C2C电子商务差异化折扣模型：基于在线购买历史聚合

李 聪，李雪琴，Gajanan G. Hegde，马 丽



C2C电子商务差异化折扣模型：基于在线购买历史聚合

李 聪1,2，李雪琴1，Gajanan G. Hegde2，马 丽3

（1. 四川师范大学计算机科学学院，四川成都 610068；2. 匹兹堡大学Katz商学院，宾夕法尼亚匹兹堡 15213，美国；3. 四川师范大学图书信息中心，四川成都 610068）

基于C2C电子商务网站进行在线购物已成为人们的一种重要生活方式。根据买家信誉度向其提供购物折扣是有效的营销技术。但目前C2C网站使用的信誉评分累积模型过于简单，无法涵盖买家在线购买历史(online purchase history)，因此不能准确反映买家信誉度和提供差异化折扣。针对上述问题，本文提出了一种面向C2C电子商务的差异化折扣模型。该模型包含能体现买家在线购买历史的交易、恶意评价惩罚、买家操作、退单、实名认证等五个指标，其中交易指标又包含交易金额、交易时间衰减因子、卖家评价等三个因子，买家操作指标又包含买家付款时间、买家确认收货时间等两个因子；然后基于线性加权方法，将C2C买家在线购买历史聚合为买家信誉度；进而通过min-max normalization方法对买家信誉度进行线性转换，并与C2C卖家给定的折扣区间结合，得到最终的差异化折扣，从而C2C卖家可以根据当前买家的信誉度实施更精准的一对一营销和动态定价策略。以淘宝网为背景的仿真实验结果证明了本文新模型的有效性。

C2C电子商务；差异化折扣；在线购买历史

0 引言

随着最近十年来Internet和电子商务的迅猛发展，基于C2C(Consumer-to-Consumer)电子商务网站进行在线购物已成为人们的一种重要生活方式。截至2012年12月底[1]，中国网民数量达到5.64亿，网络购物用户规模达到2.42亿人，网络购物使用率提升至42.9%。然而，C2C电子商务环境存在竞争激烈、商品同质化严重、信用体系不完善、信息不对称等特征，导致“网购消费欺诈、用户信息泄漏、企业无序竞争等问题在2012年更加突出”[1]。为此，中国工业和信息化部在2012年发布的《电子商务“十二五”发展规划》[2]中指出，要“促进在线信用服务的发展”和“积极营造诚信为本、守信激励和失信惩戒的社会信用环境”。同时，根据2001年度诺贝尔经济学奖得主Akerlof教授提出的“柠檬”原理可知，信息不对称会破坏市场，即由“柠檬”问题所导致的逆向选择会降低市场交易效率[3]。这就给C2C平台的卖家带来以下难题：如何有效实施精准的一对一营销以吸引和维持更多客户资源？

我们认为，要解决上述问题，一项非常有效的途径就是根据客户信誉度提供差异化折扣服务，以此增强客户对卖家的“粘度”，同时也帮助卖家识别恶意买家以防范欺诈。信誉(也称为声誉)评价机制是一种在网络环境下，通过收集、合计、发布用户历史行为反馈信息，激励陌生人之间的合作行为，促进网络信任的信誉管理机制[4]，其基本原理[5]是：用户完成一笔交易后，交易双方可以就交易涉及的多个方面（如产品质量、交货或付款及时性等）对对方进行评价，形成信誉反馈，从所有交易得到的信誉反馈按一定方式集结为该用户的综合信誉分，用以反映该用户的信誉状况，并供其他用户作交易决策时参考。因此，信誉可以被买卖双方作为其“信号示意”方式向对方展示自身信用保证，从而获取信誉“溢价”（即对卖家而言，可以开出比市场价更高的卖价；对买家而言，则可以要求卖家提供更多的优惠服务）。通过建立高效的信誉评价机制，可以有效降低信息不对称现象带来的不利程度，帮助买卖双方快速建立信任关系、降低交易风险，在限制欺诈行为的同时鼓励诚信交易，避免发生道德风险和逆向选择[6]。

因此，自美国学者Resnick等[7]于2000年提出信誉评价机制以来，该机制作为一种新型信任管理模式已在众多著名电子商务网站得到广泛应用[8-9]，例如eBay、Amazon、淘宝网、拍拍网等。Melnik[10]、McDonald[11]、Standifird[12]、Houser[13]、Ba[14]、Dewan[15]、Livingston[16]、Samak[17]、Ye[18]、杨居正[19]、李维安[20]、周黎安[21]、吉吟东[22]、张仙锋[23]、周耿[24]等众多学者采用OLS、Tobit、Probit、双向Logistic等回归方法，基于eBay、易趣网、淘宝网等电子商务市场数据（调查商品涵盖了金币、硬币、芭比娃娃、CPU芯片、高尔夫球杆、明信片、邮票、音乐CD、软件、数码相机、网络游戏充值卡、手机等），验证了信誉具有价值，且对商品价格、售出率、售出数量起正向影响作用。然而，上述关于信誉评价机制的研究工作都只是以卖家信誉作为研究对象。而在C2C买家信誉评价方面，目前基本上都使用的是信誉评分累积模型。这种模型过于简单，无法涵盖买家在线购买历史(online purchase history)，因此不能准确反映买家信誉度和提供差异化折扣。

