Information technologies for supply creation on e-trading platform with marketplace technology
Table of contents
Share
Metrics
Information technologies for supply creation on e-trading platform with marketplace technology
Annotation
PII
S042473880009719-9-1
DOI
10.31857/S042473880009719-9
Publication type
Article
Status
Published
Authors
Mikhail Matveev 
Occupation:  Head of Department, Department of Information Technologies of Management, Computer Science Faculty,
Affiliation: Voronezh State University
Address: Russian Federation, 1 Universitetskaya pl., Voronezh
Pages
105-112
Abstract

The paper discusses the problem of automated creation of supply for the homogenous products with marketplace technology which ensures maximum accordance to generalized demand and supplier’s profit. Computer formalization of supply and demand in the form of products’ characteristic parameters vectors as linguistic variables is proposed. Algorithm of building membership function based on individual consumer demand is introduced, as well as method of calculation local component-wise matchings of supply and generalized demand. Aggregation operator of local matchings in the form of discrete Choquet integral with fuzzy measure is proposed. Supplier profit is presented as defined linguistic variables within the vector characteristic parameters, which is structurally equivalent to vector of demand. Selection of the suppliers’ offers is based on the optimization criteria in the form of desired trade-off between probability of transaction and seller’s profit. The mentioned selection is performed via genetic algorithm. Additional study is conducted, which confirms possibility to use developed formalization of the generalized demand for obtaining the satisfactory offer choice. Introduced models and algorithms should be used for creation of information services on e-commerce platforms, as well as on Government procurement market.     

Keywords
electronic trading platform, e-trading platform, supply and demand, linguistic variables, aggregation, Choquet integral, fuzzy measure, optimal supply selection
Received
16.05.2020
Date of publication
29.03.2021
Number of purchasers
0
Views
49
Readers community rating
0.0 (0 votes)
Cite Download pdf 100 RUB / 1.0 SU

