一种基于服务业拍卖系统的服务定价方法

摘要

本发明涉及服务定价方法技术领域，特别是涉及一种基于服务业拍卖系统的服务定价方法。本发明采用如下技术方案,包括:建立服务业拍卖系统；建立影响服务价格的因素的模型；根据拍卖系统历史成交数据计算出每个影响因素对价格的影响系数；系统预测未来拍卖中所拍卖的服务的市场参考价格；根据历史成交数据不断修正系统预测的市场参考价格。以本发明方法基于服务业拍卖系统为服务业定价，充分考虑了服务业这个垄断竞争市场中的变化，并根据不同服务拍卖者历史表现及影响价格的因素为不同服务定价，达到促成服务交易的目的；本发明方法为达成交易节省了很多中间环节，具有很好的社交网络传播效果，对增加就业具有深远影响。

说明书

技术领域

本发明涉及服务定价方法技术领域，特别是涉及一种基于服务业拍卖系统的服务定价方法。

背景技术

由于服务提供者具有独特性，消费者更是难以在购买服务之前了解服务的品质，所以服务价格很难制定，随着服务业迅速发展，网络拍卖方式及社交网站的蓬勃兴起，带有社交属性的服务业拍卖越来越受到人们的欢迎，在此基础上对服务业进行合理定价对于促成买卖双方达成交易具有不可估量的作用。

人们不仅希望通过服务拍卖系统购买到服务，更希望在购买之前对所要购买的服务有充分地了解，掌握合适的价格信息，并在网站上与朋友分享和交友，因此，研究如何基于服务业拍卖系统为服务定价成为一项十分必要的工作。

现有的传统服务业定价方法不能根据市场变化及不同服务提供者较精准的制定价格。

以本发明方法基于服务业拍卖系统为服务业定价,充分考虑了服务业这个垄断竞争市场中的变化，并根据不同服务拍卖者历史表现及影响价格的因素为不同服务定价，达到促成服务交易的目的；本发明方法为达成交易节省了很多中间环节，具有很好的社交网络传播效果，对增加就业具有深远影响。

发明内容

有鉴于此,本发明提供一种基于服务业拍卖系统的服务定价方法, 用于为在拍卖系统中拍卖的服务定价。

为了解决上述问题, 本发明公开了一种基于服务业拍卖系统的服务定价方法, 其步骤包括：

S1：建立服务业拍卖系统；

S2：建立影响服务价格的因素的模型；

S3：根据拍卖系统历史成交数据计算出每个影响因素对价格的影响系数；

S4：系统预测未来拍卖中所拍卖的服务的市场参考价格；

S5：根据历史成交数据不断修正系统预测的市场参考价格。

进一步的, 所述步骤S1具体包括：

拍卖者可以在系统中输入拍卖者个人信息，包括行业，年龄，性别，地理位置，可提供服务的时间，并输入个人服务的内容，制定拍卖最低价，以每小时为单位进行个人服务的拍卖；客户以高于最低价的价格参加竞拍，在拍卖结束时按照出价最高者达成交易；系统设置客户评价体系和社交推荐功能。

所述步骤S2包括：

影响服务价格的因素为 a1,a2,a3,a4,a5,a6,a7, 拍卖系统为每个因素设置一定的算法用来计量这个因素对最终成交价格的影响值。

a1: 拍卖者个人账户历史经验值；

a1 = a11 * P + a12 * H；

P = 拍卖者个人账户成交的平均价格；

H = 拍卖者个人账户的总成交时间/ 所属行业中拍卖者的平均总成交时间 * 所属行业所有拍卖者历史成交价的平均值；

a11和a12分别为P, H在拍卖者个人帐户历史经验值中所占的比重；

T_aver =所属行业中拍卖者的平均总成交时间= 所属行业成交的所有服务时间/成交人数；

H_rate =拍卖者个人账户的总成交时间/ 所属行业中拍卖者的平均总成交时间=拍卖者个人账户的总成交时间/ T_aver；

Pw =所属行业所有拍卖者历史成交价的平均值=所属行业成交的总收入/总服务时间；

H = H_rate* Pw；

P_deal =每一个拍卖者每次成交的价格；

T_deal =每一个拍卖者每次成交的时间；

P =∑(P_deal* T_deal) / ∑T_deal；

所以a1=a11* ∑(P_deal* T_deal) / ∑T_deal + a12* H_rate* Pw；

根据上一年度国家服务业价格统计数据，设每种服务的基准价P0，P0考虑了行业，性别，年龄，地理位置和提供服务的时间，如果拍卖者无帐户历史经验值，系统则给出初始建议价P0。