针对上述问题，本文提出了一种面向C2C电子商务的差异化折扣模型。该模型的基本思想是：一份在线购买历史清单，能够反映买家的消费水平、交易时间、交易诚信等多项因素；因此，我们可以将这些因素看作是买家“信誉”的多维信号，并通过某种方法进行聚合，将得到的综合值用来表征买家“信誉”；高信誉买家自然应获得来自C2C卖家的更大购物折扣。目前，该模型包含能体现买家在线购买历史的交易、恶意评价惩罚、买家操作、退单、实名认证等五个指标，其中交易指标又包含交易金额、交易时间衰减因子、卖家评价等三个因子，买家操作指标又包含买家付款时间、买家确认收货时间等两个因子；然后基于线性加权方法，将C2C买家在线购买历史聚合为买家信誉度；进而通过min-max normalization方法对买家信誉度进行线性转换，并与C2C卖家给定的折扣区间结合，得到最终的差异化折扣，从而C2C卖家可以根据当前买家的信誉度实施更精准的一对一营销和动态定价策略。以淘宝网为背景的仿真实验结果证明了本文新模型的有效性。

本文第1节对相关工作进行了介绍和分析；第2节构建了基于在线购买历史聚合的C2C电子商务差异化折扣模型；第3节以淘宝网为背景对本文模型进行了仿真实验及分析；第4节给出全文结论和进一步研究内容。

1 相关工作分析

1.1 文献回顾

本文所探讨和构建的C2C电子商务差异化折扣模型，其本质是一项可辅助C2C网站在基于消费者购买历史(purchase history)的基础上，实施动态定价(dynamic pricing)营销策略的定量分析工具。下面，我们简要回顾消费者购买历史和动态定价研究领域的相关文献。

(1) 消费者购买历史

Rossi[25]等曾指出，营销实践的一个重要方面就是以消费者细分市场为目标进行差异化促销活动(differential promotional activity)。正如苏萌[26]等所言，商业的未来是“为每一个终端消费者提供专属性的产品与服务”；营销的本质在于“异质性”(heterogeneity，即“消费者的不同”)和“差异化”(differentiation，即“为不同类型的消费者提供不同的产品和服务”)，其中“市场细分是解决消费者异质性的一种方法，而个性化则是市场细分的极致，即把每一个消费者看成一个细分的市场，这也是营销的终极目标”。

要做到以上所述，就必须重视对消费者购买历史的分析与研究。然而，对于消费者购买历史，长期以来国内外研究者们的视线基本都集中在从购买历史数据中挖掘关联规则(association rules)以实现交叉销售(cross-selling)[27]，并未涉及在C2C环境下依据消费者在线购买历史数据来提供差异化折扣的问题。

近年来，随着互联网、电子商务及IT技术的迅猛发展，使得个性化定价有了坚实的技术基础和最佳实施平台，一些学者开始研究如何基于消费者的购买历史数据来制定适当的个性化价格。对于销售商基于购买历史进行价格调整的策略，Fudenberg[28]等将其称之为“基于行为的价格歧视”(behaviorally based price discrimination)。但由于“基于顾客的历史购买数据的方法刚刚开始兴起”[26]，因此在已有的个性化定价方法中，对于折扣的处理大都是采用定额折扣券(用于冲抵现金)，而非本文研究的差异化折扣。

例如，Acquisti[29]等讨论了面对策略消费者(strategic customer)时，如何基于消费者购买历史并在结合个性化增强服务(personalized enhanced services)的基础上，实施价格歧视和动态定价策略的问题。但是Acquisti等未给出差异化折扣的计算模型，只在他们给出的三类个性化增强服务中，提到了在动态定价中运用个性化折扣券(personalized discount coupons)的思路。

Rossi[25]等则在经济学理论框架下研究证明，基于不同消费者的购买历史来定制折扣券面值(customizing the face value of the coupon)，比随机派发（例如随报纸派发、在商店入口处派发、在结账台派发等）折扣券更能给销售商带来净收益(net revunue)。但Rossi等的研究针对实体零售店，因此和基于Internet的C2C电子商务相比，在消费者购买历史数据上存在较多不同。例如，C2C电子商务交易中的用户评价、买家操作(在线付款/物流抵达后的线下收货/在线确认收货)等数据项，在实体零售店中就鲜有体现。

张旭[30]基于某会员制商场的实际情况，应用“报童模型”的基本原理，研究在需求不确定且与价格具有相关性的前提下，应用博弈论基本范式建立并分析了会员制商场与会员之间的阶段型价格折扣博弈模型，试图找出商场与会员之间的均衡策略。但是，张旭的模型仅针对会员等级制而建立，所利用的会员购买历史数据也只限于累积消费金额。而本文模型所使用的会员在线购买历史数据，除了包含累积消费金额的交易指标外，还有退单、恶意评价惩罚、买家操作等多种指标，因此在对消费者购买历史数据的分析上更为全面。

从购买历史分析的研究角度来看，本文研究的C2C电子商务差异化折扣模型，就是在以往研究只针对消费者累积消费金额进行分析的基础上，扩展了购买历史的分析数据项，以使得C2C网站能对每个消费者给出更精准的个性化优惠折扣，即差异化折扣。

