Optimal inventory and admission policies for drop-shipping retailers serving in-store and online customers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article studies the optimal inventory and dynamic admission policies of two physical retailers who, besides selling through their traditional in-store channels, also act as drop-shippers for an online retailer (e-tailer). The e-tailer carries no inventory of its own and always turns to one of the two physical retailers for order fulfillment. The considered scenario is the one in which retailer 1 (R1) and retailer 2 (R2) act as the primary and secondary drop-shippers of the e-tailer, respectively. While trying to maximize their respective revenues, both retailers face the problem of whether or not to accept the e-tailer's order-fulfillment request. It is initially assumed that the initial inventory levels of each retailer are fixed and that R1 shares his inventory information with R2. By adopting a revenue management framework, the dynamic admission policies of both retailers are studied and it is shown that R1 and R2 should implement one-dimensional and two-dimensional threshold policies, respectively. The scenario in which R1 does not share his inventory information with R2 is considered. For this scenario two heuristic policies for R2 are proposed and they are compared to the optimal policy when information is shared. A detailed sensitivity analysis for varying parameter value is presented, which shows the impact of information sharing between the two retailers. Finally, the assumption of fixed initial inventory levels is relaxed and the optimal initial inventory levels of each retailer that maximize their expected profits are determined.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle