Upload
gottlieb-strittmatter
View
106
Download
1
Embed Size (px)
Citation preview
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Dynamische Bepreisung von Güterbündeln mittels
kombinatorischer Auktionen
Michael SchwindInstitut für Wirtschaftsinformatik
Prof. Wolfgang KönigGoethe-University Frankfurt
Sommersemester 2004 – Uni Frankfurt
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
1. Einführung Kombinatorische Auktionen
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Grundlagen der kombinatorischen Auktionen
Was sind Kombinatorische Auktionen (CA)?
Kombinatorische Auktionen sind Auktionen, in denen
ein Bieter nicht nur für einzelne Güter bieten kann,
sondern in einem einzigen Gebot für mehrere Güter
(Güterbündel) gleichzeitig bieten kann.
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Warum CA?
• notwendig, da ein Preis, den ein Bieter für ein Gut bereit ist zu zahlen, oftmals auf komplexe Weise von anderen Gütern, die er erhält, abhängt (Synergieeffekte).
• Vorteil, dass ein Bieter solche Synergieeffekte bereits in seinen Geboten ausdrücken kann.
• ebenso geeignet, um mehrere Einheiten eines Gutes simultan zu versteigern.
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Synergieeffekte
Es existieren zwei Arten von Synergieeffekten:
Komplementarität
versus
Substitutionalität
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Komplementarität
Beispiel Komplementarität:
• es gilt: v(A) + v(B) < v(A+B) Superadditivität
• im Extremfall: v(A)=v(B)=0, aber v(A+B)>0
• z.B. Bieter will von Leipzig nach New York
Gebot für Teilstrecke A (Leipzig-London) 200 €
Gebot für Teilstrecke B (London-New York) 400 €
Gebot für beide Teilstrecken zusammen 800 €
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Substitutionalität
Beispiel Substitutionalität
• es gilt: v(A) + v(B) > v(A+B) Subadditivät
• im Extremfall: v(A+B) = max[v(A), v(B)]
• z.B. Bieter möchte ein neues T-Shirt
Gebot für rotes T-Shirt (Gut A) 20 €
Gebot für blaues T-Shirt (Gut B) 20 €
Gebot für beide T-Shirts zusammen (A+B) 30 €
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Probleme mit Synergieeffekten
• wenn keine Synergieeffekte Menge von unabhängigen Einzelauktionen denkbar
• bei vorhandenen Synergien Ergebnis nicht mehr effektiv
• noch akuter, wenn Komplementarität und Substitutionalität zwischen den verschiedenen Bietern variieren.
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
2. Gebote in Kombinatorischen Auktionen
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Darstellung von Geboten
• Gebotssprache formale Ausdrucksweise zur Platzierung von Geboten
• zwei Hauptanforderungen: Einfachheit und Ausdrucksstärke
• Trade-Off zwischen der Einfachheit der Sprache und deren Ausdrucksstärke.
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Anforderungen an Gebotssprachen
Einfachheit:• Umgang mit den ausgedrückten Geboten muss einfach sein• sowohl in technischer („computationally easy to handle“) als auch • in menschlicher (leicht zu verstehen und zu bearbeiten) Hinsicht
Ausdrucksstärke:• jeder gewünschte Gebotsvektor muss zu formulieren sein• und das möglichst knapp
Eine geeignete Gebotssprache sollte ein gutes Gleichgewicht zwischen diesen beiden Anforderungen finden.
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Gebotsformen
Unterschiedliche Gebotsformen (nach Nisan)
• (atomare Gebote)• OR-Gebote• XOR-Gebote• OR-of-XOR-Gebote• XOR-of-OR-Gebote• OR/XOR-Gebote• OR*-Gebote (OR-Gebote mit Dummy-Gütern)
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Atomare Gebote
• jeder Bieter kann genau ein Gebot (Si, pi) abgeben
• additiver Wert von zwei oder mehr Gütern (Synergien) kann nicht mit atomaren Geboten ausgedrückt werden
• Beispiel für einen atomaren Gebotsvektor: (A,B,10), d.h. Bieter 1 bietet 10 Geldeinheiten für das Güterbündel A+B.
•sind für Kombinatorische Auktionen von nachrangigem Interesse
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
OR-Gebote
• Bieter kann beliebige Anzahl von atomaren Geboten abgeben
• d.h. eine Sammlung von Paaren (Si,pi)
• Si ist die gewünschte Teilmenge von Gütern
• pi ist der maximale Preis, den er dafür zahlen will
• Bieter kann dabei für mehrere disjunkte Gebote den Zuschlag erhalten (und/oder-Gebote)
• nur für Gebote, die keine Substitutionalitäten besitzen.
