合作行為，促進網(wǎng)絡(luò)信任的信譽管理機制[4]，其基本原理[5]是：用戶完成一筆交易后，交易雙方可以就交易涉及的多個方面（如產(chǎn)品質(zhì)量、交貨或付款及時性等）對對方進行評價，形成信譽反饋，從所有交易得到的信譽反饋按一定方式集結(jié)為該用戶的綜合信譽分，用以反映該用戶的信譽狀況，并供其他用戶作交易決策時參考。因此，信譽可以被買賣雙方作為其“信號示意”方式向?qū)Ψ秸故咀陨硇庞帽ＷC，從而獲取信譽“溢價”（即對賣家而言，可以開出比市場價更高的賣價；對買家而言，則可以要求賣家提供更多的優(yōu)惠服務(wù)）。通過建立高效的信譽評價機制，可以有效降低信息不對稱現(xiàn)象帶來的不利程度，幫助買賣雙方快速建立信任關(guān)系、降低交易風險，在限制欺詐行為的同時鼓勵誠信交易，避免發(fā)生道德風險和逆向選擇[6]。

因此，自美國學者Resnick等[7]于2000年提出信譽評價機制以來，該機制作為一種新型信任管理模式已在眾多著名電子商務(wù)網(wǎng)站得到廣泛應(yīng)用[8-9]，例如eBay、Amazon、淘寶網(wǎng)、拍拍網(wǎng)等。Melnik[10]、McDonald[11]、Standifird[12]、Houser[13]、Ba[14]、Dewan[15]、Livingston[16]、Samak[17]、Ye[18]、楊居正[19]、李維安[20]、周黎安[21]、吉吟東[22]、張仙鋒[23]、周耿[24]等眾多學者采用OLS、Tobit、Probit、雙向Logistic等回歸方法，基于eBay、易趣網(wǎng)、淘寶網(wǎng)等電子商務(wù)市場數(shù)據(jù)（調(diào)查商品涵蓋了金幣、硬幣、芭比娃娃、CPU芯片、高爾夫球桿、明信片、郵票、音樂CD、軟件、數(shù)碼相機、網(wǎng)絡(luò)游戲充值卡、手機等），驗證了信譽具有價值，且對商品價格、售出率、售出數(shù)量起正向影響作用。然而，上述關(guān)于信譽評價機制的研究工作都只是以賣家信譽作為研究對象。而在C2C買家信譽評價方面，目前基本上都使用的是信譽評分累積模型。這種模型過于簡單，無法涵蓋買家在線購買歷史(online purchase history)，因此不能準確反映買家信譽度和提供差異化折扣。

針對上述問題，本文提出了一種面向C2C電子商務(wù)的差異化折扣模型。該模型的基本思想是：一份在線購買歷史清單，能夠反映買家的消費水平、交易時間、交易誠信等多項因素；因此，我們可以將這些因素看作是買家“信譽”的多維信號，并通過某種方法進行聚合，將得到的綜合值用來表征買家“信譽”；高信譽買家自然應(yīng)獲得來自C2C賣家的更大購物折扣。目前，該模型包含能體現(xiàn)買家在線購買歷史的交易、惡意評價懲罰、買家操作、退單、實名認證等五個指標，其中交易指標又包含交易金額、交易時間衰減因子、賣家評價等三個因子，買家操作指標又包含買家付款時間、買家確認收貨時間等兩個因子；然后基于線性加權(quán)方法，將C2C買家在線購買歷史聚合為買家信譽度；進而通過min-max normalization方法對買家信譽度進行線性轉(zhuǎn)換，并與C2C賣家給定的折扣區(qū)間結(jié)合，得到最終的差異化折扣，從而C2C賣家可以根據(jù)當前買家的信譽度實施更精準的一對一營銷和動態(tài)定價策略。以淘寶網(wǎng)為背景的仿真實驗結(jié)果證明了本文新模型的有效性。

本文第1節(jié)對相關(guān)工作進行了介紹和分析；第2節(jié)構(gòu)建了基于在線購買歷史聚合的C2C電子商務(wù)差異化折扣模型；第3節(jié)以淘寶網(wǎng)為背景對本文模型進行了仿真實驗及分析；第4節(jié)給出全文結(jié)論和進一步研究內(nèi)容。

1 相關(guān)工作分析

1.1 文獻回顧

本文所探討和構(gòu)建的C2C電子商務(wù)差異化折扣模型，其本質(zhì)是一項可輔助C2C網(wǎng)站在基于消費者購買歷史(purchase history)的基礎(chǔ)上，實施動態(tài)定價(dynamic pricing)營銷策略的定量分析工具。下面，我們簡要回顧消費者購買歷史和動態(tài)定價研究領(lǐng)域的相關(guān)文獻。

(1) 消費者購買歷史

Rossi[25]等曾指出，營銷實踐的一個重要方面就是以消費者細分市場為目標進行差異化促銷活動(differential promotional activity)。正如蘇萌[26]等所言，商業(yè)的未來是“為每一個終端消費者提供專屬性的產(chǎn)品與服務(wù)”；營銷的本質(zhì)在于“異質(zhì)性”(heterogeneity，即“消費者的不同”)和“差異化”(differentiation，即“為不同類型的消費者提供不同的產(chǎn)品和服務(wù)”)，其中“市場細分是解決消費者異質(zhì)性的一種方法，而個性化則是市場細分的極致，即把每一個消費者看成一個細分的市場，這也是營銷的終極目標”。

要做到以上所述，就必須重視對消費者購買歷史的分析與研究。然而，對于消費者購買歷史，長期以來國內(nèi)外研究者們的視線基本都集中在從購買歷史數(shù)據(jù)中挖掘關(guān)聯(lián)規(guī)則(association rules)以實現(xiàn)交叉銷售(cross-selling)[27]，并未涉及在C2C環(huán)境下依據(jù)消費者在線購買歷史數(shù)據(jù)來提供差異化折扣的問題。

近年來，隨著互聯(lián)網(wǎng)、電子商務(wù)及IT技術(shù)的迅猛發(fā)展，使得個性化定價有了堅實的技術(shù)基礎(chǔ)和最佳實施平臺，一些學者開始研究如何基于消費者的購買歷史數(shù)據(jù)來制定適當?shù)膫€性化價格。對于銷售商基于購買歷史進行價格調(diào)整的策略，F(xiàn)udenberg[28]等將其稱之為“基于行為的價格歧視”(behaviorally based price discrimination)。但由于“基于顧客的歷史購買數(shù)據(jù)的方法剛剛開始興起”[26]，因此在已有的個性化定價方法中，對于折扣的處理大都是采用定額折扣券(用于沖抵現(xiàn)金)，而非本文研究的差異化折扣。

例如，Acquisti[29]等討論了面對策略消費者(strategic customer)時，如何基于消費者購買歷史并在結(jié)合個性化增強服務(wù)(personalized enhanced services)的基礎(chǔ)上，實施價格歧視和動態(tài)定價策略的問題。但是Acquisti等未給出差異化折扣的計算模型，只在他們給出的三類個性化增強服務(wù)中，提到了在動態(tài)定價中運用個性化折扣券(personalized discount coupons)的思路。

Rossi[25]等則在經(jīng)濟學理論框架下研究證明，基于不同消費者的購買歷史來定制折扣券面值(customizing the face value of the coupon)，比隨機派發(fā)（例如隨報紙派發(fā)、在商店入口處派發(fā)、在結(jié)賬臺派發(fā)等）折扣券更能給銷售商帶來凈收益(net revunue)。但Rossi等的研究針對實體零售店，因此和基于Internet的C2C電子商務(wù)相比，在消費者購買歷史數(shù)據(jù)上存在較多不同。例如，C2C電子商務(wù)交易中的用戶評價、買家操作(在線付款/物流抵達后的線下收貨/在線確認收貨)等數(shù)據(jù)項，在實體零售店中就鮮有體現(xiàn)。

張旭[30]基于某會員制商場的實際情況，應(yīng)用“報童模型”的基本原理，研究在需求不確定且與價格具有相關(guān)性的前提下，應(yīng)用博弈論基本范式建立并分析了會員制商場與會員之間的階段型價格折扣博弈模型，試圖找出商場與會員之間的均衡策略。但是，張旭的模型僅針對會員等級制而建立，所利用的會員購買歷史數(shù)據(jù)也只限于累積消費金額。而本文模型所使用的會員在線購買歷史數(shù)據(jù)，除了包含累積消費金額的交易指標外，還有退單、惡意評價懲罰、買家操作等多種指標，因此在對消費者購買歷史數(shù)據(jù)的分析上更為全面。

從購買歷史分析的研究角度來看，本文研究的C2C電子商務(wù)差異化折扣模型，就是在以往研究只針對消費者累積消費金額進行分析的基礎(chǔ)上，擴展了購買歷史的分析數(shù)據(jù)項，以使得C2C網(wǎng)站能對每個消費者給出更精準的個性化優(yōu)惠折扣，即差異化折扣。

(2) 動態(tài)定價

相對于可變成本、固定成本或銷售量，恰當?shù)亩▋r是更有力的收益提升杠桿，這體現(xiàn)在1%的定價改進可平均提高8.6%的營業(yè)毛利[31-32]。故國內(nèi)外學者一致認為，“在將來能夠正確地針對每個顧客進行實時定價的能力會成為企業(yè)重要的核心競爭力，也是企業(yè)生存的底線”[32-33]。動態(tài)定價[34]就是這樣一種通過動態(tài)調(diào)整商品價格來影響市場對產(chǎn)品的需求強度，從而獲取最大收益的營銷手段，其決策實時性要求很高?；ヂ?lián)網(wǎng)和信息技術(shù)的極大發(fā)展，則滿足了促進動態(tài)定價被廣泛應(yīng)用的三個因素[32][35]：①決策者擁有大量銷售數(shù)據(jù)可以用于輔助決策；②新技術(shù)的采用使價格調(diào)整變得更容易；③輔助分析需求數(shù)據(jù)和動態(tài)定價決策支持工具逐漸增加。因此，廠商通過制定滿足決策實時性要求的動態(tài)定價來提高收益變得更為可行。

動態(tài)定價的國內(nèi)外研究文獻雖多[31-48]，但“主要解決廠商面向不同的顧客群時應(yīng)該怎樣制定價格以及如何隨時間變化而設(shè)定價格”[41]，從而“利用價格作為引導需求的一種手段，獲得最大的期望收入”[42]，而非針C2C環(huán)境下依據(jù)消費者的在線購買歷史數(shù)據(jù)來設(shè)定差異化折扣的問題?，F(xiàn)有文獻中，多以產(chǎn)品線[34]、易逝品[43](即市場價值嚴格受銷售時限制約的商品)、民航客運[42][44]、海上運輸[45]、實體店及其網(wǎng)店[46]等為動態(tài)定價的應(yīng)用對象，綜合考慮產(chǎn)品生命周期、企業(yè)庫存、服務(wù)質(zhì)量、消費者類型(分為策略消費者即strategic customer、短視消費者即myopic customer兩類)及其策略購買行為[47-48]等因素，討論如何設(shè)計不同的廠商運營機制來抵消消費者策略行為對廠商收益的負面影響。

從動態(tài)定價的研究角度來看，本文研究的C2C電子商務(wù)差異化折扣模型，就是在綜合消費者購買歷史數(shù)據(jù)基礎(chǔ)上，對每個消費者給出差異化折扣定價。

綜上所述，從與本文模型相關(guān)的購買歷史和動態(tài)定價研究文獻來看，目前還沒有專門基于C2C網(wǎng)站消費者的在線購買歷史數(shù)據(jù)來建立差異化折扣模型的研究成果。因此，本文的貢獻就在于，明確以C2C網(wǎng)站為研究背景，探討C2C賣家如何基于買家的購買歷史數(shù)據(jù)來給定差異化折扣策略，并結(jié)合當前主流C2C網(wǎng)站的運營實際，構(gòu)建了具有較強普適性的差異化折扣模型，從而實現(xiàn)了對買家群體所享折扣的差異化細分，可提升C2C網(wǎng)站個性化營銷服務(wù)質(zhì)量。

1.2 現(xiàn)有的買家信譽評分體系

鑒于定性評價難以用于信譽計算且不便于用戶瀏覽[5]，因此信譽評價模型通常都是采用特定的量化體系來描述用戶的信譽等級。表1給出了目前一些主流C2C電子商務(wù)網(wǎng)站的買家信譽評分體系：

表1 部分C2C網(wǎng)站的買家信譽評分體系

由表1可見，當前主流C2C網(wǎng)站使用的買家信譽評分體系都是(1, 0, -1)評分制。其中，“1”表示“好評”，“0”表示“中評”，“-1”表示“差評”，分別對應(yīng)賣家給予買家信譽的評價為“滿意”、“一般”、“不滿意”。這種評分制可以對買家的不誠信行為進行懲罰。該評分制下買家的信譽度()可由式(1)進行集結(jié)求得：

表2 (1, 0, -1)評分制下的某淘寶網(wǎng)買家信譽評分

表3 拍拍網(wǎng)買家成交金額權(quán)重

在(1, 0, -1)評分制基礎(chǔ)上，極少數(shù)C2C網(wǎng)站增加了新的計算因子。例如拍拍網(wǎng)(paipai.com)認為，“信用度 = 信用評價得分×成交金額權(quán)重”。其中，信用評價得分即(1, 0, -1)評分制得分，成交金額權(quán)重則如表3所示(僅限通過財付通完成的拍拍網(wǎng)交易)。

