Beyond Retail Stores: Managing Product Proliferation along the Supply Chain
Notice bibliographique
Résumé
Product proliferation occurs in supply chains when manufacturers respond to diverse market needs by trying to produce a range of products from a limited variety of raw materials. In such a setting, delaying the point of the proliferation helps manufacturers improve their responsiveness by postponing the ordering decisions of the final products until there is partial or full resolution of the demand uncertainty. This strategy can be implemented in two different ways: (i) redesigning the operations so that the point of proliferation is swapped with a downstream operation or (ii) reducing the lead times. To establish cost efficiency, manufacturers can systematically reduce their operational costs or postpone the high‐cost operations. We consider a multi‐echelon and multi‐product newsvendor problem with demand forecast evolution to analyze the value of each operational lever of the responsiveness and the efficiency. We use a generalized forecast‐evolution model to characterize the demand updating process, and develop a dynamic optimization model to determine the optimal order quantities at different echelons. We demonstrate that reducing the lead time of a downstream operation is more beneficial to manufacturers than reducing the lead time of an upstream operation by the same amount, whereas reducing the upstream operational costs is more favorable than reducing the downstream operational costs. We also indicate that delaying the proliferation may cause a loss of profit, even if it can be achieved with no additional costs. Finally, a decision typology is developed, which shows effective operational strategies depending on product/market characteristics and process flexibility.
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 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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 tête enseignante, 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 ».