نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی کارشناسی ارشد مدیریت بازرگانی، گرایش بازاریابی، دانشکدۀ علوم اجتماعی، اقتصاد و حسابداری، دانشگاه رازی، کرمانشاه، ایران
2 استادیار گروه مدیریت و کارآفرینی، دانشکدۀ علوم اجتماعی، اقتصاد و حسابداری، دانشگاه رازی، کرمانشاه، ایران
3 دانشیار گروه مدیریت و کارآفرینی، دانشکدۀ علوم اجتماعی، اقتصاد و حسابداری، دانشگاه رازی، کرمانشاه، ایران
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
In today's digital economy, new technologies have transformed the concepts and implementation of market management strategies. Among these technologies, Artificial Intelligence (AI) has significantly influenced consumer purchasing behavior and, consequently, levels of customer satisfaction. This research was applied in nature, employed a descriptive survey method for data collection, and adopted a quantitative approach. Data were gathered through an online questionnaire developed by the researchers, which included standardized instruments on AI and customer satisfaction, along with relevant literature. The validity of the questionnaire was confirmed by a panel of experts and its reliability was established with a Cronbach’s alpha coefficient of 0.89. For data analysis, both descriptive and inferential statistics were used, including Kolmogorov-Smirnov tests, correlation tests, and Structural Equation Modeling (SEM), utilizing SPSS and LISREL software. The hypothesis tests revealed that AI had a significant impact on customer satisfaction when purchasing consumer goods. This finding suggested that AI could greatly enhance the customer purchasing experience by providing personalized recommendations and analyzing customer data. Furthermore, AI tools facilitated quicker and more efficient responses to customer inquiries and issues, reducing waiting times and contributing to a more positive shopping experience.
Introduction
Contemporary marketing increasingly relies on intelligent data, with technological advancements driving significant changes in its evolution. Simultaneously, the online shopping market is expanding rapidly, leading to heightened competition in this space. As a result, online shopping platforms play a crucial role in facilitating effective interactions between brands and consumers. New technologies aim to bridge these gaps and Artificial Intelligence (AI) stands out as a key innovation. AI enhances the online shopping experience by removing barriers and providing customers with access to product information, thereby increasing interaction and enabling more personalized services. However, there is a notable scarcity of reputable domestic research that addresses AI as a valuable marketing tool. Furthermore, findings from international studies may not be directly applicable to the Iranian market and business environment, necessitating localization. Given this context, it is essential for online retailers to gain a deeper understanding of how consumers perceive and utilize AI, as well as their levels of trust and satisfaction. Addressing the relationship between AI and customer satisfaction as a new marketing strategy has become an urgent necessity. Additionally, businesses must learn how to effectively leverage AI to enhance customer satisfaction. Therefore, this study aimed to investigate the impact of AI on customer satisfaction.
Materials & Methods
This research was descriptive in nature with an applied purpose and a quantitative approach for data collection. A quantitative method based on hypothesis formulation was selected given the availability of variables to be measured as AI tools. The statistical population comprised undergraduate and graduate students from the Computer Engineering Department at Lorestan University, who had at least one shopping experience and had utilized AI components provided by the store (such as chatbots and personalized recommendations). The selection of this group was based on their familiarity with the concepts and fundamental components of AI, ensuring that they could provide accurate and relevant responses to the questionnaires. This approach aimed to enhance the reliability of the data by excluding uninformed or unrelated individuals. The statistical population included 240 computer engineering students at Lorestan University, from which a sample of 150 was determined through stratified random sampling with proportional allocation. An online questionnaire developed by the researchers was used to collect data. The validity of the questionnaire was confirmed by a panel of experts and its reliability was established through a pilot test, yielding a Cronbach's alpha coefficient of 0.89. Finally, SPSS and LISREL software were employed to analyze and interpret the data.
Research Findings
Sub-hypothesis 1: The results of the regression analysis indicated that the chatbot variable in AI significantly impacted customer satisfaction, confirming the 1st sub-hypothesis of the study. Chatbots enabled 24/7 customer service, allowing customers to resolve issues and access necessary information at any time. This enhanced accessibility and responsiveness could lead to increased customer satisfaction. Furthermore, chatbots provided quick and accurate responses to customer inquiries, improving the shopping experience and fostering a greater sense of satisfaction.
Sub-hypothesis 2: The regression analysis results also confirmed the 2nd sub-hypothesis regarding the effect of personalized recommendations in AI on customer satisfaction. Personalized recommendations created the impression that customers' needs and preferences were accurately understood and taken into account. By analyzing customer data and purchasing patterns, these recommendations aligned with each customer's specific needs, thereby increasing both satisfaction and loyalty.
Sub-hypothesis 3: The findings from the regression analysis supported the 3rd sub-hypothesis, which focused on the impact of an advanced shopping experience in AI on customer satisfaction. An advanced shopping experience encompassed user-friendly interfaces, personalized recommendations, real-time support via chatbots, and streamlined purchasing processes. These elements collectively enhanced convenience and enjoyment for customers during their shopping journey.
Sub-hypothesis 4: The regression analysis results confirmed the 4th sub-hypothesis related to the effect of Search Engine Optimization (SEO) enhanced by AI on customer satisfaction. AI-driven SEO optimally delivered content and products to customers, thereby improving the user experience. By employing AI algorithms, search engines could present search results that were more accurate and relevant to customer needs, which enhanced satisfaction during the search and purchasing process.
Sub-hypothesis 5: Finally, the regression analysis indicated that voice and image recognition tools in AI significantly influenced customer satisfaction in purchasing consumer goods, confirming the 5th sub-hypothesis. These tools enhanced the user experience by simplifying and personalizing the purchasing process, making it more intuitive and enjoyable for customers.
Discussion of Results and Conclusion
Main Hypothesis: With the confirmation of all sub-hypotheses, the main hypothesis was validated: AI significantly impacted customer satisfaction in the purchase of consumer goods. This assertion could be explained by the way AI enhanced the shopping experience through personalized recommendations and data analysis, which reduced waiting times and increased overall satisfaction.
AI technology could identify customer purchasing patterns and provided product suggestions tailored to individual preferences and needs, thereby boosting customer satisfaction. Additionally, AI tools facilitated faster and more efficient responses to customer inquiries and issues. For instance, chatbots were readily available to answer common questions and resolve typical problems. These features not only minimized customer wait times, but also contributed to a more positive shopping experience.
The following practical suggestions emerged from the research:
Implementing gamification elements in the AI-driven shopping experience
Creating personalized offers based on the analysis of shopping data
Utilizing interactive audio and video tools to enhance customer support
Acknowledgments
This article is the outcome of a master's thesis in Business Management, specifically focusing on Marketing. We would like to extend our heartfelt gratitude for the material and moral support provided by Razi University, as well as the contributions of all participants involved in this research.
کلیدواژهها [English]
1. مقدمه
امروزه بازاریابی معاصر بهشدت بر بهکارگیری دادههای هوشمندانه تکیه میکند. استفاده از این رویکرد در بازاریابی عصر جدید تأثیر چشمگیری در نتایج بازاریابی داشته است؛ بنابراین پیشرفتهای فناوری تغییرات عمدهای را در تکامل بازاریابی ایجاد کرده است (Deng et al., 2021). همچنین، با توسعۀ مهم اینترنت در دهههای اخیر شیوههای تجارت تحول بزرگی داشته است (طبائیان و محمدشفیعی، 1401). امروزه مشتریان میتوانند با وبسایتها و شبکههای اجتماعی بهراحتی و با چند کلیک خرید خود را انجام دهند (محمدشفیعی و همکاران، 1398). بازار خرید آنلاین با سرعت بالایی درحال توسعه است و رقابت در این فضا بهطور مداوم بیشتر میشود. در این میان، کیفیت محصولات اهمیت دارد؛ زیرا تجربۀ مشتریان تأثیر مستقیمی بر موفقیت کسبوکارهای آنلاین دارد. به همین دلیل، پلتفرمهای خرید اینترنتی نقش کلیدی در ایجاد تعامل مؤثر میان برندها و مصرفکنندگان دارند (Ullah, 2023).
با وجود این، موانع متعدّدی است که مشتریان هنگام خرید آنلاین با آن مواجه میشوند؛ ازجمله نبود تماس و کمک اجتماعی و ناتوانی در امتحان محصول هنگام خرید آنلاین (Li et al., 2023). به همین دلیل، فناوریهای نوین تلاش میکنند تا چنین شکافهایی برطرف شود (Banik & Gao, 2023). هوش مصنوعی یکی از این فناوریهاست.
هوش مصنوعی کمک میکند تا تجربۀ خرید آنلاین برای مشتریان بهبود یابد و این موانع برطرف شود. همچنین، به آنها امکان دسترسی به اطلاعات محصولات را میدهد تا میزان تعامل افزایش پیدا کند و خدمات شخصیتری به مشتریان ارائه شود (Hasan et al., 2021). هوش مصنوعی یک فناوری پیشروست که با استفاده از رایانه بهعنوان رسانه و شبیهسازی الکترونیکی به توسعۀ فعالیتهای تفکر انسان و روشهای رفتار هوشمندانه کمک میکند تا کارهای پیچیده و ظریف را به نحو احسن انجام دهد (Huo et al., 2019). بهکارگیری هوش مصنوعی به مصرفکنندگان کمک میکند تا بهترین جایگزینهای محصول را پیدا و انتخاب کنند. همچنین، هزینه و زمان جستوجو را کاهش و درنتیجه، میزان سودمندی را افزایش میدهد (Kopalle et al., 2022). با این حال، برای دستیابی به این هدف نیاز است سیستمهای هوش مصنوعی بهگونهای طراحی شوند که بتوانند به بهترین شکل ممکن به نیازهای مشتریان پاسخ دهند و تجربۀ خرید بهتری را برای آنها فراهم کنند (De Bruyn et al., 2020). علاوه بر این، استفاده از سیستمهای چتبات مبتنی بر هوش مصنوعی میتواند به مشتریان کمک کند تا به سؤالهای خود دربارۀ محصولات دست یابند (Mustak et al., 2021) و درنتیجه، اطمینان بیشتری دربارۀ خرید خود داشته باشند (Huang & Rust, 2021). برای مثال، آمازون با بهرهگیری از دادههای گستردۀ کاربران تصویری جامع و همهجانبه از عادتهای خرید مشتریان را ترسیم و الگوهای رفتاری آنها را بهدقت تحلیل میکند (Li et al., 2023).
هوش مصنوعی تجربۀ مشتری را یکپارچهتر میکند، هزینهها را کاهش میدهد و امکان تجزیهوتحلیل کامل فرآیند تجربۀ را بهصورت زمانبندیشده فراهم میکند (Dumitriu & Popescu, 2020). برندها برای جذب علاقۀ مشتریان، افزایش میزان بازگشت و ارائۀ تجربۀ شخصی مشتری زمان زیادی را صرف توسعۀ خدمات چتبات و برنامههای کاربردی هوش مصنوعی میکنند. ابزارهای هوش مصنوعی ازجمله تشخیص صدا و فناوریهای ارتباطی بهرهوری را در کلیۀ زمینههای تجاری افزایش میدهند (Kumar et al., 2019).
از سوی دیگر، برای یک کسبوکار آنلاین ارائۀ محصولاتی که موجب رضایت مشتریان شود، اهمیت زیادی دارد؛ زیرا رضایت مشتری نهتنها اعتماد به خدمات را تقویت میکند، به افزایش وفاداری و درنهایت تکرار خرید منجر میشود (Ullah, 2023). در چنین شرایطی، اگر مشتریان رضایت نداشته باشند، این پدیدۀ نوظهور در همان مراحل ابتدایی رشد خود با شکست روبهرو خواهد شد. بدیهی است که جلب دوبارۀ رضایت از دست رفته فرآیندی دشوار و چالشبرانگیز خواهد بود (Jarek & Mazurek, 2019). بنابراین ایجاد فضایی مبتنی بر اعتماد میان کسبوکار و مشتری به برقراری روابط پایدار و موفق منجر میشود و درنتیجه، وفاداری مشتری به فروشگاه اینترنتی تقویت میشود و او را به خریدهای مجدد از همان فروشگاه ترغیب میکند (Moon et al., 2021).
