نوع مقاله : مقاله پژوهشی
نویسندگان
1 استادیار گروه مدیریت، مجتمع مدیریت و مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران
2 دانشجوی کارشناسی ارشد گروه مدیریت، مجتمع مدیریت و مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
This research aimed to design, validate, and elucidate a conceptual model for harnessing Artificial Intelligence (AI) in digital marketing, specifically to enhance consumer loyalty. The study was conducted in 4 structured phases. First, key components were identified through a systematic literature review (meta-synthesis) of 53 academic sources. In the second phase, the fuzzy Delphi method was utilized with 10 industry experts to validate the relevance of the content and achieve expert consensus. The third phase employed Interpretive Structural Modeling (ISM) to analyze and structure the causal relationships among 26 identified components. Finally, MICMAC analysis was used to categorize these components based on their driving power and dependence. The resulting model integrated both technological enablers—such as supervised, unsupervised, and reinforcement learning, Natural Language Processing (NLP), Large Language Models (LLMs), recommender systems, and Graph Neural Networks (GNNs)—and human-centric psychological dimensions, including flow experience, perceived value, satisfaction, trust, and consumer engagement, across 4 hierarchical levels. The findings indicated that foundational elements like “Reinforcement Learning” and “Natural Language Processing” served as primary drivers, while behavioral and attitudinal outcomes, such as “loyalty”, “brand advocacy”, and “eWOM” ranked at the top of the model. The model's innovation lay in its structured synthesis of data-driven AI technologies and human perception layers—a perspective often overlooked in previous frameworks. Practical implications were discussed, providing marketers with guidelines for deploying AI-based tools, such as recommender engines, real-time pricing algorithms, and sentiment analysis through NLP. The study concluded with recommendations for future research on industry-specific applications (e.g., fintech, edtech, tourism) and the ethical considerations surrounding AI-driven marketing decisions.
Introduction
Rapid advancement of digital transformation has fundamentally altered the modern marketing landscape. With the emergence of sophisticated technologies, such as machine learning, cloud computing, the Internet of Things (IoT), and particularly Artificial Intelligence (AI), marketing has become increasingly data-driven and experience-oriented. As a cornerstone of the fourth industrial revolution, AI enables organizations to automate processes, gain deep insights into consumer behavior, predict preferences, and personalize interactions in real time. This transformation has significantly reshaped how companies engage with consumers, devise strategies, and cultivate long-term loyalty. In today’s highly competitive and fast-evolving market, consumers demand immediacy, relevance, and personalization. AI technologies facilitate companies in meeting these expectations by analyzing vast amounts of consumer data and generating insights that inform tailored marketing efforts. For instance, recommendation systems on platforms like Amazon and Netflix, chatbots utilizing natural language processing, and predictive analytics employed by financial institutions exemplify AI's pervasive influence. Despite this growth, there remains a notable absence of an integrated model that synthesizes these diverse AI applications into a coherent framework while considering psychological, experiential, and ethical dimensions. Current research often focuses on specific AI tools in marketing; some studies examine predictive models for customer churn, while others investigate NLP in sentiment analysis. While these inquiries are valuable, they frequently overlook the broader context—how various AI elements interconnect to impact customer loyalty. Loyalty is a multifaceted concept shaped not only by repeated transactions, but also by attitudinal factors, such as trust, perceived value, and brand advocacy. The role of AI in fostering these deeper loyalty outcomes is yet to be clearly defined. Addressing this gap is crucial both academically and practically. From an academic perspective, it enriches marketing theory by integrating technological and behavioral dimensions. Practically, it provides guidance for practitioners seeking to leverage AI responsibly and effectively. The primary research question guiding this study was: What are the key applications of AI in digital marketing and how can these be organized into a conceptual framework that elucidates their role in enhancing consumer loyalty? By answering this question, the study aimed to advance the theory of AI-enabled marketing and present a structured, practical model that aligned advanced technologies with human-centered values.
Materials & Methods
Research Design
This study employed a qualitative, exploratory, and applied research design aimed at developing a conceptual model. This approach was particularly well-suited for topics that remained underexplored and required the construction of a grounded framework rather than mere hypothesis testing. The methodological process was executed in 3 phases: meta-synthesis, Delphi validation, and structural modeling using ISM and MICMAC techniques.
Phase 1: Meta-Synthesis
The first stage involved a systematic literature review conducted through the Scopus, ScienceDirect, and Emerald databases. The inclusion criteria specified publications from 2015 to 2025 that were indexed in reputable journals and explicitly focused on AI applications in marketing or consumer behavior. A total of 53 articles met these criteria. Utilizing MAXQDA software, a 3-stage coding process (open, axial, and selective) was implemented, resulting in the extraction of 26 components categorized into technological, experiential, and socio-ethical dimensions. This meta-synthesis ensured comprehensive coverage of both empirical and conceptual contributions.
Phase 2: Delphi Method
To validate the identified components, the Delphi method was employed with a panel of 10 experts, comprising both academic researchers and senior industry professionals. The Delphi technique was chosen for its effectiveness in achieving consensus on complex, multi-dimensional constructs. Two iterative rounds of surveys were conducted, yielding a high reliability coefficient (Cohen’s Kappa = 0.82) and indicating strong agreement among the experts. The panel confirmed the relevance of the 26 components and suggested two refinements: (1) incorporating “AI-driven responses to competitor strategies” within the context of reinforcement learning and (2) including “sentiment-informed CSR initiatives”. These additions underscored the dynamic and ethical dimensions of AI in marketing.
Phase 3: ISM and MICMAC Analyses
Interpretive Structural Modeling (ISM) was employed to map the relationships among the identified components and construct a hierarchical model. This approach clarified which elements served as foundational drivers and which were outcomes. Complementing ISM, MICMAC analysis was utilized to classify the components based on their driving and dependence power. The combined analysis revealed 4 categories: driving forces (e.g., reinforcement learning), linkage factors (e.g., transparency), dependent outcomes (e.g., loyalty), and relatively autonomous elements (e.g., multi-sensory engagement).
Together, these methodological phases ensured rigor by integrating breadth (literature synthesis), depth (expert validation), and structure (hierarchical modeling).
Research Findings
Core Components and Hierarchical Layers
The validated model comprised 26 components organized into 4 hierarchical layers:
Technological Enablers: This layer included supervised and unsupervised learning, reinforcement learning, Natural Language Processing (NLP), Large Language Models (LLMs), generative AI models, recommender systems, and graph neural networks. Together, these elements formed the infrastructural backbone that facilitated advanced data analysis, prediction, and personalization.
Consumer Experience and Perception: This layer encompassed constructs, such as flow experience, perceived value, consumer satisfaction, trust, algorithmic transparency, human-like interaction, and multi-sensory engagement. These factors mediated the relationship between technological enablers and outcomes related to loyalty.
Socio-Ethical Considerations: This layer was defined by Corporate Social Responsibility (CSR), ethical issues in LLMs, fairness, privacy, and consumer engagement in CSR, reflecting the growing demand for responsible and ethical AI practices.
Behavioral Outcomes: At the pinnacle of the model were attitudinal loyalty, behavioral loyalty, electronic word-of-mouth, and brand advocacy, and consumer recommendation intentions— outcomes that organizations valued most.
ISM–MICMAC Results
The hierarchical analysis yielded the following classifications:
Drivers: Reinforcement learning, LLMs, and recommender systems served as critical initiators within the model.
Linkage Factors: Transparency, flow experience, and NLP-driven sentiment analysis mediated the relationship between technological enablers and behavioral outcomes.
Dependents: Loyalty measures, consumer satisfaction, and electronic word-of-mouth emerged as dependent outcomes.
Autonomous Elements: Peripheral factors, such as multi-sensory engagement and AI-assisted user-generated content, exerted comparatively lower influence.
This analysis highlighted a clear causal pathway: technological foundations shaped consumer experiences, which were moderated by socio-ethical considerations and, in turn, drove loyalty-related behaviors.
Discussion of Results & Conclusion
Hypothesis Validation
The study provided empirical support for 6 hypotheses:
Supervised learning enhances the predictive accuracy of consumer behavior.
Unsupervised learning facilitates segmentation and the identification of hidden patterns.
Reinforcement learning enables adaptive, real-time decision-making.
Flow experience supported by AI positively influences consumer loyalty.
AI-driven personalization of perceived value strengthens both attitudinal and behavioral loyalty.
CSR initiatives informed by sentiment analysis reinforce brand trust and advocacy.
Theoretical Contributions
This study contributed to the literature by proposing a holistic conceptual model that integrated AI technologies with consumer psychological constructs and ethical considerations. Unlike prior fragmented research, the model introduced a layered structure that systematically connected technological enablers to loyalty outcomes. This integration enhanced our theoretical understanding of how AI-driven personalization and responsible data practices jointly shaped sustainable consumer relationships.
Managerial Implications
Recommendation Systems: Organizations should implement advanced AI engines (e.g., matrix factorization and deep learning-based recommenders) to provide highly tailored consumer experiences.
