“拍照赚钱”的任务定价 (5)

《“拍照赚钱”的任务定价 (5)》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、“拍照赚钱”的任务定价摘要近年来，“拍照赚钱”这种自助式服务模式逐步进入我们的生活，本文正是基于这种服务模式来研究其任务定价问题。为了帮助任务项目确定科学的定价方案，需要建立K-MEANS聚类分析模型来对影响任务能否完成的因素进行分析。针对问题一，这是一个数据挖掘的相关问题，在庞大的数据下，需要对任务经纬度与会员位置等相关因素进行数据挖掘，并得到它们满足的函数关系。因此，本文采用了基于K-MEANS聚类分析的模型，得到了任务失败的原因：并未考虑会员位置与任务位置距离结合而定价，导致会员并未对一些任务进行接取。针对问题二，本文根据会员所分配任务结合问题一的聚类分析模型

2、，提出一个黑箱理论模型。依据问题一完成的任务进行回归拟合，得到一个函数关系式，再加上问题二继续引入未完成的任务位置，将未完成与完成的点同时展现在一个散点图中。以此为基础，做出新的任务定价方案，在与原方案的对比中新方案中未完成任务定价比之前任务定价符合了问题一未考虑的距离因素，有更高的合理性。针对问题三，基于前二问，在第三问打包处理上本文根据会员任务限额采取K-MEANS聚类分析，将所有任务进行打包，打包任务数量范围为[2,5]。之后引入捆绑系数和节省时间系数，求出打包后的定价修改情况，得到修改前后定价变化，发现打包后会对用户完成任务产生积极的影响。针对问题四，用MA

3、TLAB绘制其散点图，通过观察发现任务集中在了1个大区域和2个小区域。再将附件二的会员位置与任务位置结合在一起，会员位置覆盖了所有的任务位置，以此为基础，找出任务的中心点，并以之前设计的定价模型为基础进行模型建立，对所有任务进行定价，与之前完成的相似位置的任务进行对比，发现该定价模型会极大改善任务完成度。关键词：K-MEANS聚类分析模型；回归拟合；黑箱理论模型；捆绑系数1一问题背景在移动互联网席卷的同时，“拍照赚钱”这种自助服务模式也逐渐推广。用户通过下载APP客户端，并注册成为其会员，然后从APP上领取需要拍照的任务项目，最后通过完成领取的任务以获得APP对任务

4、所标定的酬金。这种新型的以移动互联网为核心的自助式劳务众包平台，在为许多企业提供各种各样的商业检查和信息搜集的同时，在传统的市场调查方式的基础上又降低了调查成本，并且合理有效地保证了调查数据科学性和真实性，大大的缩短了调查的周期。但在此同时，APP中的任务定价又极大地影响着在这种模式下的商品检查能否成功。二问题重述由于在“拍照赚钱”自助服务模式下的商品检查的成功与否受到任务定价的影响，所以为了更好的确定科学合理的任务定价方案，本文以此提出了以下问题：（1）以附件一中项目的信息为基础，研究任务定价的规律，并分析为什么部分任务未完成。（2）首先为附件一中的任务项目设计合

5、理的任务定价方案，然后与原方案进行对比。（3）在现实生活中，很多用户可能会同时争相选择地理位置比较集中的多个任务，有种做法是将这些任务联合起来在一起打包发布，所以需要修改前面的定价模型，并研究对最终的任务完成情况所产生的影响。（4）为附件三中的新项目做出合理的任务定价方案，并对该方案实施效果作出评价。三问题分析3.1问题一的分析按人们习惯思维，人们总会根据自身位置与目标位置作对比，首先将离自己近的目标完成而且尽量避开存在竞争且距离较远的目标。因此，本文在未进行分析前进行任务失败原因的推测：任务失败的原因在于存在竞争的点有着提前被人完成的风险而不具备竞争的点距离却较远

6、虽然价格比较高但显然不划算，因此会员选择稳妥且距离较近的目标。问题一本文认为是一个数据挖掘的过程，需要对附件1与2给出的任务经纬度、会员位置与任务限额等因素进行数据挖掘。其中，需要首先对附件2给出的所有会员进行筛选，将其中信誉低、任务限额少的去除，然后再对相关度最大的会员位置与任务位置进行挖掘，分析未完成任务、完成的任务与会员位置是否存在一定的差异，以会员位置作为中心点，建立K-MEANS聚类分析模型。3.2问题二的分析问题二是针对问题中未完成任务提出新的定价方案，也就是说要在完成的任务的定价基础上进行模型的设计，因此本文联想到黑箱理论模型，设计了一个基于黑箱理论的

7、定价模型。23.3问题三的分析问题三要求对位置较近的任务进行打包解决用户互相争抢的问题。首先涉及到的问题就是如何合并，题目有些模糊，这也是我们需要考虑的，即如何合并，怎样合并。本文按任务的经纬度分布合并，本文将经纬度距离小于0.01的合并在一起，因为观察发现距离在小于0.01的时候价格极为相似，由于进行了合并，价格就要被打包之前的便宜。接下来需要考虑就是价格的问题。合并价格便宜，因为打包会节省用户的争抢时间以及提高工作效率，按照工资与时间成线性相关的关系，因此本文采集相关数据得到了用户节省时间系数，并根据之前的定价模型，引入一个打包系数，将模型进行修改。3.4问