Gegenbeispiel: (A,5) OR (B,10) OR (A,B,13) Widerspruch
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
XOR-Gebote
• Bieter kann eine beliebige Anzahl an Geboten (Si,pi) abgeben
• implizit enthalten, dass Bieter nur den Zuschlag für ein Gebot erhalten will (entweder/oder-Gebote)
• XOR-Gebote können alle Bewertungen ausdrücken.
• Beispiel Substitutionalität: (A,5) XOR (B,10) XOR (A,B,13)
• Gebot (A,B,13) erhält den Zuschlag, da Erlösmaximierung
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Vergleich OR/XOR-Gebote
Es gibt Bewertungen, die mit sehr kurz beschreibbaren OR-Geboten ausgedrückt werden können, aber nun die Darstellung in XOR-Geboten eine exponentielle Größe annimmt.
Die additive Bewertung von m Gütern kann repräsentiert werden mit m OR-Geboten, aber benötigt gleichzeitig XOR-Gebote in der Größenordnung 2m.
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
OR-of-XOR-GeboteXOR-of-OR-Gebote
• Kombination aus OR- und XOR-Geboten • OR-of-XOR-Gebote: Bieter kann eine beliebige Anzahl von XOR-Geboten abgeben. Implizit gilt, dass er den Zuschlag für mehrere der Gebote erhalten möchte.
• Beispiel: [(A,7) XOR (B,5)] OR [(C,D,8) XOR (E,3)]
• XOR-of-OR-Gebote: Bieter kann eine beliebige Anzahl von OR-Geboten abgeben kann. Implizit gilt, dass er davon allerdings maximal den Zuschlag für ein Gebot bekommen möchte.
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
3. Design Kombinatorischer Auktionen
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Anreizkompatibilität / Wahrheitsgemäßes Bieten
• um eine effektive Allokation der Güter zu ermöglichen, müssen „Spielregeln“ im Vorfeld klar festgelegt werden
• dies ist Aufgabe des Mechanism Design
Effizienz heißt hierbei:• Bieter mit dem höchsten Gebot erhält den Zuschlag • Ziel ist (in der Regel) Erlösmaximierung für den Auktionator
• Bieter könnten durch Absprachen den Gewinn des Auktionators stark einschränken: Beispiel: Verdeckte Information in Geboten der FCC-Auktion
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Wahrheitsgemäße Gebote
• Maximierung des Erlöses hängt von den abgegebenen Geboten ab
• keine Garantie, dass diese der tatsächlichen Zahlungsbereitschaft der Bieter entsprechen.Beispiel (drei Bieter 1, 2 und 3 sowie 2 Güter A und B):
v1(A,B) = 100 v2(A,B) = 0 v3(A,B) = 0v1(A) = v1(B) = 0 v2(A) = v2(B) = 75 v3(A) = v3(B) = 40
• bei wahrheitsgemäßem Bieten: A geht an Bieter 2, B an Bieter 3• Bieter 2 hätte den Anreiz, sein Gebot für A bzw. B bis 61 herabzusetzen• Bieter 3 hätte den Anreiz, sein Gebot für A bzw. B bis 26 herabzusetzen• tun dies jedoch beide Gefahr, dass Bieter 1 mit 100 die Auktion gewinnt
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Wahrheitsgemäße Gebote
• Im eindimensionalen Fall gilt die Vickrey-Auktion als anreizkompatibel:
• Bieter gibt einzelnes verdecktes Gebot ab (single sealed bid)• Gut wird dem Bieter mit dem höchsten Gebot zum Preis des zweithöchsten Gebots zugeteilt
• Warum ist wahrheitsgemäßes Bieten dominante Strategie?
bi Gebot der Person i , vi wahre Bewertung durch Person iZwei Bieter: erwartete Auszahlung von Bieter 1: prob(b1 > b2)[v1-b2] positives [v1-b2] → max prob(b1 > b2) → v1= b1 negatives [v1-b2] → min prob(b1 > b2) → v1= b1
• Idee ist es nun, diese Auktionsform für den kombinatorischen Fall zu erweitern.
Verallgemeinerte Vickrey-Auktion (GVA)
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Die Generalized Vickrey Auction (GVA)
• auch Vickrey-Clarke-Groves (VCG)-Mechanismus genannt
• Ziel ist es, jeden Bieter mit den durch ihn entstandenen sozialen Kosten (Wohlfahrtsverluste) zu belegen.
Voraussetzungen:• i = 1,..,n Konsumenten• j = 1,..,k Güter • Konsumenten bieten für Güterbündel xi = (x1
i … xki)
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Formale Darstellung der GVA
• Jeder Bieter i gibt sein Gebot ri(•) ab – dieses kann von seiner wahren Nutzenfunktion ui(•) abweichen.
• Der Auktionator berechnet die Verteilung x*, die die Summe der Nutzenwerte der abgegebenen Gebote unter Berücksichtigung der Restriktionen maximiert.