Sentiment Analysis: NLP models, such as BERT and GPT-4, can be utilized to decode consumer emotions, thereby informing CSR strategies and enhancing communication effectiveness.
Experience Design: AI can facilitate immersive and adaptive digital experiences that foster consumer engagement and promote flow states.
Ethical AI Practices: Managers must prioritize transparency, fairness, and privacy in AI applications to ensure long-term consumer trust and loyalty.
Limitations and Future Research
A key limitation of this study was its reliance on expert judgment. Empirical validation using large-scale consumer datasets is essential to strengthen the robustness of the proposed model. Future research should adopt quantitative approaches, such as Structural Equation Modeling (SEM) or longitudinal designs. Additionally, sector-specific adaptations (e.g., fintech, healthcare, and education) can enhance external validity. Cross-cultural comparisons would further elucidate how cultural contexts moderate AI-driven loyalty formation. Finally, the ethical challenges associated with LLMs—including bias, misinformation, and privacy risks—warrant deeper scholarly investigation.
Conclusion
This research presented a structured conceptual model that integrated the technological, experiential, and socio-ethical dimensions of AI-driven digital marketing, positioning consumer loyalty as the ultimate outcome. The model offered both theoretical insights and practical guidance, emphasizing the necessity of aligning AI tools with human values and social responsibility. In doing so, it establishes a foundation for future empirical investigations and for responsible application of AI in managerial practice.
کلیدواژهها [English]
1. مقدمه
در دهههای اخیر، شتاب تحولات فناورانه، ساختارهای سنتی کسبوکارها را بهطور اساسی دگرگون ساخته است. یکی از نمودهای بسیار مهم این دگرگونی، ورود فناوریهای نوینی همچون یادگیری ماشین، کلانداده، رایانش ابری، اینترنت اشیا و بهویژه هوش مصنوعی (AI) به عرصۀ مدیریت و بازاریابی است؛ پدیدهای که در قالب تحول دیجیتال شناخته میشود (Li et al., 2023a; Huang & Rust, 2021). این تغییرات با به چالش کشیدن مرزهای سنتی رقابت، باعث شکلگیری مدلهای جدید ارزشآفرینی، تجربهسازی و وفادارسازی در فضای دیجیتال شده است.
در این میان، بازاریابی بهعنوان یکی از پویاترین حوزههای مدیریت که بهطور مستقیم با تحلیل نیازهای مشتریان و طراحی تعاملات برند درگیر است، پیشگام پذیرش فناوریهای هوشمند بوده و بهواسطۀ ماهیت دادهمحور این حوزه، بستر مناسبی برای استقرار الگوریتمها و مدلهای هوشمند فراهم آورده است (Enshassi et al., 2025). بررسی مطالعات اخیر نشان میدهد که هوش مصنوعی در بازاریابی، دیگر محدود به خودکارسازی نیست؛ بلکه زمینهساز درک عمیق احساسات مشتری، طراحی کمپینهای شخصیسازیشده، و بهینهسازی لحظهای تعاملات شده است ( Makivić et al., 2024; Lemon & Verhoef, 2016). با افزایش حجم و پیچیدگی دادههای رفتاری، سازمانها برای حفظ مزیت رقابتی نیازمند تحلیلهایی دقیق، سریع و اطمینانبخشاند. الگوریتمهایی مانند یادگیری نظارتشده، بدون نظارت، یادگیری تقویتی، سیستمهای توصیهگر و پردازش زبان طبیعی در این میان نقش مؤثری یافتهاند (Ruangkanjanases et al., 2024)؛ برای مثال، یادگیری تقویتی به شرکتها این امکان را میدهد تا در وضعیت متغیر بازار، تصمیمهای پویایی در حوزههایی همچون تبلیغات، قیمتگذاری و پیشنهاد محصول اتخاذ کنند (Hardcastle et al., 2025). مطابق با گزارش مؤسسۀ DMRC در سال 2024، یکی از نیازهای حیاتی بازاریابان در سالهای اخیر، بهرهگیری از مدلهای هوش مصنوعی و کمککننده در تصمیمگیری بوده است؛ مدلهایی که بتوانند هم مؤلفههای فناورانه را پوشش دهند و هم ابعاد انسانی مانند رضایت، اعتماد و تجربۀ دیجیتال را تبیین کنند. باوجود رشد سریع پژوهشهای این حوزه، اغلب پژوهشهای انجامشده به بررسی پراکندۀ کاربردهای هوش مصنوعی در بازاریابی پرداخته است و تدوین چارچوبی جامع که این کاربردها را در مسیری علّی-مفهومی ترکیب کند، کمتر مشاهده شده است (Chatterjee et al., 2019). بر همین اساس، طراحی مدلی مفهومی که بتواند کاربردهای کلیدی و عملیاتی هوش مصنوعی را در بازاریابی دیجیتال؛ استخراج، سازماندهی و سطحبندی کند، ضرورتی علمی و عملی به شمار میرود. چنین مدلی، از یک سو در توسعۀ نظریه و پژوهش در حوزۀ بازاریابی هوشمند مؤثر است و ازسویدیگر برای مدیران بازاریابی، برای برنامهریزی راهبردی دادهمحور، کاربردی خواهد بود.
پژوهش حاضر با هدف پاسخ به این نیاز، طی سه مرحله طراحی شده است: نخست، با استفاده از روش فراترکیب، ضمن بررسی و تحلیل پنجاه مقالۀ علمی منتشرشده بین سالهای ۲۰۱۵ تا ۲۰۲۵، از تکنیک دلفی برای اعتبارسنجی و تکمیل مدل مفهومی اولیه بهره گرفته شد. در نهایت، با استفاده از رویکرد مدلسازی ساختاری-تفسیری (ISM) و تحلیل MICMAC، سطحبندی مؤلفهها و تبیین روابط بین آنها انجام شد.
فراترکیب بهعنوان یکی از روشهای پرکاربرد کیفی، امکان کشف مفاهیم پنهان از دل مطالعات پیشین را فراهم میآورد و از تجمیع صِرف دادهها فراتر میرود (Sang, 2024). در این فرایند، کاربردهای مختلف هوش مصنوعی در بازاریابی نظیر تحلیل احساسات، هدفگیری رفتاری، پیشنهاد خودکار محتوا، تحلیل CSR و نیز طراحی تجربۀ جریان دیجیتال استخراج شد. تکنیک دلفی نیز بهدلیل امکان اجماعسازی تدریجی و اصلاح ساختار براساس دانش ضمنی خبرگان، بهعنوان روشی مناسب برای تقویت روایی مدل استفاده شد (Mustak et al., 2021).
بر این اساس، پرسش اصلی پژوهش چنین طرح میشود:
کاربردهای کلیدی و عملیاتی هوش مصنوعی در بازاریابی دیجیتال کداماند و چگونه میتوان آنها را در قالب یک مدل مفهومی اجراشدنی طبقهبندی، ارزیابی و سطحبندی کرد؟
پاسخ به این پرسش، گامی مهم برای توسعۀ نظریهمحور و کاربردی در حوزۀ بازاریابی دیجیتال محسوب میشود و میتواند زمینهساز طراحی راهبردهای دادهمحور با حفظ ساختار انسانی تعامل برند و مصرفکننده باشد.
2-1. هوش مصنوعی:
هوش مصنوعی(AI) بهعنوان یکی از پیشرانهای اصلی انقلاب صنعتی چهارم، توانایی بازتعریف فرایندهای سازمانی، بهویژه در حوزۀ بازاریابی را دارد. در سادهترین تعریف، هوش مصنوعی به سیستمی اطلاق میشود که میتواند بر پایۀ داده، تصمیمگیری کند، الگوها را بیاموزد و اقدامهای خود را بهصورت خودکار بهبود بخشد (Chintalapati & Pandey, 2022). این فناوری در حوزههای گوناگونی چون یادگیری ماشین، تحلیل احساسات، پردازش زبان طبیعی و بینایی رایانهای به کار گرفته شده است (Mustak et al., 2021).
یادگیری ماشین(Machine Learning) ، یکی از زیرشاخههای کلیدی هوش مصنوعی است که در آن، الگوریتمها از دادهها الگو میسازند و بدون برنامهریزی صریح، عملکرد خود را بهبود میدهند Wedel & Kannan (2016) آن را نوعی فناوری توصیف میکنند که از دادههای تاریخی برای پیشبینی رفتار آینده و بهینهسازی تصمیمگیری استفاده میکند. این یادگیری به سه دسته تقسیم میشود: 1. نظارتشده؛ 2. بدون نظارت؛ 3. تقویتی.
در یادگیری نظارتشده، الگوریتم با دادههایی آموزش میبیند که خروجی آنها مشخص است. این روش برای دستهبندی، پیشبینی فروش و تحلیل پاسخ کمپینهای بازاریابی کاربرد فراوان دارد (Murire, 2024). نتایج پژوهش (2019) Scridon et al. نیز نشان میدهد که استفاده از این نوع یادگیری در بازاریابی، دقت پیشبینی رفتار مشتریان را تا 30درصد افزایش داده است؛ بنابراین،
فرضیۀ اول: یادگیری نظارتشده بهطور مثبت بر دقت پیشبینی رفتار مشتری تأثیر دارد.