1.3 信譽評分累計模型的不足

上述以(1, 0, -1)評分制為核心的信譽評價模型存在以下不足，使其不能滿足為買家提供差異化折扣的需求：

(1) (1, 0, -1)評分制用好評次數(shù)減去差評次數(shù)，不能真實反映被評價者的實際信譽狀況[5]，存在變量值缺失問題故導致信譽評價模型的價值降低[49]，且這種簡單累計法難以準確刻畫在線信譽的形成及變化趨勢[5]。因此，買家信譽評價指標應(yīng)納入更多的合理因素。

(2) 交易金額因素在信譽評價中沒有得到充分重視。在C2C電子商務(wù)中，買家對于某個賣家(店鋪)最直接的貢獻就是交易金額。但是，(1, 0, -1)評分制單從累積交易次數(shù)得到好評的方式，并不能真實體現(xiàn)出買家對賣家(店鋪)的貢獻程度。雖然拍拍網(wǎng)采用了交易金額分段的權(quán)重計算方法，但這對于同等條件下交易金額大的買家又形成不公平。例如在當前計算方式下，拍拍網(wǎng)上交易金額分別為1000元、4999元的兩位買家獲得的成交金額權(quán)重均為3，但后者交易金額是前者的5倍，顯然對網(wǎng)店的貢獻程度更大，而這并未能通過(1, 0, -1)評分制體現(xiàn)出來。

(3) 沒有考慮買家在線購買歷史數(shù)據(jù)隨時間的波動狀態(tài)，因此C2C賣家不能識別近期對店鋪貢獻大的買家及其信譽度變動情況。例如，、兩位買家在某家C2C店鋪均有總計5000元的交易總額，但買家的交易全部發(fā)生在去年，買家的交易則全部發(fā)生在最近一周。很明顯后者在當前更為活躍，應(yīng)提供更優(yōu)惠的折扣政策，從而達到增強C2C店鋪與買家之間“粘度”的營銷效果。這個問題也是(1, 0, -1)評分制無法解決的。

(4) 沒有考慮退單、實名認證等因素對買家信譽度的影響。由于C2C網(wǎng)站的經(jīng)營會產(chǎn)生頻繁的庫存變動和貨物調(diào)配，若買家動輒退單，就將對C2C網(wǎng)站的經(jīng)營帶來成本損失。相應(yīng)地，網(wǎng)站在對該買家實施差異化折扣時，有必要將退單因素也考慮進來，作為一種制約機制，使得理性買家在并非必須的條件下放棄退單行為，從而保障C2C賣家的利益。此外，目前C2C電子商務(wù)網(wǎng)站在實名認證上對買家并沒有作強制要求，故實名認證買家具有更高的信譽度，可有效降低賣家面臨的欺詐交易風險。但(1, 0, -1)評分制未包含退單和實名認證因素。

(5) 在買家付款時間、確認收貨時間上沒有區(qū)別評分。例如，賣家可能覺得當前買家付款時間很慢而想給其“中評”，但是該買家確認收貨時間卻很快，最后綜合權(quán)衡還是給該買家“好評”。對此，(1, 0, -1)評分制無法作出區(qū)分。

(6) 缺乏惡意評價識別及懲罰能力。出于爭奪客戶的原因，少數(shù)賣家通過找“托”的方式，對其競爭對手做出大量差評，以此影響對手的信譽和銷售。這也是(1, 0, -1)評分制不能解決的現(xiàn)實問題。

2 C2C電子商務(wù)差異化折扣模型

2.1 模型設(shè)計的子問題劃分

(1) 新模型指標設(shè)計問題。新模型將包含兩類維度(交易維度、中介維度)，共計五個指標(交易、惡意評價懲罰、買家操作、退單、實名認證)。

(2) 新模型指標聚合問題。對此，我們采取的方法是通過線性加權(quán)方法對模型指標進行聚合，用得到的聚合值來表征買家信譽度。

(3) 新模型的輸出問題。對此，我們采取的方法是基于min-max normalization方法對買家信譽度完成線性轉(zhuǎn)換，然后與C2C賣家給定的折扣區(qū)間結(jié)合，從而得到不同信譽度的買家可享受的差異化折扣，此即為新模型的輸出結(jié)果。C2C賣家可據(jù)此向相應(yīng)買家宣布折扣政策。

2.2 差異化折扣模型指標設(shè)計

2.2.1 交易指標

交易金額是當前C2C網(wǎng)站最看重的買家信息。B2C網(wǎng)站常見的會員等級制也是基于買家的交易金額來劃分等級。但是，單純采用交易金額將忽略交易本身的時間因素。Huberman[50]等曾采用經(jīng)濟學理論對信譽計算進行了研究，認為對歷史評價進行基于時間的衰減可使得信譽收斂到穩(wěn)定狀態(tài)。這是由于隨著時間的變動，用戶行為發(fā)生變化，這些都會導致其信用狀況的波動[49]，近期交易所得到的信譽評分比早期評分更能反映買家當前信譽狀況，即越早的評分對當前信譽計算的影響程度應(yīng)越小。這種思路也被很多電子商務(wù)網(wǎng)站用于評估賣家信譽，例如BizRate.com只使用最近90天的數(shù)據(jù)來計算賣家信譽[5]。

對此，我們設(shè)計了“交易時間衰減因子”[51]：某次交易的發(fā)生時間離當前時間越久，則該交易金額在交易指標中的比重應(yīng)越低，即交易時間對買家差異化折扣的影響應(yīng)遵循“近大遠小”策略，即在具備同樣交易金額前提下，近期交易比早期交易對買家差異化折扣水平帶來的波動更大。

當買家完成第筆交易時(即該交易得到賣家所給信譽評價的日期)，其交易時間衰減因子的計算見式(2)：

需要說明的是，荊博賢[52]等也曾提出了一個基于分段函數(shù)的時間衰減因子，但該因子只針對一年內(nèi)的交易。我們認為，信譽計算不宜只將交易額的計算限定在某個連續(xù)時間段(例如一年以內(nèi)，超過則對買家進行信譽降分以及會員降級和資格失效等懲罰)，因為這將導致客戶的不滿情緒，不利于保留客戶和促進客戶消費。本文式(2)給出的計算方法，則能使得買家在當前C2C店鋪的所有交易都能對其信譽度產(chǎn)生相應(yīng)影響。

而

且，

故

圖1 折線圖

對于金額越大的交易，買家承擔的風險越大，相應(yīng)得到的信譽評分應(yīng)有越大的權(quán)重。換言之，買家進行誠信交易的額度越大，對其提高信譽度的幫助應(yīng)越大。因此，在結(jié)合交易時間衰減因子和賣家所給評價的基礎(chǔ)上，本文給出交易金額因子的計算方法，見式(4)：