• Danach berechnet der Auktionator die Verteilung x*~i, die die
Nutzensumme der Gebote ohne die von Bieter i nachgefragten Ressourcen maximiert.
• Bieter i erhält (x*i) und eine Querzahlung von:
• Nutzen von Bieter i aus der Auktion ist:
ij
ijij
j xrxr )()( ~**
ij
ijij
ji xrxrxu )()()( ~***
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Formale Darstellung der GVA
Warum ist dieses Auktionsdesign anreizkompatibel?
• Gesamterlös für Bieter i:
• Bieter i beeinflusst lediglich:
• Auktionator maximiert:
Da der Auktionator seinen Nutzen maximiert, sollte Bieter i seine Funktion der Zielfunktion des Auktionators anpassen, also sollte gelten ui(x*) = ri(x*)
j
jij
ji xrxrxr )()()( ***
ij
ji xrxu )()( **
ij
ijij
ji xrxrxu )()()( ~***
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Beispiel für die GVA
2 Konsumenten 3 Gütereinheiten
• Optimale Allokation ohne GVA: Konsument 1: 2 Einheiten → 18 GE Konsument 2: 1 Einheit → 9 GE• Allokation mit GVA: ohne Konsument 1 gehen 3 Einheiten an Konsument 2: 9 + 7 + 6 = 22 GE → Konsument 1 erhält Auszahlung von: 18 + [9 - 22] = 18 – 13 = 5 GE
Konsument 1 zahlt 13 GE für zwei Einheiten des Gutes ohne Konsument 2 gehen 3 Einheiten an Konsument 1: 10 + 8 + 5 = 23 GE → Konsument 2 erhält Auszahlung von: 9 + [18 - 23] = 9 – 5 = 4 GE
Konsument 2 zahlt 5 GE für eine Einheit des GutesVerkäufer erhält 13 + 5 = 18 GE
Gut: Einheit 1 Einheit 2 Einheit 3
Konsument 1 10 GE 8 GE 5 GE
Konsument 2 9 GE 7 GE 6 GE
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Formale Darstellung des CAP
• zentrale Problem bei CA Auswahl der Gewinner-Bündel, die den Erlös des Auktionators maximieren
• Formulierung als Integer-Programm, aber keine optimale Lösung in polynominalen Zeitaufwand garantiert
• Relaxation in Lineares Programm, aber keine effiziente Lösung garantiert
• Vereinfachung durch Verwendung von Heuristiken
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Formale Darstellung desCombinatorial Auction Problems
N Menge der Bieter
M Menge der verschiedenen
Objekte/Güter
m ein Objekt der Menge M
S Bündel von Objekten/Gütern
bj(S) Gebot von Bieter j für Bündel S
b(S) maximales Gebot für Bündel S
i Index Bündel
Annahme: von jedem Gut m ist nur eine Einheit
vorhanden
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Formale Darstellung desCombinatorial Auction Problems
als Integer-Programm (CAP1)
MS
sxSb )(max
MSsx 1,0
MixSi
s
1
unter Beachtung der Restriktionen
und
Maximiere die Summe allermaximalen Gebote für dieeinzelnen Bündel SM
kein Objekt aus M kann zumehr als einem Bieter zugeordnet werden
xs = 1, falls Gebot zugeteiltxs = 0, sonst
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Formale Darstellung desCombinatorial Auction Problems als
Integer-Programm
MS
sxSb )(max
MSsx 1,0
MixSi
s
1
unter Beachtung der Restriktionen
und
Dilemma:Formulierung nur korrekt für den Fall, dass alle Gebotsfunktionenbj superadditiv
Komplementarität wird hierbei nicht berücksichtigt.
Ausweg: Einführung von Dummy-Gütern
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Einführung von Dummy-Gütern
Beispiel:
• Einführung eines Dummy-Gutes g
• Änderung der Gebote des Bieters j (sog. OR*-Gebote)
bj(A) bj(Ag)bj(B) bj(Bg)bj(AB) bj(AB)
• A und B werden nicht mehr getrennt vergeben, da Dummy-Gut g in beiden Geboten vorkommt
• nur eines der drei Gebote kann Zuschlag bekommen
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Formale Darstellung des CAP ohne Dummy-Güter (CAP2)
Nj MS
jSySb ),()(max j
MS
NjjSy 1),(
MijSySi Nj
1),(
unter Beachtung der Restriktionen
undkein Bieter erhält mehr als eine Teilmenge S
y(S,j) = 1, falls Bündel S an Bieter j zugeteilt wird, sonsty(S,j)=0
und
NjMSjSy ,1,0),(
stellt sicher, dass keine überlappenden Güterbündelzugeordnet werden
Maximiere die Summe allermaximalen Gebote für dieeinzelnen Bündel SM
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Formale Darstellung des CAP ohne Dummy-Güter (CAP2)
Nj MS
jSySb ),()(max j
MS
NjjSy 1),(
MijSySi Nj
1),(
unter Beachtung der Restriktionen
und
und
NjMSjSy ,1,0),(
Erweiterung auf mehrere Einheiteneines Gutes ist leicht möglich.Voraussetzung: jeder Bieter kannnur eine Einheit eines Gutes nach-fragen.
