Анализ колебаний цен на рынке фигурок японского производства

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ОБРАЗОВАНИЯ «НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ «ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет «Санкт-Петербургская школа экономики и менеджмента»

Департамент экономики и менеджмента

Выпускная квалификационная работа - БАКАЛАВРСКАЯ РАБОТА

Анализ колебаний цен на рынке фигурок японского производства

по направлению подготовки 38.03.01 «Экономика»

образовательная программа «Экономика»

Студента группы БЭК-144 Порозова Вероника Юрьевна

Санкт-Петербург 2018

Оглавление

• Введение
• 1. Обзор литературы
• 1.1 Рынок коллекционных товаров
• 1.2 Развитие нишевых рынков
• 1.3 Интернет аукционы и магазины
• 2. Методология
• 2.1 Обоснование использования моделей
• 2.2 Модель множественной линейной регрессии
• 2.3 Деревья решений
• 2.3.1 Деревья классификации
• 2.3.2 Деревья регрессии
• 3. Данные
• 3.1 Выбор источника данных
• 3.2 Сбор и подготовка данных
• 3.3 Описательная статистика
• 4. Модели
• Заключение
• Список литературы
• Приложение

Введение

Процесс ценообразования является одним из самых сложных в производстве товаров. Проблема выбора оптимальной цены, при которой прибыль будет максимизирована, всегда интересовала производителей различных продуктов.

В этой работе основное внимание уделяется коллекционному продукту в нишевом рынке. Рынок японских фигурок имеет некоторые уникальные особенности. Чтобы понять процесс ценообразования и интерпретировать факторы этого рынка, важно понять эти особенности и учесть их при анализе.

Приобрести любую фигурку можно несколькими способами. Предзаказ (по цене производителя), покупка за короткий период времени с момента его выпуска, как правило, несколько недель (цена может меняться, но в целом она остается близкой к цене предварительного заказа) или купить фигурку на рынке после выпуска. Важным фактором, который следует учитывать, является то, что все фигурки являются по существу ограниченными товарами. После того, как будет реализована партия фигурок, единственным оставшимся вариантом купить тот же товар окажется появление его на вторичном рынке.

Когда фигурка появляется на рынке после выпуска, наблюдаются некоторые особенности ценообразования. Некоторые фигурки продаются по цене с 50-20% скидкой относительно цены производителя через несколько месяцев после выпуска, а некоторые даже спустя много лет продаются по цене на 300-600% выше от предварительной цены. Некоторые частные примеры можно посмотреть в приложении Е.

Цена на вторичном рынке для фигурок тех же производителей, изготовленных из одних и тех же материалов, может, как расти, так и падать.

Актуальной задачей имеющей решающее значение для всех участников этого рынка: производителей, розничных торговцев, потребителей становиться прогнозирование колебания цен, учет их быстрых и порой необъяснимых изменений в соответствии со многими факторами.

Таким образом, цель этой работы - разработать систему прогнозирования цен и скидок для будущих фигурок. Для достижения данной цели необходимо выполнить следующие задачи:

1. Изучить литературу, в которой основное внимание уделяется коллекционным и роскошным / нишевым товарам

2. Собрать и проанализировать имеющиеся данные о фигурках и производителях

3. Определить факторы, которые влияют на резкие колебания цен на фигурки на рынке.

4. Определить факторы, которые влияют на начальную цену на рынке фигурок.

5. Определить факторы, которые влияют на процент скидки на фигурки.

6. Объяснить эти факторы.

7. Построить модель для ценообразования.

8. Обучить и проверить модель.

Источниками данных в этом исследовании являются: сайты поставщиков фигур (amimai, Tokyo Otaku Mode, Mandarake, HobbyLink Japan и т. д.), Обширная база данных цифр (myfigurecollection MFC), опционально (сайты российских коллекционеров фигурок, форумы). Поскольку открытый API недоступен на большинстве этих ресурсов, все данные были собраны с помощью алгоритмов с использованием пакета Python.

Конечный продукт этого исследования: таблица значимых факторов и их коэффициентов, модели ценообразования и ее реализация в виде системы обучения для прогнозирования цен будущих фигурок.

1. Обзор литературы

Рынок японских фигурок - копий персонажей мультипликационных фильмов начал развиваться относительно недавно, но очень бурно, привлекая все больше и больше участников и приобретая типичные черты нишевых рынков. Исследованиям именно этого рынка до сих пор не уделялось большого внимания и практически нет научных исследований этой темы.

Учитывая данный факт, обзор литературы будет в основном сосредоточен на научных исследованиях, относящихся к смежным областям, или частично содержащие информацию, представляющую интерес для нашей темы. Основные проблемы, анализируемые в данных статьях, относятся к таким областям, как анализ нишевых рынков и процессов ценообразования на этих рынках, эксклюзивные и товары с ограничениями по продаже, их ценообразование и доступность на вторичном рынке, онлайн-аукционы и выбор редких товаров, онлайн-магазины.

1.1 Рынок коллекционных товаров

Одно из наиболее признанных исследований в этой области принадлежит Майклу А. Столлеру, который рассматривает случай, подобный нашему, анализируя уникальный рынок предметов коллекционирования и описывая представленные там спецификации. В его статье «Об экономике антимонопольного законодательства и конкуренции на рынке коллекционирования: странный случай индустрии бейсбольной карты» [Stoller M.A. (1984)] основное внимание уделяется монополии или конкуренции на рынке коллекционной продукции. М.А. Столлер выделяет экономические характеристики необычного рынка бейсбольных карточек и обсуждает преимущества и недостатки, как производителей, так и потребителей в зависимости от текущей ситуации на рынке карточек.

Антонелло Скорку и Роберто Занола в своей статье «”Справедливая” цена за предметы искусства. Квантильное гедоническое регрессионное исследование картин Пикассо» (2011) анализирует процесс ценообразования коллекционных товаров и искусства в частности [Scorcu A., Zanola R. (2011)]. В данном исследовании указывается, что цена на различные предметы искусства часто выбирается в соответствии с различными средствами и системами оценки ценности объекта [Scorcu A., Zanola R. (2011)]. В зависимости от процесса оценки качества, объекты искусства сортируются по ценовым категориям от более низких цен к более высоким.