در یادگیری بدون نظارت، دادهها بدون خروجی مشخص تحلیل میشوند و الگوریتم سعی میکند الگوها یا خوشههای پنهان را کشف کند. این روش در تحلیل بخشبندی مشتریان، تشخیص الگوهای خرید و نیز تحلیل دیدگاههای مشتریان کاربرد دارد (Wu & Chou, 2011). مطالعات اخیر نشان داده است که خوشهبندی خودکار مشتریان براساس دادههای رفتاری میتواند راهبردهای شخصیسازی را مؤثرتر سازد (John et al., 2023). بنابراین، فرضیۀ دوم: یادگیری بدون نظارت موجب شناسایی مؤثر الگوهای پنهان مشتری میشود.
در یادگیری تقویتی، الگوریتم با آزمونوخطا از محیط بازخورد گرفته و بهینهترین تصمیمها را انتخاب میکند. کاربرد این روش در بازاریابی شامل توصیهگرهای پویا، زمانبندی تبلیغات و پیشنهاد قیمت در لحظه است (Abe et al., 2004)، بهویژه در پلتفرمهای فروش آنلاین، یادگیری تقویتی نقش مهمی در افزایش میزان تبدیل دارد. بر این اساس، فرضیۀ سوم: یادگیری تقویتی باعث بهبود تصمیمگیری آنی در بازاریابی دیجیتال میشود.
در کنار این روشها، مدلهای پیشرفتهای مانند شبکههای عصبی عمیق(Deep Neural Networks) ، ابزاری انعطافپذیر در تحلیل دادههای پیچیده و چندبُعدی شناخته میشوند؛ بهعنوان مثال، شبکههایLSTM در تحلیل روندهای زمانی بازاریابی و رفتار خرید آنلاین بسیار مؤثر بودهاند (Nagi & Wu, 2022).
2-2. بازاریابی دیجیتال:
در حوزۀ بازاریابی، هدف نهایی، نهتنها ایجاد فروش، بلکه ساخت ارتباطی پایدار میان برند و مشتری است. این ارتباط، زمانی معنا پیدا میکند که مشتری در طول مسیر تعامل با برند، نوعی درگیری شناختی و هیجانی مثبت را تجربه کند. یکی از مفاهیمی که در ادبیات بازاریابی رفتاری و تجربهمحور بهطور گسترده بدان توجه شده، تجربۀ جریان Flow Experience)) است. این مفهوم، برای نخستین بار در روانشناسی مطرح شد؛ اما با گسترش بازاریابی دیجیتال، جایگاه ویژهای در تحلیل رفتار مصرفکننده یافته است.
در چارچوب بازاریابی دیجیتال، تجربۀ جریان، اغلب زمانی رخ میدهد که کاربر در تعامل با پلتفرمی، احساس غوطهوری، تمرکز، کنترل و لذت پایدار را تجربه کند. در پژوهشهای پیشین، ازجمله Ye & Ching (2023)، رابطۀ مستقیم بین تجربۀ جریان و قصد خرید مجدد در پلتفرمهای آنلاین تأیید شده است. در این زمینه، هوش مصنوعی بهعنوان ابزاری تسهیلگر، قابلیت آن را دارد که ازطریق شخصیسازی بیدرنگ محتوا، تطبیق خودکار سطح چالشها و طراحی تعاملی با رفتار کاربر، بستر لازم برای ایجاد تجربۀ جریان را مهیا کند (Chintalapati & Pandey, 2022).
برای مثال، الگوریتمهای پیشنهاددهندۀ هوشمند، با تجزیهوتحلیل علایق لحظهای مشتری، میتوانند محیطی یکپارچه و بدون گسست رفتاری ایجاد کنند که در آن کاربر دچار توقف ذهنی یا حواسپرتی نشود. این نوع از تجربه، در ادبیات بازاریابی بهویژه درزمینۀ افزایش درگیری ذهنی با برند و افزایش وفاداری نگرشی شناخته شده است.
فرضیۀ چهارم: تجربۀ جریان، زمانی که با کمک فناوری هوش مصنوعی در بستر بازاریابی دیجیتال طراحی شود، تأثیر مثبتتری بر وفاداری مصرفکننده دارد.
از دیگر مؤلفههای محوری در تبیین رفتار مصرفکننده، ارزش درکشده (Perceived Value) است. ارزش درکشدۀ مفهومی ذهنی و چندبُعدی است که براساس مقایسۀ منافع و هزینههای دریافتشده ازسوی مشتری تعریف میشود. در متون کلاسیک بازاریابی، این ارزش بیشتر بر پایۀ عوامل ملموس چون قیمت و کیفیت تعریف میشد؛ اما در عصر دیجیتال، ارزش از ابعاد شخصیسازیشده، احساسی، و تجربی نیز متأثر است (Jie et al., 2022).
هوش مصنوعی با استفاده از دادههای رفتاری مشتری و الگوریتمهای تحلیل پیشبین، میتواند محتوا، محصول یا حتی پیشنهادهای قیمتی را بهگونهای تنظیم کند که برای هر مشتری، بیشترین تناسب ادراکی را داشته باشد. این نوع از تطبیق هوشمند، سطح رضایت را افزایش داده و منجر به شکلگیری ارزش درکشدۀ منحصربهفردی میشود که در ادامه، خود را در قالب وفاداری رفتاری و نگرشی نشان میدهد (Cillo & Rubera, 2024).
در پژوهشهای Yum & Kim (2024) وBeneke & Carter (2015)، تأکید شده که مصرفکننده، زمانی به برند وفادار باقی میماند که احساس کند برند، دقیقاً چیزی را ارائه میدهد که او میخواهد -نهفقط محصولی باکیفیت، بلکه یک تجربۀ ارزشمند شخصیسازیشده- این دقیقاً همانجایی است که الگوریتمهای هوشمند، نقش میانجی مؤثر بین درک ارزش و رفتار وفادار ایفا میکنند.
فرضیۀ پنجم: ارزش درکشده، هنگامیکه ازطریق هوش مصنوعی در قالب پیشنهادهای شخصیسازیشده و زمانمند تقویت شود، بهطور معناداری وفاداری مصرفکننده را افزایش میدهد.
در کنار عوامل رفتاری و ادراکی، امروزه بازاریابی باید به بُعد اخلاقی و اجتماعی عملکرد برند نیز پاسخ دهد. مسئولیت اجتماعی شرکت (CSR) یکی از جنبههای مهم برندینگ پایدار و اثربخش در بازاریابی مدرن است. در محیطی که مشتریان آگاهتر از گذشته شدهاند، تعهد برند به مسائل اجتماعی، محیطزیستی و انسانی، بخشی از تجربۀ کلی آن برند محسوب میشود. در این زمینه نیز، هوش مصنوعی ابزاری مؤثر برای شناخت دغدغههای اجتماعی مشتریان، سنجش بازخورد عمومی و هدفگیری بهتر فعالیتهای CSR است (Le et al., 2022).
برای مثال، تحلیل دادههای شبکههای اجتماعی ازطریق الگوریتمهای NLP میتواند زمینههای اصلی حساسیت مخاطبان را شناسایی کند و شرکتها را در طراحی کمپینهای CSR هدفمند یاری رساند. همچنین، ارائۀ شخصیسازیشدۀ نتایج اقدامهای CSR برای هر دسته از مشتریان، احساس مشارکت و اعتماد را تقویت کرده و تمایل به تبلیغات دهانبهدهان مثبت را افزایش میدهد (Ngai & Wu, 2022).
فرضیه ششم: مسئولیت اجتماعی شرکت، زمانی که با تحلیل هوشمند دادهها هدایت و شخصیسازی شود، تأثیر معناداری بر افزایش وفاداری مصرفکننده دارد.
درمجموع، میتوان گفت که مفاهیمی مانند تجربۀ جریان، ارزش درکشده و CSR، در گذشته نیز در بازاریابی مؤثر بودهاند؛ اما در ترکیب با هوش مصنوعی به سطح جدیدی از کارایی و قابلیت هدایت فردی رسیدهاند. این تلفیق میان فناوری و بازاریابی نهتنها اثربخشی برنامههای برند را افزایش میدهد، بلکه میتواند مسیر جدیدی برای خلق مزیت رقابتی و افزایش طول عمر ارتباط با مشتریان ایجاد کند.
