Machine Translated by Google

Disponível online em www.sciencedirect.com

Sistemas especializados

com aplicativos

Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674

www.elsevier.com/locate/eswa

Um sistema de precificação colaborativo baseado em Markov para informações

pacote de mercadorias

Wei-Lun Chang a,*, Soe-Tsyr Yuan b

uma

Departamento de Administração de Empresas, Universidade Tamkang, 151 Ying-chuan Road, Taipei, Tamsui, Taiwan
b
Departamento de Sistemas de Informação Gerencial, Universidade Nacional de Chengchi, Taiwan

Abstrato

A precificação de bens de informação é um tópico essencial e emergente na era da economia da informação. Uma miríade de pesquisadores dedicaram-se
atenção considerável ao desenvolvimento e teste de métodos de precificação de bens de informação. No entanto, além disso; ainda há certos
deficiências como os desafios a serem superados. Este estudo abrange vários conceitos inexplorados que têm atraído a atenção de pesquisa em outras disciplinas
ultimamente, como prototipagem colaborativa, teoria de prospectos, teoria ERG e manutenção de design, economia,
psicologia e engenharia de software, respectivamente. Este estudo apresenta um sistema de precificação colaborativo para pacotes de bens de informação
e investiga o impacto de três vantagens: (1) fornece um processo colaborativo baseado em Markov que pode gerar vários protótipos por tentativa e erro no processo de
precificação, (2) tenta a otimização dupla de utilidade máxima do consumidor e lucro máximo do produtor,
e (3) oferece um pacote de serviços de bens de informação apropriado, interagindo com o consumidor, descobrindo as necessidades reais.
2007 Elsevier Ltd. Todos os direitos reservados.

Palavras-chave: Prototipagem colaborativa; cadeia de Markov; teoria ERG; Agrupamento de bens de informação

1. Introdução deficiências como os desafios a serem superados (Jain &

Devido à estrutura única de custos e características do produto1 dos
bens de informação, a possibilidade de seguir as estratégias tradicionais
de precificação torna-se inviável e a
estratégia de preços diferenciados é reconhecida como crucial. Variante
(1995, 1997) identificaram duas questões-chave de preços (discriminação
de preços e empacotamento). A natureza da discriminação de preços,
em geral, visa otimizar os preços em vez de baixar
os preços, possivelmente de diferentes perspectivas. Por exemplo,
da perspectiva dos produtores (ou seja, lucros maximizados), um
produtor cobra diferentes usuários a preços diferentes de acordo com
à sua disposição a pagar diferente (DAP).
Uma miríade de pesquisadores dedicaram atenção considerável
para desenvolver e testar métodos de bens de informação
preços. No entanto, além disso; ainda há certos
* reais.
Autor correspondente. Tel.: +886 2 28588704.
Endereços de e-mail: wlchang@ms10.hinet.net (W.-L. Chang), yuans@
mis.nccu.edu.tw (S.-T. Yuan).
1
Economia de TI. http://oz.stern.nyu.edu/io/pricing.html.
Kannan, 2002; Stigler, 1961; Stiller, Reichl e Leinen,
2000; Sundararajan, 2004; Wang, 2004): (1) carece de consumidor
envolvimento para o processo de precificação, (2) leva apenas o produtor
perspectiva em consideração (com base no custo ou com base no lucro)
e (3) coloca o preço sem interagir
com os consumidores que se baseiam na máxima satisfação. Desta forma,
preço dinâmico tornou-se uma questão essencial recentemente e
é amplamente aceito para superar esse dilema.
Assim, este artigo apresenta uma precificação colaborativa
sistema (iPrice) para pacotes de bens de informação e investiga as
contribuições pretendidas: (1) fornece um processo colaborativo baseado
em Markov que pode gerar vários
protótipos por tentativa e erro no processo de precificação, (2)
tenta a otimalidade dupla da utilidade máxima do consumidor
e lucro máximo do produtor, e (3) oferece um pacote de serviços
adequado, interagindo com o consumidor e descobrindo as necessidades
Este artigo está organizado da seguinte forma. A seção 2 descreve
a estrutura do sistema iPrice. A Seção 3 detalha mais
visões comportamentais e os algoritmos usados no framework.

0957-4174/$ - veja a capa 2007 Elsevier Ltd. Todos os direitos reservados.

doi:10.1016/j.eswa.2007.11.040
Machine Translated by Google

W.-L. Chang, S.-T. Yuan / Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674 1661

A seção 4 fornece o modelo de simulação e a análise de desempenho.
A Seção 5 discute brevemente os
trabalhar. Por fim, as considerações finais são apresentadas em
Seção 6.
2. A estrutura do sistema iPrice
Nesta seção, descrevemos a arquitetura do sistema de
iPrice que compreende um conjunto de módulos (cada um dos quais é
apoiado com seus princípios ou teorias subjacentes).
Entre os módulos, o módulo de fundação é o módulo de prototipagem
colaborativa que é um módulo baseado em Markov
abordagem apoiada com a teoria ERG sobre um modelo
da motivação humana.
2.1. Arquitetura do sistema
Em um mercado típico de bens digitais, o ambiente muda
constantemente com demandas incertas e flutuantes
todo o caminho. Assim, os modelos baseados em aprendizado de máquina
pode colocar todos os dados disponíveis em perspectiva e alterar a
estratégia de preços para melhor se adaptar ao ambiente. A interação,
valor percebido e lucro são elementos essenciais
neste tipo de modelo de acordo com a literatura. este
artigo engloba vários conceitos inexplorados que têm
recentemente atraiu a atenção de pesquisas em outras disciplinas, como
como prototipagem colaborativa, teoria da perspectiva, teoria ERG,
e manutenção desde o design, econômico, psicológico,
e engenharia de software, respectivamente. Nesta seção, nós
apresentar a estrutura do sistema iPrice (como mostrado em
Fig. 1) que contém módulo de prototipagem colaborativa,
módulo de estimativa de preço ideal e revisão de versão
módulo.
O módulo de prototipagem colaborativa é a base
entre outros; e, além disso, aprofunda-se nos mais
pacote apropriado, interagindo com o indivíduo. A prototipagem
colaborativa cria um ou vários protótipos
e permite que ambas as partes antecipem o resultado e obtenham
necessidades do processo de projeto. A estimativa de preço ótimo
módulo utiliza a teoria da perspectiva, que é um bem conhecido
doutrina e mais legítimo para resolver o efeito certeza que
é deficiente para a teoria da utilidade esperada. Este módulo aproxima
o preço ideal que leva o histórico e o perfil de preços
em consideração simultaneamente. Além disso, o módulo de estimativa
de preço ótimo avalia o preço com base em
esforço de teste, taxa de design e custo. A versão revisional
módulo ajusta periodicamente a versão com o menor
lucrar utilizando o conceito de manutenção de software. este
módulo prevê o novo preço baseado em conhecimento com
regras diferentes.

Valor percebido
Otimização

GUI
(Introdução da versão)

Colaborativo Preço ideal

Módulo de prototipagem Módulo de estimativa
Perfil
MC

Preço

<Indivíduo> Otimização

Histórico de preços

Revisor de versão
Módulo
Lucro
Otimização
Pool de serviços

Serviço

Versão

Atributo de serviço Ontologia de Versionamento

Fig. 1. A arquitetura do sistema iPrice.

