الگوی استقرار بازاریابی دیجیتال با تأکید بر ظرفیت‌های هوش مصنوعی

کرمی, خسرو; فرجام, سعید; شاه نظری, علی

doi:JABM.3.2.1564.380256.32911

الگوی استقرار بازاریابی دیجیتال با تأکید بر ظرفیت‌های هوش مصنوعی

نوع مقاله : استخراج از رساله دکتری

نویسندگان

خسرو کرمی ¹

سعید فرجام ²

علی شاه نظری ²

¹ دانشجوی دکتری مدیریت بازرگانی، دانشکده‌ علوم انسانی، دانشگاه پیام نور، تهران، ایران.

² گروه مدیریت بازرگانی، دانشگاه پیام نور، تهران، ایران.

JABM.3.2.1564.380256.32911

چکیده

در میان پیشرفت‌های اخیر فناوری‌های اطلاعات و ارتباطات، هوش مصنوعی به‌دلیل قدرت محاسباتی افزایش‌یافته، ظهور داده‌های بزرگ و پیشرفت الگوریتم‌ها و مدل‌های یادگیری ماشین توجهاتی ویژه را در حوزه‌ی بازاریابی به خود جلب کرده است. با توجه به پیشرفت سریع فناوری‌های مبتنی بر هوش مصنوعی، بازاریابی آینده، به‌ویژه راهبرد‌های بازاریابی دیجیتال، نیازمند یکپارچه‌سازی مدل‌های جدید فرآیند فروش، خرده‌فروشی آنلاین، خدمات مشتری و مدیریت ارتباط، و ارزیابی رفتار مشتری است. نظر به اهمیت موضوع اخیر، پژوهش حاضر می‌کوشد به این پرسش اصلی پژوهش پاسخ دهد که الگوی استقرار بازاریابی دیجیتال مبتنی بر هوش مصنوعی از چه مؤلفه‌هایی برخوردار است؟ مطالعه‌ی حاضر از روش تلفیقی (کیفی و کمی) برای بررسی موضوع پژوهش استفاده کرده است. در بخش کیفی از روش گراندد تئوری و در بخش کمی از مدل‌سازی معادلات ساختاری استفاده شده است. یافته‌های پژوهش نشان می‌دهند که الگوی بازاریابی دیجیتال مبتنی بر هوش مصنوعی دارای شش حوزه‌ی اصلی است: شرایط علی (حجم عظیم داده‌ها و نیاز به تحلیل داده‌های پیچیده)، عوامل زمینه‌ساز (رشد فزاینده‌ی تعاملات آنلاین و ضعف روش‌های سنتی تحلیل داده‌ها)، عوامل مداخله‌گر (نیازهای نرم‌افزاری و نیازهای سخت‌افزاری)، راهبردها (داده‌کاوی، تشخیص تصویر و تحلیل پیشگویانه) و پیامدها (تقویت تحلیل، مدیریت محصول، مدیریت مشتری و بازاریابی مؤثر).

کلیدواژه‌ها

هوش مصنوعی

داده‌های بزرگ

بازاریابی دیجیتال

مدیریت محصول

مدیریت مشتری

موضوعات

بازاریابی

عنوان مقاله English

Digital deployment model with control over AI structures

نویسندگان English

Khosrow karami ¹

Saeid Farjam ²

Ali Shahnazari ²

¹ Doctoral Student in Business Administration, Faculty of Humanities, Payam Noor University, Tehran, Iran.

² Department of Business Management, Payam Noor University, Tehran, Iran.

چکیده English

Among the recent advances in information and communication technologies, artificial intelligence has attracted special attention in the field of marketing due to its increased computing power, the emergence of big data, and the advancement of machine learning algorithms and models. Given the rapid development of AI-based technologies, future marketing, particularly digital marketing strategies, requires the integration of new models for the sales process, online retailing, customer service, and relationship management, as well as customer behavior assessment. The study presented here attempts to answer the question: What are the components of an AI-based digital marketing model? The present study used a mixed method (grounded theory and structural equation modeling). The findings show that AI-based digital marketing has six areas of causal conditions (massive data and the need for complex data analysis), contextual factors (increasing growth of online interactions and weakness of traditional data analysis methods), interfering factors (software needs and hardware needs), strategies (data mining, image recognition, and predictive analytics), and consequences (enhanced analytics, product management, customer management, and effective marketing).