}rechte Seiten derbeiden Gleichungen könnten dann auchWerte > 1 annehmen
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Greedy-Allokationals Näherungslösung
Ablauf des Greedy-Schemas
1. Schritt• Gebote werden anhand eines beliebigen Kriteriums sortiert • Sortierung der Liste in auf- oder absteigender Reihenfolge
2. Schritt• Durchführung der Allokation• erstes Gebot der Liste wird angenommen• Im weiteren Verlauf untersucht der Algorithmus der Reihe
nach jedes weitere Gebot und nimmt ein weiteres Gebot an, sofern es nicht mit vorherigen Geboten auf der Liste in Konflikt steht
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Beispiel Greedy-Schema
Beispiel für 2 Bieter (1 und 2) und 2 Güter (A und B)
Es liegen folgende Gebote vor:
b1(A)=6 b1(B)=20 b1(A,B)=28 b2(A)=8 b2(B)=18 b2(A,B)=30
Kriterium: durchschnittlicher Gebotspreis je Gut
Sortierung: absteigende Reihenfolge
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
BeispielGreedy-Schema
Beispiel für 2 Bieter (1 und 2) und 2 Güter (A und B)
Es liegen folgende Gebote vor:
b1(A)=6 (6) b1(B)=20 (20) b1(A,B)=28 (14)b2(A)=8 (8) b2(B)=18 (18) b2(A,B)=30 (15)
Kriterium: durchschnittlicher Gebotspreis je Gut
Sortierung: absteigende Reihenfolge
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Beispiel Greedy-Schema
Beispiel für 2 Bieter (1 und 2) und 2 Güter (A und B)
Es liegen folgende Gebote vor:
b1(A)=6 (6) b1(B)=20 (20) b1(A,B)=28 (14)b2(A)=8 (8) b2(B)=18 (18) b2(A,B)=30 (15)
Kriterium: durchschnittlicher Gebotspreis je Gut Sortierung: absteigende Reihenfolgees ergibt sich folgende Liste
1. b1(B)=20
2. b2(B)=18
3. b2(A,B)=30
4. b1(A,B)=28
5. b2(A)=8
6. b1(A)=6
Bieter 1 erhält BKonflikt
Konflikt
Konflikt
Bieter 2 erhält A
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Beurteilung desGreedy-Schemas
• sehr zielgerichtetes Verfahren
• sehr schnelles Verfahren
• Aufwand (n log n)n
• Effizienz hängt sehr stark von gewähltem Kriterium ab
• ungeeignetes Kriterium wäre z.B. „Höhe des Gebotes“
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
4. Kombinatorische Auktionen in der Praxis
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
KA-Anwendungen (1)
• Logistik– Netzwerkressourcen (Streckennutzungsrechte für
Güterzüge)– Logistikdienstleistungen (Beschaffung von
Transportkapazitäten: Sears-Logistics, Transport of London)
– Vergabe von Start- und Landezeitslots auf Flughäfen (FAA)
• Lizenzen für Öffentliche Güter– Funk- und Satelliten-TV-Lizenzen– Mobilfunknetze (z. Bsp. UMTS)– Umweltemissionsrechte (RECLAIM)
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
KA-Anwendungen (2)
• Scheduling– Ressourcen-Scheduling (Nasa-Raumstation)– Kursvergabe in Schulen (University of Chicago) – Verhandlungsprotokolle für die Supply-Chain-
Koordination
• Finanzen– Handel von Finanzprodukten (Combined Value Trading)– NetExchange (Kombinatorische Börse)– Verkauf von Immobilien-Portfolios (Multiattributive
Auction)
• Beschaffungsauktionen– Mars Inc. (Reverse Combinatorial Auction)– Elektrizitätsmarkt (eBay for Electricity Markets)– Chilenische Schulbehörde für Schulspeisung (JUANEB)
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Home Depot - Überblick
• Über 964 Geschäfte und 47 Distributionszentren in den USA, Kanada, Puerto Rico und Chile
• Anzahl Produkte ~ 40,000 bis 50,000 • Größe der Geschäfte ~13,000 m2
• Home Depot ($45 Milliarden Umsatz), weltgrößter Verkäufer für Heimwerkerartikel
• Ziel: Einkauf der Transportdienstleistungen
(Quelle: Elmaghraby, W./ Keskinocak, P. (2002) – Combinatorial Auctionsin Procurement, Georgia Institute of Technology)
Fallbeispiel
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Home Depot - Problemstellung
• Suche nach potentiellen Spediteuren
• Koordination der Transportrouten• 37 Zentrallager• 1000 Einkaufscenter• 7000 Lieferanten• variable Anzahl von Kunden
• Koordination der Verhandlungen
Fallbeispiel
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Klassischer Sourcing-Prozess
Ja/Nein
Ja/Nein
Ja/Nein
.