Основной целью этой статьи является применение метода квантильной гедонической регрессии для эмпирического определения этих художественных категорий. А. Скорку и Р. Занола основывали свои исследования на наборе данных, сформированном из 716 картин Пикассо, проданных на аукционах по всему миру [Scorcu A., Zanola R. (2011)]. Результатом данного исследования является попытка классифицировать объекты искусства по ценовым категориям в зависимости, от каких либо наблюдаемых факторов.

Другой подход к изучению ситуации на нишевых рынках может быть основан на экономической психологии. Такой метод использует Кэтрин Кэри в своей статье «Моделирование поведения коллекционирования: роль завершения набора» [Carey C. (2008)]. В этой работе К. Кэри утверждает, что, несмотря на то, что многочисленные исследования утверждают, что люди собирают товары коллекционирования только для достижения финансовой выгоды, коллекционное поведение имеет комплексный характер [Carey C. (2008)].

В своей статье К. Кэри доказывает, что, помимо возможности получения финансовой выгоды в будущем, существует еще одна причина для коллекционирования товаров. В статье раскрывается эта идея и автор приходит к выводу, что полный набор предметов коллекционирования может быть гораздо более ценным, чем сумма всех товаров отдельно [Carey C. (2008)]. Таким образом, более основательно исследуется частная ценность самой редкой части в коллекциях.

1.2 Развитие нишевых рынков

Эрин Д. Пэрриш рассматривает этап, на котором фирма вводит и поддерживает эффективный нишевой тип стратегии на конкурентном рынке. В его статье «Рыночная стратегия ниши для зрелого рынка» (2006) используется фрагмент данных от американских производителей текстиля и одежды. Важным выводом этой работы является наблюдение о том, что нишевый маркетинг может быть эффективным типом маркетинговой стратегии [Parrish Erin D., Nancy L. Cassill, William Oxenham, (2006)].

Успех конкретного производителя на нишевом рынке в основном зависит от правильного понимания целевых потребителей и неценового типа потребительского типа, таких как обслуживание, отличительные особенности бренда, специальные предложения для постоянных клиентов и т. д. [Parrish Erin D., Nancy L. Cassill, William Oxenham, (2006)].

Продолжая тему нишевых рынков, следует упомянуть важную работу Марии Л. Лурейро и Сьюзан Хейн. Их исследование «Открытие нишевых рынков: сравнение потребительской готовности платить за местные (выращиваемые в Колорадо), органические и не содержащие ГМО продукты» (2015 г.) в отличие от предыдущей работы фокусируется на стороне спроса на нишевых рынках. В целях получения полезности потребителя и эластичности спроса М. Л. Лурейро и С. Хейн выводят факторы, которые в наибольшей степени влияют на готовность потребителей покупать продукты на нишевых рынках, а также классифицируют потребителей по группам и сравнивают влияние различных атрибутов на новые группы потребителей [Loureiro, M., & Hine, S. (2002)].

1.3 Интернет аукционы и магазины

Поскольку данные, используемые в данной работе, были собраны с интернет-магазина, важно понять, как формируются цены в этих магазинах и что на них влияет.

Значительные усилия по продвижению в этой области сделаны Райдином Гани в его статье «Ценовое прогнозирование и страхование онлайн-аукционов» (2005). В этой статье Р. Гани исследует процесс ценообразования на одном из нескольких онлайн-аукционов и пытается построить модель, которая сможет прогнозировать стоимость элементов выставленных на продажу, используя некоторые из их атрибутов.

Согласно его работе, методы прогнозирования и оценка цен на онлайн-платформах могут использоваться различными способами для развития и расширения данной онлайн платформы [Ghani, R. (2005)]. Наиболее выгодным вариантом было бы введение добровольного страхования предметов аукциона. Для получения максимальной прибыли от страховки предметов, за которую клиент платит, предлагая свои товары на аукционе, следует выявить факторы, небольшим образом влияющие на цену товара при покупке [Ghani, R. (2005)].

Было проанализировано несколько моделей и выбрана оптимальная модель, однако автор отмечает, что это исследование требует дальнейшего улучшения и тестирования модели, также автор отмечает, что следующей задачей по развитию данной модели, является включение других образцов данных из различных онлайн-аукционов.

2. Методология

2.1 Обоснование использования моделей

Методы исследования для данной работы были выбраны, исходя из характера исследуемых данных, а также поставленных в этой работе задач.

Использование моделей линейных множественных регрессии, основано на предварительном анализе и описании данных. Судя по графикам (Рис 8, рис 9), модель линейной регрессии подходит для описания этих данных. В данной части будет дано краткое описание используемых моделей.

2.2 Модель множественной линейной регрессии

Модель множественной линейной регрессии часто используется современных научных трудах. Модель множественной линейной регрессии исследует взаимосвязь между двумя или более объясняющими переменными и зависимой переменной путем подгонки линейного уравнения к наблюдаемым данным. Каждое значение независимой переменной x соотносится со значением зависимой переменной у [David A. Freedman (2009)].

Разработка и первые использования данной модели связаны с именем выдающего английского математика и основателя математической статистики Карла Пирсона [Pearson, K. (1896)].

Уравнение модели для n регрессоров выглядит подобным образом:

y_i = в ₀ + в ₁x_i1 + в ₂x_i2 + ... + в _px_ip + E where i = 1,2, ..., n

где, y_i = зависимая переменная,

x_{i1 …} x_ip = независимые переменные,

E = случайная ошибка в прогнозировании, то есть дисперсия, которая не может быть точно предсказана моделью. Остатки.

в ₀= константа. Значение функции при нулевом значении всех факторов.

в ₁ = коэффициент регрессии, который измеряет изменение единицы в зависимой переменной при изменении x_i1

Cуществует множество Примеров использования моделей линейной регрессии в экономике. Такие как: модель затрат организации [Williamson, O. E. (1981)], простейшая модель потребительских расходов [Keynes, J. M., & Moggridge, D. (1971)], модель ценообразования капитальных активов [Black, Fischer., Michael C. Jensen, and Myron Scholes (1972)].

Области успешного применения данной модели не ограничены лишь экономической наукой. MLR (multiple linear regression) также используется в работах по химии, физике и биологии.