این درحالی است که تعداد پژوهشهای معتبر داخلی انجامشده در این حوزه که به هوش مصنوعی بهعنوان یک ابزار ارزشمند بازاریابی پرداخته باشند، بسیار محدود بوده است و به طور عمده محققان در این پژوهشها بر کاربردهای کلی آن درطی فرآیند بازاریابی تأکید کردهاند (یوسفی و همکاران، 1402؛ زاداحمد، 1401؛ ترابی و شاددل، 1400). همچنین، نتایج پژوهشهای خارجی نیز با فضای بازار و کسبوکار ایران متفاوت و نیازمند بومیسازی است (Arutgeevitha et al., 2023; Brill et al., 2022; Prentice et al., 2020). بنابراین نیاز به انجامدادن مطالعههای عمیق و دقیق در این حوزه وجود دارد. همچنین، محققان در پژوهشهای نامبرده با رویکردی منظم و یکپارچه تأثیر هوش مصنوعی را بر رضایتمندی مشتری بررسی نکردهاند؛ بنابراین با توجه به مطالب گفتهشده و از آنجا که فروشگاههای آنلاین به درک و بینش عمیقتری دربارۀ نحوۀ پذیرش و استفاده از هوش مصنوعی مصرفکنندگان و میزان اعتماد و رضایت آنها نیاز دارند، پرداختن به ارتباط میان هوش مصنوعی بهعنوان یک راهبرد نوین در بازاریابی ضرورتی اجتنابناپذیر بوده است. علاوه بر این، کسبوکارها باید بدانند که چگونه از هوش مصنوعی بهطور مؤثر برای افزایش رضایت مشتریان استفاده کنند. همچنین، بهکارگیری متغیرهای جدید و کاربردی بهعنوان مؤلفههای هوش مصنوعی برای بررسی نقش آنها بر رضایت مشتریان نوآوری مهمی است که در این پژوهش به آن توجه شده است؛ بنابراین با توجه به مطالب پیشگفته و با توجه به گسترش سریع تجارت الکترونیک در ایران و کمبود پژوهش دربارۀ کاربردهای بازاریابی هوش مصنوعی محققان در این مطالعه تأثیر آن را بر رضایت مشتریان درمیان دانشجویان دانشگاهی بهعنوان گروهی پیشرو در پذیرش فناوری با رویکرد نوین SEM بررسی کردهاند. هدف از انتخاب کالاهای مصرفی وسعتبخشیدن به گسترۀ انتخاب جامعۀ آماری است؛ زیرا تعداد فروشگاههای اینترنتی و اپلیکیشنهای فضای مجازی در کشور که از هوش مصنوعی برای ارائۀ خدمات به مشتریان استفاده میکنند، محدود بوده است؛ بنابراین نمونههای آماری باید تجربۀ خرید از آنها را داشته باشند. همچنین، بهدلیل آشنایی دانشجویان رشتۀ مهندسی کامپیوتر با مفهوم هوش مصنوعی و مؤلفههای آن، این گروه بهعنوان جامعۀ آماری پژوهش موردآزمون قرار گرفتند تا پاسخهای دقیق مبتنی بر واقعیت و تجربۀ خرید واقعی حاصل شود.
هوش مصنوعی دانش ساختن ماشینها و برنامههای هوشمند است. هوش مصنوعی به هر نوع ماشینی اطلاق میشود که باید مانند انسان فکر کند و این کار به یادگیری و حل مشکل مستمر منجر میشود. این ویژگیها موجب میشود که هوش مصنوعی بینظیر باشد (Campbell et al., 2020). گاهی اوقات افراد کاری را خستهکننده یا کسلکننده مییابند که تکراری است؛ با این حال افراد به کمک ماشین هرگز وظیفهای مشابه را خستهکننده تجربه نخواهند کرد. یک سیستم هوش مصنوعی وظایف تکراری را همیشه برای انسانها انجام میدهد. تجزیهوتحلیل دادهها ویژگی مهم هوش مصنوعی است. سیستم هوش مصنوعی دادهها را براساس الزامها جمعآوری و بخشهای بزرگ دادهها را تحلیل میکند (Deng et al., 2021). سیستم هوش مصنوعی اطلاعات مختلفی را دربارۀ افراد مختلف و ماشینهای مختلف از منابع مختلف ذخیره میکند. تمام این موارد در سیستم بهصورت ناهمگام یا همزمان ظاهر میشود (De Bruyn et al., 2020). هستۀ هوش مصنوعی برای حل مشکلاتی که انسانها بهوجود میآورند و نیاز به راهحلهای هوشمندانه و خودکار دارد، تمرکز کرده است؛ اما در تعریف این علم باید حداقل به دو پرسش پاسخ داد: هوشمندی چیست؟ و برنامهها یا ماشینهای هوشمند کدامند؟ در راستای پاسخ به پرسش اول، تعریفهای متفاوت و متنوعی درحوزههای مختلف دربارۀ هوشمندی وجود دارد که هریک میتواند الهامبخش ایدههایی دربارۀ هوش مصنوعی باشد. در اینجا تعریفی دربارۀ هوشمندی مطرح میشود: هوش، یعنی همسازی و بهینهکردن یادگیری و یادگرفتن اینکه چگونه بهتر بیاموزیم؛ بنابراین موجود هوشمند موجودی است که توانایی یادگیری داشته باشد. در اینجا اصالت به یادگیری و انعطافپذیری برای همگونی با شرایط مختلف داده شده است؛ اما در پاسخ به پرسش دوم، برنامهها و ماشینهای هوشمند سامانههایی هستند که توانایی درک، استدلال و تحلیل خودکار و عملکرد انسانگونه داشته باشند (یوسفی و همکاران، 1402). بهطور کلی، سه دسته هوش مصنوعی شناسایی شده است: ١) هوش مصنوعی قوی که تشخیص بصری، تشخیص تصویر، تشخیص صدا، پردازش زبان و رباتیک دارد؛ ٢) هوش مصنوعی ضعیف که درحوزههایی مانند بازاریابی اپلیکیشنهای هوش مصنوعی مانند آمازون، گوگل آلفاگو و غیره دستهبندی میشود؛ ٣) ابر هوش مصنوعی که فراتر از هوش انسان است و قابلیت درک احساسات انسانی و برانگیختن نیازها، باورها و آرزوهای انسانی را دارد (ترابی و شاددل، 1400).
از دیگر سو، میتوان دانش مدرن هوش مصنوعی را به دو دستۀ اصلی تقسیم کرد: یکی هوش مصنوعی سمبولیک و دیگری هوش غیرسمبولیک که پیوندگرا نیز نامیده میشود. هوش مصنوعی سمبولیک از رهیافتی مبتنی بر محاسبههای آماری پیروی میکند و اغلب با عنوان یادگیری ماشین (Machine Learning) طبقهبندی میشود. هوش سمبولیک میکوشد سیستم و قواعد آن را در قالب سمبولها بیان کند و با نگاشت اطلاعات به سمبولها و قوانین به حل مسئله بپردازد. درمیان معروفترین شاخههای هوش مصنوعی سمبولیک میتوان به سیستمهای خبره (Expert Systems) اشاره کرد. یک سیستم خبره میتواند حجم عظیمی از دادهها را پردازش و براساس تکنیکهای آماری نتایج دقیقی را تهیه کند؛ بنابراین در هوش سمبولیک منظور از یادگیری ماشین استفاده از الگوریتمهای تشخیص الگوها، تحلیل و طبقهبندی اطلاعات است (Bala & Verma, 2018). اما هوش پیوندگرا متکی بر یک منطق استقرایی است و از رهیافت آموزش و بهبود سیستم با تکرار بهره میگیرد. این آموزشها نه براساس نتایج و تحلیلهای دقیق آماری، بلکه مبتنی بر شیوۀ آزمون و خطا و یادگیری از راه تجربه است. در هوش مصنوعی پیوندگرا، قواعد از ابتدا در اختیار سیستم قرار نمیگیرد، بلکه سیستم با تجربۀ خودش قوانین را استخراج میکند. روشهای ایجاد شبکههای عصبی (Neural Networks) و بهکارگیری منطق فازی (Fuzzy Logic) در این دسته قرار میگیرند (Campbell et al., 2020). Joel Moses در دهههای 1960 و 1970 اولین برنامۀ نرمافزاری موفق در گروه سیستمهای مبتنی بر دانش را ابداع کرد و بهدنبال آن سیستمهای هوش سمبولیک به یک جریان مهم تبدیل شد. Warren McCulloch وWalter Pitts ایده و مدل شبکههای عصبی را در دهۀ 1940 معرفی کردند. سپس در دهۀ 1950 به کارهای Rozenblat دربارۀ شبکههای دولایه توجه شد. Paul Werbos در 1974 الگوریتم انتشار معکوس (Back Propagation) را معرفی کرد؛ ولی متدولوژی شبکههای عصبی بیشتر از دهۀ 1980 به بعد رشد زیادی پیدا کرد و دانشمندان از آن استقبال کردند. پروفسور لطفیزاده در سال 1965 منطق فازی را معرفی کرد و از آن زمان به بعد او و دیگر دانشمندان آن را دنبال کردند (De Bruyn et al., 2020).
با توجه به اینکه براساس مبانی نظری بررسیشده ابزارهای متنوعی وجود دارد که به هوش مصنوعی کمک میکند، درادامه، مؤلفههای انتخابشده برای متغیر هوش مصنوعی بررسی شده است. بدیهی است که این متغیرها از مطالعۀ پیشینۀ پژوهشهای مرتبط Arutgeevitha et al. (2023) و با اتخاذ رویکرد نوآورانه انتخاب شده است.
چتباتها (Chatbots): هوش مصنوعی زندگی روزمره را با تجزیهوتحلیل نرمافزارها و سختافزارهاى هوشمند که عوامل هوشمند نامیده میشوند، ادغام کرده است. عوامل هوشمند کارهاى مختلفی از کار کارگر گرفته تا عملیات پیچیده انجام میدهند (محمدشفیعی و همکاران، 1403). ربات چت یک نمونۀ معمولی از سیستم هوش مصنوعی و یکی از ابتداییترین و گستردهترین نمونههاى تعامل هوشمند انسان و کامپیوتر (Human-Computer Interaction) است. چتبات یک برنامۀ کامپیوترى است که وقتی با آن ازطریق متن یا صدا صحبت میشود مانند یک موجود هوشمند با پردازش زبان طبیعی (Natural Language Processing) یک یا چند زبان انسانی را درک میکند و پاسخ میدهد (Augello et al., 2018). چتباتها عوامل دستگاهی هستند که دسترسی به دادهها و خدمات را با تعامل زبان طبیعی فراهم میکنند. اگرچه اصطلاح چتبات بهنسبت جدید است، سیستمهاى کامپیوترى که با کاربران به زبان طبیعی تعامل دارند از دهۀ 1960 توسعه یافته و مورد پژوهش قرار گرفته است. افزایش علاقۀ فعلی به چتباتها تا حدى بهدلیل موارد اخیر پیشرفت در هوش مصنوعی و یادگیرى ماشین است (Tahoun & Taher, 2023). چتبات در فرهنگ لغت بهعنوان «برنامۀ کامپیوترى طراحیشده براى شبیهسازى گفتوگو با کاربران انسانی بهویژه با اینترنت» تعریف شده است (Khanna et al., 2015). چتباتها بهعنوان رباتهاى هوشمند، عوامل تعاملی، دستیارهاى دیجیتالی یا نهادهاى مکالمۀ مصنوعی نیز شناخته شدهاند. چتباتها میتوانند مکالمات انسانی را تقلید و کاربران را سرگرم کنند؛ اما فقط براى این هدف ساخته نمیشوند. آنها در برنامههایی مانند آموزش، بازیابی اطلاعات، تجارت الکترونیکی و ارائۀ خدمات به مشتریان مفید هستند (Augello et al., 2018). چتبات براى کاربران و توسعهدهندگان نیز بسیار محبوب شدند؛ زیرا آنها مزایاى زیادى دارند. چتباتهاى مجهز به هوش مصنوعی ممکن است اظهارهای احساسی مشتریان را تقریباً مانند اپراتورهاى انسانی شناسایی کنند و با قابلیتهاى یادگیرى ماشین براى تشخیص احساسات به آنها پاسخ دهند (Deng et al., 2021). درواقع، کاربران طیف وسیعی از انگیزهها را براى استفاده از رباتهاى چت دارند.
توصیههای شخصیسازیشده (Personalized Product Recommendations): یکی از مهمترین وظایف بازاریابان تسهیل و تسریع فرآیند تبدیل یک فرد عادی به مشتری و افزایش بهینهسازی میزان تبدیل است؛ برای مثال، اگر ۵۰۰ نفر از کاربران از صفحۀ یک محصول بازدید کنند و ۱۰ نفر از آنها محصول را بخرند میزان تبدیل (Conversion Rate) برای خرید محصول مدنظر ۲ درصد خواهد بود. استفاده از ابزارهای مناسب برای بهینهسازی میزان تبدیل میتواند به سفارشیشدن تجربههای مصرفکنندگان کمک کند. مشتریان با بهکارگیری برنامههای پیشنهادکننده و توصیهگر هرگز مجبور نخواهند شد گشتوگذار بیهدفی در یک سایت تجارت الکترونیک داشته باشند؛ زیرا همیشه به چیزی برمیخورند که به آنها کمک میکند اقلامی را که قصد خریدشان را دارند، پیدا و بهترین گزینهها را بررسی کنند (Bansal & Khan, 2018).
تجربۀ خرید پیشرفته (Enhanced Shopping Experience): زیرساختهای خرید آنلاین و فروشگاههای اینترنتی تاکنون از تکنیکهای هوشمند برای پیشرفت خود استفاده زیادی کردهاند. این زیرساختها درزمینههای مختلف از تبلیغات تهاجمی گرفته تا همکاریهای راهبردی در جذب مشتریان و افزایش سود خود بسیار موفق بودهاند. براساس اعداد و ارقام منتشرشدۀ مؤسسۀ پژوهشی استاتیستا (Statista) ارزش بازار جهانی هوش مصنوعی در صنعت خردهفروشی در سال ۱۳۹۹/2020 به ۹/۳ میلیارد دلار رسید. پیشبینی میشود این رشد در سالهای آینده سرعت بیشتری بگیرد و تا سال 2027 به یک بازار ۳۲/۲۳ میلیارد دلاری تبدیل شود؛ اما هوش مصنوعی چه کاری برای کسبوکارها بهخصوص درزمینۀ برخورد با مشتریان انجام میدهد؟ بررسی این موضوع از این جهت که رشد پیشبینیشده برای بازار هوش مصنوعی نمیتواند بدون هیچ دلیل، زمینهای سودآوری برای کسبوکارها باشد، حائز اهمیت است (Hien et al., 2018). اکنون بسیاری از مشاغل از هوش مصنوعی برای تأثیرگذاری بر رفتار مشتری استفاده میکنند. یک مثال مهم، راهحلهای شخصیسازی تجارت الکترونیک و بهینهسازی تجربۀ مشتری است که برخی شرکتهای نوپا به کار گرفتهاند.
سئوسازی (Search Engine Optimization): سئو یکی از زیرمجموعههای دیجیتال مارکتینگ است که اگر کسبوکاری در فضای آنلاین فعالیت داشته باشد یا به موضوعهای مرتبط با آن علاقهمند باشد، ناگزیر باید برای یادگیری آن وقت بگذارد .هدف روشهای سئو این است که این موتورها هنگام جستوجوی کاربران در گوگل و سایر موتورهای جستوجو رتبۀ بهتری را به مقالهها و محتوای یک سایت اختصاص دهند. طی سالهای اخیر با بهبود الگوریتمهای موتورهای جستوجو و توسعۀ دانش هوش مصنوعی و تحلیل متن باعث شده است که چنین مواردی کمتر و کمرنگتر شود (Mustak et al., 2021). رعایت اصول سئو و استانداردهای مدنظر موتورهای جستوجو میتواند همزمان با بهبود سئو سایت رضایت خوانندگان و کاربران را نیز افزایش دهد. همچنین، تلاش برای افزایش رضایت کاربران بیشتر به ارتقای رتبه در موتورهای جستوجو نیز کمک خواهد کرد. به همین علت، متخصصان حوزۀ بازار برخلاف سالهای گذشته که موتورهای جستوجو را مسبب کاهش کیفیت تولید محتوا در فضای وب میدانستند، امروز چنین توصیفی بسیار کمتر شنیده میشود و به کار میرود (Liao et al., 2021).
ابزارهای تشخیص صدا و تصویر (Image and Voice Recognition): فناوری تشخیص صدا و تشخیص گفتار مبتنی بر نرمافزار و فناوری بدون تماس بیومتریک هستند. به همین دلیل، ابزارهای تشخیص صدا و تصویر دربین سایر فناوریهای بیومتریک بهعنوان آسانترین عامل شناسایی هویت شناخته شده است. با افزایش محبوبیت فناوری اینترنت اشیا فناوری تشخیص گفتار نیز دربین افراد جایگاه متمایزی دارد. فناوری تشخیص صدا فرمان صوتی نیز نامیده میشود؛ زیرا به کاربران اجازه میدهد تا با صحبتکردن با فناوری ارتباط برقرار و آنها را کنترل کنند. امروزه استفاده از فناوری تشخیص صدا بهقدری در دستگاههای تلفن همراه رایج شده است که کار با آن خیلی آسانتر از قبل فراهم شده است. فناوری تشخیص گفتار فرصتهای شگفتانگیزی را برای سازمانها ایجاد میکند و نسبت به سایر روشها درجۀ اطمینان بیشتری دارد (Bai et al., 2008). برای حفاظت و دسترسی فیزیکی نیز میتوان از فناوری تشخیص گفتار استفاده کرد؛ برای مثال، برای ورود کارکنان به قسمت انبار یا آزمایشگاهها کاربرانی که پیشتر هویت خود را با فناوری تشخیص گفتار ثبت کردهاند، اکنون میتوانند از مکانهایی که در پروفایلشان تعریف شده است، بهآسانی تردد کنند. احراز هویت با شناسایی گفتار برای ردیابی نگهبانان امنیتی برای اطمینان از اینکه سر پست خود هستند و شخص دیگری به جای آنها حاضر نشده است، بسیار درخور استفاده است (Campbell et al., 2020). از آنجا که کاربرد تمام انواع بیومتریک درحال افزایش است، احراز هویت مبتنی بر صدا یک رویکردی است که به نظر میرسد کاربران درمقابل این فناوری مقاومت کمتری نسبت به سایر فناوریها نشان میدهند؛ زیرا این فناوری بدون تماس بوده است و کاربران بسیار آسان با آن ارتباط برقرار میکنند. به رسمیت شناختن صدا برای احراز هویت بهطور چشمگیری در مرکز تماس نتایج خوبی دربرداشته است (Bansal & Khan, 2018).
2-2.کالاى مصرفی
کالاى مصرفی کالایی است که مستقیم وارد چرخۀ مصرف میشود یا به تعریفی دیگر به کالاهایی که پس از تولید بهطور مستقیم قابلیت مصرف پیدا میکنند، کالاى مصرفی گفته میشود؛ مانند انواع قطعات صنعتی، لوازم مصرفی، مواد غذایی، لوازم خانگی و غیره. به زبان ساده به کالایی اطلاق میشود که مشتریان آن را مصرف میکنند و از آن براى تولید کالای دیگر استفاده نمیکنند (Reis et al., 2020).
3-2. رضایت مشتریان و تأثیر هوش مصنوعی بر آن
امروزه تلاش گستردهای که پژوهشگران، کارشناسان و مدیران سازمانهای تجاری در راستای بهبود ابزارهای مدیریت عملکرد و توسعۀ نگرش مشتریمداری انجام میدهند، نشاندهندۀ این واقعیت است که رضایت مشتری یکی از عوامل کلیدی موفقیت سازمانهاست (Li et al., 2023). استقرار و اجرای سیستمهای پایش رضایت مشتری بهعنوان شاخصی مهم برای بهبود عملکرد از الزامهای اساسی سازمانهای مدرن است (Moon et al., 2021). در همین راستا، بهدلیل شدتیافتن رقابت و پویایی اقتصادی، آرمانها و هدفهای سازمانها طی سالهای اخیر دستخوش تغییرات عمدهای شده است؛ درحالی که در گذشته تمرکز اصلی بر جذب مشتریان جدید بود، امروزه سیاستهای تجاری و استراتژیک بر حفظ و تقویت وفاداری مشتریان و افزایش اعتماد آنها به سازمان متمرکز هستند (Nirmal Singh et al., 2023). دلیل اصلی این تغییر افزایش آگاهی عمومی نسبت به تأثیرهای مثبت رضایت و وفاداری مشتریان است (سلطانینژاد و همکاران، 1395). شرکتهایی که موفق به جذب مشتریان وفادار بیشتری شدهاند، بهدلایلی همچون افزایش میزان خرید، کاهش هزینههای تبلیغاتی، کاهش تمایل به تغییر تأمینکنندۀ کالا و خدمات توانستهاند بهمیزان چشمگیری سودآوری خود را افزایش دهند (زاداحمد، 1401). هرگز نمیتوان از این نکته چشم پوشید که محرک اصلی برای سازمانهای تجاری که بهدنبال بهبودهای عمده در مسیر پیشرفت خویش هستند، مشتریان آن سازمان هستند. به بیان دیگر، هیچ کسبوکاری بدون مشتری قادر به ادامۀ بقا نیست (Tou et al., 2019). بنابراین بسیار حیاتی است تا هر مؤسسۀ تجاری چارچوبی را برای درک، تجزیهوتحلیل و ارزیابی وضعیت رضایتمندی مشتریانش در اختیار داشته باشد (Mustak et al., 2021).
براساس اصل مشتریمداری سازمانی که میخواهد به برتری برسد، باید ارزش پایداری را برای مشتری ایجاد و فراتر از انتظارها او عمل کند و بداند که مشتریان داور نهایی کیفیت محصولات سازمان هستند (Moon et al., 2021). سازمانهای پیشرو معیارهایی مانند سهم بازار، اعتماد و وفاداری مشتری را با تمرکز بر انتظارها و حفظ مشتری به حداکثر میرسانند. این سازمانها به انتظارهای مشتریان پاسخ میدهند و برای انجامدادن این کار سطح رضایت مشتری را بررسی میکنند و سعی در بهبود آن دارند. از آنجا که رضایت مشتری یک متغیر عاطفی و نگرشی است (طبائیان و محمدشفیعی، 1400)، یعنی یک متغیر ناملموس، تعریفهای مختلفی از رضایت مشتری ارائه شده است. رضایت مشتری حالتی است که در آن مشتری احساس میکند ویژگیهای محصول مطابق با انتظارهای اوست. نارضایتی نیز حالتی است که در آن نقص در محصول باعث ناراحتی، شکایت و انتقاد مشتری میشود (Mohammad Shafiee & Ahghar Bazargan, 2018). این درحالی است که Langenfeld ازنظر روانشناسی رضایت مشتری را احساسی میداند که درنتیجۀ مقایسۀ محصولات دریافتی با نیازها و خواستههای مشتریان و انتظارهای اجتماعی با محصول حاصل میشود (Costa et al., 2022). بنابر تعریف Rop رضایت مشتری یک دیدگاه فردی است که از انجام مقایسههای دائمی بین عملکرد واقعی سازمان و عملکرد موردانتظار مشتری ناشی میشود. Rop بیان میدارد که رضایتمندی مشتری به نوع فعالیت تجاری یک سازمان یا به موقعیت سازمان در بازار بستگی ندارد (Alam, 2020)، بلکه به توانایی و قابلیت سازمان در تأمین کیفیت مورد انتظار مشتری بستگی دارد. رضایتمندی مشتری یا نارضایتی او برآمده از تفاوت بین انتظارهای مشتری و کیفیتی است که دریافت کرده است و بر تصور از عملکرد محصول درمقایسه با انتظارهایی که قبل از خرید داشته است، تأکید دارد. با توجه به تعریفهای فوق میتوان نتیجه گرفت که رضایت احساس مثبتی است که در فرد پس از استفاده از کالا یا دریافت خدمت ایجاد میشود. احساس مدنظر از تقابل انتظارهای مشتری و عملکرد عرضهکننده به وجود میآید. اگر کالا و خدمت دریافتشده ازجانب مشتری همسطح انتظارهای او ارزیابی شود، در او احساس رضایت ایجاد میشود. درصورتی که سطح خدمت و کالا بالاتر از سطح انتظارهای مشتری باشد، موجب ایجاد هیجان در وی میشود و سطح پایینتر خدمت و کالا نسبت به انتظارها منجر به نارضایتی مشتری میشود (Costa et al., 2022).