(2) 动态定价

相对于可变成本、固定成本或销售量，恰当的定价是更有力的收益提升杠杆，这体现在1%的定价改进可平均提高8.6%的营业毛利[31-32]。故国内外学者一致认为，“在将来能够正确地针对每个顾客进行实时定价的能力会成为企业重要的核心竞争力，也是企业生存的底线”[32-33]。动态定价[34]就是这样一种通过动态调整商品价格来影响市场对产品的需求强度，从而获取最大收益的营销手段，其决策实时性要求很高。互联网和信息技术的极大发展，则满足了促进动态定价被广泛应用的三个因素[32][35]：①决策者拥有大量销售数据可以用于辅助决策；②新技术的采用使价格调整变得更容易；③辅助分析需求数据和动态定价决策支持工具逐渐增加。因此，厂商通过制定满足决策实时性要求的动态定价来提高收益变得更为可行。

动态定价的国内外研究文献虽多[31-48]，但“主要解决厂商面向不同的顾客群时应该怎样制定价格以及如何随时间变化而设定价格”[41]，从而“利用价格作为引导需求的一种手段，获得最大的期望收入”[42]，而非针C2C环境下依据消费者的在线购买历史数据来设定差异化折扣的问题。现有文献中，多以产品线[34]、易逝品[43](即市场价值严格受销售时限制约的商品)、民航客运[42][44]、海上运输[45]、实体店及其网店[46]等为动态定价的应用对象，综合考虑产品生命周期、企业库存、服务质量、消费者类型(分为策略消费者即strategic customer、短视消费者即myopic customer两类)及其策略购买行为[47-48]等因素，讨论如何设计不同的厂商运营机制来抵消消费者策略行为对厂商收益的负面影响。

从动态定价的研究角度来看，本文研究的C2C电子商务差异化折扣模型，就是在综合消费者购买历史数据基础上，对每个消费者给出差异化折扣定价。

综上所述，从与本文模型相关的购买历史和动态定价研究文献来看，目前还没有专门基于C2C网站消费者的在线购买历史数据来建立差异化折扣模型的研究成果。因此，本文的贡献就在于，明确以C2C网站为研究背景，探讨C2C卖家如何基于买家的购买历史数据来给定差异化折扣策略，并结合当前主流C2C网站的运营实际，构建了具有较强普适性的差异化折扣模型，从而实现了对买家群体所享折扣的差异化细分，可提升C2C网站个性化营销服务质量。

1.2 现有的买家信誉评分体系

鉴于定性评价难以用于信誉计算且不便于用户浏览[5]，因此信誉评价模型通常都是采用特定的量化体系来描述用户的信誉等级。表1给出了目前一些主流C2C电子商务网站的买家信誉评分体系：

表1 部分C2C网站的买家信誉评分体系

由表1可见，当前主流C2C网站使用的买家信誉评分体系都是(1, 0, -1)评分制。其中，“1”表示“好评”，“0”表示“中评”，“-1”表示“差评”，分别对应卖家给予买家信誉的评价为“满意”、“一般”、“不满意”。这种评分制可以对买家的不诚信行为进行惩罚。该评分制下买家的信誉度()可由式(1)进行集结求得：

表2 (1, 0, -1)评分制下的某淘宝网买家信誉评分

表3 拍拍网买家成交金额权重

在(1, 0, -1)评分制基础上，极少数C2C网站增加了新的计算因子。例如拍拍网(paipai.com)认为，“信用度 = 信用评价得分×成交金额权重”。其中，信用评价得分即(1, 0, -1)评分制得分，成交金额权重则如表3所示(仅限通过财付通完成的拍拍网交易)。

1.3 信誉评分累计模型的不足

上述以(1, 0, -1)评分制为核心的信誉评价模型存在以下不足，使其不能满足为买家提供差异化折扣的需求：

(1) (1, 0, -1)评分制用好评次数减去差评次数，不能真实反映被评价者的实际信誉状况[5]，存在变量值缺失问题故导致信誉评价模型的价值降低[49]，且这种简单累计法难以准确刻画在线信誉的形成及变化趋势[5]。因此，买家信誉评价指标应纳入更多的合理因素。

(2) 交易金额因素在信誉评价中没有得到充分重视。在C2C电子商务中，买家对于某个卖家(店铺)最直接的贡献就是交易金额。但是，(1, 0, -1)评分制单从累积交易次数得到好评的方式，并不能真实体现出买家对卖家(店铺)的贡献程度。虽然拍拍网采用了交易金额分段的权重计算方法，但这对于同等条件下交易金额大的买家又形成不公平。例如在当前计算方式下，拍拍网上交易金额分别为1000元、4999元的两位买家获得的成交金额权重均为3，但后者交易金额是前者的5倍，显然对网店的贡献程度更大，而这并未能通过(1, 0, -1)评分制体现出来。

(3) 没有考虑买家在线购买历史数据随时间的波动状态，因此C2C卖家不能识别近期对店铺贡献大的买家及其信誉度变动情况。例如，、两位买家在某家C2C店铺均有总计5000元的交易总额，但买家的交易全部发生在去年，买家的交易则全部发生在最近一周。很明显后者在当前更为活跃，应提供更优惠的折扣政策，从而达到增强C2C店铺与买家之间“粘度”的营销效果。这个问题也是(1, 0, -1)评分制无法解决的。