Machine Translated by Google
1662 W.-L. Chang, S.-T. Yuan / Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674
2.2. Módulo de prototipagem colaborativa
O módulo de prototipagem colaborativa (módulo CP) é a base entre
outros módulos; enquanto isso, o objetivo é co-projetar o pacote com o
usuário que evoluiu de uma versão selecionada. Existem duas entradas
possíveis para o módulo de prototipagem colaborativa. Uma versão
selecionada do módulo GUI é uma das entradas para este módulo, enquanto
o feedback do usuário é outra entrada que aumentará a qualidade do
processo colaborativo. Por outro lado, um pacote final e o utilitário são duas
saídas do módulo. O pacote satisfaz as necessidades do usuário e envolve
serviços combinados.
2.2.1. Prototipagem
A prototipagem, que é o processo de desenvolvimento de protótipos, é
parte integrante do design iterativo centrado no usuário; enquanto isso,
permite que os designers experimentem as ideias com os usuários e
obtenham feedback. O principal objetivo da prototipagem é envolver os
usuários no teste de ideias de design e obter seu feedback no estágio inicial
de desenvolvimento; assim, reduzir o tempo e o custo (Abernathy &
Rosenbloom, 1968; Nelson, 1961; Ulrich & Eppinger, 1999, cap. 12).
A prototipagem colaborativa é uma nova abordagem que se baseia na
noção de prototipagem. Ambientes colaborativos para desenvolvimento de
produtos tornaram-se o novo paradigma de design para organizações de
engenharia. A colaboração permite maior compartilhamento de informações,
engenharia simultânea, protótipos e testes virtuais e gerenciamento de
qualidade total. Além disso, os benefícios previstos de um protótipo na
redução do risco devem ser ponderados em relação ao tempo e dinheiro
necessários para construir e avaliar o protótipo (Terwiesch & Loch, 2004).
Em resumo, a prototipagem colaborativa identifica os requisitos do
usuário e fornece feedback sobre o projeto de trabalho em relação aos
requisitos. Além disso, oferece algumas vantagens: (1) reduz o tempo de
desenvolvimento, custos e riscos, (2) exige o envolvimento do usuário para
receber feedback do usuário, (3) facilita a implementação do sistema com
base na expectativa e satisfação do usuário e (4) expõe os desenvolvedores
para aprimorar o produto no futuro.
2.2.2. Teoria ERG A
teoria ERG é um modelo de motivação humana surgido em 1969 por
Clayton Alderfer que estendeu e simplificou a Hierarquia de Maslow em um
conjunto mais curto (Alderfer, 1972).
Enquanto isso, aborda a questão de “o que motiva uma pessoa a agir?” e
assume que todas as atividades humanas são motivadas por necessidades.
A teoria ERG consolidou as cinco categorias de necessidades de Maslow
em três; enquanto isso, as letras ERG representam três níveis de
necessidades: Existência, Relacionamento e Crescimento. Além disso, os
detalhes de cada categoria são descritos a seguir:
Necessidades de existência: incluem todas as várias formas de desejos
materiais e fisiológicos (por exemplo, comida, água, ar, roupas,
segurança, amor físico e afeição).
Necessidades de relacionamento: envolvem relacionamentos com outras
pessoas significativas (por exemplo, ser reconhecido e sentir-se seguro
como parte de um grupo ou família).
Necessidades de crescimento: impelem uma pessoa a produzir efeitos
criativos ou produtivos em si mesma e no ambiente (por exemplo, para
progredir em direção ao seu eu ideal).
Além disso, três relações entre diferentes categorias são identificadas
na teoria ERG, que são satisfação-progressão (move-se para necessidades
de nível superior com base nas satisfeitas), frustração-regressão (retrocede
das necessidades insatisfeitas atuais para necessidades de nível inferior),
e Satisfação de Facções (reforçar o nível atual de necessidades satisfeitas
de forma iterativa). Quanto às implicações para a gestão, a teoria ERG
auxilia os gestores a reconhecer que um funcionário tem múltiplas
necessidades para satisfazer simultaneamente. Além disso, se as
oportunidades de crescimento não forem oferecidas aos funcionários, eles
podem regredir às necessidades de relacionamento.
2.3. Módulo de estimativa de preço ideal
O módulo de estimativa de preço ótimo (Módulo OPE) é o componente
para estimar o preço ótimo de cobrança.
As entradas do módulo OPE são as informações de cada bundle e o perfil
do usuário. Enquanto isso, a saída é o preço ótimo que mistura e leva em
consideração vários insumos. A noção de módulo OPE envolve o desenho
da teoria prospectiva e da conta mental que será detalhada nas subseções
seguintes.
2.3.1. Teoria da perspectiva
A teoria da perspectiva (PT) foi desenvolvida por Kahneman e Tversky
(1979) que se preocupa com o comportamento dos tomadores de decisão
sob risco. A definição da teoria da perspectiva é “tomada de decisão sob
risco pode ser vista como uma escolha entre perspectivas ou apostas”. Ao
contrário da teoria da utilidade esperada (EUT), que se preocupa com como
as decisões sob incerteza devem ser tomadas (uma abordagem prescritiva),
a teoria prospectiva se preocupa com como as decisões são realmente
tomadas (uma abordagem descritiva) (Markowitz, 1952).
A teoria da perspectiva tem sido usada com sucesso para explicar uma
série de quebra-cabeças em economia, especialmente para finanças
comportamentais. No entanto, existem vários fenômenos que violam esses
princípios da teoria da utilidade esperada, como efeito de certeza, efeito de
reflexão e efeito de isolamento. Por exemplo, se houver um problema para
uma pessoa tomar a decisão de que:
(A) 2400 com certeza.
(B) 2500 com probabilidade 0,33, 2400 com probabilidade
0,66 e 0 com probabilidade 0.
O resultado revela que 82% das pessoas escolheram (A) do experimento.
No entanto, o tomador de decisão racional deve escolher (B) com utilidade
máxima (ou seja, 2500 0,33 + 2400 0,66 = 2433) do ponto de vista da teoria
da utilidade esperada. Isso demonstra o efeito certeza que
Machine Translated by Google
W.-L. Chang, S.-T. Yuan / Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674
significa que as pessoas tendem a ponderar e escolher os resultados
com certeza.
Por outro lado, assume-se que o tomador de decisão avalia os
prospectos e escolhe o maior valor entre eles de acordo com a definição
de V em termos de duas escalas: p e t. A primeira escala, p, associa
cada probabilidade p a um peso de decisão p(p), que reflete o impacto
de p no valor global do prospecto. A segunda escala, t, atribui a cada
resultado x o número t(x), que reflete o valor subjetivo do resultado. Os
resultados são definidos em relação a um ponto de referência que
serve ao ponto zero da escala de valores. Assim, t mede o valor dos
desvios do ponto de referência como ganhos e perdas.
Em suma, a teoria prospectiva é derivada das finanças
comportamentais da economia. A teoria da perspectiva é uma teoria
descritiva de fazer escolhas arriscadas. Na teoria prospectiva, o
mapeamento de probabilidades reais em pesos de decisão subjetiva é
descrito por uma função especial chamada função “p”.
Além disso, o mapeamento do valor real para o valor subjetivo é
descrito por uma curva especial chamada curva “S”, que é definida em
termos de perdas e ganhos de um status quo.
2.3.2. Conta mental A
contabilidade mental é a extensão da perspectiva da teoria que
divide a utilidade em utilidade de aquisição e utilidade de transação. A
utilidade de aquisição é uma medida do valor do bem obtido em relação
ao seu preço, semelhante ao conceito econômico de excedente do
consumidor. A utilidade da transação mede o valor percebido do
negócio (Thaler, 1985).
Para a análise que se segue, são utilizados três conceitos de preço.
Seja p definido como o preço real cobrado por algum bem z. Depois, p
é definido como o valor equivalente de z para algum indivíduo.
Finalmente, seja p* o ponto de referência para z. Assim, a utilidade de
aquisição é a utilidade líquida que resulta da troca de p para obter z
que é designada por tð p; pÞ. Por outro lado, a medida da utilidade da
transação depende do preço que o indivíduo paga em relação a algum
preço de referência (p*). Formalmente, é definido como o resultado de
referência que significa o valor de pagar p quando o preço esperado ou
de referência é p* e é designado como t( p: p*).
Portanto, a utilidade total de uma compra é a soma da utilidade de
aquisição e da utilidade de transação. O valor de compra do bem z ao
preço p com preço de referência p* é definido como w(z,p,p*) onde wðz;
p; p Þ ¼ tð p; pÞ þ tð p : p Þ. Além disso, o fator mais importante na
determinação de p é a justiça, que depende em grande parte do custo
para o vendedor.
Em suma, o conceito de contabilidade mental aplica a teoria da
perspectiva para avançar em direção ao comportamento do consumidor.
A conta mental inclui outras características da teoria da perspectiva,
como concavidade de ganhos e aversão a perdas. Enquanto isso, a
utilidade total será estimada com mais precisão a partir da utilidade de
aquisição e da utilidade de transação que fornece a noção de preço de
referência. Assim, a teoria prospectiva pode ser ligada a muitas outras
teorias psicológicas e cognitivas.
1663
2.4. Módulo de revisão de versão
O módulo de revisão de versão (módulo VR) é baseado na teoria
de manutenção de software (Banker, Datar, Kemerer, & Zweig, 2002;
Sommerville, 2000, cap. 8; Ulrich & Eppinger, 1999, cap. 12). O conceito
de módulo VR é derivado da manutenção do software e o objetivo é
revisar a versão que pode ficar desmarcada por muito tempo ou gerar
lucros menores entre outros. O histórico de preços registra o preço de
cada pacote relacionado à versão original; assim, o sistema pode
estimar os lucros para cada versão.
A manutenção de software tornou-se uma questão significativa hoje
em dia que pesquisas anteriores focaram na prevenção e eliminação
de erros em softwares recém-desenvolvidos. O objetivo da manutenção
de software é produzir software quase livre de erros. Conceitualmente,
espera-se que as variações nas taxas de erro sejam uma função do
sistema de software ou de fatores no ambiente de manutenção.
Um processo de manutenção toma a versão anterior do sistema
como entrada principal; no entanto, é afetado por outros fatores, como
as habilidades dos mantenedores. O sistema existente pode ser
examinado com uma medição de confiabilidade que pode identificar as
características estáticas do sistema causando taxas de erro mais altas.
Enquanto isso, a maioria dessas características pode ser descrita como
tamanho e complexidade do software.
Em suma, o modelo de manutenção é proposto e utilizado para
identificar fatores controláveis gerencialmente que afetam a
confiabilidade do software. Os resultados revelam que altas taxas de
erro podem resultar de: (1) modificação frequente, (2) programadores
com menos experiência e (3) requisitos de alta confiabilidade. Assim,
os gerentes podem fazer julgamentos quantificados para reduzir as
taxas de erro através da implementação de uma série de procedimentos,
incluindo a aplicação do controle de liberação, designação de
programadores de manutenção mais experientes e estabelecimento e
aplicação de padrões de métricas de complexidade.
3. Os algoritmos por trás do iPrice
3.1. Prototipagem colaborativa baseada em Markov
O conceito central do módulo CP é a mistura de prototipagem
colaborativa baseada em Markov e teoria ERG para fornecer pacotes
personalizados via interação. As necessidades podem ser separadas
em três categorias que são introduzidas na teoria ERG. Assumimos
que as necessidades do usuário mudam entre três categorias de
tempos em tempos. Ou seja, três necessidades diferentes são
identificadas como necessidades de existência, relacionamento e
crescimento. Além disso, a cadeia de Markov é empregada para prever
os padrões comportamentais das necessidades (com a suposição de
que a necessidade de um usuário muda ao longo do tempo variante).
A cadeia de Markov é um processo estocástico de tempo discreto
com a propriedade de Markov (somente o estado atual é necessário
para prever um estado subsequente ou estados e estados anteriores
ao estado atual não são necessários se o estado atual for conhecido).
A cadeia de Markov envolve certas vantagens: (1) estados finitos, (2)
intervalo de tempo, (3) baseado em probabilidade e
Machine Translated by Google