To download PDF you should sign in

Full text is available to subscribers only
Subscribe right now
Only article
100 RUB / 1.0 SU
Whole issue
830 RUB / 15.0 SU
All issues for 2021
2534 RUB / 50.0 SU
1 Введение Существующая тенденция развития рынка В2В ведет к глобальной автоматизации процессов взаимодействия продавцов и покупателей [1]. Эта тенденция прослеживается в появлении электронных бирж, электронных торговых площадок (ЭТП), маркетплейсов, автоматизации торгового документооборота и т.п. Дальнейшее развитие намечается на пути создания систем распределенного реестра и формирования смарт контрактов, автоматизирующих не только рутинные процессы, но и процессы принятия решений, например, при выборе рациональных пар «продавец - покупатель».
2 На рынке целесообразно выделять однородные, взаимозаменяемые товары. Классический подход к выбору продавца однородного товара основывается на оптимизации экономических, стоимостных критериев, например, [2,3]. Однако, при выборе необходимо учитывать весь спектр потребительских характеристик: технические, экономические, эргономические и т.п., которые отражают индивидуальные потребности покупателя [1]. Для такого выбора больше подходят процедуры установления парного соответствия по набору характеристик, развиваемые в работах нобелевского лауреата Э. Рота [4,5]. В идеальной ситуации покупатель должен приобрести тот товар, который в максимальной степени соответствует его потребностям и возможностям, отображаемым значениями характеристик. Основной преградой достижения идеальной ситуации является недостаток информации у продавцов о потребностях и возможностях покупателя и неполная информация у покупателя о предложениях продавцов. Приближение реальной ситуации к идеальной осуществляется технологией маркетплейс, которая обеспечивает на локальном рынке информацию о потребностях покупателей и предложениях продавцов в рамках единого товарного рубрикатора. Существующая технология работы маркетплейс предполагает, что покупатель, заходя на ЭТП, заявляет о своих потребностях, а ЭТП помогает ему подбирать соответствующие предложения продавцов из своей актуальной базы данных с помощью разнообразных фильтров [6,7] или осуществляя выбор по критерию максимального соответствия спроса и предложения [8,9].
3 Имеет место и обратная задача – формирование продавцом своего предложения, максимально соответствующего покупательскому спросу. Как и всякая обратная задача, эта задача сложнее, и получить ее решение, используя фильтры, вряд ли возможно. В этом случае, большие возможности предоставляет подход, основанный на достижении максимального соответствия спроса и предложения, которые могут быть представлены в параметрической форме, по аналогии с [8,9]. Для решения обратной задачи необходимо описать параметрическое представление спроса покупателей и предложений продавцов и получить формализованное описание задачи.
  1. Формализация постановки задачи исследования
Пусть имеется некоторый однородный товар, представленный совокупностью своих взаимозаменяемых типов, различающихся значениями характеристических параметров данного товара. Описание каждого -го образца (типа) товара, будем представлять совокупностью характеристических параметров: например, мощность, габариты, цена, условия поставки и т.п. Совокупность параметров будем представлять компонентами вектора - , каждая -я компонента которого принимает значения либо на количественной, либо на качественной шкале, .
4 Будем считать, что каждый -й покупатель, хочет приобрести однородный товар с желаемыми характеристическими параметрами. Вполне естественно, что, скорее всего, желания покупателя будут носить расплывчатый характер, что обуславливается взаимозаменяемостью типов однородного товара. Для этого покупателю необходимо формализовать свои желания и возможности в виде вектора спроса с нечеткими характеристиками однородного товара - . Векторные компоненты суть лингвистические переменные с именами, совпадающими с именами соответствующих характеристических параметров описания типа однородного товара. Каждая переменная имеет кусочно-линейные функции принадлежности , носители которых - отражают возможности покупателя, а значения функции – его предпочтения (желания). Для дискретных значений носителя функция принадлежности будет иметь табличный вид. Нечеткие характеристики формируют покупательский спрос.
5 Пусть каждый -й продавец, аналогично формализует свои возможности и желания в отношении однородного товара в виде векторов с теми же именами лингвистических характеристик, что и у покупателя - . Желания и возможности продавца отображаются кусочно-линейными функциями принадлежности - . Предложение -го продавца представляет собой совокупность четких характеристик конкретного -го типа однородного товара: .
6 Имеет смысл рассматривать два вида соответствий предложения продавца: соответствие обобщенному покупательскому спросу, интерпретируемое как возможность или вероятность совершения сделки; и соответствие желаниям и возможностям продавца, интерпретируемое как выгодность совершения сделки для продавца. Тогда задача -го продавца состоит в выборе таких значений компонент вектора , которые обеспечат компромисс между максимумом вероятности сделки и максимумом ее выгодности.
7 Обозначим соответствие предложения -го продавца совокупному покупательскому спросу как . Значение будем интерпретировать как вероятность продажи -м продавцом -го типа товара, - товар не будет продан; - товар будет продан. Соответствие предложения выгодности продавца обозначим как . Значение будем интерпретировать как выгодность продажи -го товара -м продавцом, - отсутствие выгоды; - максимальная выгода.
8 Компромисс между вероятностью сделки и выгодностью для -го продавца -го товара предлагается формализовать выпуклой линейной комбинацией , (1) где - значения характеристических параметров спроса и предложения; - параметр, задающий предпочтения между вероятностью и выгодностью.
9 Построение модели выбора (1), решение и исследование задачи выбора оптимального предложения продавца на сформировавшемся рынке – цель настоящей статьи.
  1. Методы и алгоритмы формализации спроса и предложения
Для решения задачи (1) необходимо построить функции и . Для оценки вероятности продажи конкретного товара необходимо формализовать обобщенный спрос покупателей. Обобщенный спрос имеет ту же структуру, что и спрос каждого покупателя ,(2) где - обобщенная локальная лингвистическая характеристика товара по -му параметру, которую предлагается вычислять следующим образом: ,(3) где -весовой коэффициент для -го покупателя, вычисляемый как отношение объема товара, запрашиваемого -м покупателем, к общему объему товарного спроса -.