Ja/Nein
1
2
3
.
500
$ ?
$ ?
$ ?
.
$ ?
NetzwerkHome Depot
Routen wurden einzeln vergeben
Keine Garantie für bestimmte Routenkombinationen möglich
Keine Möglichkeit Effizienzpotentiale einzupreisen
Fallbeispiel
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Gebote für Einzelstrecken
Dallas
Phoenix
Long Beach
Omaha
Seattle
Chicago
Atlanta
Charlotte
Camden
Philadelphia
12
3
Fallbeispiel
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Home Depot - Kombinatorische Gebote
Route 1
Kombination 1
Kombination 2
1
2
3
.
.
.
$100
$500
$400
Bestehende Routen der Logistiker
Logistikanbieter können für Routen bieten
Eine Route kann in verschiedenen Kombinationen sein
Logistikanbieter können Synergien durch kombinatorische Gebote ausdrücken
Versand-Routen
Versand-Routen
Fallbeispiel
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Home Depot - Kombinatorische Gebote
Dallas
Phoenix
Long Beach Ontario
Omaha
Seattle
Chicago
Atlanta
Charlotte
Camden
Philadelphia
Kombination SEA-DFW-NEB-CHI
Fallbeispiel
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Home Depot - Bieterinformationen
• Ausgangs- und Zielort (ORT)Punkt: Einzelhändler, Verteilerzentrum, Geschäft
Zone: Gruppe von Geschäften, Gruppe von Händlern
• Routendetails (Ø Entfernungen, Volumina, Ausstattungsdetails…)
• Nachfrageprognosen
Dallas
Phoenix
Long Beach
Ontario
Omaha
Seattle
Chicago
Atlanta
Charlotte
Camden
CouncilBluffs
Philadelphia
Fallbeispiel
ORT ist die Bezeichnungfür eine oder mehrere Ausgangs- oder Zielpunkte.
STRECKE ist ein einzelnes Ausgangs-Zielpunkt-Paar.
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Home Depot - Nachfrageprognosen
Detaillierte Bedarfsprognosenfür Produkte und Strecken auf täglicher und wöchentlicherBasis
Produkt Routen Ladungen
Trockencontainer 317 41,847
53’-LKW Trailer 25 5,343
Pritschenwagen 268 5221
Überdachter Lieferwagen 13 41
Summe 623 52,452
Routen Ladungen
Punkt-zu-Punkt 24,574 171
Punkt-zu-Zone 25,153 402
Zone-zu-Punkt 146 3
Zone-zu-Zone 2579 47
Summe 52,452 623
Fallbeispiel
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Home Depot - Aufbau der Auktion
• 1. Vorbereitungsprozesse– Bedarfsanalyse– Suche nach potentiellen Lieferanten– Auswahl der Auktionsteilnehmer– Auktionsdesign und Software erstellen– Training für Auktionsteilnehmer
• 2. Auktionsprozess– Informationen für Auktionsteilnehmer– Gebotsabgabe– Auswahl der Gewinner– Vertragserfüllung
• 3. Nachbereitungsprozesse– Auswertung der Auktion– Verbesserung des Designs
Fallbeispiel
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Fallbeispiel
Home Depot - Auswahl der Auktionsteilnehmer
• Potentiellen Lieferanten werden Informationen zur Verfügung gestellt– Start und Ziel der Routen– Details über die Routen und Anforderungen– Angabe der benötigten Kapazitäten
• Auswahl der Bewerber anhand bestimmter Kriterien– Finanzlage, technische Ausstattung, Umsatz, u.a.– Von 192 Bewerber wurden 111 ausgewählt
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Fallbeispiel
Home Depot - Auktionsdesign (1)
• Reverse Auction• Kombinatorischer Auktionsmechanismus • OR-Gebote und XOR-Gebote• Sowohl Anbieter als auch Nachfrager können
Restriktionen auf ihre Gebote definieren– Gesamtumsatz (max, min)– Kapazität– Geographisches Gebiet
• Gebotsregeln– Einzelstrecken – Streckengruppen
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Fallbeispiel
Home Depot - Auktionsdesign (2)
•Fairness•Reduzierter Wettbewerb
•Sicherung der Qualität•Verweigerung der Gebotsabgabe
single-round multi-round
opensealed
Senkung der Frachtrate: single bid iterative bids
Gebot soll minimale Frachtrate des Spediteurs abbilden, keine Gebote unter dem langfristigen Reservationspreis
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Fallbeispiel
Home Depot KA-Support
• Jeder Spediteur entsendete einen Repräsentant der mindestens einen halben Tag am KA-Training teilnahm
• Funktion der Repräsentanten variierte zwischen Pricing-, Sales und Logistik Experten
• Einrichtung einer gebührenfreien Hotline
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Fallbeispiel
Home Depot – KA-Software
• Shipper Bid Support (SBS)– Analyse des Transportnetzwerkes– Auswahl der Routen für den Auktionsprozess
• Carrier Bid Response (CBR)– GUI zur Visualisierung der Struktur des Versender-
Transportnetzwerkes– Standardisierte Vorlage für Gebotsabgabe
• Bid Selection Optimization (BSO)– Auswahl der optimalen Gebotsstruktur
(Streckenkombinationen)– Lösung des „Winner-Determination-Problems“– Multivariate Kombinatorische Auktion:
Neben dem Preis gehen auch andere Kriterien in den Gebotsprozess ein: Qualität, Zuverlässigkeit usw.