1664 W.-L. Chang, S.-T. Yuan / Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674

(4) dinâmico. Tang e Rong (2003) propuseram um sistema que é COMEÇAR

composto de rastreamento ocular e decisão de movimento da cabeça. SET CP _Flag para 0

O sistema utilizou a cadeia de Markov como algoritmo para detectar DEFINIR R para 0

se o aceno de cabeça ou a agitação ocorre. DEFINIR t para 1

Assumimos que nosso sistema é descrito em tempos sucessivos IF CP _Flag é o mesmo com 1 THEN
GET V do usuário
dos estados (cada um dos quais conhece um número finito de
LEIA P 0 massa
resultados possíveis). Nesses momentos, o sistema pode ter mudado CONFIGURAR N para V_Needs
do estado em que estava no momento anterior para outro ou DEFINIR P para P massa
permanecido no mesmo estado. As mudanças de estado são chamadas ENQUANTO t > 0 e Nt e Nt-1 não são iguais a múltiplos
t
de transições. O sistema está com o estado inicial (N0 ) e a matriz de Nt-1 por P
CONFIGURAR N

transição (P). Os possíveis estados de hierarquia de necessidades em DETERMINAR B

MOSTRADOR B
qualquer período de tempo podem ser determinados de acordo com o
GET R do usuário
estado inicial e as probabilidades de transição.
SE R é igual a 0 ENTÃO
O estado em um determinado período depende da iteração de ) e t
1 SET N para B_Needs
o estado do período anterior (Nt da transição )P. As INCREMENTO t
t1
probabilidades: Nt = N( probabilidades iniciais de P são derivadas SENÃO
do perfil do usuário e serão corrigidas de acordo com o comportamento SET t = 0
do usuário. A composição da hierarquia de necessidades pode ser FIM
expressa em um vetor linha (por exemplo, Nt = (E,R,G) onde N IMPRIMIR B

representa uma hierarquia de necessidades e t representa o tempo). SENÃO

IMPRIMIR V
FIM
Suponha que temos uma sequência com t frames e os estados são
representados por {N1 ,N2 ,N3 ,...,Nt }, onde N representa o estado no Fig. 2. Algoritmo CP.
tempo t. Os pacotes fornecidos são indicados como {B1 ,B2 ,B3 ,...,
BT}. Cada pacote fornecido é condicionalmente dependente apenas tabela 1
do estado anterior (ou seja, P(Nt+1 = Bt+1jN1 = B1 ,N2 = B2 ,N3 = A descrição de todas as variáveis
B3 , ...,Nt = Bt ) = P(Nt+1 = Bt + 1jNt = Bt
cadeia
)). Assim,
de Markov
a formulação
para prever
da Variável Descrição
o próximo estado é Nt = N(
N[E,R,G] Um vetor; representa a existência, relacionamento e necessidades de
t1
)P. crescimento do usuário
Este estudo apresenta um novo algoritmo de prototipagem V A versão inicial que o usuário selecionou entre todas
colaborativa (CP Algorithm como mostrado na Fig. 2) para derivar a V_Needs[E,R,G] Um vetor; representa as necessidades que uma versão pode satisfazer

lógica causal no módulo CP. Quando o algoritmo CP é iniciado, existem

certas variáveis para declaração (conforme explicado na Tabela 1). N,
B_Needs e V_Needs são vetores de linha e envolvem três pontos
decimais, que representam as necessidades de existência,
B Um pacote de serviços de acordo com N[E,R,G]
B_Needs[E,R,G] Um vetor; representa as necessidades que um pacote pode satisfazer
P A matriz de transição de um usuário

relacionamento e crescimento. Em detalhes, N representa as
necessidades atuais do usuário, B representa um pacote específico
(B_Needs incorpora o grau de necessidades ERG que B pode
satisfazer) e V é a versão que o usuário escolheu (V_ Needs incorpora
o grau de necessidades ERG que V pode satisfazer ). Os valores do
pacote e da versão são transformados em decimais usando a ontologia
de versionamento.
Por outro lado, P e Pmass são matrizes de transição que vêm de
clientes individuais e de massa. Notavelmente, CP_Flag é uma variável
que registra a decisão do usuário, o que indica que se o usuário decidir
entrar no processo colaborativo, o valor é definido como 1; caso
contrário, o valor é definido como 0. A variável R obtém a resposta do
usuário (ou seja, aceitar é 1) quando o pacote personalizado é entregue
com sucesso.
CP_Flag e R são definidos como 0 antes que o procedimento
principal seja iniciado. O procedimento é acionado quando o CP_Flag
for igual a 1, indicando que um usuário decidiu buscar um pacote
melhor a partir da interação. Assim, o sistema obtém as informações
para a versão selecionada (V), lê a matriz de transição de massa
(Pmass) e transforma as necessidades iniciais (N0 ) e a matriz de
transição (P) em V_Needs e Pmass, respectivamente.
Pmass A matriz de transição veio de clientes em massa
CP_Flag O sinalizador para registrar a decisão do usuário que aceita a
versão inicial ou interage com o sistema
R A resposta do usuário que aceita ou rejeita o pacote
fornecido
t Um período de tempo
Em seguida, um loop while é iniciado com as condições em que o
tempo (t) é maior que 0 e as necessidades (Nt ) são convergentes (ou
seja, as necessidades tendem a ser estáveis por um tempo prolongado).
As necessidades em um determinado período de tempo (t) podem ser
previstas usando a cadeia Makorv que incorpora a teoria ERG na
matriz de transição. Quando a necessidade de um usuário é estimada
no tempo tt 1(isto é, Nt = N( )P),
dinamicamente o sistema
baseado nasmonta um pacote
necessidades atuais do
usuário e o entrega ao usuário imediatamente. Se o usuário rejeitar o
pacote personalizado neste momento, o sistema prevê as necessidades
para o próximo período de tempo com base no status atual das
necessidades e do pacote. O laço while é finalizado somente quando
o usuário aceita o pacote ou as necessidades (Nt ) são convergentes.
O sistema determina a utilidade máxima entre os pacotes fornecidos
e atualiza a matriz de transição do usuário para
Machine Translated by Google
W.-L. Chang, S.-T. Yuan / Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674
ajuste melhorado. Por outro lado, se o usuário aceitar o
pacote inicial, o processo de prototipagem colaborativa
não seria acionado e as saídas seriam a versão
e seu valor de utilidade. O módulo CP combina prototipagem colaborativa,
teoria ERG e teoria prospectiva para prever e avaliar as necessidades
do usuário de forma precisa e imediata.
Além disso, o módulo CP gera protótipos durante
o processo colaborativo que são baseados nas necessidades do usuário.
Finalmente, a utilidade máxima (ou seja, valor prospectivo) é estimada
entre os protótipos, o que indica que o pacote
é o mais adequado para um usuário.
3.2. Estimativa de preço ideal
Um componente importante é identificado no módulo OPE como
estimativa de preço ideal, que são a taxa de projeto, o número de
pacotes e os esforços de teste (Fig. 3). A taxa de design significa
os custos para protótipos personalizados (ou seja, pacotes) e é
estimado pela utilidade máxima entre eles. O número
dos bundles está relacionado aos esforços de teste que consideram a
processo colaborativo é digno e precisa ser cobrado
para o usuário.
O custo de um pacote representa os custos de uma sequência
de serviços agrupados em um pacote. Assim, uma fórmula
emerge de acordo com quatro componentes identificados que é
P = D(U) + T(N) + C, onde D é a função de taxa de projeto,
U é a utilidade máxima, N é o número de cestas, T
é a função de testar os esforços para o processo colaborativo,
e C é a função que denota os custos de serviço para uma cesta.
Além disso, é essencial que o módulo OPE explore a
utilidade máxima entre os pacotes. O processo operacional
para sondar a utilidade máxima é separada em duas dobras
e formulados como U = t(p) + p(p), que são prospecção da teoria (a
utilidade é igual à função valor por peso
função) e conta mental (a função valor é a
soma de utilidade de aquisição e utilidade de transação).
Como na base da teoria da perspectiva, a função valor e a função
peso são diferentes de acordo com variados
usuários. Supostamente, a função valor e a função peso
inicia a partir da distribuição normal e ajusta pelo perfil
e comportamentos de cada indivíduo, respectivamente. O valor que
A função é dividida em utilidade de aquisição (o valor de
bem recebido que comparado ao desembolso) e transação
utilidade (os méritos percebidos do negócio).
Taxa de projeto Esforço de Teste
0 0
Utilitário
Função de taxa de projeto
Fig. 3. A distribuição para três funções (D,T,C).
1665
A utilidade de aquisição é a utilidade líquida (ou seja, tð p; pÞ) que
decorre da negociação de p (ou seja, o custo de uma cesta e
assumimos que é igual ao preço necessário para pagar pelo menos)
para obter z (onde é avaliado em p) que será codificado como
o resultado integrado (tð p pÞ). Além disso, a utilidade da transação
depende dos custos em relação ao preço de referência p*. Formalmente,
é definido como a referência
resultado t(p: p*); em outras palavras, representa a utilidade
quando os custos e o preço de referência são p e p*,
respectivamente.
Além disso, três funções na fórmula são identificadas como função
de taxa de projeto (D), função de esforço de teste (T),
e função de custo (C). Em primeiro lugar, a função de taxa de design é uma
função convexa e incremental (mapear valor de utilidade para
taxa de projeto). Em segundo lugar, a função de esforço de teste é uma
função con cave e incremental (mapear o número de pacotes
ao esforço de teste). Em última análise, a função de custo é um côncavo
e função incremental (mapa o número de serviços no
pacote ao custo).
Este artigo propõe um novo algoritmo para o OPE
módulo que detalha o processo (Fig. 4). No início
do algoritmo, algumas variáveis são necessárias para a declaração, e
foram explicadas na Tabela 2. Certamente, PT é o
fundação e as informações do pacote (B e BoS)
é passado através do módulo CP.
Em primeiro lugar, o sistema iPrice calcula a utilidade para cada
bundle, B, até que o módulo CP pare de enviar informações.
O sistema então define o utilitário de aquisição Vac para tð p pÞ.
O utilitário de transação (Vtc) é calculado com base em dois
condições, custos do pacote (p), que é maior que o pacote
preço de referência (p*) (ou seja, p > p*), e os custos da cesta são
menores que o preço de referência da cesta (ou seja, p < p*). Além
disso, a função peso gera um peso de decisão
valor para a cesta (p(po)). Assim, o valor de utilidade (U) é gerado
através da soma da utilidade de aquisição, utilidade de transação,
e peso de decisão.
O sistema determina a utilidade máxima entre todos os pacotes (ou
seja, protótipos) e define o valor como Umax. O número de serviços no
pacote (BoS) é extraído do
informações do pacote. Os custos de teste e custo individual
para cada cesta são denotados por Tc e Bc, respectivamente.
Finalmente, o preço final (P) é estimado usando a soma
* dos
taxa (D(Umax)),
* esforço de teste (T(N) Tc) e custo
(C(BoS) BC). Resumidamente, o módulo OPE obtém
Custo
Nº de pacotes 0 Nº de Serviços
Função de Esforço de Teste Função de custo
Machine Translated by Google

