Ηλεκτρονικές Αγορές Pervasive Computing Research Group p-comp.di.uoa.gr Μάθημα : Τεχνολογία Διαδικτύου & Ηλεκτρονικό Εμπόριο ΔΜΠΣ Διοίκηση & Οικονομική.

Παρουσίαση με θέμα: "Ηλεκτρονικές Αγορές Pervasive Computing Research Group p-comp.di.uoa.gr Μάθημα : Τεχνολογία Διαδικτύου & Ηλεκτρονικό Εμπόριο ΔΜΠΣ Διοίκηση & Οικονομική."— Μεταγράφημα παρουσίασης:

1 Ηλεκτρονικές Αγορές Pervasive Computing Research Group p-comp.di.uoa.gr Μάθημα : Τεχνολογία Διαδικτύου & Ηλεκτρονικό Εμπόριο ΔΜΠΣ Διοίκηση & Οικονομική Τηλεπικοινωνιακών Δικτύων

2 Εισαγωγή Οι Ηλεκτρονικές Αγορές αποτελούν χώρους όπου άγνωστες οντότητες μπορούν να διαπραγματευτούν την ανταλλαγή προϊόντων με κάποιο αντίτιμο. Σκοπός τους είναι : ◦ Η διευκόλυνση των συναλλαγών ◦ Η παροχή της αναγκαίας υποδομής για την ανταλλαγή προϊόντων ◦ Η μεσολάβηση ανάμεσα σε άγνωστες οντότητες και παροχή συγκεκριμένων μηχανισμών για το ‘ ταίριασμα ’ των οντοτήτων Τα προϊόντα μπορεί να είναι : ◦ Υπηρεσίες ◦ Αγαθά ◦ Πληροφορίες

3 Οντότητες Οι οντότητες που συμμετέχουν είναι : ◦ Οι αγοραστές ◦ Οι πωλητές ◦ Οι ενδιάμεσες οντότητες Αγοραστές ◦ Στόχος είναι η αγορά προϊόντων στην πιο συμφέρουσα τιμή ( μικρότερη ) Πωλητές ◦ Στόχος είναι η πώληση προϊόντων στην πιο συμφέρουσα τιμή ( μεγαλύτερη ) Ενδιάμεσες Οντότητες ◦ Υλοποιούν βασικές εργασίες μεσολάβησης ◦ Οι πιο βασικές είναι :  Οντότητες διαμεσολάβησης (brokers)  Οντότητες ταιριάσματος αγοραστών – πωλητών (matchmakers)  Οντότητες διαχείρισης ( πληρωμές, trust issues, κ. λπ.)

4 Έξυπνοι Πράκτορες (1/2) Αυτόνομο λογισμικό που δρα εκ μέρους κάποιου ( ων ) χρήστη ( ων ) Παίρνουν αποφάσεις για να υλοποιήσουν τους στόχους με βάση ένα μηχανισμό απόφασης Σχεδιάζουν ενέργειες για την επίτευξη των στόχων τους Μπορούν να μάθουν από το περιβάλλον τους αλλά και από τους χρήστες – ιδιοκτήτες Χαρακτηριστικά ◦ Συνεργατικότητα. Συνεργάζονται για να πετύχουν στόχους που δεν μπορούν μόνοι τους ◦ Συντονισμός. Σε πολυπρακτορικά συστήματα μπορούν να συντονίζουν τις ενέργειές τους ◦ Διαπραγμάτευση. Μπορούν να διαπραγματεύονται με στόχο την επίτευξη συμφωνιών

