Próba modelowania cen końcowych w aukcjach internetowych

Łukasz Zakonnik

Próba modelowania cen końcowych

w aukcjach internetowych

Ekonomiczne Problemy Usług nr 122, 401-409

2016

DOI: 10.18276/epu.2016.122-38 | strony: 403-411

ŁUKASZ ZAKONNIK

U n i w e r s y t e t Ł ó d z k i 1

PRÓBA MODELOWANIA CEN KOŃCOWYCH W AUKCJACH INTERNETOWYCH

Streszczenie W p r e z e n t o w a n y m a r t y k u le a u t o r p o d e jm u je p r ó b ę m o d e l o w a n i a c e n k o ń c o w y c h w a u k c ja c h in te r n e to w y c h . P r ó b a t a p o d e jm o w a n a j e s t n a p o d s t a w i e a n a li z w ie lu z a ­ k o ń c z o n y c h a u k c ji, a d a n e p o c h o d z ą z j e d n e g o z n a jw ię k s z y c h p o l s k i c h p o r t a l i a u k c y j ­ n y c h . W a r t y k u le a u t o r p r z e d s ta w ia m o d e l, k tó r y w ią ż e c e n ę k o ń c o w ą d o b r a z ta k i m i p a r a m e tr a m i, j a k li c z b a li c y tu j ą c y c h , c z a s s k ł a d a n ia o f e r t i w y s o k o ś ć m a k s y m a ln e j o f e r ty n a o k r e ś lo n ą c h w ilę w c z a s ie . Słowa kluczowe: h a n d e l e le k tr o n ic z n y , a u k c je in te r n e to w e , c e n y d ó b r. Wprowadzenie J e d n ą z b a r d z i e j z n a n y c h f o r m h a n d l u e l e k t r o n i c z n e g o j e s t p r z e p r o w a d z a n i e t r a n s a k c j i w r a m a c h s z e r o k o r o z u m i a n y c h a u k c j i i n t e r n e t o w y c h . S f o r m u ł o w a n i e „ s z e r o k o r o z u m i a n y c h ” w y n i k a z f a k t u , ż e i s t n i e j e b a r d z o w i e l e r o d z a j ó w a u k c ji , k t ó r e n i e t y l k o r ó ż n i ą s i ę f o r m ą i c h p r z e p r o w a d z e n i a , a l e i u k i e r u n k o w a n i e m n a k o n k r e t n y t y p u c z e s t n i k ó w ( G r e g o r i S t a w i s z y ń s k i 2 0 0 2 , s. 1 1 6 - 1 2 9 ) . A u t o r w p r e z e n t o w y m a r t y k u l e z d e c y d o w a ł s i ę w z i ą ć p o d u w a g ę b a r d z o z n a n ą f o r m ę a u k c j i i n t e r n e t o w y c h - t z w . a u k c j ę k l a s y c z n ą ( a n g i e l s k ą ) , g d z i e k u p u j ą c y l i c y t u j ą s i ę w z a j e m n i e a ż d o c h w i l i z a k o ń c z e n i a a u k c j i , a s a m c z a s z a k o ń c z e n i a j e s t z n a n y . S p r z e d a ż d ó b r n a s t ę p u j e z a z w y c z a j m i ę d z y f i r m ą a o s o b ą f i z y c z n ą a lb o m i ę d z y o s o b a m i f i z y c z n y m i - m a m y w i ę c t u d o c z y n i e n i a z r e l a c j a m i B 2 C l u b C 2 C ( O l ­ s z a k i Z i e m b a 2 0 1 1 , s. 2 5 4 - 2 5 5 ) . T e n ty p a u k c j i j e s t c z ę s t o o f e r o w a n y w r a m a c h i

402 Próba modelowania cen końcowych w aukcjach internetowych

takich platform aukcyjnych, jak światowy eBay, czy bardzo popularny - nie tylko na polskim rynku - serwis Allegro.

Celem artykułu stała się próba odnalezienia odpowiedzi na pytanie, czy - a jeśli tak, to w jakim zakresie - istnieje możliwość odpowiednio wczesnego prze­ widywania ceny końcowej licytowanych dóbr.