1666 W.-L. Chang, S.-T. Yuan / Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674

COMEÇAR Em particular, a taxa de erro é modelada como um

WHILE B não é igual a NULL extrair de uma distribuição lognormal com média Lambda,
CONJUNTO V
ac topo) p a fórmula representa como k = f(estático, dinâmico, ambiental), onde f( )
SE p > p* ENTÃO é uma função multiplicativa. A distribuição lognormal e a distribuição
CONJUNTO V
tc para (-(p*-p)) exponencial são
SENÃO amplamente utilizado na literatura de confiabilidade de software, ambos sendo
consistente com a intuição de que as taxas de erro devem ser
CONJUNTO V
tc para (p-p*)
Defina U para a soma de V distribuídas com um pico inicial e uma única cauda longa.
ac, Vtc e multiplique por (po)
FIM SE O valor do parâmetro da taxa de erro varia de aplicação
FIM à aplicação, com base nos valores das variáveis estruturais
DETERMINAR U Máximo que a determinam (Tabela 3). Os seguintes efeitos fixos
SET Umax para U modelo
* de regressão
* foi estimado:
* lnERRORS
* = b0* + *
OBTER BoS de B b1 C +S b3
+ b2
OF + b4 Sa + b6 P + e, V + b5
SET P para a soma de D (Umax), T(N) multiplicar por Tc, e onde b0 b6 é o coeficiente de peso para cada indicador e
C (BoS) multiplicar por Bc e é o parâmetro residual. A variável independente
MOSTRAR P (ERROS) é definido como a decisão não selecionada entre todos
IMPRIMIR P versões (ou seja, desmarque ou selecione).
FIM O sistema reúne as informações para cada versão
periodicamente e inicia a estimativa dos coeficientes de peso em um
Fig. 4. Algoritmo OPE.
momento específico. A variável dependente ERRO
fornece a pista para prever a discriminação entre as versões através da
significância dos coeficientes de peso. Se o erro
mesa 2
é maior que um limite de erro, o sistema encerra o cálculo. Enquanto
A descrição de todas as variáveis
isso, o sistema retifica
Descrição da variável Descrição da variável
a(s) versão(ões) com base na ontologia e serviço de versionamento
D Uma função de taxa de design Vtc O utilitário de transação taxonomia de atributos. Subsequentemente, a(s) nova(s) versão(ões) será(ão)
de um pacote
T A função valor
ser atribuído para substituir o antigo até que todas as versões sejam
Uma função do esforço de teste t
C Uma função de custo p
verificado.
A função peso
P O preço final que será po A probabilidade de Assim, criamos um algoritmo para detalhar o processo do módulo
carregada resultado x VR (Fig. 5). No início do algoritmo, as variáveis são declaradas de
B Um pacote específico com p Os custos básicos de um
acordo com o
vários serviços pacote
BoS O número de serviços em
definições. As informações detalhadas (por exemplo, S, C, OF, V,
p O valor percebido de
o pacote o pacote SA, P) para cada versão é extraído do histórico de preços
você
Representa o utilitário p* O preço de referência de (PH) e módulo GUI (Vinfo). Além disso, o sistema reúne a probabilidade
valor para um pacote o pacote não selecionada para cada mês de versão por
Umax A utilidade máxima Tc O custo do teste para mês e inicia a estimativa dos coeficientes de peso
entre todos cada pacote
em um período de tempo específico (por exemplo, 3 meses).
Vac A utilidade de aquisição de um BC O custo de cada
pacote pacote Em seguida, a parte mais significativa do algoritmo é a
cálculo da taxa de erro para todas as versões. Se a taxa de erro
é maior do que um limite (pode ser atribuído como a média
preço baseado na utilidade ótima derivada do processo colaborativo. valor baseado em todos os valores existentes de taxa de erro), o sistema
Os conceitos em PT e contabilidade mental
considere o risco ao estimar a utilidade do usuário. Assim, a OPEP
Tabela 3
O módulo não apenas auxilia o sistema na identificação do pacote
Os indicadores de taxa de erro
apropriado entre os protótipos, mas também estima o preço ótimo * *
subjacente à utilidade ótima. k = f(estático, dinâmico, ambiental) = lnERROS = b0 + b1 S + b2
* * * *
C + b3 DE + b4 V + b5 Sa + b6 P+e
Indicadores estáticos
3.3. Revisão da versão
Tamanho (S) O número de pacotes
Complexidade (C) O número de serviços diferentes na versão
A taxa de erro (k) é modelada como uma variável estocástica
Indicadores dinâmicos
cuja média varia de sistema de aplicação para aplicação Operacional O número de pacotes pagos no mês passado
sistema, especificamente como uma função multiplicativa de vários frequência de)
variáveis explicativas relativas a esses sistemas. (É utilizada uma Volatilidade (VF) A versão está sujeita ao número de
forma multiplicativa devido ao impacto de cada variável ser mudanças até o presente

mais alto para níveis mais altos de outras variáveis explicativas Indicadores ambientais

em vez de independente de outras variáveis como em um linear Satisfação (Sa) A pontuação subjetiva que é atribuída pelo usuário
Lucro (P) O lucro médio para cada versão
modelo.)
Machine Translated by Google

W.-L. Chang, S.-T. Yuan / Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674 1667

COMEÇAR

INICIAR 0 para 6 e são coeficientes de peso para cada indicador

INIT PH é a informação do histórico de preços
INIT Vinfo
INIT V é a versão
INIT S é o número de pacotes
INIT C é o número de serviços diferentes na versão
INIT OF é o número de pacotes pagos no último mês
INIT VF é o número de alterações frequentes
INIT Sa é a pontuação subjetiva que é atribuída pelo usuário
INIT P é o lucro médio
INIT ER é a taxa de erro média
OBTENHA PH e Vinfo do histórico de preços e do módulo GUI
OBTENHA V, S, C, OF, V, SA e P de PH e Vinfo
GET ER periodicamente
Regressão CALL com ER, 0, 2, 3, 4, 5, 6, e 1,
WHILE ERi é maior que um limite de erro e não igual a NULL
CALCULE o logaritmo de ER i como a soma de 1 multiplicado
0, por S, 2 multiplicado por C, 3
multiplicado por OF, 4 multiplicado por VF, 5 multiplicado por Sa, 6 multiplicado por P e
DETERMINAR V
DEFINIR V para V
INCREMENTO i
FIM
UPDATE V para o módulo GUI
FIM

Fig. 5. Algoritmo VR.

encerra o cálculo. Enquanto isso, o sistema remonta a combinação de serviços
na versão (V0 )
baseado em certa ontologia de versionamento e serviço atribuído
taxonomia. O sistema define um limite para determinar
se deve desencadear o processo revisional. Se o processo
está em andamento, o sistema remonta os serviços dentro
a versão e substitui a antiga simultaneamente. Desta forma,
a versão sem fins lucrativos será retificada e eliminada em
visando as versões do lucro maximizado.
4. Avaliação do sistema iPrice
A fim de avaliar o desempenho do sistema de precificação colaborativa
iPrice, esta seção descreve os resultados dos experimentos de três conjuntos
de simulação respectivamente para o
vativo. Para o tipo regulativo, as pessoas vivem em um padrão regular
e se concentrar em atender às necessidades básicas, por exemplo,
necessidades fisiológicas (N1) e de segurança (N2) na teoria de Maslow
ou necessidades de existência (E) no ERG. Para os extrovertidos, as pessoas
romper as necessidades fundamentais para um nível mais alto de necessidades,
como necessidades sociais (E3) e de estima externa (E4) no
Teoria de Maslow ou necessidades de relacionamento (R) na teoria ERG.
Da mesma forma, o tipo inovador se concentra nas necessidades de nível superior
como necessidades de autorrealização e estima interna (E5)
na teoria de Maslow ou necessidades de crescimento (G) na teoria ERG.
Além disso, assumimos que as necessidades ideais têm múltiplas
escolhas baseadas nas restrições de Maslow e ERG. Aquilo é,
necessidades podem passar para um nível relativamente mais alto somente quando o
nível inferior é satisfeito. Por exemplo, na teoria de Maslow,
os consumidores querem satisfazer as necessidades de segurança somente depois que as

três módulos principais do iPrice. Sem perda de generalidade, necessidades fisiológicas forem satisfeitas. Da mesma forma, os consumidores querem

esses resultados implicam as promessas do sistema em relação à dupla satisfazer as necessidades de relacionamento quando as necessidades de existência são satisfeitas em

otimalidade de utilidade máxima do consumidor e máxima Teoria ERG.

