مدیریت بازاریابی هوشمند

مدیریت بازاریابی هوشمند

پیش‌بینی اثربخشی محتوای دیجیتال در صنعت مد با استفاده از الگوریتم‌های یادگیری ماشین

نوع مقاله : استخراج از رساله دکتری

نویسندگان
مریم روستازاده شیخ یوسفی 1
سید محمد رضا داودی 2
سعید آقاسی 3
علیرضا شیروانی 3
1 دانشجوی دکتری مدیریت بازرگانی گرایش بازاریابی،دانشکده مدیریت و اقتصاد،واحد دهاقان،دانشگاه آزاد اسلامی واحد دهاقان،اصفهان،ایران.
2 گروه مدیریت،واحد دهاقان،دانشگاه ازاد اسلامی
3 گروه مدیریت، واحد دهاقان،دانشگاه آزاد اسلامی،اصفهان،ایران.
JABM.3.2.15564.3515415198
چکیده
صنعت مد با چالش تولید محتوای دیجیتال اثربخش در فضایی پر از اطلاعات روبروست؛ چالشی که تصمیم‌گیری شهودی را ناکارآمد ساخته است. پژوهش حاضر با هدف طراحی الگویی داده‌محور برای پیش‌بینی اثربخشی محتوا در لینکدین، از رویکرد ترکیبی توالی تبیینی بهره گرفته است. ابتدا با مشارکت ده متخصص بازاریابی دیجیتال و کاربرد روش تحلیل سلسله‌مراتبی (AHP)، شاخص موزون محبوبیت تعریف شد که در آن، نظرات (443/0)، بازنشرها (371/0) و لایک‌ها (186/0) با اهمیت متفاوت لحاظ گردیدند. سپس، 11,950 پست عمومی لینکدین مرتبط با صنعت مد، با رعایت ملاحظات اخلاقی و ناشناس‌سازی داده‌ها، مورد تحلیل قرار گرفت. کاربرد تکنیک‌های پردازش زبان طبیعی نشان داد که علی‌رغم غلبه محتوای مثبت (3/54 درصد)، بیش از 91 درصد پست‌ها در سطح محبوبیت ضعیف قرار دارند، یافته‌ای که پارادوکس “مثبت‌گرایی بدون اثربخشی” را آشکار می‌سازد. تحلیل واژگانی، اهمیت برجسته کلمات مرتبط با برندهای معتبر، فرصت‌های شغلی و نوآوری را در جلب توجه مخاطبان نمایان ساخت. در مرحله مدل‌سازی، الگوریتم جنگل تصادفی با قابلیت استخراج قواعد تفسیرپذیر، به عنوان مدل بهینه شناخته شد، اما علی‌رغم دقت کلی ظاهری 92 درصد، تحلیل عمیق‌تر نشان داد که مدل در پیش‌بینی محتوای موفق (کلاس‌های اقلیت) با چالش روبروست و بازخوانی آن برای طبقات “خوب” و “عالی” تنها 4 درصد است. با وجود این محدودیت، قواعد استخراج‌شده، الگوی عملی ترکیب اعتبار برند، ارزش ملموس و لحن مثبت را برای تولید محتوای اثربخش ارائه می‌دهند. این پژوهش با پیوند دانش کیفی خبرگان و قدرت تحلیلی یادگیری ماشین، چارچوبی عملیاتی برای گذار از تصمیم‌گیری شهودی به تصمیمات مبتنی بر شواهد در بازاریابی محتوایی صنعت مد فراهم می‌آورد.
کلیدواژه‌ها
بازاریابی محتوایی
تحلیل سلسله‌مراتبی
یادگیری ماشین
جنگل تصادفی
صنعت مد
تحلیل احساسات

موضوعات

عنوان مقاله English

Predicting the effectiveness of digital content in the fashion industry using machine learning algorithms

