طراحی مدل پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه با تأکید بر مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار مدیریت بازرگانی، دانشکدۀ علوم اجتماعی، دانشگاه محقق اردبیلی، ایران، اردبیل

2 دانشجوی دکتری مدیریت بازرگانی، دانشکدۀ علوم اجتماعی، دانشگاه محقق اردبیلی، ایران، اردبیل

10.22108/nmrj.2023.138898.2952

چکیده

استفاده از بازاریابی دیجیتال به‌عنوان کانال ارتباطی و فروش منجر به نیاز و استفاده از سیستم‌های مدیریت ارتباط با مشتری (CRM) مبتنی بر هوش مصنوعی برای مدیریت صحیح اطلاعات شرکت شده است. هدف از پژوهش حاضر طراحی مدل پیاده‌سازی بازاریابی بنگاه به بنگاه با تأکید بر مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی است. این پژوهش از نوع پژوهش‌های آمیخته با رویکرد کیفی و کمّی است که ازنظر هدف، کاربردی و ازلحاظ نحـوۀ گـردآوری داده از نوع مطالعات پیمایشی است. ابزار گردآوری اطلاعات در بخش کیفی مصاحبۀ نیمه‌ساختاریافته با 18 نفر از متخصصان و خبرگان در‌زمینۀ بازاریابی دیجیتال بنگاه به بنگاه و استادان دانشگاه است که به روش گلوله‌برفی انتخاب‌ شده است. نمونه‌گیری در بخش کمـّی به‌صورت هدفمند با 35 نفر از خبرگان و متخصصان بازاریابی دیجیتال انجام شده و گردآوری اطلاعات نیز با پرسشنامه است. روش تحلیل داده‌ها در بخش کیفی رویکرد نظریۀ داده‌بنیاد با روش استراوس و کوربین است که با استفاده از نرم‌افزار مکس کیو دا (MAXQDA) و بـا استفاده از روش کدگذاری تدوین ‌شده است. روش اعتبار سنجی در بخش کمّی نیز بر‌مبنای آزمون همبستگی کندال است. یافته‌های پژوهش (6 مقولۀ کلی، 25 مقولۀ فرعی و 173 مفهوم اصلی) شامل ارائۀ مدلی مشتمل بر شرایط علّی، زمینه‌ای و مداخله‌گر به همراه معرفـی پدیـده‌محـوری و ارائـۀ راهبردهای پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه و شناسایی پیامدهای آن است. نتایج پژوهش نشان داد که مدیران شرکت‌ برای پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه به عواملی مانند مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی (تحلیلی، مشارکتی و عملیاتی) توجه کرده‌اند و به‌دنبال آن بر تضعیف عوامل بازدارنده و تقویت عوامل مثبت و تأثیرگذار همت ورزیده‌اند.
 
 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Designing a B2B Digital Marketing Implementation Model with an Emphasis on Artificial Intelligence-based Customer Relationship Management

نویسندگان [English]

  • Mohammad Bashokouh Ajirlo 1
  • Rahim Mohammad Khani 2
1 Department of Business Management, Faculty of Literature and Humanities, Mohaghegh Ardabili University, Ardabil, Iran
2 PhD Candidate, Department of Business Management, Faculty of Literature and Humanities, Mohaghegh Ardabili University, Ardabil, Iran
چکیده [English]

Abstract
Introduction: The use of digital marketing as a communication and sales channel has led to the need and use of customer relationship management (CRM) systems based on artificial intelligence for the proper management of company information.
Purpose: The purpose of this research is to design a business-to-business marketing implementation model with an emphasis on customer relationship management based on artificial intelligence
Methods: This study is a type of mixed research with a qualitative-quantitative approach, which is a survey study in terms of its purpose, application, and data collection. In the qualitative part of the data collection tool, a semi-structured interview with 18 specialists and experts in the field of business-to-business digital marketing and university professors who were selected by snowball method. The quantitative part includes a targeted sampling with 35 digital marketing experts and data gathered through a questionnaire. In the qualitative part of the data analysis method, the Grounded theory approach is used based on the Strauss and Corbin method, which is compiled using the MAXQDA software and the coding method. In the quantitative part, the validation method is based on the Kendall correlation test.
Findings: The findings of the research (6 general categories, 25 subcategories, and 173 main concepts) include presenting a model that includes causal, contextual, and intervening conditions, along with the introduction of the central phenomenon and the presentation of strategies for implementing business-to-business digital marketing and identifying its consequences.
Conclusions: Company managers should pay attention to factors such as customer relationship management based on artificial intelligence (analytical, collaborative, and operational) to implement digital marketing from business to business and try to weaken the inhibiting factors and strengthen the positive and influential factors. 
 
Introduction
Considering the number of customers and a large volume of transactions and the possibility of increasing profitability in business-to-business business compared to business-to-consumer business, it seems necessary to do more research on business-to-business digital marketing. Therefore, in the current research, we theoretically use the typology of three types of customer relationship management: analytical customer relationship management (analyzing customer data and improving their experience) collaborative customer relationship management (for sharing information and internal collaboration organization), and operational customer relationship management (for customer contact management). These customer relationship management systems in business-to-business digital marketing can use artificial intelligence to improve data and analyze new patterns by analyzing user data in digital environments. The innovation of the current study is that despite the exponential development of artificial intelligence and its emerging application in various production environments, none of the previous studies have addressed issues in business-to-business digital marketing.
 
Methodology
This research is a type of mixed research with a qualitative-quantitative approach, which is a survey study in terms of its purpose, application, and data collection. In the qualitative part of the data collection tool, a semi-structured interview was conducted with 18 specialists and experts in the field of business-to-business digital marketing and university professors who were selected using the snowball method. In the quantitative part, purposeful sampling is done with 35 digital marketing experts and information gathering through a questionnaire. In the qualitative part of the data analysis method, the data theory approach is used based on the Strauss and Corbin method, which was developed using the MAXQDA software and the coding method.
In the quantitative part, the validation method is based on the Kendall correlation test. In this research, to meaningfully interpret the factors affecting the implementation of digital marketing from business to business, the personal views and experiences of experts, senior marketing managers of companies, IT specialists, and university professors have been examined. The data were collected through deep and semi-structured interviews with 18 experts and specialists in the field of digital marketing who have at least 10 years of experience in the field of marketing, sales, advertising, and digital marketing, as well as university professors who have records of working and teaching in the field of marketing and marketing. They had digital skills and were capable in terms of having knowledge-oriented indicators.
 
Findings
Analyzing the opinions and views of the research participants about the implementation of business-to-business digital marketing with an emphasis on artificial intelligence-based customer relationship management led to the presentation of a qualitative model whose causal factors include 9 categories: 1) management factors, 2) communication and information technology, 3) factors related to digital marketing, 4) company strategies, 5) technological measures, 6) customer-related measures, 7) innovation ecosystem readiness, 8) digital transformation, and 9) digital adoption. 
According to the findings of the research, the components of cultural and social factors, legal factors, electronic word-of-mouth marketing, digital infrastructure and capabilities, customer orientation, human resources, and strategic management including environmental factors and the governing platform for the development of business-to-business digital marketing strategies are also important.
The main types of customer relationship management can be applied according to how they are implemented in companies. Accordingly, types of customer relationship management (analytical, operational, and collaborative) are those types of customer relationship management systems that are created, customized, and structured for large companies that have the capacity and need to develop management platforms for their information.
The impact of contextual categories, intervening factors, and the application of strategy on the implementation of digital marketing can lead to agility, organizational consequences, identifying the basic patterns of customer purchase behavior, consumer cooperation in new product production, and building trust in digital operating systems.
 
Conclusions
AI-based customer relationship management systems can add business value and also turn B2B digital marketing into a sustainable strategy that can predict the steps a company should take to succeed in its marketing strategies. Therefore, the application and new uses of artificial intelligence-based customer relationship management are essential for companies in the business-to-business environment.
Artificial intelligence-based customer relationship management increases the profitability of marketing accounts and improves business performance even globally by collecting data and predicting sales, business, and scalability.
Artificial intelligence-based customer relationship management that works in digital marketing environments pays attention to techniques focused on machine learning and big data and uses data-based marketing strategies to guide and collect customer knowledge data and evaluate the performance of activities. Usually, these processes are related to analytical customer relationship management types. Therefore, using artificial intelligence-based customer relationship management facilitates decision-making processes, understanding of user behavior and responses, innovation strategies, sales forecasting, understanding of social network strategies, as well as customer orientation in digital environments.
 
 
 
 

کلیدواژه‌ها [English]

  • Business-to-Business Digital Marketing
  • Customer Relationship Management
  • Artificial Intelligence

تعاملات تجاری بین مشتری (B2B) به‌طور فزآینده‌ای در فضاهای دیجیتال رخ می‌دهد و شرکت‌ها را ملزم می‌کند تا راه‌حل‌ها و ابزارهای فناوری جدید را برای مدیریت سفرهای مشتریان خود اتخاذ کنند (Steward et al., 2019; Zolkiewski et al., 2017). از زمانی که فرآیندهای پیچیدۀ خریدوفروش بنگاه به بنگاه به دیجیتال تبدیل شده است (Steward et al., 2019)، این تغییر شرکت‌ها و مدیران را ملزم کرد تا شیوه‌های مدیریتی و جعبه‌ابزار دیجیتال خود را توسعه دهند تا در عصر دیجیتال باقی بمانند و شکوفا شوند. حرکات مشتریان در چندین کانال و نقاط تماس مستلزم ادغام عملیات بازاریابی و فروش منسجم شرکت‌ها از اولین قرار‌گرفتن در‌معرض برند تا خرید و استفاده است (Rutholkarho et al., 2021). اکوسیستم بنگاه به بنگاه در دهۀ گذشته دستخوش تغییرات مهمی شده است که به توسعۀ فناوری‌های جدید و اتوماسیون فرآیند مرتبط است. یکی از مرتبط‌ترین تغییرات، پیاده‌سازی تکنیک‌ها و نرم‌افزارهایی است که از هوش مصنوعی برای افزایش بهینه‌سازی و کارایی فرآیندهای انجام‌شده با عوامل یا سیستم‌های هوشمند استفاده می‌کنند (Lages et al., 2008; Davenport et al., 2019). در اکوسیستم‌های متصل چالش‌های کسب‌وکار جدید تعیین شده است (Saura, 2021). جایی که تجزیه‌وتحلیل داده‌ها برای استراتژی‌های موفقیت‌آمیز حیاتی بوده هوش مصنوعی نقش مهمی را داشته است (Duan et al., 2019). در این زمینۀ تجاری اهمیت اجرای صحیح و استفاده از مدیریت ارتباط با مشتری برای موفقیت کسب‌وکار حیاتی است؛ زیرا فرآیندهای تصمیم‌گیری مبتنی بر داده به‌طور فزآینده‌ای رایج است (Dwivedi et al., 2021).

تا به امروز از انواع سیستم مدیریت ارتباط با مشتری به‌طور گسترده‌ای برای سازمان‌دهی فرآیندها، اجرای سفارش‌ها لجستیکی، به دست آوردن اطلاعات موجودی محصول و خدمات، ارتباط با تأمین‌کنندگان و عمده‌فروشان، بازاریابی خودکار و جمع‌آوری داده‌ها استفاده شده است. استفادۀ مداوم از ابزارهای مرتبط با شبکه‌های اجتماعی (Duan et al., 2019)، تعامل با مشتریان و تأمین‌کنندگان در اکوسیستم‌های دیجیتال یا شناسایی فرصت‌های جدید باعث شده است که شرکت‌های تجاری بنگاه به بنگاه توجه خود را بر اجرای انواع مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی در بازاریابی دیجیتال بنگاه به بنگاه متمرکز کنند (Zhang et al., 2020). به‌ این ‌ترتیب، افزایش نیاز به پردازش داده در مقیاس بزرگ ناشی از استراتژی‌های بازاریابی دیجیتالی است که شرکت‌ها در محیط‌های بنگاه به بنگاه انجام می‌دهند و استفاده از ابزارهای هوش مصنوعی را که به انواع مدیریت ارتباط با مشتری اضافه می‌شود، بینش و ایجاد دانشی را ممکن می‌‌کند که شرکت‌ها می‌توانند از آن برای بهبود عملکرد دیجیتال و ارتباط با مشتریان خود استفاده کنند (Gordini & Veglio, 2017). با وجود این،‌ هوش مصنوعی برخلاف پتانسیل و مزایایی که برای شرکت‌ها دارد ازنظر فنی و اجرایی پیچیده است. استفاده از مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی در تجارت بنگاه به بنگاه می‌تواند به تصمیم‌گیری‌های هوش تجاری، هوش رقابتی و کشف و مدیریت دانش کمک کند (Duan et al., 2019).

در بازاریابی دیجیتال بنگاه به بنگاه مصرف‌کننده استفاده از مدیریت ارتباط با مشتری در بازاریابی بنگاه به بنگاه، درک استراتژی‌های بازاریابی مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی و کاربردهای فناوری‌های نوین مطالعه شده است؛ با این ‌حال پژوهش‌های متمرکز بر درک و کاربرد این فناوری‌ها در بازاریابی دیجیتال بنگاه به بنگاه کمیاب بوده و کاربردها و تکنیک‌های خاص در محیط بازاریابی دیجیتال بنگاه به بنگاه با استفاده از مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی شناسایی نشده است.