W związku z powyżej przedstawionym celem przyjęto, że chodzi o dobra, których cena nie jest szeroko znana na rynku (gdyby była znana, to zagadnienie staje się oczywiste, wprost przewidywalne, a sama aukcja bardziej przypomina odroczoną opcję „kup teraz”, czyli formę oferty handlowej w rozumieniu Kodeksu Cywilnego (Kodeks Cywilny 1964, art. 66). Przypadek kiedy wspom niana cena nie jest znana (a przynajmniej łatwa do określenia), sprowadza się do analizy cen za dobra np. kolekcjonerskie, używane, specjalistyczne. Autor założył, że osiągnięcie zamierzonego celu będzie uzależnione od możliwości budowy modelu ekonome- trycznego. W modelu tym cena końcowa licytowanego dobra (traktowana jako zmienna objaśniana) będzie uzależniona od określonych parametrów - takich jak np. cena dobra w określonym czasie mającym upłynąć do końca aukcji, czy liczba licytujących itp. (zmienne objaśniające).

Choć prezentowane w artykule analizy związane z aukcjami internetowymi są w miarę często poruszane w literaturze, niemniej niekoniecznie w takim aspekcie, jak czyni to autor. Często rozważania dotyczyły oceny jakości usług sprzedających (Strzelecki 2008, s. 205-214), samych sprzedających (Morzy i W ierzbicki 2007, s. 103-114), ogólnej oceny handlu bazującego na aukcjach (Strzelecki, Bacewicz i Sciański 2009, s. 459-468), kwestii porównawczych serwisów aukcyjnych (Chmielarz 2006, s. 13-26), czy chociażby wykrywania zachowań niepożądanych (Piasecki, Roczniak, Zygmunt i Koźlak 2007, s. 231-242).

1. Sposób przeprowadzenia badania

W celu zbudowania wspomnianego we wprowadzeniu modelu autor przeana­ lizował jak najszerszą grupę aukcji przeprowadzonych w jednym z najpopularniej­ szych w Polsce serwisów aukcyjnych. Badanie było realizowane w okresie trzech m iesięcy (luty-kwiecień). Dane uzyskiwane w badaniu otrzymywano za pomocą specjalnie zbudowanej do tego celu aplikacji, która w sposób możliwie ciągły2 analizowała kończące się aukcje. Aplikacja była uruchomiona na stale działającym w sieci Internet komputerze i analizowała kod HTML stron poszczególnych licyto­ wanych dóbr (nie korzystano z API platformy aukcyjnej). Po wspomnianym okresie

2 W rzeczy w isto ści ap lik acja czasam i m u siała b y ć w y łą c z a n a w cela ch k o n serw acy jn y ch - ty m sam y m n ie zeb ran o in fo rm acji o w szy stk ich au k cja ch , k tó re b y ły p rzep ro w ad zan e w ty m okresie.

trzech miesięcy zebrano informacje o paruset tysiącach aukcji. Niemniej, ze wzglę­ du na przedstawiane ju ż wcześniej założenia, odrzucono aukcje, w których nie pa­ dła żadna oferta (czyli zakończyły się bez sprzedaży dobra), aukcje zakończone zakupem, ale tylko z jedną złożoną ofertą, ewentualnie wspominane ju ż oferty k u ­ pione poprzez opcję „kup teraz” . Podsumowując - pod uwagę wzięto aukcje, w których złożono przynajmniej dwie oferty kupna (aukcja rekordowa zgromadziła 52 licytujących) - tym samym do ostatecznej analizy wzięto pod uwagę 12 722 aukcje z wszystkich możliwych kategorii licytowanych dóbr.

W śród zgromadzonych danych m ożna było odnaleźć następujące inform acje* i * 3: podmiot (jego nazwa) wystawiający dane dobro do sprzedaży, data końca licytacji, kategoria, w której było wystawione dobro, historia licytacji (kto licytował - jego nazwa i poziom zaufania4, wysokość oferty w licytacji5, moment złożenia oferty). Należy w tym miejscu zwrócić uwagę, że do celów przedstawianej później w arty­ kule analizy musiano pierwotne dane często przekształcać, aby uzyskać interesujące parametry. I tak np. na podstawie historii licytacji m ożna było odtworzyć cenę da­ nego dobra na np. 1 godzinę, 12 godzin (lub więcej) przed końcem licytacji. Po­ dobnie m ożna było uzyskać informację o tym, jak a grupa osób licytowała towar (czy osoby doświadczone, mające np. powyżej 250 komentarzy pozytywnych, czy początkujące, mające mniej niż 50 pozytywnych kom entarzy6). W związku z po­ wyższymi uwagami konieczne było oprogramowanie specjalnego algorytmu, który dane takie automatycznie wyliczał dla wspomnianych wielu tysięcy aukcji.