5 Έξυπνοι Πράκτορες (2/2) Οι έξυπνοι πράκτορες μπορούν να υλοποιήσουν τις λειτουργίες κάποιων οντοτήτων ( αγοραστές, πωλητές, ενδιάμεσοι ) αποδοτικά Πλεονεκτήματα ◦ Κέρδος σε χρόνο ◦ Πλήρης Αυτονομία ◦ Χρήση στρατηγικών για μεγιστοποίηση του κέρδους ◦ Δεν αποκλίνουν από τους στόχους ◦ Έχουν μεγαλύτερη υπολογιστική ικανότητα σε σύγκριση με τους ανθρώπους ◦ Οι χρήστες μπορούν να αποφύγουν μέρος του ψυχολογικού κόστους για την απόφαση αγοράς συγκεκριμένων προϊόντων ◦ Τα αποτελέσματα είναι πλήρως προσαρμοσμένα στις απαιτήσεις των χρηστών ◦ Προστασία της ταυτότητας των χρηστών ◦ Αναζήτηση σε πολύ μεγαλύτερο αριθμό διαθέσιμων πωλητών

6 Διαπραγματεύσεις Ανταλλαγή προσφορών μέχρι το κλείσιμο συμφωνίας ή την πλήρη διαφωνία Συνήθως η ανταλλαγή προσφορών γίνεται μέσω συνεχόμενης ανταλλαγής Η διαπραγμάτευση λήγει μετά από ένα αριθμό γύρων Οι εμπλεκόμενες οντότητες ακολουθούν στρατηγικές για μεγιστοποίηση του οφέλους Οι προσφορές αφορούν ένα χαρακτηριστικό των προϊόντων ( π. χ. τιμή ) ή πολλά Κατηγορίες ◦ Ένας προς ένα ◦ Ένας προς πολλούς ◦ Πολλοί - προς - Πολλούς

7 Αγοραστές Έχουν συγκεκριμένα χαρακτηριστικά / προτιμήσεις ◦ Αποτίμηση για το προϊόν ( ανώτερη τιμή ) ◦ Χρονικό ορίζοντα συμμετοχής στις διαπραγματεύσεις ◦ Στρατηγική επιλογής προσφορών ◦ Συνάρτηση οφέλους ◦ Συντελεστή απομείωσης οφέλους

8 Πωλητές Έχουν συγκεκριμένα χαρακτηριστικά / προτιμήσεις ◦ Κόστος για το προϊόν ( κατώτερη τιμή ) ◦ Χρονικό ορίζοντα συμμετοχής στις διαπραγματεύσεις ◦ Στρατηγική επιλογής προσφορών ◦ Συνάρτηση οφέλους ◦ Συντελεστή απομείωσης οφέλους

9 Αλληλεπίδραση Αγοραστών – Πωλητών (1/2) Τεχνολογίες μοντελοποίησης ◦ Game Theory  Συμμετρική – Ασύμμετρη γνώση / άγνοια για τα χαρακτηριστικά ◦ Fuzzy Logic  Μηχανισμός διαχείρισης αβεβαιότητας ◦ Machine Learning Χρήση τεχνολογιών ◦ Επιλογή επόμενης προσφοράς ◦ Λήψη απόφασης αποδοχής Κάθε οντότητα κάνει μια προσφορά σε κάθε γύρο. Ο πωλητής ξεκινά πρώτος.

10 Αλληλεπίδραση Αγοραστών – Πωλητών (2/2) Ενέργειες ◦ Αγοραστή ◦ Πωλητής t: γύρος διαπραγμάτευσης, T b, T s : χρονικοί ορίζοντες συμμετοχής, U b, U s : συναρτήσεις οφέλους, V: ανώτερη τιμή για τον αγοραστή, c: κόστος του προϊόντος, p b  s : στρατηγική του αγοραστή, p s  b : στρατηγική του πωλητή Η διαπραγμάτευση διαρκεί μέχρι min(T b,T s ) Ζώνη συμφωνίας : V - c

11 Ταυτόχρονες Διαπραγματεύσεις (1/2) Σενάριο Τεχνικές συντονισμού ◦ Αποθήκευση των προσφορών ταυτόχρονα σε κάθε γύρο, των πιθανών συμφωνιών και δημιουργία οδηγιών για κάθε thread ◦ Αποθήκευση των προσφορών αλλά και των συμφωνιών και καθορισμός των στρατηγικών