با‌توجه به مشتریان کمتر، زیاد‌بودن حجم مبادلات و امکان افزایش سودآوری در تجارت بنگاه به بنگاه نسبت به تجارت بنگاه به مصرف‌کننده، لزوم پرداختن به پژوهش‌های بیشتر دربارۀ بازاریابی دیجیتال بنگاه به بنگاه ضروری است؛ بنابراین محققان در پژوهش حاضر کوشیده‌اند تا بر‌اساس نظری بتوانند از نوع‌شناسی سه نوع مدیریت ارتباط با مشتری مانند مدیریت ارتباط با مشتری تحلیلی (تحلیل داده‌های مشتری و بهبود تجربۀ آنها)، مدیریت ارتباط با مشتری مشارکتی (به اشتراک‌گذاری اطلاعات و همکاری داخلی سازمان) و مدیریت ارتباط با مشتری عملیاتی (مدیریت تماس با مشتری) استفاده کنند. در این سیستم‌های مدیریت ارتباط با مشتری در بازاریابی دیجیتال بنگاه به بنگاه می‌توان از هوش مصنوعی برای بهبود داده‌ها و تجزیه‌وتحلیل الگوهای جدید با تجزیه‌وتحلیل و داده‌های کاربران در محیط‌های دیجیتال استفاده کرد؛ البته در‌بین انواع مدیریت ارتباط مشتری، هوش مصنوعی بر نوع تحلیلی یا تعاملی آن با‌توجه به اینکه وظیفۀ تحلیل داده‌های مشتری و بهبود تجربۀ آنها را بر عهده دارد، تأثیرگذاری بیشتری نیز دارد. نوآوری مطالعۀ حاضر این است که باوجود توسعۀ تصاعدی هوش مصنوعی و کاربرد در‌حال ظهور آن در محیط‌های مختلف تولید در هیچ‌ یک از مطالعات قبلی مسئلۀ بازاریابی دیجیتال بنگاه به بنگاه برررسی نشده است؛ بنابراین برای پوشش مشکلات مطرح‌شده کوشش شده است تا به سؤال‌های ذیل پاسخ داده شود.

عوامل تأثیرگذار بر پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه با استفاده از مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی کدام است؟ و در‌صورت پیاده‌سازی چه پیامدهایی برای شرکت به همراه دارد؟

 

  1. مبانی نظری

1-2. هوش مصنوعی به‌عنوان فناوری و ابزاری برای توسعۀ بازاریابی

برنامه‌های کاربردی هوش مصنوعی مدرن که مشکلات، استدلال، برنامه‌ریزی، یادگیری، ارتباط، درک و عمل را حل می‌کنند، از نظر روش‌شناسی با فناوری‌های پیشرفتۀ پردازش داده مرتبط هستند؛ زیرا امکان استفاده از توده‌های وسیع داده را فراهم می‌کنند (Iansiti & Lakhani, 2020; Paschen et al., 2019). اصطلاح یادگیری ماشین برای توصیف عملکرد این روش‌ها استفاده می‌شود. یادگیری ماشین به ماشین اجازه می‌دهد تا (به‌جای قوانین از پیش برنامه‌ریزی‌شده) انجام‌دادن یک کار را با بررسی مثال‌های قبلی بیاموزد (Louridas & Ebert, 2016). فرآیند بررسی نمونه‌ها به‌عنوان توانایی یادگیری ماشین برای یافتن خودکار الگوها از داده‌ها شناخته می‌شود. روش‌های یادگیری ماشین شامل شبکه‌های عصبی مصنوعی، درخت‌های تصمیم‌گیری، روش‌های رگرسیون، جنگل‌های تصادفی و غیره است (Asare-Frempong & Jayabalan, 2017). در روش‌های مختلف یادگیری ماشین بحث‌ها اغلب دربارۀ ارجاع به حوزۀ کاربرد، بدون شناسایی روش آماری دقیق است. پردازش زبان طبیعی به یادگیری ماشین در‌زمینۀ متون نوشتاری کمک می‌کند (Nuruzzaman & Hussain, 2018). درحالی‌ که در مفاهیم هوش مصنوعی بر توانایی‌های یک موجودیت یا نتیجۀ یک فرآیند (مانند یادگیری، تطبیق، تشخیص الگو، درک زبان) تمرکز می‌شود. یادگیری ماشین نحوۀ به دست آوردن نتیجه را توصیف می‌کند و به‌عنوان مغز هوش مصنوعی نیز شناخته می‌شود (Chatterjee et al., 2020b).

هوش مصنوعی یک فناوری نوظهور است که در سازمان‌ها به‌طور گسترده از آن استفاده می‌شود و به آنها کمک می‌کند تا داده‌های زمان واقعی را برای تجزیه‌وتحلیل و پاسخ سریع به نیازهای مشتری ردیابی کنند). هوش مصنوعی بینش مصرف‌کننده را برای جذب و حفظ مشتری تجزیه‌وتحلیل و حرکت بعدی مشتری را پیش‌بینی و سپس تجربۀ کلی مشتری را دوباره تعریف می‌کند (Tjepkema, 2019). ابزارهای هوش مصنوعی برای استنباط انتظارات مشتری و پیمایش مسیر آینده مفید است. استفاده از هوش مصنوعی برای تجزیه‌وتحلیل عادت‌های مشتری، خرید، علاقه، دوست‌نداشتن و غیره لازم است. در عملکردهای مدیریت ارتباط با مشتری از رابط‌های کاربری هوش مصنوعی استفاده می‌شود (Duan et al., 2019). هوش مصنوعی و اینترنت اشیا خرده‌فروشی‌های سنتی را به فروشگاه‌های خرده‌فروشی هوشمند تبدیل کردند. فروشگاه‌های خرده‌فروشی هوشمند تجربۀ مشتری، سهولت خرید و زنجیرۀ تأمین را بهبود می‌بخشند. هوش مصنوعی کسب‌وکارهای آنلاین را نیز راهنمایی می‌کند (Chatterjee et al., 2020b).

 

2-2. هوش مصنوعی در بازاریابی بنگاه به بنگاه

به هوش مصنوعی به‌عنوان مرز بعدی بهره‌وری و نوآوری در پژوهش‌ها توجه شده است (Syam & Sharma, 2018). در بیشتر مطالعات‌انجام‌شده تا به امروز ارزش تجاری بالقوه‌ای که می‌توان از کاربرد هوش مصنوعی در داخل مرزهای سازمانی ارائه داد، بررسی شده است (Paschen et al., 2020) در‌حوزۀ وسیع‌تر پژوهش‌ها اجماع فزآینده‌ای وجود دارد؛ زیرا فناوری اطلاعات شرکت‌ها را قادر می‌کند تا با قابلیت‌های سازمانی متوسط، دستاوردهای عملکردی ایجاد کنند (Benitez et al., 2018; Scheryn, 2013). فرض اصلی این دیدگاه این است که استفاده از برنامه‌های کاربردی جدید فناوری اطلاعات برای سازمان‌ها حیاتی است؛ زیرا به توسعۀ اثر‌های مکمل قابلیت‌های سازمانی کمک می‌کند و درنهایت، منجر به مزیت رقابتی می‌شود. در حال حاضر، هنوز درک محدودی دربارۀ مکانیسم‌هایی وجود دارد که با آن برنامه‌های مبتنی بر هوش مصنوعی دستاوردهای عملکرد رقابتی را ارائه می‌کنند (Duan et al., 2019).

درحالی ‌که هنوز پژوهش‌های تجربی محدودی برای بررسی مکانیسم‌هایی وجود دارد که با آن هوش مصنوعی منجر به افزایش ارزش تجاری در بازاریابی بنگاه به بنگاه می‌شود (Collins et al., 2021). برخی از محققان در مقاله‌ها بینشی را دربارۀ آنچه هوش مصنوعی می‌تواند ارائه دهد، نشان داده‌اند (Bag et al., 2021). به‌طور خاص، یک بحث مداوم دربارۀ اینکه چگونه هوش مصنوعی می‌تواند به سازمان‌ها در خودکارسازی فرآیندها، به دست آوردن بینش از داده‌هایی که پیشتر دست‌نیافتنی بودند و بهبود تعامل خود با مشتریان کلیدی کمک کند (Davenport & Ronanki, 2018)، وجود دارد. هوش مصنوعی به شرکت‌ها اجازه می‌دهد که چندین فرآیند مختلف را ازجمله تعامل با مشتریان (با استفاده از چت‌بات‌ها) یا سایر فعالیت‌های دیگر را خودکار کنند (Ribeiro-Navarrete et al, 2021). کومبس و همکاران در مطالعۀ اخیر خود، مدل مفهومی ارزش تجاری را برای اتوماسیون هوشمند و زیرمجموعه‌ای از فناوری‌های هوش مصنوعی ارائه کردند. این کار ارتباط هم‌افزایی بین سرمایه‌گذاری‌های فناورانه و غیر‌فناوری با مکانیسم‌های پیشنهادی را نشان داد که با آن ارزش تجاری تحقق می‌یابد (Coombs et al., 2020). با تکیه ‌بر حوزۀ بازاریابی بنگاه به بنگاه بگ و همکاران یک مدل نظری را برای توضیح تأثیر هوش مصنوعی در بازاریابی بنگاه به بنگاه با بهبود تصمیم‌گیری منطقی ارائه دادند. این کار نشان داد که قدرت هوش مصنوعی به خودکارسازی فرآیندها محدود نمی‌شود، بلکه شیوه‌های مدیریت دانش مربوط به فعالیت‌های بازاریابی بنگاه به بنگاه را نیز تقویت می‌کند (Bag et al., 2021). سایر کارهای تجربی نیز بینشی را دربارۀ اینکه چگونه فعالیت‌های خاص بازاریابی مانند قیمت‌گذاری، رفتار مصرف‌کننده را با استفاده از فناوری‌های هوش مصنوعی ارتقا می‌دهد (Leone et al., 2020) نشان داده است.

 

2-3. قابلیت‌ها و ویژگی‌های مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی

توسعۀ اکوسیستم تجاری بنگاه به بنگاه با هوش مصنوعی و فرصت‌های اتوماسیون فرصت شناسایی مدل‌های کسب‌وکار متصل را به وجود آورده است (Ferasso et al., 2020). ما در عصر دیجیتال هستیم که داده‌ها مزیت‌های رقابتی و ارزش‌افزوده را فراهم می‌کنند؛ بنابراین یکی از راه‌های شناسایی این فرصت‌ها استفاده از مدیریت ارتباط با مشتری است که به هر شکلی با هوش مصنوعی کار می‌کند (Castelo-Branco et al., 2019). اگر انواع مدیریت ارتباط با مشتری در تجارت بنگاه به بنگاه بر استراتژی‌های بازاریابی دیجیتال اعمال شود، عملکردها و ابزارها چندبرابر می‌شود (Deb et al., 2018). انواع مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی سیستم‌هایی شامل وظایف مدیریت ارتباط با مشتری است که بیشتر بر مدیریت تجاری، بازاریابی و خدمات پس از فروش یا خدمات سنتی مشتری متمرکز است؛ با این‌ حال در دهۀ گذشته با افزودن عناصری که با هوش مصنوعی کار می‌کنند، فرآیندها، تجزیه‌وتحلیل اکوسیستم دیجیتال، پیش‌بینی و مطالعۀ رفتار مشتری با استفاده از تحلیل داده‌ها و الگوریتم‌های تجربۀ مشتری را تکامل‌یافته و پیچیده‌تر کرده است (Chatterjee et al., 2020a ).

سیستم‌های مدیریت ارتباط با مشتری برنامه‌هایی است که در آنها هدف نهایی بهینه‌سازی رضایت مشتریان، شرکا یا تأمین‌کنندگان با هدف افزایش روابط محکم و وفادار با استفاده از سیستم‌های مدیریت هوشمند است (Choudhury & Harrigan, 2014). مدیریت ارتباط با مشتری بر‌روی سه ستون اساسی بنا شده است که عبارت است از: فناوری، فرآیندها و منابع انسانی. فرآیندها باید به‌عنوان تغییرات ساختاری برای برآوردن سریع‌تر نیازهای مشتریان اجرا شود و استراتژی‌های منابع انسانی نیز باید بر مشارکت‌دادن کارکنان متمرکز شود تا آنها بفهمند که وظایف منابع انسانی چیست (Faase et al., 2011). در سال‌های اخیر، استفاده از مدیریت ارتباط با مشتری در شرکت‌ها به‌طور چشمگیری تکامل یافته است. در ابتدا از این سیستم‌ها فقط برای سازمان‌دهی اطلاعات مشتری استفاده می‌شد؛ ولی با‌توجه به توسعۀ فناوری‌های جدید، ظرفیت ذخیره‌سازی پایگاه داده و افزایش حجم داده‌های مشتریان، مدیریت ارتباط با مشتری‌ها قابلیت‌های جدیدی را با تمرکز بر مدیریت فرآیندهای تعامل بین شرکت و مشتریانش به دست آورد. علاوه بر این، در اکوسیستم تجاری بنگاه به بنگاه زمانی که تعامل با مشتریان افزایش می‌یابد، داده‌هایی که با ابزارهای مختلف تجزیه‌و‌تحلیل می‌شود نیز افزایش می‌یابد؛ بنابراین در این مرحله فناوری و استفاده از نوآوری‌های جدید به انواع مدیریت ارتباط با مشتری اجازه می‌دهد تا برای دستیابی به انواع مختلف مدیریت و عملکردها تکامل یابند (Deb et al., 2018).

