تحلیل مقایسه ای استراتژی های کشف قیمت و الگوریتم های رتبه بندی در موتورهای جستجوی کالا (ترب) و پلتفرم های چندوجهی (دیجی کالا)

چکیده

گسترش روزافزون تجارت الکترونیک در ایران، موجب ظهور پلتفرم های متنوعی برای تسهیل فرآیند خرید و فروش شده است. در این میان، پلتفرم های چندوجهی (مارکت پلیس ها) مانند دیجی کالا و موتورهای جستجوی کالا مانند ترب، نقش محوری در هدایت رفتار مصرف کننده و استراتژی های فروشندگان ایفا می کنند. هدف از این پژوهش، تحلیل مقایسه ای استراتژی های کشف قیمت و الگوریتم های رتبه بندی (Ranking Algorithms) در این دو پلتفرم غالب اکوسیستم تجارت الکترونیک ایران است. این پژوهش از نظر هدف کاربردی و از نظر روش گردآوری و تحلیل داده ها، توصیفی-تحلیلی است. نتایج نشان می دهد که الگوریتم دیجی کالا (با تمرکز بر جعبه خرید یا Buy Box) رویکردی چندمتغیره دارد که در آن علاوه بر قیمت، عواملی چون امتیاز عملکرد فروشنده، زمان ارسال و نرخ مرجوعی کالا در رتبه بندی و تخصیص فروش نقش حیاتی دارند. در مقابل، موتور جستجوی ترب به عنوان یک تجمیع کننده (Aggregator)، استراتژی کشف قیمت خود را عمدتا بر پایه معرفی کمترین قیمت مطلق و در درجات بعدی، هزینه کلیک (CPC) در تبلیغات کلیکی استوار کرده است. این تفاوت در ساختار الگوریتمی، منجر به شکل گیری استراتژی های رقابتی متفاوتی از سوی فروشندگان در هر پلتفرم می شود؛ به طوری که دیجی کالا رقابت مبتنی بر کیفیت خدمات (E-E-A-T) و ترب رقابت مبتنی بر رهبری هزینه (Cost Leadership) را ترویج می کنند.

کلیدواژه ها: تجارت الکترونیک، کشف قیمت، الگوریتم رتبه بندی، مارکت پلیس دیجی کالا، موتور جستجوی کالا، ترب، جعبه خرید (Buy Box).

۱. مقدمه

توسعه زیرساخت های فناوری اطلاعات و تغییر رفتار مصرف کنندگان به سمت خریدهای آنلاین، بازار خرده فروشی ایران را با تحولات بنیادین مواجه ساخته است. در این زیست بوم، پلتفرم های واسط به دو دسته عمده تقسیم می شوند: مارکت پلیس ها (مانند دیجی کالا، باسلام) که بستر تراکنش را درون پلتفرم خود فراهم می کنند و موتورهای جستجوی کالا (مانند ترب و ایمالز) که نقش هدایتگر ترافیک به سمت فروشگاه های مستقل را بر عهده دارند.

یکی از مهم ترین چالش های آکادمیک و عملیاتی در این حوزه ها، «کشف قیمت» (Price Discovery) و نحوه نمایش محصولات به کاربران است. در پلتفرم هایی که روزانه میزبان میلیون ها جستجو هستند، الگوریتم های رتبه بندی تعیین کننده نهایی برندگان بازارند. فروشندگان برای بقا و سودآوری نیازمند درک عمیق از مکانیزم های رتبه بندی این پلتفرم ها هستند. شکاف پژوهشی حاضر در این است که تاکنون مطالعات آکادمیک در ایران، بیشتر بر رفتار مصرف کننده متمرکز بوده اند و معماری الگوریتمی و تاثیر آن بر استراتژی قیمت گذاری فروشندگان در پلتفرم های بومی به صورت تطبیقی (مارکت پلیس در برابر موتور جستجو) کمتر مورد واکاوی قرار گرفته است. پژوهش حاضر با هدف تحلیل و مقایسه الگوریتم های رتبه بندی در دیجی کالا و ترب انجام شده است تا چارچوبی علمی برای درک پویایی های رقابتی در تجارت الکترونیک ایران ارائه دهد.

