Identification and Prioritization of Artificial Intelligence (AI) Applications in Customer Relationship Management (CRM) (Case Study: Automotive Industry)

Document Type : Original Article

Authors

1 Associate professor, Department of Management, Faculty of Management and Economics, University of Guilan, Rasht, Iran

2 Assistant professor, Department of Management, Faculty of Management and Economics, University of Guilan, Rasht, Iran

3 Ph.D. student in Business Policy Management, Department of Business Management, Faculty of Management and Economics, University of Guilan, Rasht, Iran

Abstract

The present study was conducted with the aim of identifying and prioritizing applications of Artificial Intelligence (AI) in Customer Relationship Management (CRM) within the automotive industry. In terms of its nature, it fell within the category of applied-developmental research and was designed within the framework of the pragmatist paradigm using an exploratory mixed-method approach. From the perspective of data collection, the study was conducted in a non-experimental and descriptive manner by using a cross-sectional survey design.
Participants in both the qualitative and quantitative sections consisted of 8 university professors and senior experienced managers in marketing and CRM in the automotive industry, who were selected through purposive sampling based on the principle of theoretical saturation. Qualitative data were collected through semi-structured interviews and analyzed using thematic analysis with the aid of MAXQDA software. In the quantitative phase, a questionnaire was designed and the SWARA method was applied to evaluate and prioritize the identified dimensions and subcomponents.
The findings indicated that the highest priorities were mainly related to AI applications aimed at enhancing customer experience and creating direct value for customers, alongside strengthening managerial strategic decision-making. In this regard, intelligent recommendation systems and advanced personalization of interactions, scenario simulation and strategy evaluation, accelerated response time, and automation of repetitive tasks were identified as the most important applications.
Mid-level priorities mostly included applications focused on improving operational efficiency, reducing costs, developing data-driven value-added services, and fostering innovation in business models. In contrast, more infrastructural and analytical applications, such as customer big data analytics, predictive marketing, forecasting market trends, and optimizing human resource allocation, were ranked at lower priority levels.
These findings indicated that, from the perspective of experts in the automotive industry, tangible and interactive AI applications that directly created value at customer touchpoints currently had higher implementation priority compared to infrastructural and supportive analytical applications.
Introduction
In the increasingly competitive automotive industry, Customer Relationship Management (CRM) as a strategic pillar of value creation and competitive advantage maintenance has faced complex challenges that traditional approaches can no longer adequately address (Ledro et al., 2026). Rising customer expectations, diverse needs, complexity of purchase journeys, and the growth of digital communication channels have further highlighted the need to redefine customer interaction mechanisms (Putri et al., 2026). In this context, Artificial Intelligence (AI) as a transformative technology has the capacity to fundamentally reshape organizational patterns of interaction with customers and enable the emergence of intelligent, predictive, and personalized approaches to CRM (King, 2025). However, despite the expansion of AI applications across various industries, the systematic and goal-oriented use of this technology in the automotive industry is accompanied by conceptual ambiguities, implementation challenges, and multiple research gaps. One fundamental issue in this field is the lack of integration of customer data across different touchpoints, which prevents the formation of a comprehensive and accurate view of customer behavior and preferences (Morales Matamoros et al., 2025).
Through an in-depth analysis of various dimensions of this phenomenon, this study sought to develop a conceptual model that could narrow the gap between the potential capabilities of AI and the current state of practice in the automotive industry, thereby facilitating an effective path for leveraging this technology. Focusing on identifying key components, explaining the relationships among them, and proposing an integrated framework can help decision-makers and managers in this industry adopt a more strategic perspective and use AI to enhance the quality of customer interactions, increase satisfaction, and strengthen loyalty. Accordingly, this research addressed the following fundamental question: How can AI applications in customer relationship management in the automotive industry be identified and prioritized?
 
Materials & Methods
The present study was designed and conducted within the pragmatist paradigm. The pragmatist paradigm emphasizes solving real, practical problems and enables the researcher to achieve a more comprehensive and applied understanding of the phenomenon under study by employing a combination of different research approaches. Accordingly, this research employed an inductive-deductive approach.
From the perspective of data collection methods, the current study fell under non-experimental descriptive research and was carried out by using a cross-sectional survey design. To achieve the research objectives and identify the main dimensions and components of the model, an exploratory mixed-method approach was employed. In this approach, qualitative data were first collected through in-depth interviews with experts and then analyzed. The results obtained from the qualitative phase were subsequently used as the basis for designing the quantitative portion of the study. In other words, the qualitative phase played an exploratory role in identifying the main components and dimensions, while the quantitative phase was used to evaluate, prioritize, and validate these components.
The statistical population in the qualitative phase consisted of two groups of experts. The first group comprised theoretical experts, namely university faculty members in the fields of business management and marketing. The second group consisted of applied experts, including senior managers, vice presidents, and domain-related managers in the automotive industry, who had practical experience in customer management, marketing, and the use of advanced technologies in this sector. Data collection in the qualitative phase was conducted through semi-structured in-depth interviews.
Research Findings
Based on the results of the qualitative thematic analysis, a total of 29 sub-themes were identified, which were categorized into 5 main themes: improving operational efficiency and resource productivity, strengthening strategic decision-making and performance management, enhancing customer experience and relationship personalization, transforming marketing and sales processes, and creating innovation and sustainable competitive advantage.
The results indicated that the highest priorities were mainly related to AI applications aimed at enhancing customer experience and creating direct value for customers, alongside strengthening managerial strategic decision-making. In this regard, intelligent recommendation systems and advanced personalization of interactions, scenario simulation and strategy evaluation, accelerated response time, and automation of repetitive tasks were identified as the most important applications.
Mid-level priorities mainly included applications focused on improving operational efficiency, reducing costs, developing data-driven value-added services, and fostering innovation in business models. In contrast, more infrastructural and analytical applications, such as customer big data analytics, predictive marketing, forecasting market trends, and optimizing human resource allocation, were placed at lower priority levels.
These findings indicated that, from the perspective of experts in the automotive industry, tangible and interactive AI applications that directly created value at customer touchpoints currently had higher implementation priority than infrastructural and supportive analytical applications.
 
Discussion of Results & Conclusion
This study aimed to identify and prioritize AI applications in automotive CRM. The findings indicated that AI adoption structurally transforms key processes by boosting operational efficiency through task automation, resource optimization, and error reduction. Big data analytics, predictive models, and scenario simulations enhance data-driven decision-making and strategic planning. AI elevates customer experience via dynamic segmentation, intelligent recommendations, and personalized interactions. In marketing and sales, it improves acquisition and retention through behavior prediction, automated lead management, and data-driven campaigns. AI also fosters innovation by enabling new value models, intelligent products, and sustainable competitive advantage. Overall, integrating AI into CRM reshapes competitive dynamics, creating synergy among efficiency, data-driven insights, and innovative customer experience, thereby enhancing organizational performance and accelerating digital transformation.

Keywords

Main Subjects

Full Text

1.مقدمه

در فضای رقابتی فزایندۀ صنعت خودرو، مدیریت ارتباط با مشتری به‌عنوان یکی از ارکان راهبردی خلق ارزش و حفظ مزیت رقابتی، با چالش‌های پیچیده‌ای مواجه شده است که رویکردهای سنتی، دیگر توان پاسخگویی به آن‌ها را ندارند (Ledro et al., 2026). افزایش انتظارات مشتریان، تنوع نیازها، پیچیدگی مسیرهای خرید و رشد کانال‌های ارتباطی دیجیتال، ضرورت بازتعریف سازوکارهای تعامل با مشتری را بیش از پیش برجسته ساخته است (Putri et al., 2026). در این میان، هوش مصنوعی به‌عنوان یک فناوری تحول‌آفرین، ظرفیت آن را دارد که الگوهای تعامل سازمان با مشتریان را به‌صورت بنیادین دگرگون سازد و زمینه‌ساز شکل‌گیری رویکردهای هوشمند، پیش‌بینانه و شخصی‌سازی‌شده در مدیریت ارتباط با مشتری شود (کینگ، 1404)؛ بااین‌حال، باوجود گسترش کاربردهای هوش مصنوعی در صنایع مختلف، بهره‌گیری نظام‌مند و هدفمند از این فناوری در صنعت خودرو با ابهامات مفهومی، چالش‌های اجرایی و خلأهای پژوهشی فراوانی همراه است؛ یکی از مسائل اساسی در این حوزه، یکپارچه نبودن داده‌های مشتریان در نقاط تماس مختلف است که مانع از شکل‌گیری دیدی جامع و دقیق به رفتار و ترجیحات مشتری می‌شود (Morales Matamoros et al., 2025).

در چنین شرایطی، هوش مصنوعی می‌تواند ازطریق تحلیل کلان‌داده‌ها، الگوهای پنهان رفتاری را استخراج و به پیش‌بینی دقیق‌تر نیازهای مشتریان کمک کند؛ اما پیاده‌سازی این قابلیت‌ها مستلزم زیرساخت‌های فناورانۀ پیشرفته و راهبردهای داده‌محور منسجم است که در بسیاری از شرکت‌های خودروسازی به‌صورت کامل توسعه نیافته است (قنبری و همکاران، 1404). افزون‌بر این، پیچیدگی محصولات خودرویی و طولانی بودن چرخۀ تصمیم‌گیری مشتریان، ضرورت بهره‌گیری از ابزارهای هوشمند برای مدیریت سفر مشتری را افزایش داده است؛ درحالی‌که بسیاری از سازمان‌ها همچنان از مدل‌های خطی و ایستا برای تحلیل رفتار مشتری استفاده می‌کنند (Verma, 2024). مسئله مهم دیگر، محدودیت در شخصی‌سازی تعاملات با مشتریان است که موجب کاهش رضایت و وفاداری آن‌ها می‌شود. هوش مصنوعی با قابلیت‌هایی نظیر یادگیری ماشین، پردازش زبان طبیعی و سیستم‌های توصیه‌گر، امکان ارائۀ خدمات متناسب با ویژگی‌ها و ترجیحات هر مشتری را فراهم می‌سازد؛ اما چالش‌هایی نظیر کیفیت داده، مقاومت سازمانی در برابر تغییر و نبود مهارت‌های تخصصی، مانع از بهره‌برداری کامل از این ظرفیت‌ها شده است (Perez-Bertozzi & Palos-Sanchez, 2026).

همچنین، در صنعت خودرو که تعاملات پس‌از فروش نقش تعیین‌کننده‌ای در شکل‌گیری تجربۀ مشتری دارد، استفاده از سامانه‌های هوشمند برای پیش‌بینی خرابی‌ها، ارائۀ خدمات پیشگیرانه و بهبود ارتباطات خدماتی، هنوز به‌صورت گسترده نهادینه نشده است (امیدی بیدگلی و فلاح، 1404؛ مشهدی‌خانی و همکاران، 1404).

ازسوی‌دیگر، نگرانی‌های مرتبط با حریم خصوصی و امنیت داده‌ها، یکی از موانع مهم در به‌کارگیری هوش مصنوعی در مدیریت ارتباط با مشتری به ‌شمار می‌رود که می‌تواند اعتماد مشتریان را تحت‌تأثیر قرار دهد. این موضوع به‌ویژه در صنعت خودرو که داده‌های حساس مرتبط با رفتار رانندگی و الگوهای استفاده از خودرو جمع‌آوری می‌شود، اهمیت بیشتری می‌یابد (Liang et al., 2026).

افزون‌بر مطالب پیش‌گفته، نبود چارچوب‌های مفهومیِ یکپارچه برای تبیین نحوۀ ادغام هوش مصنوعی در فرایندهای مدیریت ارتباط با مشتری، موجب شده است اقدامات صورت‌گرفته در این حوزه بیشتر به‌صورت پراکنده و بدون انسجام راهبردی انجام پذیرد. در چنین بستری، ضرورت انجام پژوهشی که بتواند با رویکردی جامع و نوآورانه، کاربردهای هوش مصنوعی در مدیریت ارتباط با مشتری را در صنعت خودرو شناسایی، تبیین و نظام‌مند سازد، به‌وضوح احساس می‌شود. این پژوهش در پی آن است که با تحلیل عمیق جنبه‌های مختلف این پدیده، به ارائۀ مدلی مفهومی دست یابد که بتواند خلأ میان ظرفیت‌های بالقوۀ هوش مصنوعی و وضعیت موجود در صنعت خودرو را کاهش داده و مسیر بهره‌گیری اثربخش از این فناوری را هموار سازد. تمرکز بر شناسایی مؤلفه‌های کلیدی، تبیین روابط میان آن‌ها و ارائۀ چارچوبی یکپارچه، می‌تواند به تصمیم‌گیران و مدیران این صنعت کمک کند تا با دیدی راهبردی‌تر، از هوش مصنوعی در جهت ارتقای کیفیت تعامل با مشتریان، افزایش رضایت و تقویت وفاداری بهره‌برداری کنند؛ لذا پژوهش حاضر به این سؤال اساسی پاسخ می‌دهد که شناسایی و اولویت‌بندی کاربردهای هوش مصنوعی در مدیریت ارتباط با مشتری در صنعت خودرو چگونه است؟

2. مبانی نظری

1-2. هوش مصنوعی

هوش مصنوعی به‌عنوان یکی از شاخه‌های پیشرو در علوم رایانه، به مطالعه و طراحی سامانه‌هایی می‌پردازد که قادر به شبیه‌سازی فرایندهای شناختی انسان ازجمله یادگیری، استدلال، ادراک و تصمیم‌گیری هستند. این حوزه با تکیه بر مبانی میان‌رشته‌ای، از دانش‌هایی نظیر ریاضیات، آمار، علوم شناختی و مهندسی بهره می‌گیرد تا الگوریتم‌هایی توسعه دهد که بتوانند از داده‌ها الگو استخراج کرده و عملکرد خود را به‌صورت تطبیقی بهبود بخشند. در این چارچوب، یادگیری ماشین به‌عنوان زیرشاخه‌ای کلیدی، امکان یادگیری از داده‌های گذشته و تعمیم آن به موقعیت‌های جدید را فراهم می‌سازد و نقش محوری در توسعۀ کاربردهای هوش مصنوعی ایفا می‌کند. همچنین، یادگیری عمیق با بهره‌گیری از شبکه‌های عصبی چندلایه، توانسته است درک پیچیده‌تری از داده‌های غیرساختاریافته، مانند تصویر، صدا و متن ارائه دهد و افق‌های جدیدی در تحلیل داده‌ها بگشاید (Fehrenbach et al., 2026).