یک سیستم مدیریت ارتباط با مشتری قادر است که تمام انواع اطلاعات را بدون توجه به کانال استفاده‌شده برای این کار جمع‌آوری کند (Wright et al., 2002). فناوری در انواع مدیریت ارتباط با مشتری مزیت‌های رقابتی را فراهم می‌کند و سپس فرآیندها با استفاده از هوش مصنوعی به‌طور مؤثر بهینه‌سازی و شناسایی و سپس روندها و الگوها به‌طور چشمگیری تشدید می‌شود (Paschen et al., 2019).

 

  1. پیشینۀ پژوهش

در پژوهش حاضر این موضوع بررسی می‌شود که چگونه مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی می‌تواند راه را برای پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه هموار کند و چگونه بر جنبه‌هایی مانند تجزیه‌وتحلیل داده‌ها با هوش مصنوعی، عوامل مدیریتی، اقدام‌های فناورانه، توسعۀ سیستم مدیریت ارتباط با مشتری (با‌توجه به انواع سیستم مدیریت ارتباط با مشتری برای پیاده‌سازی و اثربخشی بازاریابی دیجیتال بنگاه به بنگاه) تمرکز دارد.

روستلکارو و همکاران پژوهشی با عنوان «مدیریت سفرهای مشتری بنگاه به بنگاه در عصر دیجیتال: چهار فعالیت مدیریتی با ابزارهای قدرتمند هوش مصنوعی در شرکت‌های صنعتی» انجام دادند. محققان در این پژوهش چهار فعالیت مدیریت سفر مشتری را پیشنهاد کردند: تجزیه‌وتحلیل، طراحی، مشارکت و راهنمایی که این فعالیت‌ها اقدام‌های لازم شرکت در مدیریت سفرهای مشتری بنگاه به بنگاه را مفهوم‌سازی وسپس درک مدیریتی از نحوۀ مدیریت سفرهای مشتری بنگاه به بنگاه را ایجاد می‌کند که خود نیازمند فعالیت‌هایی است که تقسیم‌بندی سنتی فروش بازاریابی را تنظیم کند. سپس این فعالیت‌ها با تجزیه‌وتحلیل ابزارهای دیجیتالی و مجهز به هوش مصنوعی تکمیل می‌شود (Rusthollkarhu et al., 2022).

لدرو و همکاران پژوهشی با عنوان «هوش مصنوعی در مدیریت ارتباط با مشتری: بررسی ادبیات و جهت‌گیری تحقیقات آینده در شرکت‌های صنعتی» انجام دادند. محققان در این پژوهش برای توسعۀ دیدگاه‌های جامع دربارۀ بحث هوش مصنوعی در مدیریت سه زیرشاخه را شناسایی و توصیف کردند که ادبیات را در‌حوزۀ مدیریت ارتباط با مشتری شکل می‌دهد و مشخص می‌کند که کلان‌داده و مدیریت ارتباط با مشتری به‌عنوان پایگاه داده، هوش مصنوعی و یادگیری ماشین به‌عنوان تکنیک‌های اعمال‌شده در فعالیت‌های مدیریت ارتباط با مشتری و مدیریت استراتژیک، ادغام‌های هوش مصنوعی و مدیریت ارتباط با مشتری (AI-CRM) هستند (Ledro et al., 2022).

 ختری پژوهشی با عنوان «بازاریابی دیجیتال همراه با هوش مصنوعی چگونه رفتار مصرف‌کننده را تغییر می‌دهد؟» انجام داد. نتایج نشان داد که هوش مصنوعی به شرکت‌ها کمک می‌کند تا درک درستی از نیازهای مشتری در یک چارچوب بسیار کوتاه و مؤثر داشته باشند؛ زیرا فروش و درآمد آنها را افزایش می‌دهد (Khatri, 2021).

میکالف و همکاران، پژوهشی با عنوان «هوش مصنوعی به‌عنوان توانمند‌کنندۀ بازاریابی بنگاه به بنگاه: رویکرد پایه‌های خرد با قابلیت‌های پویا در شرکت‌های صنعتی» انجام دادند. محققان در این پژوهش پایه‌های خرد را شناسایی کردند؛ زیرا با آن هوش مصنوعی می‌تواند فرآیندهایی را (شامل قابلیت‌های پویاست، یعنی یعنی حس‌کردن، ضبط و تبدیل) فعّال کند و بر فعالیت‌های بازاریابی بنگاه به بنگاه تأثیر بگذارد (Mikalef et al., 2021).

رابی و همکاران پژوهشی با عنوان «هوش مصنوعی در بازاریابی دیجیتال بر رفتار مصرف‌کننده تأثیر می‌گذارد: یک بازنگری و مبانی نظری برای تحقیقات آینده در صنعت خرده‌فروشی» انجام دادند. محققان در این پژوهش نشان دادند خرده‌فروشانی که از بازاریابی مبتنی بر هوش مصنوعی استفاده می‌کنند، 5 برابر بهتر از خرده‌فروشان سنتی عمل می‌کنند و رفتار مصرف‌کننده به‌دلیل بازاریابی دیجیتال به‌طور چشمگیری، تغییر کرده است؛ به‌طوری که مصرف‌کنندگان مدرن انتظار تجربۀ سازگارتر و شخصی‌تر را دارند (Rabby et al., 2021).

دستان پژوهشی با عنوان «تأثیر بازاریابی دیجیتال بر قصد خرید آنلاین: اثر میانجیگری مدیریت ارتباط با مشتری در صنعت خرده‌فروشی» انجام داد. نتایج نشان داد که بازاریابی دیجیتال تأثیر مثبت و معناداری بر قصد خرید آنلاین دارد؛ با این ‌حال اثر میانجی مدیریت ارتباط با مشتری ناچیز بود (Dastane, 2020).

جاوید و همکاران (1402) پژوهشی با عنوان «سنجش کیفیت مدیریت ارتباط با مشتری برای توسعۀ استراتژی‌های بازاریابی دیجیتال در بانک شهر» انجام دادند. محققان در این پژوهش نشان دادند که متغیرهای زیرساخت، محیط سازمانی، مشتری‌مداری، منابع انسانی، مدیریت ارتباط، کیفیت خدمات، مدیریت و برنامه‌ریزی، مدیریت استراتژیک، بازاریابی و عملکرد در بانک شهر در وضعیت مطلوبی قرار دارد. استفاده از فناوری‌های به‌روز و پیاده‌سازی ساختار سازمانی مناسب برای مدیریت ارتباط با مشتریان از دلایل این مطلوبیت شناسایی شد.

جامی‌پور و همکاران (1400) پژوهشی با عنوان «طراحی چارچوب پیاده‌سازی بازاریابی دیجیتال بین‌المللی: موردمطالعه صنعت فرش» انجام دادند. محققان در این پژوهش سه مقولۀ اصلی فرآیند بازاریابی دیجیتال بین‌المللی، محتوای بازاریابی دیجیتال بین‌المللی و زمینۀ بازاریابی دیجیتال بین‌المللی و 11 مفهوم مهم را برای هریک از مقوله‌ها شناسایی کردند که مقولۀ «فرآیند بازاریابی دیجیتال بین‌المللی» حاوی مفاهیمی چون تجزیه‌وتحلیل موقعیت، شناسایی هدف‌ها / استراتژی، تاکتیک‌ها و اقدام‌های بعد ارزیابی و کنترل، مقولۀ «زمینۀ بازاریابی دیجیتال بین‌المللی» حاوی مفاهیم فناوری، افراد، استراتژی و درنهایت، مقولۀ «محتوا بازاریابی دیجیتال بین‌المللی» شامل مفاهیم توزیع، قیمت، محصول و ترفیع است.

مرور پژوهش‌های پیشین داخلی و خارجی نشان می‌دهد که پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه با تأکید بر مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی به‌صورت کیفی مطالعه و واکاوی نشده است. به ‌عبارت‌ دیگر، پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه با محوریت مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی با رویکرد کیفی کمتر کانون توجه بوده است. مضاف بر این، شاخص‌های فوق بیشتر نگاهی تک‌بُعدی دارند و در این پژوهش‌ها به تحولات توجه نشده است. به ‌این‌ ترتیب، با‌توجه به تحولات بزرگی که در‌حال وقوع است، نگاه کلی و آینده‌نگر دربارۀ عوامل مؤثر بر پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه با تأکید بر مدیریت ارتباط با مشتری متکی بر هوش مصنوعی اجتناب‌ناپذیر خواهد بود.

  1. روش‌شناسی

1-4. روش‌شناسی پژوهش (بخش کیفی)

پژوهش حاضر ازنظر مبانی فلسفی ذیل پارادایم تفسیری قرار می‌گیرد، ازنظر جهت‌گیری بنیادی است، ازنظر رویکرد، استقرایی و ازنظر نوع داده‌ها کیفی است. در این پـژوهش از شـیوۀ نظام‌مند استراوس و کوربین برای نظریه‌پردازی استفاده ‌شده است؛ زیرا این رویکرد در‌مقایسه با دو رویکرد دیگر داده‌بنیاد، یعنی شیوۀ نوخاستۀ گلیزر و طرح ساخت‌گرای چارمز ساختاریافته‌تر اسـت و بـه مـدلی جـامع و کـاربردی می‌انجامد (حسنقلی­پور و همکاران، 1394). یکی از روش‌های مهم پژوهش که با استفاده از آن می‌توان عوامل مؤثر بر پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه را بر‌مبنای درک معنایی افراد تفسیر کرد، روش داده‌بنیاد یا نظریۀ زمینه‌ای است. این روش به‌طور معمول، در موارد و زمینه‌هایی به کار می‌رود که دانش و اطلاعات کاملی دربارۀ پدیدۀ مطالعه‌شده موجود نباشد و یا هدف پژوهش دریافت بینش و دیدگاهی نو دربارۀ آن پدیده باشد. کدگذاری از مهم‌ترین مراحل در فرآیند نظریه‌پردازی داده‌بنیاد است (اشتراوس و کوربین، 1393). در پژوهش حاضر برای تفسیر معنایی عوامل مؤثر بر پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه، دیدگاه‌های شخصی و تجربه‌های فردی خبرگان، مدیران ارشد بازاریابی شرکت‌ها، متخصصان فناوری اطلاعات و استادان دانشگاه بررسی ‌شده است. جمع‌آوری داده‌ها ازطریق مصاحبه‌های عمیق و نیمه‌‌ساختاریافته با 18 نفر از خبرگان و متخصصان در‌زمینۀ بازاریابی دیجیتال (با حداقل 10 سال سابقۀ کار در‌زمینه بازاریابی، فروش، تبلیغات، بازاریابی دیجیتال) و استادان دانشگاه (با سابقۀ فعالیت و تدریس در‌زمینۀ بازاریابی و بازاریابی دیجیتال که به‌لحاظ برخورداری از شاخص‌های دانش‌محور و حوز‌ۀ روندهای مرتبط با پژوهش توانمند بودند) که به روش گلوله برفـی معرفی و انتخاب ‌شده بودند، انجام گرفت. گفتنی است که مصاحبه با نفر 13 به اشباع نظری منجر و ‌پس از آن به‌طور تقریبی، تمام اطلاعات و داده‌ها تکرار شد؛ اما برای اطمینان بیشتر و احتمال دستیابی به داده‌های جدید مصاحبه تا نفر 18 ادامه پیدا کرد. مصاحبه‌ها به شکل نیمه‌ساختاریافته و با طرح پرسش‌هایی از عوامل مؤثر بر پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه با تأکید بر مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی آغاز و سؤال‌های بعدی بر‌اساس پاسخ‌های مصاحبه‌شوندگان در خلال جلسۀ مصاحبه طراحی شد. مدت‌زمان مصاحبه به‌طور تقریبی، 40 دقیقه تا یک ساعت بود. نحوۀ نمونه‌گیری در این پژوهش قضاوتی (نظری) است که افراد مصاحبه‌شونده به‌مرور و در خلال پژوهش انتخاب شدند. به این صورت که پس از هر مصاحبه و تشخیص نقاط ضعف و ابهام‌های الگوی استفاده‌شده و مفاهیم به‌دست‌آمده، نمونه یا فرد مصاحبه‌شوندۀ بعدی با در نظر گرفتن موارد لازم در از بین بردن این نقاط ضعف و ابهام‌ها انتخاب شد. در پژوهش حاضر محققان با هدف پیدا‌کردن جواب سؤال‌های بیان‌شده، اطلاعات و داده‌ها را پس از جمع‌آوری بررسی و تحلیل و به‌صورت جدول‌هایی بر‌مبنای اصول کدگذاری شکل دادند. در این جدول‌ها ابتدا مواردی که اهمیت زیادی دارد، استخراج‌ و به هرکدام از آنها یک کد مخصوص اختصاص داده شد. پژوهشگر در مرحله‌های بعدی با مقایسه‌ای که بین کدهای ثبت‌شده انجام داد، اشتراکات و وجوه تشابه بین پدیده‌ها را بررسی کرد و سپس این کد‌ها در قالب طبقۀ کلی‌تر گروه‌بندی شد که این خود وجود روابط بین چندطبقۀ یک نظریه را به وجود ‌آورد.