2.2.2 惡意評價懲罰指標

如前所述，出于爭奪客戶的原因，少數(shù)賣家通過找“托”的方式，對其競爭對手做出大量差評，以此影響對手的信譽和銷售。這些“托”即為惡意買家。我們不難從生活經(jīng)驗中發(fā)現(xiàn)，當同一買家對同一賣家(店鋪)差評的次數(shù)大于1，則該買家就可能是惡意買家。原因很簡單，若買家是誠信的理性人，則他在得到一次該賣家的劣質(zhì)商品并給予賣家“差評”后，不會再成為該賣家的回頭客。

式(5)中，為買家在該賣家(店鋪)的交易總次數(shù)；表示買家得到的差評總數(shù)。需要指出的是，只有時，()才參與該買家的信譽度計算。

圖2給出了當同一買家向同一賣家給出的差評數(shù)量從1增加到12時，的變化曲線圖：

圖2 變化曲線圖

2.2.3 買家操作指標

買家操作是指買家在下單之后，陸續(xù)進行的付款、收貨、確認收貨三項行為。這三項行為發(fā)生的時間早晚，會對C2C賣家的經(jīng)營造成不同的影響。例如，對C2C賣家而言，買家下單后若能盡快付款，則能降低買家退單的可能性，也能大大縮短賣家存貨時間、提高工作效率。因此一個買家在此指標上的良好表現(xiàn)，應(yīng)當用以提升其信譽度。其中，最重要的是付款、確認收貨兩項，前者實現(xiàn)買家打款到第三方中介(例如支付寶)，后者實現(xiàn)款項由第三方中介轉(zhuǎn)到賣家賬戶。這兩項都是C2C賣家非?？粗氐馁I家行為。但是買家操作是一個相對復雜的指標，原因在于其涉及交易商品類型、賣家發(fā)貨方式、買家付款方式等三方面因素（如表4所示）。

表4 不同商品類型的發(fā)貨/付款方式

表4中，“自動發(fā)貨”是針對點卡、充值卡等虛擬商品的發(fā)貨方式。買家在拍下商品并付款后，系統(tǒng)會自動向買家發(fā)送卡號和密碼，交易狀態(tài)也會立刻變成“賣家已發(fā)貨”?！笆謩影l(fā)貨”是針對電子書、小型軟件等通過互聯(lián)網(wǎng)直接傳送的虛擬商品，不需要經(jīng)過實際的物流過程；買家在選擇發(fā)貨方式時，需要選擇“無需物流”。

因此，上述三方面因素的不同組合，會使得買家在其付款時間、確認收貨時間上的信譽得分產(chǎn)生差別。我們設(shè)買家在第次交易中下單后的付款時間得分為，確認收貨時間得分為，則該次交易的買家操作計算如下：

考慮到付款及時性對賣家打包商品并盡快發(fā)貨的影響，設(shè)買家選擇網(wǎng)上支付，付款時間為下單后第天，系統(tǒng)因買家一直不付款而自動關(guān)閉交易的時間為，則付款時間得分為：

若買家付款的方式為貨到付款，則由于會拉長賣家的資金回籠時間，因此我們令。

買家收到貨物后若能及時確認收貨，則能夠提高賣家資金回籠速度，提高資金利用率，因此收到貨物后越早確認的買家其應(yīng)越高。由于當前電子商務(wù)平臺對交易物品為實物或虛擬商品給予了不同的系統(tǒng)自動確認期限，因此需要分別討論。

而在買家選擇貨到付款的情況下，由于買家無需在網(wǎng)站上完成確認收貨操作，故令。

圖3 非可控第三方物流配送時間

表5是對買家操作指標計算的小結(jié)：

表5 買家操作指標計算方法

2.2.4 退單指標

買家退單包括兩種情況：一是買家下單后主動關(guān)閉交易；二是買家付款后退貨。但是，不管是哪種情況，都會對C2C網(wǎng)站的經(jīng)營形成干擾并造成某種程度的成本損失，由此應(yīng)降低相應(yīng)買家的差異化折扣力度。

2.2.5 實名認證指標

目前，C2C電子商務(wù)網(wǎng)站通常并不要求買家進行實名認證，但是這點往往被某些賣家利用，找“托”充當惡意用戶，對作為競爭對手的賣家進行信譽詆毀，使其信譽和銷售額受損。因此，今后的C2C平臺應(yīng)該鼓勵買家進行實名認證。

2.2.6 指標的維度分類

以上五個指標中，前四個指標即交易、惡意評價懲罰、買家操作、退單都發(fā)生于交易的買賣雙方之間，因此可統(tǒng)稱為交易維度；而實名認證從本質(zhì)上看是中介維度，即買家通過C2C運營平臺向賣家發(fā)出交易保障信號。

綜上所述，本文設(shè)計的五個買家信譽評價指標及取值范圍如表6所示：

表6 C2C電子商務(wù)差異化折扣模型指標

2.3 基于在線購買歷史聚合的買家信譽度

本文采用線性加權(quán)方法對買家在線購買歷史完成聚合，如式(12)所示：

由于C2C平臺上賣家眾多，各賣家對不同指標的重視程度必定存在差異。因此，對于、的具體權(quán)重分配，我們建議的方法是：在賣家的店鋪管理頁面上，首先由C2C平臺運營商提供一組默認權(quán)重值，供賣家參考；同時也提供指標權(quán)重輸入界面，使賣家可以很方便地對“交易-退單”、“買家操作”、“實名認證”三組指標進行權(quán)重設(shè)置。

2.4 差異化折扣計算

2.5 差異化折扣模型結(jié)構(gòu)圖

根據(jù)以上分析，下面給出本文差異化折扣模型的結(jié)構(gòu)圖，如圖4所示：

圖4 差異化折扣模型結(jié)構(gòu)圖

3 仿真實驗

本文以淘寶網(wǎng)為背景進行了仿真實驗，以檢驗本文新模型的有效性。我們使用PowerBuilder 9.0開發(fā)了一個仿真實驗平臺，圖5是其中的一個窗口快照：

圖5 仿真實驗平臺窗口快照

3.1 算例

基于上述仿真實驗平臺，我們隨機生成了300位買家的在線購買歷史數(shù)據(jù)。限于篇幅，本文給出其中兩位買家(下稱買家、買家，前者已通過實名認證，后者未作實名認證)的具體數(shù)據(jù)(各有20條記錄)進行分析和說明，如表7、表8所示。其中，“商品類型”為1時表示實物商品，為2時表示虛擬商品；“是否退單”為1時表示買家未完成該項交易；為0則表示否；“付款方式”為1時表示網(wǎng)上支付，為2時表示貨到付款；“發(fā)貨方式”為1時表示第三方物流，為2時表示在線傳送。

