Assortment and promotion optimization in a retail chain
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
An examination of two areas of promotion and assortment planning in an environment is attempted in this paper. Sales promotion is a marketing strategy used by retailers to increase sales and profits by retaining customers and preventing them from switching to their competitors. Various products are available on the market that can substitute each other, so the best product assortment must be determined as well. In order to model the above subject, a nonlinear integer programming problem is proposed. Model solution involves rephrasing the problem as mixed integer linear programming. Small- and medium-sized problems can therefore be solved using MIP solver software. Firefly algorithms are designed to solve large-scale problems. According to the numerical results, determining the best product assortment for stores must also be done simultaneously with finding the optimal promotion. As a matter of fact, the promotion of the products significantly affects the assortment scenarios for the stores. Consequently, the selection of the promotional discount may result in large profit losses if the assortment planning is not taken into consideration. In order to assess the importance and sensitivity of the model parameters, a sensitivity analysis is conducted. The sensitivity analysis demonstrates that the model is able to respond to changes in market demand and competition, and provides an effective tool for chain stores to optimize their promotion and assortment strategies. To further validate the effectiveness of the model, a case study is conducted in Tehran, Iran. The results of the case study demonstrate the ability of the model to effectively optimize promotion and assortment strategies in real-world settings. Overall, the proposed model provides a valuable tool for chain stores to optimize their promotion and assortment strategies, and improve their market competitiveness.
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 | 0,010 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 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