Exploring Conversational Marketing in Banking: Influence of Acceptance Factors of Conversational Assistants on Customer Attitudes and Brand Engagement, Considering the Moderating Role of Perceived Risk

Document Type : Original Article

Authors

1 Ph.D. student, Department of Business Management, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran

2 Ph.D., Department of Business Management, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran

Abstract

This article aimed to examine the impacts of acceptance factors for conversational assistants on customer attitudes and brand engagement, while also considering the moderating role of perceived risk. The study adopted a positivist paradigm, employed a comparative research strategy, and utilized a cross-sectional design. It was applied in purpose and descriptive in method. The target population comprised customers of banks in Isfahan with a minimum sample size of 396 determined using G-Power software; however, to enhance accuracy, a sample of 400 participants was selected. Data were collected using a standardized questionnaire. Validity was assessed through content validity based on expert opinions, as well as convergent and divergent validity. Reliability was evaluated using Cronbach's alpha, omega coefficient, and composite reliability. Descriptive statistics were computed using SPSS version 25, while Structural Equation Modeling (SEM) was performed using Smart PLS 3.0 to evaluate model fit and test hypotheses. Results indicated that perceived ease of use, perceived usefulness, perceived pleasure, and perceived trust significantly and positively influenced customer attitudes and brand engagement. Additionally, perceived risk moderated the relationship between customer attitude and brand engagement. If conversational marketing is effectively implemented in banking, and if conversational assistants are embraced by customers, this will foster a positive attitude and enhance customer engagement with the brand. Therefore, the banking industry should prioritize the development of appealing conversational assistants to provide optimal experiences and services that meet customer needs in a timely manner.
 Introduction
Conversational marketing represents a modern approach that fosters two-way interactions with customers. Unlike traditional methods that focus solely on providing information, conversational marketing emphasizes personal conversations that leverage advancements in Artificial Intelligence (AI) to enhance human interactions. This approach transcends simple transactional exchanges, offering a more engaging experience that facilitates a deeper understanding of customer needs and preferences (Israfilzade & Sadili, 2024). In today’s landscape, conversational marketing has gained significance due to its emphasis on instant, personalized interactions between brands and customers (Israfilzade, 2021, 2023). At its core, conversational marketing is built on principles that foster deeper and more meaningful connections. A central tenet is customer-centric engagement, which shifts the focus from broad market segments to the unique needs, preferences, and feedback of individual customers. This principle ensures that every interaction is tailored, recognizing each customer as a distinct entity with specific desires and concerns. As a result, the customer experience transforms from a standard transaction into an engaging and personalized journey (Shumanov & Johnson, 2021). A key aspect of conversational marketing is conversational AI, which encompasses AI-based conversational agents—software systems designed to mimic interactions with real people through written and spoken language, gestures, and other forms of body language (Khatri et al., 2018; Radziwill & Benton, 2017). Given the rapid expansion of AI technologies, particularly conversational assistants in the banking industry, understanding the factors that influence the adoption of these technologies has emerged as a critical research challenge. Research indicates that factors, such as ease of use, perceived usefulness, enjoyment, and trust, significantly shape customers’ attitudes toward conversational assistants. These attitudes, in turn, can impact the level of customer engagement with brands, ultimately leading to increased loyalty and satisfaction. However, perceived risks—such as concerns about data security and privacy—can moderate this relationship. These risks may diminish customers' positive attitudes and reduce their engagement with the brand. In summary, while a positive attitude can enhance customer engagement, the presence of perceived risk may weaken this connection.  The present study offered several theoretical and managerial implications. First, it presented a model that outlines the relationships between the acceptance factors of conversational assistants—specifically perceived ease of use, perceived usefulness, perceived enjoyment, and perceived trust—along with attitude, perceived risk, and customer engagement with the brand. This model can serve as a valuable foundation for future research in this area. The findings also have important implications for the Iranian banking industry, highlighting the need to remain competitive with banks in other countries. By prioritizing the acceptance of conversational assistants, enhancing customer engagement, and fostering positive customer attitudes, banks can provide timely, efficient, and tailored services that meet customer needs. Despite the significance of these variables, there has been limited domestic and international research focused on them. Notably, this study uniquely examined the acceptance factors of conversational assistants, customer attitude, perceived risk, and customer engagement within a single framework. Additionally, the role of conversational marketing in Iran has not received adequate attention. This research specifically investigated how the acceptance factors of conversational assistants influenced customer attitudes and how these attitudes impacted customer engagement with the brand, while considering the moderating role of perceived risk in the relationship between attitude and customer engagement.
Materials & Methods
This study employed a quantitative research methodology, utilizing a survey research strategy and a cross-sectional time frame. The primary objective was to describe and explain the impact of acceptance factors for conversational assistants on customer attitudes and brand engagement, while considering the moderating role of perceived risk. The statistical population consisted of customers from both private and public banks in Isfahan City with a convenience sampling method employed for participant selection. Initially, the theoretical foundations of the research scales were reviewed to extract relevant scales, after which a Likert-scale questionnaire was developed. This standardized questionnaire was refined by the authors and comprised two sections: the first section gathered demographic information, while the second section contained specialized questions related to the study variables. To assess validity, the content validity of the questionnaire was confirmed by academic experts. Subsequently, convergent and divergent validity were evaluated using the Fornell-Larcker criterion. Reliability was assessed through Cronbach's alpha coefficient, composite reliability coefficient, and McDonald's omega. Data analysis was conducted using Structural Equation Modeling (SEM) and confirmatory factor analysis, employing SPSS version 25 and Smart PLS 3.0 software.
 Research Findings
The first hypothesis demonstrated a statistical value of 5.269, which exceeded the critical value of 1.96. This indicated that the hypothesis was accepted, revealing a path coefficient of 0.218, which signified a positive and significant effect of perceived usefulness on attitude. Similarly, perceived ease of use exhibited a positive and significant impact on attitude with a path coefficient of 0.166 and a statistical value of 3.288. Perceived enjoyment also had a positive and significant effect on attitude reflected by a path coefficient of 0.154 and a statistical value of 3.376. Additionally, perceived trust showed a strong positive influence on attitude with a path coefficient of 0.406 and a statistical value of 9.346. Based on the path coefficients, it was evident that perceived trust (0.406) had the most significant impact on attitude followed by perceived usefulness (0.218). The 5th hypothesis indicated that the statistical value of 3.319 surpassed the critical value of 1.96, establishing that attitude had a positive and significant effect on customer engagement with the brand as indicated by a path coefficient of 0.136. Furthermore, the results from the 6th hypothesis demonstrated that perceived risk with a statistical value of 6.361 moderated the relationship between attitude and customer engagement with the brand.
Discussion of Results & Conclusion
The emergence of conversational marketing coupled with advancements in AI and digital technologies has significantly enhanced marketing strategies. This approach shifts traditional one-way marketing communications to dynamic two-way interactions, emphasizing customer-centric engagement, real-time responsiveness, personalization, and adaptability. Such a transformation fosters deeper and more meaningful connections with customers.  By recognizing the importance of conversational marketing and its impressive outcomes for the banking industry, this study investigated the impacts of factors influencing the acceptance of conversational assistants on customer attitudes and brand engagement, while also considering the moderating role of perceived risk. The findings indicated that factors, such as perceived usefulness, ease of use, trust, and enjoyment, significantly influenced customers' positive attitudes toward the brand. A positive experience with these technologies not only enhanced customer loyalty, but also encouraged active participation. By addressing perceived risks through education and increasing customer awareness of the security and effectiveness of conversational assistants, banks can build trust and establish more durable relationships. This enhancement of customer knowledge allows banks to design more effective marketing strategies and deliver services that are better aligned with customer needs. In summary, this study demonstrated that the banking industry can positively influence customer attitudes and brand engagement by focusing on the factors that affect the acceptance of conversational assistants.

Keywords

Main Subjects

Full Text

1. مقدمه

بازاریابی محاوره‌ای رویکرد نوینی است که داشتن محاوره‌ای دو طرفه را با مشتریان تشویق می‌کند. این محاوره  فقط برای ارائۀ اطلاعات نیست، بلکه محاوره‌ای شخصی است که با کمک علوم نوین مانند هوش مصنوعی تعاملات انسانی فراتر از مبادلات معاملاتی ساده را امکان‌پذیر کرده است. این تعاملات نه‌تنها جذاب‌تر است، به درک عمیق‌تری از نیازها و ترجیحات مشتری نیز کمک می‌کند (Israfilzade & Sadili, 2024). بازاریابی محاوره‌ای در عصر کنونی اهمیت فزآینده‌ای پیدا کرده است؛ زیرا در این بازاریابی به تعاملات فوری و شخصی‌سازی‌شده بین برندها و مشتریان تمرکز می‌شود (Israfilzade, 2021; Israfilzade, 2023). ماهیت بازاریابی محاوره‌ای در اصولی است که در آن گنجانده شده است. هر‌کدام از این اصول نقش اساسی در ایجاد ارتباطات عمیق‌تر و معنادارتر بین برندها و مشتریان دارد. مرکز این رویکرد تعامل مشتری‌محوری است. جایی که در آن تمرکز از بخش‌های گستردۀ بازار به نیازها، ترجیحات و بازخوردهای فردی مشتری تغییر می‌کند. این اصل تضمین می‌کند که هر تعاملی بی‌نظیر است. همچنین، این اصل هر مشتری را به‌عنوان یک موجودیت متمایز با خواسته‌ها و نگرانی‌های خاص می‌شناسد و استراتژی تجربۀ مشتری را از یک تراکنش استاندارد به یک سفر جذاب و شخصی تبدیل می‌کند (Shumanov & Johnson, 2021). ‏