2. Próba konstrukcji modelu

Jako że celem artykułu jest odnalezienie pewnej formuły, mogącej dawać szansę na przewidywanie ceny końcowej uzyskiwanej w konkretnej aukcji, Autor - jak ju ż wspomniano - postanowił skonstruować model ekonometryczny. Model ten oparto na wykorzystaniu metody regresji liniowej (starano się uwzględnić wszyst­ kie obostrzenia związane z możliwością stosowania powyższej metody (Welfe

3 O czy w iście w iad o m o , że w k la sy czn y m m o d elu g o sp o d arsk i skoncen tro w an ej n a w ie­ dzy ro z ró ż n ia się p o ję c ie danej i in fo rm acji (p iram id a w ied zy - p orów naj B ereziń sk i, H o łu b iec i W ag n er 2 0 0 9 , s. 5 -1 7 ). N iem n iej w a rty k u le ty m p o ję c ia te są sto so w an e zam iennie.

4 P o z io m z a u fa n ia - ro zu m ian y w ty m arty k u le ja k o lic z b a u zy sk an y ch do tej p o ry p o z y ­ ty w n y ch k o m en tarzy (a w łaściw ie ró ż n ic a m ięd zy u z y sk an y m i p o zy ty w n y m i a n eg aty w n y m i k om entarzam i).

5 W ty m m ie js c u p o jaw ił się p e w ie n pro b lem . C zęsto p o p rzez o fero w an ą cen ę ro zu m ie się m ak sy m aln ą cenę, z a ja k ą o so b a ch cia łab y n ab y ć dobro. Jed n ak u w a g a ta n ie do ty czy osoby, k tó ra w y g ry w a ła licy tację - w je j p rz y p ad k u b y ła to c en a p rz e w y ższająca cen ę o statn ieg o o feren ­ ta (ew en tu aln ie p lu s p ostąp ien ie).

6 W y k o rzy stan o sy stem k o m en tarzy o p arty n a z a sa d a c h p latfo rm y au k cy jn ej, z której u zy sk iw an o in fo rm ac je do badania.

404 Próba modelowania cen końcowych w aukcjach internetowych

1998, s. 27-30)). Modele zbudowano przy użyciu oprogramowania IBM SPSS Statistics w wersji 22 (Żądło i W ywiał 2008). Przedstawiane poniżej wyniki (m.in. odpowiednie statystyki) zostały - ze względu na ograniczone ramy tego artykułu - sprowadzone do odpowiedniego minimum.

3. Model początkowy

Pierwszy zbudowany model zakładał uzależnienie ceny końcowej od ceny, jaką dane dobro miało na określony czas przed zakończeniem aukcji. Oczywisty jest fakt, że im bliżej do zakończenia aukcji, tym bieżąca cena zbliża się do ceny końcowej. W związku z powyższym analizie poddano model, gdzie zmienną objaśnianą m a być cena końcowa, a objaśniającą cena na 1 godzinę przed końcem aukcji. Dodatkowo - m.in. w celu wyeliminowania obserwacji nietypowych - ograniczono cenę końcową do 150 zł. Przyjęcie powyższej zasady opiera się na wnioskach uzyskanych w innych badaniach autora (Zakonnik i Czerwonka 2015). Wynika z nich, że w wielu przypadkach do ostatniej godziny licytacji składano 75% wszystkich ofert zakupu. Dodatkowo ponad 85% aukcji kończyło się w cenie do 150 zł (patrz rysunek 1). Zre­ zygnowano także z analizy aukcji, w których cena kończyła się na 1 zł - sytuacja taka sugerowała, że właściwie licytacja się nie toczyła.

R y s. 1. L ic z b a a u k c ji („ o ś Y ” ) w z a le ż n o ś c i o d o s ią g n ię te j c e n y k o ń c o w e j („ o ś X ”) Ź ró d ło : (Z a k o n n ik i C z e rw o n k a 2 0 1 5 ).

W efekcie końcowym uzyskano następujące równanie (pominięto informacje o czynniku losowym):

c e n a K = 12,241 + 0.966*cena1H. gdzie:

cenaK - cena końcowa uzyskana w aukcji;

cen alH - cena dobra na 1 godzinę przed końcem licytacji. Ocena modelu znajduje się w tabeli 1.

Tabela 1 Model początkowy - podsumowanie i współczynniki

R R2 Anova -Istotność Współczynniki niestan- daryzowane Model B Błąd stan­ dardowy Istotność ,821 ,674 ,000 (Stała) 12,241 ,239 ,000 cenalH ,966 ,006 ,000

Źródło: opracowanie własne na podstawie pakietu IBM SPSS Statistics.