10 Функция принадлежности обобщенного спроса по -ой компоненте вектора спроса будет иметь следующий вид: , (4) где - функция принадлежности лингвистической переменной ; , т.е. принадлежит универсальному носителю всех термов этой лингвистической переменной.
11 Степень локального соответствия по компоненте предложения обобщенному спросу по той же компоненте будет вычисляться путем подстановки значения компоненты предложения в соответствующую функцию принадлежности спроса: .(5) Степень соответствия предложения обобщенному спросу вычисляется путем агрегирования () локальных соответствий с : .(6)
12 Степень локального соответствия предложения по компоненте выгоде продавца по той же компоненте вычисляется путем подстановки значения компоненты предложения в соответствующую функцию принадлежности компоненты : .(7)
13 Выражения (5) и (7) показывают, что локальные соответствия вычисляется как значения функций принадлежности на множестве значений локальных характеристик.
14 Степень соответствия предложения выгоде -го продавца по совокупности всех компонент вычисляется путем агрегирования локальных соответствий с : .(8) Оператором агрегирования обычно называют функцию, присваивающую некоторому кортежу действительных чисел одно действительное число [10], для рассматриваемой ситуации это можно представить в виде: .(9)
15 Известны различные подходы к выбору оператора агрегирования, обзор которых представлен М. Детиниески [10]. Месиар и Коморникова [11] предложили ряд фундаментальных свойств, которым должны отвечать операторы агрегирования (9): (10)
см.
16 Выражения (6) и (8) следует рассматривать как свертку многокритериальной задачи. В этом случае важную роль при агрегировании играет возможность назначения весовых приоритетов компонент векторов и в условиях характерного для рынка взаимодействия этих компонент. Примером такого взаимодействия может служить зависимость цены и качества товара. Веса компонентов будем интерпретировать как меру важности параметров. Подход к назначению весов может быть основан на понятии нечеткой меры [12,13].
17 Обозначим множество параметров векторов спроса и предложения как множество их индексов . Нечеткой мерой на множестве является функция ,(11) где - множество всех подмножеств компонент соответствующих векторов. При этом должны выполняться граничные условия и условия монотонности: и ; (12) для подмножеств , если , то . (13)
18 Таким образом, нечеткая мера представляет отображение подмножеств индексов на промежуток и позволяет учитывать взаимодействие между компонентами векторов . В таком случае целесообразно в качестве оператора агрегирования использовать дискретный интеграл Шоке по нечеткой мере [10,12]. Интеграл Шоке рассматривается как обобщение взвешенной суммы, обозначается FEV и интерпретируется как нечеткое математическое ожидание.
19 Для упрощения обозначений в дальнейшем изложении уберем нижние индексы и . С учетом обозначения (5) - нечеткий интеграл Шоке от функции на множестве по нечеткой мере , т.е. агрегирование для выражения (6), определяется следующим образом: ,(14) где , , - индекс-функция упорядочивания векторных компонент соответствий, проранжированные в порядке возрастания, значения которых представляются отношением ; а подмножества компонент определяются следующим образом .
20 Агрегирование для выражения (8) получается аналогично: .(15)
21 Для вычисления интегралов (14) и (15) необходимо определить способ задания функции . Принято считать, что наиболее конструктивным способом задания функции является использование -нечеткой меры Сугено [11,12,13]. Нечеткая мера , в данном случае, рассматривается как мера важности соответствия значения параметра с индексом заданным характеристикам спроса и предложения. Такой подход, по сути, только уточняет интерпретацию как меру важности параметра. Задание одинаково формируется как для функции , так и для функции . Будем рассматривать множество индексов и его подмножества. Следуя [12], введем понятие плотности -нечеткой меры, обозначаемое как . Нечеткая мера , удовлетворяющая -правилу (16) с параметрами нормировки , алгебры всех подмножеств строится следующим образом.
22 Необходимо определить плотности для . Для определения плотностей обычно используются экспертные методы [14,15], позволяющие ранжировать плотности, например, с использованием метода парных сравнений и переносом результатов ранжирования на шкалу [0;1]. Будем считать, что в рассматриваемом случае продавцы и покупатели в состоянии оценить сравнительную важность используемых ими характеристических параметров. Если плотности известны, то параметр λ можно найти из следующего уравнения [12]: .(17)
23
  1. Пример вычисления соответствия предложения спросу и выгоде продавца
24 Задачей численной апробации является не только проверка работоспособности приведенных алгоритмов, но и пример интерпретации введенных понятий и категорий. Поэтому целесообразно рассматривать в упрощенном виде рынок конкретного однородного товара с конкретными характеристическими параметрами.
25 Пусть таким рынком будет рынок обуви с вектором характеристических параметров , где компоненты интерпретируются следующим образом: - цена, определяемая на условной шкале [1;6]; - размер, определяемый на условной шкале [1;6]; - качество, определяемое наименованием производителя, которых эксперт расположил на условной шкале [1;6].
26 Пусть эксперты формализовали покупательский спрос, т.е. вектор лингвистических переменных , нормированными треугольными функциями принадлежности для трех мелкооптовых покупателей (). Здесь и далее нормированная треугольная функция принадлежности задается в виде , где - соответственно левая и правая границы носителя, а - мода треугольника.
27 Первая компонента – цена , желаемая покупателями: ; ; . Вторая компонента – размер, желаемый покупателями: ; ; . Третья компонента – качество, желаемое покупателями: ; ; .
28 Объемы покупок каждого покупателя: .
29 Продавец свои возможности по цене, размерам и качеству, т.е. вектор лингвистических переменных , представил нормированными треугольными функциями принадлежности ; ; .
30 Необходимо вычислить соответствия предложения продавца обобщенному спросу, и своей выгоде,.
31 При заданных функциях принадлежности компонент покупательского спроса по формуле (5) посчитаны значения функций принадлежности компонент обобщенного спроса, кусочно-линейные аппроксимации которых показаны на рис.1.
32 Пусть продавец выставил товар с характеристиками .
33