از منظر نظری، هوش مصنوعی بر مبنای مفاهیمی همچون بهینه‌سازی، احتمال، منطق و نظریۀ تصمیم شکل گرفته است و هدف آن، طراحی عامل‌های هوشمندی است که بتوانند در محیط‌های پویا و نامطمئن، بهترین کنش را انتخاب کنند. این عامل‌ها ازطریق تعامل مستمر با محیط، ضمن دریافت بازخورد، دانش خود را به‌روزرسانی می‌کنند که این ویژگی، آن‌ها را از سیستم‌های سنتی متمایز می‌سازد. پردازش زبان طبیعی نیز به‌عنوان یکی از ارکان مهم هوش مصنوعی، امکان تعامل مؤثر میان انسان و ماشین را فراهم می‌کند و زمینه‌ساز توسعۀ سامانه‌های گفتگومحور و تحلیل متون شده است. افزون‌‌بر این، بینایی ماشین با تمرکز بر استخراج معنا از داده‌های تصویری، کاربردهای گسترده‌ای در حوزه‌های صنعتی و خدماتی پیدا کرده است (آذری و عبداللهی، 1404).

در سطح مفهومی، هوش مصنوعی را می‌توان به دو دستۀ ضعیف و قوی تقسیم کرد که نوع ضعیف بر انجام وظایف خاص متمرکز است؛ درحالی‌که نوع قوی به‌دنبال شبیه‌سازی کامل توانمندی‌های شناختی انسان است؛ بااین‌حال، اغلب کاربردهای فعلی در چارچوب هوش مصنوعی ضعیف توسعه یافته‌اند. از منظر کارکردی، این فناوری به‌عنوان ابزاری برای افزایش کارایی، کاهش عدم قطعیت و بهبود کیفیت تصمیم‌گیری در سازمان‌ها مطرح است. توانایی تحلیل حجم عظیمی از داده‌ها در زمان کوتاه، یکی از مزیت‌های کلیدی هوش مصنوعی محسوب می‌شود که امکان کشف روابط پنهان و ارائۀ بینش‌های عمیق را فراهم می‌آورد. در کنار این مزایا، چالش‌هایی نظیر تفسیرپذیری مدل‌ها، سوگیری داده‌ها و ملاحظات اخلاقی نیز مطرح است که توجه به آن‌ها برای توسعۀ پایدار این فناوری ضروری است (Zhu, 2024).

 

2-2. مدیریت ارتباط با مشتری

مدیریت ارتباط با مشتری به‌عنوان رویکردی راهبردی در مدیریت بازاریابی، بر ایجاد، توسعه و حفظ روابط بلندمدت و ارزش‌آفرین با مشتریان تمرکز دارد و هدف آن، بهینه‌سازی تعاملات سازمان با مشتری در تمامی نقاط تماس است. این مفهوم ریشه در نظریۀ بازاریابی رابطه‌مند دارد که بر اهمیت تداوم ارتباطات، اعتمادسازی و تعهد متقابل میان سازمان و مشتری تأکید می‌کند. در این چارچوب، مشتری به‌عنوان خریدار و شریک ارزش‌ساز در نظر گرفته می‌شود که مشارکت او در فرایندهای خلق ارزش، نقش تعیین‌کننده‌ای در موفقیت سازمان دارد. مدیریت ارتباط با مشتری با بهره‌گیری از داده‌های مشتریان، تلاش می‌کند درکی عمیقی از نیازها، ترجیحات و رفتارهای آن‌ها به دست آورد و براساس این شناخت، تعاملات هدفمند و شخصی‌سازی‌شده‌ای طراحی کند (Prior, 2024).

از منظر مفهومی، این رویکرد شامل سه بُعد اصلی عملیاتی، تحلیلی و تعاملی است که هریک نقش مکملی در تحقق اهداف سازمان ایفا می‌کنند. بُعد عملیاتی بر خودکارسازی فرایندهای بازاریابی، فروش و خدمات تمرکز دارد؛ درحالی‌که بُعد تحلیلی با استفاده از ابزارهای داده‌کاوی و تحلیل رفتار مشتری، به استخراج الگوها و پیش‌بینی نیازهای آینده می‌پردازد. بُعد تعاملی نیز به مدیریت کانال‌های ارتباطی و بهبود تجربۀ مشتری در تعامل با سازمان اختصاص دارد. این ابعاد در کنار یکدیگر، بستری یکپارچه برای مدیریت مؤثر ارتباطات با مشتری فراهم می‌سازند. همچنین، مفهوم ارزش طول عمر مشتری به‌عنوان یکی از مبانی نظری کلیدی، بر اهمیت حفظ مشتریان سودآور و توسعۀ روابط بلندمدت با آن‌ها تأکید دارد (شادپور و همکاران، 1404).

در سطح کارکردی، مدیریت ارتباط با مشتری به‌عنوان ابزاری برای افزایش رضایت، وفاداری و نگهداشت مشتریان شناخته می‌شود و نقش مهمی در کاهش هزینه‌های جذب مشتریان جدید ایفا می‌کند. این رویکرد با تمرکز بر شخصی‌سازی خدمات و ارائۀ پیشنهادهای متناسب با نیازهای هر مشتری، می‌تواند تجربه‌ای متمایز و مثبت برای مشتریان ایجاد کند. علاوه‌بر این، یکپارچه‌سازی داده‌ها از منابع مختلف و ایجاد دیدی جامع از مشتری، امکان تصمیم‌گیری دقیق‌تر و مبتنی‌بر داده را برای مدیران فراهم می‌سازد. در این میان، فناوری اطلاعات به‌عنوان زیرساخت اصلی مدیریت ارتباط با مشتری، نقش کلیدی در جمع‌آوری، ذخیره‌سازی و تحلیل داده‌ها ایفا می‌کند (Brzozowska, 2024)؛ بااین‌حال، پیاده‌سازی موفق این رویکرد با چالش‌هایی نظیر مقاومت سازمانی، کیفیت پایین داده‌ها و نبود فرهنگ مشتری‌محور مواجه است که می‌تواند اثربخشی آن را تحت‌تأثیر قرار دهد. همچنین، ضرورت هم‌راستایی راهبرد‌های سازمانی با رویکرد مدیریت ارتباط با مشتری، از عوامل حیاتی در موفقیت این سیستم محسوب می‌شود. توجه به ابعاد انسانی، فناورانه و فرایندی در کنار یکدیگر، می‌تواند زمینه‌ساز استقرار نظامی کارآمد در این حوزه باشد. بر این اساس، مدیریت ارتباط با مشتری به‌عنوان یک قابلیت سازمانی پویا، نقشی اساسی در ایجاد مزیت رقابتی پایدار و ارتقای عملکرد سازمان‌ها در محیط‌های رقابتی ایفا می‌کند (دالوند، 1404).

 

3-2. کاربردهای هوش مصنوعی در مدیریت ارتباط با مشتری

هوش مصنوعی در مدیریت ارتباط با مشتری به‌عنوان پارادایمی نوین، بر ادغام قابلیت‌های یادگیری، تحلیل و تصمیم‌سازی هوشمند در فرایندهای تعامل با مشتریان تمرکز دارد و زمینه‌ساز گذار از رویکردهای واکنشی به رویکردهای پیش‌بینانه و تجویزی می‌شود. این مفهوم بر پایۀ ترکیب نظریه‌های بازاریابی رابطه‌مند، مدیریت دانش و تحلیل داده‌های پیشرفته شکل گرفته و تلاش می‌کند با بهره‌گیری از الگوریتم‌های هوشمند، درک عمیق‌تری از رفتار و نیازهای مشتریان ایجاد کند. در این چارچوب، هوش مصنوعی با تحلیل داده‌های ساختاریافته و غیرساختاریافته، الگوهای پنهان در رفتار مشتری را شناسایی کرده و امکان طراحی تعاملات شخصی‌سازی‌شده و زمان‌مند را فراهم می‌سازد. چنین قابلیتی موجب ارتقای کیفیت تجربۀ مشتری و افزایش اثربخشی تصمیمات بازاریابی می‌شود (Jefremow, 2024).

از منظر نظری، این رویکرد بر مفهوم هوشمندسازی چرخۀ عمر مشتری استوار است که در آن تمامی مراحل جذب، نگهداشت و توسعۀ مشتری تحت‌تأثیر تحلیل‌های پیشرفته و یادگیری مستمر قرار می‌گیرد. یادگیری ماشین به‌عنوان هسته اصلی این تحول، امکان پیش‌بینی رفتار مشتری، شناسایی مشتریان ارزشمند و ارائۀ پیشنهادهای بهینه را فراهم می‌کند؛ درحالی‌که پردازش زبان طبیعی به بهبود تعاملات گفتگومحور و تحلیل احساسات مشتریان کمک می‌کند. همچنین، سیستم‌های توصیه‌گر با بهره‌گیری از داده‌های رفتاری، قابلیت ارائۀ پیشنهادهای دقیق و متناسب با ترجیحات هر مشتری را دارند که این موضوع به افزایش رضایت و وفاداری مشتریان منجر می‌شود (Maoulainine & Souaf, 2025).

هوش مصنوعی با خودکارسازی هوشمند فرایندهای ارتباط با مشتری، کارایی عملیاتی را افزایش داده و امکان پاسخگویی سریع و دقیق به نیازهای مشتریان را فراهم می‌سازد. این فناوری با ایجاد بینش‌های عمیق مبتنی‌بر داده، مدیران را در اتخاذ تصمیمات راهبردی یاری می‌دهد و به کاهش عدم قطعیت در محیط‌های پیچیده کمک می‌کند. افزون‌بر این، یکپارچه‌سازی داده‌های مشتری از کانال‌های مختلف و تحلیل هم‌زمان آن‌ها، به شکل‌گیری بینشی جامع از مشتری منجر می‌شود که پایه‌ای برای طراحی تجربه‌ای یکپارچه و منسجم است. چنین رویکردی، سازمان‌ها را قادر می‌سازد تا به‌صورت پویا و تطبیقی، راهبرد‌های ارتباطی خود را تنظیم کنند (Singh et al., 2026).

4-2. پیشینۀ پژوهش

لدرو و همکاران در پژوهش خود با عنوان «آزادسازی ظرفیت‌های هوش مصنوعی در مدیریت ارتباط با مشتری: تحلیلی جامع از عوامل حیاتی موفقیت» دریافتند که اهمیت و تأثیر عوامل، بسته به نوع کاربرد هوش مصنوعی متفاوت بوده و می‌توان آن‌ها را براساس دو بُعد اصلیِ میزان شخصی‌سازی تعاملات با مشتری و سطح نظارت انسانی بر سیستم‌های هوشمند طبقه‌بندی کرد (Ledro et al., 2026). نتایج بیان‌کنندۀ آن است که توجه هم‌زمان به این عوامل و ابعاد اقتضایی می‌تواند به سازمان‌ها در بهره‌برداری مؤثرتر از ظرفیت‌های هوش مصنوعی، بهبود کیفیت تصمیم‌گیری، ارتقای تجربۀ مشتری و توسعۀ نوآوری در فرایندهای مدیریت ارتباط با مشتری کمک کند.

وانگ و همکاران نیز مطالعه‌ای با عنوان «پیشرفت‌های اخیر در ساخت افزایشی فلزات: طراحی مواد و کاربردهای هوش مصنوعی» انجام دادند (Wang et al., 2026). نتایج نشان داد ساخت افزایشی فلزات طی سه دهۀ گذشته به‌سرعت توسعه یافته و با آزادی عمل در طراحی قوی، انعطاف‌پذیری تولید و مزایای عملکردی و اقتصادی، انقلابی در صنایع مختلف ازجمله هوافضا و خودروسازی ایجاد کرده است. همچنین یافته‌ها نشان دادند که هوش مصنوعی نقش فزاینده‌ای در بهبود ساخت افزایشی فلزات دارد؛ از بهینه‌سازی پارامترهای فرایند و افزایش دقت تصمیم‌گیری گرفته تا تسریع کشف مواد جدید ازطریق ترکیب آزمایش‌های پربازده و مهندسی ژنوم مواد در چارچوب صنعت 5.0. نتایج بیان‌کنندۀ آن است که ادغام مدل‌های زبانی بزرگ با دانش تخصصی می‌تواند به توسعۀ عامل‌های هوشمند (ایجنت‌های) پیشرفته‌ای منجر شود که توانایی بهبود طراحی، کنترل هوشمند و مدیریت تولید را دارند. در نهایت، پژوهش نشان داد که پیشرفت‌های هم‌زمان در عامل‌های هوشمند، رایانش ابری، انرژی‌های تجدیدپذیر و اصول طراحی ساختاری، مسیر تحقق کارخانه‌های هوشمند مبتنی‌بر ساخت افزایشی را فراهم می‌کند و این روند می‌تواند عصر جدیدی از تولید هوشمند، سفارشی‌سازی و تحول در علم مواد و مهندسی تولید را رقم بزند.

لیانگ و همکاران نیز مطالعه‌ای با عنوان «کاربست و مسیر توانمندسازی فناوری دوقلوی دیجیتال (Digital Twin) در صنعت خودروسازی» انجام دادند (Liang et al., 2026). نتایج نشان داد که استفادۀ گسترده از فناوری دوقلوی دیجیتال در مراحل مختلف طراحی، تولید و نگهداری خودرو، نقش مهمی در تحول و ارتقای صنعت خودروسازی ایفا می‌کند. یافته‌ها بازگوکنندۀ آن است که این فناوری با فراهم‌سازی شبیه‌سازی دقیق، پایش بی‌درنگ و بهینه‌سازی هوشمند، می‌تواند به افزایش کارایی، کاهش هزینه‌ها و بهبود کیفیت فرایندهای تولید کمک کند. همچنین، نتایج پژوهش نشان داد چالش‌هایی همچون پیچیدگی یکپارچه‌سازی فناوری‌ها، مسائل امنیت داده و کمبود نیروی متخصص، از موانع اصلی در اجرای گستردۀ دوقلوی دیجیتال در این صنعت‌اند. براساس نتایج، توانمندسازی صنعت خودروسازی در این زمینه ازطریق ایجاد پلتفرم‌های طراحی یکپارچه، استقرار سیستم‌های امنیت شبکه‌ای مطمئن و تقویت آموزش نیروی انسانی متخصص ممکن است. این اقدامات می‌تواند مسیر توسعۀ کارآمدتر، هوشمندتر و ایمن‌تر فناوری دوقلوی دیجیتال در صنعت خودرو را هموار سازد.

