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

Vietnamese

Các chuỗi bán lẻ lớn phải điều chỉnh lựa chọn lựa chọn và quyết định giá phù hợp với sở thích của khách hàng địa phương, nhưng ngay cả các nhà bán lẻ có hồ sơ bán hàng rộng rãi thường có dữ liệu hạn chế để ước tính nhu cầu ở cấp cửa hàng hoặc thị trường địa phương, đặc biệt là trong các loại sản phẩm có cửa sổ bán hàng ngắn. ước tính địa phương (tùy chỉnh một mô hình nhu cầu cho mỗi cửa hàng riêng lẻ) có thể không đáng tin cậy, trong khi tập hợp dữ liệu trên các cửa hàng cải thiện độ chính xác ước tính với chi phí bỏ qua sự không đồng nhất của nhu cầu địa phương.

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