lucro do produtor através do processo de prototipagem colaborativa
e o processo de revisão da versão.
4.1. Avaliação da colaboração baseada em Markov
módulo de prototipagem
4.1.1. Configuração do experimento
O objetivo de avaliar o módulo CP é validar que o
Markov dentro da teoria ERG é superior à teoria de Maslow
na previsão dos protótipos de tentativa e erro do processo de prototipagem
colaborativa. Assumimos três consumidores
existem estereótipos, que são regulares, extrovertidos e inofensivos.
Assim, uma alternativa com um nível baixo para as necessidades ideais é
o pressuposto básico. Por exemplo, se a necessidade ideal é N2,
então as possíveis necessidades de previsão são N1 ou N2 (ou seja,
quando a necessidade ideal é R, as necessidades possíveis são E ou R).
A razão para um nível mais baixo e não um nível mais alto precisa
(por exemplo, necessidade ideal N1 para possível previsão N0 ou N1, mas
não N0, N1 ou N2) é garantir uma taxa mínima de recall com
restrições estritas. Uma vez que a taxa de recall é desejável com um
restrição estrita, pode ser superior a uma restrição flexível.
Este estudo simula 40 pontos comportamentais contínuos de
necessidades (uma série de necessidades) para cada estereótipo, e cada
padrão é codificado para três estados (ERG) e cinco estados
Machine Translated by Google
1668 W.-L. Chang, S.-T. Yuan / Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674
(Maslow). Dois terços dos dados (26) são utilizados para construir o modelo e
um terço dos dados (14) são empregados para verificar a confiabilidade e
validade. A distribuição de probabilidade inicial das necessidades para os três
estereótipos é baseada em nossa suposição mencionada na seção anterior. Por
exemplo, os consumidores do tipo regular têm uma série de 26 necessidades
do tipo – 18 necessidades de existência (0,629307692), 7 necessidades de
relacionamento (0,269230769) e 1 necessidade de crescimento (0,038461538).
Na teoria ERG, a principal necessidade é a existência para o tipo regular,
existência e parentesco para o tipo extrovertido e parentesco e crescimento
para o tipo inovador. Para a teoria de Maslow, a maior necessidade é N1 para o
tipo regular, N1 e N3 para o tipo extrovertido e N4 e N4 para o tipo inovador.
Este estudo utiliza dois terços dos dados para construir a matriz de transição
para previsão e um terço dos dados para verificar a confiabilidade e validade do
sistema proposto. Ou seja, 26 padrões comportamentais são utilizados para
construir o modelo preditivo (matriz de transição) e 14 para verificar a estabilidade
e precisão do modelo. O primeiro dos 14 padrões restantes é o ponto inicial;
assim, 13 pontos de tempo são alocados para previsão.
4.1.2. Resultados do experimento
Este estudo compara as medidas de desempenho para dois resultados para
demonstrar que o Markov emparelhado com ERG é superior ao de Maslow na
previsão dos protótipos de tentativa e erro do processo de prototipagem
colaborativa. Os tipos regular e extrovertido tiveram taxas de precisão
significativamente diferentes (por exemplo, 25% e 46% para o tipo regular e
31,7% e 57% para o tipo extrovertido). O tipo inovador tem aproximadamente a
mesma taxa de precisão em cada ponto de tempo e também tem variação de
necessidades anormais, concentrando-se principalmente em necessidades de
alto nível (por exemplo, E/G e N4/N5). Em suma, a taxa de precisão é boa para
tipos regulares e extrovertidos (o ERG é melhor que Maslow) e justo para o tipo
inovador (ambos os tipos são iguais). Ou seja, a taxa de precisão do Markov
com ERG é superior ao Maslow.
Ao comparar as taxas de recall, o ERG tem um bom desempenho para os
tipos regular e extrovertido. As taxas de recall para
Estereótipo (inovador)
1.2
0,8
0,6
0,4
0,2
0
1 3 5 7 9 1113151719 21232527293133 353739414345 47495153555759 616365676971 73757779
Tempo
Fig. 6. Comparação de ERG e Maslow para Recall (79 pontos de tempo para Innovative).
e tipos extrovertidos com a teoria ERG são sempre superiores a Maslow. No
entanto, as taxas de recall para Maslow e ERG flutuam para o tipo inovador,
mesmo a longo prazo (por exemplo, 79 pontos de tempo na Fig. 6). A razão é
que a cadeia de Markov tem a propriedade de convergência estável no longo
prazo. Os padrões comportamentais das necessidades flutuam frequentemente
para o tipo inovador (seja com as teorias ERG ou Maslow); assim, a previsão
para ambas as teorias corresponde às necessidades ideais de forma
fragmentada. Em outras palavras, para usuários do tipo inovador, o ERG tem
um desempenho razoavelmente bom para a taxa de recall por um longo período,
semelhante ao desempenho do Maslow.
Comparação de medidas de F1, tipos regulares e extrovertidos de resultados
para ERG apresentam valores de F1 mais elevados do que aqueles obtidos
com Maslow. As diferenças são significativas a longo prazo; por exemplo,
regular e extrovertido são 0,2 e 0,21 para cada tipo, respectivamente. Por outro
lado, o tipo inovador de Maslow é superior ao ERG antes de dois terços dos
pontos de tempo. No entanto, o ERG tem um bom desempenho para o tipo
inovador a longo prazo, e é superior ao obtido por Maslow nos momentos 12
(0,74 > 0,67) e 13 (0,7 > 0,63).
Devido à insignificância da medida F1 para ambas as abordagens, este
estudo estende 13 pontos de tempo para 26 e 79 para observar seu desempenho
a longo prazo (como mostrado na Fig. 7). Os resultados indicam que o ERG é
continuamente superior ao Maslow para a medida F1 começando no ponto de
tempo 14 (por exemplo, 0,571429 (ERG) > 0,5 (Maslow) por 26 rodadas) e 31
(por exemplo, 0,46666 (ERG) > 0,436364 (Maslow ) por 79 rodadas). Portanto,
a cadeia de Markov com teoria ERG é superior à teoria de Maslow para medidas
F1 a longo prazo. Em resumo, os resultados da avaliação demonstram que a
cadeia de Markov combinada com a teoria ERG é superior à teoria de Maslow,
independentemente da confiabilidade e validade.
Este estudo avalia a confiabilidade em termos de convergência de necessidades
e confirma o pressuposto básico da propriedade de Markov; ou seja, a
confiabilidade foi comprovada. Para avaliação de validade, este estudo utiliza
certas métricas, como acurácia, precisão/recordação e medida F1, para validar
os resultados da simulação.
ERG
Maslow
Machine Translated by Google

W.-L. Chang, S.-T. Yuan / Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674 1669

F-Medida
0,7

0,6

0,5

0,4

0,3

0,2

ERG
0,1
Maslow

0
1 3 5 7 9 11 13 15 1719 21 23 25 27 29 31 33 35 37 3941 43 45 47 49 51 53 55 57 59 6163 65 67 69 71 73 75 77 79
Tempo

Fig. 7. Comparação de ERG e Maslow para a medida F1 (79 pontos de tempo para Inovador).

As taxas de precisão e recordação demonstram que a teoria ERG frações (exceto a1) como resultado do aumento gradual. ffiffiffiffiffiffiffi