Рис. 1. Покомпонентное графическое отображение функций принадлежности обобщенного спроса.

34 Подставляя в полученные аппроксимированные функции принадлежности обобщенного спроса значения компонент предложения - , получим локальные соответствия предложения обобщенному спросу: .
35 Локальные соответствия выгоде продавца, рассчитываются подстановкой значений в функции принадлежности компонент вектора : .
36 Для агрегирования полученных соответствий эксперты определили плотности нечеткой меры соответствия обобщенному спросу в следующем виде: ;;;;;.
37 Уравнение (17) с учетом условия , применительно к соответствию обобщенному спросу, имеет корень , а применительно к соответствию возможностям продавца .
38 В соответствии с -правилом (17) получены значения нечеткой меры, представленные в таблице 1. Таблица 1 Значения нечеткой меры и
39
0 0
0,64 0,30
0,58 0,6
0,4 0,20
0,90 0,85
0,82 0,48
0,78 0,77
1 1
40 Агрегирование локальных компонент производится в соответствии с формулами (15) и (16):
41 Будем считать, что совокупный спрос никак не связан с выгодами продавца, поэтому для агрегирования соответствий и можно использовать аддитивный оператор агрегирования (1). Принимая равнозначную важность указанных соответствий () получаем соответствие .
42
  1. Исследование решения задачи выбора предложения и обсуждение результатов
43 Естественным желанием продавца является стремление реализовать как можно больше сделок на рынке, но так, чтобы при этом не потерять свою выгоду. Это желание отображает критерий (1). Выгодность отображается в нем явно, а ожидаемое количество сделок выражается через вероятность, в свою очередь, выражаемую через обобщенный спрос. В этой связи возникает вопрос – будет ли вероятность, ориентированная на обобщенный спрос, верно отображать ожидаемое количество сделок? Ответ на этот вопрос можно получить двумя способами.
44 Если на рынке присутствует немного покупателей и индивидуальную вероятность совершения сделки с каждым покупателем можно оценить, то нетрудно посчитать математическое ожидание количества сделок, используя классические формулы теории вероятности. Индивидуальную вероятность сделки можно посчитать, используя вышеописанную методику агрегирования локальных соответствий. Для рассматриваемого примера эти вероятности составят: ; ; . Выписав полную группу событий можно посчитать вероятность: одной сделки - ; двух сделок - ; трех сделок - . Математическое ожидание сделок: .
45 Очевидно, что при большом количестве покупателей на рынке классический способ определения математического ожидания не годится. В этом случае можно воспользоваться имитационным моделированием, для имитации многократного совершения сделок и подсчета ожидаемого числа сделок -. Имитация была организована в среде Simulink Matlab. Для рассматриваемого примера при 100-кратном повторении сделок, была получена оценка ожидаемого числа сделок – , что практически совпадает с теоретической оценкой.
46 Включая в критерий (1) соответствие обобщенному спросу, мы предполагаем, что ожидаемое число сделок можно оценивать как произведение соответствия на количество покупателей: .
47 Изменение трех оценок ожидаемого числа сделок при различных комбинациях локальных значений предложения показано на рисунке 2. Как видно, изменение адекватно изменениям оценок, полученных на основе теории и имитации, коэффициент корреляции с этими оценками составляет 0,99. Полученный результат дает основания для использования соответствия предложения обобщенному спросу при поиске лучшего предложения.
48

Рис.2. Изменение ожидаемого количества сделок при изменении предложения по трем оценкам: теоретической, имитационной и предложенной в данной работе.

