تعیین نرخ کالا در نرم افزارهای فروش به کمک یادگیری مبتنی بر شبکه های عصبی

با افزایش جمعیت و رواج مصرف گرایی در جوامع قرن بیست و یکم، خرید و فروش کالا‌ها نیز به شدت افزایش یافته است. از طرفی، با پیشرفت فناوری اطلاعات، خرید و فروش اینترنتی کالا‌ها و محصولات در بستر‌های ارتباطی مثل انواع نرم‌افزار‌ها، سایت‌‌ها و شبکه‌‌ها نیز افزایش قابل توجهی داشته است. بنابراین صاحبان کسب وکار، مدیران و کارشناسان خرید و فروش به دنبال افزایش بهره‌وری و همچنین کسب سود بیشتر کالا‌ها می‌باشند. ابزار‌های هوشمند در چند دهه اخیر ضمن کمک به حل مسائل گوناگون و پیچیده مثل مسئله اعلام نرخ فروش کالا جهت آنالیز متغیر‌های مختلف انواع مدل‌های تحلیلی مورد استفاده قرار می‌گیرند. بدیهی است که خرید و فروش اینترنتی در بستر نرم‌افزار‌ها ضمن افزایش سرعت و کاهش هزینه‌‌ها در صورت تعیین قیمت مناسب توسط فروشنده سود بیشتری در سایر حوزه‌های مرتبط نیز خواهد داشت. هدف پژوهش حاضر افزایش دقت اعلام نرخ فروش کالا در نرم‌افزار‌های فروش محصولات با استفاده از تکنیک‌‌های هوش مصنوعی است که با تعیین استراتژی‌‌های کنترل موجودی و زنجیره تامین با در نظر گرفتن علاقمندی‌های مشتریان، می‌تواند در قیمت نهایی محصولات تاثیرگذار باشد. در واقع با در نظر گرفتن متغیر‌های تاثیرگذار، کنترل و مطالعه آنها امکان تعیین قیمت مناسب‌تر برای هر یک از طرفین (تامین کنندگان و مصرف کنندگان) امکان‌پذیر است.برای این منظور، اطلاعات بیش از 5 سال گذشته فروش محصولات یک فروشگاه زنجیره‌ای در شهر بجنورد استخراج گردید. این اطلاعات شامل قیمت‌گذاری 11 محصول پرفروش و سود حاصل از آن در بررسی 1000 سفارش از هر یک از محصولات و قیمت‌گذاری آنها می‌‌باشد. تمام این قیمت‌ها بر اساس تورم رسمی کشور به قیمت روز سال 1401 درآمدند و این اطلاعات به صورت فرمت مشخص وارد نرم‌افزار matlab شده و شبکه عصبی mlp برای آنها تشکیل و بر اساس اطلاعات بیان شده آموزش داده شدند. سپس برای سفارش‌های بعدی، قیمت اعلامی از مدل پیشنهادی استخراج گردید و مشاهده شد که سود حاصله افزایش قابل توجهی را به همراه دارد. علت اصلی این مساله هم دقت بالای شبکه عصبی در مدل‌سازی سیستم‌های غیرخطی و ناشناخته است که در کاربردهای مختلف کارایی خود را نشان داده است.

determining commodity price in sales software based on neural network learning

with the increase in population and the prevalence of consumerism in the societies of the 21st century, the buying and selling of goods has also increased greatly. on the other hand, with the advance of information technology, online buying e-commerce such as various software, websites and networks has also increased significantly. therefore, business owners, managers and sales experts are interested to increase productivity and also earn more profit. in the last few decades, smart tools are used to solve various and complex problems, such as the problem of announcing the sale price of goods and analyze various variables and models. it is obvious that online buying, while increasing the speed and reducing the costs, will have more profit in other related fields if the seller sets the right price. the aim of the current research is to increase the accuracy of commodity price using artificial intelligence techniques. for this purpose, the information of the last 5 years of product sales of a chain store in bojnord was extracted. this information includes the price of 11 best-selling goods and the profit during 1000 steps of ordering these products. all these prices were calculated based on the country’’s official inflation in the year 1401, and this information was entered into the matlab software in a specified format, and the mlp neural network was formed for them and trained based on the stated information. then, for subsequent orders, the announced price was extracted from the proposed model and it was observed that the net income has a significant increase. the main reason is the high accuracy of the neural network in modeling nonlinear and unknown systems, which has shown its efficiency in various applications.