Assortment Planning with Satisficing Customers
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
Limited information, time, or capacity may prevent customers from acting as utility maximizers when making purchase decisions. Rather, they would settle for a good enough option; that is, they stop searching and make a purchase as soon as they find an acceptable alternative. We incorporate this behavior in an assortment-optimization problem. Whereas different approaches to modeling customer choice are adopted in assortment planning, all assume customers are utility maximizers. Our work bridges the research streams of assortment planning and bounded rationality, particularly satisficing behavior. In addition, we define a limit for the search budget of customers, in which customers leave without purchase after examining a certain number of items. This assumption brings a new perspective to the assortment-planning literature, enabling us to capture the choice-overload effect. We prove that the firm’s problem of finding the optimal assortment is NP-hard. We further establish certain structural properties of the optimal decision, which allows us to reformulate the model as a mixed-integer program. We analytically derive a tight upper bound on the percentage loss in the firm’s expected profit for small instances when it assumes incorrectly that customers are utility maximizers. For larger instances, we take a numerical approach to determine the loss. Our results indicate that firms offering low-involvement products, among those dealing with satisficing customers, are more likely to face substantial profit loss if they ignore this behavior. Supplemental Material: The e-companion is available at https://doi.org/10.1287/deca.2022.0063 .
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 | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,002 |
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