Pricing and matching for on-demand platform considering customer queuing and order cancellation
Notice bibliographique
Résumé
Queuing on an on-demand platform may make some customers disgust and give up using it, and the customers who have confirmed the orders may also cancel the orders due to some uncertain factors, which causes certain opportunity loss to the platform. This article considers both customer queuing and order cancellation (COC) behaviour, and studies optimal pricing and matching of the profit-maximizing platform. We first construct models without and with COC behaviour (cases N and C), and then propose two strategies of the platform to deal with COC behaviour, including the penalty strategy (case PC) and the penalty-subsidy strategy (case PSC). By solving these models and analysing, we find that although the penalty strategy intuitively discourages some customers from using on-demand services, the platform reduces the service price because of penalty fee, which indirectly encourages more customers who may not cancel orders to request services. We also find that when the COCR is greater than a certain critical point, both the penalty strategy and penalty-subsidy strategy are advantageous, while the penalty strategy is the best. However, when the COCR is less than the critical point, the penalty strategy is unfavourable, while the penalty-subsidy strategy is advantageous.Abbreviations: COC: customer queuing and order cancellation; COCR: customer order cancellation rate.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 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 ».