کلیدواژه‌ها English

Artificial intelligence

Big data

Digital marketing

Product management

Customer management

Abdul-Kader, S. A., & Woods, J. C. (2015). Survey on chatbot design techniques in speech conversation systems. International Journal of Advanced Computer Science and Applications, 6(7).

Arevalillo, J. M. (2019). A machine learning approach to assess price sensitivity with application to automobile loan segmentation. Applied Soft Computing, 76, 390-399.

Chin, W. W. (1998). The partial least squares approach to structural equation modeling. Modern methods for business research, 295(2), 295-336.

Chylinski, M., Heller, J., Hilken, T., Keeling, D. I., Mahr, D., & de Ruyter, K. (2020). Augmented reality marketing: A technology-enabled approach to situated customer experience. Australasian Marketing Journal, 28(4), 374-384.

Cohen, J. (2013). Statistical power analysis for the behavioral sciences. Routledge.

Dale, R. (2016). The return of the chatbots. Natural language engineering, 22(5), 811-817.

Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48, 24-42.

Dekimpe, M. G. (2020). Retailing and retailing research in the age of big data analytics. International Journal of Research in Marketing, 37(1), 3-14.

Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of marketing research, 18(1), 39-50.

Glaser, B., & Strauss, A. (2017). Discovery of grounded theory: Strategies for qualitative research. Routledge.

Hilken, T., De Ruyter, K., Chylinski, M., Mahr, D., & Keeling, D. I. (2017). Augmenting the eye of the beholder: exploring the strategic potential of augmented reality to enhance online service experiences. Journal of the Academy of Marketing Science, 45, 884-905.

Huang, M. H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49, 30-50.

Kline, R. B. (2023). Principles and practice of structural equation modeling. Guilford publications.

Kumar, V., Rajan, B., Venkatesan, R., & Lecinski, J. (2019). Understanding the role of artificial intelligence in personalized engagement marketing. California management review, 61(4), 135-155.

Lee, H., & Cho, C. H. (2020). Digital advertising: present and future prospects. International Journal of Advertising, 39(3), 332-341.

Liu, X. (2020). De-targeting to signal quality. International Journal of Research in Marketing, 37(2), 386-404.

Lowry, P. B., & Gaskin, J. (2014). Partial least squares (PLS) structural equation modeling (SEM) for building and testing behavioral causal theory: When to choose it and how to use it. IEEE transactions on professional communication, 57(2), 123-146.

Nunnally, J. C., & Bernstein, I. H. (1994). The assessment of reliability. Psychometric Theory, 3(1), 248-292.

Orriols-Puig, A., Casillas, J., & Martínez-López, F. J. (2010). Automatic discovery of potential causal structures in marketing databases based on fuzzy association rules. Marketing Intelligent Systems Using Soft Computing: Managerial and Research Applications, 181-206.

Ozturkcan, S. (2021). Service innovation: Using augmented reality in the IKEA Place app. Journal of Information Technology Teaching Cases, 11(1), 8-13.

Siriwardhana, Y., Porambage, P., Liyanage, M., & Ylianttila, M. (2021). A survey on mobile augmented reality with 5G mobile edge computing: Architectures, applications, and technical aspects. IEEE Communications Surveys & Tutorials, 23(2), 1160-1192.

Sismeiro, C., & Bucklin, R. E. (2004). Modeling purchase behavior at an e-commerce web site: A task-completion approach. Journal of marketing research, 41(3), 306-323.

Taufique, K. M. R., & Mahiuddin Sabbir, M. (2023). The Future of Digital Marketing: How Would Artificial Intelligence Change the Directions?. In Computational Intelligence for Modern Business Systems: Emerging Applications and Strategies (pp. 157-183). Singapore: Springer Nature Singapore.

Toader, D. C., Boca, G., Toader, R., Măcelaru, M., Toader, C., Ighian, D., & Rădulescu, A. T. (2019). The effect of social presence and chatbot errors on trust. Sustainability, 12(1), 256.

Vlačić, B., Corbo, L., e Silva, S. C., & Dabić, M. (2021). The evolving role of artificial intelligence in marketing: A review and research agenda. Journal of business research, 128, 187-203.

Westland, J. C. (2010). Lower bounds on sample size in structural equation modeling. Electronic commerce research and applications, 9(6), 476-487.

Wulf, J., Mettler, T., Ludwig, S., & Herhausen, D. (2019). A computational visual analysis of image design in social media. In Proceedings of the 27th European Conference on Information Systems (pp. 1-16). Association for Information Systems.