大规模定制电子商务的组合策略自动谈判研究

1、大规模定制电子商务的组合策略自动谈判研究基金项目：国家留学基金委项目(201706315032); 国家自然科学基金项目（71671154）；中央高校科研业务费山海基金项目（20720161052）。作者简介：曹慕昆，男，博士，厦门大学管理学院，管理科学系副教授，研究方向：面向电子商务、供应链领域的协同、协调、协商理论与技术，分布式人工智能、多Agent系统理论与技术等。陈崇萍，女，华南师范大学公共管理学院讲师，研究方向：生产运作管理、多Agent系统理论与技术、供应链管理。王刚，男，博士，美国弗吉尼亚理工大学商学院，商务信息技术系副教授，博士生导师，研究方向：Web与社交媒体分析，质量工程，

2、服务质量与计算等。曹慕昆*1，陈崇萍2,王刚3厦门大学管理学院，福建 厦门华南师范大学公共管理学院，广东 广州弗吉尼亚理工大学商学院，弗吉尼亚，美国摘要：通过电子商务，身处异地的消费者可以联合起来购买同一种商品，从而形成大规模订单。大规模定制电子商务既可以满足消费者的个性化需求，又可以减少消费支出。由于地域分散的原因，难以实现传统的线下远距离价格谈判，而基于互联网和Agent技术的自动谈判系统可以满足这一需求。本文提出了电子商务环境下大规模定制的运营模型，将自动谈判理论与技术应用其中，在多属性谈判中运用学习对手的策略，并提出微小让步区间策略，以指导Agent谈判出价。实验证明，这种组合应用不同

3、策略的方法，更加有利于双方达到双赢的局面，提高谈判效率，从而促进定制化电子商务走向实际应用。关键词：大规模定制；自动谈判；Agent；谈判策略；微小区间让步中图分类号：TP1810 引言随着经济的发展和生产技术水平的提高，市场上很多商品生产过剩，找不到买家；而另一方面，消费者获得个性化商品的需求却得不到满足 ADDIN EN.CITE Zeng2015111117Zeng, V.Wang, B.Barnes, MJin, D.China Online Retail Forecast, 2014 to 2019Forrester ResearchForrester Research2015 HY

4、PERLINK l _ENREF_1 o Zeng, 2015 #1 1。大规模定制生产具有定制化与大规模生产的优势，可以很好地解决这个问题，减少生产成本，满足市场需求 ADDIN EN.CITE ADDIN EN.CITE.DATA HYPERLINK l _ENREF_2 o Alford, 2000 #34 2, HYPERLINK 3。伴随着电子商务的飞速发展，大规模定制和电子商务的结合是未来在线商务模式的必然发展趋势 ADDIN EN.CITE ADDIN EN.CITE.DATA HYPERLINK 4-6。电子商务深刻影响着人们的生活，成为全球供应链环境下最重要的商务模式之一 A

5、DDIN EN.CITE 蔡路路2015161471614161417蔡路路华国伟张菊亮基于议价模型的售后服务供应链合作研究系统工程学报系统工程学报225-2303022015 HYPERLINK 7。但是，现有基于固定价格交易和拍卖机制的电子市场并不能满足所有的交易需求 ADDIN EN.CITE Hinz2011988989817Hinz, OliverHann, Il-HornSpann, MartinPrice discrimination in e-commerce? An examination of dynamic pricing in name-your-own price m

6、arketsMIS QuarterlyMIS Quarterly81-9835120110276-7783 HYPERLINK l _ENREF_8 o Hinz, 2011 #98 8。大多数电子商务网站不支持价格谈判，消费者只能被迫接受固定价格和标准化订单。比如，戴尔公司允许消费者在线定制电脑，根据配件不同自动算出价格，但如果客户需要购买多台定制电脑，希望获得更好的价格和服务时，就不得不和销售人员进行人工谈判。人工谈判存在成本高、服务不及时等问题，而且谈判者还会受到自身认知条件的限制，而不能获得理想的谈判结果。一些电子商务网站虽然提供简单谈判支持，但对谈判技术的限制较多。如：C2C网站易趣

