5月27日 韩梦圆等在《工业工程与管理》上发文《双约束下智慧供应链精准化质量需求资源配置模型》摘要：互联网的发展不仅影响顾客购买行为和需求模式，还会带来供应链解耦点的前移，为提高顾客满意度，各节点企业需支付额外的成本。围绕顾客和企业效用，考虑智慧供应链整体最优，延伸QFD理论，设计新的运算规则，建立双约束下质量需求资源配置模型。利用大数据情感分析技术获取精准化质量需求重要度，设计“加”取值规则求得顾客满意约束下质量需求权向量，形成模型输入信息。通过逐级循环运算求解，得到精准化质量需求优先级决策结果，为智慧供应链资源配置提供依据，优化企业质量行为。以某品牌新能源汽车智慧供应链为例，获取真实的评论数据，验证模型的有效性。关键词：智慧供应链; 精准化需求; 资源配置; 双约束; 大数据5月27日 Zelin Zhang等在Management Science上发文Uncovering Synergy and Dysergy in Consumer Reviews: A Machine Learning Approach摘要：大量的在线文本评论可以成为了解消费者体验和帮助公司改进和创新的强大的市场研究工具。这项研究利用了文本评论丰富的语义属性，并提出了一种新的机器学习建模框架，可以可靠和有效地提取消费者意见，并发现这些意见之间的潜在交互效应，从而识别出该领域中现有建模方法之外的产品和服务改进的隐藏和微妙的领域。特别是，我们开发了一个意见提取和效果估计框架，允许揭示客户意见的平均效应及其交互效应。当两种观点同时出现时产生的效果大于两部分之和时，意见之间的交互作用可以是协同的，或者我们称之为“失调”，即两种观点同时出现时产生的效果是抑制的。我们将该模型应用于针对酒店的大规模客户评级和文本评论，并展示了我们的框架在意见之间筛选协同效应和影响的能力。我们的模型还灵活有效地容纳了大量意见，这为罕见但可能很重要的意见提供了洞见。该模型可以通过发现最显著的协同对，指导管理者优先考虑产品和服务改进和创新的共同领域。与现有机器学习方法的模型比较表明，我们提高了预测能力和管理洞察力。关键词：用户生成内容; 意见挖掘; 交互效应; 机器学习5月26日 Thomas W. Frick等在Management Science上发文Incentive Misalignments in Programmatic Advertising: Evidence from a Randomized Field Experiment摘要：在程序化广告中，公司将广告印象的竞标外包给广告平台。虽然公司对那些对广告有积极反应的消费者感兴趣，但广告平台通常会因为瞄准那些总体购买概率较高的消费者而获得回报。我们建立了一个理论模型，该模型表明，如果消费者基线购买概率高，对广告的反应更积极，那么公司和广告平台就会就目标消费者达成一致。反之，如果基线购买概率低的消费者是广告效果最好的消费者，那么广告平台针对的是公司不希望针对的消费者，这就偏离了激励机制。我们进行了一项大规模的随机现场实验，目标是208,538名消费者，在展示重定位活动。我们独特的数据集使我们既能因果地识别广告效果，又能估计公司与广告平台之间的激励错位程度。根据合同激励，广告平台瞄准了更有可能购买的消费者。重要的是，我们没有发现任何证据表明广告对基线购买概率较高的消费者更有效，这使得广告平台对该公司的报价次优。福利分析表明，广告平台竞价优化导致企业利润损失，福利整体下降。为了弥补激励偏差，我们提出了一个解决方案，该公司限制广告平台只针对那些基于个人消费者水平对基线购买概率和广告效果的估计而盈利的消费者。5月23日 刘航在《农业经济问题》上发文《面向小农户的农产品电商小企业技术嵌入动态演化机理研究》摘要：小企业嵌入农村是巩固脱贫攻坚成果,带动低收入农民走向共同富裕的重要方式。立足技术创新扩散理论视角,调研25家农产品电商小企业,运用扎根理论程序编码方法,归纳出小企业面向小农户技术嵌入的动态演化过程机理。研究发现,面对内外部技术情境变化,小企业依次通过“探索机制、说服机制和规范机制”三重差异化嵌入策略,逐步推动了嵌入地农村“产品迭代、生产重塑、智性超越”,提升了嵌入地小农户“产品底层能力、职业生产能力、市场流通能力”,完成了农村技术嵌入并实现了小农户技术赋能。本文最终建构了一个整合模型,包含“初始嵌入阶段、社群扩散阶段、制度确认阶段”三个演化阶段,阐明了小企业技术嵌入农村并赋能小农户的演化过程机理,贡献于以小企业为主体的乡村产业振兴研究,以及低收入群体能力提升的管理实践。关键词：小企业; 技术嵌入; 小农户; 农产品电商; 演化机制关键词：广告经济学; 实地实验; 激励错位; 程序性广告5月23日 Santiago R. Balseiro等在Operations Research上发文The Best of Many Worlds: Dual Mirror Descent for Online Allocation Problems摘要： 资源约束下的网络分配问题是收入管理和网络广告的核心问题。在这些问题中，请求会在有限的时间内连续到达，对于每个请求，决策者需要选择一个消耗一定资源并产生奖励的行动。我们的目标是在总资源消耗的约束下最大化累积奖励。在本文中，我们考虑了一个数据驱动的设置，其中每个请求的奖励和资源消耗都是使用决策者未知的输入模型生成的。我们设计了一类在各种输入模型中获得良好性能的通用算法，而不知道它们面对的是哪种类型的输入。特别地，我们的算法在独立和同分布的输入以及各种非平稳的随机输入模型下都是渐近最优的，当输入是敌对的时，它们获得了渐近最优的固定竞争比。我们的算法在拉格朗日对偶空间中运行:它们为使用在线镜像下降更新的每个资源保持一个双乘数。通过选择相应的参考函数，恢复了对偶次梯度下降和对偶乘权更新算法。与现有的在线分配算法相比，所得到的算法简单、快速、不需要在收益函数、消费函数和行动空间上存在凸性。讨论了在网络收益管理、预算约束下的重复拍卖在线竞价、高熵在线比例匹配和有限库存下的个性化分类优化等方面的应用。本期责任编辑：唐彬鹏 张佳杰
©️版权声明：数字经济周刊版权归属数字经济与商业模式课题组所有。
本公众号由中国科学院大学经济与管理学院数字经济与商业模式课题组维护，我们将致力于追踪数字经济与商业模式创新研究与实践最新进展，提供高质量的公立研究机构第三方洞察观点。
“数字经济与商业模式”公众号依托国家自然科学基金重大项目“数字经济中数据要素有效使用与消费者保护”研究，由项目负责人乔晗教授课题组运维，致力于追踪数字经济与商业模式创新研究与实践最新进展，分享课题组成员的最新研究成果，提供高质量的公立研究机构第三方洞察观点。欢迎共同交流探讨！
投稿、意见，请直接回复或发信debm_ucas@163.com