Optimal Restocking Fees and Information Provision in an Integrated Demand-Supply Model of Product Returns
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
Product returns cost U.S. companies more than $100 billion annually. The cost and scale of returns management issues necessitate a deeper understanding of how to deal with product returns. We develop an analytical model that describes how consumer purchase and return decisions are affected by a seller's pricing and restocking fee policy. Taking into account the consumers' strategic behavior, we derive the seller's optimal policy as a function of consumer preferences, consumer uncertainty about product attributes, consumer hassle cost for returns, and the effectiveness of the seller's forward and reverse channel capability. We allow for two sources of consumer uncertainty and show how the seller may use its price and restocking fee as a means of targeting a segment of consumers who know their product consumption utilities. We find that even if it is possible to eliminate returns costlessly through the provision of information about the fit between consumer preferences and product characteristics, returns can nevertheless be part of an optimal product sales process. That is, we identify conditions under which it is (or is not) optimal to provide product fit information to consumers. We show that the marginal value of information to the seller is decreasing in the operational efficiency of the seller's forward and reverse logistics process as well as the level of product uncertainty. We identify the impact of multiple product options and sources of consumer uncertainty on the model's results. The analysis generates testable hypotheses about how consumer-level and seller-level parameters affect the return policies observed in the marketplace.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,006 |
| 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