——以拍照赚钱APP中的任务定价为例

申卓  暨南大学南校

摘要：随着大数据背景下商业智能概念的产生，越来越多的领域运用商业智能来做商业决策。本文以一个拍照赚钱APP中的任务定价问题为例，阐述了一个具体的商业智能运用案例。本文通过分析APP给定的任务数据，研究任务定价规律，并且进一步制定更为合理的定价方案，在此基础上再考虑将位置相近任务进行组合打包的情况。

关键词：商业智能；拍照赚钱APP；任务定价

随着数据时代的到来，数据分析处理能力日益成为商业决策中的关键，由此引出了商业智能的概念。商业智能，又称商业智慧或商务智能，指用现代数据仓库技术、线上分析处理技术、数据挖掘和数据展现技术进行数据分析以实现商业价值。商业智能的概念在1996年最早由加特纳集团提出，加特纳集团将商业智能定义为：商业智能描述了一系列的概念和方法，通过应用基于事实的支持系统来辅助商业决策的制定。商业智能技术提供使企业迅速分析数据的技术和方法，包括收集、管理和分析数据，将这些数据转化为有用的信息，然后分发到企业各处。为了具体说明商业智能的应用，本文以一个拍照赚钱APP中任务定价的例子来阐述数据分析处理在商业定价中的应用。

一、拍照赚钱APP

在当今互联网发展迅速的时代，许多曾经需要企业内部人工完成的事情如今可以有更高效的解决方法，一种可以“拍照赚钱”的软件应运而生，这种软件可以通过互联网与群众形成一种新型合作模式，以节省调查和搜集数据的成本，这种模式一般称之为“众包”。这种基于移动互联网的自助式劳务众包平台，不仅大大地提高了企业搜集数据的效率，同时也吸引了许多人的参与。这种软件的用户数量越多，越有可能搜集更多数据。用户通过下载和注册成为APP的会员，然后从APP上领取需要拍照的任务，赚取酬金。由此可见对用户的吸引是以价格为代价的，因此软件的成功与否，很大一部分原因在于定价。本文通过分析APP给定的任务数据，进行了任务定价规律研究，制定任务定价方案，并且进一步考虑打包情况下任务定价情况。

二、智能模型简介

首先介绍一下在通过数据分析研究任务定价模型时所涉及到的一些智能模型，这些模型将会在之后的分析中用到。

（一）模糊聚类分析

模糊聚类分析法是根据事物的特征、亲密程度、相似性，通过建立模糊相似关系而对事物进行分类地方法，它很好地对多指标因素的事物进行了分类，解决了定性分析准确度不够的问题。因此，本文对任务的分类中，在根据市分类后引进模糊聚类分析法对各市内的任务根据坐标进行了二级分类，从而将各市分别划分为四个区域，将地理位置接近的任务归结到了一个区域。

（二）灰色关联分析模型

灰色关联分析法，是根据事物各因素的发展趋势之间的相似或相异度，即关联度，从而确定事物的影响因子。为研究任务价格的制定规律，本文引进灰色关联分析法分析各影响因素对任务价格的关联度。

（三）支持向量机模型（SVM）

支持向量机（SVM）是新一代的基于统计理论的学习系统，也是很好的一种监督学习算法，即已知训练点的类别，求训练点和类别间的关系，以便将训练集按照类别分开，或是预测新的训练点所对应的类别。在分类时，SVM试图构建一个分割两类的超平面，以一个很大的边缘分割两个类从而使期望泛化误差最小化，从而对样本数据进行分类时可以使预测错误的几率最小化，对于落在边界平面上的（数据集中的）点称为支持向量，由于这些点在这一理论至关重要，因此称为“支持向量机”。

由于大量实验显示非线性SVM推广能力和解释能力不如线性SVM，因此本文利用线性SVM模型，且为更便于理解和编程求解，引入了松弛变量将之转换为纯线性规划问题。

（四）遗传算法

遗传算法是一种应用广泛的随机搜索与优化算法，它基于生物自然选择与遗传机理，基于一组随机产生的初始解，称为群体，通过交叉、变异产生下一代染色体，称为后代根据适应度的大小从上一代和后代选择能继续遗传到下一代的机会，如此经过若干代后，算法收敛于最好的染色体，这很可能就是最优解。通常求目标函数最大化的问题可以直接把目标函数作为检测个体适应度大小的函数，因而本文在考虑合理的能使任务完成度最高的组合方案时采用遗传算法进行求解，并且求解过程中引入一些规则，使得遗传算法更容易收敛于全局最优解。

三、任务定价规律研究

为了找到现存APP中任务定价的规律，本文搜集了某APP中相关任务经纬度、任务价格、任务完成度以及会员位置、荣誉值等信息，研究任务定价的规律并基于此改进制定新的任务定价策略。

（一）任务定价规律

本文先根据经纬度指标所涉及的地点，将所有任务点的分布划分为四个城市，分别为佛山、广州、东莞和深圳，接着在每个城市内部运用模糊聚类分析法，在每个城市内部根据任务点的集中程度进一步将任务点划分为4个区域分布。