پرِز-بِرتوتسی و پالوس-سانچِز در مقاله خود با عنوان «پذیرش مدیریت ارتباط با مشتری الکترونیکی: بررسی تحول آن ازطریق تحلیل کتاب‌سنجی و مدل‌سازی موضوعی» به این نتیجه رسیدند که سیستم‌های مدیریت ارتباط الکترونیک با مشتری (Electronic Customer Relationship Management: E-CRM) به‌عنوان ابزاری راهبردی برای ارتقای تعامل با مشتری و ایجاد مزیت رقابتی در محیط‌های دیجیتال نقش اساسی دارند؛ اما چالش اصلی همچنان پذیرش کاربران است (Perez-Bertozzi & Palos-Sanchez, 2026). یافته‌های پژوهش که بر تحلیل کتاب‌سنجی و مدل‌سازی موضوعی ۱۳۷ مقاله طی سال‌های ۲۰۰۴ تا ۲۰۲۵ استوار است، نشان داد حوزۀ پذیرش مدیریت ارتباط الکترونیک با مشتری به بلوغ علمی رسیده و پیرامون دو پارادایم اصلیِ «پذیرش فناوری» و «عملکرد سازمانی» سازمان‌دهی شده است؛ بااین‌حال، نتایج نشان داد ساختار این حوزه به‌دلیل همکاری‌های عمدتاً درون‌ملی، بسیار پراکنده است و خلأ نظری مهمی وجود دارد؛ به‌ویژه نبود مدل‌های یکپارچه که عوامل پذیرش فناوری را به خروجی‌های تجاری ملموس، مانند بازگشت سرمایه (ROI) پیوند دهند. مطالعه تأکید می‌کند که پژوهش‌های آینده باید توسعۀ مدل‌های زنجیره ارزش یکپارچه و تبیین نسل سوم سیستم‌های مدیریت ارتباط الکترونیک با مشتری (مانند هوش مصنوعی و اتوماسیون) را در چارچوب‌های موجود پذیرش فناوری در اولویت قرار دهند.

کویلینسکی و همکاران در پژوهش خود با عنوان «تأثیر هوش مصنوعی بر مدیریت ارتباط با مشتری: یک تحلیل کتاب‌سنجی» دریافتند که کاربرد هوش مصنوعی به‌عنوان یکی از مهم‌ترین نوآوری‌های دیجیتال، نقش تعیین‌کننده‌ای در تحول نظام‌های مدیریت ارتباط با مشتری ایفا کرده و موجب شکل‌گیری رویکردهای مشتری‌محور، فناوری‌های هوشمند و ابزارهای بازاریابی دیجیتال شده است (Kwilinski et al., 2025). همچنین، تحلیل خوشه‌ای منجر به شناسایی هفت خوشۀ مفهومی و پنج مرحلۀ تکاملی در توسعۀ سیستم‌های مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی شد که بیان‌کنندۀ سیر تحول این حوزه از رویکردهای سنتی به‌سمت سیستم‌های هوشمند و تطبیق‌پذیر است. یافته‌ها، همچنین، رشد نمایی انتشار مقالات را در این حوزه به میزان سالانه 15.3درصد تأیید کرد که نشان‌دهندۀ افزایش توجه پژوهشگران به نقش هوش مصنوعی در بهبود پاسخگویی به تغییرات محیطی، نیازهای متغیر مشتریان و مدیریت ریسک‌های بازار است.

ابراهیم‌پور (1404) نیز در مقاله‌ای با عنوان «تأثیر آمادگی فناوری شرکت‌های B2B بر ظرفیت مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی با نقش میانجی ظرفیت فناوری اطلاعات و ارتباطات و نقش تعدیل‌گر پویایی صنعت» به این نتایج دست یافت که آمادگی فناوری شرکت‌های B2B تأثیر معناداری بر قابلیت فناوری اطلاعات و نیز بر ظرفیت مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی دارد. همچنین، یافته‌ها بیان‌کنندۀ آن است که مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی تأثیر معناداری بر عملکرد ارتباطی شرکت‌ها داشته و این عملکرد نیز به‌طور معناداری بر عملکرد پایداری اجتماعی شرکت‌های B2B اثرگذار است؛ بااین‌حال، نتایج نشان داد قابلیت فناوری اطلاعات تأثیر معناداری بر مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی ندارد و در نتیجه نقش میانجی در رابطۀ بین آمادگی فناوری و ظرفیت مدیریت ارتباط با مشتری (CRM) مبتنی‌بر هوش مصنوعی ایفا نمی‌کند. همچنین، پویایی صنعت نیز در رابطۀ بین قابلیت فناوری اطلاعات و مدیریت ارتباط با مشتریِ مبتنی‌بر هوش مصنوعی نقش تعدیل‌کنندۀ معناداری نشان نداد.

معصومی (1404) مطالعه‌ای با عنوان «مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی در کسب‌وکارهای B2B» انجام داد. نتایج نشان داد به‌کارگیری هوش مصنوعی در سامانه‌های مدیریت ارتباط با مشتری، ازطریق تحلیل‌های پیش‌بینانه، چت‌بات‌های پیشرفته و پیشنهادهای شخصی‌سازی‌شده، موجب ارتقای بهره‌وری و بهبود کیفیت تعامل با مشتریان در کسب‌وکارهای B2B می‌شود. همچنین، یافته‌ها نشان می‌دهد که استفاده از الگوریتم‌های یادگیری ماشین و پردازش زبان طبیعی، درک عمیق‌تری از نیازهای پیچیدۀ مشتریان فراهم کرده و امکان ارائۀ راهکارهای متناسب و ارزش‌آفرین را برای شرکت‌ها ایجاد می‌کند. در عین حال، نتایج پژوهش نشان داد چالش‌هایی نظیر مسائل امنیت داده، نیاز به داده‌های باکیفیت و الزامات فنی و انسانی، از موانع اصلی اجرای موفق مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی‌اند. در نهایت، مطالعه تأکید می‌کند که هوش مصنوعی می‌تواند به‌عنوان مزیت رقابتی پایداری در مدیریت ارتباط با مشتری در کسب‌وکارهای B2B مطرح شود، مشروط بر آنکه با برنامه‌ریزی هدفمند، آموزش و توانمندسازی نیروی انسانی و هم‌راستاسازی با راهبردهای کلان سازمانی همراه باشد.

فروزنده و همکاران (1404) در مقالۀ خود با عنوان «طراحی و اعتبارسنجی مدل مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی بر رقابت‌پذیری صنعت غذایی» به این نتایج رسیدند که مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی می‌تواند نقش مؤثری در ارتقای رقابت‌پذیری صنعت غذایی ایفا کند. یافته‌های بخش کیفی پژوهش با بهره‌گیری از نظریۀ داده‌بنیاد منجر به شناسایی بیش از 49 مقولۀ فرعی شد که در نهایت با سازمان‌دهی در قالب 10 مقولۀ اصلی، چارچوب مفهومی مدل را شکل داد. همچنین، نتایج بخش کمّی با استفاده از مدل‌یابی معادلات ساختاری نشان داد مدل پیشنهادی از برازش مناسبی برخوردار است و می‌تواند به‌عنوان الگویی معتبر برای توسعه و به‌کارگیری مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی با هدف ایجاد مزیت رقابتی در صنعت غذایی استفاده شود.

حسینی طاهری و اخوان تفتی (1403) نیز در این زمینه پژوهشی با عنوان «تأثیر هوش مصنوعی توضیح‌پذیر بر تمایل به اشتراک‌گذاری دانش در سیستم‌های مدیریت ارتباط با مشتری تلفیق‌یافته با هوش مصنوعی» انجام دادند. نتایج این پژوهش نشان داد در شرایطی که سطح تهدید فناورانه پایین است، استفاده از هوش مصنوعی توضیح‌پذیر موجب کاهش احساسات منفی مدیران به سیستم و افزایش تمایل آن‌ها به اشتراک‌گذاری دانش با سیستم مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی می‌شود؛ بااین‌حال، در شرایطی که تهدید فناورانه زیاد باشد، هوش مصنوعی توضیح‌پذیر تأثیر معناداری بر تمایل به اشتراک‌گذاری دانش نداشت. به‌طور کلی، یافته‌های پژوهش نشان می‌دهد به‌کارگیری هوش مصنوعی توضیح‌پذیر می‌تواند پذیرش سیستم‌های مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی را در میان مدیران بازاریابی افزایش دهد، هرچند این اثر در شرایط احساس تهدید فناورانۀ زیاد، کاهش می‌یابد. همچنین، سلطانی (1403) در مقالۀ خود با عنوان «عوامل مؤثر بر کیفیت تجربۀ مشتری در اپلیکیشن‌های اشتراک‌گذاری خودرو» به این نتیجه رسید کیفیت تجربۀ مشتری در اپلیکیشن‌های اشتراک‌گذاری خودرو به‌صورت مستقیم تحت‌تأثیر مجموعه‌ای از عوامل مرتبط با سهولت استفاده، اعتماد، امنیت، سرعت ارائۀ خدمات، کیفیت ناوگان، شفافیت هزینه‌ها و میزان هوشمندی سامانه قرار دارد. هرچه طراحی این اپلیکیشن، روان‌تر، روند رزرو و استفاده ساده‌تر و اطلاعات ارائه‌شده دقیق‌تر و قابل‌اعتمادتر باشد، تجربۀ مشتری مطلوب‌تر شکل می‌گیرد. به‌کارگیری فناوری‌های هوشمند و الگوریتم‌های مبتنی‌بر داده برای شخصی‌سازی پیشنهادها و کاهش زمان انتظار نیز نقش مهمی در بهبود تعامل کاربر با سامانه دارد. ازسوی‌دیگر، شفافیت در قیمت‌گذاری، فراهم بودن خودرو در زمان مناسب، پشتیبانی سریع و شرایط مناسب و ایمن خودروها از عناصر کلیدی‌اند که احساس رضایت و اعتماد کاربران را تقویت می‌کنند. این مجموعه‌عوامل در کنار یکدیگر باعث افزایش وفاداری، کاهش ریزش مشتریان و بهبود جایگاه رقابتی پلتفرم‌های اشتراک خودرو می‌شود و نشان می‌دهد توجه به تجربۀ مشتری، شرط اساسی موفقیت این اکوسیستم در بازارهای پررقابت و متغیر امروز است.

در جدول 1 ابعاد و مؤلفه‌های مستخرج از مطالعات پیشین ارائه شده است:

 

جدول 1. ابعاد و مؤلفه‌های مستخرج از مطالعات پیشین

Table 1. Dimensions and components extracted from previous studies

نویسندگان و سال

عنوان پژوهش

ابعاد استخراج‌شده

زیرمؤلفه‌ها

 (Ledro et al., 2026)

آزادسازی ظرفیت‌های هوش مصنوعی در مدیریت ارتباط با مشتری

 میزان شخصی‌سازی تعاملات و سطح نظارت انسانی

شخصی‌سازی، اتوماسیون، کنترل انسانی، اعتماد، کیفیت تصمیم‌گیری، تجربۀ مشتری

(Wang et al., 2026)

پیشرفت‌های ساخت افزایشی فلزات و نقش هوش مصنوعی

نوآوری هوش مصنوعی در تولید

طراحی پیشرفته، بهینه‌سازی، کنترل هوشمند، کشف مواد، تولید هوشمند، سفارشی‌سازی

 (Liang et al., 2026)

فناوری دوقلوی دیجیتال در صنعت خودرو

شبیه‌سازی هوشمند و پایش بی‌درنگ

مدل‌سازی، بهینه‌سازی، امنیت داده، یکپارچه‌سازی، آموزش نیروی انسانی

 (Perez-Bertozzi & Palos-Sanchez, 2026)

پذیرش مدیریت ارتباط الکترونیک با مشتری: تحلیل کتاب‌سنجی

پذیرش فناوری و عملکرد سازمانی

مدل‌های پذیرش فناوری، خروجی‌های سازمانی، ROI، اتوماسیون هوشمند، LLM

 (Kwilinski et al., 2025)

تأثیر هوش مصنوعی بر مدیریت ارتباط با مشتری: تحلیل کتاب‌سنجی

تحول دیجیتال در مدیریت ارتباط با مشتری

مشتری‌محوری، سیستم‌های هوشمند، خوشۀ مفهومی، رویکرد تکاملی، بازاریابی دیجیتال

ابراهیم‌پور (1404)

آمادگی فناوری B2B و مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی

آمادگی فناوری و عملکرد اجتماعی

آمادگی فناوری، ظرفیت مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی، عملکرد ارتباطی، پایداری اجتماعی، نقش تعدیل‌گر پویایی صنعت

معصومی (1404)

مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی در B2B

ابزارهای هوش مصنوعی در مدیریت ارتباط با مشتری

تحلیل پیش‌بینانه، NLP، چت‌بات، امنیت داده، کیفیت داده، الزامات فنی-انسانی

فروزنده و همکاران (1404)

مدل مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی و رقابت‌پذیری

رقابت‌پذیری

ارزش‌آفرینی، مزیت رقابتی

حسینی طاهری و اخوان تفتی (1403)

هوش مصنوعی توضیح‌پذیر و اشتراک‌گذاری دانش

هوش مصنوعی توضیح‌پذیر و تهدید فناورانه

XAI، کاهش احساسات منفی، دانش ‌اشتراک‌گذاری، پذیرش سیستم

سلطانی (1403)

کیفیت تجربۀ مشتری در اپلیکیشن‌های اشتراک خودرو

عوامل تجربۀ مشتری و هوشمندی سامانه

سهولت استفاده، امنیت، اعتماد، سرعت خدمات، شخصی‌سازی، شفافیت هزینه، کیفیت ناوگان

منبع: یافته‌های پژوهش

 

باوجود رشد چشمگیر پژوهش‌ها در حوزۀ هوش مصنوعی و مدیریت ارتباط با مشتری، بررسی مطالعات پیشین نشان می‌دهد که همچنان خلأهای پژوهشی مهمی در ارتباط با شناسایی و اولویت‌بندی کاربردهای هوش مصنوعی در مدیریت ارتباط با مشتری در صنعت خودرو وجود دارد.