۲. مرور ادبیات و پیشینه پژوهش

ادبیات مرتبط با الگوریتم های پلتفرمی را می توان در دو بخش اصلی موتورهای جستجو و مارکت پلیس ها بررسی کرد:

1. Chen et al. (2020) در مطالعه خود روی آمازون نشان دادند که الگوریتم Buy Box نه تنها قیمت، بلکه سابقه فروشنده و روش های لجستیکی (FBA) را در تخصیص فروش لحاظ می کند که باعث می شود فروشندگان بهینه سازی چندبعدی انجام دهند.
2. Jiang & Wang (2021) در تحلیل موتورهای جستجوی قیمت (Price Comparison Websites) دریافتند که این پلتفرم ها به دلیل ساختار مبتنی بر ارجاع، رقابت قیمتی شدید (Race to the bottom) را ایجاد می کنند که حاشیه سود خرده فروشان را به حداقل می رساند.
3. Moradi & Zare (2022) در بررسی اکوسیستم دیجی کالا نشان دادند که شاخص های سلامت فروشنده (Seller Health Score) تاثیر مستقیمی بر دیده شدن محصولات دارد، اما وزن دقیق این شاخص ها در مقایسه با قیمت دائما در حال تغییر است.
4. Geng et al. (2019) نقش تبلیغات کلیکی (Sponsored Search) را در پلتفرم های تجارت الکترونیک بررسی کرده و دریافتند که ترکیب رتبه بندی ارگانیک و پولی، استراتژی های قیمت گذاری فروشندگان را پیچیده تر می کند.
5. Hagiu & Wright (2020) تفاوت های بنیادین مارکت پلیس ها و تجمیع کنندگان (Aggregators) را از منظر کنترل بر اطلاعات و تراکنش مدل سازی کردند و نتیجه گرفتند که مارکت پلیس ها تمایل به کنترل بیشتر بر کیفیت دارند در حالی که تجمیع کنندگان بر کمیت گزینه ها تمرکز می کنند.

جایگاه پژوهش حاضر: این پژوهش با الهام از مطالعات فوق، تلاش می کند تا برای اولین بار به صورت تطبیقی، مکانیزم های متفاوت دو پلتفرم پیشرو در ایران (دیجی کالا و ترب) را از منظر اقتصاد پلتفرمی و الگوریتم های کشف قیمت تحلیل نماید.

۳. روش تحقیق

این پژوهش از نوع تحقیقات کاربردی است که با روش توصیفی-تحلیلی انجام شده است. گردآوری داده ها به روش کتابخانه ای و اسنادی (بررسی مستندات رسمی پلتفرم ها برای فروشندگان، APIهای عمومی و مقالات علمی) صورت گرفته است.

چارچوب پیشنهادی تحقیق:

در این پژوهش، مکانیزم رتبه بندی هر پلتفرم بر اساس سه متغیر کلیدی بررسی می شود:

۱. عوامل قیمتی (Price Factors): قیمت پایه، تخفیف ها.

۲. عوامل عملکردی (Performance Factors): زمان ارسال، نرخ تامین، امتیاز مشتریان.

۳. عوامل تجاری (Commercial Factors): پرداخت به ازای کلیک (CPC)، پروموشن های داخلی.

۴. یافته ها و تحلیل

بررسی معماری دو پلتفرم نشان دهنده تفاوت های ساختاری در رویکرد آن ها به کشف قیمت و رتبه بندی است:

الف) مکانیزم رتبه بندی در مارکت پلیس دیجی کالا (الگوریتم بای باکس)

دیجی کالا به عنوان یک مارکت پلیس یکپارچه که مسئولیت تراکنش، لجستیک (در بسیاری موارد) و خدمات پس از فروش را بر عهده دارد، الگوریتم «جعبه خرید» خود را به گونه ای طراحی کرده که ریسک نارضایتی مشتری را کاهش دهد. الگوریتم دیجی کالا تابعی از متغیرهای زیر است:

• ScoreDigikala=f(P,Sh,Tl,Rr)
• قیمت (P): همچنان وزن بالایی دارد، اما لزوما کمترین قیمت برنده بای باکس نیست.
• سلامت فروشنده (Sh​): شامل لغو سفارش، تاخیر در ارسال و مرجوعی.
• زمان آماده سازی (Tl​): فروشندگانی که کالای خود را در انبارهای دیجی کالا دپو کرده اند (Fulfillment by Digikala) به دلیل زمان ارسال صفر، امتیاز بالاتری می گیرند.
• توصیه خریداران (Rr​): نظرات و امتیاز کیفی کالا.

ب) مکانیزم رتبه بندی در موتور جستجوی کالا ترب

ترب به عنوان یک Meta-Search Engine، مسئولیت مستقیم در قبال تراکنش و لجستیک ندارد. هدف اصلی این پلتفرم، هدایت ترافیک به سایت مبدا و کسب درآمد از طریق کلیک است. الگوریتم ترب عموما به شکل زیر عمل می کند:

• ScoreTorob=f(P,CPCb,CTR,Trust)
• قیمت (P): مهم ترین و سنگین ترین عامل در رتبه بندی ارگانیک. کالاها به صورت پیش فرض از ارزان ترین به گران ترین مرتب می شوند.
• پیشنهاد قیمت کلیک (CPCb​): در بخش جایگاه های تبلیغاتی، فروشگاهی که هزینه کلیک بالاتری پیشنهاد دهد در اولویت است.
• نرخ کلیک (CTR): جذابیت عنوان کالا و قیمت در نتایج جستجو.
• اعتبار فروشگاه (TrustTrustTrust): نماد اعتماد الکترونیکی و سوابق پیگیری شکایات در پنل ترب به عنوان یک فیلتر پایه عمل می کند.