a2: 客户评价所起作用,客户评价是客户对某个拍卖者所提供的服务的评价；

在网站上列出客户评价打分表, 设满分10分，客户评价分为1.2.3.4.5 五个等级，满分10与1 分之间的差距为2Pw, 当某个拍卖者的客户评价达到整个网站的客户评价平均值时，客户评价所起的作用为Pw.如果拍卖者无客户评价,系统这一项默认为P0；

a2 = 1/5(K – K_aver)×Pw + Pw；

K=客户评价；

K_aver=整个网站的客户评价平均值。

a3: 每个拍卖者的追随者所起的作用；

假设网站上总人数为N，拥有最多追随者的用户本身的追随者数是n，网站上用户的平均追随者数为m，平均转帖概率为v，那么看到有最多追随者的发帖的总人数为：n + n*m*v = n(1 + m*v)；

对于有平均追随者数量的用户，本身的追随者数量m, 那么看到有平均追随者数量的发帖的总人数为：m + m * m * v = m(1 + m * v)；

由以上假设得出a3曲线过以下三点：[0, 0], [m(1+mv)， P0]， [n(1+mv), 2 P0]，我们可以用这三组数据拟合一个二次多项式去量化追随者在定价中的作用： 数据为：x = [0 m(1+mv) n(1+mv)]; y = [0 P0 2P0]； Poly = polyfit(x,y,2) = p；其中p是一个1×3的向量，p(1),p(2)，p(3)是二次多项式的系数， 这个多项式为p(1)×x^2 + p(2)×ｘ＋p(3)； 即对于网站上任意一个用户假设他自己的追随者数n0,他的所有追随者数为： N_fans = n0 + n0 * m * v = n0(1 + m * v)，那么他的追随者在定价中所起作用为：

a3 = f(N_fans )= p(1)*N_fans*N_fans + p(2) * N_fans + p(3)3。

a4: 上传证书数量或证明所起的作用；

假设网站上拍卖者最多上传证书数量为10个，某行业的拍卖者平均上传证书数量为Z_aver，

Z_aver=所有拍卖者上传的总证书数量/拍卖者总人数；

当一个拍卖者上传了10个证书的时候，他的证书所起的作用是2P0，当一个拍卖者上传了网站上拍卖者所上传的证书平均数量的时候，他的证书所起的作用是P0，当一个用户没有上传证书的时候，那么这一项的作用为0.我们利用这三个数据拟合一个二次多项式用来量化上传证书数量在定价中的作用: 数据：x = [0 Z_aver 10], y = [0 P0 2P0]；poly = polyfit(x,y,2)=p, 其中p是一个1×3的向量，p(1),p(2)，p(3)是二次多项式的系数，这个多项式为p(1)×x^2 + p(2)×ｘ＋p(3)；

假设某个行业里面的某个用户的上传证书数量为Z，那么a4 = p(1)*Z *Z + p(2)* Z + p(3)。

a5: 拍卖底价；

a5= P* = 拍卖底价；

如果拍卖者的底价超过网站所有拍卖的平均价的2倍，或者少于平均价的一半，则网站不将此次拍卖计算在内，即不给出此次拍卖的参考价。

a6: 朋友推荐所起的作用；

朋友推荐的价值由两部分组成：将拍卖者引荐到网站的推荐人和朋友在网站上的推荐（这里的朋友指未购买拍卖者服务的朋友），朋友以“赞同”和“不赞同”的方式发表意见；

我们以排名和追随者数量来计算推荐人和朋友在网站上的推荐所起的作用；

a6= a61*将拍卖者引荐到网站的推荐人所起的作用+ a62*朋友在网站上的推荐所起的作用；

a61和a62为推荐人和朋友所起的作用所占的比重；

将拍卖者引荐到网站的推荐人所起的作用=a611*推荐人的排名所起的作用+ a612*推荐人的追随者所起的作用；

Pref=将拍卖者引荐到网站的推荐人所起的作用；

Ref_rank = 推荐人的排名；

Pref_rank=推荐人的排名所起的作用；

Pref_rank= (1-排行/总人数) * P0；

Pref_fans = 推荐人的追随者所起的作用；

Pref_fans = f(Ref_fans)；

推荐人的追随者在定价中所起作用按照a3中每个拍卖者自己的追随者数的计算方法来计算：f(Ref_fans) = p(1)* Ref_fans * Ref_fans + p(2) * Ref_fans + p(3)；