表7 買家的在線購物歷史

表7 買家的在線購物歷史

交易序號商品類型交易金額下單日期是否退單付款方式付款日期發(fā)貨方式發(fā)貨日期收貨日期確認收貨日期賣家評價買家評價 11672201001140120100115120100116201001252010012511 21314201002020120100203120100207201002172010022211 31136201002080220100210120100217201002222010022200 41436201003180120100319120100320201004102010042011 51583201007030220100705120100707201007112010071111 614432010081801201008201201008272010090520100905-1-1 71563201012241 81630201101200220110123120110125201101262011012611 91234201103310120110401120110403201104122011041211 101214201106070120110608120110610201106142011061411 1111035201106210120110623120110629201107032011070311 121931201109210120110924120110926201110012011101011 131520201201080120120110120120112201201222012012311 1411198201201210120120122120120123201201302012013011 1511051201203210120120323120120324201204022012040211 161893201203250120120327120120329201204032012040311 171107201204080120120409120120410201204172012041711 1811138201207140220120717120120718201207222012072211 191606201207300120120801120120808201208122012081411 201732201209080220120910120120912201209162012091611

表8 買家的在線購物歷史

表8 買家的在線購物歷史

交易序號商品類型交易金額下單日期是否退單付款方式付款日期發(fā)貨方式發(fā)貨日期收貨日期確認收貨日期賣家評價買家評價 11520201001030120100104120100105201001102010011011 211469201006010120100602120100608201006122010061600 311283201008150120100817120100818201008272010082711 411472201008240120100826120100827201009042010090411 51145201010260220101028120101030201011032010110311 621110201102260220110227220110228201103032011030311 71544201108090120110810120110812201108212011082111 81695201109130120110915120110916201109262011092600 911159201109200120110922120110923201109242011092411 10176201109270220110928120110930201110032011100311 112924201110080220111010220111011201110122011101211 121715201112220120111225120111227201112292011122911 131185201201190120120122120120128201202062012020611 141607201202090120120210120120214201202242012022400 151181201204180120120421120120422201204252012042511 161462201205120120120513120120517201205262012052611 171876201206230120120624120120625201207212012072111 181931201206271 1911312201209290120120930120121001201210062012100611 20128201211200120121121120121126201211292012112911

目前，淘寶網(wǎng)對買家下單后不付款自動關(guān)閉交易的時限為3天，即。若買家收貨后不作確認收貨，則在買家選擇網(wǎng)上支付的情況下，系統(tǒng)自動轉(zhuǎn)款給賣家的時限為：

①若為實物商品交易，則為賣家發(fā)貨后10天(普通快遞)或30天(平郵)。鑒于前述第三方物流時間的不可控，故實驗中取最大值30天，即。

② 若為虛擬商品交易，淘寶網(wǎng)將其發(fā)貨方式分為自動發(fā)貨、手動發(fā)貨兩類，前者無需買家進行確認收貨操作；后者則需要買家確認收貨，時限為賣家發(fā)貨后3天，即。 假設(shè)當前店鋪(賣家)給出最高享8折、最低享9.5折的折扣區(qū)間，并對、、分別設(shè)定為0.7、0.3、0.8。從而，我們得到模型的全體參數(shù)值如表9所示。

表9 差異化折扣模型參數(shù)

表10 買家、的模型指標值計算結(jié)果

表10 買家、的模型指標值計算結(jié)果

指標名稱指標值 買家買家 179.883167.745 4.74223.275 83.533102.181 1.0001.000 118.127105.427

表11 買家、的差異化折扣值

表11 買家、的差異化折扣值

買家名稱差異化折扣 0.082 0.062

由此可見，新模型有效彌補了以(1, 0, -1)為核心的傳統(tǒng)信譽評分累積模型的缺陷。同時，本文模型通過min-max normalization方法來完成對買家信譽值的線性轉(zhuǎn)換，因此計算得到的差異化折扣價差(即相對于賣家提供的折扣區(qū)間下限，買家所獲差異化折扣給其帶來的價格優(yōu)惠值)與打折商品金額呈正比關(guān)系：打折商品金額越大，則買家受益的差異化折扣價差越大；反之則越小。這種與商品金額呈正比的差異化折扣價差，會給具備更佳在線購買歷史的買家?guī)硪环N心理優(yōu)越感和平衡感，即感到自己對網(wǎng)站的貢獻得到了網(wǎng)站認可，從而使得買家獲得良好的用戶體驗；反過來，這種用戶體驗將進一步加強和提高買家對網(wǎng)站(商家)的忠誠度——這也是客戶關(guān)系管理的最終目的。

圖6 買家、的年度交易金額比較

圖7給出了300位買家的差異化折扣比較。不難觀測到，新模型向300位買家提供的差異化折扣區(qū)分效果明顯，這也表明本文提出的新模型有較好的差異化折扣制定能力，能根據(jù)買家的不同在線購買歷史做出有效的個體折扣區(qū)分。

圖7 300位買家的差異化折扣比較

3.2 基于大樣本的模型有效性評估

在數(shù)據(jù)挖掘(data mining)理論中，分類[53]即通過學習得到一個目標函數(shù)(target function)，把每個屬性集映射到一個預先定義的類標號。非正式地，目標函數(shù)也稱分類模型(classification model)。若我們將當前C2C店鋪的全部買家看作是一個待分類的樣本群體，則買家的交易、惡意評價懲罰、買家操作、退單、實名認證等指標相當于屬性集；本文的差異化折扣模型就是用于分類的目標函數(shù)，亦即為一個分類模型；用以表征買家信譽度的值(即買家在線購買歷史聚合值)則類似類標號。但是，與決策樹(decision tree)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network)、支持向量機(support vector machine)等傳統(tǒng)分類模型不同的是，本文差異化折扣模型的最佳分類結(jié)果，是通過計算得到的各買家信譽度均不相同，從而以買家信譽度為分類依據(jù)，將每一個買家都分成一個類。這是實現(xiàn)one-to-one模式的差異化折扣之基礎(chǔ)，每位買家從而可獲得完全不同于其他買家的折扣值。

而在實際生活中，盡管每個買家的交易次數(shù)、交易金額、交易日期、評價、退單、買家操作等等行為很難完全相同，但通過對這些在線購買歷史數(shù)據(jù)進行聚合計算后，有可能出現(xiàn)兩位或多位買家具備相同信譽度的情形。雖然出現(xiàn)這種情形的概率很小，然而一旦出現(xiàn)，則表明差異化折扣模型未能將這部分買家區(qū)分開。換言之，若差異化折扣模型未能做到100%的、基于買家信譽度的買家個體區(qū)分，則有必要通過一個指標來衡量模型的個體區(qū)分能力。

鑒于已有文獻中沒有可直接用于本文差異化折扣模型的有效性評估指標，故我們建立了一個新評估指標，稱之為“異化率”(Differentiation Ratio，簡寫為)。設(shè)對于某個C2C店鋪而言，其全體買家數(shù)量為，經(jīng)過差異化折扣模型計算后得到的不重復買家信譽度數(shù)量(即為最終分類數(shù))為，則差異化折扣模型的異化率由式(14)計算：

