موسسه انتشارات بین المللی چتر اندیشه فصلنامه مدیریت مهندسی و تحول دیجیتال 3092-7609 8 4 2025 10 31 Optimizing Pricing Policies and Inventory Management in E-commerce Using Machine Learning and Queuing Theory Models بهینه‌سازی سیاست‌های قیمت‌گذاری و مدیریت موجودی در تجارت الکترونیک با استفاده از یادگیری ماشین و مدل‌های نظریه صف 1 13 10.22051/jera.2021.31891.2698 FA اسماعیل گروه مدیریت صنعتی، دانشگاه یزد، یزد، ایران رضا گروه مدیریت صنعتی، دانشگاه یزد، یزد، ایران 2026 06 09 The primary objective of this research is to develop and validate an integrated framework for the simultaneous optimization of pricing policies and inventory management within e-commerce platforms. In the competitive and dynamic e-commerce landscape, strategic decision-making regarding dynamic pricing and optimal inventory levels plays a vital role in achieving sustainable profitability, enhancing customer satisfaction, and reducing operational costs. This study introduces a novel approach to addressing these challenges by integrating machine learning algorithms—such as Recurrent Neural Networks (RNNs) for demand forecasting and advanced regression for price sensitivity analysis—with queuing theory models (including M/M/1 and M/G/1 models to simulate customer queues and waiting times). Key findings derived from simulations performed on sample e-commerce datasets (incorporating various scenarios of demand fluctuations and inventory holding costs) demonstrate that the proposed framework can lead to an average profit increase of up to 15%, a reduction in inventory holding costs by up to 20%, and an improvement in customer satisfaction indices (via reduced waiting times) by up to 25%. These results confirm the efficacy of the hybrid machine learning and queuing theory approach in making optimal and dynamic decisions within complex e-commerce environments, providing a robust operational framework for businesses. 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. /downloadfilepdf/11432