لدرو و همکاران، در پژوهش خود به بررسی عوامل حیاتی موفقیت در به‌کارگیری هوش مصنوعی در مدیریت ارتباط با مشتری پرداخته و ابعاد مهمی مانند میزان شخصی‌سازی تعاملات و سطح نظارت انسانی را مطرح کرده‌اند (Ledro et al., 2026)؛ بااین‌حال، این مطالعه بیشتر بر چارچوب‌های مفهومی و عوامل کلان موفقیت تمرکز داشته و به‌طور مشخص به شناسایی و اولویت‌بندی کاربردهای عملی هوش مصنوعی در صنایع خاص، به‌ویژه صنعت خودرو نپرداخته است. همچنین، وانگ و همکاران کاربردهای هوش مصنوعی را در حوزۀ ساخت افزایشی فلزات و تولید صنعتی بررسی کرده‌اند (Wang et al., 2026). یافته‌های این پژوهش نشان‌دهندۀ ظرفیت چشمگیر هوش مصنوعی در بهینه‌سازی فرایندهای تولید است؛ اما تمرکز آن بر حوزۀ مهندسی و تولید بوده و به کارکردهای هوش مصنوعی در حوزۀ مدیریت ارتباط با مشتری و تعامل با مشتریان در صنعت خودرو توجهی نشده است. لیانگ و همکاران نیز به بررسی کاربرد فناوری دوقلوی دیجیتال در صنعت خودروسازی پرداخته‌اند. این پژوهش بیشتر بر ابعاد فنی، طراحی و تولید خودرو متمرکز است و باوجود ارتباط آن با تحول دیجیتال، کاربردهای هوش مصنوعی در حوزۀ مدیریت ارتباط با مشتری و بهبود تعامل با مشتریان در صنعت خودرو را بررسی نکرده است. افزون‌بر این، پرِز-بِرتوتسی و پالوس-سانچِز با استفاده از تحلیل کتاب‌سنجی به بررسی روندهای پذیرش مدیریت ارتباط با مشتری الکترونیکی پرداخته‌اند. نتایج این مطالعه نشان می‌دهد که اختلاف مهمی در پیوند دادن عوامل پذیرش فناوری با نتایج تجاری وجود دارد؛ بااین‌حال، این پژوهش بیشتر بر تحلیل روندهای علمی و پذیرش فناوری تمرکز دارد و به شناسایی کاربردهای مشخص هوش مصنوعی در سیستم‌های مدیریت ارتباط با مشتری و اولویت‌بندی آن‌ها در صنایع خاص، ازجمله صنعت خودرو نپرداخته است (Perez-Bertozzi & Palos-Sanchez, 2026). کویلینسکی و همکاران نیز در مطالعه‌ای کتاب‌سنجی به بررسی تحول سیستم‌های مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی پرداخته‌اند و خوشه‌های مفهومی مختلفی را شناسایی کرده‌اند (Kwilinski et al., 2025). باوجود ارائۀ تصویری جامع از روندهای پژوهشی، این مطالعه بیشتر جنبۀ توصیفی و تحلیلی داشته و چارچوب عملی برای شناسایی و اولویت‌بندی کاربردهای هوش مصنوعی در یک صنعت مشخص ارائه نکرده است.

ابراهیم‌پور (1404) در پژوهش خود، به بررسی نقش آمادگی فناوری شرکت‌ها در ظرفیت مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی در شرکت‌های B2B پرداخته است. تمرکز این مطالعه بیشتر بر متغیرهای سازمانی و فناوری بوده و به شناسایی مصادیق کاربردی هوش مصنوعی در فرایندهای مدیریت ارتباط با مشتری و همچنین اولویت‌بندی آن‌ها در صنایع خاص، به‌ویژه صنعت خودرو توجهی نشده است. معصومی (1404) نیز به بررسی کاربرد ابزارهای هوش مصنوعی در مدیریت ارتباط با مشتری در کسب‌وکارهای B2B پرداخته و نقش تحلیل پیش‌بینانه، چت‌بات‌ها و پردازش زبان طبیعی را در بهبود تعامل با مشتریان تبیین کرده است دادند (Liang et al., 2026)؛ بااین‌حال، این پژوهش بیشتر رویکرد توصیفی داشته و چارچوبی برای طبقه‌بندی و اولویت‌بندی کاربردهای مختلف هوش مصنوعی در حوزۀ مدیریت ارتباط با مشتری ارائه نکرده است. همچنین، فروزنده و همکاران (1404) با طراحی و اعتبارسنجی مدل مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی در صنعت غذایی، به بررسی نقش این فناوری در ارتقای رقابت‌پذیری پرداخته‌اند. باوجود ارائۀ مدلی جامع، تمرکز این پژوهش بر صنعت غذایی است و نتایج آن به‌طور مستقیم به صنعت خودرو تعمیم‌پذیر نیست؛ همچنین، به اولویت‌بندی کاربردهای مشخص هوش مصنوعی در مدیریت ارتباط با مشتری توجه نشده است. حسینی طاهری و اخوان تفتی (1403) نیز در پژوهش خود، به بررسی نقش هوش مصنوعی توضیح‌پذیر در تمایل مدیران به اشتراک‌گذاری دانش در سیستم‌های مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی پرداخته‌اند. این پژوهش بیشتر بر جنبه‌های رفتاری و پذیرش فناوری تمرکز داشته و کاربردهای عملی هوش مصنوعی در مدیریت ارتباط با مشتری و اهمیت نسبی آن‌ها را بررسی نکرده است. در نهایت، سلطانی (1403) نیز عوامل مؤثر بر کیفیت تجربۀ مشتری در اپلیکیشن‌های اشتراک‌گذاری خودرو را بررسی کرده است. باوجود ارتباط این مطالعه با حوزۀ تجربۀ مشتری در صنعت حمل‌ونقل، تمرکز آن بر عوامل تجربۀ کاربر بوده و به نقش سیستماتیک هوش مصنوعی در مدیریت ارتباط با مشتری و اولویت‌بندی کاربردهای آن در صنعت خودرو نپرداخته است. درمجموع، مرور مطالعات پیشین نشان می‌دهد که پژوهش‌های بسیاری به بررسی نقش هوش مصنوعی در مدیریت ارتباط با مشتری، پذیرش فناوری و تحول دیجیتال پرداخته‌اند؛ اما به شناسایی نظام‌مند و اولویت‌بندی کاربردهای هوش مصنوعی در مدیریت ارتباط با مشتری با تمرکز بر صنعت خودرو، کمتر توجه شده است؛ ازاین‌رو، انجام پژوهشی که بتواند کاربردهای مختلف هوش مصنوعی را در فرایندهای مدیریت ارتباط با مشتری صنعت خودرو شناسایی کرده و اهمیت نسبی آن‌ها را اولویت‌بندی کند، می‌تواند خلأ موجود در مبانی نظری پژوهش را تا حد فراوانی پوشش دهد.

3. روش پژوهش

پژوهش حاضر در چارچوب پارادایم پراگماتیسم طراحی و اجرا شده است. پارادایم پراگماتیسم بر حل مسائل واقعی و کاربردی تأکید دارد و به پژوهشگر این امکان را می‌دهد که با بهره‌گیری از ترکیب رویکردهای مختلف پژوهشی، به درک جامع‌تر و عملی‌تری از پدیدۀ مورد مطالعه دست یابد. بر همین اساس، در این پژوهش از رویکرد استقرایی-قیاسی استفاده شده است؛ بدین معنا که ابتدا ازطریق بررسی داده‌های کیفی و تحلیل دیدگاه‌های خبرگان، مفاهیم و ابعاد اصلی استخراج شده و سپس در مرحلۀ بعدی، این مفاهیم در چارچوبی قیاسی مورد ارزیابی و آزمون قرار گرفته‌اند تا الگوی نهایی کاربرد هوش مصنوعی در مدیریت ارتباط با مشتری تدوین شود.

ازنظر هدف، این پژوهش در زمرۀ پژوهش‌های کاربردی-توسعه‌ای قرار می‌گیرد؛ زیرا علاوه‌بر توسعۀ دانش نظری در حوزۀ مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی، تلاش دارد چارچوبی عملی و کاربردی برای سازمان‌ها، به‌ویژه در صنعت خودرو ارائه دهد. هدف اصلی پژوهش، شناسایی ابعاد و مؤلفه‌های کاربرد هوش مصنوعی در مدیریت ارتباط با مشتری و ارائۀ الگویی برای به‌کارگیری مؤثر این فناوری در صنعت خودرو است تا ازطریق آن بتوان به بهبود تعامل با مشتریان، افزایش کیفیت خدمات، و ارتقای مزیت رقابتی در این صنعت دست یافت.

از منظر روش گردآوری داده‌ها، پژوهش حاضر در زمرۀ مطالعات غیرآزمایشی و توصیفی قرار دارد و با رویکرد پیمایشی مقطعی انجام شده است. در این نوع مطالعات، پژوهشگر بدون دست‌کاری متغیرها، به توصیف و تحلیل وضعیت موجود و بررسی روابط میان متغیرها می‌پردازد. رویکرد مقطعی نیز به این معناست که داده‌های مورد نیاز در بازۀ زمانی مشخصی جمع‌آوری و وضعیت پدیدۀ مورد مطالعه در همان مقطع زمانی بررسی می‌شود.

به‌منظور دستیابی به اهداف پژوهش و شناسایی ابعاد و مؤلفه‌های اصلی مدل، از روش تحقیق ترکیبی اکتشافی استفاده شده است. در این روش، ابتدا داده‌های کیفی ازطریق مصاحبه‌های عمیق با خبرگان گردآوری و تحلیل شده و سپس از نتایج حاصل از مرحلۀ کیفی به‌عنوان مبنایی برای طراحی بخش کمّی پژوهش استفاده شده است. به بیان دیگر، مرحلۀ کیفی، نقش اکتشافی در شناسایی مؤلفه‌ها و ابعاد اصلی داشته و مرحله کمّی به‌منظور ارزیابی، اولویت‌بندی و اعتبارسنجی این مؤلفه‌ها به کار گرفته شده است.

جامعۀ آماری در بخش کیفی پژوهش شامل دو گروه از خبرگان بوده است. گروه نخست، خبرگان نظری را تشکیل می‌دهند که شامل استادان دانشگاه در حوزۀ مدیریت بازرگانی و بازاریابی‌اند و دارای دانش تخصصی درزمینۀ مدیریت ارتباط با مشتری و فناوری‌های نوین می‌باشند. گروه دوم، خبرگان عملی هستند که شامل مدیران ارشد، معاونان و مدیران حوزه‌های مرتبط در صنایع خودروسازی می‌باشند و تجربۀ عملی درزمینۀ مدیریت مشتریان، بازاریابی و استفاده از فناوری‌های نوین را در این صنعت دارند. ترکیب این دو گروه از خبرگان سبب شده است که دیدگاه‌های نظری و تجربی به‌‌‌صورت هم‌زمان در تحلیل‌ها مورد توجه قرار گیرد و مدل نهایی از جامعیت بیشتری برخوردار باشد.

گردآوری داده‌ها در بخش کیفی ازطریق مصاحبه‌های عمیق نیمه‌ساختاریافته انجام شده است. در این فرایند، کدگذاری داده‌ها به‌صورت مستمر و هم‌زمان با انجام هر مصاحبه صورت گرفته و تحلیل داده‌ها به‌شکل مرحله‌ای انجام شده است. به این معنا که پس‌از انجام هر مصاحبه، داده‌های حاصل، بررسی و کدگذاری شده و نتایج آن در تحلیل مصاحبه‌های بعدی به‌ کار گرفته شده است. این رویکرد امکان اصلاح و تکمیل سؤالات مصاحبه و همچنین، تعمیق تحلیل‌ها را فراهم کرده است. فرایند گردآوری داده‌ها تا زمانی ادامه یافت که داده‌های جدید دیگر، اطلاعات تازه‌ای به یافته‌های قبلی اضافه نکردند و به‌اصطلاح اشباع نظری حاصل شد و نمونه‌گیری با روش هدفمند صورت گرفت. در نهایت، پس‌از رسیدن به اشباع نظری، تعداد 8 مصاحبه عمیق با خبرگان انجام شد که مبنای استخراج مفاهیم، مقوله‌ها و ابعاد اصلی مدل پژوهش قرار گرفت (جلال‌نیا و اکبری، 1404). در جدول 2 ویژگی‌های جمعیت شناختی خبرگان آمده است.

 

جدول 2. ویژگی جمعیت‌شناختی خبرگان

Table 2. Demographic characteristics of experts

ویژگی‌های جمعیت‌شناختی

فراوانی

درصد

جنسیت

مرد

4

50

زن

4

50

سن

40 تا 45 سال

1

5/12

46 تا 55 سال

4

50

بیش از 56 سال

3

5/37

تحصیلات

کارشناسی ارشد

3

5/37

دکتری

5

5/62

سابقه کاری

8 تا 10 سال

2

25

11 تا‌ 20 سال

3

5/37

بیش از 21 سال

3

5/37

کل

8

100

منبع: یافته‌های پژوهش

 

ابزار گردآوری داده‌ها در بخش کیفی، مصاحبه‌های نیمه‌ساختاریافته با 4 پرسش اصلی بود که درصورت نیاز، سؤالات تکمیلی نیز مطرح می‌شدند. در بخش کمّی نیز از پرسش‌نامه سوارای فازی بهره گرفته شد.

در این پژوهش، برای کنترل پایایی کدگذاری و حصول اطمینان از توافق میان ارزیابان، از ضریب کاپا استفاده شد. این ضریب آماری، میزان توافق بین دو یا چند ارزیاب مستقل را دربارۀ طبقه‌بندی داده‌ها می‌سنجد. دامنۀ ضریب کاپا بین ۱+ تا ۱- است؛ مقادیر نزدیک به ۱+ نشان‌دهندۀ توافق قوی و معنادار، مقادیر نزدیک به صفر نشان‌دهندۀ توافق اتفاقی یا ضعیف، و مقادیر منفی بیان‌کنندۀ توافق وارونه یا نبود انسجام در ارزیابی‌هاست.

استفاده از ضریب کاپا در این پژوهش، به‌منظور کاهش سوگیری ذهنی در فرایند تفسیر داده‌ها و افزایش دقت در تشخیص و طبقه‌بندی مفاهیم صورت گرفته است. با این روش، نه‌تنها قابلیت اعتماد تحلیل ارتقا می‌یابد، بلکه شفافیت و استحکام علمی پژوهش در برابر نقدهای احتمالی نیز تضمین می‌شود.

 

 

برای ارزیابی پایایی تحلیل در فرایند فراترکیب، یکی از اسناد انتخابی پژوهش در اختیار یکی از خبرگان مستقل قرار گرفت تا به‌صورت جداگانه کدگذاری و تحلیل شود. پس‌از مقایسۀ کدهای استخراج‌شده توسط پژوهشگر و کارشناس دوم، ضریب کاپا معادل 75/0 محاسبه شد. جدول 3 ماتریس توافق میان دو کدگذار و مقدار ضریب کاپا را نشان می‌دهد.

 

جدول 3. ضریب کاپای کوهن

Table 3. Cohen’s kappa coefficient

کدگذاران

کدگذار دوم

ضریب کاپای کوهن

کدگذار اول

موافق

مخالف

جمع

موافق

48

2

50

75/0

مخالف

3

1

4

جمع

51

3

54

منبع: یافته‌های پژوهش

 

براساس طبقه‌بندی لندیس و کوخ (Landis & Koch, 1977)، ضریب کاپای بیشتر از 6/0 نشان‌دهندۀ سطح توافق مطلوب میان ارزیابان و بیان‌کنندۀ پایایی قابل قبول تحلیل‌های کیفی است؛ بنابراین، ضریب به‌دست‌آمده در این پژوهش نشان‌دهندۀ ثبات، انسجام و قابلیت اعتماد فرایند کدگذاری و تفسیر یافته‌ها بوده و اعتبار تحلیل فراترکیب را از منظر روش‌شناختی تأیید می‌کند.