Таким образом, например С.И.В. Суоса и Ф.Г. Мартинс в своей статье «Multiple linear regression and artificial neural networks based on principal components to predict ozone concentrations» от 2005г проводили исследование на предмет концентрации озона в атмосфере, используя метод MLR [Sousa S.I.V., Martins F.G., Alvim-Ferraz M.C.M., Pereira M.C. (2007)].

Есть пример успешной работы, где авторы прогнозировали спрос и потребление электричества при помощи модели МЛР. Также учитывая цены на нефть и экономические характеристики региона [Yuang-Shung Lee, Chia-Hui Kao (2005)].

Для оценки параметров и вывода в линейной регрессии было разработано большое количество методов. В данной работе используется МНК.

Метод работы МНК описывается следующим образом: происходит выбор параметров линейной функции набора независимых переменных, таким образом, что сводится к минимуму сумма квадратов различий между наблюдаемой зависимой переменной в данном наборе данных и предсказанной линейной функцией [Rao C.R. (1973].

МНК минимизирует сумму квадратов остатков и выводит выражение оценочного значения неизвестного параметра в:

Такая оценка является несмещенной и состоятельной, если ошибки имеют конечную дисперсию и не коррелируют с регрессорами [Lai, T.L.; Robbins, H.; Wei, C.Z. (1978)].

Оценка называется несмещенной при условии, что, для - выборки распределения, зависящего от параметра [Kendall M. G. (1945)]:

Существуют различные показатели регрессии: SST = полная сумма квадратов:

SSR = сумма регрессии квадратов.

Для определения качества модели обычно принимается во внимание критерий суммы квадратов регрессионных остатков, SSE-- Sum of Squared Errors [Draper N.R., Smith H. (2014)].

Также для оценки полезности регрессионного уравнения, обращают внимание на коэффициент смешанной корреляции:

Коэффициент смешанной корреляции показывает, какая доля вариации зависимой переменной Y, объясняется независимой переменной X в регрессионной модели [Hilary L. Seal (1967)].

2.3 Деревья решений

Деревья решений являются одним из методов автоматического анализа данных. Впервые основа для развития данного метода была заложена в работе Hunt, E. B., Marin, J. [Hunt, E. B., Marin, J., & Stone, P. J. (1966)].

Однако наибольшее распространение получила после работ Quinlan, J. R. [Quinlan, J. R. (1986)]. В ходе которой автор показал на успешную работу данных алгоритмов, а также указал на возможные методы улучшения алгоритмов, для работы с неполными данными.

В данной работе будут использоваться методы деревьев классификации и деревьев регрессии.

Перед тем как приступить непосредственно к разбору данных методов, важно понять, чем они отличаются (таблица 1) [Quinlan, J. R. (2014)].

Таблица 1: различия между деревьями решений, определяются типом данных, которые они возвращают.

Тип дерева	Прогнозирование	Тип данных
Дерево классификации	Дискретное	Символы
Дерево регрессии	Непрерывное	Вещественные числа

2.3.1 Деревья классификации

Деревья классификации являются методом, с использованием которого возможно предсказывать отношение точек или наблюдений определенному классу категориальной зависимой переменной в зависимости от соответствующих значений предикторных переменных [Breiman, L. (2017)].

Дерево классификации разбивает все точки в выборке на определенные классы. Для использования данного метода необходимо проверить, достаточно ли хорошо разделены группы [Safavian S.R., Landgrebe D. (1991)]. Чтобы это обнаружить, необходимо сначала подсчитать количество посторонних включений в каждый класс. Определить количество посторонних включений возможно, если найти расчетным путем энтропию.

Понятие энтропии означает почти то же самое, что и количество посторонних включений [Coifman R.R., Wickerhauser M.V. (1992)].

Энтропия Шеннона определяется для системы с N возможными состояниями следующим образом:

Где p - вероятности нахождения системы в i-ом состоянии.

Таким образом, энтропию можно считать «степенью хаоса/неопределенности» в системе. Процесс уменьшения энтропии в системе называют приростом информации [Zurek W.H. (2018)]. Прирост информации (information gain, IG) при разбиении выборки по признаку Q, рассчитывается как:

Где q - число групп после разбиения, - число элементов выборки, для которых признаку Q соответствует i-е значение.

Существуют также и другие критерии успешности работы метода или качества, однородности разбиения такие как: неопределенность Джини и ошибка классификации.

Одним из таких критериев является неопределенность Джини. Данный критерий показывает число пар наблюдений, относящихся к одному классу, попавшие в одно поддерево [Kurt I., Ture M., Kurum A.T. (2008)].

Неопределенность Джинни рассчитывается следующим образом:

Ошибка классификации показывает частоту ошибок при классификации самым частым классом [Pal M., Mather P.M. (2003)]:

В частном случае наличии бинарной классификации, неопределенность Джини и энтропию можно вывести путем расчетов. Они принимают следующий вид [Ture M., Tokatli F., Kurt I. (2009)]

Энтропия:

Неопределенность Джини:

2.3.2 Деревья регрессии

Дерево регрессии построено посредством процесса, известного как двоичное рекурсивное разбиение, которое представляет собой итеративный процесс, который разбивает данные на разделы или ветви, а затем продолжает разделять каждый раздел на более мелкие группы [Alexander W.P. (1996)].

Для примера построения регрессионных деревьев рассмотрим бинарное регрессионное решающее дерево [Karaliи A. (1992)].

Введем новые обозначения:

Где - рассматриваемые на данном шаге построения регрессионного дерева, подмножество обучающих объектов.

А, - подмножество признаков.

Далее, на данном шаге построения дерева для каждого признака x из и каждого значения а от x, будет создано разветвление на две подвыборки. После этого будет рассчитана оценка точности этого разбиения и выбрано наилучшее. Разбиение с наибольшей оценкой точности называется оптимальным для признака x [Malerba, D., Esposito, F., Ceci, M., & Appice, A. (2004)].

Следует заметить, что среди всех признаков, удовлетворяющих данному критерию ветвления, выбирается только один признак. Таким образом, сложность построения бинарного регрессионного дерева тем сложнее, чем большее количество признаков включается в модель [Vogel D.S., Asparouhov O., Scheffer T. (2007)].

