Newest papers

Borrowing Strength Across Stores: Transfer Learning for Choice-Based Revenue Management

Recep Yusuf Bekci, Stefanus Jasin, Joline Uichanco · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28708 · open-access PDF

Spanish

Las grandes cadenas minoristas deben adaptar la selección y las decisiones de precios a las preferencias de los clientes locales, pero incluso los minoristas con extensos registros de ventas a menudo tienen datos limitados para estimar la demanda a nivel de la tienda o del mercado local, particularmente en las categorías de productos con ventanas de ventas cortas. estimación local (ajustando un modelo de demanda para cada tienda por sí sola) puede, por lo tanto, ser poco fiable, mientras que agrupar datos entre tiendas mejora la precisión de la estimación a costa de ignorar la heterogeneidad de la demanda local.

Machine translation (Meta M2M100); the English original follows.

Abstract

Large retail chains must tailor assortment and pricing decisions to local customer preferences, yet even retailers with extensive sales records often have limited data for estimating demand at the store or local market level, particularly in product categories with short selling windows. Local estimation (fitting a demand model for each store on its own) can therefore be unreliable, while pooling data across stores improves estimation precision at the cost of ignoring local demand heterogeneity. We study how retailers can balance these competing effects through transfer learning under a multin

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange