MétaCan
Menu
Retour à la cohorte
Enregistrement W4416133543 · doi:10.1177/10591478251400471

Channel Encroachment and Supply Chain Performance: The Effects of Internet of Things Data Sharing

2025· article· en· W4416133543 sur OpenAlexafffund
Can Sun, Yonghua Ji, Radha Mookerjee

Notice bibliographique

RevueProduction and Operations Management · 2025
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSupply Chain and Inventory Management
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNational Natural Science Foundation of ChinaFundamental Research Funds for the Central UniversitiesUniversity of Alberta
Mots-clésInternet of ThingsCounterintuitiveLeverage (statistics)Supply chainData sharingChannel (broadcasting)Key (lock)Raw data

Résumé

récupéré en direct d'OpenAlex

The advancement of Internet of Things (IoT) technology has enabled IoT device manufacturers to collect consumer usage data (IoT data) whenever their devices are in use. Our paper examines the following setting: A manufacturer collects IoT data and decides whether to share it with a retailer, while consumers remain concerned about their privacy; the retailer, in turn, can leverage the shared data for cross-selling by investing in data-mining efforts that transform raw data into actionable insights. This aspect of data mining differentiates our study from traditional research on information sharing. Beyond selling through the existing retail channel, the manufacturer also has the option to establish a direct channel, thereby encroaching on the retailer’s market. Our analysis reveals several key insights. First, when the manufacturer both encroaches and shares IoT data, we observe a counterintuitive positive effect of the channel substitution rate: As the substitution rate increases, both the manufacturer and the retailer may see higher profits. Second, while the manufacturer always chooses to encroach when data sharing is absent, its motivation to do so weakens when it shares IoT data. Finally, we find that an increase in the value of IoT data can unexpectedly lead to a decline in the retailer’s profit.

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

Étiquettes directes de modèles (non validées)

Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.

BrasCatégoriesDevis d'étudeConfiance
gemmaaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Simulation ou modélisationhigh
gptaucune catégorie
Domaine: non disponible · Genre: Autre
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Simulation ou modélisationhigh
modèles en accordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,730
Score d'incertitude au seuil0,387

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,235
Écart entre enseignants0,216 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Étiqueté directement par 2 modèles lisant le dossier complet.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique · Autre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProduction and Operations ManagementMême sujetSupply Chain and Inventory ManagementTravaux en français237 207