Разработка и прогнозирование бизнес-модели электронной коммерции
Мы изучаем проблему анализа и прогнозирования бизнес-моделей в контексте электронной коммерции. В отличие от большинства существующих подходов, где это обычно формулируется как проблема регрессии или проблема прогнозирования временных рядов, мы принимаем другую формулировку этой проблемы, отмечая, что эти существующие подходы не учитывают потенциальные отношения как между потребителями (влияние потребителей), так и среди магазинов (конкурсы или сотрудничество). Принимая это во внимание, мы предлагаем новый метод анализа и прогнозирования бизнес-модели электронной коммерции, который называется EBMM, который сочетает регрессию с анализом сообщества. Проблема состоит в том, что ссылки в сети обычно не наблюдаются напрямую, что решается путем применения теории распространения информации через сеть потребительских магазинов. Обширные оценки с использованием данных электронной коммерции Alibaba Group демонстрируют перспективность и превосходство EBMM перед современными методами с точки зрения анализа и прогнозирования бизнес-модели.
Выявление и прогнозирование социального поведения связано с обнаружением взаимосвязи между, как правило, огромным числом пользователей и соответствующими им социальными событиями по временной шкале, чтобы мы могли предсказать будущие модели социальных событий. В этой статье мы сфокусируемся на конкретном, но очень популярном сценарии анализа и прогнозирования социального поведения, который оказывает существенное влияние на бизнес-приложения, — на анализ бизнес-модели и прогнозирование на основе данных онлайн-продаж. В связи с быстрым развитием электронной коммерции в последние годы, существует острая необходимость и необходимость выявлять и прогнозировать различные бизнес-модели для большого числа магазинов электронной коммерции в Интернете, чтобы корпорация электронной коммерции, в которой размещаются эти магазины ( такие как Alibaba Group) или государственные инвесторы могут идентифицировать эти магазины с хорошей бизнес-моделью для будущих инвестиций. Обратите внимание, что, как правило, существует ряд переменных для описания бизнес-модели бизнес-предприятия, включая объем продаж, доходы и уровень потребления запасов. Тем не менее, с точки зрения корпорации электронной коммерции, в которой размещены эти магазины, имеются данные только для части доступных переменных, поскольку данные для остальных переменных не видны корпорации. Следовательно, в этой статье мы изучаем особый случай проблемы бизнес-модели добычи и прогнозирования для магазинов электронной коммерции — анализ и прогноз структуры продаж магазина. Обратите внимание, что мы фокусируемся на конкретной переменной продаж магазина, поскольку это единственная переменная, описывающая бизнес-модель магазина, в которой имеются данные, доступные корпорации электронной коммерции, в которой размещается магазин. Это нетривиальная проблема, поскольку точный анализ и прогнозирование характера продаж магазина зависит не только от исторических данных о продажах магазина, но, что более важно, от многих других факторов, таких как отношения между этим магазином и его коллегами (например, конкурентные отношения) и отношения между потребителями этого магазина. Это не так просто и тривиально, как регрессия или прогноз временных рядов из данных истории магазина.
В литературе проблема поиска и прогнозирования бизнес-моделей для бизнес-объекта, такого как магазин электронной торговли, обычно решается путем регрессии. Тем не менее, все существующие подходы предполагают, что данный субъект бизнеса является независимым. В действительности, однако, это предположение всегда нарушается, поскольку всегда существуют отношения между этим бизнес-объектом и его аналогами на рынке (например, отношения конкуренции). Мы утверждаем, что учет этих взаимоотношений между бизнес-субъектами на рынке (особенно для тех, кто занимается аналогичной коммерческой деятельностью, такой как продажа аналогичных продуктов), необходим для более точного анализа и прогнозирования бизнес-моделей. Это особенно верно в сценарии электронной коммерции, где есть много магазинов, конкурирующих друг с другом в продаже аналогичных продуктов или продуктов с аналогичными функциями. Причина, по которой предположение о независимости всегда используется в существующих методах, заключается в том, что отношения между магазинами обычно не соблюдаются. Кроме того, отношения между потребителями также не наблюдаются. Эти факты создают большие проблемы для проблемы и добавляют большую сложность к потенциальным решениям, которые будут разработаны для решения проблемы с учетом этих фактов.
Мы также отмечаем, что хотя теория распространения информации использовалась во многих областях, она используется только в соответствующей литературе для решения проблемы регрессии, когда отношения между сущностями известны (Bonchi et al., 2011; Tsur and Rappoport, 2012 ). Здесь, поскольку взаимосвязи не наблюдаются, это также создает проблему для применения теории диффузии информации для решения этой проблемы.
Основываясь на этом наблюдении, мы предлагаем новый метод, который сочетает анализ потребительского влияния и анализ отношений магазина с регрессией, используя теорию информационной диффузии в качестве эффективного решения этой проблемы. Мы называем этот новый метод EBMM. Мы подчеркиваем вклад этого исследования следующим образом:
1. Это первая попытка разработки и прогнозирования бизнес-модели электронной коммерции с ненаблюдаемыми потенциальными отношениями между потребителями и магазинами на рынке.
2. Мы разрабатываем эффективное оптимальное решение, EBMM, для анализа и прогнозирования бизнес-моделей, сочетающее теорию распространения информации с анализом сообщества.
3. Мы демонстрируем эффективность и перспективность EBMM в применении прогнозирования бизнес-моделей в реальных условиях посредством обширных оценок по сравнению с современными методами.
4. Мы показываем эффективность и перспективность EBMM в реальных приложениях для анализа влияния потребителей.
Использованные источники
- Anagnostopoulos, A., Kumar, R., Mahdian, M., 2008. Influence and correlation in social networks. Proc. 14th ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining, p.7-15. [doi:10.1145/1401890.1401897]
- Anagnostopoulos, A., Brova, G., Terzi, E., 2011. Peer and authority pressure in information-propagation mod- els. LNCS, 6911:76-91. [doi:10.1007/978-3-642-23780-5_15]
- Bakshy, E., Hofman, J.M., Mason, W.A., et al., 2011. Everyone’s an influencer: quantifying influence on Twitter. Proc. 4th ACM Int. Conf. on Web Search and Data Mining, p.65-74. [doi:10.1145/1935826.1935845]
- Bakshy, E., Rosenn, I., Marlow, C., et al., 2012. The role of social networks in information diffusion. Proc. 21st Int. Conf. on World Wide Web, p.519-528. [doi:10.1145/2187836.2187907]
- Bernstein, M.S., Bakshy, E., Burke, M., et al., 2013. Quantifying the invisible audience in social networks. Proc. SIGCHI Conf. on Human Factors in Computing Systems, p.21-30. [doi:10.1145/2470654.2470658]
- Bhagat, S., Goyal, A., Lakshmanan, L.V.S., 2012. Maximizing product adoption in social networks. Proc. 5th ACM Int. Conf. on Web Search and Data Mining, p.603-612. [doi:10.1145/2124295.2124368]
- Bonchi, F., Castillo, C., Gionis, A., et al., 2011. Social network analysis and mining for business applications. ACM Trans. Intell. Syst. Technol., 2(3), Article 22. [doi:10.1145/1961189.1961194]
E-commerce business model mining and prediction
Zhou-zhou HE, Zhong-fei ZHANG, Chun-ming CHEN, Zheng-gang WANG