Z oceny modelu zamieszczonego w tabeli 1 widać, że model lepiej opisuje rzeczywistość niż średnia (kolumna Anova - Istotność). Co więcej, widać, że zmienna objaśniająca jest istotna dla modelu (kolumna Istotność). W idać także, że 67,4% zmian w zmiennej objaśnianej wyjaśnione jest przez zmienną objaśniającą. W artość powyższa mówi nam o znaczącej zależności (Ostasiewicz, Rusnak i Sie­ dlecka 1997, s. 276) ceny końcowej (cenaK) od ceny na 1 godzinę przed końcem aukcji (cena1H). Nieprzedstawiany w tym miejscu wykres rozrzutu reszt standary­ zowanych wskazuje jednak na przeszacowywanie zmiennej objaśniającej wraz ze wzrostem ceny końcowej. Inne analizy - co było do przewidzenia - jasno wskazują, że je śli do modelu wstawiamy zmienną mówiącą o wcześniejszej uzyskiwanej cenie przed końcem aukcji (odpowiednio na 12 godzin, czy na 24 godziny przed końcem licytacji), tym dokładność modelu zaczyna maleć (współczynniki R2 otrzymują kolejno wartości 0,472 oraz 0,409). Biorąc pod uwagę wspomniane spostrzeżenia (o malejącej dokładności modelu względem odleglejszego punktu w czasie), autor starał się znaleźć model „lepszy”, dołączając dodatkowe zmienne objaśniające - ale wciąż na 1 godzinę przed końcem licytacji.

406 Próba modelowania cen końcowych w aukcjach internetowych 4 . Model końcowy O s t a t e c z n i e m o d e l e m n a j l e p i e j o d z w i e r c i e d l a j ą c y m r z e c z y w i s t o ś ć ( n a p o d ­ s t a w i e p o s i a d a n y c h d a n y c h ) o k a z a ł s i ę m o d e l o p i s y w a n y n a s t ę p u j ą c y m r ó w n a n i e m ( p o m i n i ę t o i n f o r m a c j e o c z y n n i k u lo s o w y m ) : c e n a K = 9 , 4 2 8 + 0 . 9 2 9 * c e n a 1 H + 1 .6 6 6 * i l o s c L i c y t 1 H - 7 . 5 9 4 E - 6 * p i e r w s z a L i c y t . g d z i e : c e n a K - c e n a k o ń c o w a u z y s k a n a w a u k c j i ; c e n a l H - c e n a d o b r a n a 1 g o d z i n ę p r z e d k o ń c e m l i c y t a c j i ; i l o s c L i c y t l H - i l o ś ć o s ó b l i c y t u j ą c y c h d o b r o n a 1 g o d z i n ę p r z e d k o ń c e m l i c y t a c j i ; p i e r w s z a L i c y t - c z a s ( w s e k u n d a c h ) , k i e d y z o s t a ł a z ł o ż o n a p i e r w s z a l i c y t a c j a w a u k c j i ( l i c z ą c d o k o ń c a a u k c ji ) . O c e n a m o d e l u z n a j d u j e s i ę w t a b e l i 2 . T a b e la 2 M o d e l k o ń c o w y - p o d s u m o w a n ie i w s p ó łc z y n n ik i R R 2 A n o v a - I s t o t ­ n o ś ć ,8 3 0 ,6 9 0 ,0 0 0 W s p ó ł c z y n n i k i n i e - s t a n d a r y z o w a n e W s p ó ł c z y n n i k i s t a n d a r y z o w a n e S ta w s p ó ł t y s t y k i i n i o w o ś c i M o d e l B B ł ą d s t a n ­ d a r d o ­ w y B e t a I s t o t n o ś ć T o l e ­ r a n ­ c j a V I F ( S t a ł a ) 9 ,4 2 8 .3 2 2 ,0 0 0 c e n a 1 H , 9 2 9 . 0 0 7 ,7 8 9 ,0 0 0 .8 3 2 1 ,2 0 2 i l o s c L i c y t 1 H 1 ,6 6 6 .0 7 1 ,1 4 9 ,0 0 0 .6 9 8 1 ,4 3 2 p i e r w s z a L i c y t - 7 , 5 9 4 E - 6 .0 0 0 - ,0 7 3 ,0 0 0 .7 2 3 1 ,3 8 2