مطالعۀ محاوره، برند و طراحی عامل‌های محاوره از لنز تجربۀ برند مفاهیمی است که در مطالعات بازاریابی به آنها توجه شده است (Aittamaa & Siemon, 2024). یکی از مباحث مهم در بازاریابی محاوره‌ای هوش مصنوعی محاوره‌ای است که منجر به عوامل محاوره‌ای مبتنی بر هوش مصنوعی می‌شود. سیستم‌هایی از نرم‌افزاری وجود دارد که تعاملات با افراد واقعی را با زبان نوشتاری، گفتاری، حرکات و سایر حالت‌های بدن تقلید می‌کند (Khatri et al., 2018; Radziwill & Benton, 2017). یک شکل خاصی از هوش مصنوعی که در عمل و پژوهش در‌حال افزایش است، هوش مصنوعی محاوره‌ای به‌عنوان دستیاران محاوره‌ای مطرح است. دستیاران مجازی به‌طور فزآینده‌ای با بسیاری از سازمان‌ها در طیف گسترده‌ای از صنایع و زمینه‌های مختلفی مانند خرده‌فروشی (Chung et al., 2020)، بانکداری (Hari et al., 2022)، آموزش (Winkler et al., 2020)، مراقبت‌های بهداشتی (Laranjo et al., 2018) و رسانه و سرگرمی (Sajjadi et al., 2019) کاربرد دارند. در این عصر فناوری جدید مدیریت روش بانکداری سنتی بسیار دشوار است. با توجه به نیازهای گستردۀ مدیریت داده و تجزیه‌وتحلیل بخش بانکی ادغام هوش مصنوعی مانند دستیاران محاوره‌ای و ربات‌های گفت‌وگو تأثیر چشمگیری بر این بخش دارد. دستیاران محاوره‌ای سیستم‌های محاوره‌ای خودکاری هستند که می‌توانند با استفاده از زبان‌ طبیعی با افراد تعامل داشته باشند و پاسخ‌هایی را دربارۀ موضوعات خاص با متن و یا صدا ارائه دهند (Hasan et al., 2023). سیستم‌های هوش‌ مصنوعی که شامل دستیاران مبتنی بر صدا و تصویر است با توجه به ادغام‌شدن در زندگی روزمرۀ افراد نگرانی‌هایی از‌جمله حفظ حریم ‌خصوصی، امنیت و اعتماد را ایجاد کردند؛ ولی وجود این ادراکات و تأثیری که سیستم‌های هوش مصنوعی بر پذیرش و استفاده از این فناوری‌ها دارند، چالش مطالعاتی را ایجاد می‌کند که به بررسی نیاز دارد (Leschanowsky et al., 2024). بنابر نظر Hasan et al. (2023) سهولت استفادۀ ادراک‌شده، لذت ادراک‌شده و اعتماد ادراک‌شده از عوامل پذیرش دستیاران محاوره‌ای هستند که می‌توانند بر نگرش تأثیرگذار باشند. درصورتی که دستیاران محاوره‌ای با مشتریان پذیرش شوند، به سازمان‌ها اجازه می‌دهند نیازها و انتظارات مشتری را شناسایی کنند، مشتریان و کاربران را به دست آورند و حفظ کنند، تجربه و رضایت مشتری را افزایش دهند و بینش مشتری و بازار را ایجاد کنند (Verma et al., 2021). دستیاران مجازی مجهز به هوش مصنوعی براساس الگوریتم‌هایی که به کار می‌گیرند و ویژگی‌های فنی و دستگاه‌هایی که به آنها متصل است، انواع مختلفی دارند (Bérubé et al., 2021). تعاملات خودکار با استفاده از هوش مصنوعی در تجربه‌های خدمات متعدّد و فعالیت‌های مصرف‌کننده ادغام خواهد شد (Teixeira et al., 2017). این تعاملات زمینه‌ساز ارتباطات شخصی و خودکار است که به مصرف‌کننده کمک می‌کند تا نیازهای خاص خود را برآورده کند. همچنین، این تعاملات به شرکت‌ها در راستای افزایش بهره‌وری خدمات و سرمایه‌گذاری نیز کمک می‌کند (Glas et al., 2017). بر این اساس، با توجه به اینکه تعامل برند با مصرف‌کننده حالت روان‌شناختی یک فرد است که در یک فرآیند تعامل مداوم و پویا (شامل ابعاد شناختی، عاطفی و رفتاری در‌طول فعالیت‌های مرتبط با برند است) رخ می‌دهد، امروزه افزایش تعاملات خودکار مشتری با ماشینِ مرتبط با برند امکان‌پذیر است. برندها از کانال جدیدی برای تحریک مشارکت برند و مصرف‌کننده سود می‌برند (Marinova et al., 2017).

امروزه باید به ریسک ادراک‌شدۀ مشتریان و مهم‌ترین جنبۀ آن، یعنی حفظ حریم خصوصی توجه ویژه‌ای شود. بنابر نظر Fortes & Rita (2016) ریسک زمانی رخ می‌دهد که از اطلاعات سوء استفاده شود. این ریسک می‌تواند ناشی از دست دادن اطلاعات شخصی کاربران باشد. این ریسک کاربران را از اشتراک‌گذاری اطلاعات باز‌می‌دارد (Abri et al., 2009) و این باعث نگرش منفی به هر خدمت خاص شود (Walter & Abendroth, 2020). بنابر نظر Kim et al. (2019a) ریسک ادراک‌شده می‌تواند نتایج متفاوتی داشته باشد.

با توجه به اهمیت موضوع و مطالب مذکور و با درنظر داشتن اینکه صنعت بانکداری یکی از صنایع کلیدی و تأثیرگذار در اقتصاد است، این صنعت برای موفقیت در عرصۀ رقابت باید از فناوری‌های نوین بهره‌برداری کند. این فناوری‌ها نه‌تنها به بهبود خدمات و افزایش رضایت مشتریان کمک می‌کنند، امکان پاسخگویی سریع و مؤثر به نیازهای متغیر و روزافزون مشتریان را نیز فراهم می‌کند؛ بنابراین استفادۀ بهینه از فناوری‌های نوین برای ارتقا کیفیت خدمات و حفظ جایگاه رقابتی در بازار امری ضروری است. پذیرش فناوری دستیاران محاوره‌ای در صنعت بانکداری ایران می‌تواند تحولی شگرف در نحوۀ ارائۀ خدمات مالی و ارتباط با مشتریان ایجاد کند. این فناوری‌ها با استفاده از هوش ‌مصنوعی و پردازش زبان طبیعی امکان پاسخگویی سریع و مؤثر را به نیازهای مشتریان فراهم می‌آورند و می‌توانند به بهبود تجربۀ کاربری و افزایش کارایی خدمات بانکی کمک کنند؛ با این حال چالش‌هایی نظیر ناآگاهی مشتریان، زیرساخت‌های ناکافی و نگرانی‌های امنیتی ممکن است مانع از پذیرش گستردۀ این فناوری‌ها شود؛ بنابراین سرمایه‌گذاری در آموزش، توسعۀ زیرساخت‌ها و تقویت امنیت اطلاعات مشتریان از الزام‌های کلیدی برای موفقیت این روند است. با گسترش سریع فناوری‌های هوش ‌مصنوعی و به‌‌ویژه دستیاران محاوره‌ای در صنعت بانکداری بررسی عوامل مؤثر بر پذیرش این فناوری‌ها به یکی از چالش‌های پژوهشی کلیدی تبدیل شده است. پژوهش‌ها نشان می‌دهد که عواملی نظیر سهولت استفاده، سودمندی، لذت و اعتماد به‌طور مستقیم بر نگرش مشتریان به دستیاران محاوره‌ای تأثیر می‌گذارد. این نگرش‌ها به سهم خود می‌تواند بر میزان مشارکت مشتریان با برندها تأثیرگذار باشد و در‌نهایت، به وفاداری و رضایت مشتری منجر شود؛ با این حال ریسک‌های ادراک‌شده شامل نگرانی‌های مربوط به امنیت داده‌ها و حریم‌ خصوصی می‌توانند به‌عنوان یک عامل تعدیل‌کننده در این فرآیند عمل کنند. این ریسک‌ها ممکن است نگرش مثبت مشتریان را تحت‌تأثیر قرار دهند و به کاهش مشارکت آنها با برند منجر شوند. به‌عبارتی، در‌حالی که نگرش مثبت می‌تواند مشارکت ‌مشتری را افزایش دهد، وجود ریسک ادراک‌‌شده ممکن است این رابطه را تضعیف کند. مطالعۀ حاضر از جنبه‌های تئوریکی و مدیریتی کاربردهای مختلفی دارد. اول اینکه پژوهش حاضر مدلی را بر‌پایۀ روابط بین متغیرهای عوامل پذیرش دستیاران محاوره‌ای (سهولت استفادۀ ادراک‌شده، سودمندی ادراک‌شده، لذت ادراک‌شده و اعتماد ادراک‌شده)، نگرش، ریسک ادراک‌شده و مشارکت مشتری با برند ارائه می‌دهد که می‌تواند به مطالعات آینده در این حوزه کمک کند. همچنین، یافته‌های این پژوهش به صنعت بانکداری ایران کمک می‌کند تا از سایر بانک‌های کشورهای دیگر عقب نماند و در راستای کسب مزیت رقابتی با توجه ویژه‌داشتن به پذیرش دستیاران محاوره‌ای مشارکت مشتری با برند و نگرش مشتری در راستای ارائۀ خدمات به‌موقع، سریع و متناسب با نیاز مشتریان تلاش کند. براساس بررسی صورت‌گرفته در‌حیطۀ موضوع این پژوهش می‌توان بیان کرد که پژوهش‌های داخلی و خارجی اندکی دربارۀ متغیرهای پژوهش انجام شده است؛ ولی بدین ‌صورت و با این چارچوب پژوهشی و با در نظر داشتن همزمان متغیرهایی مانند عوامل پذیرش دستیاران محاوره‌ای (سهولت استفادۀ ادراک‌شده، سودمندی ادراک‌شده، لذت ادراک‌شده و اعتماد ادراک‌شده)، نگرش، ریسک ادراک‌شده و مشارکت مشتری با برند انجام نشده است. همچنین، به عوامل پذیرش دستیاران محاوره‌ای و بازاریابی محاوره‌ای در ایران توجه ویژه‌ای نشده است. محققان در پژوهش حاضر درصدد بررسی این هستند تا تأثیر عوامل پذیرش دستیاران محاوره‌ای را بر نگرش و تأثیر نگرش را بر مشارکت مشتری با برند و در‌نهایت، نقش ریسک ادراک‌شده را به‌عنوان تعدیل‌کنندۀ تأثیر نگرش بر مشارکت مشتری با برند مطالعه کنند.

 

  1. مبانی نظری

1-2. بازاریابی محاوره‌ای

بازاریابی محاوره‌ای یک رویکرد بازاریابی معاصر است که مبتنی بر تعاملات فردی و شخصی‌سازی‌شده در کانال‌های مختلف در زمان واقعی است. این بازاریابی تجربه‌های مشترک را تسهیل و روابط با مشتری را تقویت می‌کند و درنهایت، تجربۀ کلی مشتری را افزایش می‌دهد (Israfilzade, 2023). اسرافیل‌زاده اولین بار بازاریابی محاوره‌ای را به‌عنوان چارچوبی برای تعامل با مشتری معرفی کرده است (Israfilzade, 2021). بازاریابی محاوره‌ای از قدرت محاوره نه‌تنها برای انتقال اطلاعات بلکه، برای جذب مشتریان در‌سطح عمیق‌تر استفاده می‌کند. این یک فرآیند پویاست که در آن مشتریان به‌جای گیرنده‌های منفعل به مشارکت‌کنندۀ فعّال تبدیل می‌شوند. محاوره متناسب با زمینۀ هر مشتری تنظیم می‌شود؛ در‌نتیجه تعامل را مرتبط‌تر، شخصی‌تر و جذاب‌تر می‌کند (Shumanov & Johnson, 2021; Zhang et al., 2018). کسب‌وکارها با این محاوره‌های تعاملی می‌توانند بینش ارزشمندی را دربارۀ نیازها، ترجیحات و نکات دردناک مشتریان به دست آورند. این بینش‌ها به سهم خود می‌توانند برای بهبود ارائۀ محصول، توسعۀ استراتژی‌های بازاریابی شخصی و ارائۀ خدمات بهتر به مشتریان استفاده شوند؛ بنابراین بازاریابی محاوره‌ای فقط دربارۀ تبلیغ کالا و خدمات نیست، بلکه دربارۀ درک و تعامل با مشتریان، حل مشکلات آنها و ایجاد روابط پایدار است (Van Doorn et al., 2010).