جدول 1. پیشینۀ پژوهش
Table 1. Literature Review
|
ردیف |
نویسندگان و سال |
محل انتشار |
یافتهها |
|
1 |
Ameen et al. (2021) |
Computers in Human Behavior |
با تحلیل ۱۷۵ مقاله، دریافتند که کاربردهای هوش مصنوعی در بازاریابی شامل چهار حوزۀ کلیدی است: شخصیسازی، بهینهسازی قیمت، تحلیل پیشبینی و خودکارسازی خدمات؛ و نبود یک مدل مفهومی یکپارچه در پژوهشها بهوضوح مشهود است. |
|
2 |
Joung & Kim (2023) |
International Journal of Information Management |
مطالعهای نظاممند نشان داد که استفاده از هوش مصنوعی در بازاریابی، بیشترین اثربخشی را در توصیهگرهای محصول، تحلیل احساسات مشتری و خوشهبندی بازار دارد. همچنین، نبود چارچوب ساختاریافته برای طبقهبندی این کاربردها وجود دارد. |
|
3 |
Wedel & Kannan (2016) |
Journal of Marketing |
الگویی مبتنیبر قابلیتهای سازمانی پیشنهاد شد که نشان میدهد مزیت رقابتی در بازاریابی زمانی حاصل میشود که هوش مصنوعی بهعنوان قابلیتی محوری در تصمیمگیری راهبردی نهادینه شود. |
|
4 |
Cillo & Rubera (2024) |
Journal of the Academy of Marketing Science |
مفهوم «اقتصاد احساسی» معرفی شد که در آن هوش مصنوعی میتواند احساسات مصرفکننده را تشخیص داده، تحلیل و براساس آن، ارتباطات بازاریابی را شخصیسازی کند. |
|
5 |
Davenport et al. (2020) |
Journal of the Academy of Marketing Science |
نشان دادند سازمانهایی که از هوش مصنوعی در بازاریابی استفاده میکنند، علاوهبر بهبود عملکرد، فرهنگ سازمانی نوآورتر و مشتریمحورتر نیز ایجاد میکنند. |
|
6 |
Abe et al. (2004) |
In Proceedings of the 10th ACM SIGKDD Conference on Knowledge Discovery and Data Mining |
با بهرهگیری از یادگیری تقویتی، مدلی برای بهینهسازی بازاریابی میانکانالی ارائه میدهد که با یادگیری پویا از واکنش مشتریان، بهترین کانال و زمان ارتباط را انتخاب میکند. نتایج نشان داد این رویکرد نسبت به روشهای سنتی موجب افزایش نرخ پاسخ مشتری و کارایی کمپینهای بازاریابی میشود. |
|
7 |
Gomes & Meisen (2023) |
Information Systems and e-Business Management |
با مروری جامع بر روشهای بخشبندی مشتریان در تجارت الکترونیک، نشان میدهد که ترکیب رویکردهای دادهمحور و هوش مصنوعی، بهویژه یادگیری ماشین و یادگیری عمیق، دقت هدفگیری شخصیسازیشده مشتریان را بهطور چشمگیری افزایش میدهد. نویسندگان تأکید میکنند که انتخاب روش مناسب بخشبندی به نوع داده، هدف کسبوکار و میزان پویایی رفتار مشتریان بستگی دارد. |
3-1. جمعبندی پیشینه و نوآوری پژوهش
مرور مطالعات پیشین در جدول 1 نشان میدهد که هوش مصنوعی در بازاریابی دیجیتال عمدتاً در حوزههایی مانند شخصیسازی، تحلیل احساسات، توصیهگرها، و خوشهبندی مشتریان به کار رفته است ( Ameen et al., 2021; Joung & Kim, 2023; Rohaan et al., 2022)؛ بااینحال، نبود مدل مفهومی یکپارچهای برای سازماندهی این کاربردها، یکی از خلأهای اصلی در پژوهشهای پیشین محسوب میشود. پژوهش حاضر با بهرهگیری از رویکرد ترکیبی (فراترکیب، دلفی، ISM، MICMAC) تلاش کرده است تا ضمن تلفیق فناوریهای نوین هوش مصنوعی با مؤلفههای رفتاری-روانشناختی مصرفکننده، مدلی سلسلهمراتبی و کاربردی برای تبیین مسیر تأثیر هوش مصنوعی بر وفاداری مشتری ارائه دهد. این مدل نسبت به پژوهشهای پیشین، دیدی منسجمتر، چندلایهتر و مبتنیبر تحلیل علّی ارائه میکند.
پژوهش حاضر ازلحاظ هدف، کاربردی و ازنظر ماهیت، اکتشافی و کیفی است و با هدف طراحی مدل مفهومی بهکارگیری هوش مصنوعی در بازاریابی انجام شده است. مراحل اجرای پژوهش در سه فاز اصلی طراحی و اجرا شده است:
1-4. مرحلۀ اول: مرور نظاممند و فراترکیب
در این مرحله، از رویکرد فراترکیب (Meta-Synthesis) برای استخراج مفاهیم کلیدی دربارۀ کاربرد هوش مصنوعی در بازاریابی استفاده شد. با جستجوی هدفمند در پایگاههای معتبر بینالمللی شامل Scopus، ScienceDirect و Emerald، در بازۀ زمانی ۲۰۱۵ تا ۲۰۲۵، 53 مقالۀ علمی شناسایی و انتخاب شد.
بهمنظور کاهش سوگیری در انتخاب منابع، معیارهای ورود و خروج مطالعات بهطور شفاف تعریف شد. مقالات واردشده باید:
مقالات غیر انگلیسی، فقط بهدلیل دشواری در ارزیابی مفهومی و نبود امکان سنجش همارزی مفهومی و زبانی حذف شدند، نه بهدلیل پیشفرض ارزشی یا زبانمحور.
همچنین، بهمنظور افزایش تنوع دیدگاهها، تلاش شد مطالعات از مناطق جغرافیایی و مجلات مختلف انتخاب شوند، و در تحلیل نهایی نیز تلاش شد با تحلیل بینفرهنگی و بینرشتهای (فناورانه، روانشناختی، اخلاقی) از سوگیری تحلیلی پرهیز شود. در پایان این مرحله، 26 مؤلفۀ اصلی بهعنوان پایۀ مدل مفهومی اولیه شناسایی شد.
2-4. مرحلۀ دوم: تأیید خبرگانی با تکنیک دلفی
در این مرحله، برای بررسی روایی محتوایی و اصلاح ساختار اولیۀ مدل مفهومی، از تکنیک دلفی استفاده شد. جامعۀ آماری شامل ۱۰ نفر از خبرگان دانشگاهی و صنعتی با تخصص در حوزۀ بازاریابی و هوش مصنوعی بود که بهصورت نمونهگیری هدفمند (قضاوتی) انتخاب شدند.
فرایند دلفی در دو دور متوالی اجرا شد. در دور اول، پرسشنامهای شامل مؤلفهها و روابط پیشنهادی ارائه شد و در دور دوم، براساس نظرات اصلاحشده، اجماع نهایی به دست آمد. پایایی توافق بین خبرگان با استفاده از شاخص Cohen’s Kappa = 0.82 به تأیید رسید.
خروجی این مرحله، افزودن یک مؤلفه اصلی جدید و اصلاحات در چند زیرمؤلفه بود که درمجموع، ساختار نهایی مدل تثبیت شد.
3-4. مرحلۀ سوم: مدلسازی ساختاری-تفسیری (ISM) و تحلیل MICMAC
در این مرحله، بهمنظور تعیین روابط سطحی میان مؤلفههای مدل، از روش مدلسازی ساختاری-تفسیری (ISM) استفاده شد. ابتدا ماتریس مقایسات زوجی براساس قضاوت خبرگان تنظیم و سپس به ماتریس دسترسی نهایی تبدیل شد.
برای تحلیل نفوذ و وابستگی متغیرها، از نرمافزار MICMAC استفاده شد. بر این اساس، مؤلفهها در سطوح زیر، ساختاریافته شدند:
این ساختار امکان تحلیل علّی-معلولی و طراحی دقیق مدل مفهومی را فراهم کرد. جدول 2 خلاصۀ روش تحقیق را نمایش میدهد.
جدول 2. خلاصۀ روش تحقیق
Table 2. Summary of Research Methodology
|
مؤلفه |
شرح |
|
نوع پژوهش |
کاربردی، اکتشافی و کیفی |
|
رویکرد کلی پژوهش |
ترکیبی از فراترکیب، تکنیک دلفی، و مدلسازی ساختاری-تفسیری (ISM) |
|
منابع دادۀ مرحلۀ اول |
53 مقالۀ علمی منتشرشده در بازۀ ۲۰۱۵ تا ۲۰۲۵ در پایگاههای Scopus, ScienceDirect & Emerald |
|
روش تحلیل مرحلۀ اول |
کدگذاری سهمرحلهای (باز، محوری و گزینشی) با استفاده از نرمافزار MAXQDA |
|
ابزار تحلیل مرحلۀ اول |
نرمافزار MAXQDA |
|
روش تأیید خبرگانی (مرحلۀ دوم) |
تکنیک دلفی دومرحلهای با مشارکت ۱۰ نفر از خبرگان حوزۀ بازاریابی و هوش مصنوعی |
|
ابزار جمعآوری دادۀ مرحلۀ دوم |
پرسشنامۀ ساختاریافتۀ دلفی |
|
شاخص پایایی در دلفی |
ضریب کاپای کوهن (Cohen’s Kappa = 0.82) |
|
روش تحلیل نهایی مدل (مرحلۀ سوم) |
مدلسازی ساختاری تفسیری (ISM) |
|
ابزار سطحبندی و تحلیل نهایی |
نرمافزار MICMAC |
|
جامعۀ آماری پژوهش |
خبرگان دانشگاهی و صنعتی در حوزههای بازاریابی دیجیتال و هوش مصنوعی |
|
روش نمونهگیری |
هدفمند (غیر احتمالی قضاوتی) |
1-5. مرحلۀ اول: مرور نظاممند و فراترکیب
در این مرحله، از رویکرد فراترکیب (Meta-Synthesis) برای استخراج مفاهیم کلیدی کاربرد هوش مصنوعی در بازاریابی استفاده شد. با جستجوی هدفمند در پایگاههای معتبر بینالمللی شامل Scopus, ScienceDirect & Emerald، و در بازۀ زمانی ۲۰۱۵ تا ۲۰۲۵، 53 مقالۀ علمی شناسایی و انتخاب شد.