Предположим, что:

.

Получилось, что левое и правое поддеревья попадают q и p объектов.

Определим - как целевые переменные для объектов .

Выведем:

,

Максимальное значение величины C(x) указывает на то, что разбиение оптимально [De'ath G., Fabricius K.E. (2000)].

цена скидка рынок онлайн

3. Данные

3.1 Выбор источника данных

Источниками данных по исследуемой теме могли послужить многочисленные онлайн магазины фигурок, базы данных по фигуркам, а также форумы и интернет порталы. Был проведен анализ посещаемости наиболее известных сайтов. После отбора, основанного на популярности вышеописанных сайтов и количества их посетителей, был составлен предварительный список источников:

· My Figure Collection - база данных:

· AmiAmi - магазин:

· Mandarake - магазин подержанных фигурок:

· My Anime List - база данных по аниме сериалам:

· HobbyLink Japan - магазин

· Tokyo otaku mode - магазин

Расширенный список предварительных источников приведен в приложении А.

Рис 1а. Опрос коллекционеров о наиболее часто используемых онлайн магазинах от 2016 года

Для выбора конкретного источника информации использовались результаты опроса, проводимого на одном из популярных форумах коллекционеров фигурок. Результаты опроса за 2016г. и 2017г. приведены на рис. 1а и 1б. Результаты опросов в предыдущие годы, начиная с 2012г., представлены в приложении Б.

Рис 1б. Опрос коллекционеров о наиболее часто используемых онлайн магазинах от 2017 года

Основываясь на данных опроса, был выбран итоговый источник - наиболее популярный у пользователей с 2012 года онлайн магазин AmiAmi.

3.2 Сбор и подготовка данных

Для того чтобы сузить выборку данных, а также для того, чтобы результаты модели были корректны и применимы, было принято решение выбрать для анализа фигурки одной категории (Pre-painted scale), которые продавались в магазине на момент выборки. В выборку решено было включить как новые, так и подержанные фигурки.

По причине отсутствия открытого доступа к базе данных магазина, было написано две программы для сбора интересующей информации на языке Python. Первая программа получала адреса страниц всех фигурок находящихся на сайте на данный момент, а вторая обращалась к каждой конкретной ссылке на страницу, открывала ее, находила и записывала в файл информацию о каждой фигурке. Код обеих программ представлен в приложении В в полном объеме.

В итоге была получена база данных с наблюдениями по 5526 фигуркам по 17 факторам для каждой фигурки. Первичный вид данных представлен в приложении Г.

Далее была проделана предварительная обработка данных, для приведения их к виду, подходящему для анализа. В частности: были объединены команды скульпторов, были уточнены даты выпуска, унифицирован формат всех переменных и отредактирована кодировка названия фигурок (приложение Г).

В ходе дальнейшей обработки данных из переменной «материалы» были созданы 28 бинарных переменных, соответствующих отдельным материалам. Эта переменная имела значение 0, если в данной фигурке этот материал отсутствует и 1, если данный материал использовался при изготовлении фигурки (приложение Г). Также были добавлены новые переменные, которые представляют интерес для анализа: из данных по фигуркам были выделены переменные Limited, Exclusive, amiamibonus - бинарные переменные, показывающие, относится ли конкретная фигурка к ограниченной, эксклюзивной серии выпуска и предоставляется ли к ней бонус от магазина соответственно. Следующие новые переменные указывали для б/у фигурок состояние фигурки (itemcon) и состояние коробки (boxcon), данные о которых предоставлял магазин. Следующей добавленной переменной (m_passed) было подсчитано количество месяцев от выпуска фигурки до момента сбора данных 1.02.2018. В случае если фигурка планируется к выпуску в будущем, данная переменная принимает отрицательное значение. Фрагмент данных с новыми переменным представлен в приложении Г.

Также при подготовке данных была проделана работа по объединению серий в большие группы, поскольку тэги в данном магазине работают так, что отмечаются отдельные источники персонажей. К примеру, в сериях может быть отмечен определенный сезон сериала либо новое издание и прочее. Таким образом, необходимо было вручную просмотреть все сериалы в датасете, выделив общие группы, поскольку обычно одни и те же персонажи присутствовали во многом числе сезонов и переизданий сериалов, и по причине слишком большого количества возникающих категорий и малого количества наблюдений в каждой из них.

Пример первичных категорий серий с подсчетом количества фигурок по каждой категории представлен в приложении Г. Там отмечены цветом, категории, которые были объединены в одну. Далее были сопоставлены обобщённые серии с первичными сериями. Фрагмент данных представлен в приложениях (приложение 1.5.2). В результате обработки было выделено 130 супер категорий, в каждую из которых входили от 2 до 19 первичных категорий серии. Всего количество уникальных серий было сокращено с 1316 до 983.

3.3 Описательная статистика

Перед проведением описательной статистики рассмотрим факторы, которые будут использоваться в дальнейших моделях.

Scale (Масштаб) - масштаб фигурки. Считается отношением размера фигурки к размеру персонажа в своем источнике. Таким образом, например, 1/1 - фигурка в полный рост 160-200 см. Наиболее популярным масштабом является 1/8,1/7 - фигурки 20-30 см.

Type (тип) - тип фигурки является ее основной характеристикой. Существует множество различных типов фигурок, отличающихся размером, фиксированием элементов, подвижностью. В некоторых случаях определенный тип фигурки выпускается только одним брендом. Так, например, тип фигурок Figma и FigFix выпускает только MaxFactory, а nendoroid только Good Smile Company.

Material (материал) - материал, из которого изготовлена фигурка и база. Как было выяснено, наиболее популярными материалами являются: поливинилхлорид (PVC) и акрилонитрилбутадиенстирол (ABS). Также при изготовлении фигурок используются следующие материалы: дерево, металл, ткань, резина, силикон, акрил, полиуретан и т.д. Полный список материалов представлен в приложении Г.

Sell Price (начальная цена) - начальная цена в магазине выражена в японских йенах.

Price (цена в момент первого замера) - цена в магазине в момент первого замера 15.02.18 выражена в японских йенах.

Sale (скидка) - размер скидки на момент первого замера относительно начальной цены.