式(14)中，值越接近100%，表明模型的差異化折扣效果越好，且當值等于100%時達到最佳分類效果，即每位買家都能得到符合自身信譽度水平的差異化折扣；若值等于0，則表示模型計算得到的所有買家信譽度都相同(意味所有買家享受同等折扣)，模型對買家群體完全無區(qū)分能力。

下面，為了在大樣本場景下檢驗本文差異化折扣模型的異化率水平，我們分以下兩步完成模型有效性評估工作：

(1) 參照淘寶網(wǎng)皇冠級及以上級別的賣家銷售記錄規(guī)模(這可以從淘寶網(wǎng)設(shè)定的20級賣家信用級別中獲知)，設(shè)計本實驗中的大樣本數(shù)量。例如，賣家至少要得到50001分，才能升到三皇冠，這表明即使在所有買家都給“好評”的前提下，三皇冠賣家的銷售記錄也至少要有50001條。事實上，皇冠級賣家基本上不可能保持100%的好評率，故對皇冠及以上級別的賣家而言，其銷售記錄至少高于該級別所要求的最低分。

因此，作為大樣本的數(shù)據(jù)量標準，我們假定有6家C2C店鋪，其等級分別是三皇冠到三金冠(最高級的五金冠至今還無淘寶賣家達到，四金冠賣家也寥寥無幾)；對各家店鋪的銷售記錄數(shù)，我們?nèi)「骷墑e分數(shù)的中間值；最后按每位買家平均具有100條購買記錄來估算各家店鋪的買家人數(shù)。同時，我們的仿真實驗平臺為了模擬實際場景，對買家的購買記錄數(shù)并不都定為100條，而是隨機生成，同時又保證了各級別店鋪的買家購買記錄數(shù)之和等于該級別設(shè)定的賣家銷售記錄數(shù)。上述數(shù)據(jù)設(shè)定如表12所示。

表12 C2C賣家銷售記錄數(shù)及買家人數(shù)設(shè)定

(2) 按照表12的設(shè)定，我們首先基于仿真實驗平臺生成了相應(yīng)的買家及其購買歷史數(shù)據(jù)；然后，通過使用本文差異化折扣模型進行計算，得到各級別店鋪上的各位買家信譽度；進而，我們采用式(14)計算出各級別賣家對應(yīng)的。計算過程中的值可由SQL語言中的select distinct語句很方便地求得。計算結(jié)果如表13所示。

表13 基于大樣本的差異化折扣模型異化率

從表13可知，基于我國最大的C2C平臺淘寶網(wǎng)，在三皇冠到三金冠的大樣本場景下，本文模型的異化率保持在99.3%以上，這表明了本文模型的有效性，且能夠滿足我國現(xiàn)有主流C2C網(wǎng)站的實際應(yīng)用。

4 結(jié)論

電子商務(wù)環(huán)境下的信譽評價已成為學術(shù)界和產(chǎn)業(yè)界的研究熱點[54-60]。而如何基于買家信譽度為其提供精準的差異化折扣，則是當前C2C網(wǎng)站賣家面臨的一大問題。針對當前信譽評分累計模型的不足，本文圍繞能體現(xiàn)買家在線購買歷史的交易、惡意評價懲罰、買家操作、退單、實名認證等五個指標，構(gòu)建了一個電子商務(wù)差異化折扣模型，以期幫助C2C賣家更好地評估當前買家及細分客戶，以實施更精準的一對一營銷計劃和動態(tài)定價策略。以淘寶網(wǎng)為背景的仿真實驗結(jié)果證明了該模型的有效性。本文模型所需原始數(shù)據(jù)均可由C2C網(wǎng)站從系統(tǒng)數(shù)據(jù)庫自動獲取，有限的幾個權(quán)重參數(shù)也只需C2C賣家一次性設(shè)置即可(且可隨時調(diào)整以滿足應(yīng)用需求)。因此，本文模型具有較強的實用性和普適性。

后續(xù)研究可在以下兩方面展開：

(1) 有研究表明[61]，“網(wǎng)絡(luò)環(huán)境中的主觀評價型的口碑信息要比客觀事實型的口碑更能影響到消費者的購買決策過程”，即“網(wǎng)絡(luò)環(huán)境中, 一大籮筐的產(chǎn)品功能介紹也許不如一個真誠的經(jīng)驗分享”。故現(xiàn)實中不少電子商務(wù)網(wǎng)站都鼓勵買家發(fā)表高品質(zhì)在線商品評論，以此挖掘消費者對產(chǎn)品的偏好，進而制定營銷戰(zhàn)略和發(fā)掘利基市場[62]。因此，我們可以通過CMC(Computer Mediated Communication)文本模式的在線商品評論，來定位提供高品質(zhì)評論的買家，將其評論發(fā)表質(zhì)量、數(shù)量與差異化折扣模型融合，提升其享有的差異化折扣水平。

(2) 差異化折扣的本質(zhì)，既屬于電子商務(wù)在線信譽管理的范疇，也屬于電子商務(wù)個性化服務(wù)的范疇。基于此點認識，我們考慮在前期研究成果[63-65]基礎(chǔ)上，實現(xiàn)電子商務(wù)在線信譽管理與個性化商品推薦的有機結(jié)合，即在使用個性化推薦為買家消除“信息超載”問題的同時，也給出這些被推薦商品面對不同買家時的差異化折扣，從而提高被推薦商品的買家下單率。這將是下一步的重要研究內(nèi)容。

[1] CNNIC. 第31次中國互聯(lián)網(wǎng)絡(luò)發(fā)展狀況調(diào)查統(tǒng)計報告[R]. 北京: 中國互聯(lián)網(wǎng)信息中心, 2013.

[2] 工業(yè)和信息化部. 電子商務(wù)“十二五”發(fā)展規(guī)劃[R]. 北京: 工業(yè)和信息化部, 2012.

[3] Akerlof GA. The market for “ lemon”: qualitative uncertainly and the market mechanism[J]. Quarterly Journal of Economics, 1970, 84(3): 488~500.

[4] 張巍, 劉魯, 朱艷春. 在線信譽系統(tǒng)研究現(xiàn)狀與展望[J]. 控制與決策, 2005, 20(11): 1201~1207.

[5] 宋光興, 楊德禮. 電子商務(wù)在線信譽管理系統(tǒng)設(shè)計的若干問題研究[J]. 系統(tǒng)工程, 2004, 22(9): 5~9.

[6] Fan M, Tan Y, Whinston AB. Evaluation and design of online cooperative feedback mechanisms for reputation management[J]. IEEE Transactions on Knowledge and Data Engineering, 2005, 17(2): 244~254.

[7] Resnick P, Zeckhauser R, Friedman E, et al. Reputation systems[J]. Communications of the ACM, 2000, 43(12): 45~48.

[8] Resnick P, Zeckhauser R, Swanson J, et al. The value of reputation on eBay: a controlled experiment[J]. Experimental Economics, 2006, 9(2): 79~101.

[9] Bolton GE, Katok E, Ockenfels A. How effective are electronic reputation mechanisms? An experimental investigation[J]. Management Science, 2004, 50(11): 1587~1602.