روایی کیفی پژوهش براساس چارچوب چهارگانۀ لینکلن و گوبا (Lincoln & Guba, 1985) و با تأکید بر چهار شاخص اعتبارپذیری، انتقال‌پذیری، تأییدپذیری و اطمینان‌پذیری ارزیابی و توسط داوران تأیید شده است. برای تقویت اعتبارپذیری، از مصاحبه‌های عمیق، کدگذاری مستمر و مقایسه‌ای، بازبینی یافته‌ها توسط مشارکت‌کنندگان (Member Check) و مثلث‌سازی منابع استفاده شد تا داده‌ها دقیقاً بازتاب‌دهندۀ واقعیت ادراک‌شده خبرگان باشند. انتقال‌پذیری ازطریق ارائۀ توصیف غنی زمینه، تشریح دقیق ویژگی‌های مشارکت‌کنندگان و مستندسازی جزئیات فرایند گردآوری و تحلیل داده‌ها تضمین شد تا امکان کاربرد نتایج در شرایط مشابه برای دیگران فراهم شود. تأییدپذیری با مستندسازی کامل مراحل پژوهش، نگهداری آرشیو کدها و یادداشت‌ها، بازبینی نتایج توسط داوران مستقل و استفاده از نقل‌قول‌های مستقیم مشارکت‌کنندگان تقویت شد تا اطمینان حاصل شود یافته‌ها مستقل از سوگیری پژوهشگرند و می‌توان آن‌ها را پیگیری کرد. همچنین، با ایجاد مسیر حسابرسی (Audit Trail)، کدگذاری موازی، بازبینی مستمر فرایندهای تحلیلی و استفاده از پروتکل استاندارد مصاحبه، اطمینان‌پذیری پژوهش افزایش یافت و ثبات و پایایی فرایند تحقیق تضمین شد.

تحلیل داده‌های کیفی با استفاده از روش تحلیل مضمون (Thematic Analysis) و نرم‌افزار مکس‌کیودا (Maxqda) انجام شد. در بخش کمّی نیز روش سوارا ب اولویت‌بندی شاخص‌ها به کار گرفته شده است.

روش سوارا (Step-Wise Weight Assessment Ratio Analysis: SWARA) به‌عنوان یکی از روش‌های تصمیم‌گیری چندمعیاره مبتنی‌بر قضاوت خبرگان، برای اولویت‌بندی شاخص‌های کاربرد هوش مصنوعی در مدیریت ارتباط با مشتری در صنعت خودرو انتخاب شد. مبنای انتخاب این روش، آن است که در پژوهش حاضر شاخص‌ها بیشتر ازطریق تحلیل کیفی و نظر خبرگان استخراج شده‌اند؛ بنابراین، لازم است روشی به کار گرفته شود که بتواند اهمیت نسبی معیارها را براساس قضاوت و تجربۀ متخصصان حوزه تعیین کند. روش سوارا این امکان را فراهم می‌کند که خبرگان ابتدا معیارها را براساس اهمیت مرتب کرده و سپس میزان اهمیت هر معیار را نسبت به معیار قبلی بیان کنند؛ در نتیجه، وزن نهایی معیارها بر پایۀ، قضاوت نظام‌مند خبرگان محاسبه می‌شود. از مهم‌ترین مزایای روش سوارا می‌توان به‌سادگی فرایند محاسباتی، نیاز کمتر به مقایسه‌های زوجی، در مقایسه با بسیاری از روش‌های تصمیم‌گیری چندمعیاره، امکان استفاده مؤثر از دانش و تجربۀ خبرگان، و مناسب بودن برای شرایطی که تعداد شاخص‌ها نسبتاً زیاد است اشاره کرد. همچنین، در این روش، خبرگان می‌توانند اهمیت معیارها را به‌صورت تدریجی و منطقی، با توجه به معیار قبلی بیان کنند که این موضوع باعث می‌شود فرایند ارزیابی برای پاسخ‌دهندگان ساده‌تر و واقع‌بینانه‌تر باشد. ازسوی‌دیگر، سوارا به نسبت روش‌هایی مانند فرایند تحلیل سلسله‌مراتبی (Analytical Hierarchy process: AHP) به مقایسه‌های کمتری نیاز دارد و در نتیجه احتمال بروز ناسازگاری در قضاوت‌ها کاهش می‌یابد.

در عین حال، این روش دارای محدودیت‌هایی نیز هست. یکی از مهم‌ترین ایرادات آن، وابستگی نسبتاً زیاد به قضاوت ذهنی خبرگان است؛ بنابراین، درصورتی که خبرگان تخصص یا تجربۀ کافی نداشته باشند، نتایج ممکن است تحت‌تأثیر سوگیری‌های فردی قرار گیرد. همچنین، در روش سوارا ترتیب اولیۀ معیارها توسط خبرگان تعیین می‌شود و اگر این ترتیب به‌درستی مشخص نشود، می‌تواند بر وزن‌های نهایی تأثیر بگذارد. در نهایت، با توجه به ماهیت اکتشافی پژوهش و تعداد نسبتاً زیاد شاخص‌ها، و نیز اتکای پژوهش به نظر خبرگان حوزۀ صنعت خودرو و مدیریت ارتباط با مشتری، روش سوارا برای این مطالعه در نظر گرفته شد. این روش به‌دلیل کارآمدی، درک‌پذیر بودن برای خبرگان و تناسب آن با تعیین وزن و اولویت شاخص‌ها، انتخاب شده است (حبیبی و آفریدی، 1401).

4. یافته‌های پژوهش

 به‌منظور شناسایی و اولویت‌بندی کاربردهای هوش مصنوعی در مدیریت ارتباط با مشتری در صنعت خودرو، داده‌های کیفی ازطریق مصاحبه‌های تخصصی و نیمه‌ساختاریافته با حضور استادان دانشگاه و مدیران ارشد خودروسازی گردآوری شد. تحلیل داده‌ها با استفاده از نرم‌افزار مکس‌کیودا و براساس الگوی شش‌مرحله‌ای تحلیل مضمون براون و کلارک (Braun & Clarke, 2022) انجام شد. در گام نخست، پژوهشگر با انجام ترانویسی دقیق و ثبت کامل نشانه‌های زبانی، هیجانی و محیطی، به آشنایی عمیق با داده‌ها پرداخت و با بررسی مکرر متون مصاحبه، زمینۀ لازم برای فهم لایه‌های معنایی را فراهم ساخت. در شکل 1 نحوۀ کدگذاری در نرم‌افزار مکس‌کیودا 24 ارائه شده است.

 

 

شکل 1. نحوه کدگذاری در نرم‌افزار MAXQDA24 (منبع: یافته‌های پژوهش)

Figure 1. The coding process in MAXQDA 24 (Source: Research findings)

 

 

در گام دوم، واحدهای معنایی در سراسر متن شناسایی و به کدهای اولیه تبدیل شدند؛ این فرایند به‌صورت تدریجی و هم‌زمان با انجام مصاحبه‌های جدید ادامه یافت تا در نهایت اشباع نظری محقق شود. در گام سوم، کدهای پراکنده براساس شباهت‌های مفهومی و ارتباطات درونی در قالب خوشه‌های معنایی و مضامین سازمان‌دهنده ادغام و مرتب‌سازی شدند. در شکل 2 شبکۀ مضامین مصاحبۀ شماره 1 ارائه شده است.

 

 

شکل 2. شبکه مضامین مصاحبه شماره 1 (منبع: یافته‌های پژوهش)

Figure 2. Thematic network of Interview 1 (Source: Research findings)

 

گام چهارم به ارزیابی انتقادی مضامین اختصاص داشت تا انسجام درونی، مرزبندی مفهومی و قدرت تبیینی هر مضمون به‌طور دقیق بررسی و اصلاح شود. در گام پنجم، مضامین نهایی، تعریف مفهومی روشنی پیدا کردند و نام‌گذاری رسمی آن‌ها براساس جوهرۀ معنایی و نقش تبیینی‌شان انجام شد. در نهایت، گام ششم به تدوین گزارش جامع تحلیل مضمون اختصاص یافت که طی آن، ساختار نهایی شامل ۵ مضمون اصلی و ۲۹ مضمون فرعی استخراج و ارائه شد. این فرایند تحلیلی گام‌به‌گام، ضمن ایجاد انسجام نظری، به کاوش عمیق در ابعاد مفهومی کاربردهای هوش مصنوعی در مدیریت ارتباط با مشتری در صنعت خودرو انجامید و مبنایی معتبر و علمی برای توسعۀ چارچوب نهایی پژوهش فراهم ساخت (جلال‌نیا و حامدی، 1402). جدول 4 کدگذاری محوری انجام شده را نشان می‌دهد.

 

جدول 4. کدگذاری محوری پژوهش

Table 4. Axial coding of the research

مضمون اصلی

مضامین فرعی

بهبود کارایی عملیاتی و بهره‌وری منابع

1. خودکارسازی وظایف تکراری و پردازش داده‌ها: مانند گزارش‌گیری، دسته‌بندی اولیۀ درخواست‌ها و داده‌کاوی پایه

2. کاهش هزینه‌های عملیاتی و خطای انسانی: ازطریق استانداردسازی فرایندهای پشتیبانی و اجرایی

3. بهینه‌سازی تخصیص منابع انسانی: آزادسازی زمان کارکنان از کارهای تکراری برای تمرکز بر نوآوری و تعاملات پیچیده

4. افزایش دسترسی سرویس: ارائۀ پشتیبانی 24/7 ازطریق ربات‌های گفتگو و سیستم‌های هوشمند

5. تسریع در زمان پاسخگویی: به درخواست‌های داخلی (کارکنان) و خارجی (مشتریان).

تقویت تصمیم‌گیری راهبردی و مدیریت عملکرد

6. تحلیل کلان‌داده‌های مشتری: یکپارچه‌سازی و تحلیل داده‌های رفتاری، تراکنشی و روان‌شناختی مشتریان

7. پیش‌بینی روندهای بازار و رفتار مشتری: با استفاده از مدل‌های پیش‌بینی کننده.

8. شبیه‌سازی سناریو و ارزیابی راهبردها: مدل‌سازی تأثیر تصمیمات مختلف بر شاخص‌هایی مانند نگهداشت مشتری و سودآوری.

9. پایش لحظه‌ای عملکرد: رصد شاخص‌های کلیدی و هشدارهای هوشمند

10. تهیۀ گزارش‌های تحلیلی هوشمند: ارائۀ بینش‌های عمیق و اقدام‌پذیر به‌جای آمارهای خام

ارتقای تجربۀ مشتری و شخصی‌سازی رابطه

11. توصیه‌گرایی هوشمند و شخصی‌سازی پیشرفته: پیشنهاد محصولات/خدمات براساس سابقه و نیم‌رخ رفتاری منحصربه‌فرد هر مشتری

12. پیش‌بینی و پاسخگویی فعال به نیازها: شناسایی نیاز مشتری قبل‌‌از بیان صریح آن (مثلاً یادآوری سرویس دوره‌ای خودرو)

13. تسهیل و شخصی‌سازی سفر خرید مشتری: از آگاهی تا خرید، استفاده و وفاداری

14. ارتقای کیفیت خدمات پس‌از فروش: با تحلیل خودکار شکایات، پیش‌بینی خرابی و برنامه‌ریزی نگهداشت پیشگیرانه

15. ایجاد تعاملات چندکانالۀ یکپارچه و هوشمند: هماهنگی تجربۀ مشتری در تماس تلفنی، وب‌سایت، اپلیکیشن و شبکه‌های اجتماعی

16. افزایش امنیت و اعتماد: با استفاده از ابزارهای احراز هویت هوشمند و تشخیص تقلب

تحول در بازاریابی و فرایندهای فروش

17. بازاریابی پیش‌بین: شناسایی مشتریان با بیشترین پتانسیل خرید یا ریزش

18. تقسیم‌بندی پویا و فوق‌پیشرفته مشتریان: براساس الگوهای پیچیده رفتاری و نه‌فقط داده‌های جمعیت‌شناختی.

19. شخصی‌سازی کمپین‌ها در مقیاس انبوه: تولید و توزیع محتوای منحصربه‌فرد برای هر بخش

20. بهینه‌سازی ترکیب کانال‌های بازاریابی: تشخیص مؤثرترین کانال و زمان ارتباط با هر مشتری

21. پشتیبانی هوشمند از نیروهای فروش: ارائۀ راهنمایی در لحظه برای فروش راه‌حل‌محور و مدیریت پایپ‌لاین[1]

22. مدیریت هوشمند سرنخ‌ها: اولویت‌بندی و پیگیری خودکار سرنخ‌های فروش

ایجاد نوآوری و مزیت رقابتی پایدار

23. کشف فرصت‌های جدید بازار و توسعۀ محصول: براساس تحلیل نیازهای بیان‌نشده و خلأهای موجود در بازار

24. توسعۀ مدل‌های کسب‌وکار نوآورانه: مانند خدمات مبتنی‌بر اشتراک یا «محصول به‌عنوان سرویس» (XaaS)[2] در صنعت خودرو

25. ارائۀ خدمات ارزش‌افزوده مبتنی‌بر داده: مانند نمرۀ اعتبارسنجی رفتار رانندگی یا بیمه‌های شخصی‌سازی‌شده

26. افزایش چابکی سازمانی و پاسخگویی به تغییرات بازار: ازطریق بینش‌های بی‌درنگ

27. ساخت و تقویت برند به‌عنوان یک پیشرو در فناوری: ازطریق ارائۀ تجربیات مشتری پیشرفته و هوشمند

28. ایجاد اکوسیستم‌های ارزشی: اتصال هوشمند مشتریان به شبکه‌ای از خدمات مرتبط (شارژ خودروی الکتریک، پیدا کردن پارکینگ، تعمیرگاه)

29. مدیریت ریسک و تاب‌آوری زنجیرۀ تأمین: پیش‌بینی اختلالات و بهینه‌سازی موجودی براساس پیش‌بینی تقاضا

منبع: یافته‌های پژوهش

 

در مرحله کمّی پژوهش، شاخص‌های به‌دست‌آمده از تحلیل مضمون با بهره‌گیری از روش تصمیم‌گیری چندمعیاره سوارا اولویت‌بندی شدند. در این روش، ابتدا خبرگان فهرست معیارها را براساس میزان اهمیت ادراک‌شده مرتب می‌کنند، به‌گونه‌ای که مهم‌ترین معیار در رتبۀ نخست قرار گرفته و به‌صورت پیش‌فرض وزن پایه (عدد ۱) به آن اختصاص می‌یابد. پس‌از تعیین ترتیب اولیه، هریک از خبرگان میزان اهمیت نسبی هر معیار را در مقایسه با معیار قبل از آن مشخص می‌کنند؛ این مقدار که بیان‌کنندۀ فاصله یا برتری مفهومی معیار جدید به معیار قبلی است، به‌عنوان اهمیت نسبی (Sᵢ) تعریف می‌شود. سپس میانگین دیدگاه‌های خبرگان برای هر معیار محاسبه شده و در ستون «متوسط اهمیت نسبی» (Sᵢ) ثبت می‌شود. در گام بعدی، این مقادیر برای محاسبه ضرایب تعدیل، به‌کارگیری روابط استاندارد سوارا، و در نهایت استخراج وزن نهایی هر معیار استفاده می‌شود (Keršuliene et al., 2010).

