Optimal inventory and admission policies for drop-shipping retailers serving in-store and online customers
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».