12 Ταυτόχρονες Διαπραγματεύσεις (2/2) Δύο Μοντέλα ◦ Με Συντονιστή (Coordinator) ◦ Ομαδική Προσπάθεια - Αυτοδιοργάνωση

13 Shopbots (1/1 3 ) Τα Shopbots μπορούν να αναζητήσουν αποδοτικά σε ένα τεράστιο αριθμό ηλεκτρονικών καταστημάτων τα προϊόντα που ταιριάζουν με τις προτιμήσεις των χρηστών Φάσεις Εξέλιξης ◦ Α Φάση : 1995-1996. Χαρακτηρίζεται από τον σκεπτικισμό των πωλητών. Οι μικρότεροι πωλητές έδειχναν πιο πρόθυμοι. ◦ Β Φάση : 1997-2002. Χαρακτηρίζεται από την ταχεία εξέλιξη της τεχνολογίας αφού οι πωλητές αντιλαμβάνονται τα οφέλη ◦ Γ Φάση : 2003- σήμερα. Διακρίνεται από την ωρίμανση της τεχνολογίας. Η χρήση των metabots* απαγορεύτηκε μετά από δικαστικές αποφάσεις * metabot: είναι ένα shopbot το οποίο χρησιμοποιεί άλλα shopbots για την ανάκτηση τιμών προϊόντων

14 Shopbots (2/1 3 ) Παραδείγματα

15 Shopbots (3/1 3 ) Κατηγορίες ◦ Stand Alone: Προσφέρουν μόνο πληροφορίες σύγκρισης των προϊόντων. Οι καταναλωτές θέτουν το είδος του προϊόντος που θέλουν να αγοράσουν. Τυπικό κριτήριο κατάταξης : τιμή  Unbiased: Κατάταξη ως προς την τιμή  Biased: Προτεραιότητα σε συγκεκριμένους πωλητές έναντι αμοιβής ◦ Contextual: Προσφέρουν σύγκριση τιμών αλλά σε συνδυασμό με την προσφορά πληροφοριών σχετικών με τα προϊόντα. ◦ Personalized: Προσφέρουν σύγκριση προσαρμοσμένη στις προτιμήσεις των χρηστών σε σχέση με την τιμή ή τον τρόπο εμφάνισης της τελικής λίστας των προϊόντων.

16 Shopbots (4/1 3 ) Επιπτώσεις ◦ Στους αγοραστές :  Επιλογή μέσα από μια πιο ευρεία επιλογή προϊόντων.  Μείωση του χρόνου αναζήτησης.  Μελέτες δείχνουν ότι κάποιοι καταναλωτές γίνονται πιο ευαίσθητοι σχετικά με την τιμή των προϊόντων. ◦ Στους πωλητές :  Τα shopbots ‘ πιέζουν ’ το κέρδος τους.  Μικρή διακύμανση τιμών σε σχέση με τις κανονικές αγορές.  Συχνότερη αλλαγή των τιμών ως αποτέλεσμα του ανταγωνισμού.

17 Shopbots (5/1 3 ) Τα έσοδα των shopbots μπορούν να προέλθουν από : Για κάθε hit στο website του ηλεκτρονικού καταστήματος ως αποτέλεσμα των προτάσεων των shopbots. Για κάθε πώληση που θα προέλθει από πρόταση των shopbots. Για την ειδική τοποθέτηση των προιόντων ενός καταστήματος στην λίστα προτάσεων των shopbots. Από διαφημίσεις στα website όπου υπάρχει η δυνατότητα χρήσης των shopbots. Από συνδυασμό των παραπάνω περιπτώσεων.