 

جدول 1: مشخصات مصاحبه‌شوندگان

Table 1: Profile of the interviewees

شناسه

پست سازمانی

سن

سابقه

تحصیلات

M1

مدیرعامل شرکت

41

20

کارشناس ارشد

M2

معاون مدیرعامل

51

22

دکتری

M3

رئیس هیئت‌‌مدیره

59

27

کارشناس ارشد

M4

معاون مدیرعامل

48

20

دکتری

M5

هیئت‌مدیره

56

28

کارشناس ارشد

M6

مدیر فروش دیجیتال

45

18

کارشناس ارشد

M7

مدیر فروش دیجیتال

53

23

کارشناس ارشد

M8

مدیر بازاریابی دیجیتال (کارشناس IT)

56

25

کارشناس ارشد

M9

معاون بازاریابی دیجیتال

56

27

کارشناس ارشد

M10

مدیر بازاریابی دیجیتال (کارشناس IT)

48

19

کارشناس ارشد

M11

معاون بازاریابی دیجیتال

59

29

کارشناس ارشد

M12

بازاریاب دیجیتال

34

10

کارشناس ارشد

M13

بازاریاب دیجیتال

32

10

دانشجوی دکتری

M14

هیئت‌علمی دانشگاه

49

18

دکتری بازاریابی (پژوهشگر بازاریابی دیجیتال)

M15

هیئت‌علمی دانشگاه

56

20

دکتری بازاریابی (پژوهشگر بازاریابی دیجیتال)

M16

هیئت‌علمی دانشگاه

51

22

دکتری بازاریابی (پژوهشگر بازاریابی دیجیتال)

M17

هیئت‌علمی دانشگاه

54

17

دکتری بازاریابی  (پژوهشگر بازاریابی دیجیتال)

M18

هیئت‌علمی دانشگاه

47

17

دکتری مدیریت دولتی (فعالیت در‌حوزۀ بازاریابی و بازاریابی دیجیتال شرکت‌ها)

منبع: یافته‌های پژوهش

 

 

همچنین، راهبردهای سنجش اعتبار نتایج با اعضا (کنترل اعضا) انجام گرفت و سپس محققان نتایج به‌دست‌آمدۀ خود را با 6 نفر از افراد متخصص تحلیل و بررسی کردند و درنهایت،6 نفر از متخصصان این نتایج و تفسیرها قبول و تأیید کردند. بـرای تحلیـل داده‌های مصـاحبه ابتـدا مصاحبه‌ها ضبط شد تـا بـا مـرور گفت‌وگوها، تحلیـل و بررسـی دقیق‌تری از دیدگاه‌های طرح‌شدۀ مشارکت‌کنندگان انجام شود. سپس بعد از اطمینان از اشباع نظری، اطلاعات مصاحبه‌ها با استفاده از نرم‌افزار مکس کیو دا (MAXQDA) و با بهره‌گیری از روش کدگذاری و بر‌اساس رویکرد نظریۀ داده‌بنیاد با روش استراوس و کوربین تحلیل و مدل پـژوهش تدوین شد.

 

4-2. روش‌شناسی پژوهش (بخش کمّی)

در بخش کمّی پژوهش و بعد از به دست آوردن یافته‌های پژوهش در بخش کیفی برای ارزیابی میزان توافق و سازگاری، بررسی اجماع نظر مصاحبه‌شوندگان و خبرگان و اعتبار‌یابی مدل از آزمون همبستگی کندال استفاده شد. در آزمون همبستگی کندال آزمودنی i رتبۀ را دارد که اندیس j نشانۀ شمارۀ داور است. در پژوهش حاضر n آزمودنی و m داور در مجموعه‌داده‌ها وجود دارد که مجموع همۀ رتبه‌ها برای آزمودنی i ام را نامیده و به‌صورت زیر محاسبه شده است.

میانگین رتبه‌ها برای همۀ مشاهده‌ها نیز بر طبق فرمول زیر حاصل می‌شود.

برای رسیدن به آمارۀ کندال W مجموع مربعات اختلاف رتبه‌ها نسبت به میانگین محاسبه و سپس مطابق با رابطۀ زیر S  نامیده شده است.

به ‌این ‌ترتیب، آمارۀ آزمون کندال W به‌صورت زیر تعریف و محاسبه خواهد شد.

واضح است که اگر همۀ داورها تیمارها را یکسان رتبه‌بندی کرده باشند، W برابر با ۱ و درصورتی‌ که به‌طور کامل تناقضی در نتایج آرای آنها وجود داشته باشد،W  صفر خواهد شد.

 

4-3. روایی و پایایی پژوهش (بخش کیفی)

در پژوهش‌های کیفی برای انجام‌دادن روایی و پایایی پژوهش، معیارهای مختلفی به‌عنوان شاخص مطرح ‌شده است؛ ولی با‌توجه به اینکه نظریۀ زمینه‌ای یک فرآیند رفت‌و‌برگشتی است، روایی داده‌ها هنگام فرآیند کدگذاری، تحلیل و هنگام انجام مصاحبه بر آن تأکید می‌شود؛ بنابراین ابزار روایی شامل همین فرآیند رفت‌وبرگشتی می‌شود که بهترین قضاوت‌کنندگان برای روایی اطلاعات و داده‌ها و تأکید مفاهیم و مقوله‌ها در حین انجام‌دادن مصاحبه، مصاحبه‌شوندگان هستند. در پژوهش حاضر نیز با تجزیه‌وتحلیل تک‌تک مصاحبه‌ها و فرآیند رفت‌و‌برگشتی قبل از اینکه مصاحبۀ بعدی انجام گیرد، کنترل و اصلاح داده‌ها مهم‌ترین و ارزشمندترین ملاک در تعیین روایی داده‌ها و اطلاعات است. سرانجام، مدل به‌دست‌آمده با‌توجه به دو شاخص کاربرد و تناسب‌داشتن که در پژوهش داده‌بنیاد برای سنجش اعتبار استفاده می‌شود، در پژوهش حاضر ارزیابی شد.

در پژوهش حاضر برای سنجش پایایی از روش پایایی باز آزمون استفاده شد که میزان تطابق و سازگاری طبقه‌بندی اطلاعات در طی زمان است. از این شاخص زمانی استفاده می‌شود که کدگذار اقدام به کدگذاری یک متن در دورۀ زمان‌های متفاوت می‌کند؛ بدین نحو که از میان مصاحبه‌های انجام‌شده، مصاحبه‌هایی برای نمونه انتخاب‌ می‌شود و در فواصل زمانی 30 روزه دوباره کدگذاری انجام می‌گیرد. بدین ترتیب، پایایی بر‌روی هریک از مصاحبه‌ها از میان توافق فراوان میان کدگذاری‌ها در دو زمان متفاوت به دست آمد.

 

4-4. روایی و پایایی پژوهش (بخش کمّی)

در این پژوهش پرسشنامه‌ای به شکل محقق‌ساخته و بر‌اساس عوامل شناسایی‌شده تهیه و در سنجش اعتبار آن از مفاهیم روایی و پایایی استفاده شد. برای سنجش روایی ابتدا پرسشنامه در اختیار 6 نفر از مدیران و خبرگان حوزۀ بازاریابی دیجیتال قرار داده شد. پس از اعمال نظر‌ها و دیدگاه‌های این خبرگان و انجام‌دادن اصلاحیه‌های لازم از 50 سؤال پرسشنامۀ اولیه، تعداد 46 سؤال پذیرفته شد. در سنجش پایایی پرسشنامه از نرم‌افزار spss و آزمون آلفای کرونباخ استفاده شد. شاخص تأیید پایایی پرسشنامه کسب مقدار بیش از 7/0 برای آلفای کرونباخ بود. تمامی پرسش‌ها مقدار‌های بیش از 7/0 را داشتند؛ درنتیجه هیچ‌کدام از پرسش‌ها حذف نشد. پرسشنامه‌ها پس از تأیید روایی و پایایی به‌طور هدفمند در اختیار 35 نفر از خبرگان قرار گرفت و سرانجام، 31 پرسشنامه جمع‌آوری‌ و تجزیه‌و‌تحلیل شد.

 

4-5. یافته‌های کیفی

در این پژوهش با استفاده از راهبرد پژوهشی نظریۀ داده‌بنیاد، الگوی پیاده‌سازی بازاریابی دیجیتالB2B  تدوین ‌شده است.

 

4-5-1. کدگذاری باز

کدگذاری باز فرآیند تحلیلی است که با آن کدها، مفاهیم و مقوله‌ها شناسایی و ویژگی‌ها و ابعاد آنها در داده‌ها کشف می‌شود. کدگذاری باز شامل سه‌ گام است. برای بررسی عمیق منابع و اطلاعات پژوهش در گام نخست، کدهای اولیه شناسایی می‌شود. این کدها در مراحل آتی پس از تحلیل ابتدا در قالب مفاهیم دسته‌بندی می‌شود و سپس مفاهیم نیز در قالب مقوله‌ها طبقه‌بندی خواهد شد.

 

جدول 2: نمونۀ کدگذاری باز

Table 2: Example of open coding

کدگذاری باز حاصل از یک نمونۀ به‌دست‌آمده از مصاحبه‌ها

درک سهولت استفاده

کارمندان شرکت ما اجرای نوآوری‌های بازاریابی دیجیتال را ساده می‌دانند.

سودمندی درک‌شده

نوآوری‌های دیجیتال مارکتینگ به‌نفع کار کارکنان ماست.

آمادگی سازمانی

شرکت ما آمادۀ اجرای نوآوری در بازاریابی دیجیتال است.

نوآوری مدیریتی

مدیریت شرکت ما به‌طور فعّال نوآوری بازاریابی دیجیتال را معرفی می‌کند.

نیاز مشتری

مشتریان ما در‌حال حاضر از نوآوری‌های بازاریابی دیجیتال استفاده می‌کنند.

فشار رقابتی

اگر نوآوری بازاریابی دیجیتال را اجرا نکنیم، رقبای ما برتر خواهند بود.

زیرساخت‌های نوآوری

دولت باید زیرساخت‌های کافی را برای حمایت از اجرای نوآوری بازاریابی دیجیتال در کشور را ایجاد کند.

رهبری افکار

به‌طور کلی، رهبران افکار و رسانه‌ها اغلب دربارۀ نوآوری بازاریابی دیجیتال صحبت می‌کنند.

انعطاف‌پذیری

اجرای نوآوری در بازاریابی دیجیتال در فرآیندهای تجاری ما آسان است.

قابلیت مشاهده

تشخیص نحوۀ عملکرد بازاریابی دیجیتال از بازاریابی معمولی بسیار آسان است.

منبع: یافته‌های پژوهش

 

4-5-2. کدگذاری محوری

پس از مراحل کدگذاری باز داده‌ها، تشخیص ویژگی و ابعاد مقوله‌های فرعی مقوله‌ها در چارچوب کدگذاری محوری طبقه‌بندی می‌شود. در پژوهش حاضر پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه به‌عنوان مقولۀ محوری شناسایی شد. در بیشتر مصاحبه‌ها افراد به‌طور مستقیم یا غیرمستقیم به موارد مرتبط با پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه اشاره کردند. در این مرحله، هدف ما تشخیص و ایجاد ارتباط میان طبقه‌بندی‌های حاصل از کدگذاری باز است که بر‌مبنای الگوی پارادایم صورت می‌گیرد که این کار در انجام‌دادن فرآیند نظریه‌پردازی کمک‌کننده است.

 

4-5-3. کدگذاری گزینشی

در مرحلۀ سوم تحلیل داده‌های کیفی، مقوله‌ها با استفاده از کدگذاری گزینشی، بهبود یافت و در قالب نظریه‌ای منسجم یکپارچه شد. همچنین، در این مرحله، مقوله‌ها و مفاهیمی که به بهبود و بازنگری احتیاج داشتند، اصلاح شدند. موارد ذکرشدۀ زیر دلایل تشخیص و انتخاب مقوله‌های محوری الگوی طراحی است.

 

4-5-4. شرایط علّی

در خلال گردآوری داده‌ها برای شناسایی مقولۀ محوری پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه عوامل گوناگون تأثیرگذار بر پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه نیز شناسایی شد. در این بُعد از الگو وقایع و عواملی بیان می‌شود که منجر به توسعۀ پدیده‌محوری می‌شود.