Status (статус) - статус данной фигурки. Фигурка может быть: выпущенной, на предварительном заказе, зарезервированной и т.д. Данный статус определяется магазином.

Line production (линия продукции) - данная переменная показывает отношение фигурки к какой-либо отдельной линии продукции.

Series (источник) - определяет источник персонажа: анимационный сериал, комиксы, оригинальный персонаж и тд.

Char name - имя персонажа

Brand - компания производитель

Sculpt - скульптор, художник.

Itemcon - состояние фигурки б/у. Может быть: A, B, C

Boxcon - состояние коробки фигурки б/у. Также бывает: A, B, C.

Limited - показывает, выпускается ли фигурка в ограниченной серии. Объем выпуска лимитированных фигурок может варьироваться от 10000 до 100 штук.

Exclusive - показывает, является ли фигурка эксклюзивом. Эксклюзивами являются фигурки, имеющие какие-либо ограничения на распространение: географические (например: выпускаются только на территории Японии), количественные (например: не более 3х на руки), временные (например: продаются только во время эвента) и тд.

Amiamibonus - показывает идет ли в дополнение к самой фигурке бонус от магазина. Бонусом может идти как дополнительная комплектация к самой фигурке, съемные либо запасные части, так и прочие товары, имеющие отношение к персонажу.

Для подготовки модели необходимо было провести предварительный анализ данных, и описательную статистику, также необходимо было удалить выбросы.

В первую очередь было построено несколько графиков по факторам относительно размера скидки на фигурки (в процентах от изначальной цены).

Рис 2. Boxplots по масштабу и скидке по всей базе данных

На Рис 2 представлены боксплоты. На осях расположены масштабы фигурок и скидка. Ящики рисуются с шириной, пропорциональной квадратным корням числа наблюдений в группах. Можно заметить, что как было сказано выше, наиболее многочисленными являются масштабы 1/6, 1/7 и 1/8, также имеется значительное количество фигурок с неопределенным масштабом (NA). Следующее наблюдение - это выявление отдельных точек при масштабах 1/144, 1/16, Ѕ, 1/35. Эти точки показывают, что в данных категориях масштаба находится только одна фигурка и поэтому данные масштабы не будут в дальнейшем включены в модель.

Также, судя по данным на рисунке 2, нельзя выделить отдельную группу, в которой размер скидки значительно отличался бы от остальных. Хотя можно заметить, что в группе фигурок масштаба 1/10 медиана находится несколько выше, относительно медиан других категорий. Следующее наблюдение, в группе фигурок с неопределенным масштабом (NA) первый квартиль боксплота касается скидки в 0%. Данный факт можно объяснить большим объемом выпуска фигурок, а также неоднородностью данной категории.

Следующие диаграммы типа “box and whiskers” были построены по переменной статус (Status). Также как и в предыдущем графике (рис. 2) ящики рисуются с шириной, пропорциональной квадратным корням числа наблюдений в группах (рис. 3).

Рис 3. Boxplots по типу фигурок и скидке по всей базе данных

На рисунке 3 можно заметить практическое отсутствие точек со значением статуса NA, что является положительным фактором, при решении о включении данной переменной в модель. Также можно заметить, что большая часть фигурок имеет статус «выпущена». Это естественно, поскольку на сайте размещены, в основном, уже выпущенные фигурки.

Следующий график иллюстрирует распределение процентов скидки в датасете (Рис 4).

Рис 4. Диаграмма распределения скидки

Из графика следует, что присутствуют явно выраженные всплески в районе 0 и 23-24 процентов. Также можно обратить внимание на достаточно малое количество фигурок, продаваемых со скидкой выше 30%. Поскольку скидка 0% может означать, как отсутствие скидки, так и повышение цены в расчете от начальной цены, то рис 3. подтверждает наше изначальное предположение о том, что существуют различные категории фигурок, которые повышаются либо понижаются в цене.

Далее была построена гистограмма распределения по цене фигурок (Рис. 5).



Рис 5. Диаграмма распределения итоговой цены

Характер распределения представленного на рисунке 5, позволяет сделать несколько заключений по поводу итоговой цены на фигурки в данном магазине. Во-первых, большая часть фигурок не превышает в цене 20000 йен, с медианой в 9500 йен. Во-вторых, существует некоторое количество намного более дорогих фигурок в ценовой категории от 20000, с самой дорогой фигуркой по цене немногим более 60000 йен. Несмотря на то, что таких дорогих фигурок относительно общей выборки не очень много, они в дальнейшем также будут включены в анализ.

В работе был рассмотрен и фактор времени. На сайте имеется информация о времени, прошедшем с момента выпуска, либо в других случаях, о времени, оставшемся до выпуска (в таком случае соответствующая переменная отрицательна). Гистограмма по этой переменной представлена на рис. 6.

На рисунке 6 можно отследить периодичность выхода фигурок. Видна некоторая цикличность, с промежутком в 6-8 месяцев и наблюдаются резкие всплески и падения количества производимых фигурок.

Данный феномен достаточно просто объясним особенностью японской культуры. Это происходит потому, что с такой периодичностью в Японии проходят два фестиваля, основной программой которого является показ и продажа новых фигурок.

Рис 6. Диаграмма распределения количества месяцев прошедших с выпуска фигурки до момента сбора данных 15.02.18

Производители стремятся подстроить дату выпуска фигурки к этим фестивалям, насколько это возможно, поскольку данные события популярны и собирают большое количество участников. Соответственно в последующие месяцы количество выпускаемых фигурок падает, так как большинство производителей подстраивали график выпуска под фестиваль. Каждый год данное мероприятие посещает около 50000 участников и зрителей. [41]

В работе были рассмотрены факторы, которые относятся исключительно к фигуркам категории б/у. Такими факторами являются состояние фигурки и состояние коробки. Графики по этим переменным представлены на рис 7.

Если рассматривать состояние коробки, которое может находиться в категориях: “A”, “B”, “C” - расположенных в порядке от наилучшего с наихудшему, то видно, что большая часть находится в категории “B”, наименьшее число (а именно 2 фигурки) находятся в категории “A”.