18 Shopbots (6/1 3 ) Αλγόριθμος Λειτουργίας Αποτελείται από 3 φάσεις : Ο χρήστης λαμβάνει την απόφαση για την αγορά και ξεκινά την αναζήτηση. Το shopbot αναζητά τις απαραίτητες πληροφορίες σε όλους τους πωλητές που περιλαμβάνονται στην λίστα του και απαντούν μέσα σε ένα χρονικό διάστημα. Το shopbot παρουσιάζει τις απαραίτητες πληροφορίες στον χρήστη, συνήθως ταξινομημένες ως προς κάποιο κριτήριο, π. χ. τιμή.

19 Shopbots (7/1 3 ) Βασικά σημεία σχεδιασμού λειτουργίας ◦ Από πόσα και ποια ηλεκτρονικά καταστήματα θα ζητήσει στοιχεία προϊόντων. ◦ Πόσο χρόνο θα περιμένει για τις απαντήσεις τους. ◦ Πόσες και ποιες από τις απαντήσεις θα παρουσιάσει στους χρήστες. ◦ Στόχος του shopbot είναι να μεγιστοποιήσει το όφελος του χρήστη. Συμβολισμοί ◦ S: αριθμός καταστημάτων που θα ερωτηθούν για πληροφορίες ◦ t*: μέγιστος χρόνος αναμονής για απάντηση ◦ Q: διάνυσμα SX1 στο οποίο Q i = {0,1} = { δεν θα ερωτηθεί, θα ερωτηθεί }

20 Shopbots (8/1 3 )

21 Shopbots (9/1 3 )

22 Shopbots ( 10/ 1 3 ) Παράδειγμα ◦ Έστω ότι το κόστος αποτίμησης προσφορών είναι ίσο με 0 ◦ Έστω ότι οι παράμετροι του οφέλους παίρνουν τιμές στο [0,1] ◦ Υποθέτουμε ότι το όφελος από ένα προϊόν είναι ίσο με 1 ( πολύ σημαντικό προϊόν ) ◦ Το τελικό όφελος εξαρτάται από τα W και Q ◦ Έστω επίσης Ν max είναι ο μέγιστος αριθμός νημάτων που μπορεί να υποστηριχθεί και δίνουμε εξίσου σημασία τόσο στην αναμονή όσο και στο κόστος των νημάτων. Τότε :

23 Shopbots (1 1 /1 3 ) Planbots ◦ Τα planbots αποτελούν ειδική κατηγορία η οποία ( επανα ) σχεδιάζει δυναμικά την απάντηση των αιτήσεων με βάση τις παλιές αιτήσεις αλλά και τις νεοεισερχόμενες. ◦ Στόχος είναι η κάλυψη μειονεκτημάτων που σχετίζονται με τους περιορισμένους πόρους που έχει το κάθε shopbot (cpu, communication ports, etc ). ◦ Ο αλγόριθμος λειτουργίας είναι :

24 Shopbots (1 2 /1 3 ) Προβλήματα Ο χρόνος απόκρισης στους χρήστες δεν πρέπει να είναι πολύ μεγάλος. Έχει παρατηρηθεί ότι μετά από κάποιο χρονικό διάστημα οι χρήστες στρέφουν αλλού την προσοχή τους. Λύση : το shopbot μπορεί να αναγνωρίσει τα καταστήματα που έχουν τις καλύτερες προσφορές και να επικοινωνεί μόνο με αυτά. Η καλύτερη προσφορά μπορεί να ορίζεται είτε από την τιμή είτε από άλλα χαρακτηριστικά. Το φθηνότερο δεν είναι πάντα και το καλύτερο. Τα αποτελέσματα είναι συνήθως πάρα πολλά οπότε πάλι απαιτείται προσπάθεια από την πλευρά του χρήστη. Λύση : Το shopbot θα πρέπει να φιλτράρει τα αποτελέσματα με βάση κάποια κριτήρια και να εμφανίζει μόνο τις πιο συμφέρουσες προσφορές.

