Frontiers in Service Science: Data-Driven Revenue Management: The Interplay of Data, Model, and Decisions
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
Revenue management (RM) is the application of analytical methodologies and tools that predict consumer behavior and optimize product availability and prices to maximize a firm’s revenue or profit. In the last decade, data has been playing an increasingly crucial role in business decision making. As firms rely more on collected or acquired data to make business decisions, it brings opportunities and challenges to the RM research community. In this review paper, we systematically categorize the related literature by how a study is “driven” by data and focus on studies that explore the interplay between two or three of the elements: data, model, and decisions, in which the data element must be present. Specifically, we cover five data-driven RM research areas, including inference (data to model), predict then optimize (data to model to decisions), online learning (data to model to decisions to new data in a loop), end-to-end decision making (data directly to decisions), and experimental design (decisions to data to model). Finally, we point out future research directions. Funding: The research of N. Chen is partly supported by Natural Sciences and Engineering Research Council of Canada Discovery [Grant RGPIN-2020-04038]. The research of M. Hu is in part supported by Natural Sciences and Engineering Research Council of Canada [Grant RGPIN-2021-04295].
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,006 |
| Science ouverte | 0,007 | 0,011 |
| 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