[10] Melnik MI, Alm J. Does a seller’s ecommerce reputation matter? Evidence from eBay auctions[J]. Journal of industrial Economics, 2002, 50(3): 337~350.

[11] McDonald CG, Slawson VC. Reputation in an internet auction market[J]. Economics Inquiry, 2002, 40(4): 633~650.

[12] Standifird SS. Reputation and E-commerce: eBay auctions and the asymmetrical impact of positive and negative ratings[J]. Journal of Management, 2001, 27(3): 279~295.

[13] Houser D, Wooders J. Reputation in auctions theory, and evidence from eBay[J]. Journal of Economics & Management Strategy, 2006, 15(2) : 353~369.

[14] Ba S, Pavlou PA. Evidence of the effect of trust building technology in electronic markets: price premiums and buyer behavior[J]. MIS Quarterly, 2002, 26(3): 243~268.

[15] Dewan S, Hsu V. Adverse selection in electronic markets evidence from online stamp auctions[J]. Journal of Industrial Economics, 2004, 52(4): 497~516.

[16] Livingston J. How valuable is a good reputation? A sample selection model of internet auctions[J]. Review of Economics and Statistics, 2005, 87(3): 453~465.

[17] Samak AC. An experimental study of reputation with heterogeneous goods[J]. Decision Support Systems, 2013, 54(2): 1134~1149.

[18] Ye Q, Li Y, Kiang M, et al. The Impact of Seller Reputation on the Performance of Online Sales：Evidence from TaoBao Buy-It-Now (BIN) Data[J]. The DATA BASE for Advances in Information Systems, 2009, 40(1): 12~19.

[19] 楊居正, 張維迎, 周黎安. 信譽與管制的互補與替代——基于網(wǎng)上交易數(shù)據(jù)的實證研究[J]. 管理世界, 2008, (7): 18~26.

[20] 李維安, 吳德勝, 徐皓. 網(wǎng)上交易中的聲譽機制——來自淘寶網(wǎng)的證據(jù)[J]. 南開管理評論, 2007, 10(5): 36~46.

[21] 周黎安, 張維迎, 顧全林, 等. 信譽的價值: 以網(wǎng)上拍賣交易為例[J]. 經(jīng)濟研究, 2006, (12): 81~124.

[22] 吉吟東, 李平, 邵培基, 等. 網(wǎng)上拍賣中賣者聲譽的非對稱性研究[J]. 管理工程學報, 2010, 24(1): 59~64.

[23] 張仙鋒. 信譽的價值: 基于淘寶數(shù)據(jù)對我國電子市場的特色解釋[J]. 當代經(jīng)濟科學, 2009, 31(3): 30~39.

[24] 周耿, 王全勝, 朱洲. 信譽、第三方標記與網(wǎng)上購買行為——基于淘寶網(wǎng)的實證研究[J]. 經(jīng)濟管理, 2010, 32(8): 143~152.

[25] Rossi PE, McCulloch RE, Allenby GM. The value of purchase history data in target marketing[J]. Marketing Science, 1996, 15(4): 321~340.

[26] 蘇萌, 柏林森, 周濤. 個性化: 商業(yè)的未來[M]. 北京: 機械工業(yè)出版社, 2012.

[27] Lee D, Park SH, Moon S. Utility-based association rule mining: A marketing solution for cross-selling[J]. Expert Systems with Applications, 2013, 40(7): 2715~2725.

[28] Fudenberg D, Tirole J. Customer poaching and brand switching[J]. The RAND Journal of Economics, 2000, 31(4): 634~657.

[29] Acquisti A, Varian HR. Conditioning prices on purchase history[J]. Marketing Science, 2005, 24(3): 367~381.

[30] 張旭. 需求與價格具有相關(guān)性下的會員制商場階段型價格折扣模型研究[J]. 科研管理, 2007, 28(6): 182~186.

[31] Baker WL, Lin EM, Marn V, et al. Getting prices right on the web[J]. The McKinsey Quarterly, 2001, (2): 54~63.

[32] 李根道, 熊中楷, 李薇. 基于收益管理的動態(tài)定價研究綜述[J]. 管理評論, 2010, 22(4): 97~108.

[33] Sahay A. How to reap higher profits with dynamic pricing[J]. MIT Sloan Management Review, 2007, 48(4): 53~60.

[34] 程巖. 電子商務(wù)中面向產(chǎn)品線的動態(tài)定價方法研究[J]. 系統(tǒng)工程學報, 2010, 25(4): 533~539.

[35] Elmaghraby W, Keskinocak P. Dynamic pricing in the presence of inventory considerations: Research overview, current practices, and future directions[J]. Management Science, 2003, 49: 1287~1309.

[36] Liu Q, Zhang D. Dynamic pricing competition with strategic customers under vertical product differentiation[J]. Management Science, 2013, 59(1): 84~101.

[37] Su X. Intertemporal pricing with strategic customer behavior[J]. Management Science, 2007, 53(5): 726~741.

[38] Sen A. A comparison of fixed and dynamic pricing policies in revenue management[J]. Omega, 2013, 41(3): 586~597.

[39] Sato K, Sawaki K. A continuous-time dynamic pricing model knowing the competitor's pricing strategy[J]. European Journal of Operational Research, 2013, 229(1): 223~229.

[40] Rubel O. Stochastic competitive entries and dynamic pricing[J]. European Journal of Operational Research, 2013, 231(2): 381~392.

[41] 陳超, 藍伯雄, 朱濤. 一般需求函數(shù)下的動態(tài)定價模型研究[J]. 運籌與管理, 2010, 19(2): 1~7.

[42] 羅利, 彭際華. 競爭環(huán)境下的民航客運收益管理動態(tài)定價模型[J]. 系統(tǒng)工程理論與實踐, 2007, 27(11): 15~25.

[43] 李賀, 張玉林, 仲偉俊. 考慮戰(zhàn)略消費者行為風險的動態(tài)定價策略[J]. 管理科學學報, 2012, 15(10): 11~25.

[44] 羅利, 蕭柏春. 航空客運平行航班動態(tài)定價模型[J]. 中國管理科學, 2012, 20(3): 104~111.

[45] 殷明, 鄭士源, 丁以中, 等. 基于期權(quán)理論的國際海上集裝箱運輸協(xié)議動態(tài)定價決策[J]. 系統(tǒng)工程理論與實踐, 2012, 32(10): 2297~2305.

[46] 潘偉, 汪壽陽, 華國偉, 等. 實體店及其網(wǎng)上商店產(chǎn)品的動態(tài)定價及訂貨策略[J]. 系統(tǒng)工程理論與實踐, 2010, 30(2): 236~242.

[47] 楊慧, 周晶, 宋華明. 考慮消費者短視和策略行為的動態(tài)定價研究[J]. 管理工程學報, 2010, 24(4): 133~137.