é superior à teoria de Maslow para tipos regulares e extrovertidos. No
entanto, os resultados analíticos também indicam que
tipo inovador para a teoria ERG tem pelo menos os mesmos resultados
de previsão que os obtidos por Maslow. A medida F1 mostra que ERG
é superior a Maslow por um longo
período para os três estereótipos; em particular, a regularidade
e os tipos extrovertidos são significativamente diferentes. Assim, o
Cadeia de Markov com teoria ERG prevê melhor do que
Maslow na geração dos protótipos de tentativa e erro de
o processo de prototipagem colaborativa.
4.2. Avaliação do módulo de estimativa de preço ótimo
4.2.1. Configuração do experimento
Certas premissas para variáveis são necessárias para o
processo de simulação. Sem perda de generosidade, assumimos
um custo de serviço é gerado aleatoriamente (limitado de 1 a 20
dólares americanos) para garantir a generalidade. Os resultados para a utilidade,
preço, lucro e bem-estar social são todas médias de cinco
iterações (como mostrado na Tabela 4). O custo do teste para cada
serviço é de 0,05% (a noção é da ponta do serviço). o
número de protótipos é fixado em 6 devido à cadeia de Markov
resultados, que indicam que as necessidades irão convergir em torno de
seis etapas (veja os resultados da simulação anterior). Em última análise, este
estudo randomiza os coeficientes a1, a2, a3, b1, b2, b3, c2,
e c3 para cinco iterações e estima os lucros médios.
Esses coeficientes são uma função de taxa de projeto, esforço de teste
função e função de custo, respectivamente, essas funções
são côncavas ou convexas. Além disso, esses coeficientes são
Tabela 4
Resultados aleatórios de coeficientes
Redondo a1 b1 a2 b2 c2 a3
1 3466728
1 8 6523345
2 2 8382375
3 1 6457824
45 5 7644665
1
a1X p þ a função
Ou seja, a função de taxa de projeto é (convexa), de esforço
b1
X2 º X º 1
de teste é (côncava) e a função
a2
de
b2
custo
c2
X2
X º
ção é (côncava). 1
a3 þ b3 c3
Na simulação, duas variáveis de controle, probabilidade de
o resultado e o número de serviços no pacote final,
são manipulados ao avaliar o desempenho do sistema. O resultado é
definido como o valor de um pacote específico, e a probabilidade é a
possibilidade de que esse resultado específico seja
escolhido. Este estudo define os limites para a probabilidade de
resultado em 0,5–0,9, que pode exceder a ponderação média
e suficientemente alto para verificar a diferença entre EUT
e teoria da perspectiva, exceto no caso em que o resultado
probabilidade é 100%. Além disso, o número de serviços
no pacote final será de aproximadamente 2 a 8, o que é suficiente
distinguir as diversidades.
4.2.2. Resultados do experimento
Este trabalho simula duas abordagens, EUT e PT, para
estimando a utilidade. Os resultados da simulação indicam que EUT
tem melhor utilidade do que PT, o que pode confirmar que PT é
adequado sob condições racionais para a tentativa de máxima utilidade
do consumidor para a tentativa de máxima utilidade para o consumidor.
Ou seja, a suposição em EUT é que
as pessoas se comportam racionalmente. Para um modelo de decisão do mundo real,
muitas variáveis devem ser consideradas, como risco e situação atual
como referência para auxiliar o consumidor
tomando decisões. Assim, a PT gera utilidade que pode compensar
e perto de comportamentos ideais de acordo com simulados
resultados. A probabilidade não afeta marcadamente o preço final
durante a precificação colaborativa, mas sim com EUT.
Além disso, preços colaborativos com três combinações de funções
(por exemplo, taxa de design, esforço de teste e custo)
é sempre superior ao preço EUT. Os resultados experimentais
b3 c3 demonstrar que o EUT superestima (por exemplo, em um pequeno
número de serviços, como 2 ou 3, em um pacote) e subestima (por
exemplo, em um grande número de serviços, como 5-8, em um
pacote), resultando em preços mais baixos do que os obtidos
com PT. O mesmo cenário ocorre para o bem-estar social em um
microperspectiva. Consequentemente, a precificação colaborativa
Machine Translated by Google

1670 W.-L. Chang, S.-T. Yuan / Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674

abordagem é razoável e lucrativa para consumidores e produtores, Probabilidade=0,5

150
e é superior ao método de precificação EUT para a tentativa de
Lucro

máxima utilidade para o consumidor e lucro máximo do produtor. 100

Lucro (Prospect)

Ou seja, a precificação colaborativa baseada em PT gera um 50 Lucro (EU)

preço de equilíbrio com lucro e bem-estar social maximizados. 0
Isso também está de acordo com os resultados da simulação (Figs. 2345678
8–13), que indicam que EUT (a abordagem de referência) gera Nº de serviço

utilidades mais altas (que podem superestimar) e preços mais

Fig. 12. Lucros entre PT e EUT com probabilidade 0,5.
baixos do que PT. Além disso, os lucros e o bem-estar social
obtidos com EUT flutuam mais do que os obtidos com PT; ou seja,
os preços são ocasionalmente superestimados ou subestimados Probabilidade=0,5
com EUT. Há duas razões para 200
150 Bem-estar social
(Prospect)
100
social
Bem-
estar

Bem-estar social
Probabilidade=0,9 50
80 (EU)
Utilitário
0
60 2345678
Utilidade (Prospect)
40 Nº de serviço
Utilitário (EU)
20
Fig. 13. Bem-estar social entre PT e EUT com probabilidade 0,5.
0
2345678
Nº de serviço
isto—A EUT não considera os esforços de colaboração e assume
que os consumidores são racionais. Esses resultados experimentais
Fig. 8. Utilidades entre PT e EUT com probabilidade 0,9.
podem ser vistos como evidências sugerindo que a precificação
colaborativa está próxima do equilíbrio, um ponto em que o preço
não é subestimado nem superestimado.
Probabilidade=0,9
150 Além disso, a precificação colaborativa tem diferenças
significativas do EUT quando os serviços 6–8 estão em um pacote.
Lucro

100
Lucro (Prospect) As probabilidades afetam o EUT marcadamente de acordo com a
50 Lucro (EU) equação EUT. Ou seja, o lucro diminui à medida que a probabilidade diminui.
A precificação colaborativa dentro da PT é significativamente
0
2345678 diferente da EUT em uma tendência altamente crescente. Isso
Nº de serviço mostra que a precificação colaborativa tem utilidade superior (que
pode estar próxima do valor ideal mesmo quando inferior ao EUT)
Fig. 9. Lucros entre PT e EUT com probabilidade 0,9.
e gera lucros otimizados e bem-estar social.

Probabilidade=0,9 4.3. Avaliação do módulo de revisão de versão

250
200 Bem-estar social
social
Bem-
estar

150 (Prospect) 4.3.1. Configuração do experimento

100 Bem-estar social O módulo de revisão de versão visa ajustar periodicamente a
50 (EU) versão com o menor lucro utilizando o conceito de manutenção de
0 software. Usamos três estereótipos de consumidores, regulares,
2345678
Nº de serviço
extrovertidos e inovadores para um determinado conjunto de três
versões. Os consumidores normais tomam decisões com cautela.
Fig. 10. Bem-estar social entre PT e EUT com probabilidade 0,9. Pessoas extrovertidas e inovadoras estão dispostas a aceitar novos
produtos e consumir uma ampla gama de produtos. Além disso,
este trabalho assume que a diferença entre as três versões não é
Probabilidade=0,5 significativa. O sistema tem a mesma base para construir versões
40 com algumas diferenças para variáveis dependentes, como número
Utilitário

30 de prototipos (X1), número de serviços na versão (X2), número de

Utilidade (Prospect)
20 versões a serem compradas até o presente (X3) , número de
Utilitário (EU)
10 versões a serem modificadas até o presente (X4), satisfação (X5) e
0 lucro (X6).
2345678
Nº de serviço
Para gerar os valores da variável independente (Y), assumimos
Fig. 11. Utilidades entre PT e EUT com probabilidade 0,5. o número de serviços em uma versão (X2) e
Machine Translated by Google

W.-L. Chang, S.-T. Yuan / Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674 1671

satisfação (X5) tem um efeito significativo em Y. Além disso, outras
variáveis dependentes, exceto lucro, (X6) têm
efeitos mínimos em Y. Por exemplo, pessoas do tipo inovador
provavelmente deseja selecionar uma versão com muitos serviços (X2). Como
o número de serviços que eles tentam aumenta, o número de
protótipos geraram aumentos (X1). O número de prototipos gerados tem
um efeito menor em Y. Por outro lado, as pessoas
estão dispostos a selecionar uma versão quando estão satisfeitos com um
versão (X5).
Também assumimos que o sistema tem uma base de conhecimento para
gerando versões com maior rentabilidade com base em
regras derivadas do modelo econômico. Por exemplo, o
os preços gerados devem ser superiores ao preço médio
ou entre os preços mais baixos e médios para as três versões do sistema
com base em combinações aleatórias. o
os resultados da simulação são diferentes para vários períodos, mas
siga as regras na base de conhecimento.
Nesta simulação, este estudo randomiza 20 dados com
variáveis dependentes (X1 a X6) para cada estereótipo, e
assume que a variável independente Y está fortemente correlacionada
com X2 e X5 (que podem ter limites diferentes
para os três estereótipos de consumo) e fracamente correlacionados
com X1, X3 e X4 (como mostrado na Tabela 5). O limite
de X1 para cada estereótipo é 4–7 com base nos resultados da simulação
de previsões de necessidades de ERG (ou seja, a necessidade de um usuário convergirá em
sete etapas, e assumimos que ele/ela avaliará 4 a 7 prototipos). Os limites
de X2 para o consumidor do tipo regular
é 2–8 (ou seja, assumimos que há 2–8 serviços em uma versão),
e os consumidores do tipo extrovertido e inovador avaliam
2 a 10 serviços (ou seja, assumimos que existem 2 a 10 serviços em um
versão).
Os limites da satisfação também diferem. O consumidor do tipo regular
tem um intervalo de 5 a 10 (a pontuação máxima é
10) pontuação de satisfação, o que significa que os consumidores decidem
selecione ou não selecione a versão com cuidado. O consumidor do tipo
extrovertido tem uma faixa de satisfação de 7 a 10
e o consumidor do tipo inovador tem uma faixa de 8 a 10. Esses
dois tipos de consumidores têm a mente aberta para novos produtos;
por exemplo, eles têm uma alta probabilidade de aceitar um
elevado número de combinações de serviços.
Os resultados da simulação indicam que o consumidor do tipo inovador
possui valores X2 mais altos do que o consumidor do tipo regular
(por exemplo, versão 1, 4.9524 > 4.6316; versão 2, 5.05 > 3.95; versão 3,
5.35 > 4.5) (Consulte a Tabela 7-3). Os resultados da simulação também
sugerem que o consumidor do tipo regular tem maior média
pontuação não selecionada (Y) e o consumidor do tipo inovador tem
pontuação média não selecionada mais baixa para as três versões (por exemplo,
versão 1: regular 52.4942 > inovador 22.6736).
4.3.2. Resultados do experimento
Este estudo utiliza regressão linear multivariada para estimar o
coeficiente de cada variável dependente com simulações para as três
versões do sistema. Simulação
resultados identificaram três valores que explicam a significância
do valor R-quadrado, valor estatístico do teste F e teste t
pontuação. O valor R-quadrado mede quão bem o
a combinação da variável dependente (Xi) prevê a variável independente
(Y). O teste F confirma a correlação significativa entre todas as variáveis
dependentes e as variáveis independentes.
variável. A pontuação do teste t verifica a significância do linear
correlação entre cada variável dependente e a variável independente.
Os resultados da simulação demonstram que a linearidade multivariada
regressão confirma a correlação entre dependentes
variáveis (Xi) e variável independente (Y). O quadrado R
valores para as três versões indicam que o grau de
influência da combinação linear de variáveis dependentes
e a variável independente é forte. Todos os três valores F
são altas, revelando que as correlações estatísticas são
significativo.
As pontuações do teste t demonstram que X2 e X5 têm um
forte correlação linear com Y para as versões 2 e 3; inversamente, X5 e
X6 são significativos para a versão 1. O número
de serviços e grau de satisfação são dois
fatores que afetam negativamente a pontuação de decisão não selecionada.
O lucro também é um fator essencial (em vez de X2) que influencia
negativamente a pontuação de decisão de desmarcar para a versão 1.
O sistema também recomenda uma nova versão baseada em
resultados de regressão linear. O novo preço é superior ao
o preço original da versão menos lucrativa e o
preço médio para as três versões ou entre estas duas.
Os resultados da simulação indicam que a nova versão é mais
lucrativo do que o anterior e ajusta o número
de serviços na versão e custo médio dos serviços
(pode aumentar ou diminuir o número de serviços e
custos). Este estudo apresenta uma nova retificação automática
abordagem para versões menos rentáveis periodicamente. Os resultados
da simulação confirmam que o novo preço é mais lucrativo