49 Выбор по критерию (1) был реализован с использованием генетического алгоритмы в среде MatLab. Для рассматриваемого примера значение предложения: цена -3; размер – 4, качество 4, обеспечило максимум критерия (1) - = .
50 Может оказаться, что для практического использования достаточно будет подбирать предложения, изменяя только цену товара. В этом случае появляется актуальная задача динамического ценообразования, решение которой обеспечивает продавцов рекомендациями по выбору цены предложения в условиях временных изменений спроса.
51 Представляется, что полученные результаты в виде информационной технологии поддержки принятия решений должны получить развитие для автоматизации разнообразных задач и процессов на товарных рынках В2В, а также при организации государственных закупок.

References

1. Ries, E. 2011. The lean startup: How today's entrepreneurs use continuous innovation to create radically successful businesses. Currency.

2. Amin, S.H. and G. Zhang. 2012. An integrated model for closed-loop supply chain configuration and supplier selection: Multi-objective approach. Expert Systems with Applications, 39(8):6782-6791.

3. Mendoza, A. and J.A. Ventura. 2012. Analytical models for supplier selection and order quantity allocation. Applied Mathematical Modelling, 36(8):3826-3835.

4. Roth, A.E. 2003. The origins, history, and design of the resident match. Jama, 289(7):909-912.

5. Roth, A.E. and U.G. Rothblum. 1999. Truncation strategies in matching markets—in search of advice for participants. Econometrica, 67(1):21-43.

6. Instruktsiya po rabote v sisteme poiska torgov Rustender [Manual for the tender search system Rustender]. Available at: https://tender-rus.ru/vopros-otvet/poisk-zakupok/instrukciya-po-poiskovoj-sisteme (accessed May 5, 2020).

7. Fil'tr tovarov dlya WooCommerce [Filter for goods for WooCommerce]. Available at: https://ru.wordpress.org/plugins/woocommerce-products-filter/ (accessed May 5, 2020).

8. Budyakov, A.N., Getmanova, K.G. and M.G. Matveev. 2017. Reshenie zadachi vybora resursov i ikh postavshchikov v usloviyakh protivorechivosti tekhnicheskikh i kommercheskikh trebovaniy [Resources and their suppliers selection problem solving within contradictory technical and commercial requirements]. Vestnik Voronezhskogo gosudarstvennogo universiteta. Ser. Sistemnyy analiz i informatsionnye tekhnologii [Bulletin of the Voronezh State University, series System analysis and information technologies]. 2:66.

9. Matveev, M. and S. Podvalny. 2019. Models of Centralized Equipment Procurement Based on Supplier-Consumer Matching. 1-st International Conference on Control Systems, Mathematical Modelling, Automation and Energy Efficiency (SUMMA). IEEE:151-154.

10. Detyniecki, M. 2000. Mathematical Aggregation Operators and their Application to Video Querying: Thesis for the degree Docteur de l’Universite. Paris. 185 р.

11. Mesiar R. and M. Komornikova, 1997. Aggregation Operators. XI Conference on applied Mathematics “PRIM 96”, Proceedings. Novi Sad. 193-211.

12. Averkin, A.N., Batyrshin, I.Z., Blishun, A.F., Silov, V.B. and V.B. Tarasov. 1986. Nechetkie mnozhestva v modelyakh upravleniya i iskusstvennogo intellekta [Fuzzy sets in artificial intelligence models]. Moscow: Nauka.

13. Yager. R. 1982. Fuzzy sets and possibility theory: recent developments. Oxford: Pergamon Press.

14. Grabisch, M., Nguyen, H.T. and E.A. Walker. 1995. Fundamentals of Uncertainty Calculi with Applications to Fuzzy Inference. Dordrecht: Kluwer Academic Publishers.

15. Grabisch, M. 1996. The application of fuzzy integrals in multicriteria decision making. European journal of operational research, 89(3):445-456.