7、允许消费者谈判商品价格，但是不能对商品的其它属性（如保质期、交货期等）进行谈判；B2B网站阿里巴巴，尽管提供谈判交流工具，但交流过程和最后的决策都需人工完成，没有实现自动化；购物代理比价网（P）不能根据消费者个性化需求而推荐差异化的特色商品，定制化程度不够。因此，电子商务需要引进先进的谈判技术支持动态化、个性化交易。Agent技术可以并发处理大量信息实现分布式人工智能 HYPERLINK o Liang, 2000 #3 1，同时可以在谈判过程中自主分析对手的谈判行为特征，充分利用自己的信息和资源，弥补人工谈判的不足 ADDIN EN.CITE Adomavicius2009595517Ado

8、mavicius, GediminasGupta, AlokZhdanov, DmitryDesigning intelligent software agents for auctions with limited information feedbackInformation Systems ResearchInformation Systems Research507-52620420091047-7047 HYPERLINK l _ENREF_9 o Adomavicius, 2009 #5 9。本文针对大规模定制需求下的多属性电子商务谈判，运用Agent技术，实现电子商务动态交易，提

9、升交易效率，降低交易成本。1 相关研究背景大规模定制通过高度灵敏、集成与柔性化的生产，快速、低价地满足消费者对个性化商品的需求 ADDIN EN.CITE ADDIN EN.CITE.DATA HYPERLINK l _ENREF_10 o Gilmore, 1996 #3 10-12。目前电子商务环境非常适合产品的大规模定制与销售，特别在O2O模式下，多个消费者以相对优惠的价格定制商品，在网上下单并完成支付，然后到实体店体验消费 ADDIN EN.CITE 经有国201166, 136617经有国但斌张旭梅郭钢MC半结构化客户需求信息表达与处理方法管理科学学报管理科学学报78-8514120

10、11严建援201638383817严建援甄杰谢宗晓董坤祥个性化产品在线定制意愿影响因素研究基于计划行为理论的分析预测预测50-56356502016 HYPERLINK 6, HYPERLINK 13。然而，目前关于大规模定制电子商务的研究，多是停留在理论设计，缺乏具体的实现方案研究 ADDIN EN.CITE 刘春玲2016324323217刘春玲黎继子肖位春曹晓刚李柏勋电子商务环境下基于退货策略的 MC 决策与协调科研管理科研管理141-1513722016 HYPERLINK 4；另外，谈判作为大规模定制电子商务过程的必要支持，尚缺乏相关理论和技术研究。谈判是基于供应链的商务活动的重要组

11、成部分 ADDIN EN.CITE 刘强20121613141613161317刘强苏秦供应链多边谈判中的买方承诺战术系统工程学报系统工程学报243-2472722012 HYPERLINK 14。在现实生活中，消费者和商家不仅仅关注商品的价格，同时也可能关注运送时间、质量等级、售后服务等相关因素，形成所谓的多属性谈 ADDIN EN.CITE Bellantuono20141576151576157617Bellantuono, NicolaEttorre, DonatellaKersten, Gregory EPontrandolfo, PierpaoloMulti-attribute a

12、uction and negotiation for e-procurement of logisticsGroup Decision and NegotiationGroup Decision and Negotiation421-44123320140926-2644 HYPERLINK l _ENREF_15 o Bellantuono, 2014 #1576 15。在Raiffa提出的多属性谈判模型中，每个属性都有自己的取值区间和权重值，每次提议都是各个属性的组合，根据总效用函数计算综合效用来评价提议。这种方法代表了处理多属性谈判问题的通用做法，但是在此模型中没有考虑时间和资源等约束条

13、件。Faratin等在前人研究的基础上加入了基于时间和资源的约束，使每次提议都在这些策略基础上生成反提议 ADDIN EN.CITE Faratin19986016606017Faratin, PeymanSierra, CarlesJennings, Nick RNegotiation decision functions for autonomous agentsRobotics and Autonomous SystemsRobotics and Autonomous Systems159-18224319980921-8890 HYPERLINK l _ENREF_16 o Farat

14、in, 1998 #60 16。事实上，多属性谈判过程涉及两个阶段，首先在各个属性之间进行权衡（trade-off），权衡无效的情况下才进入让步阶段 ADDIN EN.CITE Pan20131117111117Pan, LiLuo, XudongMeng, XiangxuMiao, ChunyanHe, MinghuaGuo, XingchenA TwoStage WinWin Multiattribute Negotiation Model: Optimization and Then ConcessionComputational IntelligenceComputational In