25 Shopbots (1 3/ 1 3 ) Προβλήματα ( συνέχεια ) Τα shopbots συνήθως βασίζονται σε wrappers. Αυτό απαιτεί προχωρημένες τεχνικές προγραμματισμού. Οι wrappers πρέπει να ξαναπρογραμματιστούν αν υπάρξει αλλαγή στο ηλεκτρονικό κατάστημα. Οι wrappers βασίζονται σε μεθόδους ανάλυσης κειμένου : ◦ Μπορεί να υπάρξουν λάθη. ◦ Εξάγεται περιορισμένη πληροφορία. ( συνέχεια )

26 Recommender Systems (1/9) Συστήματα τα οποία με βάση τα χαρακτηριστικά των χρηστών αλλά και των προϊόντων προτείνουν προϊόντα σε χρήστες. Καθοδηγούν τους χρήστες ώστε να κάνουν την σωστή επιλογή με βάση τα χαρακτηριστικά τους Φιλτράρουν τα ανεπιθύμητα αντικείμενα Προβλέπουν αυτόματα τα πιο ενδιαφέροντα προϊόντα

27 Recommender Systems (2/9) Δεδομένα χρήστη ◦ Καταγράφονται άμεσα ή έμμεσα Αλληλεπίδραση : γίνεται μέσω ‘ αξιολογήσεων ’ ◦ Δυαδικά : like, dislike ◦ Αριθμητικά : συγκεκριμένη κλίμακα π. χ. [1,5] ◦ Με κείμενο

28 Recommender Systems (3/9) Recommender System Collaborative Filtering (CF) Hybrid techniques Content – based (CB)

29 Recommender Systems (4/9) Content Based Approaches ◦ Προτείνουν αντικείμενα τα οποία ταιριάζουν στο προφίλ του χρήστη. ◦ ‘ Ανακαλύπτουν ’ ομοιότητες ανάμεσα στα χαρακτηριστικά των χρηστών και στις περιγραφές των αντικειμένων. ◦ Βασίζονται στο ιστορικό των χρηστών. ◦ Βασίζονται σε αλγόριθμους λεξικογραφικής και σημασιολογικής ομοιότητας. ◦ Δεν ‘ απαιτούν ’ τη γνώση των ratings των χρηστών

30 Recommender Systems (5/9) Content Based Approaches (ctd) ◦ Τεχνικές  Keyword based  Ontologies  Probabilistic models

31 Recommender Systems (6/9) Collaborative Filtering ◦ ‘ Προβλέπουν ’ τι αρέσει στους χρήστες μέσω της ομοιότητάς τους με άλλους χρήστες. ◦ Βρίσκουν μια γειτονιά χρηστών ή αντικειμένων. ◦ Βασίζονται στη γνώση των ratings των χρηστών για διάφορα αντικείμενα. ◦ Similarity Matrix  Γραμμές : Χρήστες  Στήλες : Αντικείμενα

32 Recommender Systems (7/9) Collaborative Filtering (ctd) ◦ Κατηγορίες  User – based  Χρήση του Similarity Matrix  Item – Based  Pairwise item similarities and not user similarities  Model based  Prediction of missing values adopting a specific model and training examples (find patterns)  Fusion Based  Fusion models for retrieving the final result

33 Recommender Systems (8/9) Hybrid Approaches ◦ Αποτελούν συνδυασμό των δύο προηγούμενων μεθόδων. ◦ Παραδείγματα  Συνδυασμός δύο αποτελεσμάτων (CB - CF)  Προσθήκη content based μεθόδων σε CF συστήματα

34 Recommender Systems (9/9) Cold Start Problem ◦ Έλλειψη πληροφορίας για χρήστες και αντικείμενα. ◦ Τρεις κατηγορίες  Recommendations for new Users  Recommendations for new items  Recommendations for new users and for new items ◦ Λύση : Υβριδικά συστήματα

35 Ερωτήσεις ;