امروزه رسیدن به رضایت مشتری که درنهایت، منجر به سودآوری میشود، هدف اصلی هر کسبوکاری است. به این دلیل که ارتباط بسیار قوی بین کیفیت محصول و خدمات، رضایت مشتری و سودمندی شرکت وجود دارد، احتمال برگشت مشتریان راضی زیاد است؛ ولی مشتریانی که ناراضی هستند به جای دیگری مراجعه میکنند. پس رمز بقای سازمانی حفظ مشتریان راضی است (Jung, 2019). وفاداری مشتری نیز تابعی از رضایتمندی است. مشتری وفادار زمان بیشتری را روی محصولات صرف میکند که این خود باعث تشویق دیگران برای خرید از ما میشود. او بر این باور است که آنچه را از ما میخرد، ارزش آنچه پرداخت میکند، دارد (Moon et al., 2021). ارتباط مثبتی بین وفاداری مشتری و سوددهی شرکت وجود دارد. سود افزایشیافته از وفاداری بهدلیل کاهش هزینههای بازاریابی، افزایش فروش و کاهش هزینههای عملکردی است (محمدشفیعی و احقربازرگان، 1397). جذب یک مشتری جدید خیلی گرانتر از حفظ مشتری موجود است (صمدی و اسکندری، 1390).
همانطور که توضیح داده شد، پژوهشهای محدودی درزمینۀ مطالعۀ تأثیر ابزارهای هوش مصنوعی بر رضایت مشتریان انجام شده که عمدۀ آنها خارجی است و با شرایط محیط کسبوکار ایران تطابق کامل ندارد. به بیان دیگر، زیرساختها و قانونگذاریهای مرتبط با هوش مصنوعی و ابزارهای آن در کشورهای مختلف متفاوت است. همچنین، با توجه به تفاوت فرهنگی- اجتماعی، رضایتمندی مشتریان متأثر از عوامل مختلفی است. محققان در پژوهشهای داخلی نیز تاکنون به این مسئله نپرداختهاند و بهصورت انگشتشمار و بیشتر کنفرانسی فرآیند نقشآفرینی هوش مصنوعی بر بازاریابی بررسی شده است که در آنها نیز متغیرهای محدودی بررسی شده است؛ بنابراین بررسی پیشینۀ پژوهش (جدول 1 و 2) نشان داد شکاف نظری جدّی درحوزۀ آزمون فرضیههای مرتبط با این مسئله وجود دارد؛ بنابراین پژوهش حاضر با رویکرد نوآوری در موضوع و مؤلفههای نوآورانۀ متغیر هوش مصنوعی برای کاهش شکاف نظری انجام شد.
جدول 1: پیشینۀ پژوهشهای مرتبط خارجی
Table 1: The background of related foreign research
|
پژوهشگران/ سال |
عنوان پژوهش |
روش پژوهش |
نقد نتایج |
نتایج/ دستاوردها |
|
پیشرفتهای اخیر در هوش مصنوعی |
توصیفی- مروری |
در این پژوهش بهصورت مروری نقش سنسورهای هوش مصنوعی بررسی شده و کار کمّی انجام نشده است. |
سنسورهای هوش مصنوعی با توجه به تطبیقپذیری علوم کامپیوتر رویکردهای مقرون به صرفهای را برای طیف گستردهای از برنامههای نظارتی در راستای تحقق خانههای هوشمند و مراقبتهای بهداشتی شخصی ارائه میدهند. |
|
|
رضایت مشتری بهسمت هوش مصنوعی در بازاریابی دیجیتال |
توصیفی- مروری |
در این پژوهش بهصورت مروری نقش هوش مصنوعی بر کلیت فرآیند بازاریابی بررسی شده است. |
این مطالعه به چگونگی استفاده از هوش مصنوعی در بخش بازاریابی دیجیتال میپردازد. نتایج نشان میدهد فناوری هوش مصنوعی میتواند بهطور مؤثر خواستههای مشتری را تجزیهوتحلیل کند. |
|
|
سیری، الکسا و سایر دستیاران دیجیتال: مطالعۀ رضایت مشتری با کاربردهای هوش مصنوعی |
توصیفی- پیمایشی با رویکرد کمّی |
محققان در این پژوهش فقط بهصورت محدود چند دستیار دیجیتال را مطالعهکردهاند که تنها یکی از مؤلفههای هوش مصنوعی است. |
انتظارها و تأیید انتظارها ارتباط مثبت و معناداری بر رضایت مشتری از دستیاران دیجیتال دارد. این مطالعه شواهدی ارائه میدهد که انتظارهای مشتری با تجربۀ تعامل دستیار دیجیتال برآورده میشود. از آنجایی که شرکتها دستیارهای دیجیتال را در عملیات خود ادغام میکنند، باید به مشتریان کمک کنند تا بهدرستی تعریف کنند که از تجربۀ تعاملی شرکت چه انتظاری دارند. |
|
|
هوش مصنوعی مشارکتی در بازاریابی |
توصیفی- پیمایشی با رویکرد کمّی |
در این پژوهش، به ارتباط میان هوش مصنوعی و بازاریابان پرداخته شده است و دربارۀ رضایت مشتری مطلبی ارائه نشده است. |
هرچه وظایف مربوط به یک عملکرد بازاریابی مانند ارائۀ خدمات یا توصیههای شخصی مکانیکی و تحلیلیتر باشد، میتوان از هوش مصنوعی بیشتری استفاده کرد. |
|
|
رویکردهای هوش مصنوعی برای بازاریابی دیجیتال |
توصیفی- پیمایشی با رویکرد کیفی |
در این پژوهش فقط یک فرآیند دربارۀ یکی از مؤلفههای هوش مصنوعی (سئوسازی) ارائه شده است. |
مشارکت محققان شامل جستوجو و سازماندهی اطلاعات دربارۀ استفاده از هوش مصنوعی درزمینۀ بازاریابی و تکامل این حوزه است. عنصر اصالت با پیشنهاد یک مدل متوالی از تعیین کلمات کلیدی مناسب در فرآیند سئو برای دستیابی به بازاریابی هوشمند، شخصی و خودکار استفاده میشود. |
|
|
تأثیر هوش مصنوعی و کیفیت خدمات کارکنان بر رضایت و وفاداری مشتری |
توصیفی- پیمایشی با رویکرد کمّی |
در این پژوهش همزمان دو متغیر کیفیت خدمات و هوش مصنوعی بر رضایت مشتری بررسی شده است که فقط برای هتلها قابلیت تعمیمپذیری دارد. |
در این مطالعه برنامههای کاربردی مبتنی بر هوش مصنوعی بهعنوان یک سرویس تجاری با تمرکز بر صنعت هتل بررسی شده است. |
|
|
رضایت مشتریان از خرید آنلاین پوشاک از وبسایت |
توصیفی- پیمایشی با رویکرد کیفی |
در این پژوهش فقط به خرید آنلاین پرداخته شده و هوش مصنوعی بررسی نشده است. |
نتایج نشان میدهد که قابلیت استفاده، اعتبار و کیفیت خدمات بر رضایت مشتری هنگام خرید با وبسایت تأثیر میگذارد. |
منبع: یافتههای پژوهشگران
جدول 2: پیشینۀ پژوهشهای مرتبط داخلی
Table 2: The background of related domestic research
|
پژوهشگران/ سال |
عنوان پژوهش |
روش پژوهش |
نقد نتایج |
نتایج/ دستاوردها |
|
طراحی الگوی تجربۀ هوش مصنوعی بر هویت آرمانی مشتریان با رویکرد رابطۀ فرااجتماعی |
توصیفی- پیمایشی با رویکرد کیفی |
در این پژوهش تأثیر مؤلفههای هوش مصنوعی بهخوبی مطالعه شده است؛ اما دربارۀ رضایت مشتری مطالعهای انجام نشده است. |
براساس یافتهها عوامل مربوط به تجربۀ مبتنی بر هوش مصنوعی شناسایی و دستهبندی شد. ابعاد مربوط به هویت آرمانی مشتریان و ارتباط فرا اجتماعی نیز شناسایی و تأیید و تأثیرپذیری و تأثیرگذاری متغیرها با نرمافزار میکمک نیز مشخص شد. |
|
|
تأثیر استفاده از هوش مصنوعی بر ارتباطات یکپارچه بازاریابی و اثربخشی فعالیتهای بازاریابی ازنظر بازاریابان کالاهای ورزشی |
توصیفی- پیمایشی با رویکرد کمّی |
در این پژوهش تأثیر هوش مصنوعی بر ارتباطات بازاریابان بررسی شده است؛ اما دربارۀ رضایت مشتریان بحثی انجام نشده است. |
نتایج نشان میدهد که هوش مصنوعی بر ارتباطات یکپارچۀ بازاریابی و اثربخشی فعالیتهای بازاریابی ازنظر بازاریابان کالاهای ورزشی تأثیر زیاد و معناداری دارد که باید برای بهبود بازاریابی درنظر گرفته شود. |
|
|
نقش مداخلهگری هوش مصنوعی در تأثیر بازاریابی نوین بر عملکرد سازمانهای نوپا |
توصیفی- پیمایشی با رویکرد کمّی |
در این پژوهش هوش مصنوعی بهعنوان متغیر مداخلهگر درنظر گرفته شده است؛ اما رضایت مشتری مطالعه نشده است. |
متغیرهای هزینه، تحویل و رسیدگی، انعطافپذیری و کیفیت اثری متوسط و معنادار بر عملکرد سازمانی دارند. متغیر برنامهریزی و مدیریت اثری قوی، مثبت و معنادار و نیز متغیرهای تحلیل رفتار مشتریان، فعالیتهای بازاریابی و بهبود تولید محتوا اثری متوسط، مثبت و معنادار بر هوش مصنوعی دارند. |
|
|
مروری بر کاربردهای هوش مصنوعی در صنعت بانکداری (ارتقای رضایت مشتری و کیفیت خدمات) |
توصیفی- مروری |
در این مقالۀ کنفرانسی بهصورت مروری فقط کاربردهای هوش مصنوعی بهصورت کلی مطالعه شده است. |
هوش مصنوعی فرآیندهای مختلفی را برای کاهش حجم کار کارکنان با فراهمآوردن چککردن امتیاز اعتباری، پیشبینی شکست سیستم، سیستمهای هشدار اضطراری، تشخیص تقلب، تشخیص وبسایت فیشینگ، ارزیابی ریسک نقدینگی، ارزیابی وفاداری مشتری و سیستمهای اطلاعاتی تسهیل میکند. |
|
|
عوامل مؤثر بر رضایت مشتری در فروشگاههای افق کوروش استان تهران |
توصیفی- پیمایشی با رویکرد کمّی |
در این پژوهش بحثی از هوش مصنوعی نشده و فقط رضایت مشتری مطالعه شده است. |
نتایج نشان میدهد که کلیۀ ضرائب مسیر بهجزء ضریب تأثیر کیفیت ادراکی خدمات بر رضایت مشتری درسطح احتمال یک درصد معنادار است. |
|
|
بررسی عوامل مؤثر بر تداوم خرید مصرفکنندگان اینترنتی ازدیدگاه (مطالعه موردی: دانشجویان تبریز) |
توصیفی- پیمایشی با رویکرد کمّی |
در این پژوهش بحثی از هوش مصنوعی نشده است و فقط عوامل مؤثر بر تداوم خرید مشتریان اینترنتی مطالعه شده است. |
نتایج نشان داد نگرش، هنجارهای ذهنی مصرفکنندگان عاملی تأثیرگذار بر قصد تداوم خرید و متعاقباً تداوم خرید اینترنتی است که بر رفتار خرید اینترنتی اثر میگذارد. به علاوه سازشپذیری، قابلیت نمایش نتیجه، سودمندی، راحتی استفاده و اعتماد ازجمله عوامل تأثیرگذار بر نگرش نسبت به این رفتار است. |
منبع: یافتههای پژوهشگران
از آنجا که اندازهگیری مستقیم ارتباط هوش مصنوعی با رضایت بهعنوان یک مفهوم امری بیمعناست، لازم است این مفاهیم به ابعاد ملموس و قابل اندازهگیری شکسته شود. بدینمنظور از پیشینۀ پژوهش استفاده شد. بر این اساس، متغیر هوش مصنوعی از 5 مؤلفه شامل چتباتها، توصیههای شخصیشده، سئوسازی، تجربۀ خرید پیشرفته و ابزار تشخیص صدا و تصویر تشکیل شده است. همچنین، متغیر رضایت مشتری از 3 مؤلفه شامل ارزش ادراکشده، کیفیت ادراکشده و انتظارهای مشتری تشکیل شد.