15、telligence577-62629420131467-8640 HYPERLINK l _ENREF_17 o Pan, 2013 #11 17。目前，大多数研究所采取的让步策略主要基于固定谈判策略，但现实当中，谈判者会根据对手的出价实时改变出价策略 ADDIN EN.CITE Lopes20083418343417Lopes, FernandoWooldridge, MichaelNovais, Augusto QNegotiation among autonomous computational agents: principles, analysis and challengesAr

16、tificial Intelligence ReviewArtificial Intelligence Review1-4429120080269-2821 HYPERLINK l _ENREF_18 o Lopes, 2008 #34 18。本文摈弃了传统的固定策略谈判模式，力图设计能组合使用不同策略进行谈判的自适应型Agent。除此之外，本文的多属性谈判模型采用Package Deal谈判方式，Package Deal谈判在谈判中同时考虑所有属性值的可能组合，从中找寻最佳解 ADDIN EN.CITE Fatima2007131913135Fatima, Shaheen SWooldrid

17、ge, MichaelJennings, Nicholas ROn efficient procedures for multi-issue negotiationAgent-Mediated Electronic Commerce. Automated Negotiation and Strategy Design for Electronic Markets31-452007Springer3540725016 HYPERLINK l _ENREF_19 o Fatima, 2007 #13 19。定制电子商务中，作为卖方的商家同大量客户的谈判可以交由自动谈判系统来完成，从而大大提高交易效

18、率和减少交易成本。自动谈判系统是采用软件Agent部分或完全代替人同其它谈判方(Agent或人)谈判，实现了谈判决策的自动化 ADDIN EN.CITE Lin20141420141417Lin, RazKraus, SaritMazliah, YanivTraining with automated agents improves people's behavior in negotiation and coordination tasksDecision Support SystemsDecision Support Systems1-96020140167-9236 HYPER

19、LINK l _ENREF_20 o Lin, 2014 #14 20。自动谈判研究的核心问题是谈判策略的设计。谈判策略主要解决谈判双方如何产生序列行动，使得这些行动的采纳一方面最大化自身效用，同时对手也愿意接受 ADDIN EN.CITE Lopes20083418343417Lopes, FernandoWooldridge, MichaelNovais, Augusto QNegotiation among autonomous computational agents: principles, analysis and challengesArtificial Intelligence

20、 ReviewArtificial Intelligence Review1-4429120080269-2821 HYPERLINK l _ENREF_18 o Lopes, 2008 #34 18。谈判策略的设计方法主要集中在启发式和机器学习两个方面。启发式方法使用固定的让步函数完成谈判让步过程，典型的工作是Faratin等人所设计的时间约束和行为约束策略 ADDIN EN.CITE Faratin19986016606017Faratin, PeymanSierra, CarlesJennings, Nick RNegotiation decision functions for aut

21、onomous agentsRobotics and Autonomous SystemsRobotics and Autonomous Systems159-18224319980921-8890 HYPERLINK l _ENREF_16 o Faratin, 1998 #60 16，以及基于此经典模型的后续工作 ADDIN EN.CITE Ren20141721171717Ren, FenghuiZhang, MinjieBilateral single-issue negotiation model considering nonlinear utility and time cons

22、traintDecision Support SystemsDecision Support Systems29-386020140167-9236 HYPERLINK l _ENREF_21 o Ren, 2014 #17 21。机器学习方法使用人工智能技术预测对手的未来出价、保留价格、谈判属性偏好等。所使用的技术主要有：进化算法（如遗传算法 ADDIN EN.CITE Pan20131117111117Pan, LiLuo, XudongMeng, XiangxuMiao, ChunyanHe, MinghuaGuo, XingchenA TwoStage WinWin Multiattr

23、ibute Negotiation Model: Optimization and Then ConcessionComputational IntelligenceComputational Intelligence577-62629420131467-8640 HYPERLINK l _ENREF_17 o Pan, 2013 #11 17、蚁群算法 ADDIN EN.CITE 高珊20151922191917高珊马良 张惠珍基于人工蜂群算法的电子商务多 Agent 自动谈判模型智能系统学报智能系统学报1-61032015 HYPERLINK 22）、神经网络 ADDIN EN.CITE