نویسندگان English

Maryam Roustazadeh Sheikh Yousefi 1
sayyed mohammadreza davoodi 2
Saeid Aghasi 3
Alireza Shirvani 3
1 Ph.D. Candidate of Business Management, marketing major, Faculty of Management and Economic, Deh.C., Islamic Azad University, Isfahan, Iran.
2 Department of management, Deh.C., Islamic Azad University, Isfahan,Iran
3 Department of management, Deh.C., IslamicAzad University, Isfahan, Iran.
چکیده English

The fashion industry faces the challenge of producing effective digital content in an information-saturated environment, a challenge that has rendered intuitive decision-making inefficient. This research aims to design a data-driven model for predicting content effectiveness on LinkedIn, employing an explanatory sequential mixed-methods approach. Initially, through the participation of ten digital marketing experts and the application of the Analytic Hierarchy Process (AHP), a weighted index of popularity was defined, incorporating comments (0/443), reshares (0/371), and likes (0/186) with varying importance. Subsequently, 11,950 public LinkedIn posts related to the fashion industry were analyzed, adhering to ethical considerations and data anonymization. The application of Natural Language Processing techniques revealed that despite the prevalence of positive content (54/3 percent), over 91 percent of posts fall into the “weak” popularity level, a finding that exposes the paradox of “positivity without effectiveness.” Lexical analysis highlighted the prominent importance of words related to reputable brands, career opportunities, and innovation in capturing audience attention. In the modeling phase, the Random Forest algorithm, with its capability for extracting interpretable rules, was identified as the optimal model. However, despite an apparent overall accuracy of 92 percent, deeper analysis indicated that the model struggles to predict successful content (minority classes), with a recall of only 4 percent for the “good” and “excellent” categories. Notwithstanding these limitations, the extracted rules offer a practical framework for combining brand credibility, tangible value, and a positive tone to produce effective content. By linking the qualitative knowledge of experts with the analytical power of machine learning, this study provides an operational framework for transitioning from intuitive decision-making to evidence-based decisions in fashion industry content marketing.