(4) 没有考虑退单、实名认证等因素对买家信誉度的影响。由于C2C网站的经营会产生频繁的库存变动和货物调配，若买家动辄退单，就将对C2C网站的经营带来成本损失。相应地，网站在对该买家实施差异化折扣时，有必要将退单因素也考虑进来，作为一种制约机制，使得理性买家在并非必须的条件下放弃退单行为，从而保障C2C卖家的利益。此外，目前C2C电子商务网站在实名认证上对买家并没有作强制要求，故实名认证买家具有更高的信誉度，可有效降低卖家面临的欺诈交易风险。但(1, 0, -1)评分制未包含退单和实名认证因素。

(5) 在买家付款时间、确认收货时间上没有区别评分。例如，卖家可能觉得当前买家付款时间很慢而想给其“中评”，但是该买家确认收货时间却很快，最后综合权衡还是给该买家“好评”。对此，(1, 0, -1)评分制无法作出区分。

(6) 缺乏恶意评价识别及惩罚能力。出于争夺客户的原因，少数卖家通过找“托”的方式，对其竞争对手做出大量差评，以此影响对手的信誉和销售。这也是(1, 0, -1)评分制不能解决的现实问题。

2 C2C电子商务差异化折扣模型

2.1 模型设计的子问题划分

(1) 新模型指标设计问题。新模型将包含两类维度(交易维度、中介维度)，共计五个指标(交易、恶意评价惩罚、买家操作、退单、实名认证)。

(2) 新模型指标聚合问题。对此，我们采取的方法是通过线性加权方法对模型指标进行聚合，用得到的聚合值来表征买家信誉度。

(3) 新模型的输出问题。对此，我们采取的方法是基于min-max normalization方法对买家信誉度完成线性转换，然后与C2C卖家给定的折扣区间结合，从而得到不同信誉度的买家可享受的差异化折扣，此即为新模型的输出结果。C2C卖家可据此向相应买家宣布折扣政策。

2.2 差异化折扣模型指标设计

2.2.1 交易指标

交易金额是当前C2C网站最看重的买家信息。B2C网站常见的会员等级制也是基于买家的交易金额来划分等级。但是，单纯采用交易金额将忽略交易本身的时间因素。Huberman[50]等曾采用经济学理论对信誉计算进行了研究，认为对历史评价进行基于时间的衰减可使得信誉收敛到稳定状态。这是由于随着时间的变动，用户行为发生变化，这些都会导致其信用状况的波动[49]，近期交易所得到的信誉评分比早期评分更能反映买家当前信誉状况，即越早的评分对当前信誉计算的影响程度应越小。这种思路也被很多电子商务网站用于评估卖家信誉，例如BizRate.com只使用最近90天的数据来计算卖家信誉[5]。

对此，我们设计了“交易时间衰减因子”[51]：某次交易的发生时间离当前时间越久，则该交易金额在交易指标中的比重应越低，即交易时间对买家差异化折扣的影响应遵循“近大远小”策略，即在具备同样交易金额前提下，近期交易比早期交易对买家差异化折扣水平带来的波动更大。

当买家完成第笔交易时(即该交易得到卖家所给信誉评价的日期)，其交易时间衰减因子的计算见式(2)：

需要说明的是，荆博贤[52]等也曾提出了一个基于分段函数的时间衰减因子，但该因子只针对一年内的交易。我们认为，信誉计算不宜只将交易额的计算限定在某个连续时间段(例如一年以内，超过则对买家进行信誉降分以及会员降级和资格失效等惩罚)，因为这将导致客户的不满情绪，不利于保留客户和促进客户消费。本文式(2)给出的计算方法，则能使得买家在当前C2C店铺的所有交易都能对其信誉度产生相应影响。

而

且，

故

图1 折线图

对于金额越大的交易，买家承担的风险越大，相应得到的信誉评分应有越大的权重。换言之，买家进行诚信交易的额度越大，对其提高信誉度的帮助应越大。因此，在结合交易时间衰减因子和卖家所给评价的基础上，本文给出交易金额因子的计算方法，见式(4)：

2.2.2 恶意评价惩罚指标

如前所述，出于争夺客户的原因，少数卖家通过找“托”的方式，对其竞争对手做出大量差评，以此影响对手的信誉和销售。这些“托”即为恶意买家。我们不难从生活经验中发现，当同一买家对同一卖家(店铺)差评的次数大于1，则该买家就可能是恶意买家。原因很简单，若买家是诚信的理性人，则他在得到一次该卖家的劣质商品并给予卖家“差评”后，不会再成为该卖家的回头客。

