Combining a Smart Pricing Policy with a Simple Replenishment Policy: Managing Uncertainties in the Presence of Stochastic Purchase Returns
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
This paper addresses operational challenges faced by retailers offering free return policies. We consider a general system with lost sales, positive lead time, periodic review, binomial demand, and an arbitrary restriction on price change frequency. We study the joint pricing and inventory decisions in the presence of stochastic returns. Specifically, when an item is purchased, it can be returned at a future random time and may be restocked for resale after passing an inspection. We assume a general stationary return time distribution. A key challenge in both policy design and analysis arises from the dynamic coupling introduced by returns being restocked over time. To address this, we propose a simple yet effective policy that combines a simple inventory policy with adaptive pricing based on observed sales and returns. Our results provide insights into how uncertainty in both demand and returns can be managed through adaptive pricing under various price change constraints. The analysis can be extended to more general settings, including (1) return fees and partial refunds, (2) nonstationary demand, and (3) service-level constraints. We also show numerically that misspecifying the return time distribution can lead to significant losses, even in a fully deterministic system without randomness. Funding: J. Uichanco was partially supported by the NSF [Grant 2208189]. Supplemental Material: The online appendix is available at https://doi.org/10.1287/moor.2022.0172 .
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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