 

جدول 3: کدهای استخراج‌شده و مفاهیم علّی پژوهش

Table 3: Extracted codes and causal concepts of the research

مقوله‌های علّی

کدهای اولیه

عوامل مدیریتی

دانش و تخصص، اعتقاد مدیر به مشتری‌مداری، خوش‌فکری و خطر‌پذیری، تحمل ابهام، مهیا‌بودن منابع لازم، وجود تجربه‌های مرتبط و موفق، سرمایه‌گذاری، جذب همکاری مصرف‌کنندگان.

فناوری ارتباطات و اطلاعات

زیرساخت مناسب اینترنت، ضریب تأثیر اینترنت، پیدایش رسانه‌های جدید، تکثیر رسانه‌ها، همه‌گیرشدن بازاریابی دیجیتال، به وجود آمدن نسل جدیدی از ارتباطات، تحولات اینترنت، تکثیر سیستم تولید محتوا در فضای مجازی، حضور اینفلوئنسرها در فضای مجازی، استفاده از شاخص‌های ارزیابی بازاریابی دیجیتال، میزان اشتراک‌پذیری در شبکه‌های اجتماعی.

عوامل مرتبط با بازاریابی دیجیتال

بداعت و نوآوری، فرصت‌ها و تهدیدها، نوظهور‌بودن، امکان نقد مراکز، کیفیت سایت، تبلیغات.

راهبردهای شرکت

برنامه‌ها و تحقیقات بازاریابی دیجیتال، خلق دورنما و چشم‌انداز دربارۀ ارتباط با مشتری، پیش‌بینی نیاز مشتری، فرهنگ حمایت از نوآوری‌ها، هدف‌گذاری دربارۀ مشتری، ضرورت تغییر.

اقدام‌های فناورانه

زیرساخت‌های داخلی، نرم‌افزارهای تخصصی، راه‌اندازی نرم‌افزارها و رسانه‌های اجتماعی بومی برای بازاریابی دیجیتال.

 

اقدام‌ها در ارتباط با مشتریان

نظرسنجی، مشارکت مشتریان، بخش‌بندی مشتریان، ایجاد کانون و انجمن مشتریان، پیشنهاد و انتقادها، ارائۀ خدمات متنوع، گفت‌وگوی آنلاین، مدیریت ارتباط با مشتریان CRM.

آمادگی اکوسیستم نوآوری

درک سهولت استفاده، سودمندی درک‌شده، آمادگی سازمانی، نوآوری مدیریتی، نیاز مشتری، فشار رقابتی، زیرساخت‌های نوآوری، رهبری افکار، انعطاف‌پذیری، قابلیت مشاهده.

 

تحول دیجیتال

بررسی تجربۀ‌ مشتری برای گذر از مرحلۀ سنتی بازاریابی، بهبود عملکرد برای دیجیتالی‌شدن، مهندسی مجدد مدل کسب‌وکار، درگیر‌کردن کل سازمان در فرآیند دیجیتالی‌شدن، اداره‌کردن تحول، رهبری فناوری.

پذیرش بازاریابی دیجیتال

دیدگاه دیجیتالی، استفاده از تکنیک‌ها و روش‌های بازاریابی دیجیتال، تعاملات در رسانه‌های اجتماعی.

منبع: یافته‌های پژوهش

 

4-5-5. مقوله‌های راهبردی

راهبردها، طرح یا کنش‌هایی است که سیاست‌گذاران یا متولیان و مجریان برای پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه به کار می‌بندند. منظور از اقدام‌ها در این پژوهش راه‌حل‌هایی است که برای اجرای بازاریابی دیجیتال بنگاه به بنگاه باید اجرایی شود. جدول 4 گویای نحوۀ انتخاب راهبردها در مدل پژوهش است.

 

جدول 4: کدهای استخراج‌شده و راهبردهای پژوهش

Table 4: Extracted codes and research strategies

مقوله‌های راهبردی

کدهای باز

قابلیت‌های مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی (CRM  تحلیلی)

شناسایی مشتریان بالقوه و سرنخ‌ها، جذب تعامل با مشتری (سفر مشتری)، شناسایی سودآورترین بخش‌های مشتری، تجزیه‌وتحلیل تمایلات مشتریان، کفایت سبد محصولات، اتوماسیون اقدام‌های ارتباطی، ارتباط و جدول زمانی بهبودیافته، جمع‌آوری محتوای تولیدشده ازسوی کاربر.

قابلیت‌های مدیریت ارتباط با مشتری  مبتنی بر هوش مصنوعی (CRM عملیاتی).

یکپارچه‌سازی اطلاعات و اتوماسیون، پشتیبانی از فرآیندهای اصلی کسب‌وکار، اتوماسیون فروش، جمع‌آوری اطلاعات مشتری، مدیریت حوادث، شکایت‌ها و ادعاها، وضعیت حمل‌ونقل، برنامه‌ریزی کمپین‌های بازاریابی، فروش یا خدمات مشتری، اندازه‌گیری بازگشت سرمایه.

قابلیت‌های مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی (CRM مشارکتی).

 

یکپارچه‌سازی منابع سفارشی‌سازی ارتباطات، آشنایی با الگوهای رفتاری مشتری، مبنای استراتژیک برای توسعۀ مدیریت ارتباط با مشتری، آدرس‌های ارتباطی دوطرفه.

استفاده از هوش مصنوعی بر‌اساس نوع سیستم مدیریت ارتباط با مشتری .

پیش‌بینی رفتار خرید مشتری، تخمین ارزش طول عمر مشتری، برنامه‌ریزی مدل‌های تصمیم‌گیری، به نهایت رساندن سود و سایر اقدام‌های قابل‌اندازه‌گیری مانند به حداقل رساندن سرمایه‌گذاری موجودی و ظرفیت ذخیره‌سازی، استفاده از تکنیک‌های داده‌کاوی، فعّال‌کردن فعالیت‌های بازاریابی مبتنی بر داده، توسعۀ سیستم‌های هوشمند حمایت‌کننده از استراتژی‌های بازاریابی، فرآیند منطقی برای تحلیل استراتژیک، ارزیابی گروه پشتیبانی عوامل استراتژیک بازاریابی، کمک به مدیران برای مقابله با ابهام، مشاورۀ هوشمندانه دربارۀ تنظیم استراتژی بازاریابی، ایجاد یک سیستم ترکیبی برای تصمیم‌گیری بازاریابی بین‌المللی، ایجاد سیستمی برای کمک به برنامه‌ریزی تولید، شبیه‌سازی مدلی برای توسعۀ فرآیند تصمیم‌گیری، کمک به درک و تجزیه‌وتحلیل بازار، کمک به آموختن از تجربه‌ها.

منبع: یافته‌های پژوهش

 

 

4-5-6. عوامل زمینه‌ای (بستر حاکم)

شرایط زمینه‌ای عواملی هستند که زیر کنترل سازمان‌ها نیستند؛ ولی آگاهی از آنها می‌تواند باعث پاسخ و واکنش مناسب سازمان شود. جدول 5 گویای انتخاب این مقوله‌ها در مدل پژوهش است.

 

 

 

جدول 5: کدهای استخراج‌شده و مفاهیم زمینه‌ای پژوهش

Table 5: Extracted codes and relevant concepts of the research

مقوله‌های زمینه‌ای

کدهای اولیه

عوامل فرهنگی و اجتماعی

فرهنگ عمومی ارتباطات، فرهنگ استفاده‌کننده‌های محتوای بازاریابی دیجیتال، سواد رسانه‌ای، آداب و رسوم، آیین‌ها، اعتقادات.

عوامل قانونی و حقوقی

امنیت حقوقی با قانون‌گذاری، ضمانت اجرایی قوانین در فضای مجازی، حق مالکیت و قانون کپی‌رایت در فضای مجازی، عملکرد نهادهای نظارتی، قوانین شفاف، قوانین حمایت از برند، فیلترینگ شبکه‌های اجتماعی.

بازاریابی دهان‌به‌دهان الکترونیکی

ایجاد ارزش برای مشتری، گفت‌وگوهای دوطرفه، استفاده از تلفن، ایمیل، تلفن همراه و سایر وسایل ارتباطی از‌جانب مشتری برای تبلیغات شرکت.

منبع: یافته‌های پژوهش

 

 

4-5-7. عوامل مداخله‌گر

شرایط مداخله‌گر شرایط عمومی هستند که بر نحوۀ تأثیرگذاری راهبردها اثر می‌گذارند و آنها را درزمینۀ خاصی سهولت، تخفیف و یا به نحوی تغییر می‌دهند. آنها تسهیلگر یا محدودکنندۀ راهبردهایی هستند که درون یک زمینۀ خاص قرار دارند. جدول 6 گویای انتخاب این مقوله‌ها در مدل پژوهش است.

 

جدول 6: کدهای استخراج‌شده و مقوله‌های مداخله‌گر پژوهش

Table 6: Extracted codes and intervening research categories

مقوله‌های مداخله‌گر

کدهای اولیه

زیرساخت و قابلیت‌های دیجیتالی

منابع مالی فعلی موجود، امکانات سخت‌افزاری و نرم‌افزاری موجود، یکپارچه‌سازی ابزارها، توسعۀ فروش دیجیتال، گسترش کانال‌های فروش دیجیتال، به‌کارگیری فناوری‌های نوین، داده‌ها و اطلاعات صحیح و دسته‌بندی‌شده.

مشتری‌مداری

پردازش، تحلیل و تفسیر داده‌های مشتریان، ساختار پویا برای پاسخ به مشتری، کشف نیازهای جدید مشتریان، خدمت‌رسانی به مشتریان کلیدی، شناسایی علایق و نیازهای مشتریان، جلب اعتماد مشتریان.

منابع انسانی

مدیریت باتجربه و متخصص، تیم کاری باتجربه و متخصص در‌زمینۀ فناوری اطلاعات.

مدیریت استراتژیک

حمایت و پشتیبانی مناسب برای سیستم مدیریت ارتباط با مشتری، ردیابی رفتار آنلاین یک مشتری، بخش‌بندی صحیح مشتریان، دادن پیشنهادهای متفاوت برای مشتریان مختلف.

منبع: یافته‌های پژوهش

 

 

4-5-8. مقوله‌محوری

پدیدۀ مدنظر باید محوریت داشته باشد؛ یعنی همۀ مقوله‌های اصلی دیگر بتوانند به آن ربط داده و با تکرار در داده‌ها ظاهر شوند؛ به این معنا که در همه یا به‌طور تقربی، همۀ موارد نشانه‌هایی وجود دارد که به آن مفهوم مد‌نظر اشاره می‌‌شود. پدیده‌محوری به ایده یا پدیدهای اطلاق می‌شود که اساس و محور فرآیندی است که تمام مقوله‌های اصلی دیگر به آن ربط داده می‌شود.

 

جدول 7: مقوله‌محوری و کدهای استخراج‌شده

Table 7: Core category and extracted codes

مقوله‌محوری

کدهای اولیه

اجرا و پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه

توسعۀ سیستم‌های مدیریت ارتباط با مشتری، استفاده از فناوری‌های نوین و مقلد (هوش مصنوعی)، خلاقیت و نوآوری.

منبع: یافته‌های پژوهش

 

4-5-9. پیامدها

استفاده از راهبردها نتایجی در‌پی دارد. تأثیر مقوله‌های زمینه‌ای، عوامل مداخله‌گر و به‌کارگیری راهبرد بر پیاده‌سازی بازاریابی دیجیتال می‌تواند منجر به چابک‌سازی، پیامدهای سازمانی، شناسایی الگوهای اساسی رفتار خرید مشتری، همکاری مصرف‌کننده در تولید محصول جدید، ایجاد اعتماد در سیستم‌عامل‌های دیجیتال شود. جدول 8 گویای پیامدهای پژوهش است.

 

جدول 8: کدهای استخراج‌شده و پیامدهای پژوهش

Table 8: Extracted codes and results of the research

پیامدها

کدهای اولیه

پیامد سازمانی

افزایش سودآوری، بهبود بهره‌وری، توسعۀ قابلیت‌های ارتباطی با مشتریان، کاهش هزینۀ عملیاتی، توسعۀ محصولات جدید، دسترسی سریع به خدمات شرکت.

چابک سازی

افزایش داده‌ها، افزایش نقاط تماس با مشتری، شخصی‌سازی، کاهش محدودیت زمانی و مکانی، پاسخگویی سریع‌تر، کاهش هزینۀ تبلیغات.

شناسایی الگوهای اساسی رفتار خرید مشتری

تجربۀ مشتری، بهبود ظرفیت مشتری، سرعت‌بخشیدن به درک مشتری، بهبود کیفیت خدمات و کارایی عملیات.

همکاری مشتری در تولید محصولات جدید

تجزیه‌وتحلیل پیامدها، تعامل با مشتری، بهبود و توسعۀ خدمات جدید، اطلاع یافتن از تجربۀ مشتریان، ارزش واقعی خدمات، استفاده از بداعت، نبوغ و خلاقیت مشتریان، تولید طرح‌های جدید و نوآورانه.