Tabela 5
Valores médios para variáveis dependentes e independentes

Estereótipo X1 X2 X3 X4 X5 X6 S

Versão 1 Regular 5,2632 4,6316 23,3684 7,4737 5,7863 58.1996 52,4942

Extrovertido 5 5,1905 4,65 29,95 6,9 7,9339 69.9215 31.1691
Inovativa 4,9524 28,8095 5,9524 7,9599 100.7161 22.6736

Versão 2 Regular 5,25 3,95 33,1 5,25 6,3714 89,9479 48,4860

Extrovertido 4,95 4,85 29 5,3 8,2769 90,5244 27.6229
Inovativa 5 5,05 29,35 4,45 8,965 89,144 13,8836

Versão 3 Regular 5,3 4,5 34,45 5,6 5,1774 76.2453 56.547

Extrovertido 4,95 5,25 27,1 6,1 7,5516 74.0586 34.463
Inovativa 4,8 5,35 27 5,85 8,8233 91.9391 15.1516
Machine Translated by Google
1672 W.-L. Chang, S.-T. Yuan / Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674
quando o sistema modifica a versão com lucro mínimo
rotineiramente. Além disso, os resultados da simulação confirmam que a
O sistema iPrice não é apenas um mecanismo de prestação de
serviços e geração de preços, mas também mantém os lucros de
forma automática e periódica.
Os resultados da regressão linear multivariada indicam que o
número de serviços em uma versão (na versão 2 e versão3),
satisfação (nas versões 1, 2 e 3) e lucros (na versão
1) pode afetar a decisão de desmarcar. O sistema deve organizar
os serviços para cada versão cuidadosamente e seguir as regras
na base de conhecimento. O preço revisado será um preço de nova
versão quando o sistema verificar os lucros durante o período
subsequente. O módulo VR auxilia o sistema iPrice
na modificação de versões menos rentáveis com sucesso e gera um
novo preço automaticamente.
Com base em resultados experimentais, os lucros para os três
as versões são 76.98768815, 89.87209667 e 80.7476477 em
preços de 52,80416667, 56,73583333 e 52,875. Versão
1, que contém 4 serviços, tem o lucro mínimo de
52,80416667 para preço médio e 11,11666667 para custo médio
(detalhado na Tabela 6). O sistema é acionado para
altere a versão menos lucrativa periodicamente (em 1 ou 2
meses). Duas possíveis recomendações serão geradas
baseado em regras na base de conhecimento. A primeira regra é
recomendar um preço lucrativo maior que o preço original e o preço
médio para as três versões (ou seja,
PV 0 > PV e PV 0 > PV onde, PV 0 é o novo preço, PV é o preço
original e PV é o preço médio). A segunda regra é
recomendar um novo preço que esteja entre o preço original
e preço médio (ou seja, PV > PV 0 > PV ).
Nos resultados da simulação, a primeira recomendação
altera o preço para 60,03422122 para seis serviços no
versão; o custo médio é 10 (como mostrado na Tabela 7). o
novo preço é maior do que os preços originais e médios
(ou seja, 60.03422122 > 52.80416667 e 60.03422122 >
54.13833333). O lucro esperado para este novo preço é
87.47910592, que também é maior que o lucro original de
76.98768815. A nova versão aumenta o número de servidores
Tabela 6
Informações detalhadas para três versões
Lucro médio Preço
Versão 1 76.98768815 52.80416667
Versão 2 89.87209667 56.73583333
Versão 3 80.7476477 52.875
Tabela 7
Recomendações do sistema iPrice
Novo preço Preço original Preço médio
Recomendação nº 1
60.03422122 52.80416667 54.13833333
Recomendação nº 2
54.20211534 52.80416667 54.13833333
vícios de 4 para 6 e reduz o custo do serviço de
11,11666667 a 10, que é maior que a média
e preços mínimos, seguindo a regra. Este resultado de simulação
confirma que o lucro R é melhorado quando
o novo preço é superior aos preços originais e médios.
Uma recomendação alternativa é fornecida como outra
escolha (como mostrado na Tabela 7). O novo preço gerado
é 54.20211534, que é mais alto que o preço original de
52,80416667, mas inferior ao preço médio de
54.13833333. A nova versão aumenta o número de serviços de 4
para 6 e reduz o custo da versão de
11.11666667 a 9, seguindo assim a regra que estipula
que o preço deve ser maior que o preço mínimo e menor
que o preço médio. O lucro esperado para este novo preço é
78,73119533, que também é maior que o lucro original
de 76.98768815. Este resultado da simulação verifica que o lucro
é sempre melhorado quando o novo preço é superior ao
preço médio original e preço inferior à média.
5. Trabalhos relacionados
Este artigo apresenta uma nova abordagem de precificação para
serviços de bens de informação com métodos combinatórios (ERG
teoria, teoria da perspectiva, teoria da manutenção de software).
Comparando com os preços de bens de informação existentes
pesquisas, utilizamos cinco dimensões e três abordagens
para representar as vantagens deste estudo. Todos os existentes
pesquisas não consideraram consumidores e produtores
simultaneamente (ou seja, estimando o preço com base em ambos
a utilidade e o lucro como mostrado na Tabela 8).
No entanto , no trabalho de Terwiesch e Loch (2004)
considerado processo de co-produção de valor para os consumidores
experimentar. Este estudo não só fornece um palco para
que os consumidores experimentem na prestação de serviços, mas
co-produz o valor para gerar um preço ótimo. A diferença
entre Terwiesch e Loch (2004) e nossa pesquisa é a
domínio, por exemplo, focamos mais em bens de informação/
serviços ao invés de bens/serviços físicos.
Av. não. de serviço Custo médio Observação
4 11.11666667 Min. preço
11.01666667 Máx. preço
54 11.75
Novo nº. de serviço Nova av. custo Lucro esperado Observação
6 10 87.47910592 >Av. preço
e > Mín. preço
6 9 78.73119533 <Av. preço
e > Mín. preço
Machine Translated by Google

W.-L. Chang, S.-T. Yuan / Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674 1673

Tabela 8
A comparação de métodos de precificação de bens de informação

Controle de versão Agrupamento Taxa fixa Outras estratégias

Variante Sundararajan Bakos e Queimadura e Choudhary Terwiesch e Este trabalho
(1997) (2004) Brynjolfsson (2000) Odlyzko (1997) et ai. (2005) Lago (2004)
Dimensões
Excedente do consumidor (necessidades) O O O O O O O
Excedente do produtor (lucros) O O O O O O O
Coprodução de valor X X X X X O O
Experimente o bem/serviço X X X X X O O
Bem personalizado X X O X X O O

Abordagem
Métodos sintetizados X X X X X X O
Modelo matemático O O O O O O O
Algoritmo X X X X X X O
Avaliação X X X X X X O

Além disso, a forma de estimar o preço também é diversa,
por exemplo, Terwiesch e Loch (2004) assumiram o preço
do produto final existe, e o utilizou para estimar o
os custos dos protótipos e as necessidades do cliente foram aproximados
a partir da probabilidade de decisão. iPrice prevê em tempo real
necessidades e gera protótipos imediatamente através da colaboração
que é uma direção inversa em relação ao
trabalho de Terwiesch e Loch. Além disso, o sistema estima o preço
ótimo simultaneamente com base na corrente
necessidades, esforços para testar protótipos e os custos.
Comparamos o objetivo, o método, o papel dos protótipos,
precisa de consideração, e os benefícios das duas obras (como
mostrado na Tabela 9). Terwiesch e Loch (2004) examinaram
uma situação envolvendo dois agentes económicos com potencial
conflitos, e utilizou um modelo de busca para precificação. Nosso trabalho
fornece um ambiente envolve testes de protótipos para gerar um preço
ótimo a partir de várias teorias.
O papel dos protótipos também é diferente entre os dois
funciona, fornecemos a ambas as partes a colaboração para um produto
customizado e melhoria na entrega de serviços em tempo real,
enquanto o trabalho de Terwiesch e Loch era permitir que o
antecipação do resultado para ambas as partes e melhorar
o design. Os benefícios deste estudo são eliminar a
incerteza para o projeto de serviço/processo de entrega e considerando
os custos do produtor e do consumidor para o preço final. o
trabalho de Terwiesch e Loch (2004) ajudam a superar a
incerteza de design e fornecer mais opções aos consumidores
através de protótipos.
Apenas duas pesquisas geram bens personalizados durante
processo de precificação. Ou seja, se os produtores considerarem as
necessidades em tempo real, eles poderão atender as necessidades dos
consumidores imediatamente e o preço estimado não será desviado do real.
precisa. Todas as pesquisas têm modelos matemáticos, que
significa que os métodos de precificação existentes são derivados da
teoria econômica. Assim, fornecemos algoritmos para suportar a