Ref_fans1 = 推荐人的直接追随者数；

Ref_fans2 = 推荐人的间接追随者数；

Ref_fans = Ref_fans1 + Ref_fans2；

关于朋友在网站上的推荐：

某个拍卖者的朋友推荐值=所有“赞同”值+所有“不赞同”值；

每一个“赞同”值=a611*这个朋友的排名所起的作用+ a612*这个朋友的追随者数量所起的作用，

每一个“不赞同”值=-（a611*这个朋友的排名所起的作用+ a612*这个朋友的追随者数量所起的作用），

a611和a612分别为为朋友的排名和朋友的追随者数量所起的作用所占的比重；

Fri_rankA = 发表“赞同”的朋友的排名；

Fri_fansA = 发表“赞同”的朋友的追随者数；

Fri_rankD = 发表“不赞同”的朋友的排名；

Fri_fansD = 发表“不赞同”的朋友的追随者数；

Pfri=朋友在网站上的推荐所起的作用；

Pfri_rank=所用朋友的排名所起的作用= [∑(1- Fri_rankA /N)- ∑(1- Fri_rankD /N)] * P0；

Pfri_fans =∑f(Fri_fansA)- ∑f (Fri_fansD)

=[ p(1)* Fri_fansA * Fri_fansA + p(2) * Fri_fansA + p(3)]

- [ p(1)* Fri_fansD * Fri_fansD + p(2) * Fri_fansD + p(3)]；

对于某一个行业，计算每一个拍卖者的朋友推荐所起的作用,在所有被推荐过的拍卖者中，用其中一个最低朋友推荐值作为朋友推荐的最低值Pmin，让这一项所起作用为0，最高朋友推荐值作为朋友推荐的最高值Pmax，这一项所起的作用为2P0，平均推荐值就作为朋友推荐的平均值Paver，这一项所起作用为0；

Paver=平均推荐值=这个行业所有拍卖者的朋友推荐值总和/拍卖者的人数，于是有这样三组数据：（Pmin， 0），（Paver， P0），（Pmax， 2P0），用这三组数据拟合一个二次多项式： x = [Pmin, Paver, Pmax]， y = [0, P0, 2P0]，Poly = polyfit（x, y,2） = p，p是一个3×１向量；给出一个拍卖者的朋友推荐值Pown，他的朋友推荐所起作用为朋友推荐所起的作用：Pf = p(1)*Pown * Pown + p(2)*pown + p(3)；

从而得出

a6=a61*Pref+a62*Pfri =a61*(a611*Pref_rank+a612*Pref_fans)+a62*(a611*Pfri_rank+a612*Pfri_fans)。

a7: 拍卖者的网站排名；

a7= （1 – 拍卖者本人的排名/拍卖者总人数） * 所属行业所有拍卖者历史成交价的平均值

=(1 – Rank/N) * Pw。

4.按权利要求1所述的一种基于服务业拍卖系统的服务定价方法, 其特征在于：所述步骤S3包括：影响服务价格的因素为 a1,a2,a3,a4,a5,a6,a7对应的影响系数分别为：x1,x2,x3,x4,x5,x6,x7, 通过拍卖系统中所有买卖双方历史成交价计算出影响系数；

成交价= a1*x1+a2*x2+a3*x3+a4*x4+a5*x5+a6*x6+a7*x7

= x1*(a11 * P_aver + a12 * H) + x2 * a2 + x3 * a3 + x4 * a4

+ x5 * a5 + x6 * (a61 * Pref + a62 * Pfri) + x7 * a7

= x1* a11 (P_aver - H) + x1 * H + x2 * a2 + x3 * a3 + x4 * a4

+ x5 * a5 + x6 * a61 * (Pref - Pfri) + x6 * Pfri + (1-x1 –x2 -… -x6) * a7

= x1* a11 (P_aver - H) +x6 * a61 * (Pref - Pfri) +x1 * (H –a7)

+ x2 *( a2 –a7) + x3 * (a3 – a7) + x4 * (a4 – a7) + x5 * (a5 – a7)

+ x6 * (Pfri – a7) + a7

因为上式为非线性方程，我们用Newton 方法求解此非线性方程组,得出x1,x2,x3,x4,x5,x6,a11,a61。

所述步骤S4包括：根据计算出的影响系数, 系统预测未来拍卖中所拍卖的服务的市场参考价格。

所述步骤S5包括：每7组历史成交数据可计算出一组影响系数, 当系统中的成交数据不断增加时, 系统自动引用网站上历史成交记录及目前拍卖系统中的相关信息，计算出多组影响系数, 通过统计方法找出影响系数变化的规律, 从而不断修正系统预测的市场参考价格。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白,以下具体实施方式对本发明作进一步详细的说明。

