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

French

Les grandes chaînes de vente au détail doivent adapter l’assortiment et les décisions de prix aux préférences des clients locaux, mais même les détaillants avec des registres de ventes étendus ont souvent des données limitées pour estimer la demande au niveau du magasin ou du marché local, en particulier dans les catégories de produits avec des fenêtres de vente courtes. estimation locale (adapter un modèle de demande pour chaque magasin seul) peut donc être peu fiable, tandis que le regroupement de données entre les magasins améliore la précision de l’estimation au prix d’ignorer l’hétérogénéité de la demande locale.

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