با چنین رویکردی 5 بُعد اصلی مدل طرح به 15 شاخص و 15 سؤال تبدیل و تأثیر آن بر 3 متغیر رضایت مشتری سنجیده شد. مدل مفهومی پژوهش در شکل 1 نشان داده شده است.
شکل1: مدل مفهومی پژوهش (منبع: یافتههای پژوهشگران، 1403)
Figure 1: The Conceptual model of the research
پژوهش حاضر ازنظر هدف کاربردی، ازنظر نحوۀ گردآوری دادهها توصیفی- پیمایشی است و رویکرد کمّی دارد. با توجه به دردسترسبودن متغیرهای مدنظر برای اندازهگیری بهعنوان ابزارهای هوش مصنوعی روش کمّی مبتنی بر فرضیهسازی انتخاب شد. جامعۀ آماری پژوهش دانشجویان مقطع کارشناسی و کارشناسی ارشد رشتۀ مهندسی کامپیوتر دانشکدۀ فنی دانشگاه لرستان بودند که حداقل یکمرتبه تجربۀ خرید را داشته و از مؤلفههای (ابزارهای) هوش مصنوعی ارائه شدۀ آن فروشگاه (چتباتها، توصیههای شخصی و ...) استفاده کرده باشند. این اطمینان از درج یک سؤال اولیه در پروتکل پرسشنامه، پرسش حضوری هنگام در اختیار قراردادن پرسشنامه به نمونههای آماری حاصل شد.
علت انتخاب این افراد بهعنوان جامعۀ آماری آشنایی آنها با مفاهیم و مؤلفههای اولیۀ هوش مصنوعی بود که بتوانند پاسخهای صحیح و دقیقی به پرسشنامهها دهند. گفتنی است با این پروتکل بهصورت هدفمند سعی شد دقت پاسخگویی به پرسشنامهها افزایش پیدا کند و اطلاعاتی از افراد غیرمطلع یا غیرمرتبط گردآوری نشود. جامعۀ آماری شامل 240 از دانشجویان مهندسی کامپیوتر دانشگاه لرستان بود که بهدلیل آشنایی با ابزارهای هوش مصنوعی انتخاب شدند. نمونۀ 150 نفری با نمونهگیری تصادفی طبقهای با انتساب متناسب (جدول مورگان) تعیین شد. این انتخاب هرچند دقت را درمیان کاربران فناوری بالا میبرد، تعمیمپذیری به جمعیتهای گستردهتر را محدود کرد که البته هدف اصلی این پژوهش افزایش دقت نتایج و کاربردیبودن آنها بوده است.
حجم نمونه در هر طبقه با استفاده از روش انتساب متناسب و با کمک فرمول زیر محاسبه شد.
|
|
ni = (Ni / ∑Ni) n |
|
|
|
ni = (NiSi / ∑NiSi) n |
|
در روش انتساب متناسب فرض بر این است که واریانس طبقات یکسان باشد (جدول 3).
جدول 3: توزیع فراوانی جامعه و نمونۀ آماری براساس جنسیت و تحصیلات
Table 3: Population frequency distribution and statistical sample based on gender and education
|
جنسیت |
تحصیلات |
تعداد |
درصد |
||
|
نمونه |
جامعه |
نمونه |
جامعه |
||
|
دختر |
کارشناسی |
21 |
34 |
14 |
16/14 |
|
کارشناسی ارشد |
59 |
94 |
33/39 |
16/39 |
|
|
پسر |
کارشناسی |
44 |
70 |
33/29 |
16/29 |
|
کارشناسی ارشد |
26 |
42 |
33/17 |
5/17 |
|
|
مجموع |
- |
150 |
240 |
100 |
100 |
منبع: یافتههای پژوهشگران
در این مطالعه برای گردآوری دادهها از پرسشنامۀ محققساختۀ آنلاین با طیف پنجگزینهای لیکرت با بهرهگیری از پرسشنامههای استاندارد مرتبط استفاده شد که در آن علاوهبر متغیرهای جمعیتشناختی، مؤلفههای معرفیشده آزموده شد. روایی پرسشنامه با پنل متخصصان و پایایی آن با انجامدادن آزمون پایلوت و محاسبۀ میزان آلفای کرونباخ برای پرسشنامه به برابر با 89/0 تأیید شد. درنهایت، برﺍی ﺗﺠﺰﻳﻪﻭﺗﺤﻠﻴﻞ ﺩﺍﺩﻩﻫﺎ ﺍﺯ ﺁﻣﺎﺭ ﺗﻮﺻﻴﻔﻲ و ﺁﻣﺎﺭ ﺍﺳﺘﻨﺒﺎﻃﻲ ﺷﺎﻣﻞ ﺁﺯﻣﻮﻥ ﻛﻮﻟﻤﻮﮔﺮﻭﻑ ﺍﺳﻤﻴﺮﻧﻮﻑ ﻭ ﺁﺯﻣﻮﻥ ﻫﻤﺒﺴﺘﮕﻲ ﻭ ﻣﻌﺎﺩلههای ﺳﺎﺧﺘﺎﺭی ﺑﺎ ﻛﻤﻚ ﻧﺮﻡﺍﻓﺰﺍﺭﻫﺎی SPSS ﻭ LISREL ﺍﺳﺘﻔﺎﺩﻩ ﺷﺪ. در این پژوهش برای توصیف دادههای جمعآوریشده از شاخصهای آماری ازجمله فراوانی، درصد فراوانی، آمارهای توصیفی و از انواع جدولها و نمودارهای آماری و برای بخش توصیفی و بخشی از آمار استنباطی نرمافزار SPSS استفاده شد.
این بخش مشتمل بر دو گفتار اصلی است: گفتار نخست به آمار توصیفی اختصاص دارد که دادههای پژوهشی با استفاده از شاخصهای مرکزی و پراکندگی تشریح و در گفتار دوم نیز پس از برازش مدل مفهومی پژوهش فرضیههای پژوهشی بررسی میشود.
5-1. آمار توصیفی
در این بخش آمار توصیفی جمعیتشناختی نمونههای آماری پژوهش بررسی شده است (جدولهای 4 و 5 و 6).
جدول 4: توزیع فراوانی نمونۀ آماری براساس جنسیت
Table 4: Population frequency distribution and statistical sample based on gender
|
|
فراوانی |
درصد |
درصد معتبر |
درصد تجمعی |
|
زن |
70 |
67/46 |
67/46 |
67/46 |
|
مرد |
80 |
33/53 |
33/53 |
00/100 |
|
کل |
150 |
100 |
100 |
|
جدول 5: توزیع فراوانی نمونۀ آماری براساس سن افراد
Table 5: Population frequency distribution and statistical sample based on the age of people
|
|
فراوانی |
درصد |
درصد معتبر |
درصد تجمعی |
|
کمتر از 30 سال |
28 |
67/18 |
67/18 |
67/18 |
|
بین 31 تا 35 سال |
56 |
33/37 |
33/37 |
00/56 |
|
بین 36 تا 40 سال |
43 |
67/28 |
67/28 |
67/84 |
|
بین 41 تا 45 سال |
12 |
00/8 |
00/8 |
67/92 |
|
بیشتر از 46 سال |
11 |
33/7 |
33/7 |
100 |
|
کل |
150 |
100 |
100 |
|
جدول 6: توزیع فراوانی نمونۀ آماری براساس تحصیلات
Table 6: Population frequency distribution and statistical sample based on education
|
|
فراوانی |
درصد |
درصد معتبر |
درصد تجمعی |
|
کارشناسی |
65 |
33/43 |
33/43 |
33/43 |
|
کارشناسی ارشد |
85 |
67/56 |
67/56 |
00/100 |
|
کل |
150 |
100 |
100 |
|
5-2. آمار توصیفی متغیرهای پژوهش
در این مطالعه برای شناخت بهتر جامعۀ مورد پژوهش و آشنایی بیشتر با مؤلفههای پژوهش (ابزارهای هوش مصنوعی) قبل از تجزیهوتحلیل دادههای آماری لازم است این دادهها توصیف شود؛ بنابراین پیش از آزمون فرضیههای پژوهش آمار توصیفی متغیرهای استفادهشده در پژوهش بررسی شد. میانگین بهعنوان یکی از پارامترهای مرکزی نشاندهندۀ مرکز ثقل جامعه بوده و بهعبارتی مبین این امر است که اگر بهجای تمامی مشاهدههای جامعه از میانگین آن استفاده شود هیچ تغییری در جمع کل دادههای جامعه ایجاد نمیشود. همچنین، بیشینه، بیشترین عدد متغیر در جامعۀ آماری و کمینه، کمترین عدد متغیر در جامعۀ آماری را نشان میدهد. نتایج آمار توصیفی در جدول 7 ارائه شده است.
جدول 7: میانگین و انحراف معیار متغیرهای پژوهش
Table 7: Mean and standard deviation of research variables
|
عامل |
حجم نمونه |
میانگین |
انحراف معیار |
میانه |
کمترین |
بیشترین |
|
چتباتها |
150 |
270/3 |
7770 |
250/3 |
000/1 |
000/5 |
|
توصیههای شخصیسازیشده |
150 |
340/3 |
736/0 |
500/3 |
000/1 |
000/5 |
|
تجربۀ خرید پیشرفته |
150 |
412/3 |
736/0 |
500/3 |
000/1 |
000/5 |
|
سئوسازی |
150 |
305/3 |
762/0 |
250/3 |
000/1 |
000/5 |
|
ابزارهای تشخیص صدا و تصویر |
150 |
337/3 |
843/0 |
250/3 |
000/1 |
000/5 |
|
هوش مصنوعی |
150 |
333/3 |
609/0 |
300/3 |
000/1 |
000/5 |
|
رضایت مشتریان |
150 |
433/3 |
724/0 |
469/2 |
750/1 |
810/4 |
5-3. آمار استنباطی
بررسی روابط بین شاخصهای پژوهش
در این بخش با استفاده از آزمون پیرسون ارتباط بین متغیرهای اصلی بررسی شد. از آنجا که متغیرهای پژوهش نرمال و کمّی است، میتوان از این آزمون استفاده کرد (جدول 8).
جدول 8: همبستگی میان متغیرهای مدل
Table 8: Correlation between model variables
|
عامل |
چتباتها |
توصیههای شخصیسازی شده |
تجربۀ خرید پیشرفته |
سئوسازی |
ابزارهای تشخیص صدا و تصویر |
هوش مصنوعی |
رضایت مشتریان |
|
چتباتها |
1 |
|
|
|
|
|
|
|
توصیههای شخصیسازیشده |
521/0** |
1 |
|
|
|
|
|
|
تجربۀ خرید پیشرفته |
606/0** |
679/0** |
1 |
|
|
|
|
|
سئوسازی |
426/0** |
510/0** |
603/0** |
1 |
|
|
|
|
ابزارهای تشخیص صدا و تصویر |
468/0** |
484/0** |
514/0** |
506/0** |
1 |
|
|
|
هوش مصنوعی |
765/0** |
801/0** |
854/0** |
769/0** |
765/0** |
1 |
|
|
رضایت مشتریان |
735/0** |
733/0** |
766/0** |
675/0** |
695/0** |
912/0** |
1 |
منبع: یافتههای پژوهشگران
نتایج حاصل از همبستگی پیرسون بین متغیرهای اصلی پژوهش در جدول 8 آورده شده است. همانطور که مشخص است، بین کلیۀ متغیرهای پژوهش همبستگی معنادار وجود دارد؛ درنتیجه امکان بررسی فرضیهها با استفاده از روش معادلههای ساختاری میسر است.