本发明的实施例是基于美国服务业相关统计数据，但本发明的方法不受地域及语言种类的限制。

步骤S1, 建立服务业拍卖系统；

所述建立服务业拍卖系统, 采用网络搭建技术建立拍卖系统平台, 拍卖者可以在系统中输入拍卖者个人信息，包括行业，年龄，性别，地理位置，可提供服务的时间，并输入个人服务的内容，制定拍卖最低价，以每小时为单位进行个人服务的拍卖；客户以高于最低价的价格参加竞拍，在拍卖结束时按照出价最高者达成交易；系统设置客户评价体系和社交推荐功能。

步骤S2, 影响服务价格的因素为 a1,a2,a3,a4,a5,a6,a7, 拍卖系统为每个因素设置一定的算法用来计量这个因素对最终成交价格的影响值。

a1：拍卖者个人账户历史经验值；

a1=a11* ∑(P_deal* T_deal) / ∑T_deal + a12* H_rate* Pw。

a2: 客户评价所起作用,客户评价是客户对某个拍卖者所提供的服务的评价；

a2 = 1/5(K – K_aver)×Pw + Pw。

a3: 每个拍卖者的追随者所起的作用；

a3 = f(N_fans )= p(1)*N_fans*N_fans + p(2) * N_fans + p(3)3。

a4: 上传证书数量或证明所起的作用；

a4 = p(1)*Z *Z + p(2)* Z + p(3)。

a5: 拍卖底价；

a5= P* = 拍卖底价。

a6: 朋友推荐所起的作用；

a6 = a61*Pref+a62*Pfri

=a61*(a611*Pref_rank+a612*Pref_fans)+a62*(a611*Pfri_rank+a612*Pfri_fans)。

a7: 拍卖者的网站排名；

a7 = (1 – Rank/N) * Pw。

步骤S3包括：影响服务价格的因素为 a1,a2,a3,a4,a5,a6,a7对应的影响系数分别为：x1,x2,x3,x4,x5,x6,x7, 通过拍卖系统中所有买卖双方历史成交价计算出影响系数；

成交价= a1*x1+a2*x2+a3*x3+a4*x4+a5*x5+a6*x6+a7*x7

= x1*(a11 * P_aver + a12 * H) + x2 * a2 + x3 * a3 + x4 * a4

+ x5 * a5 + x6 * (a61 * Pref + a62 * Pfri) + x7 * a7

= x1* a11 (P_aver - H) + x1 * H + x2 * a2 + x3 * a3 + x4 * a4

+ x5 * a5 + x6 * a61 * (Pref - Pfri) + x6 * Pfri + (1-x1 –x2 -… -x6)*a7

= x1* a11 (P_aver - H) +x6 * a61 * (Pref - Pfri) +x1 * (H –a7)

+ x2 *( a2 –a7) + x3 * (a3 – a7) + x4 * (a4 – a7) + x5 * (a5 – a7)

+ x6 * (Pfri – a7) + a7

因为上式为非线性方程，假设拍卖系统中有8组成交的数据，可以得到8个非线性方程，我们用Newton 方法求解此非线性方程组,得出x1,x2,x3,x4,x5,x6,a11,a61；

我们假设网站上的5个行业, 8个人共成交9次, 数据如下：

将以上数据代入方程组，我们用Newton 方法求解此非线性方程组,得出:

x1=0.1449,x2=0.1578,x3=0.0385,x4=0.0538,x5=0.5704,x6=0.0218,x7=0.0187,

a11=0.7, a62=0.4。

步骤S4, 根据计算出的影响系数, 系统预测未来拍卖中所拍卖的服务的市场参考价格.

例如：网站上某一个拍卖者，他之前在拍卖系统上拍卖服务并成交过，系统提取此拍卖者最新拍卖数据如下表所示，系统根据已有数据预测此拍卖者最新买卖服务的市场参考价格：

根据S3计算出的影响系数得出此次拍卖的建议价为：24.7311。

步骤S5, 每7组历史成交数据可计算出一组影响系数, 当系统中的成交数据不断增加时, 系统自动引用网站上历史成交记录及目前拍卖系统中的相关信息，计算出多组影响系数, 通过统计方法找出影响系数变化的规律, 从而不断修正系统预测的市场参考价格。

以上对本发明提供的一种基于服务业拍卖系统的服务定价方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上是实施例的说明只是用于帮助理解本发明的方法及其核心思想而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。