[48] 彭志強, 熊中楷, 李根道. 考慮策略性顧客的動態(tài)定價和差價返還機制[J]. 管理工程學報, 2010, 24(4): 53~57.

[49] 紀淑嫻, 胡培, 程飛. 在線信譽管理系統(tǒng)中信用度計算模型研究[J]. 預測, 2008, 27(4): 59~65.

[50] Huberman BA, Wu F. The dynamics of reputations[J]. Journal of Statistical Mechanics: Theory and Experiment, 2004, 4: 1~17.

[51] 李聰, 梁昌勇. 面向C2C電子商務(wù)的多維信譽評價模型[J]. 管理學報, 2012, 9(2): 204~211.

[52] 荊博賢, 徐鋒, 王遠, 等. 面向C2C的基于聲譽的信任模型設(shè)計與分析[J]. 計算機應(yīng)用, 2007, 27(6): 1349~1352.

[53] Tan PN, Steinbach M, Kumar V. 數(shù)據(jù)挖掘?qū)д揫M]. 北京: 人民郵電出版社, 2006.

[54] Wang Y, Lin KJ. Reputation-oriented rrustworthy computing in e-commerce environments[J]. IEEE Internet Computing, 2008, 12(4): 55~59.

[55] Liu L, Shi W. Trust and reputation management[J]. IEEE Internet Computing, 2010, 14(5): 10~13.

[56] Rice SC. Reputation and uncertainty in online markets: an experimental study[J]. Information Systems Research, 2012, 23(2): 436~452.

[57] Beldad A, Jong M, Steehouder M. How shall I trust the faceless and the intangible? A literature review on the antecedents of online trust[J]. Computers in Human Behavior, 2010, 26(5): 857~869.

[58] J?sang A, Ismail R, Boyd C. A survey of trust and reputation systems for online service provision[J]. Decision Support Systems, 2007, 43(2): 618~644.

[59] 姜錦虎, 李皓, 袁帥. 基于多智能體系統(tǒng)的分布式信譽機制研究[J]. 管理工程學報, 2013, 27(1): 77~87.

[60] 朱艷春, 劉魯, 張巍. 基于評分用戶可信度的信任模型分析與構(gòu)建[J]. 管理工程學報, 2007, 21(4): 150~152.

[61] 金立印. 網(wǎng)絡(luò)口碑信息對消費者購買決策的影響: 一個實驗研究[J]. 經(jīng)濟管理, 2007, 29(22): 36~42.

[62] 楊銘, 祁巍, 閆相斌, 等. 在線商品評論的效用分析研究[J]. 管理科學學報, 2012, 15(5): 65~75.

[63] 李聰, 梁昌勇. 適應(yīng)用戶興趣變化的協(xié)同過濾增量更新機制[J]. 情報學報, 2010, 29(1): 59~66.

[64] 李聰, 梁昌勇. 基于序訪問解析邏輯的協(xié)同過濾冷啟動消除方法[J]. 系統(tǒng)工程理論與實踐, 2012, 32(7): 1537~1545.

[65] 李聰, 梁昌勇, 楊善林. 電子商務(wù)協(xié)同過濾稀疏性研究: 一個分類視角[J]. 管理工程學報, 2011,25(1): 94~101.

C2C E-commerce Differentiated Discount Model Based on Aggregated Online Purchase History

LI Cong1,2, LI Xue-qin1, Gajanan G. Hegde2, MA Li3

(1. College of Computer Science, Sichuan Normal University, Chengdu 610068, China;2. Katz Graduate School of Business, University of Pittsburgh, Pittsburgh 15213, USA;3. Library, Sichuan Normal University, Chengdu 610068, China)

Online shopping on C2C (Consumer-to-Consumer) E-commerce websites has become an important way of life for consumers. C2C E-commerce has many characteristics, including fierce marketing competition, serious homogeneity of products, incomplete credit mechanism, information asymmetry, and so on. Hence, a difficult problem was brought to sellers on C2C platform: How to implement a more precise one-to-one marketing for an e-business in order to attract and retain more consumers than its competitors?

One of highly effective methods is to provide differentiated discount services based on consumer’s reputation. The services can increase the “stickiness” between consumers and sellers. Sellers can also receive support to distinguish and prevent malevolent buyers from making tricky deals. For instance, sellers can quote a higher price than market price, and buyers can ask sellers for more favorable services. Therefore, high-efficient reputation evaluation mechanisms can effectively reduce the negative influence of information asymmetry phenomenon, help buyers and sellers quickly establish trust and reduce transaction risk, restrict trick deals, encourage good faith transactions, and avoid moral hazard and adverse selection. However, the reputation rating sum model used in current C2C websites is too simple. Consequently, it cannot reflect buyers' online purchase history, and is unable to provide accurate differentiated discount for consumers.

To solve the above problem, a differentiated discount model for C2C E-commerce is proposed. The basic idea behind this model is that an online purchase history list can reflect current buyer’s trade characteristics such as consumption level, transaction time and credit. Thus, we can regard these characteristics as multi-dimensionality signals of buyer’s reputation, and aggregate them into a comprehensive index, which will represent buyer’s reputation. Those buyers with high reputation should obtain more shopping discount provided by sellers. The model integrates five indicators that can reflect buyers’ online purchase history, including transaction, malicious rating punishment, buyer operation, withdrawal of order, and real-name authentication. By using linear weighting method, the five indicators are aggregated into one index, i.e. buyer’s reputation. Furthermore, a linear conversion method called min-max normalization is used to combine the aggregation value with the interval discount given by seller, and then a differentiated discount is generated for target buyer. Based on target buyer’s reputation, C2C seller can implement more precise one-to-one marketing and dynamic pricing strategy. The results of simulation experiment set in Taobao.com, the biggest C2C online shopping mall in China, showed the validity of the new model. Besides, all the original data needed in the proposed model can be obtained from database of the C2C website. The finite weight parameters just need to be set only once by C2C seller, and can be easily adjusted to satisfy application demand at any time. For this reason, the proposed model also has strong practicability and universality.

There are two future research directions. First, by using online product review based on CMC (Computer Mediated Communication) text mode, those buyers who provided reviews with high quality can be located and enjoy more discounts after integrating the quality and quantity of their reviews. Second, differentiated discount of recommended products should also be provided to buyers in order to increase the sales of recommended products.

Consumer-to-Consumer E-commerce; differentiated discount; online purchase history

中文編輯：杜 健；英文編輯：Charlie C. Chen

C931

A

1004-6062(2016)02-0064-12

10.13587/j.cnki.jieem.2016.02.008

2013-04-14

2013-11-20

國家自然科學基金資助項目（71202165）

李聰（1978—），男，四川西充人，合肥工業(yè)大學管理學博士，四川師范大學計算機科學學院副教授、碩士生導師，美國匹茲堡大學Katz商學院訪問學者，研究方向：電子商務(wù)、商務(wù)智能。