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Fallbeispiel
Home Depot: Gebotsauswahl
• Auswahl einer Untermenge aus allen Geboten– Alle Routen müssen abgedeckt sein– Restriktionen müssen erfüllt sein– Definierte Gesamtkosten dürfen nicht überschritten
werden– Weitere nicht preisbezogene Kriterien, wie Reliabilität
und ausgeglichene Verteilung zwischen Spediteuren
• Dominierte Gebote werden vorab gestrichen– Bsp.: Zwei, abgesehen von der Reliabilität des
Spediteurs, identische Gebote• Gebot mit der geringeren Reliabilität wird gestrichen
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Fallbeispiel
Auktionsprozess & Resultate
• Es wurden 96 Gebote abgegeben (von 111 Teilnehmer)
• Aufgrund nicht optimaler Resultate erhielten nur 80% der Routen einen Zuschlag
• Start einer zweiten Auktionsrunde zur Versteigerung der verbliebenen 20% an Routen– 62 Teilnehmer– 36 abgegebene Gebote
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Fallbeispiel
Auktionsprozess & Resultate
• Anzahl Gebote pro Route– Durchschnitt: 14– Minimum: 2– Maximum: 33
• Wenigstens 5 (10) Spediteure bieten auf– 94,4% (73,4%) der Routen und decken damit– 97,1% (86,7%) der Frachten ab.
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Fallbeispiel
Auktionsprozess & Resultate
• Der Auktionsprozess wurde von Home Depot als erfolgreich bewertet.– Senkung der Frachtraten– „Viele“ Spediteure zufriedener mit neuem Procurement
Prozess
• Auktionsprozess soll fortgesetzt werden, mit einigen Änderungen, aufgrund der Auswertung der Auktion– Mind. zwei Repräsentanten der Spediteure mit
längeren Trainingszeiten, da einige den Prozess zu komplex fanden
– Multi-round statt single-round– Weiterentwicklung der Software
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Zusammenfassung der Erfolgsfaktoren für Kombinatorische Auktionen
• Leistungsfähige Technologie– Winner-Determination– Gebotsannahme– Sicherheit
• Problemspezifisches Auktionsdesign– Spieltheorethische Analyse– Transparenz und Nachvollziehbarkeit der Auktion
• Usability– Einfache Gebotsabgabe– Intensive Schulung und Support bei der Nutzung
Fallbeispiel
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Softwareprodukte für Kombinatorische Auktionen
Softwareprodukte für Kombinatorische Auktionen
„SBIDS“ von SAITECH-INC
„OptiBid“ von Logistics.com (u.a. Ford, Wal-Mart)
für transportlogistische Problemstellungen
Fallbeispiel
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
5. Ermittlung der Gewinner in Kombinatorischen Auktionen
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Dynamische Bepreisung von Güterbündeln
Anbieter 1
Anbieter 2
Anbieter 3
Anbieter 4
Anbieter 5
Hotel MietwagenFlug
240 EUR
130 EUR
220 EUR
380 EUR
360 EUR
Kostenminimale Kombination
Kosten=460
Mietwagen HotelFlug
Das Projekt „Dynamische Bepreisung von Güterbündeln“ entwickelt Werkzeuge zur automatischen kostenminimalen Beschaffung von Komponenten auf verschieden Märkten auf Basis kombinatorischer Auktionen. Die Werkzeuge dienen etwa Logistikunternehmen zum web-basierten Sourcing von Transportkapazitäten für von ihnen angebotenen Dienstleistungen. Ähnlich können z. B. Internet Service Provider für Sonderverkäufe zusätzlich zu ihrer Infrastruktur notwendige kostenminimale Rechnerkapazitäten und Bandbreite automatisch beschaffen.
