008240612s2023      us  |||||||||||||||c||eng  d
■001000016931857
■00520240214100128
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379711689
■035    ▼a(MiAaPQ)AAI30425967
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aBai,  Yicheng.▼0(orcid)0000-0003-2039-939X
■24510▼aNew  Fluid  Approximation,  Inventory  Placement  and  Discrete  Choice  Models  for  Revenue  Management▼h[electronic  resource]
■260    ▼a[S.l.]:▼bCornell  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(227  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  A.
■500    ▼aAdvisor:  Topaloglu,  Huseyin.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aRevenue  management  is  the  study  of  models  and  algorithms  that  address  inventory  allocation  and  pricing  decisions  in  the  face  of  uncertainty  and  limited  capacities.  Out  of  many  models  studied  in  revenue  management,  fluid  approximations  have  been  an  effective  tool  to  deal  with  large-scale  inventory  allocation  and  pricing  problems  and  develop  efficient  algorithms;  while  inventory  placement,  which  determines  how  to  place  on-hand  products  into  different  fulfillment  centers,  is  an  important  decision  that  has  a  significant  impact  on  subsequent  inventory  allocation  and  pricing  power;  lastly,  discrete  choice  models  are  widely  used  to  model  customer  choice  behaviour  and  capture  the  fact  that  customers  substitute  among  the  offered  products,  which  ultimately  help  in  making  better  inventory  allocation  and  pricing  decisions.  In  this  dissertation,  we  investigate  one  new  model  in  each  of  these  areas  and  develop  efficient  algorithms  with  performance  guarantees.  These  new  models  represent  various  approaches  from  different  angles  we  take  to  aid  in  improving  inventory  allocation  and  pricing  decisions.First,  based  on  the  fact  that  high-variance  demand  occurs  in  many  applications  but  is  not  fully  addressed  by  traditional  revenue  management  models,  we  explore  a  new  revenue  management  model  that  incorporates  general  mean  and  variance  for  the  number  of  customer  arrivals,  with  the  goal  of  developing  a  policy  to  determine  which  product  to  make  available  to  each  arriving  customer  in  order  to  maximize  total  expected  revenue.  We  devise  a  fluid  approximation  corresponding  to  this  model  and  use  it  to  develop  an  asymptotically  optimal  policy.Second,  we  consider  inventory  placement,  delivery  promise  and  fulfillment  decisions  faced  by  an  online  retailer  jointly.  We  study  a  two-stage  model  where  in  the  first  stage,  we  place  a  set  of  products  with  given  numbers  of  units  into  different  fulfillment  centers  with  capacity  constraints.  Once  we  make  the  placement  decisions,  we  enter  the  second  stage  where  we  face  random  demand  for  the  products  from  different  demand  regions.  In  response  to  each  demand,  we  pick  a  delivery  promise  to  offer  and  choose  a  fulfillment  center  to  use  to  serve  the  demand.  The  goal  is  to  determine  where  to  place  the  units  in  order  to  maximize  the  total  expected  profit  from  sales  over  a  finite  selling  horizon.  For  this  problem,  we  provide  a  general  approximation  framework,  which  leads  us  to  a  set  of  policies.  The  best  policy  provides  1/(4  +  ϵ)-approximation  for  any  ϵ    0,  and  the  policy  can  be  computed  in  polynomial  time  for  each  fixed  ϵ.Lastly,  we  study  a  natural  variant  of  the  multinomial  logit  model  by  incorporating  rank  cutoffs,  which  characterizes  the  number  of  products  customers  will  focus  on  during  the  choice  process.  To  be  more  specific,  after  associating  random  utilities  with  all  the  products  and  the  no-purchase  option,  a  customer  with  rank  cutoff  k  would  ignore  all  alternatives  whose  utilities  are  not  within  the  k  largest  utilities  and  choose  among  the  remaining  alternatives.  We  show  that  the  assortment  optimization  problem  under  this  choice  model  is  NP-hard  and  propose  a  polynomial-time  approximation  scheme.  We  also  run  numerical  experiments  to  show  that  incorporating  rank  cutoffs  can  result  in  better  predictions  of  customer  choices  and  more  profitable  assortment  recommendations.
■590    ▼aSchool  code:  0058.
■650  4▼aComputer  science.
■653    ▼aAssortment  optimization
■653    ▼aFluid  approximation
■653    ▼aInventory  placement
■653    ▼aRevenue  management
■653    ▼aAlgorithm
■690    ▼a0796
■690    ▼a0984
■690    ▼a0501
■71020▼aCornell  University▼bOperations  Research  and  Information  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g84-12A.
■773    ▼tDissertation  Abstract  International
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931857▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024