مقاله انگلیسی بهبود استراتژی های قیمت گذاری با یادگیری ماشینی در بخش لوازم یدکی خودرو

سلام دوست من ، توی این پست براتون یه مقاله جدید که در دسته مقالات مدیریت بازرگانی هست، منتشر کردیم. این مقاله یه مقاله ISI و علمی پژوهشی هست که توی پایگاه  امرالد در سال ۲۰۲۴ منتشر شده. فایل انگلیسی ۱۳ صفحه PDF هست بخش هایی از مقاله انگلیسی ترجمه شده که قبل از سفارش می تونید کیفیت ترجمه رو بررسی کنید. برای سفارش ترجمه کامل مقاله روی گزینه ثبت سفارش ترجمه کلیک کنید بعد از ثبت سفارش پیش فاکتور از طریق ایمیل و پیامک خدمتتون ارسال میشه. اگر سوالی بود می تونید زیر این پست کامنت بزارید سریع جوابتونو میدم.

عنوان فارسی:

بهبود استراتژی های قیمت گذاری با یادگیری ماشینی در بخش لوازم یدکی خودرو

عنوان انگلیسی:

Enhancing pricing strategies in the aftermarket sector with machine learning

کد محصول: M1793

سال نشر: ۲۰۲۴

نام ناشر (پایگاه داده): امرالد

نام مجله: Modern Supply Chain Research and Applications

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: دارد

مدل مفهومی:  دارد

پرسشنامه : دارد 

تعداد صفحه انگلیسی:  ۱۳ صفحه PDF

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:M1793)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده فارسی

Abstract  

Purpose – This research explores the application of machine learning to optimize pricing strategies in the aftermarket sector, particularly focusing on parts with no assigned values and the detection of outliers. The study emphasizes the need to incorporate technical features to improve pricing accuracy and decision-making.

Design/methodology/approach – The methodology involves data collection from web scraping and backend sources, followed by data preprocessing, feature engineering and model selection to capture the technical attributes of parts. A Random Forest Regressor model is chosen and trained to predict prices, achieving a 76.14% accuracy rate.

Findings – The model demonstrates accurate price prediction for parts with no assigned values while remaining within an acceptable price range. Additionally, outliers representing extreme pricing scenarios are successfully identified and predicted within the acceptable range.

Originality/value – This research bridges the gap between industry practice and academic research by demonstrating the effectiveness of machine learning for aftermarket pricing optimization. It offers an approach to address the challenges of pricing parts without assigned values and identifying outliers, potentially leading to increased revenue, sharper pricing tactics and a competitive advantage for aftermarket companies.

Keywords Aftermarket, Machine learning, Price prediction