شماره دانشجوئی: ۴۰۱۸۷۱۰۲۷
نشانی الکترونیکی:  shima_roostaind.iust.ac.ir

استاد راهنما: آقای دکتر سید جعفر سجادی 
استاد مشاور: آقای دکتر احمد ماکوئی
اساتید داور داخلی: خانم دکتر فرناز برزین‌پور-  آقای دکتر ابراهیم تیموری​
اساتید داور خارجی: آقای دکتر رضا توکلی‌مقدم- آقای دکتر عماد روغنیان 
زمان دفاع:  ۱۹ فروردین ماه ۱۴۰۵- ساعت ۸ صبح - مجازی (ایام جنگ)

چکیده:
در عصر خرده‌فروشی همه‌کاناله، تصمیم‌گیری یکپارچه در مورد قیمت‌گذاری، موجودی، مجموعه محصولات و زمان تحویل، با در نظر گرفتن رفتار پویای مشتری، به یک چالش اساسی تبدیل شده است. پژوهش‌های پیشین غالباً این تصمیمات را به صورت مجزا بررسی کرده و وفاداری مشتری را به عنوان سازه‌ای ایستا و کیفی در نظر گرفته‌اند. پژوهش‌های پیشین عمدتاً بر عوامل مؤثر بر وفاداری مشتری به‌صورت جداگانه تمرکز داشته‌اند و تصمیمات مرتبط با وفاداری معمولاً رویکرد مدیریتی و سنتی داشته و در مدل‌های بهینه‌سازی عملیاتی و تصمیم‌گیری ریاضی لحاظ نشده‌اند. این مطالعه برای اولین بار یک چارچوب یکپارچه و داده‌محور ارائه می‌دهد که در آن وفاداری مشتری به عنوان یک متغیر پویا، کمی و پیش‌بینی‌پذیر مدل‌سازی شده و در قلب تصمیمات عملیاتی قرار می‌گیرد.
در مرحله نخست، وفاداری مشتریان با استفاده از یک رویکرد ترکیبی نوآورانه مبتنی بر شبکه‌های عصبی پیچشی گراف برای مدل‌سازی تعاملات شبکه‌ای و معماری ترنسفورمر برای درک وابستگی‌های زمانی رفتار خرید، پیش‌بینی می‌شود. مقایسه نتایج این مدل با مدل پایه مبتنی بر شاخص‌های تازگی-تکرار-ارزش زمانی و ارزش طول عمر مشتریان نشان می‌دهد که مدل پیشنهادی در شرایط متغیر بازار دقت بیشتری در پیش‌بینی وفاداری مشتریان ارائه می‌دهد و امکان شناسایی دقیق‌تر مشتریان ارزشمند و در معرض ریزش را فراهم می‌کند. افزون بر این، استفاده از وفاداری پیش‌بینی‌شده در یک سیستم توصیه‌گر، نرخ پذیرش پیشنهادها را تا ۳۵ درصد افزایش داده و به طور معناداری ارزش طول عمر مشتری را ارتقا می‌بخشد. این چارچوب با ارائه بینش‌های عملی برای تخصیص بهینه منابع، طراحی کمپین‌های شخصی‌سازی‌شده و مدیریت پایدار زنجیره تأمین، گامی مؤثر در جهت تحقق خرده‌فروشی هوشمند و مشتری‌محور برمی‌دارد.
 در مرحله دوم، یک مدل بهینه‌سازی چندهدفه استوار توسعه یافته که به طور هم‌زمان به بیشینه‌سازی سود، بیشینه‌سازی وفاداری مشتری و کمینه‌سازی انتشار دی‌اکسید کربن می‌پردازد. نتایج حل مدل مجموعه‌ای از راهکارهای غیرمغلوب را در جبهه پارتو ارائه می‌دهد که امکان انتخاب سیاست‌های مختلف تصمیم‌گیری متناسب با اولویت‌های مدیریتی را فراهم می‌سازد. تحلیل حساسیت نیز نشان می‌دهد که هماهنگی میان کانال‌های فروش بیشترین اثر مثبت را بر افزایش وفاداری مشتریان دارد.
برای مواجهه با پویایی محیط، یک بازی پویا طراحی و با الگوریتم یادگیری تقویتی بهینه سازی سیاست مجاور تلفیق شده است تا سیاست‌های بهینه و تطبیقی در تعامل با مشتریان و رقبا استخراج شود. نتایج شبیه‌سازی‌های گسترده نشان می‌دهد که چارچوب پیشنهادی در مقایسه با مدل‌های پایه (مانند اگوریتم ژنتیک و بهینه سازی سیاست مجاور ایستا) بهبود ۹ تا ۱۵ درصدی در سودآوری و دقت پیش‌بینی وفاداری را به همراه دارد.
در مجموع، یافته‌های پژوهش نشان می‌دهد که ترکیب روش‌های پیشرفته یادگیری ماشین با مدل‌های بهینه‌سازی چندهدفه استوار می‌تواند ابزاری مؤثر برای پشتیبانی از تصمیم‌گیری داده‌محور در خرده‌فروشی همه‌کاناله فراهم کرده و به بهبود همزمان عملکرد اقتصادی، مدیریت وفاداری مشتری و پایداری محیط‌زیستی کمک کند.

واژه‌های کلیدی: خرده‌فروشی همه‌کاناله، وفاداری، هماهنگی بین کانال‌ها، کاهش انتشار دی‌اکسید کربن ، یادگیری تقویتی