بررسی تأثیر هوش مصنوعی بر توسعه سیستم‌های پیش‌بینی تقاضا برای کسب‌وکارهای خرده‌فروشی
کلمات کلیدی:
دیجیتالی‌سازی, راهبردهای کارآفرینانه, صنایع خلاق, نوآوری, توسعه پایدارچکیده
این مطالعه با هدف بررسی نحوه تأثیرگذاری هوش مصنوعی بر توسعه سیستم‌های پیش‌بینی تقاضا در کسب‌وکارهای خرده‌فروشی انجام شده است، به منظور شناسایی مزایا، چالش‌ها و فرصت‌های ارائه شده توسط فناوری‌های هوش مصنوعی. یک طرح تحقیق کیفی اتخاذ شد، که در آن از مصاحبه‌های نیمه‌ساختاریافته به عنوان روش اصلی جمع‌آوری داده‌ها استفاده شده است. شرکت‌کنندگان شامل ۲۰ مدیر و کارشناس در زمینه‌های خرده‌فروشی و فناوری اطلاعات بودند که از طریق نمونه‌گیری هدفمند انتخاب شدند. پنج مضمون اصلی شناسایی شدند: استفاده از هوش مصنوعی در پیش‌بینی تقاضا، چالش‌ها در پیاده‌سازی هوش مصنوعی، فرصت‌های ایجاد شده توسط هوش مصنوعی، اثرات بر سازمان و استراتژی، و تأثیرات اجتماعی و اخلاقی. مشخص شد که هوش مصنوعی دقت پیش‌بینی تقاضا، کارایی عملیاتی، و رضایت مشتری را بهبود می‌بخشد. با این حال، چالش‌های فنی، سازمانی و مالی نیز مورد توجه قرار گرفت. علی‌رغم چالش‌های مرتبط با پیاده‌سازی هوش مصنوعی، این مطالعه به این نتیجه رسید که هوش مصنوعی تأثیر مثبت قابل توجهی بر بهبود پیش‌بینی تقاضا و عملکرد کلی کسب‌وکارهای خرده‌فروشی دارد. خرده‌فروشان تشویق می‌شوند تا برای حفظ رقابتی بودن در بازار به سرعت در حال تحول، از فناوری‌های هوش مصنوعی استفاده کنند.
دانلودها
مراجع
Brau, R. I., Sanders, N. R., Aloysius, J., & Williams, D. (2023). Utilizing People, Analytics, and AI for Decision Making in
the Digitalized Retail Supply Chain. Journal of Business Logistics. https://doi.org/10.1111/jbl.12355
Giri, C., & Chen, Y. (2022). Deep Learning for Demand Forecasting in the Fashion and Apparel Retail Industry. Forecasting.
https://doi.org/10.3390/forecast4020031
Jain, A., & Ormsbee, L. (2001). A Decision Support System for Drought Characterization and Management. Civil Engineering
and Environmental Systems. https://doi.org/10.1080/02630250108970296
Jiang, K., Qin, M., & Li, S. (2022). Chatbots in Retail: How Do They Affect the Continued Use and Purchase Intentions of
Chinese Consumers? Journal of Consumer Behaviour. https://doi.org/10.1002/cb.2034
Kilimci, Z. H., Akyuz, A. O., Akyokuş, S., Uysal, M., Bülbül, B. A., & Ekmis, M. A. (2019). An Improved Demand Forecasting
Model Using Deep Learning Approach and Proposed Decision Integration Strategy for Supply Chain. Complexity.
https://doi.org/10.1155/2019/9067367
Kolková, A., & Ključnikov, A. (2022). Demand Forecasting: AI-based, Statistical and Hybrid Models vs Practice-Based
Models - The Case of SMEs and Large Enterprises. Economics & Sociology. https://doi.org/10.14254/2071-789x.2022/15-
/2
Lin, L., & Zhang, W. (2019). Precision Marketing Driven by the Internet Supply Chain in the New Retail Era.
https://doi.org/10.2991/febm-19.2019.52
Oosthuizen, K., Botha, E., Robertson, J., & Montecchi, M. (2020). Artificial Intelligence in Retail: The AI-enabled Value
Chain. Australasian Marketing Journal (Amj). https://doi.org/10.1016/j.ausmj.2020.07.007
Souhe, F. G. Y., Mbey, C. F., Boum, A. T., & Ele, P. (2021). Forecasting of Electrical Energy Consumption of Households in
a Smart Grid. International Journal of Energy Economics and Policy. https://doi.org/10.32479/ijeep.11761
Yang, G., Ji, G., & Tan, K. H. (2020). Impact of Artificial Intelligence Adoption on Online Returns Policies. Annals of
Operations Research. https://doi.org/10.1007/s10479-020-03602-y