معیارهای ورود شامل ارتباط مستقیم با موضوع، انتشار در مجلات Q1 یا Q2 و دسترسی به متن کامل مقاله بود. برای کدگذاری مفاهیم، مؤلفهها و ارتباطها از نرمافزار تخصصی MAXQDA استفاده شد.
در این مرحله از پژوهش، با هدف آمادهسازی دادههای ورودی برای تحلیل ساختاری-تفسیری (ISM)، مجموعهای از مؤلفهها استخراج و نهایی شد (جدول 3). فرایند انتخاب مؤلفهها مبتنیبر دو معیار کلیدی انجام شد:
بر این اساس، مجموعهای از 26 مؤلفه کلیدی انتخاب شد که نهتنها نمایندۀ دقیقترین فناوریهای روز در هوش مصنوعی مانند LLMs، NLP، سیستمهای توصیهگرند، بلکه بازتابدهندۀ رفتارهای پیچیده و انسانی مصرفکنندگان نیز هستند. همچنین، بهجای اتکا بر دستهبندیهای رایج و محدودسازی مدل به چند متغیر کلاسیک، تلاش شده است تا با گسترش طیف مفهومی، یک نگاه ترکیبی از فناوری، تجربه، اعتماد، و تعامل انسانی با برند ارائه شود.
ویژگی متمایز این مرحله، تأکید بر ساختار انسانی تصمیمگیری و وفاداری در کنار مدلهای الگوریتمی است؛ بهگونهای که سازههایی مانند «اعتماد به فناوری» و «درگیری مشتری» که کمتر در مدلهای پیشین ترکیب شدهاند، در این مدل بهعنوان پل ارتباطی بین هوش مصنوعی و وفاداری مصرفکننده نقش ایفا میکنند.
این گستردگی مفهومی، هم از منظر نظری (نقشهبرداری دقیقتر از ابعاد بازاریابی نوین) و هم از منظر عملیاتی (قابلیت پیادهسازی در محیطهای دادهمحور) به مدل پژوهش قدرت بیشتری داده است.
جدول 3. ابعاد، مؤلفهها، زیرمؤلفهها
Table 3. Dimensions, Components and Subcomponents
|
ردیف |
بعد |
مؤلفه اصلی |
زیرمؤلفهها / توضیحات |
منابع علمی |
|
1 |
قابلیتهای فناورانه |
یادگیری نظارتشده |
پیشبینی رفتار مشتری، طبقهبندی دقیق ترجیحات |
|
|
2 |
یادگیری بدون نظارت |
خوشهبندی پنهان، کشف الگوهای غیرخطی |
Gomes & Meisen. (2023); Joung & Kim (2023); John et al. (2023). |
|
|
3 |
یادگیری تقویتی |
پاسخدهی لحظهای، بهینهسازی خودکار تصمیمها، پاسخ هوشمند به رفتار رقبا |
Abe et al. (2004); Cillo & Rubera (2024); Hardcastle et al, (2025) خبرگان ، |
|
|
4 |
پردازش زبان طبیعی (NLP) |
تحلیل احساسات، پاسخ به پیامهای متنی مشتریان |
Mustak et al. (2021); Saheb et al. (2024); Rodrigues et al. (2025) |
|
|
5 |
مدلهای زبانی بزرگ (LLM) |
تولید خودکار محتوای بازاریابی، چتباتهای پیشرفته |
||
|
6 |
مدلهای زبانی مولد (Generative LLMs) |
استفاده از GPT-4 برای تولید متن، پاسخ به سؤالات مشتری، ساخت تبلیغ خودکار |
||
|
7 |
سیستمهای توصیهگر هوشمند |
پیشنهاد کالا/خدمت براساس تاریخچه و ترجیحات فردی |
||
|
8 |
مدلهای گراف عصبی (GNN) |
کشف روابط بین مشتریان و محصولات، تحلیل شبکههای وابسته رفتاری |
Liu et al. (2021). |
|
|
9 |
تجربۀ مصرفکننده (CX Intelligence) |
تجربۀ جریان دیجیتال |
غوطهوری دیجیتال، تمرکز زیاد، ادراک کمتر زمان در تعامل |
Rushan & Huda (2022); Triantafillidou & Siomkos (2014); Li & Chen (2025) |
|
10 |
ارزش درکشدۀ هوشمند |
پیشنهادهای شخصیسازیشده و زمانمند، افزایش درک مطلوبیت |
||
|
11 |
مسئولیت اجتماعی دادهمحور |
طراحی CSR با تحلیل دادههای اجتماعی، شناخت دغدغههای عمومی مخاطبان |
||
|
12 |
رضایت مشتری |
احساس رضایت از خدمات هوشمحور، ادراک کیفیت و سادگی تعامل |
Singh & Parshar (2014); Scridon et al. (2019); Makivić et al. (2024) |
|
|
13 |
تجربۀ تعاملی انسانگونه با هوش مصنوعی |
ادراک گفتوگو با یک «شخص» بهجای ماشین، افزایش درگیری شناختی-عاطفی |
Ismagilova et al. (2020). |
|
|
14 |
تعامل چندحسی |
طراحی تجربۀ بصری- صوتی یکپارچه در اپلیکیشنهای هوشمحور |
Nguyen & Dao (2024). |
|
|
15 |
شفافیت الگوریتمی |
توانایی کاربر در درک دلیل پیشنهاد یا تصمیم سیستم هوش مصنوعی |
||
|
16 |
اعتماد به فناوری |
اعتماد به امنیت، شفافیت و عدالت در تصمیمات مبتنیبر هوش مصنوعی |
Beldad et al. (2010); Huang et al. (2019); Schilke & Reimann (2025) |
|
|
17 |
مسئولیت اجتماعی برند (CSR AI) |
درگیری مشتری |
مشارکت فعال مشتری، بازخورددهی، تعامل چندکاناله با برند، استفاده از تحلیل احساسات در سیاستگذاری (CSR) |
|
|
18 |
چالشهای اخلاقی در LLMs |
سوگیری زبانی، تولید محتوای گمراهکننده، اعتماد به خروجی الگوریتمهای غیر باز |
Floridi et al. (2020); Miron et al. (2021); Mittelstadt (2019) |
|
|
19 |
اخلاق در هوش مصنوعی بازاریابی |
پایبندی به اصول انصاف، حریم خصوصی، بدون تبعیض الگوریتمی |
Mittelstadt (2019) |
|
|
20 |
پیامدهای بازاریابی (Marketing Output) |
وفاداری رفتاری |
تکرار خرید، تعامل مکرر، کاهش ریزش مشتریان |
Wu & chou (2011); Anderson & Srinivasan (2003); Hsu & Lin (2023) |
|
21 |
وفاداری نگرشی |
ترجیح برند حتی در نبود مشوق، حفظ نگرش مثبت |
||
|
22 |
تبلیغات دهانبهدهان دیجیتال |
اشتراک تجربۀ مثبت در شبکههای اجتماعی |
Ismagilova et al. (2020); Zhang & Cheng (2024); Anastasiei et al. (2023) |
|
|
23 |
حمایت از برند |
دفاع از برند در برابر انتقاد، ایفای نقش سفیر غیررسمی |
||
|
24 |
همزیستی انسان و هوش مصنوعی در تصمیمسازی برند |
تغییر نقش مصرفکننده از «تصمیمگیر» به «مصرفکنندۀ تصمیمسازیشده توسط هوش مصنوعی» |
||
|
25 |
مشارکت فعال در خلق محتوا (UGC هوشمحور) |
مشتریان در خلق محتوا با کمک AI مشارکت میکنند (با ابزارهای تولید تصویر/متن برند) |
Koivisto & Mattila (2020) |
|
|
26 |
توصیه به دیگران |
تمایل به معرفی برند به دوستان و آشنایان |
Schmitt et al. (2011); Irawan & Cheng (2025); Li et al. (2021) |
2-5. مرحلۀ دوم: یافتههای تکنیک دلفی
در این مرحله، با هدف اعتبارسنجی روایی محتوایی و ساختاری مؤلفههای مدل مفهومی استخراجشده از فراترکیب، از تکنیک دلفی دومرحلهای استفاده شد. شرکتکنندگان شامل ۱۰ نفر از خبرگان دانشگاهی و صنعتی حوزۀ بازاریابی و هوش مصنوعی بودند که سوابق تخصصی در پژوهشهای ترکیبی یا تجارب اجرایی در پروژههای AI داشتند.