Рис 7. Boxplots для сабсета б/у фигруок по скидке и состоянию фигурки, состоянию коробки

Относительно фигурок - наименьшее число имеет состояние “C”, а “A” и “B” относительно равны, с некоторым перевесом в сторону категории “A”.

Что касается отношения состояния коробки и фигурки к скидке, можно заметить, что на обеих графиках медиана процента скидки увеличивается с ухудшением категории. Это наблюдение достаточно очевидно, так как при ухудшении состояния фигурки или коробки, скидка на нее возрастает.

Вслед за этим были составлены диаграммы рассеяния по начальной и итоговой цене для двух категорий фигурок. Первый график был построен по всем данным в датасете (рис 8), а при построении второго графика были отобраны только фигурки б/у (рис 9).

Из графика видно, что большая часть фигурок расположена на прямой original price ~ price now или близко к ней. В целом рассеяние не значительное, однако, можно заметить, что существуют точки, которые заметно повышались либо понижались в цене. Эти группы фигурок будут исследованы отдельно в дальнейшей работе.

Для наглядности на диаграмме рассеяния по фигуркам б/у (рис 9) также были удалены отдельные выбросы. Ситуация с б/у фигурками значительно отличается от общих данных. Заметен значительно больший разброс. Также особенно выделяется группа со значительным повышением цены.



Рис 8. Диаграмма рассеяния конечной и начальной цены по всему датасету

Рис 9. Диаграмма рассеяния конечной и начальной цены по фигуркам б/у

В целом, данный график подтверждает наше изначальное предположение о том, что ситуация с резким изменением в цене в любом направлении на вторичном рынке фигурок действительно имеет место.

Далее была подсчитана статистика по сериям, брендам и скульпторам. Созданные базы данных включали в себя название (серии, бренда или скульптора), количество относящихся к ним фигурок, их среднюю начальную и конечную цены, а также дельту их изменения.

Фрагмент такой базы по скульпторам представлен на рисунке ниже (рис 10). Фрагменты баз данных по сериям и брендам представлены в приложениях, упорядочены по алфавиту (приложение Г).

Рис 10. Фрагмент обобщенной базы данных по скульпторам

Основываясь на полученных результатах статистики по скульпторам, можно утверждать, что фигурки большинства продавались со скидками, так как значение дельты отрицательное. Однако можно также заметить, что существует значительное количество скульпторов, спроектировавших лишь одну или две фигурки, этот факт довольно негативно влияет на статистику. Поскольку нельзя утверждать о наличии зависимости на основании лишь одного или небольшого количества наблюдений. Поэтому скульпторы с количеством выпущенных фигурок меньше 5 были выделены в отдельную группу - other.

По итогам вышеуказанных преобразований количество уникальных скульпторов было сокращено с 766 до 239. На основе похожих размышлений также были выделены в группу other бренды, которые произвели менее 10 фигурок.

4. Модели

Следующим пунктом работы, после сбора, подготовки и фильтрации данных, рассмотрения базовых статистик, является построение моделей.

Первой рассмотренной моделью является модель линейной регрессии. В данной модели зависимой переменной является скидка, а независимыми переменными: логарифм от начальной цены, факторные переменные бренд и серия, логарифм от прошедших со времени выпуска месяцев, состояние фигурки, состояние коробки, а также фиктивные переменные: limited, exclusive, amiamibonus. Фрагмент результатов представлен на рис 11.а и рис 11.б.

Рис 11.а Фрагмент результатов первой регрессионной модели по скидке

Рис 11.б Итоги первой регрессионной модели по скидке

Поскольку в модели использовано большое количество переменных, полный вариант результатов включен в приложения (приложение Д).

Полученные результаты (Рис. 11.б.) свидетельствует о том, что модель описывает некоторый объем данных. Значение R-squared adjusted равно 0.3346. Было выявлено несколько значимых факторов. Основными значимыми факторами с достаточно низким p-value, оказались, факторы, относящиеся к брендам производителя фигурки, а также в некоторой степени серии и логарифм по времени. Остальные факторы малозначимы.

Также в данной модели можно заметить явное разделение на положительные коэффициенты у факторов бренда и отрицательные у серии. Причиной такого поведения модели может быть разделение коэффициента при фигурке на серию и бренд, с учетом того, что некоторые серии были произведены одним лишь производителем либо наоборот, данное наблюдение легко объяснить.

Чтобы избавиться от ошибок модели либо минимизировать их, была составлена кросс-таблица по сериям и производителям. В первой кросс таблице по строкам были представлены серии, а по столбцам бренды, на пересечениях было выведено количество фигурок соответствующей серии и бренда. Фрагмент первой кросс таблицы представлен в приложении (приложение Д).

Далее, было подсчитано общее количество фигурок по каждой серии и бренду и из данных удалены серии с 0 либо 1 фигуркой, а также бренды с 0 фигурками. Поскольку такие точки, при использовании в модели будут выводить некорректные коэффициенты.

После этого, была составлена новая таблица с отфильтрованными сериями и брендами, где на их пересечении был выведен процент фигурок данной серии, произведенный данным брендом, причем таким образом, чтобы сумма процентов по строкам равнялась 100. Фрагмент этой таблицы приведен в приложении Д. После этого были найдены и удалены все серии, все фигурки которых, были произведены одним брендом.

Таким образом, были найдены уникальные серии и бренды, которые негативно влияли на нашу модель. В следующей модели уже не будут использованы данные серии и бренды. Сколько всего фигурок относятся к уникальным сериям и брендам можно посмотреть на рис. 12.

Рис 12. Результаты выборки уникальных серий

По результатам данной обработки, была построена новая модель на 3943 точках, без уникальных серий. Фрагмент результата можно увидеть на рис 13.а и 13.б, полная версия представлена в приложении Д.

Рис 13.а Фрагмент результатов второй регрессионной модели по скидке

Рис 13.б Итоги второй регрессионной модели по скидке

На основе обновленной модели, можно рассмотреть несколько, представляющих наибольший интерес, частных случаев. Рассмотрим бренд «Orca Toys». Данный бренд является значимой переменной на уровне значимости 0.01, его коэффициент равен ~107, что означает скидка на товары данного бренда повысится на 107 процентов.

Рассмотрим фигурки данного бренда (рис. 14).

