Assortment Optimization with α-Similar Substitutes: Insights from Customer Browsing Patterns
Notice bibliographique
Résumé
We propose an approach to model assortment optimization problems based on two observations we made from customer browsing history on Taobao. First, most customers consider very few items (no more than five) before purchasing. Second, there exists a sorting of items so that most customer consideration sets are contained in small intervals in this sorting. This sorting can be discovered by the Cuthill-McKee algorithm, which is designed to work with sparse matrices. We encode these two observations into the [Formula: see text]-similar substitutes property, which requires that all customers have consideration sets that lie in intervals (in the sorting) of length at most [Formula: see text], where [Formula: see text] is a parameter we select and is fitted from data. The assortment optimization and pricing problems associated with this property are fixed-parameter tractable for a fixed [Formula: see text]. Moreover, we show that the assortment optimization for some specific choice model with [Formula: see text]-similar substitutes property is polynomial-time solvable. We demonstrate our approach—going from data to modeling (i.e., selecting an appropriate [Formula: see text]) and finally to optimization—on another data set of customer click history on JD.com. Lastly, we conduct sensitivity tests on choice models that satisfy the [Formula: see text]-similar substitutes property in the presence of customers with large consideration sets. We provide an approximation guarantee in terms of revenue when asserting the [Formula: see text]-similar substitutes property. Both theoretical and numerical results show that the optimal assortment of our estimated model captures most of the revenue even when there are customers with large consideration sets. This paper was accepted by Vivek Farias, data science. Funding: B. Jiang’s research is supported by the National Natural Science Foundation of China [Grants 72394364, 72394363, 72394360, 72171141, and 72442013]. C. T. Ryan is supported by the NSERC [Grant RGPIN-2020-06488] and the SSHRC [Grant AWD-029333]. N. Zhang is supported by Ivey Business School. Supplemental Material: The online appendices and data files are available at https://doi.org/10.1287/mnsc.2023.00786 .
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».