 2-2. مشارکت مشتری با برند

در سال‌های اخیر دانشگاهیان و متخصصان به واژۀ مشارکت با مشتری توجه کرده‌اند (Rather et al., 2022). بنابر نظر Hollebeek et al. (2014) مشارکت با برند به فعالیت‌های شناختی، احساسی و رفتاری مصرف‌کننده در ارتباط با برند حین تعامل با برند گفته می‌شود (نقل شده در راستی و همکاران، 1402). مشارکت مشتری با برند یک حالت روانی است که با تجربه‌های تعاملی مشترک خلّاقانۀ مشتری با یک شیء مانند برند در روابط خدمات رخ می‌دهد. تعامل مشتری با برند یک فرآیند پویا و تکرار‌شونده را در روابط خدماتی به وجود می‌آورد. مشارکت مشتری با برند می‌تواند باعث هم‌آفرینی ارزش شود.‌فرینی ارزش شود. مشارکت مشتری با برند مفهومی چندبُعدی است که بعدهای از‌جمله شناختی، عاطفی و رفتاری دارد (Brodie et al., 2013). مشارکت مشتری با برند شامل پاسخ‌های شناختی، عاطفی و رفتاری مشتری به تعاملات برند است که بر رفتار مصرف‌کنندگان تأثیر می‌گذارد (Algharabat et al., 2018; Hepola et al., 2017). مشارکت کاربران تحت‌تأثیر آگاهی از برند و احساساتشان است (هزاری و همکاران، 1402). مشارکت برند در‌زمینه‌های مختلفی از‌جمله نوآوری در راستای محصولات جدید و خلّاقانه مطرح است (ترابی و همکاران، 1399).

 2- 3. عوامل پذیرش دستیاران محاوره‌ای

بنابر نظرBalakrishnan & Dwivedi  (2024) سودمندی ادراک‌شده و سهولت استفادۀ ادراک‌شده دو عامل مهم برای پذیرش دستیاران محاوره‌ای است. سهولت استفادۀ ادراک‌شده، سودمندی ادراک‌شده و اعتماد (Acikgoz et al., 2023; Hasan et al., 2023) و لذت ادراک‌شده به‌عنوان عوامل پذیرش دستیاران محاوره‌ای است (Hasan et al., 2023). سودمندی ادراک‌شده، سهولت استفاده و اعتماد درک‌شده بر نگرش تأثیرگذار هستند (Acikgoz et al., 2023). تأثیر سودمندی ادراک‌شده و سهولت استفادۀ ادراک‌شده پیامدهای مختلفی مانند رضایت (Ofori et al., 2016)، نگرش (Bailey et al., 2017; Walter & Abendroth, 2020)، قصد استفاده و تبلیغات دهان‌به‌دهان (Cai et al., 2022) و قصد رفتاری را (Sepasgozar et al., 2019) دارد. چونگ و همکاران بیان کردند که نگرش کاربران به دستیاران صوتی محاوره مبتنی بر هوش مصنوعی به‌طور مثبت تحت‌تأثیر سهولت استفاده و سودمندی این فناوری است (Choung et al., 2022). عنصر اعتماد ادراک‌شده سومین عامل در پذیرش دستیاران محاوره‌ای است. اعتماد بین‌فردی بین انسان‌ها و عوامل محاوره عامل مهمی است که می‌تواند به‌طور چشمگیری بر پذیرش فناوری اثرگذار باشد. در‌صورتی که کاربران به فناوری و پذیرش فناوری اعتماد نداشته باشند در استفاده از آن مردد می‌شوند. افراد تمایل دارند به فناوری زمانی اعتماد کنند که با هدف‌ها یا نیازهای آنها همخوانی دارد (Lee & Choi, 2017). اعتماد به‌عنوان نگرش کاربر از انتظارات مطمئن در پاسخ به خطر سوء‌استفاده‌نکردن از آسیب‌های آنها است. اعتماد بنیان مهمی برای ایجاد تعامل موفق کاربر با عامل محاوره‌ای است (Moussawi & Benbunan‐Fich, 2020). در برخی از مطالعات قبلی به اهمیت اعتماد دربارۀ عوامل محاوره‌ای تأکید شده است (Kim et al., 2019b). ادبیات پژوهش‌ها مملو از نمونه‌هایی است که اعتماد را به‌عنوان یک عامل تعیین‌کنندۀ مهم در انواع مختلف روابط در سیستم‌های اطلاعاتی معرفی می‌کند (Malodia et al., 2023; Foehr & Germelmann, 2020). اعتماد به‌عنوان یک پیش‌بینی‌کنندۀ مثبت نگرش در‌نظر گرفته می‌شود؛ بنابراین پذیرش یک فناوری با مصرف‌کنندگان به‌طور مثبت تحت‌تأثیر اعتماد آنها به ارائه‌دهندگان خدمات و سیستم‌های دستیاران محاوره‌ای است (Mohd Rahim et al., 2022; Kasilingam, 2020). عنصر لذت ادراک‌شده عامل مهمی در تعیین قصد کاربران برای استفاده از دستیاران محاوره‌ای است. درک عنصر لذت استفاده از دستیاران محاوره‌ای می‌تواند به طراحی و توسعۀ آنها کمک کند تا اطمینان حاصل شود که آنها نه‌تنها کاربردی هستند، لذت‌بخش‌بودن آنها منجر به افزایش و بالاتر‌رفتن میزان پذیرش آنها می‌شود (Hasan et al., 2023). با توجه به مطالب مذکور فرضیه‌های زیر پیشنهاد می‌شود.

فرضیۀ اول: سودمندی ادراک‌شده بر نگرش تأثیری مثبت و معنادار دارد؛

فرضیۀ دوم: سهولت استفادۀ ادراک‌شده بر نگرش تأثیری مثبت و معنادار دارد؛

فرضیۀ سوم: اعتماد ادراک‌شده بر نگرش تأثیری مثبت و معنادار دارد؛

فرضیۀ چهارم: لذت ادراک‌شده بر نگرش تأثیری مثبت و معنادار دارد.

 4-2. نگرش

نگرش یک عامل مهم و اثرگذار بر مشارکت مشتری است. بنابر ادبیات پژوهش دربارۀ مشارکت، افرادی به بازیگری در فرآیند مشارکت تبدیل می‌شوند که به هم‌آفرینی ارزش کمک می‌کنند (Alexander et al., 2018). بنابر پژوهشی کهMoriuchi  (2019) انجام داد مشارکت مصرف‌کننده در مباحث مرتبط با فناوری تحت‌تأثیر نگرش، هنجارهای اجتماعی و کنترل ادراک‌شده است؛ بنابراین هر‌چه نگرش مثبت‌تر باشد، احتمال بیشتری برای مشارکت است. اگر کاربران نگرش مثبتی داشته باشند تمایل بیشتری برای اشتراک‌گذاری اطلاعات خصوصی دارند (Hoy, 2018). ویژگی‌های هوش مصنوعی بر مشارکت مشتری با برند تأثیرگذار است. ویژگی‌های فناوری و مزایای سودمند ناشی از تعامل با اطلاعات مربوط به برند بر مشارکت مشتری با برند اثرگذار است (McLean et al., 2021). با توجه به مطالب مذکور فرضیۀ زیر پیشنهاد می‌شود.

فرضیۀ پنجم: نگرش بر مشارکت مشتری با برند تأثیری مثبت و معنادار دارد.

 2- 5. ریسک ادراک‌شده

Raymond Bauer اولین بار ریسک ادراک‌شده را در دانشگاه هاروارد مطرح کرد (عیوضی‌نژاد و اکبری، 1400). ریسک ادراک‌شده عامل مهمی است که هنگام استفاده از یک خدمت یا فناوری مانند عوامل محاوره‌ای بر تصمیم‌گیری مصرف‌کنندگان تأثیر می‌گذارد. ریسک ادراک‌شده را می‌توان به‌عنوان ادراک مصرف‌کنندگان از عدم‌ قطعیت و پیامدهای منفی بالقوۀ مرتبط با خرید، خدمت یا استفاده از فناوری تعریف کرد. ریسک ادراک‌شده به‌عنوان یک تعدیل‌کننده عمل می‌کند و نشان می‌دهد که درک مشتریان از ریسک تأثیر منفی چشمگیری بر تجربۀ آنها دارد. خطر حفظ حریم خصوصی یکی از جنبه‌های مهم ریسک ادراک‌شده دربارۀ دستیاران محاوره است (Polas et al., 2022). در مدل پذیرش فناوری، ریسک ادراک‌شده به‌عنوان یک تعدیل‌کننده عمل می‌کند. وقتی مصرف‌کنندگان سطح‌های بیشتری از ریسک مرتبط را با استفاده از فناوری درک می‌کنند، عامل‌های پذیرش تأثیر کمتری بر قصد استفاده از دستیاران محاوره‌ای دارد (Hasan et al., 2023). بنابراین می‌توان فرضیۀ زیر را پیشنهاد کرد.

فرضیۀ ششم: ریسک ادراک‌شده قادر است ارتباط بین نگرش بر مشارکت مشتری با برند را تعدیل ‌کند.

 2- 6. پیشینۀ پژوهش

دهقانی قهنویه و همکاران (1403) پژوهشی با عنوان «تجزیه‌وتحلیل روند جهانی پژوهش‌های حوزۀ بازاریابی محاوره‌ای: رویکرد آمیخته» انجام دادند. بازاریابی محاوره‌ای یکی از موضوعات است که با توجه به پیشرفت‌های فناورانه و رشد روزافزون هوش مصنوعی بر عملکرد سازمان‌ها و گسترش فعالیت‌ها در فضای بین‌المللی تأثیر زیادی می‌گذارد. در بخش کمّی جدیدترین کلیدواژهای پرتکرار شامل هوش مصنوعی، آموزش، هوش مصنوعی محاوره‌ای، خدمات مشتری، ماشین یادگیری، آنتروپومرفیسم، چت‌بات (ها)، چت جی پی تی، کووید 19، تجربۀ کاربر، اعتماد، تحلیل احساسات مطرح شد. در بخش کیفی براساس مرور نظام‌مند مفاهیم اصلی و نوآور از‌جمله ادراکات حضور اجتماعی، تعاملات هوشمندانه، توانمندسازی نوآورانه و مسئولیت ‌اجتماعی در فناوری شناسایی شد.

رس و ترنکنر پژوهشی با عنوان «توانایی محاورۀ درک‌شدۀ چت بات‌های مبتنی بر وظیفه: کدام عناصر محاوره بر موفقیت گفت‌وگوهای مبتنی بر متن تأثیر می‌گذارد؟» انجام دادند (Rese & Tränkner, 2024). استفاده از چت بات‌های متنی که پشتیبانی فردی را به مشتریان ارائه می‌دهد در سال‌های اخیر به‌طور پیوسته افزایش یافته است؛ با این حال تا‌کنون پژوهش‌ها بر مقایسۀ چت بات‌های مبتنی بر متن با یکدیگر یا با انسان‌ها متمرکز بوده است؛ در‌حالی که بررسی گفت‌وگوهای مبتنی بر وظیفه کمیاب بوده است. هدف این مقاله شناسایی ویژگی‌های دیالوگ‌ها، یعنی عناصر محاوره‌ای است که منجر به یک مکالمۀ مبتنی بر وظیفۀ موفق می‌شود. تجزیه‌وتحلیل کمّی نشان می‌دهد که تکمیل کار با درک زیادی از توانایی محاورۀ چت بات و رضایت کاربر مشخص می‌شود. چت بات باید پس از یک گفت‌وگوی کوتاه پیشنهاد‌های دستور درست را بدون اینکه کاربر نیازی به ارائۀ ورودی بیش از حد داشته باشد، ارائه دهد. بر‌اساس این یافته‌ها توصیه می‌شود که مجموعه مهارت‌های چت بات‌های وظیفه‌محور با عناصری تجهیز شود که ویژگی‌های کمکی آنها را تکمیل می‌کنند. همچنین، تفاوت‌های جنسیتی در تکمیل کار باید در‌نظر گرفته‌ شود.

