Optimization of Pricing and Service Location Decisions for Do-It-Yourself Products
Notice bibliographique
Résumé
This study is motivated by a real-world case in China. Affected by the geopolitical tensions in the Middle East, a Chinese mechanical watch component manufacturer has suffered a sales decline of nearly 50% since 2024, largely due to its reliance on a single B2B channel. To address this, the study proposes a dual distribution strategy integrating the B2B channel with online B2C sales supported by offline services. The online product range mainly features Do-It-Yourself (DIY) mechanical watch kits, designed with modularity and personalization to boost enthusiasts’ engagement and enjoyment. To match customers’ varying assembly abilities, products are categorized as loose-part kits, semi-finished kits, and fully assembled watches. This study focuses on four decisions for the new B2C channel: (1) optimal pricing across product types; (2) evaluation of offline service models, comparing in-house and outsourced centers; (3) service network location planning; and (4) determining who bears the service fee in outsourced centers. A mixed-integer nonlinear programming (MINLP) model is developed by simulating demographic and geographic data from all 297 cities at the prefecture level and above in China. A decomposition-coordination strategy is employed to decompose the complex problem into three interrelated subproblems: pricing, service network design, and payment allocation, which is solved by CPLEX. The study is expected to provide guidance on these decisions, enhancing customer experience while maximizing corporate profitability. The proposed methods can also be applied to other situations, such as IKEA’s furniture supply chains.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».