式(5)中，为买家在该卖家(店铺)的交易总次数；表示买家得到的差评总数。需要指出的是，只有时，()才参与该买家的信誉度计算。

图2给出了当同一买家向同一卖家给出的差评数量从1增加到12时，的变化曲线图：

图2 变化曲线图

2.2.3 买家操作指标

买家操作是指买家在下单之后，陆续进行的付款、收货、确认收货三项行为。这三项行为发生的时间早晚，会对C2C卖家的经营造成不同的影响。例如，对C2C卖家而言，买家下单后若能尽快付款，则能降低买家退单的可能性，也能大大缩短卖家存货时间、提高工作效率。因此一个买家在此指标上的良好表现，应当用以提升其信誉度。其中，最重要的是付款、确认收货两项，前者实现买家打款到第三方中介(例如支付宝)，后者实现款项由第三方中介转到卖家账户。这两项都是C2C卖家非常看重的买家行为。但是买家操作是一个相对复杂的指标，原因在于其涉及交易商品类型、卖家发货方式、买家付款方式等三方面因素（如表4所示）。

表4 不同商品类型的发货/付款方式

表4中，“自动发货”是针对点卡、充值卡等虚拟商品的发货方式。买家在拍下商品并付款后，系统会自动向买家发送卡号和密码，交易状态也会立刻变成“卖家已发货”。“手动发货”是针对电子书、小型软件等通过互联网直接传送的虚拟商品，不需要经过实际的物流过程；买家在选择发货方式时，需要选择“无需物流”。

因此，上述三方面因素的不同组合，会使得买家在其付款时间、确认收货时间上的信誉得分产生差别。我们设买家在第次交易中下单后的付款时间得分为，确认收货时间得分为，则该次交易的买家操作计算如下：

考虑到付款及时性对卖家打包商品并尽快发货的影响，设买家选择网上支付，付款时间为下单后第天，系统因买家一直不付款而自动关闭交易的时间为，则付款时间得分为：

若买家付款的方式为货到付款，则由于会拉长卖家的资金回笼时间，因此我们令。

买家收到货物后若能及时确认收货，则能够提高卖家资金回笼速度，提高资金利用率，因此收到货物后越早确认的买家其应越高。由于当前电子商务平台对交易物品为实物或虚拟商品给予了不同的系统自动确认期限，因此需要分别讨论。

而在买家选择货到付款的情况下，由于买家无需在网站上完成确认收货操作，故令。

图3 非可控第三方物流配送时间

表5是对买家操作指标计算的小结：

表5 买家操作指标计算方法

2.2.4 退单指标

买家退单包括两种情况：一是买家下单后主动关闭交易；二是买家付款后退货。但是，不管是哪种情况，都会对C2C网站的经营形成干扰并造成某种程度的成本损失，由此应降低相应买家的差异化折扣力度。

2.2.5 实名认证指标

目前，C2C电子商务网站通常并不要求买家进行实名认证，但是这点往往被某些卖家利用，找“托”充当恶意用户，对作为竞争对手的卖家进行信誉诋毁，使其信誉和销售额受损。因此，今后的C2C平台应该鼓励买家进行实名认证。

2.2.6 指标的维度分类

以上五个指标中，前四个指标即交易、恶意评价惩罚、买家操作、退单都发生于交易的买卖双方之间，因此可统称为交易维度；而实名认证从本质上看是中介维度，即买家通过C2C运营平台向卖家发出交易保障信号。

综上所述，本文设计的五个买家信誉评价指标及取值范围如表6所示：

表6 C2C电子商务差异化折扣模型指标

2.3 基于在线购买历史聚合的买家信誉度

本文采用线性加权方法对买家在线购买历史完成聚合，如式(12)所示：

由于C2C平台上卖家众多，各卖家对不同指标的重视程度必定存在差异。因此，对于、的具体权重分配，我们建议的方法是：在卖家的店铺管理页面上，首先由C2C平台运营商提供一组默认权重值，供卖家参考；同时也提供指标权重输入界面，使卖家可以很方便地对“交易-退单”、“买家操作”、“实名认证”三组指标进行权重设置。

2.4 差异化折扣计算

2.5 差异化折扣模型结构图

根据以上分析，下面给出本文差异化折扣模型的结构图，如图4所示：

图4 差异化折扣模型结构图

3 仿真实验

本文以淘宝网为背景进行了仿真实验，以检验本文新模型的有效性。我们使用PowerBuilder 9.0开发了一个仿真实验平台，图5是其中的一个窗口快照：

图5 仿真实验平台窗口快照

3.1 算例

基于上述仿真实验平台，我们随机生成了300位买家的在线购买历史数据。限于篇幅，本文给出其中两位买家(下称买家、买家，前者已通过实名认证，后者未作实名认证)的具体数据(各有20条记录)进行分析和说明，如表7、表8所示。其中，“商品类型”为1时表示实物商品，为2时表示虚拟商品；“是否退单”为1时表示买家未完成该项交易；为0则表示否；“付款方式”为1时表示网上支付，为2时表示货到付款；“发货方式”为1时表示第三方物流，为2时表示在线传送。