بابدولاه پژوهشی با عنوان «عامل هوش مصنوعی محاوره‌ای مولد برای اقدامات مدیریتی: نقش ابعاد IQ، جست‌وجوی تازگی و نگرانی‌های اخلاقی» انجام داد. این مطالعۀ تجربی سهم چشمگیری دارد؛ زیرا یکی از اولین مواردی است که درک فعلی استفاده مؤثر از عوامل هوش مصنوعی محاوره‌ای مولد را در شیوه‌های مدیریتی، یعنی تصمیم‌گیری و نوآوری گسترش می‌دهد. نتایج از تأثیر مهم کیفیت اطلاعات بر کارایی تصمیم‌گیری حمایت می‌کند. همچنین، نتایج از تأثیر مهم جست‌وجوی تازگی و نگرانی‌های اخلاقی بر کارایی تصمیم‌گیری حمایت می‌کند. همچنین، مشخص شد که کارایی تصمیم‌گیری تأثیر مثبت چشمگیری بر عملکرد نوآوری دارد. این مطالعۀ تجربی سهم مهمی در پژوهش دارد؛ زیرا یکی از اولین مواردی است که درک فعلی استفاده مؤثر از عوامل هوش مصنوعی محاوره‌ای مولد را در شیوه‌های مدیریتی (تصمیم‌گیری و نوآوری) گسترش می‌دهد (Baabdullah, 2024).

ماریانی و همکاران پژوهشی با عنوان «کاوش در تأثیرات بازاریابی محاوره‌ای و هوش مصنوعی بر تعامل با مشتری- یک مرور ادبیات جامع» انجام دادند. محققان در این مطالعه قلمرو چند‌وجهی تعامل مشتری با لنز بازاریابی محاوره و هوش مصنوعی را بررسی کردند. در عصر تحول‌ دیجیتال مشخص می‌شود که کسب‌وکارها به‌طور فزآینده‌ای به استراتژی‌های نوآورانه برای جذب مؤثر مشتریان متکی هستند. محققان در این پژوهش درصدد این هستند که تأثیر عوامل پذیرش دستیاران محاوره را بر نگرش و مشارکت مشتری با برند با در نظر گرفتن نقش تعدیلگری ریسک ادراک‌شده بررسی کنند (Mariani et al., 2023).

بالاکریشنان و دیودی پژوهشی با عنوان «تجارت مکالمه: ورود به مرحلۀ بعدی دستیارهای دیجیتال مبتنی بر هوش مصنوعی» انجام دادند. در این مطالعه عوامل پذیرش دستیاران سودمندی ادراک‌شده و سهولت استفادۀ ادراک‌شده معرفی و تأثیر آن بر نگرش مطالعه شد. نتایج نشان داد که انسان‌انگاری ادراک‌شده بیشترین نقش را در ایجاد نگرش مثبت و قصد خرید با دستیارهای دیجیتال دارد (Balakrishnan & Dwivedi, 2024).

حسن و همکاران پژوهشی با عنوان «پذیرش دستیاران مکالمه در صنعت بانکداری: ریسک درک‌شده توسط تعدیل‌کننده است» انجام دادند. در این مطالعه ریسک ادراک‌شده به‌عنوان متغیر تعدیلگر معرفی شده است. نتایج نشان داد که سهولت استفادۀ ادراک‌شده، لذت ادراک‌شده و اعتماد تأثیر چشمگیری بر قصد کاربران برای استفاده از دستیاران محاوره‌ای دارد؛ اما سودمندی ادراک‌شده اثر چشمگیری ندارد. ریسک ادراک‌شده نقش تعدیل‌کنندگی دارد. این یافته‌ها به سهامداران این امکان را می‌دهد که استراتژی‌هایی را طراحی کنند که تجربۀ مشتری را بهبود می‌بخشد و درک بهتری از رفتار مصرف‌کننده را فراهم می‌کند (Hasan et al., 2023).

آکیکگز و همکاران پژوهشی با عنوان «تعامل مشتری با دستیارهای صوتی مبتنی بر هوش مصنوعی: دیدگاه استدلال رفتاری» انجام دادند. در این مطالعه تأثیر دلایل استفاده‌نکردن از دستیارهای صوتی و دلایل استفاده از دستیارهای صوتی و تأثیر آنها بر نگرش بررسی شده است. نتایج نشان داد درصورتی که نگرانی حریم‌ خصوصی تأثیر منفی بر نگرش به استفاده از دستیارهای صوتی دارد، اعتماد، سودمندی ادراک‌شده تأثیری مثبت دارد. همچنین، محققان در این مطالعه بر نقش تعدیلگری عادت بر مکانیسم‌های رفتاری که باعث مشارکت مصرف‌کننده با تمایل به ارائۀ اطلاعات حریم‌ خصوصی می‌شود، تاکید می‌کنند. این پژوهش ادبیات نوظهور را دربارۀ دستیارهای صوتی باتوجه به عوامل مرتبط با حریم‌ خصوصی که باعث تعامل مصرف‌کننده می‌شود، ارتقاء می‌دهد (Acikgoz et al., 2023).

مک لین و همکاران پژوهشی با عنوان «الکسا، آیا دستیارهای صوتی بر تعامل برند مصرف‌کننده تأثیر می‌گذارند؟ بررسی نقش دستیارهای صوتی مبتنی بر هوش مصنوعی در تأثیرگذاری بر تعامل برند مصرف‌کننده» انجام دادند. نتایج نشان داد که دستیاران صوتی به‌عنوان یک بازیگر در فرآیند مشارکت هستند. همچنین، محققان در این مطالعه اهمیت ویژگی‌های هوش مصنوعی را در دستیاران صوتی در حضور اجتماعی، هوش درک‌شده و جذابیت اجتماعی در تأثیرگذاری بر مشارکت مشتری با برند تأیید می‌کنند. ویژگی‌های فناوری بر مشارکت مشتری با برند همراه با مزایای سودمندی ناشی از مشارکت با اطلاعات برند تأثیر می‌گذارد. مزایای لذت‌بخش بر مشارکت مشتری با برند با فناوری دستیاران صوتی تأثیر نمی‌گذارد؛ در‌حالی که نگرانی‌های اعتماد نقش منفی در رفتار مشارکت با برند دارد. در‌نهایت، نتایج نشان می‌دهد که مشارکت مشتری با برند از‌طریق دستیاران صوتی بر قصد استفاده از برند تأثیر می‌گذارد؛ اما برخلاف پژوهش‌های قبلی به‌طور مستقیم بر قصد خرید آینده تأثیر نمی‌گذارد (McLean et al., 2021). مدل مفهومی پژوهش در شکل 1 نشان داده شده است.

شکل1: مدل مفهومی (منبع: Balakrishnan & Dwivedi, 2024; Hasan et al., 2023; McLean et al., 2021; Acikgoz et al., 2023)

Figure 1: Conceptual model

  

  1. روش پژوهش

پژوهش حاضر از‌لحاظ کاربردی و شیوۀ پژوهش کمّی، از‌لحاظ استراتژی پژوهش پیمایش و از‌لحاظ زمانی تک‌مقطعی است. محققان در این مطالعه درصدد توصیف و تبیین اثر عوامل پذیرش دستیاران محاوره بر نگرش و مشارکت مشتری با برند با در نظر گرفتن نقش تعدیل‌کنندگی ریسک ادراک‌شده هستند. جامعۀ آماری در این پژوهش مشتریان بانک‌های شهر اصفهان (بانک‌های خصوصی و دولتی) و نمونه به‌صورت در‌دسترس انتخاب شده است. در این پژوهش ابتدا با مطالعۀ مبانی نظری مقیاس‌های پژوهش استخراج و سپس پرسشنامه‌ای با طیف لیکرت طراحی شد. پرسشنامۀ این پژوهش پرسشنامه‌ای استاندارد است که نویسندگان سؤال‌های آن را تعدیل کرده‌اند. پرسشنامه از دو بخش تشکیل شده است: بخش اول اطلاعات جمعیت‌شناختی و بخش دوم مربوط به سؤال‌های تخصصی متغیرهاست که ساختار آن در جدول 1 آمده است. برای بررسی روایی ابتدا خبرگان دانشگاهی روایی محتوای پرسشنامه را تأیید کردند و سپس روایی از روش روایی هم‌گرا و واگرا (فورنل و لارکر) بررسی شد. پایایی با ضریب آلفای کرونباخ، ضریب پایایی ترکیبی و امگای مک دونالد بررسی شد.

در این مطالعه برای سؤال‌های سودمندی ادراک‌شده، سهولت استفادۀ ادراک‌شده، اعتماد ادراک‌شده و لذت ادراک‌شده از پرسشنامۀHasan et al.  (2023) استفاده شده است که پژوهشگران قبلی برای سنجش روایی پرسشنامه از روایی هم‌گرا و روایی واگرا و برای بررسی پایایی از پایایی ترکیبی و ضریب آالفای کرونباخ استفاده کردند. در این میان، روایی و پایایی آنها نیز تأیید شد. برای سؤال‌های ریسک ادراک‌شده از پرسشنامۀChoudhary et al.  (2024) استفاده شده است که پژوهشگران قبلی برای سنجش روایی پرسشنامه از روایی هم‌گرا و برای بررسی پایایی از پایایی ترکیبی و ضریب آالفای کرونباخ استفاده کردند. در این میان، نتایج تأیید شد. سؤال‌های نگرش برگرفته از پرسشنامۀBalakrishnan & Dwivedi  (2024) است که برای بررسی روایی از روایی هم‌گرا و برای پایایی از آلفای کرونباخ استفاده و پژوهشگران قبلی روایی و پایایی را تأیید کردند. برای سؤال‌های مشارکت مشتری با برند از پرسشنامۀ McLean et al.  (2021) استفاده شده است که پژوهشگران قبلی برای سنجش روایی پرسشنامه از روایی هم‌گرا و روایی واگرا و برای بررسی پایایی از پایایی ترکیبی و ضریب آالفای کرونباخ استفاده کردند. در این میان، روایی و پایایی آنها تأیید شد. ساختار پرسشنامه و نتایج ضرایب پایایی در جدول 1 نشان داده شده است.