Рис 14. Фрагмент выборки фигурок бренда «Orca Toys»

У данного бренда выпущено 44 фигурки, и все они имеют скидку, от 13 до 51% от начальной цены. Из представленных фигурок 8 принадлежит серии «Oreimo», фактор с коэффициентом -36. Из данных фигурок две, имеющие наименьшую скидку в 13%, относятся к лимитированной серии, а фигурка с наибольшей скидкой 51% является б/у.

Модель показала удовлетворительный результат на наших данных.

Была сделана попытка добавить в модель переменную скульпторов, однако, несмотря на то, что и оказались 0.97 и 0.76 соответственно, в модели было обнаружено недостаточное количество значимых переменных. Такими переменными оказались лишь: логарифм от прошедшего времени, 3 серии, и несколько скульпторов. Вероятно, имеются уникальные пересечения по скульпторам с сериями и брендами. Также предположительно скульпторы не значительно влияют на итоговую цену продукта.

Далее была построена модель, предсказывающая изменение итоговой цены в процентах относительно тех факторов, что и в предыдущей, за исключением скульпторов. Данные также использованы уже отфильтрованные без уникальных серий и брендов. Фрагменты результатов представлены на рис 15.а, 15.б

Рис 15.а Фрагмент результатов регрессионной модели по итоговой цене

Рис 15.б Итоги результатов регрессионной модели по итоговой цене

Можно заметить, что модель значительно лучше предыдущих, показатель оказался равен 0.94. Было выявлено значительное количество значимых переменных. Полный результат модели также представлен в приложениях (приложение Д). Такой высокий результат свидетельствует о том, что возможно спрогнозировать цену фигурки в конкретный момент времени, с достаточной точностью, основываясь на факторах, находящихся в публичном доступе на сайте онлайн магазина.

Также следует обратить внимание на то, что помимо определенных серий и брендов значимыми переменными, как и предполагалось оказались состояние коробки, эксклюзивность, время, прошедшее с момента выпуска, а также масштаб. В итоге можно с большой долей уверенности сказать, что фактор бренда, серии, состояния коробки фигурок б/у, время с выпуска и эксклюзивность оказывают значительное влияние на итоговую цену фигурки.

Далее был рассмотрен диапазон коэффициентов значимых переменных рис. 16.

Рис. 16. Диапазон коэффициентов значимых переменных

Было выявлено, что в среднем масштабом, брендом и серией фигурки объясняется изменение цены на 26, 42 и 25 процентов. С максимальным разбросом в 280% по категории в масштабе. При дальнейшем рассмотрении конкретно этого фактора, было выявлено, что при увеличении масштаба растет итоговая цена, за исключением масштаба 1/12 , коэффициент которого равен -1.22.

Также была предпринята попытка спрогнозировать скидку, используя метод регрессионных деревьев (рис. 17).



Рис 17. Регрессионное дерево, предсказывающее процент скидки

В данном дереве наиболее значимыми переменными, оказались начальная цена, а также время, прошедшее с выпуска. В целом, модель оказалась неудовлетворительной.

Таким образом, была добавлена фиктивная переменная “High”, показывающая наличие либо отсутствие скидки на фигурку. В следующей части были построены деревья классификации, прогнозирующие наличие либо отсутствие скидки.

Рис 18 иллюстрирует точность предсказания дерева по классам. Можно заметить, что она достаточна высокая и равна 0.86, при 95% доверительном интервале в (0.85,0.87). Также помимо точности предсказания, можно обратить внимание на низкое значение p-value, показывающее, что модель значима.

Далее, для лучшей оценки, построим кривые ROC и рассчитаем AUC для данной модели.



Рис 18. Confusion Matrix и статистика для дерева классификации

Рис 19. ROC-кривая для дерева классификации

На рисунке 19 представлена ROC кривая для рассмотренного выше дерева. В принципе, график подтверждает, что модель достаточно хорошая. Кончено, модель не является отличным классификатором, на рис 19 это можно определить по тому, как относительно далеко он углов расположены первые точки кривой.

Можно рассчитать AUC, площадь под уровнем кривой ROC, она равна 0.7. Несколько ниже выведенной точности. Однако, для данной модели - это нормально.

Возможно, если увеличить дерево, повысится точность. Данное утверждение мы проверяем на новом большем дереве (рис 20).

Рис 20. Сравнение двух построенных моделей на предмет переобучения

Очевидно, что большее дерево не подходит, имеет место эффект переобучения. Для того чтобы убедиться в этом, сравним ROC-кривые и площади AUC для обеих моделей (рис 21).

Это свидетельствует о том, что новая модель уступает предыдущей. При расчёте AUC, площадь оказывается равной 0.64.



Рис 21. Сравнение расположения ROC-кривых двух деревьев классификации

В ходе следующего этапа работы были использованы данные, полученные при втором замере цен (рис. 17).

Рис 17. График цены первого забора от 15.02.18 и второго забора от 15.04.18

На графике представлена цена для двух временных точек, когда были произведены замеры 15.02.18 и 15.04.18. Наблюдения упорядочены по цене по возрастанию.

Из рисунка 17 видно, что для множества точек наблюдается изменение цены, однако нет преобладающего характера изменения, цена на фигурки как падает, так и растет.

Было обнаружено, что для 2638 фигурок не было проведено второго замера, это произошло по причине их удаления с сайта. Важным фактом является то, что большая часть из удаленных фигурок находилась в 5% самых дорогих товаров. Такое изменение можно объяснить, рассмотрев конкретно группу удаленных фигурок. Можно утверждать, что большинство из них являлись либо эксклюзивами, либо старыми б/у фигурками с большой коллекционной ценностью. На основании вышеописанных умозаключений можно предположить, что фигурки, обладающие вышеназванными характеристиками, быстрее раскупаются в магазине и впоследствии удаляются. Таким образом, собрать для данной группы несколько замеров цены во времени не представляется возможным.

Было рассчитано изменение цены между первым и вторым забором данных, добавлена переменная “Price12”.