24、Masvoula20137123717110Masvoula, MarisaForecasting Negotiation Counterpart's Offers: A Focus on Session-long Learning AgentsProceedings of The Fifth International Conference on Advanced Cognitive Technologies and Applications71-7620131612082734 HYPERLINK l _ENREF_23 o Masvoula, 2013 #71 23、贝叶斯学习

25、 ADDIN EN.CITE Yu2013732473735Yu, ChaoRen, FenghuiZhang, MinjieAn adaptive bilateral negotiation model based on Bayesian learningComplex Automated Negotiations: Theories, Models, and Software Competitions75-932013Springer3642307361 HYPERLINK l _ENREF_24 o Yu, 2013 #73 24、强化学习 ADDIN EN.CITE Monteseri

26、n20131562251562156217Monteserin, ArielAmandi, AnalaA reinforcement learning approach to improve the argument selection effectiveness in argumentation-based negotiationExpert Systems with ApplicationsExpert Systems with Applications2182-218840620130957-4174 HYPERLINK l _ENREF_25 o Monteserin, 2013 #1

27、562 25等。纵观前人的工作，自动谈判策略模型的研究主要是使用单一固定策略，缺乏多种策略的组合的研究，而在现实电子商务环境下，单一策略很难适应复杂动态的谈判环境 ADDIN EN.CITE Cao20152526252517Cao, MukunLuo, XudongLuo, Xin RobertDai, XiaopeiAutomated negotiation for e-commerce decision making: A goal deliberated agent architecture for multi-strategy selectionDecision Support Sy

28、stemsDecision Support Systems1-147320150167-9236 HYPERLINK l _ENREF_26 o Cao, 2015 #25 26。本文针对电子商务环境下的大规模定制问题，采用Agent技术和开发平台，将各种谈判属性按照现实情况离散化，形成有限的属性组合，进而基于经典的时间约束谈判策略，创新地提出学习策略，微小让步策略，将不同的谈判策略组合起来应对动态电子商务环境下的多属性谈判，客观上弥补了单一策略应对复杂谈判情境的不足，从而显著提高整体谈判效率和效益。2大规模定制电子商务谈判模型该模型包括大规模定制电子商务的实现步骤，以及多属性谈判模型，其中多

29、属性谈判模型主要由固定策略，学习策略和微小区间让步谈判策略组成。下面分述之。2.1 大规模定制电子商务实现步骤大规模定制是电子商务发展的必由之路，其中的关键问题是大规模定制和电子商务流程的整合。本文提出的大规模定制电子商务模式主要分为信息收集和多属性谈判两个阶段。在大规模定制信息收集阶段，系统收集各个消费者的需求与偏好。首先，消费者在系统上发起定制商品，提交相关参数；然后，具有相同定制商品需求的消费者提交自己的需求参数，直到形成销售商指定的最低定制量；最后，系统分析消费者群体的定制信息，并发布这些信息。在多属性谈判阶段，首先，销售商（买方）在系统上发布商品的定制信息；然后，制造商（卖方）选定自

30、己能够生产的订单与销售商启动谈判；最后，制造商的卖方Agent（S-Agent）与销售商的买方Agent（B-Agent）进行多属性谈判。谈判成功则确定制造商生产定制商品，不成功则继续选择订单谈判。详细流程如图1所示。图1 大规模定制电子商务流程图2.2谈判策略与效用函数当进程进入到多属性谈判阶段，Agent将有三种谈判策略可供选择，固定策略（不学习）、学习策略和微小区间让步策略。下面分述之。2.2.1 固定策略（不学习）时间是谈判中最为关键的限制资源，谈判者的行为受时间因素的影响极大。如在谈判逼近终止时间时，谈判者会做出显著让步。根据这一特性，参考Faratin提出的经典谈判策略 ADDIN

31、 EN.CITE Faratin19986016606017Faratin, PeymanSierra, CarlesJennings, Nick RNegotiation decision functions for autonomous agentsRobotics and Autonomous SystemsRobotics and Autonomous Systems159-18224319980921-8890 HYPERLINK l _ENREF_16 o Faratin, 1998 #60 16，本章采用的基于时间的谈判策略函数为：t=exp(1-mint，tmaxtmax)ln