جدول 1: ساختار پرسشنامه و نتایج پایایی

Table 1: Questionnaire structure and validity coefficients results

شمارۀ سؤال‌ها

ساز‌ها

منبع

آلفای کرونباخ

پایایی ترکیبی

امگای مکدونالد

1-3

سودمندی ادراک‌شده

Hasan et al.  (2023) تعدیل‌شده با نویسندگان

895/0

935/0

896/0

4-6

سهولت استفادۀ ادراک‌شده

Hasan et al.  (2023) تعدیل‌شده با نویسندگان

834/0

902/0

841/0

7-9

لذت ادراک‌شده

Hasan et al.  (2023) تعدیل‌شده با نویسندگان

709/0

928/0

724/0

10-12

اعتماد ادراک‌شده

Hasan et al.  (2023) تعدیل‌شده با نویسندگان

884/0

842/0

884/0

13-16

ریسک ادراک‌شده

Choudhary et al.  (2024) تعدیل‌شده با نویسندگان‏

799/0

870/0

800/0

17-19

نگرش

Balakrishnan & Dwivedi  (2024) تعدیل‌شده با نویسندگان

825/0

898/0

826/0

20-22

مشارکت مشتری با برند

McLean et al.  (2021) تعدیل‌شده با نویسندگان

790/0

882/0

810/0

منبع: پژوهش حاضر

برای تبیین حجم نمونه با فرض نمونه‌گیری از جامعۀ نامحدود از فرمول کوکران با فاصلۀ اطمینان 5/0 و مقدار p=q=0.5 حجم نمونه برابر 384 است. یکی دیگر از رویکردهای تعیین حجم نمونه در معادلات ساختاری روش نسبت تعداد اعضای نمونه به تعداد گویه‌های مدل پژوهش یا نظریۀ N:q است که حداقل نسبتی که Jackson (2003) پیشنهاد کرده میزان 10:1 است. بر این اساس، با توجه به تعداد گویه‌های پرسشنامه (22 گویه) حجم نمونه 220 نفر برآورده شد روش‌های سرانگشتی مانند روش کلاین شرط لازم برای تعیین حجم نمونه است؛ اما استفاده از نرم‌افزار شرط کافی است. در این پژوهش از نرم‌افزار جی پاور برای تعیین حجم نمونه به‌منظور آزمون فرضیه‌ها استفاده شد. در این نرم‌افزار میزان اندازۀ اثر 05/0 و سطح خطا 5 درصد در‌نظر گرفته شد. بدین ترتیب، حداقل حجم نمونه برای پژوهش 396 نفر برآورده شده که در شکل 2 آورده شده است؛ اما برای حصول اطمینان 400 پرسشنامه به شکل حضوری توزیع شد. برای تجزیه‌و‌تحلیل داده‌ها از مدل‌سازی معادلات ساختاری و تحلیل عامل تأییدی و از نرم‌افزار Spss 25 و Smart Pls3.0 استفاده شده است. ابتدا برای بررسی بخش آمار توصیفی از نرم‌افزار Spss 25 استفاده شد. برای آمار استنباطی ابتدا آزمون کولموگروف- اسمیرنوف گرفته شده است. آزمون کولموگروف- اسمیرنوف به سنجش نرمال‌بودن توزیع داده‌ها می‌پردازد. همان‌طور که در جدول 2 نشان داده شده است، به‌دلیل غیرنرمال‌بودن توزیع متغیرهای پژوهش از نسخۀ 3.2.8 نرم‌افزار اسمارت پی ال اس برای بررسی برازش مدل و آزمون فرضیه‌ها استفاده شد.

شکل 2: منحنی حجم نمونه بر‌مبنای توان آزمون (منبع: پژوهش حاضر)

Figure 2: Sample size curve based on test power

  

جدول 2: خروجی آزمون کولموگروف-اسمیرنوف برای سنجش نرمال‌بودن

Table 2: Output of K-S test for normality

متغیر

میانگین

Std.D

Sig

نتیجه

سهولت استفادۀ ادراک‌شده

479/4

842/0

000/0

غیرنرمال

سودمندی ادراک‌شده

219/4

869/0

000/0

غیرنرمال

لذت ادراک‌شده

105/4

816/0

000/0

غیرنرمال

اعتماد ادراک‌شده

095/4

754/0

000/0

غیرنرمال

نگرش

100/4

808/0

000/0

غیرنرمال

ریسک ادراک‌شده

093/4

804/0

00/0

غیرنرمال

مشارکت مشتری با برند

208/4

859/0

000/0

غیرنرمال

منبع: پژوهش حاضر

  

  1. داده‌ها و بحث

4- 1. اطلاعات جمعیت‌شناختی

اطلاعات جمعیت‌شناختی نمونۀ مطالعه‌شده نشان داد که از‌نظر جنسیت، مردان 5/56 درصد و زنان 5/43 درصد از اعضای نمونه را تشکیل می‌دهند. از‌نظر سنی وضعیت گروه سنی 24-18، 8/18 درصد، گروه سنی 34- 25، 33 درصد، گروه سنی 44- 35، 7/28 درصد و گروه سنی 45 به بالاتر 5/19 درصد از اعضای نمونه را شامل می‌شود. از‌نظر تحصیلی نیز 8/6 درصد فوق‌دیپلم و کمتر، 3/41 درصد لیسانس، 3/38 درصد فوق‌لیسانس و 6/13 درصد دکتری و بالاتر را دارند. درآمد ماهانه اعضای نمونه 7/12 درصد کمتر از 5 میلیون، 5/42 درصد بین 5 تا 10 میلیون و 8/44 درصد بیش از 11 میلیون است. از‌نظر شغل 3/24 درصد محصّل، 3/34 درصد کارمند، 8/15 درصد شغل آزاد و 12 درصد بازنشسته و 6/13 درصد در سایر مشاغل مشغول به فعالیت هستند.

 4- 2. برازش مدل بیرونی، درونی و کلی

برازش مدل در مدل‌یابی PLS در سه مرحلۀ اصلی بررسی می‌شود. در مرحلۀ اول بررسی مدل بیرونی، در مرحلۀ دوم بررسی مدل درونی یا مدل ساختاری و در مرحلۀ سوم مدل کلی بررسی می‌شود. برای برازش مدل بیرونی از بار عاملی، روایی، پایایی و تحلیل عاملی تأییدی استفاده، در مرحلۀ دوم برآورد مسیر بین متغیرها و در مرحلۀ سوم مدل کلی Gof بررسی شده است (داوری و رضازاده، 1392). نتایج بار عاملی در جدول 3 و شکل 3 و نتایج برازش مدل بیرونی، درونی و کلی در جدول 4 نشان داده شده است.

  جدول 3: بار عاملی

Table 3: Factor loading

شاخص

بار عاملی

شاخص

بار عاملی

شاخص

بار عاملی

Q1

913/0

Q9

885/0

Q17

896/0

Q2

890/0

Q10

823/0

Q18

855/0

Q3

925/0

Q11

743/0

Q19

839/0

Q4

847/0

Q12

832/0

Q20

803/0

Q5

906/0

Q13

830/0

Q21

850/0

Q6

851/0

Q14

804/0

Q22

881/0

Q7

909/0

Q15

802/0

 

 

Q8

908/0

Q16

725/0

 

 

منبع: پژوهش حاضر

شکل3: خروجی نرم‌افزار Pls مربوط به بار عاملی و ضریب مسیر و ضرایب R2 (منبع: پژوهش حاضر)

figure 3: The output of the pls software related to the factor loading and path coefficient and R2 coefficients

 

همان‌طور که در جدول 3 و شکل 3 آمده است تمامی ضرایب بار عاملی‌های پرسش‌ها از مقدار استاندارد 4/0 بیشتر است که این حاکی از مطلوب‌بودن معیار است.

  

جدول 4: برازش مدل درونی، بیرونی و کلی پژوهش

Table 4: Internal external and general model fit of the research

برازش مدل

اعتماد ادراک‌شده

ریسک ادراک‌شده

سهولت استفادۀ ادراک‌شده

سودمندی ادراک‌شده

لذت ادراک‌شده

مشارکت مشتری با برند

نگرش

برازش بیرونی

ضریب آلفای کرونباخ

)Alpha >(7/0

718/0

802/0

837/0

896/0

884/0

799/0

830/0

ضریب پایایی ترکیبی

)Alpha > (7/0

842/0

870/0

902/0

935/0

928/0

882/0

898/0

میانگین واریانس استخراجی

)AVE > (5/0

640/0

626/0

754/0

827/0

811/0

714/0

746/0

روایی واگرا (فورنل لارکر)

اعتماد ادراک‌شده

800/0

 

 

 

 

 

 

ریسک ادراک‌شده

761/0

791/0

 

 

 

 

 

سهولت استفادۀ ادراک‌شده

727/0

795/0

869/0

 

 

 

 

سودمندی ادراک‌شده

752/0

825/0

808/0

910/0

 

 

 

لذت ادراک‌شده

704/0

786/0

834/0

737/0

901/0

 

 

مشارکت مشتری با برند

691/0

858/0

880/0

839/0

755/0

845/0

 

نگرش

798/0

751/0

765/0

770/0

738/0

753/0

864/0

برازش درونی

معیار R2

ملاک سه مقدار 19/0 (ضعیف) و 33/0(متوسط) و 67/0(قوی)

-

-

-

-

-

789/0

732/0

ملاک قدرت پیش‌بینی Q2

02/0 (ضعیف)، 15/0 (متوسط) و 35/0 (قوی)

-

-

-

-

-

526/0

511/0

اندازۀ تأثیر

02/0 (ضعیف)، 15/0 (متوسط) و 35/0 (قوی)

231/0

365/0

022/0

051/0

025/0

-

31/0

برازش کلی

GOF

ملاک: مقدار 01/0(ضعیف)، 25/0 (متوسط) و 36/0 (قوی)

 

منبع: پژوهش حاضر

با توجه به نتایج جدول 4 تمامی مقدار‌های پایایی ترکیبی و آلفای کرونباخ بیشتر از 7/0 است که نشان‌دهندۀ پایداری مطلوب است. مقدار میانگین واریانس استخراجی بیانگر همبستگی سازه با شاخص‌های خود و برازش مناسب مدل است. در تمامی متغیرها مقدار میانگین واریانس استخراجی بیشتر است که این خود نشان‌دهندۀ همبستگی مناسب است. در این پژوهش برای برازش مدل درونی از معیار R2، Q2، اندازۀ تأثیر و آزمون فرضیه‌ها استفاده شده است. با توجه به نتایج جدول 4 مقدار‌های R2 بیش از 67/0 و مقدار‌های Q2 بیش از 35/0 است که بیانگر برازش درونی قوی مدل است. بنابر نتایج، اندازۀ اثر اعتماد و ریسک ادراک‌شده بیشترین اثر را بر نگرش دارند. در این میان، نگرش بر مشارکت مشتری با برند تأثیر قوی دارد. بنابر نتایج جدول 4 برازش مدل کلی (745/0) قوی است. در این پژوهش برای تجزیه‌وتحلیل داده‌ها و آزمون فرضیه‌های پژوهش از روش معادلات ساختاری باتوجه به مقدار ضریب مسیر و t-value استفاده شده است. آزمون فرضیه‌ها در جدول 5 و شکل 4 نشان داده شده است.

جدول 5: نتایج بررسی فرضیۀ پژوهش

Table 5: The results of research hypothesis

مسیر

ضریب مسیر

آمارۀ

t> 1.96

نتایج

سودمندی ادراک‌شده بر نگرش تأثیر مثبت و معنادار دارد.

218/0

269/5

تأیید

سهولت استفادۀ ادراک‌شده بر نگرش تأثیر مثبت و معنادار دارد.

166/0

288/3

تأیید

اعتماد ادراک‌شده بر نگرش تأثیر مثبت و معنادار دارد.

406/0

346/9

تأیید

لذت ادراک‌شده بر نگرش تأثیر مثبت و معنادار دارد.

154/0

376/3

تأیید

نگرش بر مشارکت مشتری با برند تأثیر مثبت و معنادار دارد.

136/0

319/3

تأیید

ریسک ادراک‌شده قادر است ارتباط بین نگرش و مشارکت مشتری با برند را تعدیل کند.