ایجاد اعتماد در سیستم‌عامل‌های دیجیتال

اعتماد و مسئولیت‌پذیری، امنیت، حریم اطلاعات شخصی، ایجاد تجربه‌های شخصی، شناسایی مشتریان هدف، ایجاد شفافیت، درک نیازها و ترجیحات مشتریان.

منبع: یافته‌های پژوهش

 

 

4-6. یافته‌های کمی

4-6-1. اعتبارسنجی مدل

در پژوهش حاضر برای تأیید مدل تدوین‌شده از آزمون همبستگی کندال بهره گرفته شد؛ از این‌ رو برای اعتبارسنجی مدل در بخش کیفی از خبرگان و متخصصانی که به روش نمونه‌گیری هدفمند انتخاب ‌شده بودند، نظر‌خواهی شد. پس از تعیین اعضای نمونه بر‌اساس تحلیل مصاحبه‌ها و مدل پیشـنهادی، پرسشنامه‌ای تهیه و تدوین‌ و در اختیـار 35 نفر از خبرگان و متخصصان قرار داده شد. بعد از جمع‌آوری پرسشنامه‌ها و ارزیابی نتایج و تحلیل دیدگاه متخصصان، در دور دوم دوبـاره تمـامی عوامل به همراه میـانگین نظـر اعضـا در دور اول و نظـر پیشـین همـان عضـو در اختیـار تمـامی صاحب‌نظران و متخصصان پانل قرار گرفت و در دور سوم نیز همین فرآیند بـا در نظـر گـرفتن نتـایج دور دوم تکـرار شـد. در آزمـون همبستگی کندال برای تعیین میزان اتفاق ‌نظر میان پاسخ‌دهندگان از ضریب هماهنگی استفاده شد. ایـن ضـریب نشان‌دهندۀ این است خبرگانی که چند مقوله را بر‌اساس اهمیت آنها مرتب کرده‌اند، به‌طور اساسی، شاخص‌های یکسانی را بـرای قضاوت دربارۀ هر‌یک از مقوله‌های مهم به ‌کاربرده‌اند و از این لحاظ با یکدیگر موافق هستند. اگر هماهنگی خبرگان برابر با یک باشد، یعنی اجماع خبرگان زیاد و اتفاق نظر دربارۀ مقوله‌ها کامل است و برعکس. یافته‌های حاصـل از اجـرای همبستگی کندال در هر سه دور در جدول 9 نشان داده ‌شده است.

 

جدول 9: نتایج شاخص اجماع دوره‌های سه‌گانۀ آزمون همبستگی کندال

Table 9: The results of the consensus index of the three courses of the Kendall correlation test

ابعاد

مؤلفه‌ها

ضریب کندال

دور اول

ضریب کندال دور دوم

ضریب کندال دور سوم

 

 

 

 

مقوله‌های علّی

 

 

عوامل مدیریتی

542/0

642/0

874/0

فناوری ارتباطات و اطلاعات

485/0

623/0

826/0

عوامل مرتبط با بازاریابی دیجیتال

571/0

665/0

895/0

راهبردهای شرکت

489/0

645/0

820/0

اقدام‌های فناورانه

562/0

640/0

885/0

اقدام‌هایی با مشتریان

480/0

670/0

823/0

آمادگی اکوسیستم نوآوری

551/0

618/0

870/0

تحول دیجیتال

499/0

651//0

849/0

پذیرش بازاریابی دیجیتال

485/0

645/0

820/0

 

عوامل مداخله‌گر

زیرساخت و قابلیت‌های دیجیتالی

523/0

631/0

821/0

مشتری‌مداری

511/0

698/0

851/0

منابع انسانی

478/0

522/0

743/0

مدیریت استراتژیک

551/0

633/0

871/0

 

مقوله‌های زمینه‌ای

عوامل فرهنگی و اجتماعی

498/0

621/0

821/0

عوامل قانونی و حقوقی

511/0

624/0

843/0

بازاریابی دهان‌به‌دهان الکترونیکی

490/0

641/0

830/0

 

 

پیامدها

 

 

پیامد سازمانی

564/0

541/0

896/0

چابک‌سازی

576/0

715/0

893/0

شناسایی الگوهای اساسی رفتار خرید مشتری

523/0

728/0

854/0

همکاری مشتری در تولید محصولات جدید

582/0

647/0

841/0

ایجاد اعتماد در سیستم‌عامل‌های دیجیتال

549/0

736/0

879/0

 

راهبردها

مدیریت ارتباط با مشتری تحلیلی

486/0

589/0

772/0

مدیریت ارتباط با مشتری مشارکتی

512/0

621/0

802/0

مدیریت ارتباط با مشتری عملیاتی

573/0

705/0

821/0

استفاده از هوش مصنوعی

517/0

637/0

816/0

کل

527/0

645/0

819/0

منبع: یافته‌های پژوهش

 

 

با‌توجه به جدول 9 و اجماع نظر مناسب متخصصان دربارۀ عناصر و مدل تدوین‌شده می‌توان گفت که الگوی تدوین‌شده اعتبار لازم را دارد.

4-7. الگوی پیاده‌سازی بازاریابی دیجیتال B2B با استفاده از CRM مبتنی بر هوش مصنوعی

پس از طی مراحل تعیین مقوله‌محوری (پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه) و برقراری ارتباط با سایر مقوله‌ها بر‌اساس پارادایم سیستماتیک گراندد تئوری در این مرحله دست به پرورش مدل طراحی‌شده و نهایی سازی آن زده شد. مدل نهایی نمایانگر روش‌هایی است که کاربرد آنها موجب افزایش رغبت مدیران برای تلاش در راستای پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه می‌شود. این الگو حاصل بررسی، تحلیل و تفسیر مصاحبه‌ها با متخصصان و خبرگان در بستر نظریۀ گراندد تئوری است که در شکل 1 مشاهده می‌شود.

 

 

شکل 1: مدل سیستماتیک منتجشده از نظریۀ دادهبنیاد (منبع: یافته‌های پژوهش)

Figure 1: The systematic model resulting from the Grounded theory

 

 

  1. نتیجه‌گیری

تجزیه‌وتحلیل نظر‌ها و دیدگاه‌های شرکت‌کنندگان در پژوهش دربارۀ موضوع پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه با تأکید بر مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی منجر به ارائۀ یک مدل کیفی شد که عوامل آن در زیر بررسی شده است. یافته‌های پژوهش حاضر با پژوهش‌های جاوید و همکاران (1402) با عنوان «سنجش کیفیت مدیریت ارتباط با مشتری برای توسعۀ استراتژی‌های بازاریابی دیجیتال در بانک شهر»، روستلکارو و همکاران با عنوان «پیاده‌سازی مدیریت ارتباط با مشتری بر‌اساس هوش مصنوعی در برنامۀ بازاریابی»، رابی و همکاران با عنوان «هوش مصنوعی در بازاریابی دیجیتال بر رفتار مصرف‌کننده تأثیر می‌گذارد»، میکالف و همکاران با عنوان «هوش مصنوعی به‌عنوان توانمند‌کنندۀ بازاریابی بنگاه به بنگاه» همگرا بود (Rusthollkarhu et al., 2021; Rabby et al., 2021; Mikalef et al., 2021).

5-1. مقوله‌های علّی: همان‌طور که در نتایج بیان شد، عوامل علّی شامل 9 مقوله بود: عوامل مدیریتی، فناوری ارتباطات و اطلاعات، عوامل مرتبط با بازاریابی دیجیتال، راهبردهای شرکت، اقدام‌های فناورانه، اقدام‌های در ارتباط با مشتری، آمادگی اکوسیستم نوآوری، تحول دیجیتال، پذیرش دیجیتال.

نتایج پژوهش نشان داد که عوامل مدیریتی در شرکت‌های صنعتی می‌تواند بر پیاده‌سازی بازاریابی دیجیتال تأثیرگذار باشد. ازجملۀ این عوامل دانش و تخصص مدیر دربارۀ علوم به‌روز بازاریابی، اعتقاد مدیر به مشتری‌مداری، خوش‌فکری و خطر‌پذیری، خلاقیت، اطمینان مدیریت از وجود منابع انسانی متخصص، منابع مالی و زمانی برای بازاریابی الکترونیکی، تمایل مشتاقانۀ مدیریت به استفاده از فناوری‌های موجود و به‌روز، استفاده و داشتن تجربه‌های موفق و مرتبط در این حوزه و اطمینان از قصد و تصمیم‌گیری مدیریت برای سرمایه‌گذاری در راستای توسعۀ بازاریابی دیجیتال است که می‌توان آنها را از عوامل بسیار مهم در‌حوزۀ مدیریت دانست. راهبردهای شرکت ازنظر مشتری‌مداربودن، داشتن چشم‌اندازهای روشن برای بازاریابی دیجیتال و استفاده از فناوری‌های ارتباطات و اطلاعات برای توسعه در این حوزه بسیار اهمیت دارد.

پیشرفت شتابان فناوری اطلاعات و ارتباطات و وجود اینترنت پرسرعت باعث شده است که ضریب تأثیر اینترنت در بیشتر کشورهای دنیا افزایش پیدا کند. این ضریب نشان‌دهندۀ تعداد افرادی است که در کشور یا منطقۀ مددنظر از اینترنت استفاده می‌کنند. این موضوع باعث شده است که بازاریابان شرکت‌ها بتوانند با تعداد بیشتری از مصرف‌کنندگان ارتباط و تعامل داشته باشند. بداعت، نوآوری و نوظهور‌بودن بازاریابی دیجیتال، دشواری کنترل و نظارت محتوا بدون دخالت مشتری و کیفیت و جذابیت سایت‌های شرکت‌ها به‌عنوان وسیله‌ای برای تبلیغات در فضای مجازی می‌تواند از عوامل تأثیرگذار پیاده‌سازی بازاریابی دیجیتال باشد.

اگرچه می‌توان توانایی‌های بازاریابی دیجیتال شرکت را با یکی از کانال‌های پذیرش بازاریابی دیجیتال، تحول دیجیتال یا آمادگی اکوسیستم نوآوری به دست آورد، بازاریابی دیجیتال چیزی فراتر از پذیرش فناوری است (Schryen, 2013). همچنین، به‌عنوان راهبردهایی برای ادغام فناوری در فرآیندهای تجاری است. تحول دیجیتال محرک اصلی افزایش قابلیت‌های بازاریابی دیجیتال است. شرکت‌ها می‌توانند نقش نوآوری مدیریتی، آمادگی سازمانی و سودمندی درک‌شده را برای بهبود آمادگی اکوسیستم نوآوری خود افزایش دهند. علاوه بر این، کسب‌وکارها باید برای انجام‌دادن تحول دیجیتال بر تغییر و مهندسی مجدد مدل‌های کسب‌وکار جدید حاکم باشند. درنهایت، شرکت علاوه‌بر پیاده‌سازی بازاریابی دیجیتال با وب‌سایت‌ها، رسانه‌های اجتماعی، بازاریابی موبایلی و بازاریابی محتوا باید بر اهمیت تجزیه‌وتحلیل دیجیتال، مدیریت ارتباط با مشتری دیجیتال، تبلیغات دیجیتال و تبلیغات نمایشی تأکید کند.

5-2. مقوله‌های زمینه‌ای و مداخله‌گر: باتوجه مطابق با یافته‌های پژوهش مؤلفه‌های عوامل فرهنگی و اجتماعی، عوامل قانونی و حقوقی، بازاریابی دهان‌به‌دهان الکترونیکی، زیرساخت و قابلیت دیجیتال، مشتری‌مداری، منابع انسانی و مدیریت استراتژیک ازجمله عوامل محیطی و بستر حاکم است که در توسعۀ استراتژی‌های بازاریابی دیجیتال بنگاه به بنگاه اهمیت دارند؛ بنابراین پیشنهاد می‌‌شود برای توسعۀ مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی به تمام فاکتورهای مؤثر توجه شود و تمرکز فقط بر مشتری نباشد. بدین‌ صورت که باید یکپارچگی بین تمام عوامل بهینه‌سازی مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی در بازاریابی دیجیتال برقرار باشد تا چشم‌انداز طولانی‌مدت برای توسعۀ سیستم مهیا شود.

5-3. مقولۀ راهبردی: انواع اصلی مدیریت ارتباط با مشتری را می‌توان با‌توجه به نحوۀ اجرای آنها در شرکت‌ها به کاربست. به ‌این‌ ترتیب، انواع مدیریت ارتباط با مشتری (تحلیلی، عملیاتی و مشارکتی) آن دسته از انواع سیستم‌های مدیریت ارتباط با مشتری است که برای شرکت‌های بزرگی که ظرفیت و نیاز به توسعۀ پلتفرم‌های مدیریتی ازجهت اطلاعات خود دارند، ایجاد و شخصی‌سازی‌ شده‌ است. هدف اصلی این استراتژی‌ها در تجارت بنگاه به بنگاه ایجاد یک قیف در انواع مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی است تا مشخص شود چگونه مشتریان آینده با استراتژی‌های سفارشی‌سازی و محتوایی که شرکت منتشر کرده است گام‌به‌گام با شرکت تعامل می‌کنند. بازاریابی دیجیتال بنگاه به بنگاه، هوش مصنوعی و استفاده از مدیریت ارتباط با مشتری در تجارت بنگاه به بنگاه هنوز به‌طور عمیق توسعه ‌نیافته است؛ زیرا هر سه استراتژی‌های بازاریابی پیشرفته‌ای است که باید ابتدا شرکت‌ها آنها را آزمایش کنند و سپس برای توسعۀ کسب‌و‌کارشان این سه استراتژی را بهینه‌سازی و در ادامه، ارزشی را که برای کسب‌وکار به ارمغان می‌آورد، به‌درستی استخراج کنند. بدین ترتیب، هوش مصنوعی به‌مرور زمان نتایج را ازنظر سودآوری، اثربخشی، کارایی و عملکرد بهبود می‌بخشد (Harrigan et al., 2020). انواع سیستم مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی با جمع‌آوری داده‌ها و پیش‌بینی فروش، تجارت و مقیاس‌پذیری و سودآوری حساب‌های بازاریابی را افزایش داده و عملکرد تجارت را در‌سطح جهانی بهبود بخشیده است (Deb et al., 2018).