1-2-5. فرایند اجرا:
2-2-5. نتایج آماری:
3-2-5. مؤلفههای پیشنهادی جدید ازسوی خبرگان:
با استناد به تحلیلهای کیفی و بازخوردهای تشریحی خبرگان، دو زیرمؤلفۀ جدید به مدل افزوده شد:
1-3-2-5. در حیطۀ یادگیری تقویتی:
پاسخ هوشمند به رفتار رقبا توضیح: خبرگان تأکید داشتند که یکی از قابلیتهای کلیدی هوش مصنوعی در بازاریابی، توانایی شناسایی الگوهای رفتاری رقبا و واکنش سریع و الگوریتمی به آنهاست که در چارچوب یادگیری تقویتی اجراشدنی است.
2-3-2-5. در حیطۀ مسئولیت اجتماعی شرکت: (CSR)
استفاده از تحلیل احساسات در سیاستگذاری (CSR) توضیح: تحلیل کلاندادههای احساسی مصرفکنندگان در رسانههای اجتماعی میتواند بینشهایی دربارۀ دغدغههای اجتماعی مشتریان فراهم کند که مستقیماً برای طراحی راهبردهای CSR هدفمند و شخصیسازیشده کاربرد دارد.
4-2-5. جمعبندی راهبردی:
5-2-5. روایی و پایایی ابزار پژوهش
برای سنجش روایی و پایایی ابزار پژوهش، از ترکیبی از شاخصهای کیفی و کمی استفاده شد. در مرحلۀ نخست، بهمنظور سنجش روایی محتوایی و مفهومی، از تکنیک دلفی دومرحلهای بهره گرفته شد و نتایج در جدول 4 مشخص شده است. در این فرایند، ۱۰ نفر از خبرگان دانشگاهی و صنعتی فعال در حوزۀ بازاریابی و هوش مصنوعی، پرسشنامۀ طراحیشده را از منظر ضرورت، شفافیت و انطباق مفهومی بررسی کردند.
میزان اتفاقنظر میان خبرگان با استفاده از ضریب کاپا (Cohen’s Kappa) محاسبه شد که برابر با 0.82 بود؛ عددی که ازنظر آماری نشاندهندۀ روایی بسیار بالا و پایایی قابل اعتماد نظرات تخصصی است. همچنین، تمامی مؤلفهها و زیرمؤلفههای استخراجشده از مرحلۀ فراترکیب، تأیید و دو زیرمؤلفه جدید نیز با اجماع خبرگان به مدل افزوده شد. برای ارزیابی پایایی درونی پرسشنامه، از شاخص آلفای کرونباخ استفاده شد. این شاخص بهصورت تفکیکی برای هر مؤلفۀ اصلی محاسبه شد و مقادیر آن در بازۀ 0.75 تا0.89 قرار داشت؛ نشاندهندۀ همسانی و انسجام مطلوب پاسخها در هر مؤلفه است. مقدار آلفای کرونباخ کلی پرسشنامه نیز محاسبه شد (α = 0.065)، که کم است؛ اما در مدلهای مفهومی چندبعدی و ترکیبی که شامل سازههای مستقلاند، مبنای معتبری برای قضاوت نیست و استفاده از آلفای تفکیکی توصیه میشود. درمجموع، میتوان گفت ابزار طراحیشده از منظر مفهومی، محتوایی و آماری؛ روایی و پایایی پذیرفتنی و تأییدشدهای دارد که امکان استناد و اتکا به یافتههای نهایی پژوهش را فراهم میکند. مقدار پایین آلفای کرونباخ کلی (0.065) ناشی از چندبُعدی بودن مدل مفهومی پژوهش است. چون مؤلفهها به ابعاد مختلفی مانند فناوری، تجربۀ مصرفکننده، مسئولیت اجتماعی و پیامدهای بازاریابی تعلق دارند، همبستگی بین گزینههای کل پرسشنامه پایین بوده و آلفای کلی کاهش یافته است؛ بنابراین، بهجای تفسیر آلفای کلی، پایایی مؤلفهها جداگانه بررسی شده و همگی مقادیر پذیرفتنی (بیش از 0.75) دارند.
جدول 4. شاخصهای روایی و پایایی
Table 4. Validity and Reliability Indicators
|
شاخص |
نوع تحلیل |
مقدار |
تفسیر |
|
ضریب کاپا (Cohen’s Kappa) |
توافق بین خبرگان (دلفی) |
0.82 |
توافق بسیار قوی |
|
آلفای کرونباخ کلی |
انسجام درونی کل پرسشنامه |
0.065 |
ضعیف (نامناسب برای مدل چندبُعدی) |
3-5. مرحلۀ سوم: مدلسازی ساختاری-تفسیری (ISM)
در مرحلۀ سوم پژوهش، پساز شناسایی و تأیید نهایی مؤلفههای کلیدی مدل مفهومی با استفاده از روشهای فراترکیب و تکنیک دلفی، از رویکرد مدلسازی ساختاری-تفسیری (ISM) برای تحلیل روابط بین مؤلفهها بهره گرفته شد. این روش با هدف ایجاد ساختاری سلسلهمراتبی از مؤلفهها، به پژوهشگر کمک میکند تا درک عمیقتری از سطوح تأثیرگذاری و وابستگی میان عناصر مدل به دست آورد. در این فرایند، با استفاده از قضاوت تخصصی ۱۰ نفر از خبرگان حوزههای هوش مصنوعی، بازاریابی دیجیتال و رفتار مصرفکننده، روابط علّی-معلولی بین مؤلفهها بررسی شد.
در گام نخست، برای هر دو مؤلفه i و j، از خبرگان خواسته شد تا نوع رابطه بین آنها را تعیین کنند. برای ثبت این اطلاعات، از ماتریس ساختار خودتعاملی (SSIM) استفاده شد که در آن از چهار نماد استاندارد بهره گرفته میشود، مانند:
:V مؤلفۀi بر مؤلفۀ jتأثیر دارد؛
:A مؤلفۀ j بر مؤلفۀ i تأثیر دارد؛
:Xهردو مؤلفه بر یکدیگر تأثیر متقابل دارند؛
:O هیچ تأثیری بین دو مؤلفه وجود ندارد.
که بعداز این مرحله ماتریس دسترسی اولیه مانند جدول 6 به دست آمد.
با بهکارگیری الگوریتم سطحبندی (Level Partitioning))، مؤلفهها در سطوح مختلف ساختاری مرتب شدند؛ بهگونهای که مؤلفههای پایهای مانند یادگیری ماشین و تحلیلهای دادهمحور در سطوح پایینتر، و مؤلفههای راهبردی و پیامدی مانند وفاداری مشتری و تبلیغات دهانبهدهان در سطوح بالاتر مدل جای گرفتند.
این مرحله نقش حیاتی در ترسیم مسیر تأثیرگذاری فناوریهای هوش مصنوعی بر رفتار مصرفکننده ایفا میکند. همچنین بهعنوان زیرساخت لازم برای تحلیل وابستگیها و قدرت نفوذ مؤلفهها در مرحلۀ چهارم (تحلیل MICMAC) عمل مینماید(جدول 5).
جدول 5. ماتریس SSIM (نمادهای چهارگانه)
Table 5. SSIM Matrix (Four Symbols)
|
سطر/ستون |
یادگیری تقویتی |
یادگیری نظارتشده |
یادگیری بدون نظارت |
NLP |
LLM |
توصیهگر |
تجربۀ جریان |
... |
|
یادگیری تقویتی |
- |
A |
A |
V |
O |
O |
O |
... |
|
یادگیری نظارتشده |
V |
- |
V |
V |
O |
V |
V |
... |
|
یادگیری بدون نظارت |
V |
A |
- |
V |
V |
V |
V |
... |
|
NLP |
A |
A |
A |
- |
V |
O |
V |
... |
|
LLM |
O |
V |
A |
A |
- |
V |
V |
... |
|
توصیهگر |
O |
A |
A |
A |
A |
- |
A |
... |
|
…….. |
…… |
….. |
….. |
…. |
….. |
….. |
….. |
... |
جدول 6. ماتریس دسترسی اولیه (Reachability Matrix)
Table 6. Initial Reachability Matrix
|
سطر/ستون |
یادگیری تقویتی |
یادگیری نظارتشده |
یادگیری بدون نظارت |
NLP |
LLM |
توصیهگر |
تجربۀ جریان |
... |
|
یادگیری تقویتی |
0 |
0 |
0 |
1 |
0 |
0 |
0 |
... |
|
یادگیری نظارتشده |
1 |
0 |
1 |
1 |
0 |
1 |
1 |
... |
|
یادگیری بدون نظارت |
1 |
1 |
0 |
1 |
1 |
1 |
1 |
... |
|
NLP |
0 |
1 |
1 |
0 |
1 |
0 |
1 |
... |
|
LLM |
0 |
1 |
1 |
0 |
0 |
1 |
1 |
... |
|
توصیهگر |
0 |
1 |
1 |
0 |
0 |
0 |
0 |
... |
|
…… |
….. |
…… |
….. |
… |
… |
…. |
…. |
… |
در گام نهایی مدلسازی ISM، با استفاده از ماتریس دسترسی نهایی، مؤلفهها براساس میزان اثرگذاری یا تأثیرپذیریشان در سطوح ساختاری مرتب میشوند (جدول 7). سطوح پایینتر نشاندهندۀ مؤلفههای پایهای (محرک) و سطوح بالاتر نشاندهندۀ مؤلفههای وابسته و پیامدی هستند. این سطحبندی مسیر حرکت را از «توانمندسازیهای فناورانه» به «پیامدهای رفتاری بازاریابی» بهخوبی نمایش میدهد.