112/0 -

361/6

تأیید

منبع: پژوهش حاضر

 

شکل 4: خروجی نرم‌افزار pls مربوط به ضرایب معناداری T-value (منبع: پژوهش حاضر)

Figure 4: The output of pls software related to the significance coefficients of T-value

 

با توجه به نتایج جدول 5 و شکل 4 می‌توان دید که مقدار آمارۀ فرضیۀ اول (269/5) از مقدار استاندارد 96/1 بیشتر است؛ بنابراین می‌توان بیان کرد که با ضریب مسیر 218/0 و آمارۀ معنا‌داری 269/5 سودمندی ادراک‌شده ‌بر نگرش تأثیری مثبت و معنادار دارد. سهولت استفادۀ ادراک‌شده با ضریب مسیر 166/0 و مقدار آمارۀ 288/3 بر نگرش تأثیر مثبت و معنادار دارد. اعتماد ادراک‌شده با ضریب مسیر 406/0 و مقدار آمارۀ 346/9 بر نگرش تأثیر مثبت و معنادار دارد.  لذت ادراک‌شده با ضریب مسیر 154/0 و مقدار آمارۀ 376/3 بر نگرش تأثیر مثبت و معنادار دارد. با توجه به مقدار‌های ضریب مسیرها می‌توان بیان کرد که ابتدا اعتماد ادراک‌شده (406/0) و سپس سودمندی ادراک‌شده (218/0) بیشترین تأثیر را بر نگرش دارند. در فرضیۀ پنجم مقدار آمارۀ 319/3 از مقدار استاندارد 96/1 بیشتر است؛ بنابراین با ضریب مسیر 136/0 می‌توان بیان کرد که نگرش بر مشارکت مشتری با برند تأثیر مثبت و معنادار دارد. همچنین، نتایج فرضیۀ ششم نشان می‌دهد که ریسک ادراک‌شده با مقدار آمارۀ 361/6 قادر است ارتباط بین نگرش بر مشارکت مشتری با برند را تعدیل کند.

 

  1. نتیجه‌گیری

استراتژی‌های بازاریابی با ظهور بازاریابی محاوره‌ای، پیشرفت‌های هوش مصنوعی و فناوری‌های دیجیتال تقویت شده است. ارتباطات سنتی بازاریابی یک‌طرفه را به بازاریابی دوطرفۀ پویا تبدیل می‌کند. این ارتباطات بر تعامل مشتری‌محور، پاسخ‌دهی در زمان واقعی، شخصی‌سازی و سازگاری تأکید دارد. این روش نشان‌دهندۀ تغییر چشمگیری در استراتژی‌های بازاریابی است که در آن ارتباطات عمیق‌تر و معنادارتر را با مشتریان تقویت می‌کند. با توجه به اهمیتی که بازاریابی محاوره‌ای و نتایج شایانی که برای صنعت بانکداری دارد، هدف محققان در این پژوهش بررسی تأثیر عوامل پذیرش دستیاران محاوره‌ای بر نگرش و تأثیر نگرش بر مشارکت مشتری با برند با در نظر داشتن نقش تعدیلگری ریسک ادراک‌شده است.

در این مطالعه براساس نظرHasan et al.  (2023) سهولت استفادۀ ادراک‌شده، اعتماد و لذت ادراک‌شده انتخاب شد. بنابر نتایج، فرضیۀ اول، یعنی سودمندی ادراک‌شده و فرضیۀ دوم، یعنی سهولت استفادۀ ادراک‌شده بر نگرش تأثیر مثبت و معنادار دارد. نتایج پژوهش حاضر باBailey et al.  (2017) و Walter & Abendroth  (2020) همخوانی دارد. بنابر نظرKang & Namkung  (2018) و مطالعۀ Acikgoz et al.  (2023) سودمندی و سهولت استفاده دو عامل تعیین‌کنندۀ مهم در نگرش کاربران به هر فناوری است که از‌بین سودمندی ادراک‌شده و سهولت استفاده عامل تعیین‌کننده‌تر سودمندی ادراک‌شده است. همچنین، نتایج پژوهش حاضر با توجه به ضریب ‌مسیر سودمندی و سهولت با نتایج پژوهش‌هایKang & Namkung  (2018) و مطالعۀAcikgoz et al.  (2023) همخوانی دارد. سهولت ادراک‌شده به‌معنای آسانی استفاده از دستیاران محاوره‌ای است. اگر مشتریان احساس کنند که استفاده از دستیاران محاوره‌ای ساده و بدون پیچیدگی است احتمال بیشتری دارد که به آنها اعتماد و از آنها استفاده کنند. سودمندی ادراک‌شده به این معناست که مشتریان باید احساس کنند استفاده از دستیاران محاوره‌ای به بهبود کارایی و کیفیت خدمات بانکی کمک می‌کند. اگر مشتریان باور داشته باشند این دستیاران محاوره‌ای می‌توانند زمان و هزینۀ آنها را کاهش یا خدمات بهتری را ارائه دهند؛ درنتیجه تمایل بیشتری به استفاده از آنها خواهند داشت. این دو عامل پذیرش می‌تواند نگرش مثبتی ایجاد کند. همچنین، می‌تواند مقاومت مشتریان را در برابر تغییر کاهش دهد و آنها را ترغیب کند تا به‌راحتی از این فناوری‌ها بهره‌برداری کنند. در‌عمل، بانک‌ها می‌توانند با در نظر داشتن این دو عوامل پذیرش طراحی کاربرپسند داشته باشند تا تجربۀ مثبت و مؤثر برای مشتریان ایجاد کنند. این رویکرد نه‌‌تنها به‌نفع مشتریان است، به بهبود عملکرد و رقابت‌پذیری بانک‌ها نیز کمک خواهد کرد. بنابر نتیجه، فرضیۀ سوم، یعنی اعتماد بر نگرش تأثیر مثبت و معنادار دارد. نتایج پژوهش حاضر با نتایج مطالعۀAcikgoz et al.  (2023) همخوانی دارد. در مطالعۀAcikgoz et al.  (2023) اعتماد به‌طور مثبت بر نگرش در استفاده از دستیاران صوتی تأثیرگذار است. Pitardi & Marriott's  (2021) رابطۀ بین اعتماد و نگرش را با استفاده از دستیاران صوتی به‌صورت یکپارچه بررسی کردند. اعتماد به‌معنای اطمینان مشتریان به قابلیت‌ها و امنیت دستیاران محاوره‌ای است. اعتماد در نظریه‌های رفتار مصرف‌کننده به‌عنوان یک عامل مهم در تصمیم‌گیری و پذیرش فناوری‌هاست. وقتی مشتریان احساس کنند که دستیاران محاوره‌ای مطمئن و ایمن هستند، احتمال بیشتری دارد که از آنها استفاده کنند و نگرش مثبتی به برند داشته باشند. بانک‌ها در‌عمل می‌توانند با شفافیت در اطلاعات، گواهینامه‌ها و تأییدیه‌ها و پشتیبانی و خدمات مشتری اعتماد به دستیاران محاوره‌ای را ایجاد و افزایش دهند و به‌دنبال آن روابط بهتری را با مشتریان خود برقرار کنند. بنابر نتایج، فرضیۀ چهارم، یعنی لذت ادراک‌شده بر نگرش تأثیر مثبت و معنادار دارد. در مطالعۀHasan et al.  (2023) لذت ادراک‌شده یک عامل مهم در تعیین پذیرش دستیاران محاوره است که بر قصد استفاده تأثیرگذار است. لذت ادراک‌شده به‌عنوان یک عامل مؤثر در پذیرش دستیاران محاوره‌ای می‌تواند تأثیر مثبت و معناداری بر نگرش مشتریان به خدمات بانکی داشته باشد. بانک‌ها با ایجاد تجربه‌های لذت‌بخش می‌توانند نه‌تنها رضایت مشتریان را افزایش دهند، روابط بلندمدت و وفاداری آنها را نیز تقویت کنند. بانک‌ها می‌توانند برای ایجاد لذت از طراحی جذاب، تعامل دوستانه مانند استفاده از زبان ‌طبیعی و دوستانه در محاوره‌ها برای افزایش احساس راحتی و لذت مشتریان استفاده کنند. بنابر فرضیۀ پنجم، یعنی نگرش بر مشارکت مشتری با برند تأثیری مثبت و معنادار دارد. نتایج پژوهش حاضر با نتایج پژوهشMoriuchi  (2019) وMcLean et al.  (2021) همخوانی دارد. Acikgoz et al.  (2023) بیان کردند نگرش افراد که با دستیاران محاوره‌ای ایجاد می‌شود، می‌تواند میزان مشارکت آنها را نیز افزایش دهد. زمانی که افراد نگرش مثبتی پیدا می‌کنند تمایل بیشتری به تعامل و مشارکت دارند؛ چون توانستند به آنها اعتماد کنند. در این میان، احساس تعلق در آنها شکل می‌‌گیرد. این موارد زمینه‌ساز این می‌شود تا نگرش مثبت پیدا کنند و تمایل بیشتری به اشتراک‌گذاری تجربه‌های خود با دیگران و حتی خود برند داشته باشند. از‌طرفی، برندهایی که به نیازها و نگرانی‌های مشتریان خود گوش می‌دهند و به آنها پاسخ می‌دهند، به‌طور معمول، نگرش مثبتی را در مشتریان ایجاد می‌کنند. این نگرش می‌تواند به مشارکت فعّال مشتریان در فرآیندهای نوآوری و بازخورد کمک کند. بانک‌ها می‌توانند با انجام‌دادن نظرسنجی‌ها و پژوهش‌های میدانی نگرش مشتریان را به دستیاران محاوره‌ای ارزیابی و بر‌اساس نتایج، استراتژی‌های بهبود را تدوین کنند. همچنین، بانک‌ها با بهبود تجربۀ مشتری و افزایش اعتماد به این ابزارها می‌توانند وفاداری مشتریان را افزایش دهند؛ در‌نتیجه مشتریان با بانک‌ها بیشتر مشارکت می‌کنند. بنابر فرضیۀ ششم، یعنی ریسک ادراک‌شده قادر است ارتباط بین نگرش و مشارکت مشتری با برند را تأیید کند. Hasan et al.  (2023) به نقش تعدیل‌کنندگی ریسک ادراک‌شده اشاره کردند. ریسک ادراک‌شده می‌تواند اثر منفی بر نیت استفاده از دستیاران محاوره‌ای داشته باشد. براساس نتایج این پژوهش می‌توان بیان کرد که ریسک ادراک‌شده نقش تعدیل‌کنندگی و اثری منفی بر نگرش دارد. هر‌چه ریسک ادراک‌شدۀ مشتریان افزایش یابد، نگرش‌های آنها منفی می‌شود و این خود بر میزان مشارکت مشتری با برند اثر می‌گذارد. زمانی که مشتریان احساس کنند حریم خصوصی آنها در خطر است، نگرش منفی پیدا می‌کنند؛ درنتیجه احتمال مشارکت آنها با برند، به‌اشتراک‌گذاری اطلاعاتشان و استفاده از دستیاران محاوره‌ای در صنعت بانکداری کاهش پیدا می‌کند؛ ولی زمانی که مشتریان احساس کنند ریسک کمی وجود دارد امینت و حریم خصوصی آنها حفظ می‌شود و به‌دنبال آن آنها نگرش مثبتی پیدا می‌کنند و به‌راحتی و بدون دغدغه اطلاعات خود را به اشتراک می‌گذارند و درنهایت، با برند در راستای بهبود هم‌آفرینی مشارکت می‌‌کنند. بانک‌ها با کاهش ریسک‌های ادراک‌شده و بهبود نگرش مشتریان می‌توانند سطح مشارکت مشتریان را افزایش دهند و سپس به بهبود روابط خود با آنها دست یابند.

درصورتی که از بازاریابی محاوره‌ای در بانکداری استفاده شود و مشتریان دستیاران محاوره‌ای را پذیرش کنند این باعث نگرش مثبت و سپس میزان مشارکت مشتری با برند افزایش می‌یابد. صنعت بانکداری باید روی دستیاران محاوره‌ای جذاب تمرکز داشته باشد تا بتواند خدمات شخصی‌سازی مناسبی را به مشتریان ارائه دهد (کاری که در بانکداری سنتی امکان‌پذیر نیست). با توجه به اهمیت موضوع و نتایج ارائه‌شده در این پژوهش پیشنهاد‌های زیر ارائه می‌شود.