表7 买家的在线购物历史

表7 买家的在线购物历史

交易序号商品类型交易金额下单日期是否退单付款方式付款日期发货方式发货日期收货日期确认收货日期卖家评价买家评价 11672201001140120100115120100116201001252010012511 21314201002020120100203120100207201002172010022211 31136201002080220100210120100217201002222010022200 41436201003180120100319120100320201004102010042011 51583201007030220100705120100707201007112010071111 614432010081801201008201201008272010090520100905-1-1 71563201012241 81630201101200220110123120110125201101262011012611 91234201103310120110401120110403201104122011041211 101214201106070120110608120110610201106142011061411 1111035201106210120110623120110629201107032011070311 121931201109210120110924120110926201110012011101011 131520201201080120120110120120112201201222012012311 1411198201201210120120122120120123201201302012013011 1511051201203210120120323120120324201204022012040211 161893201203250120120327120120329201204032012040311 171107201204080120120409120120410201204172012041711 1811138201207140220120717120120718201207222012072211 191606201207300120120801120120808201208122012081411 201732201209080220120910120120912201209162012091611

表8 买家的在线购物历史

表8 买家的在线购物历史

交易序号商品类型交易金额下单日期是否退单付款方式付款日期发货方式发货日期收货日期确认收货日期卖家评价买家评价 11520201001030120100104120100105201001102010011011 211469201006010120100602120100608201006122010061600 311283201008150120100817120100818201008272010082711 411472201008240120100826120100827201009042010090411 51145201010260220101028120101030201011032010110311 621110201102260220110227220110228201103032011030311 71544201108090120110810120110812201108212011082111 81695201109130120110915120110916201109262011092600 911159201109200120110922120110923201109242011092411 10176201109270220110928120110930201110032011100311 112924201110080220111010220111011201110122011101211 121715201112220120111225120111227201112292011122911 131185201201190120120122120120128201202062012020611 141607201202090120120210120120214201202242012022400 151181201204180120120421120120422201204252012042511 161462201205120120120513120120517201205262012052611 171876201206230120120624120120625201207212012072111 181931201206271 1911312201209290120120930120121001201210062012100611 20128201211200120121121120121126201211292012112911

目前，淘宝网对买家下单后不付款自动关闭交易的时限为3天，即。若买家收货后不作确认收货，则在买家选择网上支付的情况下，系统自动转款给卖家的时限为：

①若为实物商品交易，则为卖家发货后10天(普通快递)或30天(平邮)。鉴于前述第三方物流时间的不可控，故实验中取最大值30天，即。

② 若为虚拟商品交易，淘宝网将其发货方式分为自动发货、手动发货两类，前者无需买家进行确认收货操作；后者则需要买家确认收货，时限为卖家发货后3天，即。 假设当前店铺(卖家)给出最高享8折、最低享9.5折的折扣区间，并对、、分别设定为0.7、0.3、0.8。从而，我们得到模型的全体参数值如表9所示。

表9 差异化折扣模型参数

表10 买家、的模型指标值计算结果

表10 买家、的模型指标值计算结果

指标名称指标值 买家买家 179.883167.745 4.74223.275 83.533102.181 1.0001.000 118.127105.427

表11 买家、的差异化折扣值

表11 买家、的差异化折扣值

买家名称差异化折扣 0.082 0.062

由此可见，新模型有效弥补了以(1, 0, -1)为核心的传统信誉评分累积模型的缺陷。同时，本文模型通过min-max normalization方法来完成对买家信誉值的线性转换，因此计算得到的差异化折扣价差(即相对于卖家提供的折扣区间下限，买家所获差异化折扣给其带来的价格优惠值)与打折商品金额呈正比关系：打折商品金额越大，则买家受益的差异化折扣价差越大；反之则越小。这种与商品金额呈正比的差异化折扣价差，会给具备更佳在线购买历史的买家带来一种心理优越感和平衡感，即感到自己对网站的贡献得到了网站认可，从而使得买家获得良好的用户体验；反过来，这种用户体验将进一步加强和提高买家对网站(商家)的忠诚度——这也是客户关系管理的最终目的。

图6 买家、的年度交易金额比较

图7给出了300位买家的差异化折扣比较。不难观测到，新模型向300位买家提供的差异化折扣区分效果明显，这也表明本文提出的新模型有较好的差异化折扣制定能力，能根据买家的不同在线购买历史做出有效的个体折扣区分。

图7 300位买家的差异化折扣比较

3.2 基于大样本的模型有效性评估

在数据挖掘(data mining)理论中，分类[53]即通过学习得到一个目标函数(target function)，把每个属性集映射到一个预先定义的类标号。非正式地，目标函数也称分类模型(classification model)。若我们将当前C2C店铺的全部买家看作是一个待分类的样本群体，则买家的交易、恶意评价惩罚、买家操作、退单、实名认证等指标相当于属性集；本文的差异化折扣模型就是用于分类的目标函数，亦即为一个分类模型；用以表征买家信誉度的值(即买家在线购买历史聚合值)则类似类标号。但是，与决策树(decision tree)、人工神经网络(artificial neural network)、支持向量机(support vector machine)等传统分类模型不同的是，本文差异化折扣模型的最佳分类结果，是通过计算得到的各买家信誉度均不相同，从而以买家信誉度为分类依据，将每一个买家都分成一个类。这是实现one-to-one模式的差异化折扣之基础，每位买家从而可获得完全不同于其他买家的折扣值。

