基于云數據的自助式服務定價模型分析

吳奇,荊江雁,章琦,朱玉潔

(常州工學院數理與化工學院,江蘇 常州 213032)

0 引言

在互聯網不斷發展的背景下，一種新的合作模式——眾包(Crowdsourcing)越來越流行。2005年中國學者劉鋒提出“威客”一詞，而杰夫·豪(Jeff Howe)于2006年在《連線》雜志中首次提出“眾包”的概念，威客與眾包有著異曲同工之處，都是指企業通過互聯網平臺發布任務，依靠大眾資源為企業提供創意或解決問題的一種創新商業模式[1-2]。這種新的模式在很大程度上避免了生產和需求的脫節，節約了社會資源，使企業的生產和服務更高效。然而，眾包模式下也存在懸賞金較低、分配制度不公、交易行為作弊等問題。因此，對眾包模式下的數據進行調查統計就成為當下非常熱門的研究課題。

陳強等[3](2013)提出競爭情報部門難以應對大數據分析時，可以將期望的指標發布到眾包平臺上吸引具有數據分析能力的專家參與。牟千[4](2016)分析了移動時代的媒體借助互聯網的力量，將眾包模式移植于新聞生產領域，變“消費者”為“生產者”。陳衛華[5](2016)提出政府統計調查項目可以借助眾包的模式進行，有利于吸引公眾參與物價、社情和民意情況調查。

“拍照賺錢”是基于移動互聯網的自助式勞務眾包平臺，為企業提供各種商業檢查和信息搜集，相比傳統的市場調查方式可以大大節省調查成本，而且有效地保證了調查數據真實性，縮短了調查的周期。用戶注冊成為會員，領取拍照任務(比如上超市去檢查某種商品的上架情況)，賺取酬金。任務定價是否合理是決定任務能否完成的核心要素，如果定價不合理，有的任務就會無人問津，從而導致商品檢查的失敗。針對這一問題，本文建立數學模型對影響價格的因素進行分析，并對不合理任務定價方案進行重新設計。

1 基于原有定價模型的研究

1.1 研究內容

本文的數據來自2017年全國大學生數學建模競賽B題[6]。

首先根據競賽題附件1中已結束的任務數據，將任務定價區間進行分類，繪制了任務點的空間分布圖(見圖1)。發現這些點基本圍繞在廣州、佛山、東莞、深圳4市。接著利用K-means聚類算法計算出任務點的聚類中心。

圖1 按定價區間分布已結束項目散點圖

從圖1中可以看出：聚類中心附近的任務定價普遍較低，隨著任務位置與聚類中心之間距離的增加，價格隨之增加。即任務的定價與任務位置有關，且定價的高低與其到聚類中心的距離總體上呈現正相關關系。

接著根據競賽題附件2中會員信息數據，將任務點和會員點同時畫出，如圖2所示。可以看出低定價任務周圍其他任務和會員都很密集，高定價任務周圍的分布情況相反，即表明任務定價受任務點周圍會員密度和任務密度影響，總體上呈負相關關系。

根據上述分析可以看出任務定價受到任務點到聚類中心的距離、任務密度、會員密度的影響，其中任務密度表示某一個任務周圍5 km內其他任務的個數，會員密度表示某一個任務周圍5 km內會員的個數。

1.2 影響因素相關性分析

首先根據經緯度距離轉換公式計算出各個任務點分別到4個聚類中心的距離：

(1)

然后將4個距離值進行比較，選取最小值作為到屬于它的聚類中心的距離：

d0=min{d1,d2,d3,d4}

(2)

(a)低定價任務周圍會員分布

(b)高定價任務周圍會員分布

圖2任務點與會員點分布情況

同理，根據式(1)、(2)也可以計算出某一個任務點到各個會員的距離，統計距離小于5 km的個數，完成情況中0表示未完成，1表示完成。截取部分結果如表1所示。

表1 影響因素數據表

1.3 結果

為了得到任務定價和各個影響因素之間的具體相關度，根據相關系數的原理，通過R語言[7]進行相關性分析，并按完成和未完成任務分類，計算出任務定價與各影響因素的相關系數，結果如表2所示。

表2 相關系數表

根據前文分析可得如下結論：3個影響因素對任務定價均產生顯著影響，任務未完成的情況中，對任務定價影響最大的是任務點到聚類中心的距離，任務所處的位置越遠，任務定價越高。

因此任務未完成的原因可能有以下兩點。

第一，4市經濟發展水平有差異。經濟發達地區的會員對任務收益要求較高，導致定價較低的任務無人問津，雖然這些任務附近有較多的會員，但價格對會員的吸引力不足，導致任務未完成。

第二，任務位置偏僻。雖然任務定價較高，但距離聚類中心較遠，性價比不高從而導致任務未完成。

2 新定價方案研究

2.1 模型建立與求解

采用多元線性回歸分析的模型[8-9]來進行分析。

根據第一部分的分析，選取到聚類中心的距離、任務密度、會員密度這3個因素作為解釋變量，定價作為因變量建立多元線性回歸模型來進一步改進任務定價模型，得到定價與上述3個指標之間的關系，分析出定價的主要影響因素。建立以下任務定價模型：

y=β0+β1x1+β2x2+β3x3

(3)

其中：x1表示距離；x2表示任務密度；x3表示會員密度。

將表2中的數據代入多元線性回歸模型中計算，得到

y=71.67+0.14x1-0.34x2-0.08x3

(4)

2.2 模型結果

從式(4)可以得出：任務定價隨著距離的增加而提高；會員密度與任務密度增大時，定價降低；會員密度相對任務密度的影響較小。將未完成任務的3項指標代入模型中計算得到新的任務定價，見表3。

表3 未完成任務的預測定價

假定當預測定價與實際定價差值不超過2元時，即認為該任務完成(例如表3中的A0025、A0111、A0831等)。據此已結束任務中符合條件的任務個數增加117個，計算過程如圖3所示。

圖3 完成率計算

3 討論

本文在分析未完成任務時，將任務點的經緯度轉換為任務點到任務聚類中心的距離，并用圖表等形式使分析結果可視化，可以直觀看出定價與影響因素的關系。但由于實際定價時，影響因素有很多，而本文研究的數據有限，定價不能準確合理地給出，與實際情況存在偏差，還需做進一步研究。

本文模型的建立基于移動互聯網的自助式勞務眾包平臺，與其類似的服務還有外賣、打車等，都涉及任務位置信息，會員信息等數據，可加以推廣應用。