بررسی نرمالبودن متغیرهای پژوهش
در این پژوهش از آزمون معتبر کولموگروف اسمیرنوف برای بررسی فرض نرمالبودن دادههای پژوهش استفاده شد. در این آزمون با توجه به فرضیههای زیر نرمالبودن دادهها بررسی شده است.
:H0 دادهها توزیع نرمال دارد.
H1: دادههای توزیع نرمال ندارد.
با توجه به جدول آزمون کولموگروف اسمیرنوف اگر سطح معناداری برای کلیۀ متغیرهای مستقل و وابسته بزرگتر از سطح آزمون (05/0) باشد، توزیع دادهها نرمال است.
جدول 9: آزمون نرمالبودن متغیرهای بررسیشده
Table 9: The normality test of the examined variables
|
متغیر |
حجم نمونه |
آمارۀ آزمون کولموگروف اسمیرنوف |
سطح معناداری آزمون |
|
چتباتها |
150 |
064/1 |
164/0 |
|
توصیههای شخصیسازیشده |
150 |
072/1 |
172/0 |
|
تجربۀ خرید پیشرفته |
150 |
075/1 |
175/0 |
|
سئوسازی |
150 |
058/1 |
158/0 |
|
ابزارهای تشخیص صدا و تصویر |
150 |
147/1 |
200/0 |
|
هوش مصنوعی |
150 |
045/1 |
145/0 |
|
رضایت مشتریان |
150 |
038/1 |
138/0 |
منبع: یافتههای پژوهشگران
با توجه به جدول 9 که مقدار معناداری آزمون برای تمامی متغیرها بیشتر از میزان 05/0 است، متغیرهای پژوهش از توزیع نرمال پیروی میکنند.
مدلهای اندازهگیری
منظور از برازش مدل این است که تا چه حد یک مدل با دادههای مربوط سازگاری و توافق دارد. در این قسمت برازش مدل مفروض پژوهش بررسی میشود تا از سازگاری آن با دادههای پژوهش اطمینان حاصل و درنهایت، پاسخ سؤالهای پژوهش استنتاج شود. بررسی برازش مدل مفهومی مدل در دو مرحله صورت پذیرفته است: نخست ارزیابی برازش بخش اندازهگیری مدل و دوم ارزیابی برازش بخش ساختاری مدل که درادامه دربارۀ آنها بحث شده است.
شکل 2: مدل کلی ضرایب استاندارد (منبع: یافتههای پژوهشگران، 1403)
Figure 2: General model of standardized coefficients
شکل 3: مدل کلی به کار رفتۀ مقدارها (T-Value) (منبع: یافتههای پژوهشگران، 1403)
Figure 3: The general model used for values (T-Value)
مقدارهای قرار دادهشده روی هریک از پیکانها در شکل 3 نشان میدهد که آیا هریک از روابط نشان دادهشده معنادار است یا خیر؟ بهطوری که اگر مقدار این T-Value از مقدار 96/1 بیشتر باشد، رابطۀ نشان دادهشده معنادار است. با توجه به مدل مقدار آمارۀ t متغیر تعدیلگر نیاز به شناخت کمتر از 96/1 را دارد؛ بنابراین این متغیر درسطح 5 درصد اثر معنادار نیست و با توجه به شکل 3 ملاحظه میشود تمامی روابط دیگر معنادار است (جدول 10).
جدول 10: نتایج سه معیار آلفای کرونباخ، پایایی و روایی همگرا
Table 10: The results of three measures of Cronbach's alpha, reliability and convergent validity
|
متغیرها |
ضریب آلفای کرونباخ (7/0Alpha>) |
ضریب پایایی ترکیبی (7/0Alpha>) |
میانگین واریانس استخراجی (5/0AVE>) |
|
ابزارهای تشخیص صدا و تصویر |
825/0 |
884/0 |
656/0 |
|
تجربۀ خرید پیشرفته |
731/0 |
832/0 |
553/0 |
|
توصیههای شخصیسازیشده |
790/0 |
863/0 |
613/0 |
|
رضایت مشتریان |
852/0 |
878/0 |
785/0 |
|
سئوسازی |
792/0 |
865/0 |
616/0 |
|
چتباتها |
785/0 |
861/0 |
609/0 |
منبع: یافتههای پژوهشگران
با توجه به اینکه اعداد آلفای کرونباخ، پایایی ترکیبی و AVE همگی در بازۀ مربوط قرار گرفتهاند، میتوان مناسببودن وضعیت پایایی و روایی همگرای روابط بیرونی مدل کلی را تأیید کرد.
جدول 11: معیارهای نیکویی برازش مدل کلی
Table 11: Goodness of fit criteria of the overall model
|
متغیرها |
محدودۀ قابل قبول |
مقدار مشاهدهشده |
نتیجه |
|
SRMR |
کمتر از 08/0 |
078/0 |
برازش مناسب |
|
GOF |
بیشتر از 25/0 |
782/0 |
برازش مناسب |
منبع: یافتههای پژوهشگران
با توجه به مقدارهای بهدستآمده از جدول 11 دادههای جمعآوریشده برای اندازهگیری متغیرهای پنهان کفایت و برازش لازم را دارد؛ درنتیجه، نتایج حاصل از برآورد مدل کلی قابل اتکا و مورد اعتماد است.
Table 12: Values of R2, Q2
|
متغیرها |
|
|
|
|
رضایت مشتریان |
875/0 |
871/0 |
516/0 |
منبع: یافتههای پژوهشگران
در جدول 12 مقدار آمارۀ (استون-گیسر) (Stone-Geisser) که معرّف تناسب پیشبین مدل است برای متغیر رضایت مشتریان مثبت است که مثبتبودن این مقدارها نشاندهندۀ تناسب پیشبین برای این سازههاست. همچنین، مقدار برای متغیر رضایت مشتریان بیشتر از 5/0 است که نشاندهندۀ کیفیت بالای مدل در دقت پیشبینی است.
جدول 13: ضرایب رگرسیونی و معناداری متغیرهای مدل
Table 13: Regression coefficients and significance of model variables
|
شرح |
ضریب |
خطای استاندارد |
آمارۀ t |
سطح معناداری |
||
|
رضایت مشتریان |
|
ابزارهای تشخیص صدا و تصویر |
382/0 |
049/0 |
84/7 |
000/0 |
|
رضایت مشتریان |
|
تجربۀ خرید پیشرفته |
159/0 |
049/0 |
222/3 |
001/0 |
|
رضایت مشتریان |
|
توصیههای شخصیسازیشده |
181/0 |
055/0 |
284/3 |
001/0 |
|
رضایت مشتریان |
|
سئوسازی |
181/0 |
039/0 |
642/4 |
000/0 |
|
رضایت مشتریان |
|
چتباتها |
277/0 |
045/0 |
185/6 |
000/0 |
فرضیۀ فرعی 1: چتباتها در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد. با توجه به جدول 13 چتباتها بهطور معنادار رضایت مشتری را تحتتأثیر قرار میدهند (β = 0.277 و t = 6.185) که نشان میدهد پشتیبانی لحظهای تجربۀ خرید را بهبود میبخشند. این یافته با نتایج پژوهشهای Zhang et al. (2023) وArutgeevitha et al. (2023) در خارج از کشور و ترابی و شاددل (1400) در داخل کشور همراستاست و کاربرد آن را به کالاهای مصرفی گسترش میدهد.
فرضیۀ فرعی 2: توصیههای شخصیسازیشده در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد. با توجه به جدول 13 ضریب رگرسیونی تأثیر متغیر توصیههای شخصیسازیشده در هوش مصنوعی بر رضایت مشتریان برابر 181/0 است. همچنین، مقدار آمارۀ t برای این ضریب برابر 284/3 و سطح معناداری آن برابر 001/0 است که نشان از معنادار بودن این ضریب است (05/0>p). بهطور کلی، نتایج حاکی از آن است که فرضیۀ فرعی دوم پژوهش با نتایج پژوهشهای Arutgeevitha et al. (2023) وBrill et al. (2022) در خارج از کشور و یوسفی و همکاران (1402) در داخل همراستاست.
فرضیۀ فرعی 3: تجربۀ خرید پیشرفته در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد. با توجه به جدول 13 ضریب رگرسیونی تأثیر متغیر تجربۀ خرید پیشرفته در هوش مصنوعی بر رضایت مشتریان برابر 159/0 است. همچنین، مقدار آمارۀ t برای این ضریب برابر 222/3 و سطح معناداری آن برابر 001/0 است که نشان از معناداربودن این ضریب است (05/0>p). بهطور کلی، نتایج حاکی از آن است که فرضیۀ فرعی سوم پژوهش تأیید میشود. نتایج این بخش از پژوهش با نتایج پژوهش خارجیArutgeevitha et al. (2023) همخوانی دارد.
فرضیۀ فرعی 4: سئوسازی در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد. با توجه به جدول 13 ضریب رگرسیونی تأثیر متغیر سئوسازی در هوش مصنوعی بر رضایت مشتریان برابر 181/0 است. همچنین، مقدار آمارۀ t برای این ضریب برابر 642/4 و سطح معناداری آن برابر 000/0 است که نشان از معناداربودن این ضریب است (05/0>p). بهطور کلی، نتایج حاکی از آن است که فرضیۀ فرعی چهارم پژوهش با نتایج پژوهشهایZhang et al. (2023) وArutgeevitha et al. (2023) و Dumitriu & Popescu (2020) در خارج از کشور همسوست.
فرضیۀ فرعی 5: ابزارهای تشخیص صدا و تصویر در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد. با توجه به جدول 13ضریب رگرسیونی تأثیر متغیر ابزارهای تشخیص صدا و تصویر در هوش مصنوعی بر رضایت مشتریان برابر 382/0 است. همچنین، مقدار آمارۀ t برای این ضریب برابر 840/7 و سطح معناداری آن برابر 000/0 است که نشان از معناداربودن این ضریب است (05/0>p). بهطور کلی، نتایج حاکی از آن است که فرضیۀ فرعی پنجم پژوهش با نتیجۀ پژوهش Huang & Rust (2021) همسوست.
با توجه به تأیید کلیۀ فرضیههای فرعی فرضیۀ اصلی تأیید میشود. نتایج آزمون فرضیهها بهصورت خلاصه در جدول 14 آمده است.