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Bereitstellung von Informationsdienstleistungen
und Produkten (IDIP)
• Annahmen:
Produktionsfaktoren für die Bereitstellung von IDIP in B2B und B2C Märkten, z.B. web-basierte Videokonferenzen, Video-on-Demand-Anwendungen, Portfolio Analyse – Rechenleistung– Volatiler Speicher– Nicht-volatiler Speicher– Netzwerkbandbreite
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
• Allokationsproblem: Gewinnoptimale Zuweisung von bepreisten
Ressourcen
• Mögliche Allokationsmechanismen: – Reinforcement Learning Scheduling Mechanismen
(Schwind & Wendt 2002) – Kombinatorische Auktionen (Rassenti et al. 1982)
Bereitstellung von Informationsdienstleistungen
und Produkten (IDIP)
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Eigenschaften kombinatorischer Auktionen• Kombinatorische Auktionen (CAs) sind Auktionen, die es Bietern erlauben für ganze Güterbündel zu bieten.
(Weighted Set Packing Problem)• Dabei ist es notwendig die Wertabhängigkeit eines Gutes für den Bieter in Abhängigkeit von der Verfügbarkeit anderer benötigter Güter auszudrücken.
Synergieeffekte Subadditivität: v(A) + v(B) < v(A+B) Substitutionalität Grenzfall: V(A+B)= max [V(A), V(B)] Superadditivität: v(A) + v(B) > v(A+B) Komplementarität Grenzfall: V(A)=V(B)=0, aber V(A+B)>0
Grundlagen kombinatorischer Auktionen
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Schwierigkeiten:
• Formulierung von Geboten die alle Synergieeffekte enthalten ist sehr schwierig
• Optimale Allokation der Gebote ist NP-vollständig
• Offenbarung der wahren Zahlungsbereitschaft
Lösung des kombinatorischen Allokationsproblems
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
• Produktionsfaktoren: r1 … rS
• Belegungsplan besteht aus gleichlangen Time-Slots: t1…tN
• Tasks werden als Ressourcenanfragen qi,j(rs,tn) ausgestattet mit einer Zahlungsbereitschaft pi,j formuliert.• Annahme eines Gebots bi,j von Agent i wird durch die Variable xi,j angezeigt.
Optimierungskalkül:),(),(max max
1 1,,
1 1,, ns
I
i
J
jjinsji
I
i
J
jjiji trqxtrqtosubjectxp
IiwherexandNnSswhereJ
jji ,,1,1,,1,,,1
1,
Lösung des kombinatorischen Allokationsproblems
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
• Gebot bi,j wird als Gebotsmatrix BM(N,S) formuliert.• Jeder Eintrag beschreibt den Betrag qi,j(rs,tn) der benötigten Ressourceneinheiten. • Tasks werden als Agenten ai beschrieben und geben (exklusive) Gebote bi,j ab.• Gebote bestehen aus einer Anzahl von Ressourcenanfragen (statische Nachfrage) und einer als Preis bezeichneten Zahlungsbereitschaft.Arten von Ressourcenanfragen: • Unstrukturierte Gebote• Substrukturierte Gebote• Strukturierte Gebote
Preisgesteuertes Ressourcenallokationsszenario
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
r1
r4
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
4
t =Time-Slots
2 3
3 1 2
5
1
1
3 2 2 5
1
3
5
1
5 2
2
1
3
4
5 2
2
2
3
2
1
1
5 2
3
2
1 3
2
2
1
3
1
1 53 1
4
2 1
4 2
s
5
r1
r4
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
3 3 3
4 4 4 4
4 1 1 1 155
33
4
5
4
2
5
2 2
4 4
2
1
3
1
1
2
1 1
1
1
2
1 5
3
5
Un
stru
ktu
rier
t
Su
bstr
uktu
rie
rt
r1
r4
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
3 3 3
4 4 4
1 1 1
3
155
3 3 2
4
14
5
4
5
4 4
2
1
2
1 1
2
4
5
1
2
1
2
Str
uktu
rie
rt
4 Ressourcen-24 Perioden-Problem
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Greedy Algorithmus für Kombinatorische Auktionen
1. i=0 : ZählerBacc : Leere Menge der akzeptierten Geboterg : Geordnete Gebotsliste (z. Bsp. nach pi,j / qovl
i,j Quotient)
2. v : Index des i-ten Gebotes der Permutation rg
av : Bieter von v
3. Wenn Bacc ein Gebot aus av enthält, gehe zu Schritt 4.
4. Wenn das Einfügen von Gebot v in Bacc die Ressourcenbeladungs- Restriktion verletzt, gehe zu Schritt 4.
5. Füge Gebot v in Bacc ein.
6. Stopp, wenn i > l.
7. Erhöhe Zähler i um 1 und Gehe zu Schritt 2.
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Simulated Annealing Combinatorial Auction Algorithm
1
Simulated Annealing CA-Algorithmus (SA-CAA) • Problem: Anfangstemperatur und Abkühlungsrate sind entscheidend für die Simulated Annealing (SA) Performance• Anfangstemperatur: 80% der Austauschoperationen akzeptieren eine Verschlechterung der Fitnessfunktion:
• Temperatur wird alle 100 Schritte mit einem Abkühlungsfaktor von 0.99 gesenkt.