接着通过画图发现影响定价的因素主要是位置、任务数和会员数。为了验证所发现规律的正确性，本文采用灰色关联分析法，分析了离市中心距离、区域会员数、区域任务数三个指标与区域平均任务价格的关联度，确定了这些因素对价格的影响。接着为了分析任务未完成的原因，通过画价格-任务分布图发现任务的完成度与位置和价格有关。

根据灰色关联分析的结果，任务定价受任务点离市中心距离、区域任务密集度以及区域会员密集度影响。会员分布越密集的地方，任务价格越低；任务离市中心越远，任务价格越高；任务数越多的地方，任务价格越低。

（二）任务未完成原因

图1 完成任务与未完成任务分布图

图2 任务与价格分布图

通过分析第一张图中任务完成点（绿色）与未完成点（红色）在四个城市中的分布（从左到右依次为佛山、广州、东莞、深圳），对比第二张图中各城市任务价格表（颜色由深到浅代表着价格由低到高），可明显看出右下方深圳区域内大部分任务均未完成且大部分任务处于低价区（深蓝色点）；而左上方佛山和广州两个地区未完成任务点和完成任务点的分布同样对应着下面的低价区和高价区；而深圳上方东莞的任务价格既有高价区也有低价区，但是大多数任务都完成了。

因而，通过上面简单的画图分析，可以看出价格因素对任务的完成度有重要影响，除此以外通过图形分析我们发现广州、佛山两个城市离市中心越近，任务的完成度也越低。综上所述，画图分析可以看出任务未完成的原因主要有两个：一个是任务的价格偏低，二是任务离市中心较近。

（三）利用规律判断任务是否完成

通过之前的模糊聚类分析将四个城市划分为16个二级区域，发现其中有些区域的任务全部完成，有些区域的任务全部未完成，将这些可以用标志向量0和1表示任务完成度的区域挑选出来。然后将其一部分区域作为训练集，一部分作为测试集。

利用了线性支持向量机算法去做分类测试，利用位置和价格两个指标作为划分标准去判断任务是否完成。最终结果显示SVM在目前情况下得出的任务完成与否的判断与实际结果相同，模型效果良好。因而可以利用SVM模型根据位置和价格因素的相关数据对之后任务是否能完成做出判断。

通过以上分析可以看出，现有的APP任务定价机制是有一定问题的，从有大量发布的任务没人完成这一点可以看出，为了解决以上问题，本文基于数据制定了新的任务定价策略。

四、制定任务定价策略

（一）定价步骤

基于以上对定价规律的分析，本文基于任务完成度最大化目标制定了新的定价模型，并融入了供求价格分析模型来确保定价过程符合经济学规律。

本文将区域任务数量设为需求指标，将区域会员数量设为供给指标，建立供求比指标（会员-任务比值），计算确定各城市合理的价格水平，然后在各城市内部进一步确定各区域内的价格水平。

而对于特定城市，提价对提高任务完成率没有太大效果的情况下，建立会员激励机制，鼓励本市和邻市的会员去做未完成的任务，具体可以有提前预定任务时间、提高会员任务限额等奖励方式去鼓励会员，进而在增加较少预算的基础上尽可能大的提高总体任务完成度。

（二）任务定价中的供求关系

首先本文明确了任务发布者的最终目的——完成所有任务获取想要的商品信息，因而在制定任务价格时要始终以最大化任务完成率为目标。除此以外为了制定更为合理的任务价格，本文从经济学价值规律角度考虑定价，即价格由任务价值决定，围绕市场供求关系上下波动。因而作为任务定价者要充分考虑任务的价值以及会员在各地区的分布状况，分地区合理制定任务价格；并且要明确最终的目的——最大化任务完成率。在任务定价中，任务发布者是需求方，而任务执行者则是需求方，因而本文用区域内的任务数表示需求，区域内会员数表示供给，而供求之间的相对关系则由供求比指标——会员-任务比值来表示。

（三）价格-供求比模型

最终基于供求关系建立以下任务定价模型：

其中P表示要确定的合理任务价格，P*表示区域内的均衡价格，R表示供求比值，R*表示区域内的均衡供求比值，a则是参数且，a＞0表示价格偏离度与供求比偏离度的相对关系。

当这个公式成立时说明制定的价格对均衡价格的偏离度与供求比对均衡供求比的偏离度可以互补，两者相加为零，因而最终可以达到均衡状态，即在固定的供需比条件下设立的任务价格可以使得任务被完成。

五、遗传算法打包定价策略

（一）打包步骤

实际情况下，多个任务可能因为位置比较集中，导致用户会争相选择，一种考虑是将这些任务联合在一起打包发布。在这种考虑下，本文修改前面的定价模型考虑了将邻近任务打包发布的策略。

考虑任务组合打包方案时，本文所用的遗传算法遵循两个原则：一是就近原则，将任务位置接近的任务进行打包；二是远近结合原则，为了提高任务完成率，要求任务组合中未完成任务的比例不少于30%，为此可以将一些距离较远的点一块组合。