کلیدواژه‌ها English

Analytic Hierarchy Process
Content Marketing
Fashion Industry
Machine Learning
Random Forest
Sentiment Analysis
آبار، و.، فانی، م.، فتاحی، م. (1403). ارائه الگوی بازاریابی شبکه های اجتماعی در صنعت مد و پوشاک با استفاده از نظریه داده بنیاد. مدیریت پویا و تحلیل کسب و کار، 3(1)، 128-14. https://www.dmbaj.org/index.php/dmba/article/view/78
البرز، س م.، و نائینی، ا. (1402). بازاریابی صنعتی هوشمند محتوا : با رویکرد طراحی مدل قیمت‌گذاری بر ارزش‌آفرینی در بازارهای B2B. مدیریت استراتژیک هوشمند. 3(2)، 131-168. Doi: bumara.3.2.15564.359975478461
روح الهی،اع.، و قربانی، فاطمه. (1404).طراحی مدل بازاریابی هوشمند در توسعه صنعت پوشاک و لباس. مدیریت بازاریابی هوشمند. 3(6)،95-119. Doi: JABM.3.2.15564.303656.3227
جاوید، ع.، تقوایی، م.، و غلامحسین‌زاده، م. (1404). شناسایی و بررسی تاثیر عوامل و ابعاد موثر بر طراحی مدل بازاریابی کارآفرینانه در صنعت بانکداری ایران (مورد مطالعه بانک توسعه تعاون). مدیریت استراتژیک هوشمند. 4(1)، 225-256. Doi: 3.2.11235564.35886369
فاضلی ویسری، ا.، عسگری، م. ه.، و فاضلی ویسری، م. (1402). استفاده از الگوریتم فراابتکاری در بهینه سازی تاثیر بازاریابی حسی بر وفاداری مشتریان: مطالعه موردی در صنعت نساجی و پوشاک ایران. علوم و فناوری نساجی و پوشاک12(2)، 62-41.  20.1001.1.21517162.1402.12.2.4.5
فیضی، ک.، مهرانی، ه.، وظیفه دوست، ح.، و ساده، ا. (1403). طراحی مدل مفهومی بازاریابی محتوایی با رویکرد داده بنیاد. مطالعات مدیریت کسب و کار هوشمند. 12(48)،195-157. DOI: https://doi.org/10.22054/ims.2024.77052.2415
قربانی قادر، آ.، هاشمی نسب، م.، و هدایتی، م‌ص. (1403). طراحی مدل پیش‌بینی رفتار مشتریان با استفاده از الگوریتم‌های هوش مصنوعی و شبکه‌های عصبی. مدیریت استراتژیک هوشمند. 3(2)، 39-56. Doi: bumara.3.2.15564.35879841478
کرمی، خ.، فرجام، س.، و شاه نظری، ع. (1404). الگوی استقرار بازاریابی دیجیتال با تأکید بر ظرفیت‌های هوش مصنوعی. مدیریت بازاریابی هوشمند. 6(4)، 391-416. Doi: JABM.3.2.1564.380256.32911
میلانی حسینی، م‌ص.، و بغدادی، نیلوفر. (1403). روانشناختی خرید ناگهانی از طریق داده‌کاوی احساسات. مدیریت بازاریابی هوشمند. 5(4)، 424-439. Doi: JABM.3.2.15564.35125656565035
Babatunde, S. O., Okeleke, P. A., & Ijomah, T. I. (2022). Influence of brand marketing on economic development: A case study of global consumer goods companies. International Journal of Management & Entrepreneurship Research, 4(12), 692-708. DOI:10.51594/ijmer.v4i12.1418
Bakhshi, S., Shamma, D. A., & Gilbert, E. (2014). Faces engage us: Photos with faces attract more likes and comments on instagram. In Proceedings of the SIGCHI conference on human factors in computing systems (pp. 965-974). DOI:10.1145/2556288.2557403
Bansal, A., & Tharun, A. (2025). Emotional Analysis of Fashion Trends Using Social Media and AI: Sentiment Analysis on Twitter for Fashion Trend Forecasting. arXiv preprint arXiv:2505.00050. doi.org/10.48550/arXiv.2505.00050
Cortez, R. M., Johnston, W. J., & Dastidar, A. G. (2023). Managing the content of LinkedIn posts: Influence on B2B customer engagement and sales?. Journal of Business Research, 155, 113388. https://doi.org/10.1016/j.jbusres.2022.113388
Cartwright, S., Liu, H., & Davies, I. A. (2022). Influencer marketing within business-to-business organisations. Industrial Marketing Management, 106, 338-350. https://doi.org/10.1016/j.indmarman.2022.09.007
Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2021). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48(1), 24-42. https://doi.org/10.1007/s11747-019-00696-0
Farras, N. A., & Widianto, S. Predicting Linkedin Job Post Popularity in Indonesia with Machine Learning. Available at SSRN 5371790. Farras, N. A., & Widianto, S. Predicting Linkedin Job Post Popularity in Indonesia with Machine Learning.. https://dx.doi.org/10.2139/ssrn.5371790
Grewal, D., Hulland, J., Kopalle, P. K., & Karahanna, E. (2020). The future of technology and marketing: A multidisciplinary perspective. Journal of the Academy of Marketing Science, 48(1), 1-8. https://doi.org/10.1007/s11747-019-00711-4
Grand View Research. (2025). Apparel market size & forecast value report by category (mass, premium, luxury), by end use, by distribution channel (online, offline (hypermarkets & supermarkets, clothing stores, others)), and segment forecasts, 2025–2030. https://www.grandviewresearch.com/industry-analysis/apparel-market
