ارائه يك مدل قيمت گذاري پويا و مبتني بر هوش مصنوعي به‌منظور كاهش ضايعات مواد غذايي و بهبود سود خرده‌فروشان

اصفهان : دانشگاه صنعتي اصفهان

مهندسي صنايع

كارشناسي ارشد

در دنياي امروز، با افزايش جمعيت و تغييرات سريع اقتصادي، مسأله‌ي امنيت غذايي و مديريت بهينه‌ي منابع، بيش از پيش مورد توجه قرار گرفته‌است. يكي از چالش‌هاي اساسي در اين حوزه، مديريت ضايعات مواد غذايي در زنجيره‌تأمين، به‌ويژه در سطح خرده‌فروشي است. افزايش ضايعات نه‌تنها منجر به هدررفت منابع مي‌شود، بلكه كاهش سودآوري خرده‌فروشان و ايجاد آسيب‌هاي اجتماعي و زيست‌محيطي را نيز به‌دنبال دارد. همچنين، تغييرات رفتار مصرف‌كننده و عدم پيش‌بيني مناسب تقاضا از جمله عواملي هستند كه ضايعات مواد غذايي را در سطح خرده‌فروشي تشديد مي‌كنند. به همين دليل، ايجاد راهكارهايي كه بتوانند به‌صورت پويا به مديريت اين ضايعات بپردازند، امري ضروري به نظر مي‌رسد. در اين پژوهش، با هدف كاهش ضايعات مواد غذايي و بهبود سودآوري خرده‌فروشي‌ها، سياست‌هاي تبليغاتي و تخفيفاتي پويا مورد بررسي قرار گرفته‌است. اين سياست‌ها با در نظر گرفتن پارامترهايي نظير موجودي، تاريخ انقضا، و وضعيت اقتصادي مصرف‌كنندگان، بهينه‌سازي شده و بر مبناي آن، مدل‌هايي براي پيش‌بيني ميزان ضايعات و تخفيف بهينه، ارائه شده‌اند. در اين راستا، داده‌هاي واقعي از خرده‌فروشان يك منطقه‌ي جغرافيايي خاص، جمع‌آوري و تحليل شد. اين داده‌ها شامل اطلاعاتي درباره موجودي، فروش، تاريخ انقضاي محصولات، و سياست‌هاي تخفيفاتي اعمال‌شده در گذشته بودند. براي به‌كارگيري داده‌هاي جمع‌آوري‌شده در مدل‌ها، فرايندهاي پيش‌پردازشي شامل پاك‌سازي داده‌ها، حذف داده‌هاي ناقص و نرمال‌سازي، انجام گرفت. سپس، سياست تبليغاتي و تخفيفاتي «يكي بخر-يكي رايگان ببر» بر اساس يك تحقيق پايه، پوياسازي شد؛ به‌نحوي كه سياست بهينه‌، در شرايط مختلف، وابسته به شاخص‌هاي موجودي اقلام، زمان ماندگاري اقلام و سود خرده‌فروش، پيشنهاد شد. اين سياست‌ها به‌صورت پويا به‌گونه‌اي تنظيم شدند كه بتوانند به تغييرات تقاضا در زمان‌هاي مختلف پاسخ دهند و از ضايعات اقلام، جلوگيري كنند. در ادامه، مدل‌هاي مختلف شبكه‌هاي عصبي از جمله حافظه طولاني كوتاه‌مدت، حافظه طولاني كوتاه‌مدت دوطرفه و مدل بازگشتي ساده براي بهينه‌سازي سياست‌هاي تخفيفاتي و تبليغاتي با هدف كاهش ضايعات و افزايش سودآوري، روي داده‌هاي چهار گروه محصولي شامل نان و غلات، اقلام پروتئيني، غذاهاي نيمه‌آماده، و محصولات لبني، پياده‌سازي و ارزيابي شدند. اين مدل‌ها با بهره‌گيري از داده‌هاي واقعي به‌دست‌آمده از فروشگاه‌هاي مورد مطالعه، آموزش ديده و بهينه‌سازي شدند تا بتوانند به‌طور دقيق ميزان ضايعات و بهترين زمان تخفيفات را پيش‌بيني كنند. انتخاب مناسب‌ هايپرپارامترها براي مدل‌هاي شبكه عصبي و تنظيمات دقيق در فرآيند آموزش، به‌طور مؤثري باعث بهبود دقت پيش‌بيني مدل‌ها شد. همچنين، استفاده از روش‌هاي بهينه‌سازي و كاهش واريانس در داده‌ها باعث بهبود عملكرد مدل‌ها و كاهش خطا در پيش‌بيني‌ها شد. نتايج پژوهش، نشان داد كه پوياسازي سياست‌هاي تخفيفاتي و تبليغاتي نه‌تنها سودآوري خرده‌فروشان را بهبود مي‌بخشد، بلكه به كاهش ضايعات اقلام غذايي نيز منجر مي‌شود. در گروه نان و غلات، مدل مبتني بر مدل حافظه طولاني كوتاه‌مدت توانست تخفيف‌هاي بهينه را پيش‌بيني كند و ضايعات را تقريباً به صفر برساند. همچنين در گروه اقلام پروتئيني، مدل حافظه طولاني كوتاه‌مدت دوطرفه با اعمال تخفيف‌هاي هوشمند، ضايعات را به حداقل رساند، اما تخفيف‌هاي بيش از حد، گاه منجر به كاهش درآمد شد كه نياز به تنظيم دقيق‌تري داشت. در گروه غذاهاي نيمه‌آماده، مدل حافظه طولاني كوتاه‌مدت توانست با پيش‌بيني تقاضا و شرايط بازار، ضايعات را به‌طور قابل‌توجهي كاهش دهد. علاوه‌براين، مدل بازگشتي ساده در گروه محصولات لبني با كاهش خطا در پيش‌بيني‌ها، عملكرد مناسبي از خود نشان داد و منجر به افزايش سودآوري شد. تحليل‌هاي عددي نشان داد كه مدل‌هاي هوشمند پيشنهادي در مقايسه با سياست‌هاي سنتي تخفيفاتي مانند «يكي بخر دوتا ببر»، با كاهش ضايعات و افزايش سودآوري، عملكرد بهتري داشتند. اين مدل‌ها با تطبيق‌پذيري بالا و توانايي واكنش سريع به تغييرات تقاضا، به خرده‌فروشان امكان بهينه‌سازي سياست‌هاي تخفيفاتي و تبليغاتي را دادند. به‌عنوان مثال، مدل‌هاي آموزش‌ديده، نشان دادند كه استفاده از تخفيف‌هاي هوشمند نه‌تنها باعث افزايش فروش مي‌شود، بلكه ضايعات مواد غذايي را نيز به‌شدت كاهش مي‌دهد. در مقابل، سياست‌هاي تخفيفاتي سنتي در برخي موارد باعث افزايش ميزان ضايعات مي‌شود؛ زيرا مصرف‌كنندگان به‌صورت بيش از حد، اقلام را خريداري كرده و در نهايت از مصرف آن‌ها صرف‌نظر مي‌كنند.

232219

لجستيك و زنجيره‌ تأمين

مهندسي صنايع و سيستم ها

دانشگاه صنعتي اصفهان