بنابر نتایج فرضیۀ اول، دوم، سوم، چهارم پیشنهاد می‌شود:

  • برای اینکه مشتریان دستیاران محاوره‌ای و عوامل محاوره‌ای را پذیرش کنند، نیاز است که صنعت بانکداری پشتیبانی 24 ساعته داشته باشد. آنها باید پشتیبانی آنلاین و آفلاین را داشته باشند تا بتوانند پاسخ‌های فوری و آنی را به سؤال‌های مشتریان در 24 ساعت شبانه روز بدهند.
  • از‌طرفی، صنعت بانکداری باید محتوای آموزشی و مشاوره‌های مالی را به مشتریان با مشارکت‌های محاوره‌ای ارائه بدهد و نکات ارزنده و مناسبی را دربارۀ مدیریت مالی و سرمایه‌گذاری و ... ارائه کند.
  • صنعت بانکداری باید به مشتریان آموزش دهد و در راستای اینکه انجام‌دادن این عملیات باعث تسهیل فرآیندهای بانکی می‌شود به آنها اطلاع‌رسانی کند.
  • صنعت بانکداری باید از نظر‌ها و پیشنهاد‌های مشتریان بازخوردهایی را جمع‌آوری کند تا با پیشنهاد‌ها، نظر‌ها و انتقاد‌های آنها محصولات بانکی بهبود یافته‌ای را ارائه دهد.
  • صنعت بانکداری و مسئولان بانکی باید تدابیر امنیتی زیادی را فراهم کنند و اطلاع‌رسانی و آموزش‌های لازم را دربارۀ امنیت حساب‌هایشان و روش‌های جلوگیری از کلاهبرداری و هک بدهند.

بنابر نتیجۀ فرضیۀ پنجم پیشنهاد می‌شود.

  • صنعت بانکداری برای اینکه بتواند بر نگرش مشتریان و میزان مشارکت آن اثر بگذارد و تمایل آنها را برای تعاملات بیشتر و بهتر با برند افزایش دهد باید ارتباطات را توسعه دهد. آنها با ایجاد یک پلتفرم برای ارتباط مستمر با مشتریان و اطلاع‌رسانی دربارۀ اخبار آنها را از اینگونه اطلاعات و تغییرات جدید در خدمات بانکی مطلع کند.
  • صنعت بانکداری باید از دستیاران چند‌زبانه و همه‌کاره استفاده کند تا مشتریان بیشتری را جذب و تجربۀ بهتری را برای آنها رقم بزند.

بنابر فرضیۀ ششم پیشنهاد می‌شود.

  • صنعت بانکداری برای افزایش اعتماد مشتریان به دستیاران محاوره‌ای باید پروتکل‌های امنیتی پیشرفته‌ای را مانند رمزنگار داده‌ها و احراز هویت چندمرحله‌ای را ایجاد کند تا بدین ترتیب، نگرش مثبتی در افراد ایجاد شود و میزان مشارکت آنها افزایش یابد.
  • صنعت بانکداری باید از سیاست‌های حریم ‌خصوصی برای نحوۀ استفاده و محافظت مشتریان استفاده کند.
  • صنعت بانکداری باید از تست‌های کاربری برای شناسایی مشکلات و بهبود مستمر فرآیندها استفاده کند.

پژوهش در‌زمینۀ تأثیر عوامل پذیرش دستیاران محاوره‌ای بر نگرش و مشارکت مشتری با برند در صنعت بانکداری با در نظر گرفتن نقش تعدیلگری ریسک ادراک‌شده به‌وضوح نشان می‌دهد که عواملی مانند سودمندی، سهولت استفاده، اعتماد و قابلیت لذت‌بخش‌بودن می‌تواند تأثیر چشمگیری بر نگرش مثبت مشتریان به برند داشته باشد. تجربۀ مثبت از استفاده از این فناوری‌ها نه‌تنها به افزایش وفاداری مشتریان منجر می‌شود، مشارکت فعّال آنها را نیز تقویت می‌کند. بانک‌ها با کاهش ریسک ادراک‌شده از‌طریق آموزش و ارتقا آگاهی مشتریان دربارۀ امنیت و کارایی دستیاران محاوره‌ای می‌توانند اعتماد مشتریان را جلب و روابطی پایدارتر را برقرار کنند. این دانش‌افزایی به بانک‌ها کمک می‌کند تا استراتژی‌های بازاریابی مؤثرتری را طراحی کنند و به دنبال آن خدمات بهتری را ارائه دهند که متناسب با نیازهای مشتریان باشد. در‌مجموع، پژوهش حاضر نشان داد که صنعت بانکداری می‌تواند با درنظر‌ داشتن عوامل پذیرش دستیاران محاوره‌ای بر نگرش و مشارکت مشتری با برند اثر بگذارد. پژوهش حاضر با محدودیت موضوعی روبه‌رو بود؛ زیرا محققان در آن امکان بررسی تمامی متغیرهای این حوزه را نداشتند. پژوهشگران در این پژوهش عوامل پذیرش دستیاران محاوره‌ای را سودمندی ادراک‌شده، سهولت استفادۀ ادراک‌شده، اعتماد ادراک‌شده و لذت ادراک‌شده در‌نظر گرفتند؛ بنابراین پژوهشگران در پژوهش‌های آتی می‌توانند سایر عوامل مؤثر را بررسی کنند و مطالعۀ خود را در سایر حوزه‌ها و جوامع مختلف انجام دهند؛ بنابراین می‌توان برای پژوهشگران بعدی پیشنهادهای زیر را ارائه کرد.

  • پژوهشگران می‌توانند میزان و رتبۀ عوامل موثر بر پذیرش دستیاران محاوره‌ای را مطالعه کنند.
  • پژوهشگران می‌توانند تأثیر پذیرش دستیاران را بر رونق و توسعۀ صنعت بانکداری در آینده مطالعه کنند.
  • پژوهشگران می‌توانند انواع رفتارها را در استفاده از دستیاران محاوره‌ای در بانک‌های دولتی و خصوصی مقایسه کنند.
  • پژوهشگران می‌توانند به مطالعۀ تطبیقی در‌حیطۀ پذیرش دستیاران محاوره‌ای در بانک‌های خصوصی و دولتی بپردازند.