32、k （Seq 公式1）其中，t是当前谈判的时间，tmax是谈判的截止时间，值的大小决定了谈判双方采取的谈判策略。当=1（中立型）时，谈判者在整个谈判的过程中一直保持平稳的让步速度。当01（激进型），开始让步非常快，到最后让步幅度小。本文针对多属性谈判，时间决策函数决定每次提议的综合效用。综合效用为：xt=min+1-tmax-min （Seq 公式2）其中，max和min是综合效用的最大和最小值，取值可根据实际情景而定。买方和卖方的利益是相对的，比如说，价格对买方来说是越低越好，但是对卖方来说是越高越好；交货期对买方来说是越短越好，但是对卖方来说是越长越好。以下将会加入不同的学习策略，分析每种

33、策略情况下卖方和买方应该采取的让步策略。2.2.2 学习策略在电子商务中，尤其是大规模定制所适用的B2C环境，买方是人，而卖方商家可以把谈判委托给Agent完成，这就要求Agent具备能够与人谈判的人工智能水平。因此，本文设计的卖方Agent具有学习能力。所谓学习，主要是针对买方的谈判行为做出适当的谈判反应，而不是坚持一个策略一成不变。定义买方相近的两次提议的综合效用之差为：xbst-xbst-1 （Seq 公式3）其中，xbst表示在t时刻买方出价相对于卖方的综合效用值，将谈判方的让步率定义为相邻两次提议综合效用之差的比值，即：=xbst-xbst-1xbst-1-xbst-2 （4）如果1

34、表示买方的让步幅度在逐渐增大，这时卖方学习买方的让步率，调整自己的谈判策略获得新的1，这样可以提高谈判效率，更快的达成协议，同时提高谈判的成功率。如果=1，说明买方在平稳的让步，这时卖方保持自己当前的谈判策略，平稳让步。如果 0.6059;0.82440.6078）；当买方采取了保守策略（0,1），卖方采取了激进的策略（1,50），采用学习加区间的策略只会增加买方的综合效用(0.83790.8371)，减少卖方的综合效用(0.16550.7652)；相反，当买方采取激进策略，卖方采取保守策略时，学习加区间的策略会增加卖方的综合效用(0.45970.6883）；当双方都采取激进策略时，卖方收益减

35、少(0.41730.6331）。表7学习加区间让步与不学习综合效用对比买方卖方0,11,50买方卖方买方卖方学习加区间不学习学习加区间不学习学习加区间不学习学习加区间不学习0,10.80190.60590.82440.60780.45970.83350.82950.68831,500.83790.83710.16550.76520.76870.63310.41730.70464结论与展望随着电子商务的飞速发展，市场逐渐由卖方市场转为买方市场，更多的商品找不到买家，同时消费者的一些个性化需求却得不到满足，大规模定制电子商务解决了这样的矛盾。本文相比于前人的研究，从更加务实的视角，提出了大规模定制

36、电子商务的两阶段流程，对定制电子商务的实际操作和运营具有现实意义！另外，从自动谈判理论研究角度来说，以往的多属性谈判策略研究主要使用单一固定策略，通过本研究可以发现，由于较低的成功率，很难在实际应用中有用武之地。本文提出了学习策略和微小区间让步策略相结合的方法，为该领域研究提供了一个组合策略研究的范例。实验证明组合策略具备自适应特性，一方面可以学习对手谈判行为，另一方面在自身做出很少让步的同时，给对手充分的选择空间，从而增加应对谈判局势的灵活性，改善谈判的效果，增加谈判的成功率，更快地达到双赢的局面！尽管现有研究有明显的成效，但还存在一些不足，有待后期进一步的研究。一个突出的问题是，大规模定制

37、电子商务的主体之一是产生购买需求的消费者，未来的电子商务谈判更多的情况是人和机器之间的谈判。机器一方代替商家与消费者谈判，从而节省商家的谈判成本，提高谈判效率。本文对此种情况的应用没有深一步的探讨，将在未来的研究中予以重点关注。参 考 文 献 ADDIN EN.REFLIST 1.Zeng, V., et al., China Online Retail Forecast, 2014 to 2019. Forrester Research, 2015.2.Alford, D., P. Sackett, and G. Nelder, Mass customisation - an automot