جدول 14: خلاصۀ نتایج آزمون فرضیهها
Table 14: Summary of hypothesis test results
|
نتیجه |
فرضیههای پژوهش |
|
تأیید |
فرضیۀ اصلی: هوش مصنوعی بر رضایت مشتری در خرید کالاهای مصرفی تأثیر معنادار دارد. |
|
تأیید |
فرضیۀ فرعی 1: چتباتها در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد. |
|
تأیید |
فرضیۀ فرعی 2: توصیههای شخصیسازیشده در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد. |
|
تأیید |
فرضیۀ فرعی 3: تجربۀ خرید پیشرفته در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد. |
|
تأیید |
فرضیۀ فرعی 4: سئوسازی در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد. |
|
تأیید |
فرضیۀ فرعی 5: ابزارهای تشخیص صدا و تصویر در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارند. |
منبع: یافتههای پژوهشگران
بازاریابی بهدلیل تغییر مداوم خواستههای مصرفکنندگان که بیشتر تحتتأثیر روندها و فرهنگ جهانی است، همیشه درحال تحول است. بازاریابی درطول سالها از شیوههای سنتی به سمت استفاده از برنامههای کاربردی الکترونیکی در فضای دیجیتالی که در آن تعداد مصرفکنندگان فراتر رفته، سوق پیدا کرده است؛ به این معنا که خریدهای مصرفکنندگان بیشتر براساس نحوۀ شخصیسازی علایق آنها در فضای مجازی مانند تصاویر، اطلاعات باکیفیت و ویدئوهاست تا تجربههای واقعی آنها و همین عامل سبب شکلگیری بازاریابی دیجیتال شده است (Liao et al., 2021). بازاریابی دیجیتالی زیر تسلط هوش مصنوعی است و تلاش میکند تا درزمینۀ عملکرد فروش، توزیع، عملیات و غیره اصلاحاتی را انجام دهد. برای این منظور باید از دادهها کمک گرفت؛ زیرا دادهها مهمترین عنصر در بازاریابی هستند. این دادهها را میتوان با بررسی خواستههای مصرفکنندگان هنگام ارائۀ محصولات به دست آورد (Bala & Verma, 2018). از این رو بازاریابان نیازمند ابزارهایی هستند تا بتوانند با آنها دادههای مورد نیازشان را دربارۀ نظرهای مشتریان از عملکرد محصول به دست آورند تا درصورت لزوم از آن در راستای بهبود و طراحی مجدد محصول استفاده کنند. پیشبینیها حاکی از آن است که تا سال 2030 هوش مصنوعی میتواند به اقتصاد جهان کمک کند (Brill et al., 2022). بهکارگیری هوش مصنوعی بهدلیل ایجاد امکان پردازش بیدرنگ حجم وسیعی از دادهها انقلابی در کسبوکارها ایجاد میکند (زاداحمد، 1401).
درادامه، نتایج به تفکیک فرضیهها تشریح میشود.
فرضیۀ فرعی یک: چتباتها در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد.
با توجه به نتایج ضریب رگرسیونی تأثیر متغیر چتباتها در هوش مصنوعی بر رضایت مشتریان تأیید شد؛ به این معنا که چتباتها در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد. در تبیین این فرضیه میتوان گفت چتباتها میتوانند خدمات مشتریان را بهصورت ۲۴ ساعته ارائه دهند که این ویژگی باعث میشود مشتریان در هر زمان از شبانهروز بتوانند مشکلات خود را حل و به اطلاعات لازم خود دسترسی پیدا کنند. این بهبود در دسترسی و پاسخگویی میتواند منجر به افزایش رضایت مشتریان شود. همچنین، چتباتها با استفاده از ابزارهای هوش مصنوعی میتوانند پاسخهای سریع و دقیق به سؤالهای مشتریان ارائه دهند. این سرعت و دقت در پاسخگویی به نیازهای مشتریان میتواند تجربۀ خرید آنها را بهبود بخشد و احساس رضایت بیشتری به آنها بدهد. علاوه بر این، چتباتها قابلیت ارائۀ توصیههای شخصیسازیشده را دارند. چتباتها با تحلیل دادههای مشتریان و الگوهای خرید آنها میتوانند پیشنهادهای محصولاتی را که با ترجیحات و نیازهای مشتریان همخوانی دارند، ارائه دهند که این امر میتواند حس توجه و مراقبت بیشتری را به مشتریان بدهد و رضایت آنها را افزایش دهد. استفاده از چتباتها میتواند فرآیند خرید را سادهتر و کارآمدتر کند؛ برای مثال، مشتریان میتوانند بهراحتی سفارش خود را پیگیری، وضعیت موجودی محصولات را بررسی و اطلاعات بیشتری دربارۀ محصولات دریافت کنند. بدون اینکه نیاز باشد با یک نمایندۀ انسانی تماس بگیرند. همچنین، چتباتها میتوانند به جمعآوری بازخورد مشتریان کمک کنند و از این طریق شرکتها میتوانند بهبودهای لازم را در محصولات خود اعمال کنند. این چرخۀ بازخورد و بهبود مستمر میتواند منجر به افزایش رضایت مشتریان در طولانیمدت شود؛ درنتیجه ترکیبی از پاسخگویی سریع و دقیق، خدمات شخصیسازیشده، دسترسی۲۴ ساعته و سادهسازی فرآیند خرید همه عواملی است که نشان میدهد، چتباتها میتوانند تأثیر معناداری بر رضایت مشتریان در خرید کالاهای مصرفی داشته باشند. Zhang et al. (2023) در مطالعهای تأثیر ابراز احساسات چتباتهای هوش مصنوعی را در صنعت گردشگری بر رضایت مشتری بررسی کردند. نتایج این مطالعه نشان داد که این چتباتها با استفاده از ابراز احساسات توانستهاند تجربهای مثبت برای مشتریان ایجاد کنند و رضایت آنها را افزایش دهند. این یافتهها با نتایج پژوهش حاضر همراستاست؛ زیرا در هر دو مطالعه بر اهمیت استفاده از هوش مصنوعی برای افزایش رضایت مشتری تمرکز شده است. در پژوهش حاضر نیز تأکید شده است که هوش مصنوعی میتواند با بهبود اثربخشی بازاریابی و ارتباطات مؤثر رضایت مشتریان را ارتقا دهد. زاداحمد (1401) به نقش هوش مصنوعی در بازاریابی نوین و عملکرد سازمانها پرداخته است. این پژوهش نشان داد که هوش مصنوعی با تحلیل رفتار مشتریان، تولید محتوا و بهینهسازی فعالیتهای بازاریابی عملکرد سازمانی را بهبود میبخشد. این نتایج با پژوهش حاضر همراستاست؛ زیرا در هر دو مطالعه بر تأثیر مثبت هوش مصنوعی بر ارتقای عملکرد بازاریابی و دستاوردهای سازمانی تأکید شده است. در پژوهش ترابی و شاددل (1400) کاربردهای هوش مصنوعی در صنعت بانکداری بررسی شد. این پژوهش نشان داد که استفاده از هوش مصنوعی در فرآیندهایی همچون تشخیص تقلب، تحلیل دادهها و ارائۀ خدمات هوشمند تجربۀ مشتری را بهبود میبخشد. این نتایج نیز با پژوهش حاضر همراستاست؛ زیرا محققان در هر دو مطالعه بر نقش هوش مصنوعی در ارتقای تجربۀ مشتری تأکید و تأثیر آن را در ایجاد رضایتمندی بیشتر برجسته کردهاند.
فرضیۀ فرعی دو: توصیههای شخصیسازیشده در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد.
با توجه به نتایج ضریب رگرسیونی تأثیر متغیر توصیههای شخصیسازیشده در هوش مصنوعی بر رضایت مشتریان تأیید شد؛ یعنی توصیههای شخصیسازیشده در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد. در تبیین این فرضیه میتوان گفت که توصیههای شخصیسازیشده باعث میشود مشتریان احساس کنند که به نیازها و ترجیحات آنها بهطور دقیق توجه شده است. چنین توصیههایی با تحلیل دادههای دریافتشده از مشتریان و الگوهای خرید آنها پیشنهاد شده و منجر به ارائۀ محصولاتی میشود که لازم مشتریان است. این تطابق دقیق بین پیشنهادها و نیازهای مشتری باعث افزایش رضایت و وفاداری مشتریان میشود. علاوه بر این، توصیههای شخصیسازیشده میتواند تجربۀ خرید را کارآمدتر و لذتبخشتر کند؛ زیرا مشتریان نیاز به جستوجوی کمتری دارند و محصولات مورد علاقۀ خود را سریعتر پیدا میکنند. همچنین، این توصیهها میتواند باعث کشف محصولات جدید و متنوعی شود؛ زیرا مشتریان ممکن است به آنها علاقهمند باشند؛ اما خودبهخود پیدا نکرده باشند. احساس اختصاصیبودن این توصیهها میتواند ارتباط عاطفی بیشتری بین مشتری و برند ایجاد کند. این ارتباط عاطفی و تجربۀ مثبت خرید منجر به افزایش رضایت کلی مشتریان میشود و تمایل آنها را به خرید مجدد از برند تقویت میکند؛ بنابراین توصیههای شخصیسازیشده با ایجاد تجربۀ خرید بینظیر و مرتبط با نیازهای مشتریان تأثیر معناداری بر رضایت آنها دارد. در همین راستا، درزمینۀ بازاریابی دیجیتال Arutgeevitha et al. (2023) تأکید کردهاند که هوش مصنوعی میتواند خواستههای مشتریان را با دقت بیشتری تحلیل کند و باعث بهبود رضایت مشتری شود. همچنین،Brill et al. (2022) نشان دادهاند که انتظارهای مشتریان از دستیارهای دیجیتال همچون سیری و الکسا تأثیر مستقیمی بر سطح رضایت آنها دارد. یوسفی و همکاران (1402) تأثیر هوش مصنوعی را بر ارتباطات یکپارچۀ بازاریابی در صنعت ورزش بررسی کردند. یافتهها نشان داد که هوش مصنوعی در ارتقای عملکرد سازمانی و تجربۀ مشتری نقش دارد که با نتایج این پژوهش همراستاست.
فرضیۀ فرعی سه: تجربۀ خرید پیشرفته در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد.
با توجه به نتایج ضریب رگرسیونی تأثیر متغیر تجربۀ خرید پیشرفته در هوش مصنوعی بر رضایت مشتریان تأیید شد؛ یعنی تجربۀ خرید پیشرفته در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد. در تبیین این فرضیه میتوان گفت تجربۀ خرید پیشرفته شامل عناصر مختلفی مانند رابطهای کاربری کاربرپسند، توصیههای شخصیسازیشده، پشتیبانی بیدرنگ با چتباتها و فرآیندهای خرید ساده و سریع است. این ویژگیها میتواند تجربۀ خرید را برای مشتریان راحتتر و لذتبخشتر کند. هوش مصنوعی میتواند الگوهای خرید مشتریان را تحلیل کند و با ارائۀ توصیههای مناسب و مرتبط احتمال رضایت مشتریان را افزایش دهد. علاوه بر این، چتباتها و دستیارهای مجازی میتوانند به سؤالهای مشتریان پاسخ دهند و به آنها کمک کنند تا محصولات لازم خود را سریعتر پیدا کنند که این امر منجر به کاهش زمان صرفشده در فرآیند خرید و افزایش رضایت مشتریان میشود. همچنین، استفاده از تکنولوژیهای هوش مصنوعی میتواند تجربۀ خرید را شخصیسازی کند و با ارائۀ پیشنهادهای خاص به هر مشتری احساس ارزشمندی بیشتری به آنها بدهد. این تجربۀ شخصیسازیشده باعث میشود مشتریان احساس کنند که به نیازها و ترجیحات آنها بهطور دقیق توجه شده است. این امر نقش مهمی در افزایش رضایت و وفاداری آنها به برند دارد؛ بنابراین تجربۀ خرید پیشرفته و هوشمند با بهکارگیری هوش مصنوعی میتواند تجربۀ مشتریان را بهبود بخشد و تأثیر معناداری بر رضایت آنها در خرید کالاهای مصرفی داشته باشد. پژوهشهای متعدّدی نشاندهندۀ تأثیر تجربۀ خرید پیشرفته مبتنی بر هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی است؛ برای مثال، Liao et al. (2021) به نقش تعاملهای هوش مصنوعی در فرآیند خرید اشاره و تأکید کردهاند که این تعاملات اعتماد مشتریان را تقویت میکند و تجربۀ خرید را بهبود میبخشد.
فرضیۀ فرعی چهار: سئوسازی در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد.