Были добавлены новые переменные sculpt_count, brand_count и series_count, показывающие общее количество скульпторов, брендом и серий схожих с данной фигуркой. Идея при добавлении данных переменных сводилась к исследованию, как влияет не конкретный фактор, а именно популярность бренда, скульптора и серии, на скидку по фигурке. Таким образом, можно будет оценить размер скидки в зависимости от количества фигурок, произведенных тем е брендом или количества фигурок на ту е серию по всему датасету.

Были построены и обучены деревья, прогнозирующие скидку на конкретную фигурку по следующим факторам: начальная цена, лимитированная серия, series count, brand count, sculpt count, а также упорядоченным переменным состояние коробки и состояние фигурки. Соотношение тестовой и обучающей выборки было 0.75:0.25.

Результаты представлены на рис 23.а, 23.б

Рис 23.а Первое дерево прогноз скидке

Рис 23.б Второе дерево прогноз скидке

Можно заметить, что в рис 23.а, все выделенные группы имеют примерно равное среднее значение скидки на уровне 20% с небольшими колебаниями, не считая две выделенные группы node 9, node 17.

Следует рассмотреть данные группы более подробно. Если начать с node 17 с 34 наблюдениями, можно проследить какие фигурки туда войдут. А именно, при первом делении, фигурки с высокой ценой >9666 йен, а также относящийся к лимитированным. Не сложно объяснимо отсутствие скидки на такого рода фигурки. Можно предположить, что фигурки в данной категории относятся к редким и высоко ценятся в среде коллекционеров. Одновременно с этим можно утверждать, что вероятнее всего, если цена фигурки превышает 10000 йен и она лимитирована, на нее не будет скидки.

Далее рассмотрим подробнее node 9 на рис 23.а, следует определить, какие фигурки туда попадают. До этого однако, можно обратить внимание, что, несмотря на большее количество относительно фигурок в node 12 (111 против 34), разброс в данной группе меньше. Туда попадают фигурки с начальной ценой меньше 9666 йен, sculpt_count больше 1200, что значит, что это просто фигурки с неопределенным скульптором NA, а также принадлежащие брендам, число фигурок которых выше 64, но не превышает 150.

Любопытное наблюдение, следует рассмотреть фигурки в данной категории отдельно. После детального рассмотрения данной категории, становится ясно, такое положение. В данной категории расположены фигурки брендов со средним количеством выпуска, но отличным качеством. Также это означает, что при относительно небольшой цене, коллекционеры получат фигурку по качеству сопоставимую с намного более дорогими брендами. Некоторые бренды, входящие в данную группу: KADOKAWA, OrchidSeed, Max Factory.

Также можно проанализировать компании, входящие в данный список.

· KADOKAWA - относительно новая компания, дистрибьютором которой является “гигант” данного рынка GSC. GSC известны также своим жестким контролем над качеством продукции. Низкими ценами и отличным качеством товаров, быстро завоевывает свое место на рынке фигурок.

· OrchidSeed - компания известна своим долгим временем производства с момента показа первого прототипа, до выпуска. Отличное качество дополняется оригинальной нишей внутри самого рынка. Обычно выпускает фигурки эротического характера. При относительно небольшом количестве компаний, выпускающих фигурки такого плана (наиболее популярными являются OrchidSeed и Native), значительно выделяется своим отличным качеством.

· Max Factory - компания “дочка” GSC, единственная компания, выпускающая фигурки типа “figma”, также выпускает фигурки эротического характера под брендом Native. Уникальные серии фигурок и контроль качества GSC выделяют Max Factory на фоне других производителей данной ценовой категории дешевых фигурок (40-60$).

Оказывается, что в данную категорию входят фигурки наилучшего качества для своей ценовой категории, также имеющие какие-либо уникальные черты.

На рис 23.б наблюдается схожая ситуация. Однако, в то время как node 33 и node 35 эквивалентны node 9 и node 12 из предыдущей модели. Здесь выделяются новые группы фигурок: node 23 и node 30. При среднем значении скидки схожим с предыдущим деревом и находящимся в районе 20% для всех остальных групп.

В отличие от предыдущей модели, здесь, достаточно просто определить причину такого разбиения. Рассмотрим node 30. Сюда попали 3 единственные б/у фигурки с коробкой категории “C”. Очевидно, что при таком значительном недостатке, скидка на фигурки значительно повысится. Среднее значение скидки для фигурок данной категории около 75%.

Далее node 23, здесь находятся 40 фигурок, отвечающих следующим критериям:

· Цена выше 9666 йен

· Количество схожих скульпторов меньше 1222, фактически это означает, что у фигурок определен скульптор и это значение не NA.

· Фигурка является б/у с категорией “A”

· Количество схожих серий меньше 142

· Цена выше 27000 йен

· Количество схожих брендов меньше 90

Очевидно, что речь идет об очень ценных и редких коллекционных товарах. Если фигурка категории б/у - это означает, что выставляется она, скорее всего, в единственном экземпляре, а также с новой и неоткрытой упаковкой, о чем свидетельствует категория “A”. Учитывая, что скульпторы и бренды данной категории известны, а также тот факт, что бренды не превышают 90, а серии 142, можно прийти к заключению, что в данной категории расположены уникальные фигурки, либо нишевые фигурки с определенными особенностями.

Таким образом, эта группа фигурок со средним значением скидки 0%, представляет собой редчайшие предметы коллекционирования, имеющие особенные либо не часто встречающиеся характеристики, а также обладающие высокой ценой от 280$, выставленные в данном магазине в единственном экземпляре.

Заключение

В ходе проведенных исследований были проанализированы различные модели, позволяющие оценить взаимосвязь между начальной ценой, ее изменениями, скидкой и различными факторами для мирового онлайн рынка коллекционных японских фигурок.

Построенные предсказательные модели позволили выявить зависимости колебаний скидки и изменения цены от факторов, характеризующих параметры фигурки. Для сбора первичных данных и формирования массивов данных (датасетов) использовались написанные ой для этой цели скрипты и программные модули на Python, позволившие получить доступ к базам данных одного из наиболее популярных у коллекционеров интернет магазина. В процессе работы над ВКР производились дополнительные замеры (срезы) по изменению цены на коллекционные фигурки, выпускаемые или выпускавшиеся японскими производителями. При построении моделей массивы данных претерпевали различные преобразования, добавлялись новые переменные и таблицы, которые представлены в полном объеме в приложениях.

...