در گام سوم، ضریب  از روش سوارا محاسبه شده است. میزان این ضریب برای شاخص «توصیه‌گرایی هوشمند و شخصی‌سازی پیشرفته» که بیشترین اهمیت را دارد، یک است. برای دیگر کاربردهای هوش مصنوعی در مدیریت ارتباط با مشتری نیز این مقدار محاسبه شده است. برای محاسبه وزن اولیۀ هر معیار، از رابطۀ زیر استفاده شده است.

 

این مقادیر در ستون «وزن اولیه» در جدول 5 درج شده است. برای محاسبه وزن نهایی از روش نرمال کردن خطی مطابق رابطۀ زیر استفاده شده است.

به‌این‌ترتیب وزن نهایی هر عنصر به دست آمده است.

 

جدول 5. اولویت‌بندی شاخص‌های کاربردهای هوش مصنوعی در مدیریت ارتباط با مشتری با روش سوارای فازی

Table 5. Prioritization of AI application indicators in Customer Relationship Management (CRM) using the Fuzzy SWARA method

شاخص

متوسط اهمیت نسبی

Kj

وزن اولیه

وزن نرمال

توصیه‌گرایی هوشمند و شخصی‌سازی پیشرفته

1

1

1

1421/0

شبیه‌سازی سناریو و ارزیابی راهبردها

16/0

16/1

862/0

1225/0

تسریع در زمان پاسخگویی

31/0

31/1

658/0

0935/0

خودکارسازی وظایف تکراری و پردازش داده‌ها

05/0

05/1

627/0

0891/0

تقسیم‌بندی پویا و فوق‌پیشرفتۀ مشتریان

19/0

19/1

527/0

0748/0

شخصی‌سازی کمپین‌ها در مقیاس انبوه

27/0

27/1

415/0

0589/0

بهینه‌سازی ترکیب کانال‌های بازاریابی

11/0

11/1

374/0

0531/0

کشف فرصت‌های جدید بازار و توسعۀ محصول

05/0

05/1

356/0

0506/0

پیش‌بینی و پاسخگویی فعال به نیازها

09/0

09/1

326/0

0464/0

کاهش هزینه‌های عملیاتی و خطای انسانی

12/0

12/1

291/0

0414/0

ارائۀ خدمات ارزش‌افزوده مبتنی‌بر داده

21/0

21/1

241/0

0342/0

تسهیل و شخصی‌سازی سفر خرید مشتری

18/0

18/1

204/0

029/0

ایجاد اکوسیستم‌های ارزشی

25/0

25/1

163/0

0232/0

افزایش امنیت و اعتماد

18/0

18/1

138/0

0197/0

افزایش دسترسی سرویس

31/0

31/1

106/0

015/0

تهیۀ گزارش‌های تحلیلی هوشمند

04/0

04/1

102/0

0144/0

توسعۀ مدل‌های کسب‌وکار نوآورانه

11/0

11/1

092/0

013/0

پایش لحظه‌ای عملکرد

21/0

21/1

076/0

0107/0

ساخت و تقویت برند به‌عنوان یک پیشرو در فناوری

09/0

09/1

069/0

0099/0

پشتیبانی هوشمند از نیروهای فروش

013/0

013/1

068/0

0097/0

پیش‌بینی روندهای بازار و رفتار مشتری

09/0

09/1

063/0

0089/0

مدیریت ریسک و تاب‌آوری زنجیرۀ تأمین

12/0

12/1

056/0

008/0

بازاریابی پیش‌بین

22/0

22/1

046/0

0065/0

ایجاد تعاملات چندکانالۀ یکپارچه و هوشمند

31/0

31/1

035/0

005/0

افزایش چابکی سازمانی و پاسخگویی به تغییرات بازار

07/0

07/1

033/0

0047/0

ارتقای کیفیت خدمات پس‌از فروش

011/0

011/1

032/0

0046/0

مدیریت هوشمند سرنخ‌ها

09/0

09/1

03/0

0042/0

تحلیل کلان‌داده‌های مشتری

21/0

21/1

025/0

0035/0

بهینه‌سازی تخصیص منابع انسانی

04/0

04/1

024/0

0034/0

منبع: یافته‌های پژوهش

 

 

شکل 3. وزن نهایی شاخص‌های کاربردهای هوش مصنوعی در مدیریت ارتباط با مشتری با روش سوارای فازی (منبع: یافته‌های پژوهش)

Figure 3. Final weights of AI application indicators in Customer Relationship Management (CRM) using the Fuzzy SWARA method (Source: Research findings)

 

 

نتایج اولویت‌بندی نشان می‌دهد که از دیدگاه خبرگان، مهم‌ترین کاربرد هوش مصنوعی در مدیریت ارتباط با مشتری صنعت خودرو، توصیه‌گرایی هوشمند و شخصی‌سازی پیشرفته است. این یافته بیان‌کنندۀ آن است که شخصی‌سازی تجربۀ مشتری و ارائۀ پیشنهادهای متناسب با نیاز و ترجیحات هر فرد، اصلی‌ترین منبع ارزش‌آفرینی هوش مصنوعی در این حوزه محسوب می‌شود. در بازاری مانند خودرو که تصمیم خرید پیچیده و پرهزینه است، شخصی‌سازی می‌تواند نقش تعیین‌کننده‌ای در افزایش رضایت و وفاداری مشتری داشته باشد.

در اولویت بعدی، شبیه‌سازی سناریو و ارزیابی راهبردها قرار دارد که نشان‌دهنده اهمیت هوش مصنوعی در پشتیبانی از تصمیم‌گیری‌های مدیریتی و کاهش عدم قطعیت در محیط رقابتی صنعت خودرو است. پس‌ازآن، تسریع در زمان پاسخگویی و خودکارسازی وظایف تکراری مطرح هستند که بر بهبود کارایی عملیاتی، افزایش سرعت تعامل با مشتری و ارتقای کیفیت خدمات تأکید دارند. در رتبه‌های بعدی، شاخص‌هایی مانند تقسیم‌بندی پیشرفته مشتریان، شخصی‌سازی کمپین‌ها، بهینه‌سازی کانال‌های بازاریابی، کشف فرصت‌های جدید بازار و پیش‌بینی نیازهای مشتریان قرار گرفته‌اند. این موارد نشان می‌دهند که هوش مصنوعی نقش مهمی در بازاریابی داده‌محور، شناخت دقیق‌تر مشتریان و توسعۀ محصولات و خدمات متناسب با بازار ایفا می‌کند. همچنین کاهش هزینه‌های عملیاتی نیز به‌عنوان یکی از پیامدهای مهم به‌کارگیری این فناوری مطرح شده است.

شاخص‌های میانی بیشتر بر ارتقای تجربۀ مشتری، ارائۀ خدمات ارزش‌افزوده، بهبود سفر خرید، ایجاد اکوسیستم‌های ارزشی و تقویت اعتماد و امنیت تمرکز دارند که بیان‌کنندۀ نگاه جامع به مدیریت ارتباط با مشتری در صنعت خودرو است. در نهایت، شاخص‌های انتهایی عمدتاً شامل کاربردهای پشتیبان و زیرساختی مانند پیش‌بینی روندها، مدیریت ریسک، بازاریابی پیش‌بین، تعاملات چندکاناله، چابکی سازمانی، تحلیل کلان‌داده و بهینه‌سازی منابع انسانی هستند. قرار گرفتن این موارد در اولویت‌های پایین‌تر نشان می‌دهد که خبرگان در شرایط فعلی، کاربردهایی را مهم‌تر دانسته‌اند که مستقیماً بر تجربۀ مشتری و تعاملات مشتری‌محور اثر می‌گذارند.

به‌طور کلی، اولویت‌های به‌دست‌آمده حاکی از آن است که جهت‌گیری اصلی کاربرد هوش مصنوعی در مدیریت ارتباط با مشتری صنعت خودرو، حرکت به‌سوی شخصی‌سازی عمیق، تصمیم‌گیری داده‌محور، پاسخگویی سریع و افزایش اثربخشی تعامل با مشتری است.

5. نتیجه‌گیری و پیشنهادها

پژوهش حاضر با هدف شناسایی و اولویت‌بندی کاربردهای هوش مصنوعی در مدیریت ارتباط با مشتری (مورد مطالعه: صنعت خودرو) انجام شده است. نتایج پژوهش نشان می‌دهد که به‌کارگیری هوش مصنوعی در مدیریت ارتباط با مشتری صنعت خودرو فراتر از تحول فناورانۀ ساده‌ای بوده و به‌صورت ساختاری بر فرایندهای کلیدی سازمان اثرگذار است. هوش مصنوعی با خودکارسازی وظایف، بهینه‌سازی تخصیص منابع و کاهش خطا موجب ارتقای چشمگیر کارایی عملیاتی و بهره‌وری می‌شود و امکان مدیریت چابک‌تر فرایندهای خدمات، فروش و ارتباط با مشتری را فراهم می‌سازد. همچنین، تحلیل داده‌های کلان، مدل‌های پیش‌بین و شبیه‌سازی سناریوها، ظرفیت تصمیم‌سازی و تصمیم‌گیری راهبردی مدیران را تقویت کرده و آن‌ها را قادر می‌سازد با اتکا بر داده و نه شهود، سیاست‌های دقیق‌تری در حوزه‌هایی همچون قیمت‌گذاری، طراحی محصول، برنامه‌ریزی خدمات پس‌از فروش و راهبرد‌های وفادارسازی تدوین کنند. از‌سوی‌دیگر، هوش مصنوعی با ارائۀ بخش‌بندی پویا، توصیه‌گرهای هوشمند و تعاملات شخصی‌سازی‌شده، تجربۀ مشتری را به سطحی فراتر از استانداردهای سنتی ارتقا داده و مسیر ارتباطی سازمان با مشتری را هدفمند، سازگار و منطبق با ترجیحات فردی می‌سازد. در عرصۀ بازاریابی و فروش نیز فناوری‌های هوشمند با امکان پیش‌بینی رفتار مشتری، مدیریت خودکار سرنخ‌ها و طراحی کمپین‌های داده‌محور، اثربخشی فعالیت‌های جذب، نگهداشت و توسعۀ ارزش مشتری را افزایش می‌دهند. افزون‌بر این، نتایج نشان می‌دهد هوش مصنوعی، نه‌تنها پشتیبان فرایندهای موجود است، بلکه زیرساختی برای نوآوری، خلق مدل‌های جدید ارزش، توسعۀ محصولات هوشمند و ایجاد مزیت رقابتی پایدار است. برایند این تحولات نشان می‌دهد که ادغام هوش مصنوعی در مدیریت ارتباط با مشتری صنعت خودرو می‌تواند ساختار رقابتی شرکت‌ها را دگرگون کند و ازطریق هم‌افزایی میان کارایی عملیاتی، تصمیم‌گیری داده‌محور و تجربۀ مشتری نوآورانه، عملکرد سازمان را در سطح عملیاتی و راهبردی ارتقا دهد و مسیر تحول دیجیتال پایدار را هموار سازد.

نتایج پژوهش حاضر که نشان می‌دهد به‌کارگیری هوش مصنوعی در مدیریت ارتباط با مشتری صنعت خودرو موجب بهبود کارایی عملیاتی، ارتقای بهره‌وری منابع، تقویت تصمیم‌گیری راهبردی، بهبود مدیریت عملکرد، افزایش سطح شخصی‌سازی تجربۀ مشتری، تحول در بازاریابی و فروش و در نهایت ایجاد نوآوری و مزیت رقابتی پایدار می‌شود، با عمده‌ای از مبانی نظری پیشین همخوانی دارد. در این زمینه، لدرو و همکاران (Ledro et al., 2026) نیز تأکید می‌کنند که اثربخشی هوش مصنوعی در مدیریت ارتباط با مشتری به میزان شخصی‌سازی تعاملات با مشتری و سطح نظارت انسانی بر سیستم‌های هوشمند وابسته است و توجه هم‌زمان به این ابعاد می‌تواند کیفیت تصمیم‌گیری، تجربۀ مشتری و نوآوری در فرایندهای ارتباط با مشتری را ارتقا دهد؛ موضوعی که در نتایج پژوهش حاضر نیز در قالب تقویت تصمیم‌گیری داده‌محور و توسعۀ تعاملات شخصی‌سازی‌شده مشاهده شد. همچنین، یافته‌های پژوهش با نتایج پژوهش کویلینسکی و همکاران (Kwilinski et al., 2025) همسوست که نشان دادند هوش مصنوعی موجب تحول اساسی در نظام‌های مدیریت ارتباط با مشتری شده و با حرکت از رویکردهای سنتی به‌سمت سیستم‌های هوشمند و تطبیق‌پذیر، امکان پاسخ‌گویی بهتر به نیازهای متغیر مشتریان و شرایط پویای بازار را فراهم می‌کند. در همین راستا، نتایج پژوهش معصومی (1404) نیز تأیید می‌کند که استفاده از تحلیل‌های پیش‌بینانه، الگوریتم‌های یادگیری ماشین و ابزارهای هوشمند در مدیریت ارتباط با مشتری می‌تواند بهره‌وری سازمانی را افزایش داده و کیفیت تعامل با مشتریان را بهبود بخشد؛ موضوعی که در این پژوهش نیز در قالب ارتقای تجربۀ مشتری و تحول در فرایندهای بازاریابی و فروش مشاهده شد. ازسوی‌دیگر، یافته‌های این پژوهش با نتایج ابراهیم‌پور (1404) نیز همخوان است که نشان داد مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی می‌تواند عملکرد ارتباطی شرکت‌ها را بهبود بخشیده و در نهایت به ارتقای عملکرد و پایداری سازمانی منجر شود. همچنین، نتایج مطالعه فروزنده و همکاران (1404) که بر نقش مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی در ارتقای رقابت‌پذیری سازمان‌ها تأکید دارد، با یافته‌های پژوهش حاضر مبنی‌بر نقش هوش مصنوعی در ایجاد مزیت رقابتی پایدار، همسوست. از منظر فناوری‌های نوظهور نیز، نتایج این پژوهش با یافته‌های لیانگ و همکاران (Liang et al., 2026) دربارۀ نقش فناوری دوقلوی دیجیتال در بهینه‌سازی تصمیم‌گیری، افزایش کارایی و بهبود مدیریت فرایندها در صنعت خودرو همخوانی مفهومی دارد؛ زیرا هر دو پژوهش بر اهمیت تحلیل داده‌ها، شبیه‌سازی و مدیریت هوشمند فرایندها در تحول صنعت خودرو تأکید دارند. همچنین، نتایج پژوهش وانگ و همکاران (Wang et al., 2026) که بر نقش هوش مصنوعی در بهبود طراحی، کنترل هوشمند و توسعۀ تولید پیشرفته در صنعت خودرو و سایر صنایع تأکید می‌کند، با یافته‌های این پژوهش درخصوص نقش هوش مصنوعی در ایجاد نوآوری و تحول در مدل‌های کسب‌وکار هم‌راستا است. علاوه‌بر این، یافته‌های پژوهش حاضر با نتایج حسینی طاهری و اخوان تفتی (1403) نیز مطابقت دارد که نشان دادند استفاده از هوش مصنوعی توضیح‌پذیر می‌تواند پذیرش سیستم‌های مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی را افزایش داده و تعامل مدیران با این سیستم‌ها را بهبود بخشد؛ موضوعی که می‌توان آن را در پژوهش حاضر نیز در قالب اهمیت ابعاد انسانی و مدیریتی در بهره‌برداری مؤثر از فناوری‌های هوشمند تفسیر کرد. در نهایت، نتایج پژوهش سلطانی (1403) دربارۀ عوامل مؤثر بر کیفیت تجربۀ مشتری در اپلیکیشن‌های اشتراک خودرو نیز با یافته‌های این پژوهش همخوانی دارد؛ زیرا هر دو بر نقش فناوری‌های هوشمند، شخصی‌سازی خدمات، سرعت ارائۀ خدمات و شفافیت اطلاعات در ارتقای تجربۀ مشتری و افزایش رضایت و وفاداری کاربران تأکید دارند. درمجموع، مقایسۀ نتایج پژوهش حاضر با مطالعات پیشین نشان می‌دهد که ادغام هوش مصنوعی در مدیریت ارتباط با مشتری، به‌ویژه در صنعت خودرو، موجب بهبود کارایی و عملکرد سازمانی می‌شود و ازطریق ارتقای تجربۀ مشتری، توسعۀ نوآوری و تصمیم‌گیری داده‌محور می‌تواند زمینه‌ساز شکل‌گیری مزیت رقابتی پایدار در محیط رقابتی و پویای بازارهای امروزی باشد.