而在实际生活中，尽管每个买家的交易次数、交易金额、交易日期、评价、退单、买家操作等等行为很难完全相同，但通过对这些在线购买历史数据进行聚合计算后，有可能出现两位或多位买家具备相同信誉度的情形。虽然出现这种情形的概率很小，然而一旦出现，则表明差异化折扣模型未能将这部分买家区分开。换言之，若差异化折扣模型未能做到100%的、基于买家信誉度的买家个体区分，则有必要通过一个指标来衡量模型的个体区分能力。

鉴于已有文献中没有可直接用于本文差异化折扣模型的有效性评估指标，故我们建立了一个新评估指标，称之为“异化率”(Differentiation Ratio，简写为)。设对于某个C2C店铺而言，其全体买家数量为，经过差异化折扣模型计算后得到的不重复买家信誉度数量(即为最终分类数)为，则差异化折扣模型的异化率由式(14)计算：

式(14)中，值越接近100%，表明模型的差异化折扣效果越好，且当值等于100%时达到最佳分类效果，即每位买家都能得到符合自身信誉度水平的差异化折扣；若值等于0，则表示模型计算得到的所有买家信誉度都相同(意味所有买家享受同等折扣)，模型对买家群体完全无区分能力。

下面，为了在大样本场景下检验本文差异化折扣模型的异化率水平，我们分以下两步完成模型有效性评估工作：

(1) 参照淘宝网皇冠级及以上级别的卖家销售记录规模(这可以从淘宝网设定的20级卖家信用级别中获知)，设计本实验中的大样本数量。例如，卖家至少要得到50001分，才能升到三皇冠，这表明即使在所有买家都给“好评”的前提下，三皇冠卖家的销售记录也至少要有50001条。事实上，皇冠级卖家基本上不可能保持100%的好评率，故对皇冠及以上级别的卖家而言，其销售记录至少高于该级别所要求的最低分。

因此，作为大样本的数据量标准，我们假定有6家C2C店铺，其等级分别是三皇冠到三金冠(最高级的五金冠至今还无淘宝卖家达到，四金冠卖家也寥寥无几)；对各家店铺的销售记录数，我们取各级别分数的中间值；最后按每位买家平均具有100条购买记录来估算各家店铺的买家人数。同时，我们的仿真实验平台为了模拟实际场景，对买家的购买记录数并不都定为100条，而是随机生成，同时又保证了各级别店铺的买家购买记录数之和等于该级别设定的卖家销售记录数。上述数据设定如表12所示。

表12 C2C卖家销售记录数及买家人数设定

(2) 按照表12的设定，我们首先基于仿真实验平台生成了相应的买家及其购买历史数据；然后，通过使用本文差异化折扣模型进行计算，得到各级别店铺上的各位买家信誉度；进而，我们采用式(14)计算出各级别卖家对应的。计算过程中的值可由SQL语言中的select distinct语句很方便地求得。计算结果如表13所示。

表13 基于大样本的差异化折扣模型异化率

从表13可知，基于我国最大的C2C平台淘宝网，在三皇冠到三金冠的大样本场景下，本文模型的异化率保持在99.3%以上，这表明了本文模型的有效性，且能够满足我国现有主流C2C网站的实际应用。

4 结论

电子商务环境下的信誉评价已成为学术界和产业界的研究热点[54-60]。而如何基于买家信誉度为其提供精准的差异化折扣，则是当前C2C网站卖家面临的一大问题。针对当前信誉评分累计模型的不足，本文围绕能体现买家在线购买历史的交易、恶意评价惩罚、买家操作、退单、实名认证等五个指标，构建了一个电子商务差异化折扣模型，以期帮助C2C卖家更好地评估当前买家及细分客户，以实施更精准的一对一营销计划和动态定价策略。以淘宝网为背景的仿真实验结果证明了该模型的有效性。本文模型所需原始数据均可由C2C网站从系统数据库自动获取，有限的几个权重参数也只需C2C卖家一次性设置即可(且可随时调整以满足应用需求)。因此，本文模型具有较强的实用性和普适性。

后续研究可在以下两方面展开：

(1) 有研究表明[61]，“网络环境中的主观评价型的口碑信息要比客观事实型的口碑更能影响到消费者的购买决策过程”，即“网络环境中, 一大箩筐的产品功能介绍也许不如一个真诚的经验分享”。故现实中不少电子商务网站都鼓励买家发表高品质在线商品评论，以此挖掘消费者对产品的偏好，进而制定营销战略和发掘利基市场[62]。因此，我们可以通过CMC(Computer Mediated Communication)文本模式的在线商品评论，来定位提供高品质评论的买家，将其评论发表质量、数量与差异化折扣模型融合，提升其享有的差异化折扣水平。

(2) 差异化折扣的本质，既属于电子商务在线信誉管理的范畴，也属于电子商务个性化服务的范畴。基于此点认识，我们考虑在前期研究成果[63-65]基础上，实现电子商务在线信誉管理与个性化商品推荐的有机结合，即在使用个性化推荐为买家消除“信息超载”问题的同时，也给出这些被推荐商品面对不同买家时的差异化折扣，从而提高被推荐商品的买家下单率。这将是下一步的重要研究内容。

[1] CNNIC. 第31次中国互联网络发展状况调查统计报告[R]. 北京: 中国互联网信息中心, 2013.