جدول 7. سطحبندی نهایی مؤلفهها
Table 7. Final Level Partitioning of Components
|
لایه |
مؤلفهها |
|
لایۀ ۱: فناوریهای زیرساختی |
یادگیری تقویتی، یادگیری نظارتشده، یادگیری بدون نظارت، پردازش زبان طبیعی (NLP)، مدلهای زبانی بزرگ (LLM)، مدلهای زبانی مولد (Generative LLMs)، سیستمهای توصیهگر، مدلهای گراف عصبی (GNN). |
|
لایۀ ۲: تجربه و ادراک مصرفکننده |
تجربۀ جریان دیجیتال، ارزش درکشدۀ هوشمند، مسئولیت اجتماعی دادهمحور، رضایت مشتری، تجربۀ تعاملی انسانگونه با هوش مصنوعی، تعامل چندحسی، شفافیت الگوریتمی، اعتماد به فناوری. |
|
لایۀ ۳: ملاحظات اخلاقی و اجتماعی |
درگیری مشتری، چالشهای اخلاقی در LLMs، اخلاق در هوش مصنوعی بازاریابی، همزیستی انسان و هوش مصنوعی در تصمیمسازی برند، مشارکت فعال در خلق محتوا (UGC). |
|
لایۀ ۴: پیامدهای رفتاری مصرفکننده |
وفاداری رفتاری، وفاداری نگرشی، توصیه به دیگران، تبلیغات دهانبهدهان دیجیتال، حمایت از برند. |
4-5. نمودار تحلیل MICMAC
براساس دادههای بهدستآمده از ماتریس دسترسی نهایی، مؤلفههای مدل در فضای دوبُعدی قدرت نفوذ (Driving Power) و قدرت وابستگی (Dependence) ترسیم شدند. در شکل 1، هر نقطه نمایندۀ مؤلفهای (شمارهگذاریشده طبق جدول 3) است و رنگ نقاط، ناحیۀ مفهومی آن را در چارچوب تحلیل MICMAC نشان میدهد:
ناحیۀ Driving: مؤلفههایی مانند «یادگیری تقویتی» (شماره 3)، «مدلهای زبانی بزرگ» (5) و «سیستمهای توصیهگر هوشمند» (7)، قدرت تأثیر بالا و وابستگی اندک دارند. این مؤلفهها بهعنوان پیشرانهای راهبردی عمل میکنند.
ناحیۀ Linkage: مؤلفههایی نظیر «مدلهای زبانی مولد (Generative LLMs) (6)»، «تحلیل احساسات در NLP) (4))»، و «شفافیت الگوریتمی» (15) در این ناحیه قرار میگیرند. این دسته مؤلفهها هم اثرگذار و هم اثرپذیر بوده و نقش کلیدی در پویایی کل سیستم دارند. مدیریت دقیق آنها برای پایداری ساختار مدل ضروری است.
ناحیۀ Dependent: مؤلفههایی مانند «وفاداری نگرشی» (21)، «توصیه به دیگران» (26)، و «رضایت مشتری» (12) قدرت نفوذ کم، ولی وابستگی بیشتری دارند. این مؤلفهها بیشتر پیامد یا خروجی عملکرد دیگر اجزای مدل محسوب میشوند.
ناحیۀ Autonomous: برخی مؤلفهها مانند «تعامل چندحسی» (14) و «UGC هوشمحور» (25) در این ناحیه جای دارند. این مؤلفهها در ساختار کلی مدل، تأثیر مستقیم یا وابستگی درخور توجهی ندارند و بیشتر نقش مکمل دارند. شکل 1 مبنای تصمیمگیری در طراحی مدل نهایی مفهومی است و نشان میدهد کدام مؤلفهها نقشی کلیدی، حساس یا پیامدی در پویایی مدل ایفا میکنند.
شکل 1. نقشۀ تحلیل MICMAC
Figure 1. MICMAC Analysis Map
منبع: نتایج پژوهش نویسندگان
2-4-5. جمعبندی مراحل پژوهش و مدل مفهومی نهایی
ماهیت این پژوهش، مفهومی-اکتشافی بوده و تمرکز آن بر طراحی چارچوب نظری است، نه آزمونهای آماری. در پاسخ، میتوان اشاره کرد که:
در مرحلۀ چهارم پژوهش، تحلیل MICMAC روابط بین مؤلفهها را از منظر قدرت نفوذ و وابستگی ترسیم کرده است؛ اما این روابط مبتنیبر قضاوت خبرگان است و نه دادههای واقعی.
برای تقویت روایی تجربی مدل، مطالعات آینده میتوانند از دادههای واقعی کاربران در پلتفرمهای بازاریابی هوشمحور (CRM، فروشگاههای دیجیتال، شبکههای اجتماعی و...) استفاده کرده و با روشهای تحلیل مسیر (SEM) یا مدلسازی معادلات ساختاری، به سنجش آماری فرضیههایی مانند تأثیر یادگیری ماشین بر تجربۀ جریان دیجیتال یا نقش واسطهای اعتماد در مسیر NLP → رضایت مشتری بپردازند.
همچنین میتوان از تحلیلهای تطبیقی چندبخشی و مطالعات مبتنیبر طراحی آزمایشی در محیط واقعی (A/B Test, Field Experiment) بهره برد تا مدل نظری این پژوهش در عمل سنجیده و بهینه شود.
5-5. مدل نهایی پژوهش:
مدل مفهومی (شکل2)، مدل نهایی پژوهش است که حاصل تجمیع نظاممند یافتههای حاصل از فراترکیب، نظرسنجی دلفی و تحلیلهای ISM–MICMACاست که ساختاری سلسلهمراتبی از ۲۶ مؤلفۀ کلیدی را در قالب چهار خوشۀ اصلی سازماندهی میکند. این خوشهها شامل:
مؤلفههای فناورانه: الگوریتمهای پیشرفته مانند یادگیری نظارتشده، بدون نظارت، تقویتی، NLP، مدلهای زبانی بزرگ و گرافهای عصبی که زیرساختهای تحلیل، پیشبینی، و شخصیسازی را فراهم میکنند.
مؤلفههای تجربۀ مصرفکننده: عواملی همچون تجربۀ جریان دیجیتال، اعتماد به فناوری، شفافیت الگوریتمی، رضایت مشتری و تعامل انسانگونه با هوش مصنوعی که پل انتقال تأثیرات فناوری به سطوح روانشناختی و ادراکی کاربر محسوب میشوند.
مؤلفههای مسئولیتپذیری و اخلاق دیجیتال مانند CSR دادهمحور، چالشهای اخلاقی «LLMS» و الزامات انصاف و حریم خصوصی در تصمیمگیریهای هوشمند که بُعد اجتماعی و هنجاری مدل را پوشش میدهند.
پیامدهای بازاریابی: شامل وفاداری رفتاری و نگرشی، تبلیغات دهانبهدهان دیجیتال، توصیۀ برند، حمایت از برند و مشارکت در خلق محتوا که پیامد نهایی تعامل چندلایۀ فناوری و انسان در محیط بازاریابی هوشمند هستند.
این ساختار مدل، تلاشی نوآورانه در یکپارچهسازی فناوری و ابعاد انسانی در بازاریابی دیجیتال مبتنیبر هوش مصنوعی است. برخلاف برخی مدلهای پیشین که فقط بر فناوری یا رفتار مصرفکننده متمرکز بودهاند، این مدل با ترکیب لایههای فناوری → تجربۀ انسانی → هنجارهای اجتماعی → پیامدهای بازاریابی، یک معماری نظاممند و تلفیقی ارائه میدهد.
شکل 2. مدل نهایی پژوهش
Figure 2. Final Research Model
منبع: نتایج پژوهش نویسندگان
مدل ارائهشده در شکل 2، ساختار مفهومی نهایی پژوهش را در قالب چهار لایۀ اصلی نمایش میدهد. این لایهها از پایین به بالا، بهترتیب شامل:
لایۀ قابلیتهای فناورانه (آبی روشن): الگوریتمها و فناوریهای بنیادین هوش مصنوعی مانند یادگیری نظارتشده، NLP،LLM و .GNN
لایۀ تجربۀ مصرفکننده (سبز): مؤلفههای روانشناختی و ادراکی مانند جریان دیجیتال، ارزش درکشده، اعتماد و رضایت.
