هدف اصلی این پژوهش، توسعه و اعتبارسنجی یک چارچوب یکپارچه برای بهینه‌سازی همزمان سیاست‌های قیمت‌گذاری و مدیریت موجودی در پلتفرم‌های تجارت الکترونیک است. در محیط رقابتی و پویای تجارت الکترونیک، اتخاذ تصمیمات استراتژیک در خصوص قیمت‌گذاری پویا و سطوح بهینه موجودی، نقشی حیاتی در دستیابی به سودآوری پایدار، رضایت مشتری و کاهش هزینه‌های عملیاتی ایفا می‌کند. این تحقیق با بهره‌گیری از تلفیق الگوریتم‌های یادگیری ماشین (مانند شبکه‌های عصبی بازگشتی برای پیش‌بینی تقاضا و رگرسیون پیشرفته برای تحلیل حساسیت قیمت) و مدل‌های نظریه صف (مانند مدل M/M/1 و M/G/1 برای شبیه‌سازی صف مشتریان و زمان انتظار)، رویکردی نوین را برای مواجهه با این چالش ارائه می‌دهد. نتایج کلیدی حاصل از شبیه‌سازی‌های انجام شده بر روی داده‌های نمونه پروژه‌های تجارت الکترونیک (با فرض سناریوهای مختلف نوسانات تقاضا و هزینه‌های نگهداری موجودی) نشان می‌دهد که چارچوب پیشنهادی قادر است منجر به افزایش میانگین سود تا ۱۵٪، کاهش هزینه‌های 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 می‌کند و چارچوبی عملیاتی برای کسب‌وکارها فراهم می‌آورد.

تجارت الکترونیک قیمت‌گذاری پویا مدیریت موجودی یادگیری ماشین نظریه صف.