با توجه به نتایج ضریب رگرسیونی تأثیر متغیر سئوسازی در هوشمصنوعی بر رضایت مشتریان تأیید شد؛ یعنی سئوسازی در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد. در تبیین این فرضیه میتوان گفت سئوسازی به کمک هوش مصنوعی میتواند محتوا و محصولات را به شکلی بهینه به مشتریان ارائه دهد که منجر به بهبودیافتن تجربۀ کاربری میشود. موتورهای جستوجو با استفاده از الگوریتمهای هوش مصنوعی قادر هستند تا نتایج جستوجو را به شکلی دقیقتر و مرتبطتر با نیازهای مشتریان نمایش دهند که این امر باعث افزایش رضایت آنها از فرآیند جستوجو و خرید میشود. هوش مصنوعی میتواند با تحلیل دادههای کاربران و الگوهای رفتاری آنها محتوای مناسبی را برای نمایش در نتایج جستوجو انتخاب کند و با استفاده از تکنیکهای پیشرفتۀ سئو رتبهبندی صفحات وب را بهبود بخشد. این بهبود در رتبهبندی بهمعنای دسترسی آسانتر و سریعتر مشتریان به محصولات موردنظرشان است که میتواند تجربۀ خرید را لذتبخشتر کند. همچنین، سئوسازی به کمک هوش مصنوعی میتواند به بهبود محتوا و تجربۀ کاربری سایتها کمک کند که این امر نیز منجر به افزایش رضایت مشتریان میشود. علاوه بر این، هوش مصنوعی میتواند با بهینهسازی تجربۀ کاربری در دستگاههای مختلف ازجمله موبایل، تجربۀ خرید آنلاین را برای مشتریان بهینه کند. این فناوری قادر است تا با توجه به دادههای بزرگ پیشنهادهای خرید شخصیسازیشده و دقیقتری ارائه دهد که این امر میتواند نقش مهمی در افزایش رضایت مشتریان داشته باشد؛ بنابراین بهکارگیری هوش مصنوعی در سئوسازی میتواند بهطور معناداری رضایت مشتریان را در خرید کالاهای مصرفی افزایش دهد. در پژوهشهای متعدّدی تأثیر سئوسازی مبتنی بر هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی بررسی شده است. Zhang et al. (2023) نشان دادهاند که استفاده از هوش مصنوعی در بهینهسازی موتورهای جستوجو به شرکتها کمک میکند تا نتایج جستوجو را دقیقتر و شخصیتر برای کاربران ارائه دهند که این امر باعث افزایش اعتماد و رضایت مشتریان میشود. در همین راستا،Kopalle et al. (2022) نیز در مطالعۀ خود بیان کردهاند که استفاده از الگوریتمهای پیشرفتۀ هوش مصنوعی در رتبهبندی بهینۀ صفحات وب موجب میشود کاربران سریعتر به اطلاعات مدنظر خود دست یابند که این امر نقش مهمی در افزایش رضایت مشتریان در فرآیند خرید دارد و با نتایج این پژوهش همراستاست.
فرضیۀ فرعی پنج: ابزارهای تشخیص صدا و تصویر در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد.
با توجه به نتایج ضریب رگرسیونی تأثیر متغیر ابزارهای تشخیص صدا و تصویر در هوش مصنوعی بر رضایت مشتریان تأیید گردید شد؛ یعنی ابزارهای تشخیص صدا و تصویر در هوش مصنوعی بر رضایت مشتریان در خرید کالاهای مصرفی تأثیر معنادار دارد. در تبین این فرضیه میتوان گفت ابزارهای تشخیص صدا و تصویر با استفاده از هوش مصنوعی میتوانند تجربۀ کاربری را بهبود بخشند و فرآیند خرید را سادهتر و شخصیسازیشدهتر کنند. این ابزارها میتوانند به کاربران امکان جستوجوی کالاها و محصولات مورد نیازشان را با فرمانهای صوتی بدهند که این امر بهویژه در زمانهایی که کاربران دسترسی به تایپکردن ندارند یا استفاده از صفحهکلید برایشان مشکل است، مفید است. ابزارهای تشخیص تصویر نیز به کاربران اجازه میدهند تا با استفاده از دوربین دستگاههای خود تصاویر محصولات موردنظرشان را اسکن و اطلاعات دقیقی را دربارۀ آنها دریافت کنند. این فناوری میتواند بهویژه در مواردی که کاربران بهدنبال خرید یک محصول خاص هستند و نیاز به اطلاعات فوری دارند، کاربردی باشد. بهعلاوه، این ابزارها میتوانند پیشنهادهای مرتبط و سفارشیشدهای را براساس تحلیل تصاویر و صداها ارائه دهند که این امر میتواند به افزایش رضایت مشتریان منجر شود. همچنین، ابزارهای تشخیص صدا و تصویر میتوانند تجربۀ خرید را تعاملیتر کنند؛ برای مثال، کاربران میتوانند با ارسال یک تصویر یا بیان نیاز خود بهصورت صوتی بهسرعت پاسخهای لازم خود را دریافت کنند. این سطح از تعامل و پاسخگویی سریع میتواند احساس اطمینان و رضایت را در مشتریان افزایش دهد؛ بنابراین استفاده از ابزارهای تشخیص صدا و تصویر در هوش مصنوعی میتواند بهطور معناداری رضایت مشتریان را در خرید کالاهای مصرفی افزایش دهد. محققان در پژوهشهای متعدّدی بر نقش ابزارهای تشخیص صدا و تصویر مبتنی بر هوش مصنوعی در افزایش رضایت مشتریان در خرید کالاهای مصرفی تأکید کردهاند. Zhang et al. (2023) در مطالعهای نشان دادهاند که استفاده از فناوریهای تشخیص صدا مانند دستیارهای صوتی هوشمند میتواند فرآیند خرید را سریعتر و کاربرپسندتر کند و بدین ترتیب، رضایت مشتریان را افزایش دهد. محققان در این پژوهش به نقش فناوریهای تشخیص تصویر در شناسایی و پیشنهاد محصولات مرتبط اشاره کردهاند که به بهبود تجربۀ خرید مشتریان منجر میشود. Li et al. (2023) نشان دادهاند که فناوریهای تشخیص صدا بهویژه در قالب دستیارهای صوتی خانگی نظیر الکسا و گوگل اسیستنت میتوانند نیازهای مشتریان را بهطور دقیق شناسایی و پیشنهادهای شخصیسازی شدهای را ارائه دهند که این امر به افزایش وفاداری و رضایت مشتریان کمک میکند.
فرضیۀ اصلی: با توجه به تأیید کلیۀ فرضیههای فرعی فرضیۀ اصلی تأیید میشود؛ یعنی هوش مصنوعی بر رضایت مشتری در خرید کالاهای مصرفی تأثیر معنادار دارد.
در تبیین این فرضیه میتوان گفت هوش مصنوعی با توصیههای شخصیسازیشده و تحلیل دادهها خرید را بهبود میدهد. این کار زمان انتظار را کم میکند و رضایت را افزایش میدهد. این تکنولوژی میتواند الگوهای خرید مشتریان را شناسایی کند و پیشنهادهای محصولاتی را که با سلیقه و نیازهای آنها همخوانی دارد، ارائه دهد که این امر به افزایش رضایت مشتریان منجر میشود. همچنین، ابزارهای هوش مصنوعی میتوانند پاسخگویی به سؤالها و مشکلات مشتریان را سریعتر و کارآمدتر کنند؛ برای مثال، با چتباتها دردسترس هستند و میتوانند به سؤالهای معمول پاسخ دهند یا مشکلات رایج را حل کنند. این ویژگیها نهتنها باعث کاهش زمان انتظار مشتریان میشود، به افزایش تجربۀ مثبت خرید کمک میکند. افزون بر این، هوش مصنوعی میتواند در بهینهسازی فرآیندهای داخلی مانند مدیریت موجودی، پیشبینی تقاضا و بهبود زنجیرۀ تأمین نیز مؤثر باشد که درنهایت، به بهبود کیفیت خدمات ارائه شده به مشتریان میانجامد. تمام این عوامل میتوانند نقش بسزایی در افزایش رضایت مشتریان از خرید کالاهای مصرفی داشته باشند. درادامه، پیشنهادهای کاربردی برخاسته از پژوهش ارائه شده است.
استفاده از گیمیفیکیشن در تجربۀ خرید مبتنی بر هوش مصنوعی: فروشگاهها میتوانند از الگوریتمهای هوش مصنوعی برای ایجاد یک تجربۀ خرید سرگرمکننده و تعاملی با گیمیفیکیشن استفاده کنند؛ برای مثال، ارائۀ بازیهای کوچک که مشتریان با انجامدادن آنها بتوانند امتیاز جمع کنند و از تخفیفهای شخصیسازیشده بهرهمند شوند. این روش میتواند رضایت مشتریان را افزایش دهد و آنها را به خریدهای بعدی تشویق کند. همچنین خردهفروشان میتوانند گیمیفیکیشن مبتنی بر هوش مصنوعی مانند آزمونهای مبتنی بر سابقۀ خرید با پاداش را در راستای افزایش تعامل با مشتریان و توسعۀ تجربۀ خرید آنها اجرایی کنند. این کار نظریههای شخصیسازی را با افزودن عناصر تعاملی به چارچوب رضایت مشتری گسترش میدهد.
ایجاد پیشنهادهای شخصیسازیشده براساس تحلیل دادههای خرید: فروشگاهها با بهرهگیری از هوش مصنوعی و تکنیکهای تحلیل داده میتوانند الگوهای رفتاری مشتریان را شناسایی کنند و پیشنهادهای خرید متناسب با نیازهای آنها را ارائه دهند. این فرآیند با تحلیل سوابق خرید و ترجیحات کاربران امکان پیشنهاد خودکار محصولات مرتبط یا مکمل را فراهم میکند. اجرای این رویکرد نهتنها تجربۀ خرید را برای مشتریان بهینه و شخصیسازی میکند، منجر به افزایش رضایت، تعامل و وفاداری مشتریان نسبت به برند خواهد شد. پیشنهادهای شخصیسازیشده بیشتر با نیازها و علایق واقعی مشتریان هماهنگ است. وقتی یک فرد پیشنهادی دریافت میکند که با سلیقه و نیازهای او مطابقت دارد، احساس میکند که برند به او توجه دارد. این احساس باعث افزایش تعامل مشتری با فروشگاه و درنهایت، منجر به افزایش وفاداری او میشود. در مقابل، اگر پیشنهادها نامرتبط باشد، مشتری ممکن است احساس کند که با تبلیغات بیهدف مواجه شده است و این موضوع میتواند تجربۀ خرید او را مخدوش کند. همچنین، پیشنهادهای هوشمندانه میتواند از بازگشت کالا و نارضایتی پس از خرید جلوگیری کند. وقتی محصولی براساس نیاز واقعی مشتری پیشنهاد میشود، احتمال اینکه او پس از خرید احساس نارضایتی کند یا کالا را مرجوع کند، کاهش مییابد. این موضوع به بهبود اعتماد مشتری به برند و افزایش احتمال خریدهای بعدی کمک میکند.
بهکارگیری ابزارهای تعاملی صوتی و تصویری برای بهبود پشتیبانی مشتری: تحلیل دادههای خرید با استفاده از هوش مصنوعی میتواند تأثیر چشمگیری بر افزایش رضایت مشتریان داشته باشد. زمانی که یک سیستم هوشمند الگوهای رفتاری مشتری را شناسایی میکند و براساس آن پیشنهادهای متناسبی ارائه میدهد، فرآیند خرید برای مشتریان سادهتر و لذتبخشتر میشود. ارائۀ پیشنهادهای دقیق و مرتبط نهتنها زمان جستوجوی مشتری را کاهش میدهد، حس توجه و ارزشمندی را نیز در او تقویت میکند. این شخصیسازی تجربۀ خرید احتمال تعامل بیشتر مشتری با برند را افزایش میدهد و موجب شکلگیری اعتماد و وفاداری بلندمدت میشود. علاوه بر این، پیشنهادهای هوشمندانه میتواند میزان بازگشت کالا را کاهش دهد و از نارضایتی پس از خرید جلوگیری کند. کسبوکارها با ایجاد یک تجربۀ خرید هدفمند و متناسب با نیازهای مشتریان میتوانند رضایت و تعامل کاربران را به میزان چشمگیری افزایش دهند.
درنهایت، پیشنهادها برای پژوهشهای آتی عبارت است از:
1- تحلیل تطبیقی تأثیر هوش مصنوعی بر رضایت مشتریان در صنایع مختلف: مطالعۀ موردی صنایع غذایی، پوشاک و الکترونیک؛
2- بررسی تغییرات رضایت مشتریان در اثر استفاده از هوش مصنوعی: مطالعۀ طولی در فروشگاههای آنلاین؛
3- تأثیر ابزارهای هوش مصنوعی بر رفتار روانشناختی مشتریان: نقش اعتماد، امنیت و تصمیمگیری خرید.
)