38、ive perspective. International Journal of Production Economics, 2000. 65(1): p. 99-110.3.谷梦瑶, 陈友玲, and 赵鹏, 大规模定制环境下基于客户协同程度的设计时间估计方法. 计算机集成制造系统, 2016. 22(9): p. 10.4.刘春玲, et al., 电子商务环境下基于退货策略的 MC 决策与协调. 科研管理, 2016. 37(2): p. 141-151.5.Yoo, J. and M. Park, The effects of e-mass customization on cons

39、umer perceived value, satisfaction, and loyalty toward luxury brands. Journal of Business Research, 2016. 69(12): p. 5775-5784.6.严建援, et al., 个性化产品在线定制意愿影响因素研究基于计划行为理论的分析. 预测, 2016. 35(6): p. 50-56.7.蔡路路, 华国伟, and 张菊亮, 基于议价模型的售后服务供应链合作研究. 系统工程学报, 2015. 30(2): p. 225-230.8.Hinz, O., I.-H. Hann, and M

40、. Spann, Price discrimination in e-commerce? An examination of dynamic pricing in name-your-own price markets. MIS Quarterly, 2011. 35(1): p. 81-98.9.Adomavicius, G., A. Gupta, and D. Zhdanov, Designing intelligent software agents for auctions with limited information feedback. Information Systems R

41、esearch, 2009. 20(4): p. 507-526.10.Gilmore, J.H. and B. Pine 2nd, The four faces of mass customization. Harvard business review, 1996. 75(1): p. 91-101.11.Radder, L. and L. Louw, Mass customization and mass production. The TQM Magazine, 1999. 11(1): p. 35-40.12.程德通, 李登峰, and 余高锋, 大规模定制模式下多类型评价信息的多目

42、标生产指派问题. 控制与决策, 2017. 32(11): p. 8.13.经有国, et al., MC半结构化客户需求信息表达与处理方法. 管理科学学报, 2011. 14(1): p. 78-85.14.刘强 and 苏秦, 供应链多边谈判中的买方承诺战术. 系统工程学报, 2012. 27(2): p. 243-247.15.Bellantuono, N., et al., Multi-attribute auction and negotiation for e-procurement of logistics. Group Decision and Negotiation, 201

43、4. 23(3): p. 421-441.16.Faratin, P., C. Sierra, and N.R. Jennings, Negotiation decision functions for autonomous agents. Robotics and Autonomous Systems, 1998. 24(3): p. 159-182.17.Pan, L., et al., A TwoStage WinWin Multiattribute Negotiation Model: Optimization and Then Concession. Computational In

44、telligence, 2013. 29(4): p. 577-626.18.Lopes, F., M. Wooldridge, and A.Q. Novais, Negotiation among autonomous computational agents: principles, analysis and challenges. Artificial Intelligence Review, 2008. 29(1): p. 1-44.19.Fatima, S.S., M. Wooldridge, and N.R. Jennings, On efficient procedures fo

45、r multi-issue negotiation, in Agent-Mediated Electronic Commerce. Automated Negotiation and Strategy Design for Electronic Markets. 2007, Springer. p. 31-45.20.Lin, R., S. Kraus, and Y. Mazliah, Training with automated agents improves peoples behavior in negotiation and coordination tasks. Decision

46、Support Systems, 2014. 60: p. 1-9.21.Ren, F. and M. Zhang, Bilateral single-issue negotiation model considering nonlinear utility and time constraint. Decision Support Systems, 2014. 60: p. 29-38.22.高珊, 马良, and 张惠珍, 基于人工蜂群算法的电子商务多 Agent 自动谈判模型. 智能系统学报, 2015. 10(3): p. 1-6.23.Masvoula, M. Forecasting

47、 Negotiation Counterparts Offers: A Focus on Session-long Learning Agents. in Proceedings of The Fifth International Conference on Advanced Cognitive Technologies and Applications. 2013.24.Yu, C., F. Ren, and M. Zhang, An adaptive bilateral negotiation model based on Bayesian learning, in Complex Au

48、tomated Negotiations: Theories, Models, and Software Competitions. 2013, Springer. p. 75-93.25.Monteserin, A. and A. Amandi, A reinforcement learning approach to improve the argument selection effectiveness in argumentation-based negotiation. Expert Systems with Applications, 2013. 40(6): p. 2182-2188.26.Cao, M., et al., Automated negotiation for e-commerce decision making: A goal deliberated agent architecture for multi-strategy selection. Decision Support Sys