当确定了各城市的任务组合后，将任务包和单独任务分开定价，通过上述价格-供求比模型确定各城市单独任务均价。然后计算总预算额与任务完成率，与原本的方案进行比较，评价任务组合方案的实施效果。

（二）遗传算法组合打包

本文认为这是一个无固定起点的有约束条件的旅行商问题。为了使得智能算法的结果不会脱离实际而太过理想，本文制定了一些限制让模型更加贴合现实。比如：打包的任务地点组合中，两两的距离至少为五千米，因为如果距离过远将不会引起客户更多的注意。通过制定一些规则来生成合适的初始种群，可以增加遗传算法的计算效率，能够使得算法更快找到最优解。本文以会员密集的区域为中心将已完成任务和未完成任务进行打包，其中要求未完成任务的比重在0.3以上。如果只是对未完成概率大的任务进行打包，往往会没什么效果。因此本文采取两者结合的方式，让完成度不高的任务更有可能完成，而不只是单单只是做捆绑。

打包定价是提高任务完成率的一种方式，一方面通过适当捆绑一些热门地区与冷门地区来推动冷门地区的市场发展，另一方面打包时候多个任务只算一个配额，意味着单个配额可以获得更高的价值。

六、给拍照赚钱APP的产品建议

基于前文数据分析以及模型求解中存在的一些思考，本文针对拍照赚钱APP的开发者和产品经理们提出以下建议：

（一）建立会员激励机制

通过前面的分析，发现各城市任务未完成的原因有所不同，其中佛山市任务未完成的主要原因一方面是价格过低，另一方面是因为供求比太小，仅通过提价的方式并不能有效解决任务完成率低的问题。

因而本文提出了一种吸引邻近城市的会员来做任务的会员激励机制，具体规则如下所示：

当信誉值一样时，两会员会在限额和时间之间分配往往各占优势，且小幅度的信誉值提升只会对其中一项产生附带提升；因而为公平起见提升信誉值所带来的对限额和时间的附加提升时，会员只能选择其中一项。

完成市外任务可以额外奖励信誉值，其中外省会员完成加五倍信誉度，邻市会员完成加三倍，同时还有两种选择：提升由信誉值决定的任务限额或是提升由信誉值决定的预定任务开始时间。

当选其他市未完成任务时，可以在预定限额上增加原基础的10%，同时预定时间段提前一段（但这只是临时性的，且只能用以选择其他市未完成任务）；一旦市外未完成任务活跃度达到三件以上，便可以增加实际基础配额一件或提前预定时间一段。以此增加其他市任务的完成度，同时也对APP软件起了宣传作用。

（二）拓展会员来源渠道

由任务和会员分布散点图可知任务集中的地方有不少部分都是信誉值偏低的用户，可以猜测是因为原价格的不合理打击了用户的积极性，因此建议APP在调整价格的同时也推出相应的优惠以挽回用户对APP的忠诚度。

除此以外，本文发现除东莞外，佛、广、深三市都有一定程度上的任务未完成，APP还需要加大宣传以吸引更多用户，结合时代背景，这种依靠互联网的APP受众多为年轻人，因而宣传主要对象应以年轻人为主。

最后，观察地理位置时发现有70个左右来自重庆、湖南等的外省会员，还有些来自外市的会员，可知有不少外省、外市用户对这种“拍照赚钱”的方式很感兴趣，因此建议APP做好宣传，努力发展其他地区的市场，开发其他具有潜力的地区。

（三）引入任务竞价模式

由于完成任务和未完成任务与会员人数图对比可知，某些会员-任务比高的地区造成多个会员争抢，因此建议APP定价人员引入竞价模式，首先对任务提出合理的最大可支付价格，再由感兴趣的会员对这项任务竞价，考虑到可能有恶意竞价的情况出现，不妨由开出第二低价的会员获得任务。如此既降低了APP的成本，也一定程度上人性化地防止低价打破会员的心理预期，更调动了会员的积极性。

七、总结

从上述整个APP定价过程我们可以看出，在商业决策中数据分析处理能力已成为关键，合理的运用一些智能算法模型来寻找价格规律，制动目标最大化的任务价格可以更高效准确的找出APP任务定价策略中存在的问题，并给相关的开发与产品经理相应的改进建议。商业竞争已经从过去的规模化的大鱼吃小鱼，进化到今天效率化的快鱼吃慢鱼。而随着背靠AI、IOT、大数据和云计算的商业智能的深入采用，未来的趋势是拥有商业智能的智慧企业将吃掉不擅利用商业智能的无脑企业。因而，在企业迫切需要智慧转型的今天，打造数据闭环、建立商业智能已成为企业可持续发展的必经之路。

参考文献：

[1]Gebeyehu Belay Gebremeskel.面向商业智能的数据挖掘算法和多智能体系统的体系结构以及优化[D].重庆大学,2013

[2]卓金武.MATLAB在数学建模中的应用[M].北京：北京航空航天大学出版社，2014.9

[3]刘业政,胡剑.商业智能的核心技术及体系结构研究[J].合肥工业大学学报(自然科学版),2004(08)