Tel: +998901234567
Search

№ 7 (2025)
Marketing

Articles

РАЗРАБОТКА МЕТОДИЧЕСКИХ ПОДХОДОВ К ПОВЫШЕНИЮ ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ СИСТЕМ КОНКУРЕНТНОЙ РАЗВЕДКИ НА ПРЕДПРИЯТИЯХ

Опубликован 2025-07-31

Авторы
Tursunxoʻjayev Sardor Jamoliddin oʻgʻli
Организация
Ученый секретарь Центра исследований конкурентной политики и прав потребителей при Комитете по развитию конкуренции и защите прав потребителей Республики Узбекистан, к.э.н.
PDF (узбекский) Google Scholar Google Scholar

Аннотация

В статье рассмотрены возможности использования современных технологий для развития систем конкурентной разведки на предприятиях. Описаны преимущества моделей Attention -LSTM и transfer learning при прогнозировании поведения клиентов и определении спроса на новые продукты. Показано, что технологии машинного обучения и методология FBS-SE играют важную роль в повышении эффективности производства и ускорении процесса принятия решений. Установлено, что цифровая трансформация и «зеленые» инновации оказывают положи тельное влияние на устойчивое развитие и конкурентоспособность. Результаты исследования позволили выработать практические рекомендации по повышению эффективности систем конкурентной разведки.

Ключевые слова

конкурентная разведка, искусственный интеллект, машинное обучение, transfer learning, Attention -LSTM, цифровая трансформация, методология FBS-SE

Библиографические ссылки

  1. Kasemrat, R., & Kraiwanit, T. (2025). Attention -enhanced LSTM for high - value customer behavior prediction: Insights from Thailandʼs e -commerce sector. Intelligent Systems with Applications, 26, 200523. https://doi.org/10.1016/j.iswa.2025.200523
  2. Ahmed, S., Chakrabortty, R. K., & Essam, D. L. (2025). A multi -source multi - layer -based transfer learning approach for forecasting customer demands of newly launched products. Intelligent Systems with Applications, 27, 200548. https://doi.org/10.1016/j.iswa.2025.200548
  3. Ahmed, Y . S., & Milani, A. S. (2025). A review of strategies, challenges, and ethical implications of machine learning in smart manufacturing. Decision Analytics Journal, 16, 100591. https://doi.org/10.1016/j.dajour.2025.100591
  4. Liu, Y ., Wang, J., Li, Y ., Dong, W., & Dang, L. (2025). Research on function - behavior -structure -based software engineering methodology for software defined systems. Space Habitation, 1, 100003 . https://doi.org/10.1016/j.spaceh.2025.100003
  5. Żywiołek, J., Wolniak, R., & Grebski, W. W. (2025). From traditional to digital: The paradigm shift in the energy sector through green innovation. Energy Reports, 14, 1–16. https://doi.org/10.1016/j.egyr.2025.05.080
  6. Nugroho, H. Y . S. H., Basuki, T. M., Pratiwi, E., Savitri, E., et al. (2025). Advancing air quality monitoring systems towards sustainable green development: Insight for metropolitan cities in Indonesia. Environmental and Sustainability Indicators, 26, 100649. https://doi.org/10.1016/j.indic.2025.100649
  7. Shokrollahi, M. (2025). Studying the role of organizational culture and artificial intelligence integration in business performance. Journal of Investment Banking and Finance. Retrieved from https://www.researchgate.net/publication/393902800
  8. Achanta, P. R. D. (2024). Operationalizing AI with MongoDB Atlas to streamline scalable NoSQL intelligence. ResearchGate. Retrieved from https://www.researchgate.net/publication/393844296

Скачивания

Данные скачивания пока недоступны.