Z tabeli 2 widać, że wciąż (i to w zdecydowany sposób) najistotniejszym pa­ rametrem wpływającym na zmienną objaśnianą jest cena na 1 godzinę (cenalH ) przed końcem licytacji (najwyższa wartość w kolumnie Współczynnik standaryzo­ wany Beta). Blisko pięciokrotnie mniejsze znaczenie (ale jak widać z kolumny Istotność, wciąż warte odnotowania) m a liczba złożonych ofert w licytacji na 1 godzinę przed jej końcem (iloscLicytlH). Najm niejsze znaczenie (właściwie o połowę mniejsze niż w przypadku poprzedniego parametru) m a czas, w którym została złożona pierw sza oferta zakupu (pierwszaLicyt). Należy także dodać, że bardzo niska wartość występująca w modelu przy zmiennej dotyczącej czasu pierw ­ szej licytacji (pierwszaLicyt) związana jest z faktem, że czas ten podawano w se­ kundach. W przypadku każdego z trzech parametrów nie stwierdzono znaczącej współliniowości (kolumny Tolerancja oraz VIF).

Otrzymany model w lepszy sposób odzwierciedla zależność końcowej ceny w aukcji od różnych czynników. Świadczy o tym większy (niż w przypadku po­ przedniego modelu) współczynnik R2 (wynoszący 0,69). Dodatkowo, także wykres rozrzutu reszt standaryzowanych wskazuje na lepsze dopasowanie - choć wciąż mamy do czynienia z niewielkim przeszacowaniem zmiennej objaśniającej wraz ze wzrostem ceny.

Podsumowanie

Podsumowując przedstawione rozważania i analizy, m ożna byłoby uznać, że postawiony w artykule cel został zrealizowany. W opracowaniu przedstawiono model, który w zadowalający sposób (stwierdzając w oparciu o wysoką wartość współczynnika R 2) stara się powiązać cenę końcową licytowanego dobra z konkret­ ną grupą zmiennych objaśniających. Niemniej oczywistym problemem jest fakt, że przedstawiona analiza wykonana została w oparciu o dane zbierane na bardzo krót­ ki czas przed końcem aukcji (1 godzina). Dokonywanie analiz w oparciu o inne punkty w czasie (bardziej oddalone od chwili końca aukcji) daje - przynajmniej w przypadku użycia metody regresji liniowej - dość niesatysfakcjonujące wyniki (czasami stwierdzano wprost brak istotności parametrów dla ceny końcowej). Roz­ wiązaniem powyższych problemów - i celem kolejnych badań - może się stać albo dobór innej metody, albo wyszukiwanie i grupowanie aukcji podobnych do siebie (np. w konkretnej kategorii)7.

7 O czy w iście stw ierd zen ia te z w iązan e są z m o żliw y m i do u zy sk an ia in fo rm acjam i w r a ­ m a c h to czą cy ch się au k cji w Intern ecie. In n e in fo rm acje m o ż n a uzy sk ać ch o ciażb y w d ro d ze b ezp o śred n ieg o b a d a n ia u czestn ik ó w aukcji, co je d n a k w iąże się z n iep o ró w n y w aln ie w ięk szy m i k o sztam i realizacji b a d a n ia (i to b ez g w aran cji u zy sk an ia saty sfak cjo n u jący ch w yników ).

408 Próba modelowania cen końcowych w aukcjach internetowych

Literatura

1. B e r e z i ń s k i M ., H o łu b ie c J ., W a g n e r D . ( 2 0 0 9 ) , H ierarchiczna struktura p o zn a n ia - p ira m id a w ied zy, w : „ S tu d i a i M a t e r ia ły ” , n r 19 (s. 5 - 1 7 ) , B y d g o s z c z : P S Z W .

2 . C h m i e la r z W . ( 2 0 0 6 ) , P ró b a an a lizy p o ró w n a w czej serw isów aukcji internetow ych w P o lsc e, w : W spółczesne tren d y w inform atyce eko n o m iczn ej, s. 1 3 - 2 6 , W a r s z a ­ w a : R o c z n ik i K A E n r 1 6, S G H .

3. G r e g o r B ., S ta w is z y ń s k i M . ( 2 0 0 2 ) , e-C om m erce, B y d g o s z c z : B r a n ta .

4 . K o d e k s C y w iln y ( 1 9 6 4 ) , U s ta w a z d n ia 2 3 k w i e t n i a 1 9 6 4 r. - K o d e k s c y w iln y , D z U 1 9 6 4 , n r 1 6, p o z . 9 3 .