لایۀ اجتماعی-اخلاقی (زرد): دربرگیرندۀ دغدغههای هنجاری مانند شفافیت، چالشهای اخلاقی LLM و CSR مبتنیبر AI.
لایۀ پیامدهای بازاریابی (قرمز): شامل نتایجی مانند وفاداری رفتاری، تبلیغات دهانبهدهان دیجیتال و حمایت از برند.
نحوۀ محاسبه لایهها:
لایهبندی این مدل حاصل اجرای الگوریتم سطحبندی در روش ISM است که بر پایۀ ماتریس SSIM و سپس تبدیل آن به ماتریس دسترسی نهایی انجام شد. در این فرایند، مؤلفههایی با قدرت نفوذ زیاد و وابستگی کم در لایههای پایینتر، و مؤلفههایی با وابستگی بیشتر در لایههای بالاتر قرار گرفتند.
جهت پیکانها:
جهتگیری فلشها نشاندهندۀ مسیر تأثیرگذاری است و از مؤلفههای محرک (در لایههای پایینتر) به مؤلفههای پیامدی (در لایههای بالاتر) ترسیم شده است. این جهتها با استفاده از تخصص خبرگان در ماتریس SSIM مشخص و با خروجیهای تحلیل MICMAC نیز اعتبارسنجی شد.
این ساختار، نشاندهندۀ ترکیب نوآورانه مؤلفههای فناورانه، انسانی و اخلاقی برای تحلیل وفاداری مصرفکننده در بازاریابی دیجیتال مبتنیبر هوش مصنوعی است.
هدف اصلی این پژوهش، طراحی و اعتبارسنجی مدلی مفهومی برای بهرهگیری از هوش مصنوعی در بازاریابی دیجیتال با تأکید بر تقویت وفاداری مصرفکننده بود. مدل طراحیشده، ترکیبی از مؤلفههای فناورانه (یادگیری نظارتشده، یادگیری بدون نظارت، یادگیری تقویتی، NLP، LLM، سیستمهای توصیهگر، مدلهای گراف عصبی و...) با مؤلفههای روانشناختی-رفتاری مانند تجربۀ جریان، ارزش ادراکشده، رضایت، اعتماد و توصیه به دیگران است. این مدل با رویکردی چندسطحی و سلسلهمراتبی (براساس تحلیل ISM و MICMAC)، از فناوری تا تجربۀ احساسی و کنش وفادارانه مشتری را پوشش میدهد.
در پاسخ به شش فرضیه پژوهش، نتایج زیر به دست آمد:
فرضیۀ اول: یادگیری نظارتشده باعث بهبود پیشبینی رفتار مشتری میشود.
این فرضیه با تأیید خبرگان و مدلسازی ساختاری تأیید شد. مطالعات پیشین نیز نشان میدهند که الگوریتمهایی مانند Random Forest و Logistic Regression در شخصیسازی پیامهای بازاریابی دیجیتال مؤثرند (Huber & Stuckenschmidt , 2020; Wong, 2023).
فرضیۀ دوم: یادگیری بدون نظارت موجب شناسایی الگوهای پنهان و خوشهبندی دقیق مشتریان میشود.
نتایج نشان داد که الگوریتمهایی مانند K-means و DBSCAN در بخشبندی دقیق مشتریان شبکههای اجتماعی و تحلیل ترافیک سایتها عملکرد مناسبی دارند (John et al, 2023; Gomes & Meisen, 2023).
فرضیۀ سوم: یادگیری تقویتی در تصمیمگیریهای لحظهای بازاریابی نقش کلیدی دارد.
پژوهش نشان داد استفاده از الگوریتمهای RL در تنظیم قیمت، پیشنهاد لحظهای و رقابت لحظهای تبلیغاتی (RTB) اثربخش است (Cillo & Rubera, 2024; Hardcastle et al., 2025).
فرضیۀ چهارم: تجربۀ جریان دیجیتال، در صورت طراحی هوشمندانه، بر وفاداری مشتری تأثیرگذار است.
یافتهها نشان داد که طراحی شخصیسازیشده تجربۀ دیجیتال (UX) با استفاده از هوش مصنوعی، غوطهوری مصرفکننده را افزایش میدهد که منجر به تکرار خرید و توصیه برند میشود (Jie et al., 2022; Triantafillidou & Siomkos, 2014).
فرضیۀ پنجم: ارزش ادراکشده شخصیسازیشده، وفاداری رفتاری و نگرشی را تقویت میکند.
زمانی که پیشنهادهای برند دقیق و بهموقع هستند، مصرفکننده احساس شناخت و احترام بیشتری دارد و تعامل خود را ادامه میدهد (Beneke & Carter, 2015; Teepapal, 2025).
فرضیۀ ششم:CSR مسئولیت اجتماعی شرکت اگر دادهمحور شود، موجب ارتقا وفاداری مشتری میشود.
تحلیل دادههای احساسات کاربران شبکههای اجتماعی و بازخورد آنان، CSR برند را از ابزاری تبلیغاتی به تجربهای انسانی و همدلانه بدل میکند (Zhang, 2022; Li et al., 2023b).
تحلیل نهایی
مدل ارائهشده، نسبت به مدلهای پیشین مانند Cillo & Rubera (2024) یا Zaghloul et al. (2024) از منظر تلفیق مؤلفههای فناورانه با عناصر روانشناختی نوآورانهتر عمل کرده و ساختاری چهارلایه (محرکهای فناورانه، پردازش ادراکی، واکنش احساسی، وفاداری رفتاری) را ترسیم میکند؛ بااینحال، مدل به دادههای تجربی واقعی متکی نیست و فقط بر تحلیل کیفی خبرگان و روشهای ISM و دلفی استوار است. همچنین، برخی مسائل اجرایی مانند هزینههای زیرساختی، ملاحظات اخلاقی (مانند شفافیت الگوریتمها، سوگیری LLMs و...)، و مقاومت کارکنان در مقابل هوش مصنوعی در تحلیل نهایی بهصورت محدود بررسی شده است.
پیشنهادهای اجرایی برای مدیران بازاریابی
Executive Suggestions for Marketing Managers
|
حوزۀ عملیاتی |
راهکار اجرایی پیشنهادی |
|
سیستمهای توصیهگر |
استفاده از ابزارهایی مانند Amazon Personalize یا مدلهای Matrix Factorization با دادههای داخلی |
|
تحلیل احساسات |
بهرهگیری از مدلهایی مانند BERT و GPT-4 )ازطریق (API برای استخراج نگرشها و هیجانات کاربران |
|
تجربۀ دیجیتال |
طراحی UX تعاملی چندحسی با کمک هوش مصنوعی مطابق با Nguyen & Dao, (2024)، برای افزایش درگیری احساسی |
|
CSR دادهمحور |
تحلیل شبکههای اجتماعی با رویکرد احساسمحور برای طراحی کمپینهای مسئولیت اجتماعی همدلانه |
پیشنهاد برای پژوهشهای آینده:
آزمون مدل با دادههای واقعی (دادههای ترافیک و خرید از فروشگاههای دیجیتال یا اپلیکیشنهای گردشگری) با استفاده از مدلسازی معادلات ساختاری (SEM)؛ تعمیم مدل به صنایع خاص مانند فینتک، آموزش آنلاین و سلامت؛ تحلیل نظاممند پیامدهای اخلاقی استفاده از هوش مصنوعی در وفادارسازی مصرفکننده؛ و طراحی چارچوبهای اجرایی برای پیادهسازی ترکیب انسان-ماشین در تصمیمسازی بازاریابی.
باوجود مزایای درخور توجه مدل پیشنهادی، پیادهسازی آن مستلزم مواجهه با چالشهای اجرایی بسیاری است؛ ازجمله هزینههای هنگفت زیرساختی، پیچیدگی مدلهای یادگیری ماشین، نیاز به دادههای دقیق و طبقهبندیشده، و مقاومت احتمالی کارکنان در برابر خودکارسازی. برای غلبه بر این موانع، توصیه میشود سازمانها مسیر استقرار تدریجی فناوری را با آموزش کارکنان، سرمایهگذاری هدفمند در زیرساخت داده، و انتخاب گامهای اولویتدار آغاز کنند تا ریسکهای فنی و انسانی به کمترین حد برسد.
تشکر و قدردانی
نویسندگان این مقاله مراتب سپاس و قدردانی صمیمانه خود را از خبرگان دانشگاهی و صنعتی که در فرایند دلفی با صرف وقت و ارائه دیدگاههای ارزشمند، یاریرسان این پژوهش بودند، اعلام میدارند. همچنین از گروه مدیریت و مهندسی صنایع دانشگاه صنعتی مالک اشتر که با حمایتهای علمی و فراهمسازی منابع لازم، بستری مناسب برای انجام این مطالعه فراهم کردند، قدردانی میشود. در نهایت، از تمامی پژوهشگرانی که آثار علمی آنها مبنای تحلیل و فراترکیب این تحقیق قرار گرفت، سپاسگزاریم.
)