اسماعیل مرادی سقاب

هدف اصلی این پژوهش، توسعه و اعتبارسنجی یک چارچوب یکپارچه برای بهینه سازی همزمان سیاست های قیمت گذاری و مدیریت موجودی در پلتفرم های تجارت الکترونیک است. در محیط رقابتی و پویای تجارت الکترونیک، اتخاذ تصمیمات استراتژیک در خصوص قیمت گذاری پویا و سطوح بهینه موجودی، نقشی حیاتی در دستیابی به سودآوری پایدار، رضایت مشتری و کاهش هزینه های عملیاتی ایفا می کند. این تحقیق با بهره گیری از تلفیق الگوریتم های یادگیری ماشین (مانند شبکه های عصبی بازگشتی برای پیش بینی تقاضا و رگرسیون پیشرفته برای تحلیل حساسیت قیمت) و مدل های نظریه صف (مانند مدل M/M/1 و M/G/1 برای شبیه سازی صف مشتریان و زمان انتظار)، رویکردی نوین را برای مواجهه با این چالش ارائه می دهد. نتایج کلیدی حاصل از شبیه سازی های انجام شده بر روی داده های نمونه پروژه های تجارت الکترونیک (با فرض سناریوهای مختلف نوسانات تقاضا و هزینه های نگهداری موجودی) نشان می دهد که چارچوب پیشنهادی قادر است منجر به افزایش میانگین سود تا ۱۵٪، کاهش هزینه های نگهداری موجودی تا ۲۰٪ و بهبود شاخص رضایت مشتری (کاهش زمان انتظار) تا ۲۵٪ شود. این نتایج، کارایی رویکرد ترکیبی یادگیری ماشین و نظریه صف را در اتخاذ تصمیمات بهینه و پویا در محیط پیچیده تجارت الکترونیک تأیید می کند و چارچوبی عملیاتی برای کسب وکارها فراهم می آورد.