Sharibaev Rasuljon Nosir oʻgʻli
- Marketing jurnali 2025 yil, 10-son
- 1 нояб.
- 2 мин. чтения
UMUMIY OVQATLANISH KORXONALARIDA MASHINAVIY
OʻRGANISH USULLARI ORQALI TALABNI TAHLIL QILISHGA
USLUBIY YONDASHULAR
Sharibaev Rasuljon Nosir oʻgʻli
Namangan davlat texnika universiteti assistenti
ORCID: 0009-0002-6278-5643
E-mail: sharibaye.r.n@gmail.com
Muxitdinov Shuhrat Ziyavitdinovich
Namangan davlat texnika universiteti professori, i.f.d.
ORCID: 0000-0002-9354-7333
E-mail: muxitdinov85@list.ru
Ibragimov Isroil Usmanovich
Namangan davlat texnika universiteti dotsenti,
Iqtisod fakulteti dekani, PhD
ORCID: 0009-0009-7608-9375
E-mail: isroiljonibragimov80@gmail.com
Annotatsiya
Maqolada ovqatlanish korxonalari (kafelar, restoranlar, korporativ oshxonalar)
uchun talabni prognozlash hamda dinamik narxlashning nazariy va amaliy asoslari
yoritiladi. Talab prognozida vaqt qatori yondashuvlari (ARIMA oilasi, TBATS),
zamonaviy mashinaviy oʻrganish (Random Forest, Gradient Boosting,
XGBoost/LightGBM) va chuqur oʻrganish (RNN/LSTM) modellari taqqoslanadi;
tashqi omillar (ob-havo, taʼtil va tadbirlar, menyu oʻzgarishlari, yetkazib berish
kanallari)ni integratsiya qilish yoʻllari koʻrsatiladi. Dinamik narxlash boʻyicha
kontekstual banditlar va mustahkamlovchi oʻrganish (RL) asosidagi algoritmlar, narxelastiklikni
baholash, tez buziluvchi (perishable) zaxiralar va quvvat cheklovlari bilan
bogʻliq optimallashtirish muammolari muhokama qilinadi. Amaliy boʻlimda
maʼlumotlar quvuri, xatolik metrikalari, A/B sinovlar va adolat (fairness) cheklovlari
uchun tavsiyalar beriladi.
Kalit soʻzlar: talab prognozi, dinamik narxlash, kontekstual bandit,
mustahkamlovchi oʻrganish, LSTM, elastiklik, tez buziluvchi zaxiralar.
Аннотация
В статье рассмотрены теоретические и прикладные основы
прогнозирования спроса и динамического ценообразования для предприятий
общественного питания. Сопоставляются модели временных рядов,
классические ML-подходы и глубокие нейросети (LSTM) с учётом экзогенных
факторов; обсуждаются алгоритмы контекстных бандитов и обучения с
подкреплением для ценообразования с ограничениями по запасам/вместимости,
оценкой эластичности спроса, A/B-тестами и справедливостью
ценообразования.
Ключевые слова: прогноз спроса, динамическое ценообразование,
контекстные бандиты, RL, LSTM, эластичность.
Abstract
The paper outlines theoretical and practical foundations of demand forecasting
and dynamic pricing for foodservice enterprises. We compare time-series, classical
ML, and deep learning (LSTM) approaches with exogenous drivers. For pricing, we
discuss contextual bandits and reinforcement learning with perishability and capacity
constraints, demand elasticity estimation, A/B testing, and fairness considerations.
Keywords: demand forecasting, dynamic pricing, contextual bandits,
reinforcement learning, LSTM, elasticity.
Комментарии