بازاریابی دیجیتال به یک عنصر کلیدی در توسعۀ استراتژی‌های تجارت بنگاه به بنگاه تبدیل ‌شده است (Saura, 2021). به‌ این ‌ترتیب، آژانس‌های ارتباطی، بازاریابی و شرکت‌هایی که ازسیستم مدیریت ارتباط با مشتری استفاده می‌کنند، می‌توانند از این پژوهش ازجهت درک، تجزیه‌وتحلیل و کشف کاربردها و مزایای احتمالی استفاده از مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی برای استراتژی‌هایشان استفاده کنند. به‌طور مشابه، مدیران اجرایی شرکت‌هایی که در بخش سنتی بنگاه به بنگاه فعالیت می‌کنند، می‌توانند عملکرد بازاریابی دیجیتال بنگاه به بنگاه را درک و تأثیر فراوانی را که استراتژی‌های هوش مصنوعی می‌توانند بر اکوسیستم‌های کسب‌وکارشان بگذارند، اندازه‌گیری کنند. علاوه بر این، استفاده‌ها، تکنیک‌ها و جهت‌گیری‌های پیشنهادی در این مطالعه می‌تواند به شرکت‌ها در بهبود تصمیم‌گیری در این زمینه کمک کند. شرکت‌ها می‌توانند با استفاده از یافته‌های اکتشافی از انواع اقدام‌هایی ایده بگیرند که می‌توانند در این زمینه انجام دهند. درنهایت، طبقه‌بندی عملکردها و گونه‌شناسی‌های مدیریت ارتباط با مشتری بر‌اساس نوع بازاریابی بنگاه به بنگاه استفاده‌شده می‌تواند شرکت‌ها را برای پیاده‌سازی چنین استراتژی‌هایی در کسب‌وکار خود حمایت کند.

اجرای استراتژی‌های بازاریابی دیجیتالی بنگاه به بنگاه با استفاده از مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی می‌تواند به مدیران شرکت‌ها با پیش‌بینی رفتار خرید مشتری، تخمین ارزش طول عمر مشتری، برنامه‌ریزی مدل‌های تصمیم‌گیری، به نهایت رساندن سود و سایر اقدام‌های قابل ‌اندازه‌گیری مانند به حداقل رساندن سرمایه‌گذاری موجودی و ظرفیت ذخیره‌سازی، استفاده از تکنیک‌های داده‌کاوی، فعّال‌کردن فعالیت‌های بازاریابی مبتنی بر داده، توسعۀ سیستم‌های هوشمند حمایت‌کننده از استراتژی‌های بازاریابی، فرآیند منطقی برای تحلیل استراتژیک، ارزیابی گروه پشتیبانی عوامل استراتژیک بازاریابی، کمک به مدیران برای مقابله با ابهام، مشاورۀ هوشمندانه دربارۀ تنظیم استراتژی بازاریابی، ایجاد یک سیستم ترکیبی برای تصمیم‌گیری بازاریابی بین‌المللی، ایجاد سیستمی برای کمک به برنامه‌ریزی تولید، شبیه‌سازی مدلی برای توسعۀ فرآیند تصمیم‌گیری، کمک به درک و تجزیه‌وتحلیل بازار به آموختن تجربه‌ها در راستای بهبود عملکرد کمک کند.

5-4. پیامدها: هوش مصنوعی به‌احتمال، یکی از مهم‌ترین ابزارهای بازاریابی دیجیتال برای کسب‌وکارها ازجهت بهبود مستمر ظرفیت مشتری استGrover et al, 2020)). فناوری‌های مختلف بازاریابی دیجیتال (واقعیت‌های مجازی افزوده، تصویربرداری مبتنی بر دید و مدیریت موجودی پیش‌بینی‌کننده) به‌طور گسترده با هوش مصنوعی در کسب‌وکارهای آنلاین مرتبط است. درک کامل تجربه‌ها و ترجیحات مشتری برای بهبود عملکرد بازایابی شرکت‌ها ضروری است. هوش مصنوعی با سرعت‌بخشیدن به این درک می‌تواند به شرکت‌ها کمک کند؛ زیرا دستگاه‌های هوش مصنوعی از اطلاعات و نمایه‌های مشتری برای توصیۀ ارتباطات مشتری در محیط بازاریابی دیجیتال استفاده می‌کنند. هوش مصنوعی می‌تواند الگوهای اساسی را در رفتار خرید مشتری بر‌اساس محصولات خریداری‌شده شناسایی کند. همچنین، می‌تواند توصیه‌های محصول آگاهانه‌تری را به مشتریان ارائه دهد و از این طریق آنها را به خرید نهایی تشویق کند.

تجزیه‌وتحلیل کیفیت خدمات و کارایی عملیاتی نتیجۀ ارتباط بین تصور خدمات دریافت‌شده و انتظارات قبلی دربارۀ آنچه هوش مصنوعی می‌تواند ارائه دهد، است. تفاوت چشمگیری که بین کیفیت خدمات و کارایی عملیاتی در خدمات مبتنی بر هوش مصنوعی و خدمات اجتماعی وجود دارد، به‌احتمال، به این دلیل است که خدمات فعّال‌شده باهوش مصنوعی اغلب بر‌اساس پیشرفت‌های خود‌مدیریتی ساخته می‌شود. تجربۀ مشتری مبتنی بر هوش مصنوعی سفر پویای مشتری را شکل می‌دهد که با افزودن خدمات انجام‌شده با رایانه‌ها یا ماشین‌ها و نیز با ارزیابی‌های کیفیت رضایت‌بخش‌تر خواهد شد.

در بازاریابی دیجیتال، اعتماد و مسئولیت‌پذیری نقش مهمی در ارتباط شرکت با مشتریان دارد. با گذشت زمان، این فرضیه بر طیف وسیعی از تنظیمات ازجمله بازاریابی دیجیتال، جست‌وجو در سایت‌ها، اتصالات کامل در شبکه‌های آنلاین، صفحات طرفداران با رسانه‌های مبتنی بر وب و انجام‌دادن تحویل آنلاین متمرکز شده است (Bag et al., 2021). اعتماد سهم اساسی در دستیابی به مدیریت‌های کنترل‌شده ازسوی ماشین داشته است؛ زیرا ارتباط بین مردم و روبات‌سازی را به تصویر می‌کشد. امنیت به‌دلیل اینکه خریداران قصد دارند حریم خصوصی خود را حفظ کنند، جزء ضروری اعتماد است. علاوه بر این، پژوهش‌های قبلی نشان داده است که اطمینان می‌تواند روابط بین اجزای مختلف را در‌زمینۀ استفاده از هوش مصنوعی تغییر دهد؛ برای ‌مثال، کیفیت و سازگاری را تسهیل کند؛ بنابراین هوش مصنوعی ابزاری برای بهبود آیندۀ بازاریابی دیجیتال است که به ایجاد اعتماد و تجربه‌های شخصی مشتری کمک می‌کند. درنهایت، می‌توان گفت که اتوماسیون بازاریابی دیجیتال پویاتر از همیشه است و اطلاعات جمع‌آوری‌شده با هوش مصنوعی برای تجزیه‌وتحلیل رفتار خریدار نتایج بسیار پیش‌بینی‌شده‌ای را دارد. مشارکت هوش مصنوعی به کسب‌وکارها کمک می‌کند تا مشتریان هدف خود را در پلتفرم‌های بازاریابی دیجیتال شناسایی کنند، نیازها و ترجیحات مشتریان خود را درک کنند و شفافیت را افزایش دهند. ابزارهای هوش مصنوعی در پلتفرم‌های بازاریابی دیجیتال باعث می‌شوند چت زنده با ربات‌های چت ادغام شود. همچنین، با پاسخ سریع به پرسش‌ها در یک رابط کاربری آسان، مشتریان را درگیر می‌کند. با استفاده از فناوری‌های هوش مصنوعی در بازاریابی دیجیتال به همراه داده‌هایی که انسان تولید می‌کند، شرکت‌ها می‌توانند به پلتفرم‌های دیجیتال اعتماد کنند و تجربه‌های مثبت و شخصی مشتری را افزایش دهند. به مدیران پیشنهاد می‌‌شود که برای افزایش سودآوری تجارت بنگاه به بنگاه، مواردی چون بهبود بهره‌وری، توسعۀ قابلیت‌های ارتباطی با مشتریان، کاهش هزینۀ عملیاتی، توسعۀ محصولات جدید، دسترسی سریع مشتریان به خدمات شرکت، افزایش داده‌ها، افزایش نقاط تماس با مشتری، شخصی‌سازی، کاهش محدودیت زمانی و مکانی، پاسخگویی سریع‌تر، کاهش هزینۀ تبلیغات در راستای چابک‌سازی سازمانی و قابلیت‌های بازاریابی دیجیتال شرکت را با استفاده از فناوری‌هایی مانند هوش مصنوعی توسعه دهند.

با‌توجه به استفاده از رویکرد نظری داده‌بنیاد پیشنهاد می‌شود که سایر پژوهشگران با استفاده از راهبردهای کمّی، فرضیه‌هایی را بر‌اساس مدل اکتشافی این پژوهش طراحی و آزمایش کنند تا اعتبار نهایی و تعمیم‌پذیری این یافته‌ها افزایش یابد.

با‌توجه به یافته‌های پژوهش پیشنهاد‌های زیر ارائه می‌شود.

  • برای ارائۀ تجربه‌های بازاریابی شخصی، تجزیه‌وتحلیل داده‌ها و روند رفتار مصرف‌کننده از هوش مصنوعی استفاده کنید. الگوریتم‌های هوش مصنوعی برای سفارشی‌کردن محتوا و پیشنهاد‌ها براساس سلیقه‌های فردی می‌تواند مشتری را تقسیم‌بندی کند.
  • برای مدیریت روابط با محیط، تقویت برنامه‌های بازاریابی و فروش، تحلیل اطلاعات داده‌های مشتریان احتمالی و ثبت موارد عملیاتی از سیستم مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی استفاده کنید.
  • سیستم‌های مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی می‌توانند به ارزش کسب‌وکار بیفزایند و بازاریابی دیجیتال بنگاه به بنگاه را به یک استراتژی پایدار تبدیل کنند که این خود می‌تواند مراحلی را پیش‌بینی کنند که یک شرکت برای موفقیت در استراتژی‌های بازاریابی خود باید بردارد؛ بنابراین کاربرد و استفاده‌های جدید از مدیریت ارتباط با مشتری‌های مبتنی بر هوش مصنوعی برای شرکت‌ها در محیط بنگاه به بنگاه ضروری است.
  • مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی با جمع‌آوری داده‌ها و پیش‌بینی فروش، تجارت و مقیاس‌پذیری، سودآوری حساب‌های بازاریابی را افزایش می‌دهد و عملکرد تجارت را در‌سطح جهانی نیز بهبود می‌بخشد.
  • مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی که در محیط‌های بازاریابی دیجیتال کار می‌کنند، به تکنیک‌های متمرکز بر یادگیری ماشین و کلان داده توجه کرده‌اند. همچنین، مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی از استراتژی‌های بازاریابی مبتنی بر داده برای هدایت و جمع‌آوری داده‌های دانش مشتری و ارزیابی عملکرد فعالیت‌ها استفاده می‌کنند. به‌طور معمول، این فرآیندها به انواع مدیریت ارتباط با مشتری تحلیلی مرتبط است؛ بنابراین با استفاده از مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی تحلیلی فرآیندهای تصمیم‌گیری، درک رفتار و پاسخ‌های کاربر، استراتژی‌های نوآوری، پیش‌بینی فروش، درک استراتژی‌های شبکه‌های اجتماعی و مشتری‌مداری در محیط‌های دیجیتال را تسهیل کنید.