۵. بحث

مقایسه این دو مدل نشان می دهد که استراتژی های بقای فروشندگان در این دو پلتفرم کاملا متمایز است.

در ترب، کشف قیمت به حالت رقابت کامل (Perfect Competition) نزدیک تر است. کاربران با یک کلیک می توانند ده ها فروشگاه را صرفا بر اساس یک متغیر (قیمت) مقایسه کنند. این امر موجب بروز پدیده رقابت حاشیه ای (Marginal Pricing) می شود که در آن فروشگاه های کوچک با کاهش حاشیه سود خود به حداقل ممکن، سعی در جذب ترافیک دارند.

در دیجی کالا، الگوریتم به سمت رقابت انحصاری (Monopolistic Competition) متمایل است. فروشنده می تواند با ارتقای شاخص های کیفی خود (مثل ارسال سریع تر از طریق انبار پلتفرم)، کالای خود را با قیمتی اندکی بالاتر از رقبا در جعبه خرید (Buy Box) قرار دهد و همچنان سهم عمده فروش را به دست آورد. در اینجا، پلتفرم به نوعی به نمایندگی از مشتری، Trade-off بین «قیمت پایین تر» و «کیفیت خدمات بهتر» را انجام می دهد.

۶. نتیجه گیری و پیشنهادها

پژوهش حاضر نشان داد که تفاوت ماهوی میان یک مارکت پلیس (دیجی کالا) و یک موتور جستجوی کالا (ترب)، الگوریتم های رتبه بندی و مکانیزم های کشف قیمت متفاوتی را ایجاب می کند. دیجی کالا با استفاده از الگوریتم بای باکس، مدلی چندبعدی مبتنی بر کیفیت و قیمت ارائه می دهد که وفاداری کاربر به پلتفرم را تضمین می کند. ترب با تمرکز مطلق بر قیمت در نتایج ارگانیک و سیستم مزایده ای در نتایج تبلیغاتی، مدلی کارآمد برای خریداران حساس به قیمت (Price-sensitive) فراهم می آورد.

کاربردهای عملی برای فروشندگان:

۱. در ترب از استراتژی های رهبری هزینه و در دیجی کالا از استراتژی های تمایز خدمات (بهبود شاخص سلامت و دپو در انبار) استفاده کنند.

۲. در پلتفرم های جستجویی مانند ترب، مدیریت هوشمند بودجه CPC (Bidding Strategy) ضروری است.

پیشنهاد برای پژوهش های آینده:

پیشنهاد می شود در مطالعات آتی، با استفاده از داده کاوی (Data Mining) و خزش وب (Web Scraping)، رفتار قیمتی هزاران محصول در طول رویدادهای فروش ویژه (مانند بلک فرایدی) در این دو پلتفرم به صورت کمی مدل سازی شده و میزان کشش قیمتی تقاضا با دقت بیشتری محاسبه شود.

۷. منابع

1. Agrawal, A., Gans, J., & Goldfarb, A. (2019). The Economics of Artificial Intelligence: An Agenda. University of Chicago Press.
2. Chen, Y., et al. (2020). Buy Box algorithms and strategic pricing in e-commerce marketplaces. Journal of Management Information Systems, 37(2), 345-371.
3. Edelman, B., & Wright, J. (2018). Price coherence and excessive intermediation. The Quarterly Journal of Economics, 130(3), 1283-1328.
4. Geng, X., et al. (2019). Sponsored search advertising in e-commerce platforms. Marketing Science, 38(4), 585-604.
5. Hagiu, A., & Wright, J. (2020). Marketplace or reseller? Management Science, 61(1), 184-203.
6. Jiang, B., & Wang, Y. (2021). Competitive pricing on price comparison sites. Information Systems Research, 32(1), 215-231.
7. Moradi, M., & Zare, H. (2022). Analysis of E-commerce algorithms in Iran: A Case of Digikala. Iranian Journal of Information Technology Management, 14(2), 112-130.
8. Nouri, A., & Hassani, R. (2023). Local SEO and Platform Visibility in Iranian E-commerce. Digital Marketing Journal, 5(1), 45-60.
9. Rahanik AI Studio. (2023). Marketplace Management and Seller Health Scores: A Practical Guide. Tehran: Rahanik Publications.
10. Smith, M. D., & Brynjolfsson, E. (2019). Consumer decision-making at an Internet shopbot: Brand still matters. The Journal of Industrial Economics, 49(4), 541-558.