[2] 工业和信息化部. 电子商务“十二五”发展规划[R]. 北京: 工业和信息化部, 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] 张巍, 刘鲁, 朱艳春. 在线信誉系统研究现状与展望[J]. 控制与决策, 2005, 20(11): 1201~1207.

[5] 宋光兴, 杨德礼. 电子商务在线信誉管理系统设计的若干问题研究[J]. 系统工程, 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] 杨居正, 张维迎, 周黎安. 信誉与管制的互补与替代——基于网上交易数据的实证研究[J]. 管理世界, 2008, (7): 18~26.

[20] 李维安, 吴德胜, 徐皓. 网上交易中的声誉机制——来自淘宝网的证据[J]. 南开管理评论, 2007, 10(5): 36~46.

[21] 周黎安, 张维迎, 顾全林, 等. 信誉的价值: 以网上拍卖交易为例[J]. 经济研究, 2006, (12): 81~124.

[22] 吉吟东, 李平, 邵培基, 等. 网上拍卖中卖者声誉的非对称性研究[J]. 管理工程学报, 2010, 24(1): 59~64.

[23] 张仙锋. 信誉的价值: 基于淘宝数据对我国电子市场的特色解释[J]. 当代经济科学, 2009, 31(3): 30~39.

[24] 周耿, 王全胜, 朱洲. 信誉、第三方标记与网上购买行为——基于淘宝网的实证研究[J]. 经济管理, 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] 苏萌, 柏林森, 周涛. 个性化: 商业的未来[M]. 北京: 机械工业出版社, 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] 张旭. 需求与价格具有相关性下的会员制商场阶段型价格折扣模型研究[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. 基于收益管理的动态定价研究综述[J]. 管理评论, 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] 程岩. 电子商务中面向产品线的动态定价方法研究[J]. 系统工程学报, 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] 陈超, 蓝伯雄, 朱涛. 一般需求函数下的动态定价模型研究[J]. 运筹与管理, 2010, 19(2): 1~7.

[42] 罗利, 彭际华. 竞争环境下的民航客运收益管理动态定价模型[J]. 系统工程理论与实践, 2007, 27(11): 15~25.

[43] 李贺, 张玉林, 仲伟俊. 考虑战略消费者行为风险的动态定价策略[J]. 管理科学学报, 2012, 15(10): 11~25.

[44] 罗利, 萧柏春. 航空客运平行航班动态定价模型[J]. 中国管理科学, 2012, 20(3): 104~111.

[45] 殷明, 郑士源, 丁以中, 等. 基于期权理论的国际海上集装箱运输协议动态定价决策[J]. 系统工程理论与实践, 2012, 32(10): 2297~2305.

[46] 潘伟, 汪寿阳, 华国伟, 等. 实体店及其网上商店产品的动态定价及订货策略[J]. 系统工程理论与实践, 2010, 30(2): 236~242.

[47] 杨慧, 周晶, 宋华明. 考虑消费者短视和策略行为的动态定价研究[J]. 管理工程学报, 2010, 24(4): 133~137.

[48] 彭志强, 熊中楷, 李根道. 考虑策略性顾客的动态定价和差价返还机制[J]. 管理工程学报, 2010, 24(4): 53~57.

[49] 纪淑娴, 胡培, 程飞. 在线信誉管理系统中信用度计算模型研究[J]. 预测, 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] 李聪, 梁昌勇. 面向C2C电子商务的多维信誉评价模型[J]. 管理学报, 2012, 9(2): 204~211.

[52] 荆博贤, 徐锋, 王远, 等. 面向C2C的基于声誉的信任模型设计与分析[J]. 计算机应用, 2007, 27(6): 1349~1352.

[53] Tan PN, Steinbach M, Kumar V. 数据挖掘导论[M]. 北京: 人民邮电出版社, 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] Jøsang 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] 姜锦虎, 李皓, 袁帅. 基于多智能体系统的分布式信誉机制研究[J]. 管理工程学报, 2013, 27(1): 77~87.

[60] 朱艳春, 刘鲁, 张巍. 基于评分用户可信度的信任模型分析与构建[J]. 管理工程学报, 2007, 21(4): 150~152.

[61] 金立印. 网络口碑信息对消费者购买决策的影响: 一个实验研究[J]. 经济管理, 2007, 29(22): 36~42.

[62] 杨铭, 祁巍, 闫相斌, 等. 在线商品评论的效用分析研究[J]. 管理科学学报, 2012, 15(5): 65~75.

[63] 李聪, 梁昌勇. 适应用户兴趣变化的协同过滤增量更新机制[J]. 情报学报, 2010, 29(1): 59~66.

[64] 李聪, 梁昌勇. 基于序访问解析逻辑的协同过滤冷启动消除方法[J]. 系统工程理论与实践, 2012, 32(7): 1537~1545.

[65] 李聪, 梁昌勇, 杨善林. 电子商务协同过滤稀疏性研究: 一个分类视角[J]. 管理工程学报, 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

中文编辑：杜 健；英文编辑：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

国家自然科学基金资助项目（71202165）

李聪（1978—），男，四川西充人，合肥工业大学管理学博士，四川师范大学计算机科学学院副教授、硕士生导师，美国匹兹堡大学Katz商学院访问学者，研究方向：电子商务、商务智能。