Jalani, M. S., Ng, H., Yap, T. T. V., & Goh, V. T. (2022). Performance of sentiment classification on tweets of clothing brands. Journal of Informatics and Web Engineering, 1(1), 16-22. DOI:10.33093/jiwe.2022.1.1.2
Järvinen, J., & Taiminen, H. (2016). Harnessing marketing automation for B2B content marketing. Industrial marketing management, 54, 164-175. https://doi.org/10.1016/j.indmarman.2015.07.002
Kalasampath, K., Spoorthi, K. N., Sajeev, S., Kuppa, S. S., Ajay, K., & Angulakshmi, M. (2025). A Literature review on applications of explainable artificial intelligence (XAI). IEEE Access. DOI:10.1109/ACCESS.2025.3546681
Kannan, P. K. (2017). Digital marketing: A framework, review and research agenda. International journal of research in marketing, 34(1), 22-45. https://doi.org/10.1016/j.ijresmar.2016.11.006
Lee, E. and Weder, F. (2021). Framing sustainable fashion concepts on social media. an analysis of #slowfashionaustralia instagram posts and post-covid visions of the future. Sustainability, 13(17), 9976. https://doi.org/10.3390/su13179976
Liu, B. (2022). Sentiment analysis and opinion mining. Springer Nature.
Mandung, F. (2025). The Influence of storytelling techniques in digital marketing on brand loyalty: A Consumer Psychology Perspective. Golden Ratio of Marketing and Applied Psychology of Business, 5(1), 66-78. DOI:10.52970/grmapb.v5i1.782
Muharam, H., Wandrial, S., Rumondang, P. R., Handayani, M. A., & Masruchan, M. (2024). Innovative strategies in digital marketing: Enhancing consumer engagement and brand loyalty. Global International Journal of Innovative Research, 2(7), 1629-1643. DOI:10.59613/global.v2i7.236
Ontor, M. R. H., Iqbal, A., Ahmed, E., Tanvirahmedshuvo, & Rahman, A. (2024). Leveraging digital transformation and social media analytics for optimizing US fashion brands' performance: A machine learning approach. International Journal of Computer Science & Information System, 9(11), 45–56. https://doi.org/10.55640/ijcsis/Volume09Issue11-05
Periyasamy, A. P., & Periyasami, S. (2023). Rise of digital fashion and metaverse: influence on sustainability. Digital Economy and Sustainable Development, 1(1), 16. https://doi.org/10.1007/s44265-023-00016-z
Radford, A., Kim, J. W., Hallacy, C., Ramesh, A., Goh, G., Agarwal, S., ... & Sutskever, I. (2021). Learning transferable visual models from natural language supervision. In International conference on machine learning (pp. 8748-8763). PmLR. https://doi.org/10.48550/arXiv.2103.00020
Sundström, M., Alm, K. H., Larsson, N., & Dahlin, O. (2021). B2B social media content: engagement on LinkedIn. Journal of business & industrial marketing, 36(3), 454-468. DOI:10.1108/JBIM-02-2020-0078
Saaty, T. L. (2008). Decision making with the analytic hierarchy process. International journal of services sciences, 1(1), 83-98. DOI:10.1504/IJSSCI.2008.017590
Utami, P. M., & Dewi, A. V. (2024). Social Media's Role in Creating New Fashion Trends. Journal of Research in Social Science and Humanities, 4(1), 199-203. DOI: http://dx.doi.org/10.47679/jrssh.v4i1.120
Villarroel Ordenes, F., Grewal, D., Ludwig, S., Ruyter, K. D., Mahr, D., & Wetzels, M. (2019). Cutting through content clutter: How speech and image acts drive consumer sharing of social media brand messages. Journal of Consumer Research, 45(5), 988-1012. https://doi.org/10.1093/jcr/ucy032
Verma, S., Sharma, R., Deb, S., & Maitra, D. (2021). Artificial intelligence in marketing: Systematic review and future research direction. International Journal of Information Management Data Insights, 1(1), 100002. https://doi.org/10.1016/j.jjimei.2020.100002
Xiao, S., & Chen, X. (2025). Measuring social media customer engagement with brands based on information entropy: an application case of luxury brand: S. Xiao, X. Chen. Journal of Brand Management, 32(3), 184-202. https://doi.org/10.1057/s41262-024-00376-7

  • تاریخ دریافت 14 آبان 1404
  • تاریخ بازنگری 01 بهمن 1404
  • تاریخ پذیرش 11 بهمن 1404