Retailer's Response to Alternate Manufacturer's Incentives Under a Single‐Period, Price‐Dependent, Stochastic‐Demand Framework*
Notice bibliographique
Résumé
ABSTRACT This article considers the joint development of the optimal pricing and ordering policies of a profit‐maximizing retailer, faced with (i) a manufacturer trade incentive in the form of a price discount for itself or a rebate directly to the end customer; (ii) a stochastic consumer demand dependent upon the magnitude of the selling price and of the trade incentive, that is contrasted with a riskless demand, which is the expected value of the stochastic demand; and (iii) a single‐period newsvendor‐type framework. Additional analysis includes the development of equal profit policies in either form of trade incentive, an assessment of the conditions under which a one‐dollar discount is more profitable than a one‐dollar rebate, and an evaluation of the impact upon the retailer‐expected profits of changes in either incentive or in the degree of demand uncertainty. A numerical example highlights the main features of the model. The analytical and numerical results clearly show that, as compared to the results for the riskless demand, dealing with uncertainty through a stochastic demand leads to (i) (lower) higher retail prices if additive (multiplicative) error, (ii) lower (higher) pass throughs if additive (multiplicative) error, (iii) higher claw backs in both error structures wherever applicable, and (iv) higher rebates to achieve equivalent profits in both error structures.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».