5. M o r z y M ., W ie r z b ic k i A . ( 2 0 0 7 ) , E ksp lo ra cja aukcji internetow ych w p o szu k iw a ­ niu p o zy ty w n e j i n eg a tyw n ej reputacji sp rzed a w có w, w : Technologie p rze tw a rza ­ n ia d a n ych, r e d . T . M o r z y , M . G o r a w s k i, R . W r e m b e l, s. 1 0 3 - 1 1 4 ) , P o z n a ń : W P P .

6. O ls z a k C ., Z ie m b a E . ( 2 0 1 1 ) , R o zw ó j e-A dm inistracji. R o d za je i p o zio m y dojrzało­ ści e-U slug p u b liczn ych , w : Z e s z y ty N a u k o w e U n iw e r s y t e tu S z c z e c iń s k ie g o n r 6 5 1 , E k o n o m i c z n e P r o b l e m y U s łu g n r 6 8 , s. 2 5 4 - 2 6 5 , S z c z e c in : W y d a w n ic t w o U n iw e r s y t e tu S z c z e c iń s k ie g o .

7. O s ta s ie w ic z S ., R u s n a k Z ., S ie d l e c k a U . ( 1 9 9 7 ) , S ta ty sty k a, W r o c ła w : W y d a w n ic ­

tw o A E .

8. P ia s e c k i J ., R o c z n ia k R ., Z y g m u n t A ., K o ź la k J. ( 2 0 0 7 ) , A n a liza w zorców n ie le ­ g a ln ych zachow ań w aukcjach in ternetow ych, w : T echnologie p rzetw a rza n ia da ­ n y c h, re d . T . M o r z y , M . G o r a w s k i, R . W r e m b e l, s. 2 3 1 - 2 4 2 ) , P o z n a ń : W P P .

9. S tr z e le c k i A . ( 2 0 0 8 ) , Transakcje n a aukcjach internetow ych źródłem w ied zy o ja k o ś c i u słu g sp rzed a w cy, w : B a zy danych: R o zw ó j m e to d i tech n o lo g ii, re d .

S. K o z ie ls k i, s. 2 0 5 - 2 1 4 , W a r s z a w a : W K Ł .

10. S tr z e le c k i A ., B a c e w i c z T ., S c ia ń s k i M . ( 2 0 0 9 ) , R o b o t siecio w y w eksploracji internetow ego system u aukcyjnego i ocena handlu C 2 C w P o lsc e, w : K o m p u tero ­ w o zintegrow ane za rzą d za n ie, r e d . R . K n o s o la , s. 4 5 9 - 4 6 8 , O p o le : P T Z P .

11. W e lf e A . ( 1 9 9 8 ) , E k o n o m etria, W a r s z a w a : P W E .

12. Z a k o n n ik Ł ., C z e r w o n k a P . ( 2 0 1 5 ) , A n a liza w ybranych zachow ań użytkow ników aukcji in ternetow ych, w : P rzedsiębiorczość i za rzą d za n ie, t. X V I , Z e s z y t 9 , c z ę ś ć

II , Ł ó d ź : P iZ (w d r u k u ) .

13. Ż ą d ło T ., W y w ia ł J. ( 2 0 0 8 ) , P rognozow anie szeregów czasow ych za p o m o c ą p a ­ kietu S P S S, K r a k ó w : S P S S P o ls k a .

AN ATTEMPT OF MODELING PRICES ON ONLINE AUCTIONS Summary I n th i s a r t ic l e th e a u t h o r is tr y in g to m o d e l th e f i n a l p r i c e o n o n lin e a u c tio n s . T h is a tt e m p t i s t a k e n o n th e b a s i s o f a la r g e q u a n ti ty o f c o m p l e te d a u c tio n . T h e d a ta c o m e f r o m o n e o f th e b i g g e s t P o l i s h o n lin e a u c ti o n p o r ta l. I n th e a r t ic l e th e a u th o r p r e s e n ts th e m o d e l t h a t c o m p i le s th e f i n a l p r i c e o f th e g o o d w i t h t h e s e t o f p a r a m e te r s s u c h a s th e n u m b e r o f b i d d e r s , tim e o f th e b i d s a n d th e a m o u n t o f b i d s f o r a s p e c i f ic m o m e n t in tim e . Keywords: e le c tr o n ic c o m m e r c e , o n lin e a u c ti o n s , p r i c e s o f g o o d s . T ranslated b y L u ka sz Z a ko n n ik