References

Abri, D. A., McGill, T., & Dixon, M. (2009). Examining the impact of E‐privacy risk concerns on citizens' intentions to use E‐government services: An Oman perspective. Journal of Information Privacy and Security, 5(2), 3–26. https://doi.org/10.1080/15536548.2009.10855861
Acikgoz, F., Perez‐Vega, R., Okumus, F., & Stylos, N. (2023). Consumer engagement with AI‐powered voice assistants: A behavioral reasoning perspective. Psychology & Marketing, 40(11), 2226-2243.‏ https://doi.org/10.1002/mar.21873
Aittamaa, E., & Siemon, D. (2024). Workshops to design conversational agents which embody brand. Thirtieth Americas Conference on Information Systems Salt Lake City. https://aisel.aisnet.org/amcis2024/ai_aa/ai_aa/15
Alexander, M. J., Jaakkola, E., & Hollebeek, L. D. (2018). Zooming out: Actor engagement beyond the dyadic. Journal of Service Management, 29(3), 333-351.‏ https://doi.org/10.1108/JOSM-08-2016-0237
Algharabat, R., Rana, N. P., Dwivedi, Y. K., Alalwan, A. A., & Qasem, Z. (2018). The effect of telepresence social presence and involvement on consumer brand engagement: An empirical study of non-profit organizations. Journal of Retailing and Consumer Services, 40, 139-149.‏ https://doi.org/10.1016/j.jretconser.2017.09.011
Baabdullah, A. M. (2024). Generative conversational ai agent for      managerial practices: The role of IQ dimensions novelty seeking and ethical concerns. Technological Forecasting and Social Change, 198, 122951.‏ https://doi.org/10.1016/j.techfore.2023.122951
Bailey, A. A., Pentina, I., Mishra, A. S., & Ben Mimoun, M. S. (2017). Mobile payments adoption by US consumers: An extended TAM. International Journal of Retail & Distribution Management, 45(6), 626–640. https://doi.org/10.1108/IJRDM-08-2016-0144
Balakrishnan, J., & Dwivedi, Y. K. (2024). Conversational commerce: Entering the next stage of AI-powered digital assistants. Annals of Operations Research, 333(2), 653-687.‏ https://doi.org/10.1007/s10479-021-04049-5
Bérubé, C., Schachner, T., Keller, R., Fleisch, E. V., Wangenheim, F., Barata, F., & Kowatsch, T. (2021). Voice-based conversational agents for the prevention and management of chronic and mental health conditions: Systematic literature review. Journal of Medical Internet Research, 23(3), e25933.‏ https://doi.org/10.2196/25933
Brodie, R. J., Ilic, A., Juric, B., & Hollebeek, L. (2013) Consumer engagement in a virtual brand community: An exploratory analysis. Journal of Business Research, 66(1), 105-114. https://doi.org/10.1016/j.jbusres.2011.07.029
Cai, R., Cain, L. N., & Jeon, H. (2022). Customers' perceptions of hotel AI‐ enabled voice‐assistants: Does brand matter? International Journal of Contemporary Hospitality Management, 34(8), 2807–2831. https://doi.org/10.1108/IJCHM-10-2021-1313
Choudhary, S., Kaushik, N., Sivathanu, B., & Rana, N. P. (2024). Assessing factors influencing customers’ adoption of ai-based voice assistants. Journal of Computer Information Systems, 1-18. https://doi.org/10.1080/08874417.2024.2312858
Choung, H., David, P., & Ross, A. (2022). Trust in AI and its role in the acceptance of ai technologies. International. Journal of Human–Computer Interaction, 39(9), 1727–1739. https://doi.org/10.1080/10447318.2022.2050543
Chung, M., Ko, E., Joung, H., & Kim, S. J. (2020). Chatbot e-service and customer satisfaction regarding luxury brands. Journal of Business Research, 117, 587-595.‏ https://doi.org/10.1016/j.jbusres.2018.10.004
Davari, A., & Rezazdah, A. (2012). Structural equation modeling with PLS software. Academic jihad publishing organization. [In Persian].
Dehghani Ghahnavieh, A., Seifollahi Onar, N., Bashekouh Ajirlo, M., & Zarei, G. (2024). Analysis of the global trend of research in the field of conversational marketing: A mixed-methods approach. Journal of International Business Administration. https://doi.org/10.22034/jiba.2024.63124.2251 [In Persian].
Eivazinezhad, S., & Akbari, M. (2021). Designing a perceived risk model for buyers of unknown brand products on instagram social network: Based on the grounded theory. Quarterly Journal of Brand Management, 8(25), 109-148. https://doi.org/10.22051/bmr.2021.35430.2123 [In Persian].
Foehr, J., & Germelmann, C. C. (2020). Alexa can I trust you? Exploring consumer paths to trust in smart voice‐interaction technologies. Journal of the Association for Consumer Research, 5(2), 181–205. https://doi.org/10.1086/707731
Fortes, N., & Rita, P. (2016). Privacy concerns and online purchasing behaviour: Towards an integrated model. European Research on Management and Business Economics, 22(3), 167–176. https://doi.org/10.1016/j.iedeen.2016.04.002
Glas, D. F., Wada, K., Shiomi, M., Kanda, T., Ishiguro, H. & Hagita, N (2017). Personal greetings: Personalizing robot utterances based on novelty of observed behavior. Journal of Service Research, 9(2), 181-198. https://doi.org/10.1007/s12369-016-0385-4
Hari, H., Iyer, R., & Sampat, B. (2022). Customer brand engagement through chatbots on bank websites examining the antecedents and consequences. International Journal of Human–Computer Interaction, 38(13), 1212-1227.‏ https://doi.org/10.1080/10447318.2021.1988487
Hasan, S., Godhuli, E. R., Rahman, M. S., & Al Mamun, M. A. (2023). The adoption of conversational assistants in the banking industry: Is the perceived risk a moderator? Heliyon, 9(9),‏ e20220. https://doi.org/10.1016/j.heliyon.2023.e20220
Hazari‎, N., Akbari, M., & Hooshmand Chaijani‎, M. (2023). Investigating the effect of instagram contests feature on user engagement by explaining ‎the mediating role of users’ emotions and brand awareness. New Marketing Research Journal, 1(48), 177-196. https://doi.org/10.22108/nmrj.2023.136762.2857 [In Persian].
Hepola, J., Karjaluoto, H., & Hintikka, A. (2017). The effect of sensory brand experience and involvement on brand equity directly and indirectly through consumer brand engagement. Journal of Product & Brand Management, 26(3), 282-293.‏ https://doi.org/10.1108/JPBM-10-2016-1348
Hoy, M. B. (2018). Alexa Siri Cortana and more: An introduction to voice‐assistants. Medical Reference Services Quarterly, 37(1), 81–88. https://doi.org/10.1080/02763869.2018.1404391
Israfilzade, K. (2021). Conversational marketing as a framework for interaction with the customer: Development & validation of the conversational agent's usage scale. Journal of Life Economics, 8(4), 533-546. https://doi.org/10.15637/jlecon.8.4.12
Israfilzade, K. (2023). Beyond automation: The impact of anthropomorphic generative AI on conversational marketing. 8th International European Conference on Interdisciplinary Scientific Research, 5(2), 757-766.‏ https://doi.org/10.5281/zenodo.8253308
Israfilzade, K., & Sadili, N. (2024). Beyond interaction: Generative AI in conversational marketing-foundations developments and future directions. Journal of Life Economics, 11(1), 13-29.‏ https://doi.org/10.15637/jlecon.2294
Jackson, D. L. (2003). Revisiting sample size and number of parameter estimates: Some support for the N: q hypothesis. Structural equation modeling, 10(1), 128-141. https://doi.org/10.1207/S15328007SEM1001_6
Kang, J. W., & Namkung, Y. (2018). The effect of corporate social responsibility on brand equity and the moderating role of ethical consumerism: The case of Starbucks. Journal of Hospitality & Tourism Research, 42(7), 1130–1151. https://doi.org/10.1177/1096348017727057
Kasilingam, D. L. (2020). Understanding the attitude and intention to use smartphone chatbots for shopping. Technology in Society, 62, 101280. https://doi.org/10.1016/j.techsoc.2020.101280
Khatri, C., Venkatesh, A., Hedayatnia, B., Gabriel, R., Ram, A., & Prasad, R. (2018). Alexa prize—state of the art in conversational AI. AI Magazine, 39(3), 40-55. https://doi.org/10.1609/aimag.v39i3.2810 ‏
Kim, D., Park, K., Park, Y., & Ahn, J. H. (2019a). Willingness to provide personal information: Perspective of privacy calculus in IoT services. Computers in Human Behavior, 92, 273–281. https://doi.org/10.1016/j.chb.2018.11.022
Kim, J. W., Jo, H. I., & Lee, B. G. (2019b). The study on the factors influencing on the behavioral intention of chatbot service for the financial sector: Focusing on the UTAUT model. Journal of Digital Contents Society, 20(1), 41-50. http://dx.doi.org/10.9728/dcs.2019.20.1.41
Laranjo, L., Dunn, A. G., Tong, H. L., Kocaballi, A. B., Chen, J., Bashir, R., & Coiera, E. (2018). Conversational agents in healthcare: A systematic review. Journal of the American Medical Informatics Association, 25(9), 1248-1258.‏ https://doi.org/10.1093/jamia/ocy072
Lee, S., & Choi, J. (2017). Enhancing user experience with conversational agent for movie recommendation: Effects of self-disclosure and reciprocity. International Journal of Human-Computer Studies, 103, 95-105. https://doi.org/10.1016/j.ijhcs.2017.02.005
Leschanowsky, A., Rech, S., Popp, B., & Bäckström, T. (2024). Evaluating privacy security and trust perceptions in conversational AI: A systematic review. Computers in Human Behavior, 159, 108344.‏ https://doi.org/10.1016/j.chb.2024.108344
Malodia, S., Ferraris, A., Sakashita, M., Dhir, A., & Gavurova, B. (2023). Can alexa serve customers better? AI‐driven voice‐assistant service interactions. Journal of Services Marketing, 37(1), 25–39. https://doi.org/10.1108/JSM-12-2021-0488
Mariani, M. M., Hashemi, N., & Wirtz, J. (2023). Artificial intelligence empowered conversational agents: A systematic literature review and research agenda. Journal of Business Research, 161, 113838. https://doi.org/10.1016/j.jbusres.2023.113838
Marinova, D., De Ruyter, K., Huang, M. H., Meuter, M. L. & Challagalla, G. (2017). Getting smart: Learning from Technology-Empowered frontline interactions. Journal of Service Research, 20(1), 29-42. https://doi.org/10.1177/1094670516679273
McLean, G., Osei-Frimpong, K., & Barhorst, J. (2021). Alexa do voice assistants influence consumer brand engagement? Examining the role of AI powered voice assistants in influencing consumer brand engagement. Journal of Business Research, 124, 312-328.‏ https://doi.org/10.1016/j.jbusres.2020.11.045
Mohd Rahim, N. I., A. Iahad, N., Yusof, A. F., & Al-Sharafi, M. (2022). AI-based chatbots adoption model for higher-education institutions: A hybrid PLS-SEM-neural network modelling approach. Sustainability, 14(19), 12726.‏ https://doi.org/10.3390/su141912726
Moriuchi, E. (2019). Okay Google! An empirical study on voice‐assistants on consumer engagement and loyalty. Psychology & Marketing, 36(5), 489–501. https://doi.org/10.1002/mar.21192
Moussawi, S., & Benbunan‐Fich, R. (2020). The effect of voice and humour on users' perceptions of personal intelligent agents. Behaviour & Information Technology, 40(15), 1603–1626. https://doi.org/10.1080/0144929X.2020.1772368
Ofori, K. S., Larbi‐Siaw, O., Fianu, E., Gladjah, R. E., & Boateng, E. O. Y. (2016). Factors influencing the continuance use of mobile social media: The effect of privacy concerns. Journal of Cyber Security and Mobility, 4(3), 105–124. https://doi.org/10.13052/2245-1439.426
Pitardi, V., & Marriott, H. R. (2021). Alexa, she's not human but… Unveiling the drivers of consumers' trust in voice‐based artificial intelligence. Psychology & Marketing, 38(4), 626–642. https://doi.org/10.1002/mar.21457
Polas, M. R. H., Jahanshahi, A. A., Kabir, A. I., Sohel-Uz-Zaman, A. S. M., Osman, A. R., & Karim, R. (2022). Artificial intelligence blockchain technology and risk-taking behavior in the 4.0 IR Metaverse Era: evidence from Bangladesh-based SMEs. Journal of Open Innovation: Technology, Market, and Complexity, 8(3), 168. https://doi.org/10.3390/joitmc8030168
Radziwill, N. M., & Benton, M. C. (2017). Evaluating quality of chatbots and intelligent conversational agents. Arxiv Preprint Arxiv, 1704, 04579.‏ https://doi.org/10.48550/arXiv.1704.04579
Rasty, F., Tabataba, S. M., Alhosseini Almodarresi, S. M., Saeida Ardekani, S., & Poorrezaei, M. (2023). Developing a three-dimensional model of antecedents and outcomes of consumer-brand engagement on social networking sites: A mixed-method approach. Quarterly Journal of Brand Management, 10(2), 75-130. https://doi.org/10.22051/bmr.2022.40331.2341 [In Persian].
Rather, R. A., Hollebeek, L. D., & Rasoolimanesh, S. M. (2022). First-time versus repeat tourism customer engagement experience and value cocreation: An empirical investigation. Journal of Travel Research, 61(3), 549-564. https://doi.org/10.1177/0047287521997572
Rese, A., & Tränkner, P. (2024). Perceived conversational ability of task-based chatbots–Which conversational elements influence the success of text-based dialogues? International Journal of Information Management, 74, 102699.‏ https://doi.org/10.1016/j.ijinfomgt.2023.102699
Sajjadi, P., Hoffmann, L., Cimiano, P., & Kopp, S. (2019). A personality-based emotional model for embodied conversational agents: Effects on perceived social presence and game experience of users. Entertainment Computing, 32, 100313.‏ https://doi.org/10.1016/j.entcom.2019.100313
Sepasgozar, S. M. E., Hawken, S., Sargolzaei, S., & Foroozanfa, M. (2019). Implementing citizen‐centric technology in developing smart cities: A model for predicting the acceptance of urban technologies. Technological Forecasting and Social Change, 142, 105–116. https://doi.org/10.1016/j.techfore.2018.09.012
Shumanov, M., & Johnson, L. (2021). Making conversations with chatbots more personalized. Computers in Human Behavior, 117, 106627.‏ https://doi.org/10.1016/j.chb.2020.106627
Teixeira, J. G., Patricio, L., Huang, K. H., Fisk, R. P., Nobrega, L., & Constantine, L. (2017). The Minds Method: Integrating management and interaction design perspectives for service design. Journal of Service Research, 20(3), 240-258. https://doi.org/10.1177/1094670516680033
Torabi, M. A., Hamedi, O., Momayez, A., & Molaei Yeganeh, E. (2020). Investigating the effect of brand gender on the consumer-based brand equity with the mediating role of consumer brand participation and brand love. Quarterly Journal of Brand Management, 7(1), 169-211. https://doi.org/10.22051/bmr.2020.33533.2059  [In Persian].
Van Doorn, J., Lemon, K. N., Mittal, V., Nass, S., Pick, D., Pirner, P., & Verhoef, P. C. (2010). Customer engagement behavior: Theoretical foundations and research directions. Journal of Service Research, 13(3), 253-266. https://doi.org/10.1177/1094670510375599
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
Walter, J., & Abendroth, B. (2020). On the role of informational privacy in connected vehicles: A privacy‐aware acceptance modelling approach for connected vehicular services. Telematics and Informatics, 49, 101361. https://doi.org/10.1016/j.tele.2020.101361
Winkler, R., Hobert, S., Salovaara, A., Söllner, M., & Leimeister, J. M. (2020). Sara the lecturer: Improving learning in online education with a scaffolding-based conversational agent. Proceedings of The 2020 CHI Conference on Human Factors In Computing Systems. https://doi.org/10.1145/3313831.3376781
‏Zhang, S., Dinan, E., Urbanek, J., Szlam, A., Kiela, D., & Weston, J. (2018). Personalizing dialogue agents: I have a dog, do you have pets too? Arxiv Preprint Arxiv, 1801, 07243.
https://doi.org/10.48550/arXiv.1801.07243

Files

History

  • Receive Date: 28 July 2024
  • Revise Date: 04 November 2024
  • Accept Date: 17 November 2024

Share

How to cite

Statistics