8.0exp1
1
kT
E
Ni
N
imeaniEkT )(5
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
1. Initialisiere mit Random Walk
2. Wahrscheinlichkeit (WS) eines Gebotstausches: 0.5WS, dass ein Gebot hinzugefügt wird: 0,25
3. Wenn die neue Lösung die Ressourcenbeladungs-Restriktion nicht verletzt und [der Gewinn des Auktionators zunimmt ODER random(0,1) ≤ Pacc(Δ E) ] Operation ausführen
4. Wende den Abkühlungsplan an, bis das Stopp-Kriterium erreicht ist.
Simulated Annealing Combinatorial Auction Algorithm
2
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
SA-CAA Fitness für unstrukturierte Gebote
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Genetic Combinatorial Auction Algorithm 1
Random Key (RK) Encoding:
• Verwendung von realwertigen Zufallszahlen zur Kodierung der Lösungen
• Länge der Schlüssel gleicht der an den Auktionator gesendeten Anzahl von Geboten (z.B., 4 Schlüssel für 4 Gebote: [0.73; 0.32; 0.54; 0.07])
• Gebote werde nach ihren Realwerten sortiert (in obigem Beispiel: [1 3 2 4])
• Zu Ermittlung der Fitness eines RK-Individuums, werden die Gebote nach dieser Reihenfolge in Bacc eingeordnet.(Dabei limitiert natürlich die maximale Ressourcenauslastung die Anzahl eingefügten Gebote.)
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Genetic Combinatorial Auction Algorithm 2
1. Initialisiere erste Generation mit Zufallsschlüsseln.
2. Tournament-Selektion in nächster Generation.
3. Two-Point-Crossover zwischen zufällig ausgesuchten Paaren.
4. Mutation: Ersetze Wert in Schlüssel mit WS 1%
5. Bewertung der Fitness analog zu Greedy-Schema (aber entsprechend der zufälligen Schlüsselfolge)
6. Weiter mit Schritt 2 bis Stopp-Kriterium erreicht ist.
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
GA-CAA Fitness für unstrukturierte Gebote
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
structured unstructured
Performanceüberblick: Erlös des Auktionators vs. Anzahl der
Agenten
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Versuchsanordnung:• 50 Simulationsläufe (Auktionen)• AM: qmax = 8, S = 4, N = 24• BM: qbmax = 3, J = 4 (jeder Agent gibt 4 XOR Gebote ab) • bid price range: pmin = 1, pmin = 3, ptso = 0,33Ergebnisse:• SG-CAA: niedrigste Performance, schneller Algorithmus• SA-CAA: übertrifft den SA-CAA um 20% für alle Problem-
instanzen, strukturierte Gebote erhöhen die Gesamtperformance, Rechenzeit erhöht sichum Faktor 10.000 verglichen mit SG-CAA.
• GA-CAA: leichter Anstieg der Lösungsqualität, weiterer Anstieg der Rechenzeit
Versuchsanordnung und Ergebnisse
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Ausblick and Referenzen
Ausblick:• Einbringen und Evaluieren von alternativen Lösungs- ansätzen: B&B, exakt
Referenzen:• http://www.combinatorial-auction.de• http://www.dynamic-pricing.org• Schwind, Michael; Stockheim, Tim; Rothlauf, Franz Optimization Heuristics for the Combinatorial Auction Problem In: Proceedings of the Congress on Evolutionary Computation (CEC 2003), pp. 1588-1595; Canberra, Australia
Entscheidungsunterstützungssysteme IWI Frankfurt 2004
Literatur (u.a.)
Lehman, Daniel et al. „Truth Revelation in Approximately Efficient Combinatorial Auctions“, 1999
MacKie-Mason, Jeffrey K.; Varian, Hal: „Generalized Vickrey Auctions“, 1994
Nisan, Noam: „Bidding and Allocation in Combinatorial Auctions“, 1999
Varian, Hal: „Economic Mechanism Design for Computerized Agents“, 2000
de Vries, Sven; Vohra, Rakesh: „Combinatorial Auctions: A Survey“, 2001http://www.is-frankfurt.de/ldb