 

براساس نتایج پژوهش، پیشنهادهای کاربردی زیر ارائه شده است:

درخصوص بُعد بهبود کارایی عملیاتی و بهره‌وری منابع به مدیران صنعت خودروسازی پیشنهاد می‌شود پژوهش‌های آینده را به‌گونه‌ای طراحی کنند که نقش هوش مصنوعی را در خودکارسازی وظایف تکراری و پردازش داده‌ها بررسی کرده و نشان دهند چگونه الگوریتم‌های هوشمند می‌توانند فرایندهایی مانند گزارش‌گیری، دسته‌بندی اولیۀ درخواست‌ها و داده‌کاوی پایه را با دقت و سرعت بیشتر انجام دهند. همچنین، پیشنهاد می‌شود اثر استانداردسازی هوشمند فرایندها بر کاهش هزینه‌های عملیاتی و خطای انسانی مطالعه تا مشخص شود استفاده از سیستم‌های مبتنی‌بر هوش مصنوعی چگونه می‌تواند کیفیت عملیات پشتیبانی و خدمات پس‌از فروش را ارتقا دهد. ازسوی‌دیگر، پژوهش‌های آینده می‌توانند به بررسی نقش هوش مصنوعی در بهینه‌سازی تخصیص منابع انسانی بپردازند و تحلیل کنند که آزادسازی زمان کارکنان از وظایف تکراری چگونه امکان تمرکز بر فعالیت‌های خلاقانه‌تر و تعاملات پیچیده با مشتری را فراهم می‌سازد. همچنین، بررسی اثربخشی سرویس‌دهی 7/24 (شبانه‌روزی) مبتنی‌بر چت‌بات‌ها و سیستم‌های پاسخ‌گویی هوشمند از ضرورت‌های پژوهشی است تا مشخص شود این ابزارها چگونه می‌توانند دسترسی مداوم مشتریان به خدمات را تضمین کنند.

درخصوص بُعد تقویت تصمیم‌گیری راهبردی و مدیریت عملکرد، به مدیران صنعت خودروسازی پیشنهاد می‌شود پژوهش‌های آینده را بر بررسی نقش هوش مصنوعی در ارتقای کیفیت تصمیم‌سازی متمرکز کنند؛ به‌ویژه ازطریق تحلیل کلان‌داده‌های مشتری که امکان یکپارچه‌سازی اطلاعات رفتاری، تراکنشی و روان‌شناختی را فراهم کرده و می‌تواند الگوهای پنهان در رفتار مشتریان را آشکار سازد. همچنین، پیشنهاد می‌شود اثر مدل‌های پیش‌بینی‌کننده بر دقت پیش‌بینی روندهای بازار و رفتار مشتری بررسی تا مشخص شود چگونه استفاده از الگوریتم‌های یادگیری ماشین می‌تواند تصمیمات بازاریابی، فروش و برنامه‌ریزی تولید را جهت‌دهی کند. ازسوی‌دیگر، پژوهش‌هایی که کارآمدی شبیه‌سازی سناریو و ارزیابی راهبردها را تحلیل می‌کنند می‌توانند نشان دهند که مدل‌سازی هوشمند چگونه تأثیر تصمیمات مختلف بر شاخص‌هایی نظیر سودآوری، میزان نگهداشت و ارزش طول عمر مشتری را پیش‌از اجرا به سازمان هشدار می‌دهد. همچنین، انجام مطالعاتی دربارۀ پایش لحظه‌ای عملکرد و ایجاد سیستم‌های هشدار هوشمند حائز اهمیت است؛ زیرا چنین سیستم‌هایی می‌توانند انحرافات عملکردی را به‌موقع شناسایی کرده و سرعت واکنش سازمان را افزایش دهند.

درخصوص بُعد ارتقای تجربۀ مشتری و شخصی‌سازی رابطه به مدیران صنعت خودروسازی پیشنهاد می‌شود پژوهش‌های آینده بر بررسی نقش هوش مصنوعی در توسعۀ سیستم‌های توصیه‌گر هوشمند و شخصی‌سازی پیشرفته متمرکز تا مشخص شود چگونه پیشنهاد محصولات و خدمات براساس تاریخچه و نیم‌رخ رفتاری هر مشتری می‌تواند احتمال خرید، رضایت و وفاداری را افزایش دهد. همچنین، ضرورت دارد اثر مدل‌های پیش‌بینی‌کننده بر شناسایی زودهنگام نیازهای مشتری، مانند یادآوری سرویس‌های دوره‌ای یا پیش‌بینی تمایل به خرید، مطالعه تا مشخص شود چگونه اقدام پیش‌دستانه می‌تواند تجربۀ مشتری را تقویت کند. پژوهش‌های آینده می‌توانند بر تحلیل نقش هوش مصنوعی در تسهیل و شخصی‌سازی سفر خرید نیز تمرکز کنند و نشان دهند که به‌کارگیری الگوریتم‌های هوشمند در مراحل آگاهی، ارزیابی، خرید و پس‌از خرید چگونه مسیر تعامل مشتری را روان‌تر و اثربخش‌تر می‌سازد. ازسوی‌دیگر، بررسی اثر تحلیل خودکار شکایات، پیش‌بینی خرابی و برنامه‌ریزی نگهداشت پیشگیرانه بر کیفیت خدمات پس‌از فروش می‌تواند به ارائۀ مدل‌هایی منجر شود که خرابی‌ها را کاهش داده و رضایت مشتریان خودرو را افزایش ‌دهد. همچنین، پیشنهاد می‌شود پژوهش‌هایی دربارۀ نقش هوش مصنوعی در ایجاد تجربۀ یکپارچه چندکاناله انجام تا روشن شود هماهنگی هوشمند میان تماس تلفنی، وب‌سایت، اپلیکیشن و شبکه‌های اجتماعی چگونه انسجام تجربۀ مشتری را تضمین می‌کند.

درخصوص بُعد تحول در بازاریابی و فرایندهای فروش به مدیران صنعت خودروسازی پیشنهاد می‌شود پژوهش‌های آینده بر بررسی نقش هوش مصنوعی در توسعۀ بازاریابی پیش‌بین متمرکز شوند تا مشخص شود چگونه تحلیل داده‌های مشتریان می‌تواند افراد با بیشترین احتمال خرید یا ریزش را شناسایی کرده و اثربخشی فعالیت‌های بازاریابی را افزایش دهد. همچنین، اهمیت مطالعه دربارۀ کاربرد الگوریتم‌های یادگیری ماشین در ایجاد تقسیم‌بندی پویا و پیشرفته مشتریان به این دلیل است تا روشن شود چگونه تحلیل الگوهای پیچیدۀ رفتاری، فراتر از داده‌های صِرف جمعیت‌شناختی، می‌تواند بخش‌بندی دقیق‌تری از بازار فراهم کند. علاوه‌بر این، پیشنهاد می‌شود پژوهش‌هایی دربارۀ شخصی‌سازی کمپین‌های بازاریابی در مقیاس انبوه انجام تا مشخص شود چگونه تولید و توزیع محتوای متناسب با ویژگی‌های هر بخش از مشتریان می‌تواند میزان تبدیل و اثربخشی کمپین‌ها را افزایش دهد. بررسی نقش هوش مصنوعی در بهینه‌سازی ترکیب کانال‌های بازاریابی نیز می‌تواند نشان دهد که تشخیص بهترین کانال و زمان ارتباط با هر مشتری چگونه موجب بهبود تعامل و کارایی سرمایه‌گذاری‌های بازاریابی می‌شود. ازسوی‌دیگر، انجام مطالعاتی دربارۀ پشتیبانی هوشمند از نیروهای فروش نیز حائز اهمیت است تا مشخص شود ارائۀ توصیه‌های لحظه‌ای، تحلیل داده‌های مشتری و مدیریت هوشمند پایپ‌لاین فروش چگونه می‌تواند به توسعۀ فروش راه‌حل‌محور کمک کند.

درخصوص بُعد ایجاد نوآوری و مزیت رقابتی پایدار پیشنهاد می‌شود پژوهش‌های آینده بر نقش هوش مصنوعی در کشف فرصت‌های نوظهور بازار و توسعۀ محصولات مبتنی‌بر نیازهای پنهان مشتریان تمرکز کنند تا روشن شود تحلیل الگوهای رفتاری و خلأهای موجود بازار چگونه می‌تواند مسیر توسعۀ خودروها و خدمات جدید را جهت‌دهی کند. همچنین، لازم است بررسی شود هوش مصنوعی چگونه می‌تواند زمینه‌ساز مدل‌های کسب‌وکار نوآورانه نظیر خدمات اشتراکی یا رویکرد «محصول به‌عنوان خدمت» در صنعت خودرو شود و چه پیامدهایی برای ارزش‌آفرینی بلندمدت دارد. ازسوی‌دیگر، پژوهش دربارۀ خدمات ارزش‌افزوده مبتنی‌بر داده، مانند اعتبارسنجی رفتار رانندگی یا طراحی بیمه‌های شخصی‌سازی‌شده از این جهت اهمیت دارد تا مشخص کند این خدمات چگونه بر تمایز رقابتی و وفاداری مشتری اثر می‌گذارند. بررسی نقش بینش‌های لحظه‌ای هوش مصنوعی در افزایش چابکی سازمانی نیز می‌تواند نشان دهد واکنش سریع به تغییرات بازار چگونه تصمیم‌گیری را کارآمدتر و از فرسودگی مزیت رقابتی جلوگیری می‌کند.

 

محدودیت‌ها

پژوهش حاضر به‌‌دلیل اتکای اصلی بر مصاحبه‌های نیمه‌ساختاریافته، به ادراک و تجربۀ خبرگان وابسته است و ممکن است برخی کاربردهای بالقوۀ هوش مصنوعی که در عمل هنوز تجربه نشده‌اند در فرایند تحلیل به آن‌ها توجه نشود. همچنین، ماهیت مقطعی داده‌ها امکان بررسی پویایی‌های زمانی، تکامل فناوری و تغییر رفتار مشتریان را در صنعت خودرو محدود می‌کند و نمی‌توان دربارۀ روندهای بلندمدت یا آثار تأخیری فناوری، قضاوت قطعی کرد. افزون‌بر این، اولویت‌بندی کاربردهای هوش مصنوعی در مدیریت ارتباط با مشتری باوجود اتکا بر روش معتبر سوارا، همچنان متأثر از قضاوت ذهنی خبرگان است و ممکن است درصورت گسترش حجم نمونه، استفاده از داده‌های میدانی یا ترکیب روش‌های تصمیم‌گیری چندمعیاره، وزن‌ها و رتبه‌ها دستخوش تغییر شوند.

 

پیشنهادهایی به پژوهشگران آینده

پیشنهاد می‌شود پژوهش‌های آینده با به‌کارگیری طرح‌های طولی یا داده‌های رفتاری واقعی مشتریان، پویایی آثار هوش مصنوعی را در مدیریت ارتباط با مشتری بررسی کنند تا مشخص شود اولویت کاربردها در طول زمان چگونه تغییر می‌کند و چه عواملی این تغییرات را توضیح می‌دهند. همچنین، ضرورت دارد مطالعات تجربی‌تری مبتنی‌بر آزمایش، تحلیل داده‌های کلان یا روش‌های یادگیری ماشین انجام شود تا کارایی واقعی هر کاربرد در بهبود فروش، حفظ مشتری و کیفیت خدمات پس‌از فروش سنجیده و اختلاف میان ادراک خبرگان و عملکرد واقعی مشخص شود. در نهایت پیشنهاد می‌شود پژوهش‌های آینده با توسعۀ مدل‌های تصمیم‌گیری ترکیبی و مقایسۀ روش‌هایی چون بهترین-بدترین، فرایند تحلیل شبکه‌ای و مدل‌های چندسطحی، چارچوبی دقیق‌تر برای اولویت‌بندی کاربردهای هوش مصنوعی ارائه دهند تا حساسیت نتایج به روش‌شناسی کاهش یافته و قابلیت تعمیم آن‌ها افزایش یابد. در ادامه، پژوهش‌های آینده می‌توانند بر ایجاد اکوسیستم‌های ارزشی هوشمند، شامل یکپارچه‌سازی خدماتی مانند شارژ خودروهای برقی، پارکینگ، تعمیرگاه و خدمات جاده‌ای متمرکز شوند تا مشخص شود هماهنگی داده‌محور میان این اجزا چگونه به خلق ارزش جدید برای مشتری می‌انجامد. در آخر، ضرورت دارد نقش هوش مصنوعی در پیش‌بینی اختلالات زنجیرۀ تأمین، مدیریت ریسک و بهینه‌سازی موجودی بررسی تا روشن شود چگونه تحلیل هوشمند تقاضا می‌تواند تاب‌آوری صنعت خودرو را در برابر نوسانات محیطی افزایش دهد.