Tabela 9
Diferenças significativas entre o trabalho de Terwiesch e Loch e nosso trabalho

Terwiesch e Loch (2004) Este trabalho

Objetivo 1. Examinar uma situação envolvendo dois agentes econômicos 1. Fornecer um ambiente envolvendo protótipos (serviços)
(consumidor e produtor) com potenciais conflitantes tentativas

(custos e benefícios) 2. Respostas em tempo real para feedbacks dos clientes para geração
2. Estime o número ideal de protótipos e preço comeu um preço ideal
Método Um modelo de pesquisa associado ao processo de prototipagem Uma abordagem sintetizada associada à colaboração
da teoria economica prototipagem de economia, psicologia e software
teorias de manutenção
Papel dos protótipos 1. Permita que ambas as partes antecipem o resultado 1. Forneça a ambas as partes a colaboração para um atendimento personalizado
2. Direcione a busca por potencial melhoria de design e produto personalizado
2. Melhoria na entrega de serviços em tempo real
Precisa de consideração 1. Os clientes geralmente não conseguem articular com precisão 1. Os clientes sempre pagam depois de experimentarem os produtos
essas necessidades 2. Difícil prever necessidades em tempo real
2. Difícil para os produtores comprometerem um plano de construção 3. Cobrar não apenas pelo serviço final, mas também pelos serviços de teste
para produto físico final com base no estado das necessidades

3. Os designers avaliam o produto físico final fornecendo

protótipos para elicitar necessidades
Benefícios 1. Ajudar a superar a incerteza do projeto e eliminar
potenciais arrependimentos ex post com base no modelo proposto
2. Ajude os produtores a descobrir quantos protótipos devem
gerar e qual é o preço ideal
1. Elimine a incerteza do projeto e entrega do serviço
processo baseado na previsão de necessidades
2. Considere os custos do produtor e do consumidor (custos do serviço e
esforços de teste) no preço final
Machine Translated by Google
1674 W.-L. Chang, S.-T. Yuan / Sistemas Especialistas com Aplicativos 36 (2009) 1660–1674
viabilidade teórica em termos de viabilidade de implementação.
Finalmente, a avaliação do sistema seguindo os algoritmos também
é fornecida para justificar nossa nova abordagem de precificação.
Em suma, este estudo sintetiza certas teorias das ciências sociais
e as implementa em um sistema de precificação inteligente e
automático. Nós não apenas fornecemos provas teóricas, mas
algoritmos para avaliar o desempenho do sistema. Comparando-se
a outros trabalhos, este estudo se concentra no processo de
coprodução de valor e fornece um palco para o consumidor vivenciar;
além disso, o preço estimado é ótimo e legítimo.
6. Observações finais
As contribuições do sistema de precificação colaborativa são
cinco: (1) fornece protótipos para o usuário durante o processo
colaborativo, (2) prevê a necessidade do próximo período de tempo
de forma proativa e precisa, (3) gera alguns protótipos para teste,
(4) ) estima o preço ótimo com base na utilidade máxima e (5) revisa
automaticamente as versões com menores lucros.
Além disso, existem várias implicações para os provedores de
serviços que: (1) geram protótipos para captar o feedback do usuário
simultaneamente, (2) captam as necessidades do usuário
imediatamente para responder rapidamente, (3) estimam o preço
ideal com base no utilitário, e (4) retificar as versões com mobilidade Fishburn, PC, & Odlyzko, AM (1997). Preço competitivo de bens de informação: Preço
exceto a automação pelo sistema. Em suma, o novo método de
precificação de bens de informação preenche a lacuna entre as
literaturas anteriores que levam em consideração apenas o
consumidor ou o fornecedor.
Diferente dos trabalhos existentes, o novo método de precificação Kahneman, D., & Tversky, A. (1979). Teoria prospectiva: uma análise de
é inovador ao integrar conceitos distintamente importantes, gerando
mais benefícios para os consumidores e mais lucros para os
fornecedores. O método também orienta e fornece um roteiro para a
precificação de bens de informação para pesquisas futuras.
Embora este estudo forneça os suportes de viabilidade para a
precificação colaborativa, ainda há limitações e possíveis direções
para pesquisas futuras. Considera-se que a abordagem de
precificação colaborativa proposta é aplicada no ambiente baseado
na Internet, que é um limite e uma limitação. O preço pode ser
estimado incorretamente a partir do sistema devido ao viés no
processo de precificação automática. Além disso, este artigo aborda
apenas a importância da precificação colaborativa, mas ainda carece
de métodos alternativos sintetizados usados em um processo
complexo.
Nesse sentido, as resoluções para as limitações são os possíveis
direcionamentos de pesquisas futuras. Em primeiro lugar, métodos
alternativos sintetizados para permitir a precificação colaborativa
complexa são cruciais para pesquisas futuras. Por exemplo, o
método pode incluir partes sobre a previsão de necessidades em
tempo real durante o processo colaborativo usando a abordagem de
Aprendizado por Reforço ou uma medição alternativa precisa da
utilidade com base em diferentes noções (por exemplo, econômica,
psicologia). Em segundo lugar, o consumidor pode decidir aceitar ou
não o preço no processo de precificação aprimorado. As decisões
podem ser armazenadas em um banco de dados de preferências e usadas como
para a próxima estimativa de preço. Enquanto isso, técnicas de
mineração de dados também podem ser aplicadas para descobrir o
ponto de referência de um consumidor a partir do banco de dados.
Em terceiro lugar, uma pesquisa empírica poderia ser realizada para
reconfirmar a viabilidade da abordagem. Por fim, ainda é necessária
uma implementação prática da precificação colaborativa em campos
para comprovar sua aplicabilidade e adequação no mundo real. Em
suma, a pesquisa futura visa fornecer evidências alternativas de
suporte para a noção de precificação colaborativa.
Referências
Abernathy, W., & Rosenbloom, R. (1968). Estratégias de I&D paralelas e sequenciais:
Aplicação de um modelo simples. IEEE Transactions on Engineering Management,
15(1).
Alderfer, CP (1972). Existência, relacionamento e crescimento. Nova York: grátis
Imprensa.
Bakos, Y., & Brynjolfsson, E. (2000). Agrupamento e concorrência no
Internet. Marketing Science, 19(1), 63-82.
Banker, RD, Datar, SM, Kemerer, CF, & Zweig, D. (2002).
Erros de software e gerenciamento de manutenção de software. Tecnologia da
Informação e Gestão, 3, 25-41.
Choudhary, V., Ghose, A., Mukhopadhyay, T., & Rajan, U. (2005).
Preços personalizados e diferenciação de qualidade. Management Science, 51(7),
1120-1130.
de assinatura versus pagamento por uso. Florham Park, NJ, AT&T Labs – Pesquisa.
Jain, S., & Kannan, PK (2002). Precificação de produtos de informação em servidores
online: questões, modelos e análises. Ciência da Administração, 48(9).
decisão sob risco. Econométrica, 47, 263-291.
Markowitz, H. (1952). A utilidade da riqueza. Journal of Political Economy, 60(2), 151–
158.
Nelson, RR (1961). Incerteza, aprendizado e economia de esforços paralelos de busca
e desenvolvimento. The Review of Economics and Statistics, 43, 351-364.
Stigler, GJ (1961). A economia da informação. Jornal de Política
Economia, 69(3), 213–225.
Stiller, B., Reichl, P., & Leinen, S. (2000). Precificação e recuperação de custos para
serviços de Internet: Revisão prática, classificação e aplicação de modelos
relevantes. Pesquisa Econômica e Redes Eletrônicas, 2(1).
Sundararajan, A. (2004). Precificação não linear de bens de informação. Na 2ª
Conferência Internacional de Organização Industrial.
Sommerville, I. (2000). Engenharia de software (6ª ed.). Addison Wesley.
Terwiesch, C., & Loch, CH (2004). Prototipagem colaborativa e precificação de produtos
personalizados. Ciência da Administração, 50(2).
Tang, W., & Rong, G. (2003). Um aceno de cabeça em tempo real ou detector de
vibração usando HMMs. Sistemas Especialistas com Aplicativos, 25, 461–466.
Thaler, R. (1985). Contabilidade mental e escolha do consumidor. Ciência de Marketing,
40(3).
Ulrich, KT, & Eppinger, SD (1999). Projeto e desenvolvimento de produto (2ª Ed.).
McGraw-Hill/Irwin.
Varian, H. (1995). Informações sobre preços de mercadorias. In Proceedings of the
simposium on scholar in the new information environment, Harvard Law School.
Varian, H. (1997). Produtos de informação de versionamento. A economia da informação
digital (tentativa) documento de discussão. Cambridge, MA: MIT Press.
Wang, KL (2004). Estratégias de preços para produtos de informação: Uma revisão.
Em IEEE International Conference on E-commerce Technology for Dynamic E-
business (CEC04EAST).
base