Детальная информация

В этой диссертации исследуется преобразующий потенциал искусственного интеллекта (ИИ) в уточнении и оптимизации стратегий ценообразования в высококонкурентной отрасли электронной коммерции. В частности, в ней исследуется, как сети с долговременной краткосрочной памятью (LSTM), сложный тип рекуррентной нейронной сети, предназначенной для анализа данных последовательностей, могут использоваться для динамической корректировки цен в режиме реального времени. В этом исследовании тщательно разрабатывается и оценивается модель LSTM, которая обрабатывает обширные наборы данных, включающие такие переменные, как модели покупок потребителей, колебания рынка и подробные характеристики продукта, для определения оптимальных стратегий ценообразования. Методология исследования включает сбор и анализ крупномасштабных данных о транзакциях электронной коммерции с последующим применением сетей LSTM для прогнозирования оптимальных ценовых точек. Такой подход не только повышает точность моделей ценообразования, но и адаптируется к постоянно меняющейся динамике рынка электронной коммерции, тем самым увеличивая прибыльность бизнеса и отзывчивость рынка. Кроме того, в диссертации рассматриваются существенные проблемы, связанные с внедрением ИИ в стратегии ценообразования, включая технические препятствия, потребность в огромных объемах обучающих данных и потенциальные предубеждения в алгоритмах ИИ. В нем также рассматриваются этические аспекты, такие как последствия конфиденциальности данных и риск непреднамеренной дискриминации в решениях по ценообразованию, основанных на ИИ. В исследовании предлагаются надежные стратегии и передовые методы для снижения этих рисков, гарантируя, что интеграция ИИ будет соответствовать этическим стандартам и нормативным требованиям.

This thesis explores the transformative potential of artificial intelligence (AI) in refining and optimizing pricing strategies within the highly competitive e-commerce industry. Specifically, it investigates how Long Short-Term Memory (LSTM) networks, a sophisticated type of recurrent neural network designed to analyze sequence data, can be utilized to dynamically adjust pricing in real-time. This study meticulously develops and evaluates an LSTM model that processes extensive datasets incorporating variables such as consumer purchase patterns, market fluctuations, and detailed product characteristics to determine optimal pricing strategies. The research methodology includes the collection and analysis of large-scale e-commerce transaction data, followed by the application of LSTM networks to predict optimal price points. This approach not only enhances the accuracy of pricing models but also adapts to the ever-changing e-commerce market dynamics, thereby increasing business rofitability and market responsiveness. Furthermore, the thesis addresses the significant challenges associated with implementing AI in pricing strategies, including technical hurdles, the need for vast amounts of training data, and potential biases in AI algorithms. It also delves into ethical considerations, such as the implications of data privacy and the risk of unintentional discrimination in AI-driven pricing decisions. The study proposes robust strategies and best practices for mitigating these risks, ensuring that AI integration adheres to ethical standards and regulatory requirements.