References

ابراهیم‌پور، سمیرا (۱۴۰۴). تأثیر آمادگی فناوری شرکت‌های B2B بر ظرفیت مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی با نقش میانجی ظرفیت فناوری اطلاعات و ارتباطات و نقش تعدیل‌گر پویایی صنعت (مورد مطالعه: شرکت‌های B2B). چهارمین کنگره بین‌المللی مدیریت، اقتصاد، علوم انسانی و توسعه کسب‌وکار. تبریز، ایران.
https://civilica.com/doc/2391107/
امیدی بیدگلی، مصطفی، و فلاح، علی‌اصغر (۱۴۰۴). تحقیقی بر کاربردهای هوش مصنوعی و یادگیری ماشین در صنعت خودروسازی. دهمین کنفرانس بین‌المللی دانش و فناوری مهندسی مکانیک، برق و کامپیوتر ایران. تهران. ایران.
https://civilica.com/doc/2315337/
آذری، فاطمه، و عبداللهی، علی (۱۴۰۴). ارزیابی بلوغ سازمانی هوش مصنوعی: مرور سیستماتیک ادبیات و استخراج چارچوب‌های بلوغ هوش مصنوعی. نشریه مدیریت استراتژیک هوشمند، 4(1)، ۱۴۵–۱۷۰.
https://www.bumara.ir/article_217920.html
حبیبی، آرش، و آفریدی، صنم (1401). تصمیم‌گیری چندشاخصه (قطعی و فازی). نارون دانش.
جلال‌نیا، راحله، و اکبری، محسن (1404). ارائۀ الگویی جهت تدوین راهبرد بازاریابی پایدار در صنایع غذایی ایران (مورد مطالعه: تولیدکنندگان فرآورده‌های پروتئینی). تحقیقات بازاریابی نوین، 15(3)، 77-104.
https://doi.org/10.22108/nmrj.2025.145879.3212
جلال‌نیا، راحله، و حامدی، ارکیده (1402). طراحی و اعتبارسنجی مدل ارتباطات بلندمدت خریدار-فروشنده در منطقه‌های آزاد تجاری. تحقیقات بازاریابی نوین، 13(4)، 182-161.
https://doi.org/10.22108/nmrj.2024.140248.3011
حسینی طاهری، سید حسین، و اخوان تفتی، حجت (۱۴۰۳). تأثیر هوش مصنوعی توضیح‌پذیر بر تمایل به اشتراک‌گذاری دانش در سیستم‌های مدیریت ارتباط با مشتری تلفیق‌یافته با هوش مصنوعی. نوزدهمین کنفرانس ملی پژوهش‌های کاربردی در علوم برق، کامپیوتر و مهندسی پزشکی. شیروان. ایران
https://civilica.com/doc/2023345/
دالوند، مرتضی (۱۴۰۴). بررسی تأثیر مدیریت ارتباط با مشتری بر بهبود وفاداری مشتریان در کسب‌وکارهای کوچک. مطالعات کاربردی در علوم مدیریت و توسعه، 10(۲)، ۹۹–۱۰۸.
https://www.magiran.com/paper/2873242/
سلطانی، فاطمه (۱۴۰۳). عوامل مؤثر بر کیفیت تجربه مشتری در اپلیکیشن‌های اشتراک‌گذاری خودرو. اولین کنفرانس بین‌المللی فناوری اطلاعات، مدیریت و کامپیوتر، ساری. ایران.
https://civilica.com/doc/2084047/
شادپور، مارال، شاهرودی، کامبیز، و دل‌افروز، نرگس (۱۴۰۴). مدلی برای کاهش ریزش مشتریان با استفاده از مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی در صنعت بیمه. مطالعات مدیریت کسب‌وکار هوشمند، 14(52)، 230-189.
https://doi.org/10.22054/ims.2025.81499.2507
فروزنده، احسان، جلالی، سید مهدی، و طاهری‌کیا، فریز (۱۴۰۴). طراحی و اعتبارسنجی مدل مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی بر رقابت‌پذیری صنعت غذایی. نشریه مدیریت، آموزش و توسعه در عصر دیجیتال، ۲(2)، 1-18.
https://doi.org/10.61838/medda.180
قنبری، هادی، نظرآبادی، بهنام، کیا، مجتبی، ناصرپور، یوسف، و طاهری، مهدی (۱۴۰۴). تأثیر هوش مصنوعی در لجستیک صنعت خودروسازی: یک رویکرد جامع و استراتژیک. چهارمین کنگره بین‌المللی مدیریت، اقتصاد، علوم انسانی و توسعه کسب‌وکار. تبریز، ایران.
https://civilica.com/doc/2391377/
کینگ، کیتی (۱۴۰۴). استراتژی هوش مصنوعی برای مدیریت بازاریابی و فروش: یکپارچه‌سازی و ایجاد پیوند میان بازاریابی، فروش و تجربه مشتری (علی نیک‌سرشت، نیما پیشوا و عباسیان‌ محمدی، مترجمان). ادیبان روز.
مشهدی‌خانی، مهدی، پورابراهیمی، علیرضا، و مبلغی، مصطفی (۱۴۰۴). بررسی اثرات متقابل پارامترهای پذیرش فناوری‌های مبتنی‌بر هوش مصنوعی: مطالعه موردی شرکت کرمان موتور. مطالعات مدیریت صنعتی، 23(۷۸)، ۲۸۷-۳۲۱.
https://jims.atu.ac.ir/article_19659.html
معصومی، سمیه (۱۴۰۴). مدیریت ارتباط با مشتری مبتنی‌بر هوش مصنوعی در کسب‌وکارهای B2B. چهارمین کنگره بین‌المللی مدیریت، اقتصاد، علوم انسانی و توسعه کسب‌وکار. تبریز، ایران.
https://civilica.com/doc/2391408/
 
Azari, F., & Abdollahi, A. (2025). Evaluation of organizational ai maturity: A systematic literature review and extraction of AI maturity frameworks. Journal of Intelligent Strategic Management, 4(1), 145-170.
https://www.bumara.ir/article_217920.html [in Persian]
Braun, V., & Clarke, V. (2022). Thematic analysis: A practical guide. Sage.
Brzozowska, A. (2024). Managing customer relationships using customer care techniques: Strategy development of an international enterprise. Taylor & Francis. https://doi.org/10.1201/9781032713915
Dalvand, M. (2025). Investigating the impact of customer relationship management on improving customer loyalty in small businesses. Applied Studies in Management Sciences and Development, 10(2), 99–108.
https://magiran.com/p2873242 [in Persian]
Ebrahimpour, S. (2025). The impact of B2B companies’ technology readiness on AI-enabled CRM capacity: The mediating role of IT/CC capacity and the moderating role of industry dynamics. 4th.International Congress on Management, Economy, Humanities and Business Development.
https://civilica.com/doc/2391107/ [in Persian]
Fehrenbach, D., Herrando, C., & Österle, B. (2026). Artificial intelligence applications in the B2B sales funnel. Journal of Business-to-Business Marketing, 33(1), 1-24.
https://doi.org/10.1080/1051712X.2025.2481374
Forouzandeh, E., Jalali, S. M., & Taheri Kia, F. (2025). Design and validation of an artificial intelligence-based customer relationship management model for competitiveness in the food industry. Management, Education and Development in Digital Age, 2(2), 1-18.
https://doi.org/10.61838/medda.180 [in Persian]
Ghanbari, H., NazrAbadi, B., Kia, M., Naserpour, Y., & Taheri, M. (2025). The impact of AI on logistics in the automotive industry: A comprehensive and strategic approach. 4th.International Congress on Management, Economy, Humanities and Business Development.
https://civilica.com/doc/2391377/ [in Persian]
Habibi, A., & Afaridi, S. (2022). Multi-criteria decision making (MCDM) (Deterministic and Fuzzy). Narvan Danesh Publications [in Persian]
Hosseini Tahriri, S. H., & Akhavan Tafti, H. (2024). The impact of explainable AI on knowledge sharing intention in AI-integrated customer relationship management systems. The 19th National Conference of Applied Researches in Electrical Sciences, Computers and Medical Engineering, Shirvan.
https://civilica.com/doc/2023345/ [in Persian]
Jalalniya, R., & Akbari, M. (2025). Developing a model for formulating sustainable marketing strategies in the Iranian food industry (Case Study: Protein Product Manufacturers). New Marketing Research Journal, 15(3), 77-104.
https://doi.org/10.22108/nmrj.2025.145879.3212 [in Persian]
Jalalniya, R., & Hamedi, O. (2024). Designing and validating a long-term buyer-seller communication model in free trade zones. New Marketing Research Journal, 13(4), 161-182. https://doi.org/10.22108/nmrj.2024.140248.3011 [in Persian]
Jefremow, M., Zipperstein, D., Schaefer, J., & Voigtlaender, A. (2024). Artificial intelligence enhanced resolver system for automotive traction inverter applications based on AURIX TC4x. International Exhibition and Conference for Power Electronics, Intelligent Motion, Renewable Energy and Energy Management. https://doi.org/10.30420/566262371
Keršuliene, V., Zavadskas, E. K., & Turskis, Z. (2010). Selection of rational dispute resolution method by applying new step‐wise weight assessment ratio analysis (SWARA). Journal of business economics and management, 11(2), 243-258.
https://www.tandfonline.com/doi/abs/10.3846/jbem.2010.12
King, K. (2025). AI strategy for marketing and sales management: Integrating and connecting marketing, sales, and customer experience (A. Nik-Seresht, N. Pishva, & H. Abbasian-Mohammadi, Trans.). Adibane Rooz. [in Persian]
Kwilinski, A., Trushkina, N., Remyha, Y., & Patlachuk, T. (2025). Impact of Artificial Intelligence on Customer Relationship Management: A Bibliometric Analysis. International Conference on Applied Innovations in IT.
 https://doi.org/10.25673/119246
Landis, J. R., & Koch, G. G. (1977). The measurement of observer agreement for categorical data. Biometrics, 33(1), 159-174. https://doi.org/10.2307/2529310
Ledro, C., Nosella, A., & Dalla Pozza, I. (2026). Unlocking the power of artificial intelligence in customer relationship management: A comprehensive analysis of critical success factors. Journal of Retailing and Consumer Services, 91, 104754. https://doi.org/10.1016/j.jretconser.2026.104754
Liang, Y., Song, K., Wang, S., & Han, J. (2026). Application and empowerment path of digital twin technology in automobile manufacturing industry. In Smart Cities and the Internet of Things: The Evolution of Cities (pp. 141-150). Cham: Springer Nature Switzerland.
https://doi.org/10.1007/978-3-032-08290-9_13
Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic Inquiry. Sage Publications, Inc.
Maoulainine, F. Z. C., & SOUAF, M. (2025). Customer relationship management in the era of big data and artificial intelligence. Revue Française d'Economie et de Gestion, 6(1).
https://revuefreg.fr/index.php/home/article/view/1932
Mashhadikhani, M., Poorebrahimi, A., & Moballeghi, M. (2025). Investigating the interaction effects of adoption parameters of artificial intelligence-based technologies: A case study of Kerman Motor Company. Industrial Management Studies, 23(78), 287-321.
https://doi.org/10.22054/jims.2025.85251.2966 [in Persian]
Masoumi, S. (2025). AI-enabled customer relationship management in B2B businesses. 4th.International Congress on Management, Economy, Humanities and Business Development.
https://civilica.com/doc/2391408/ [in Persian]
Morales Matamoros, O., Takeo Nava, J. G., Moreno Escobar, J. J., & Ceballos Chávez, B. A. (2025). Artificial intelligence for quality defects in the automotive industry: A systemic review. Sensors, 25(5), 1288. https://doi.org/10.3390/s25051288
Omidi Bidgoli, M., & Fallah, A. A. (2025). Research on applications of artificial intelligence and machine learning in the automotive industry. The 10th international Conference on Knowledge and Technology of Mechanical, Electrical Engineering and Computer of Iran, Tehran. https://civilica.com/doc/2315337/ [in Persian]
Perez-Bertozzi, J. A., & Palos-Sanchez, P. R. (2026). Electronic customer relationship management adoption: Exploring its evolution through bibliometric analysis and topic modeling. Journal of Relationship Marketing, 1-48.
https://doi.org/10.1080/15332667.2026.2619795
Prior, D. D. (2024). Customer relationship management: Concepts, applications, and technologies (5th ed.). Routledge.
https://doi.org/10.4324/9781003295150
Putri, D., Pramudita, A., Skepy, S. N. A., Carolina, A., & Hidayat, R. (2026). Strategic customer relationship management (CRM) Dalam Meningkatkan Retensi Pelanggan Pada Bisnis Ritel Modern. Business and Investment Review, 4(1). https://doi.org/10.61292/birev.232
Shadpour, M., Shahroodi, K., & Delafrooz, N. (2025). A model to reduce customer churn using artificial intelligence-based customer relationship management in the insurance industry. Business Intelligence Management Studies, 14(52), 189-230. https://doi.org/10.22054/ims.2025.81499.2507 [in Persian]
Singh, V., Hughes, L., Albashrawi, M. A., Jeon, I., & Dwivedi, Y. K. (2026). Generative artificial intelligence (GenAI) in procurement and supply chain management: applications, opportunities and challenges. Journal of Systems and Information Technology, 28(1), 123-144. https://doi.org/10.1108/JSIT-03-2025-0139
Soltani, F. (2024). Factors affecting customer experience quality in car-sharing applications. 1st international conference on information technology, management and computer, Sari.
https://civilica.com/doc/2084047/ [in Persian]
Verma, J. K., Kanday, R., & Gupta, S. (2024). Role of artificial intelligence in revolutionizing the automotive industry: A review. International Conference on Recent Advances in Waste Minimization & Utilization-2024, 556(01039).
https://doi.org/10.1051/e3sconf/202455601039
Wang, S., Zhou, L., Zhong, S., Li, G., Zhang, L., Wang, X., Li, Z., & Lu, J. (2026). Recent advances in metal additive manufacturing: Materials design and artificial intelligence applications. Engineering. Advance online publication.
https://doi.org/10.1016/j.eng.2025.11.033
Zhu, A. (2024). Design and research of green concept product packaging based on artificial intelligence technology. Applied Mathematics and Nonlinear Sciences, 9(1). https://doi.org/10.2478/amns.2023.2.00763

Files

History

  • Receive Date: 01 February 2026
  • Revise Date: 03 May 2026
  • Accept Date: 19 May 2026

Share

How to cite

Statistics