 

اشتراوس، انسلیم، و کوربین، ژولیت (1393). مبانی تحقیق کیفی: تکنیک‌ها و روش‌های توسعه نظریه زمینه‌ای (محمدعلی چراغی، و مهدی اسماعیلی، ترجمه). موسسه علوم انسانی و مطالعات فرهنگی. (اثر اصلی منتشر شده در 2013).
جامی‌پور، مونا، تالاری، محمد، و بشکار، راضیه (1400). طراحی چارچوب پیاده‌سازی بازاریابی دیجیتال بین‌المللی (مورد مطالعه: صنعت فرش). مدیریت کسب‌وکار بین‌المللی، 4(4)، 169-151.
جاوید، محمدرضا، نعمتی‌‌زاده، سینا، و قاسمی، بهروز (1402). سنجش کیفیت مدیریت ارتباط با مشتری برای توسعۀ استراتژی‌های بازاریابی دیجیتال در بانک شهر. اقتصاد مالی (اقتصاد مالی و توسعه)، 17(63)، 313-334.
حسنقلی­پور، طهمورث، ایروانی، محمدجواد، نوتاش، محمدرضا، انوشه، مرتضی، و موسوی نقابی، سید مجتبی (1394). طراحی مدل توسعه صنایع کوچک و متوسط مورد مطالعه: صنایع غذایی و آشامیدنی. فرایند مدیریت و توسعه، ۲۸(3)، 21-46.
 
References
Asare-Frempong, J., & Jayabalan, M. (2017). Predicting customer response to bank direct telemarketing campaign. In 2017 International Conference On Engineering Technology And Technopreneurship, Kuala Lumpur, Malaysia. https://doi.org/10.1109/ICE2T.2017.8215961
Bag, S., Gupta, S., Kumar, A., & Sivarajah, U. (2021). An integrated artificial intelligence framework for knowledge creation and B2B marketing rational decision making for improving firm performance. Industrial Marketing Management, 92(4), 178–189. https://www.elsevier.com/open-access/userlicense/1.0/
Benitez, J., Castillo, A., Llorens, J., & Braojos, J. (2018). IT-enabled knowledge ambidexterity and innovation performance in small US firms: The moderator role of social media capability. Information & Management, 55(1), 131–143. https://doi.org/10.1016/j.im.2017.09.004
Collins, C., Dennehy, D., Conboy, K., & Mikalef, P. (2021). Artificial intelligence in information systems research: A systematic literature review and research agenda. International Journal Of Information Management, 60(3), 102383. https://doi.org/10.1016/j.ijinfomgt.2021.102383
Coombs, C., Hislop, D., Taneva, S. K., & Barnard, S. (2020). The strategic impacts of intelligent automation for knowledge and service work: An interdisciplinary review. The Journal Of Strategic Information Systems, 29(4), 101600. https://doi.org/10.1016/j.jsis.2020.101600
Chatterjee, S., Nguyen, B., Ghosh, S. K., Bhattacharjee, K. K., & Chaudhuri, S. (2020a). Adoption of artificial intelligence integrated CRM system: An empirical study of Indian organizations. The Bottom Line, Delhi Indian. https://doi.org/10.1108/BL-08-2020-0057
Chatterjee, S., Tamilmani, K., Rana, N. P., & Dwivedi, Y. K. (2020b). Employees’ acceptance of AI integrated CRM system: Development of a conceptual model. In International Working Conference On Transfer And Diffusion Of It Cham. https://doi.org/10.1007/978-3-030-64861-9_59
Choudhury, M. M., & Harrigan, P. (2014). CRM to social CRM: The integration of new technologies into customer relationship management. Journal Of Strategic Marketing, 22(2), 149–176. https://doi.org/10.1080/0965254X.2013.876069
Castelo-Branco, I., Cruz-Jesus, F., & Oliveira, T. (2019). Assessing industry 4.0 readiness in manufacturing: evidence for the European Union. Computers In Industry, 107(2), 22–32. https://doi.org/10.1016/j.compind.2019.01.007
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., & Williams, M. D. (2021). Artificial intelligence (ai): multidisciplinary perspectives on emerging challenges opportunities and agenda for research, practice and policy. International Journal Of Information Management, 57(4), 101994. https://doi.org/10.1016/j.ijinfomgt.2019.08.002
Dastane, O. (2020). Impact of digital marketing on online purchase intention: Mediation effect of customer relationship management. Journal Of Asian Business Strategy, 10(1), 142-158. https://doi.org/10.18488/journal.1006.2020.101.142.158
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108–116. https://blockqai.com/wp-content/uploads/2021/01/analytics-hbr-ai-for-the-real-world.pdf
Davenport , T., Guha, A., Grewal, D., & Bressgott, T. (2019). How artificial intelligence will change the future of marketing. Journal Of The Academy Of Marketing Science, 85(5), 24-48. https://doi.org/10.1007/s11747-019-00696-0
Deb, S. K., Jain, R., & Deb, V. (2018). Artificial intelligence–creating automated insights for customer relationship management. In 2018 8th International Conference On Cloud Computing, Data Science & Engineering (Confluence), India. https://doi.org/10.1109/CONFLUENCE.2018.8442900
Duan, Y., Edwards, J. S., & Dwivedi, Y. K. (2019). Artificial intelligence for decision making in the era of Big Data–evolution challenges and research agenda. International Journal Of Information Management, 48(3), 63-71. https://doi.org/10.1016/j.ijinfomgt.2019.01.021
Ferasso, M., Beliaeva, T., Kraus, S., Clauss, T., & Ribeiro-Soriano, D. (2020). Circular economy business models: The state of research and avenues ahead. Business Strategy And The Environment, 29(8), 3006–3024. https://doi.org/10.1002/bse.2554
Faase, R., Helms, R., & Spruit, M. (2011). Web 2.0 in the CRM domain: Defining social CRM. International Journal Of Electronic Customer Relationship Management, 5(1), 1–22. https://doi.org/10.1504/IJECRM.2011.039797
Grover, P., Kar, A. K., & Dwivedi, Y. K. (2020). Understanding artificial intelligence adoption in operations management: Insights from the review of academic literature and social media discussions. Annals Of Operations Research, 54(1), 1-37. https://doi.org/10.1007/s10479-020-03683-9
Gordini, N., & Veglio, V. (2017). Customers churn prediction and marketing retention strategies: An application of support vector machines based on the AUC parameter-selection technique in B2B e-commerce industry. Industrial Marketing Management, 62(4), 100-107. https://doi.org/10.1016/j.indmarman.2016.08.003
Harrigan, P., Miles, M. P., Fang, Y., & Roy, S. K. (2020). The role of social media in the engagement and information processes of social CRM. International Journal O Information Management, 54(5), 102151. https://doi.org/10.1016/j.ijinfomgt.2020.102151
Hasanqalipour, T., Ervani, M., Notash, M., Anousheh, M., & Mousavi Naqabi, S. M. (2014). Designing the development model of the studied small and medium industries: Food and beverage industries. Management And Development Process, 3(28), 21-46. http://jmdp.ir/article-1-1852-fa.html [In Persian].
Iansiti, M., & Lakhani, K. R. (2020). Competing in the age of AI. Harvard Business Review, 98(1), 60–67. https://hbr.org/2020/01/competing-in-the-age-of-ai
Javid, M., Nematizadeh, S., & Ghasemi, B. (2023). Measuring the quality of customer relationship management for the development of digital marketing strategies in Shahr Bank. Financial Economics (Financial Economics and Development), 17(2), 3131-334. 10.30495/FED.2023.702195 ]In Persian[.
Jamipour, M, Talari, M., & Bashkar, R. (2021). Designing the implementation framework of international digital marketing (Case study: Carpet industry). International Business Management, 4(4), 151-169. 10.22034/JIBA.2022.43063.1574 [In Persian[.
Khatri, M. (2021). How digital marketing along with artificial intelligence is transforming consumer behaviour?. Journal Of Applied Science Engineering And Technology, 9(7), 1-70. https://www.researchgate.net/profile/Manas-Khatri/publication/353156555
Ledro, C., Nosella, A., & Vinelli, A. (2022). Artificial intelligence in customer relationship-management: literature review and future research direction. Journal Of Business & Industrial Marketing, 37(13), 48-63. https://www.emerald.com/insight/content/doi/10.1108/JBIM-07-2021-0332/full/html
Leone, D., Schiavone, F., Appio, F. P., & Chiao, B. (2020). How does artificial intelligence enable and enhance value co-creation in industrial markets? An exploratory (Case study in the healthcare ecosystem). Journal Of Business Research, 129(4), 849–859. https://doi.org/10.1016/j.jbusres.2020.11.008
Lages, L. F., Lancastre, A., & Lages, C. (2008). The B2B-RELPERF scale and scorecard: Bringing relationship marketing theory into business-to-business practice. Industrial Marketing Management, 37(6), 686–697. https://doi.org/10.1016/j.indmarman.2007.05.008
Louridas, P., & Ebert, C. (2016). Machine learning. IEEE Software, 33(5), 110–115. https://doi.org/10.1109/MS.2016.1
Mikalef, P., Conboy, K., & Krogstie, J. (2021). Artificial intelligence as an enabler of B2B marketing: A dynamic capabilities micro-foundations approach. Industrial Marketing Management, 98(2), 80–92. https://doi.org/10.1016/j.indmarman.2021.08.003
Nuruzzaman, M., & Hussain, O. K. (2018). A survey on chatbot implementation in customer service industry through deep neural networks. In Proceedings—2018 IEEE 15th International Conference On E-Business Engineering, China. https://doi.org/10.1109/ICEBE.2018.00019
Paschen, J., Wilson, M., & Ferreira, J. J. (2020). Collaborative intelligence: How human and artificial intelligence create value along the B2B sales funnel. Business Horizons, 63(3), 403–414. https://doi.org/10.1016/j.bushor.2020.01.003
Paschen, J., Kietzmann, J., & Kietzmann, T. C. (2019). Artificial intelligence (AI) and its implications for market knowledge in B2B marketing. Journal Of Business & Industrial Marketing, 34(7), 1410–1419. https://doi.org/10.1108/JBIM-10-2018-0295
Rusthollkarhu, S., Toukola, S., Aarikka-Stenroos, L., & Mahlamaki, T. (2022). Managing B2B customer journeys in digital era: Four management activities with artificial intelligence-empowered tools. Industrial Marketing Management, 104(2), 241–257. https://doi.org/10.1016/j.indmarman.2022.04.014
Rabby, F., Chimhundu., R., & Hassan. R. (2021). Artificial intelligence in digital marketing influencesconsumer behaviour: A review and theoretical foundation for future research. Academy Of Marketing Studies Journal, 25(5), 1-7. https://B2n.ir/a36768
Ribeiro-Navarrete, S., Saura, J. R., & Palacios-Marqu´es, D. (2021). Towards a new era of mass data collection: Assessing pandemic surveillance technologies to preserve user privacy. Technological Forecasting And Social Change, 167(4), 120681. https://doi.org/ 10.1016/j.techfore.2021.120681
Rusthollkarhu, S., Hautamaki, P., & Aarikka-Stenroos, L. (2021). Value co-creation in B2B sales ecosystems. The Journal Of Business And Industrial Marketing, 36(4), 590–598. https://doi.org/10.1108/JBIM-03-2020-0130
Saura, J. R. (2021). Using data sciences in digital marketing: Framework methods, and performance metrics. Journal Of Innovation And Knowledge, 6(2), 92–102. https://doi.org/10.1016/j.jik.2020.08.001
Steward, M. D., Narus, J. A., Roehm, M. L., & Ritz, W. (2019). From transactions to journeys and beyond: The evolution of B2B buying process modeling. Industrial Marketing Management, 83(5), 288–300. https://doi.org/10.1016/j.indmarman.2019.05.002
Syam, N., & Sharma, A. (2018). Waiting for a sales renaissance in the fourth industrial revolution: Machine learning and artificial intelligence in sales research and practice. Industrial Marketing Management, 69(3), 135–146. https://doi.org/10.1016/j.indmarman.2017.12.019
Strauss, A., & Corbin, J. (2014). Basics of qualitative research: Techniques and  met procedures for developing grounded theory (M. A. Chiraghi, M. Esmaili, Ed). Institute for humanities and cultural studies. (Original publication year 2013). [In persian].
Schryen, G. (2013). Revisiting IS business value research: What we already know, what we still need to know and how we can get there. European Journal Of Information Systems, 22(2), 139–169. https://www.tandfonline.com/doi/abs/10.1057/ejis.2012.45
Tjepkema, L. (2019). What is artificial intelligence marketing & why is it so powerful. Emarsys: https://www.emarsys.com/resources/blog/artificial-intelligence-marketingsolutions/03.05, 53–55
Wright, L. T., Stone, M., & Abbott, J. (2002). The CRM imperative—practice vs theory in the telecommunications industry. Journal of Database Marketing & Customer Strategy Management, 9(4), 339–349. https://doi.org/10.1057/palgrave.jdm.324008
Zhang, C., Wang, X., Cui, A. P., & Han, S. (2020). Linking big data analytical intelligence to customer relationship management performance. Industrial Marketing Management, 91(2), 483-494. https://doi.org/10.1016/j.indmarman.2020.10.012
Zolkiewski, J., Story, V., Burton, J., Chan, P., Gomes, A., Hunter-Jones, P., & Robinson, W. (2017). Strategic B2B customer experience management: The importance of outcomes-based measures. Journal of Services Marketing, 31(2), 172–184. https://doi.org/10.1108/JSM-10-2016-0350