تحلیل شکاف استقرار هوش مصنوعی در شرکت¬های تبلیغاتی و بازاریابی در ایران با استفاده از رویکرد ترکیبی ANP و DEMATEL
محورهای موضوعی : مدیریت بازاریابی
آریانا دبیری‌فرد
1
,
جهانبخش رحیمی باغملک
2
*
1 - دانشجوی دکتری تخصصی مدیریت بازرگانی،گروه مدیریت، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران
2 - استادیار، گروه مدیریت بازرگانی، واحد گچساران، دانشگاه آزاد اسلامی، گچساران، ایران
کلید واژه: هوش مصنوعی, سازمان, بازاریابی, ANP, DEMATEL,
چکیده مقاله :
مقدمه: این تحقیق با هدف تحلیل شکاف استقرار هوش مصنوعی در شرکتهای تبلیغاتی و بازاریابی در ایران انجام شد.
روش پژوهش: روش مطالعه تصمیمگیری چندمعیاره با استفاده ازSuper Decision انتخاب شد. روش‌هاي گردآوری اطلاعات با توجه به پیشینه پژوهش از روش‌های کتابخانه‌ای و جهت جمعآوری اطلاعات برای پاسخ به سوالات پژوهش از روش میدانی استفاده گردید. ابزار استفاده شده جهت گردآوری اطلاعات در این پژوهش از طریق پرسشنامه طراحی شده توسط محقق به منظور شناسایی چالشها است. در مرحله بعد با استفاده از نظرات خبرگان، آنها را اصلاح و سپس به روش رویکرد ترکیبی ANP وDEMATEL تحلیل شد.
یافته‌ها: یافتههای تحقیق نشان داد که در مبحث فنی عامل امنیت، در مبحث فرهنگ عامل رهبری و پشتوانه سازمانی، در مبحث سازمانی-انسانی عامل استراتژی سازمانی و در مبحث اجتماعی-محیطی فرهنگ سازمانی بیشترین اهمیت را از دیدگاه خبرگان دارا بودند.
نتیجه‌گیری: نتایج تحقیقات نیز بیان کرد هوش مصنوعی دنیای کسب و کار را متحول میکند، نوآوری و بهرهوری را افزایش میدهد و به شرکتهای تبلیغاتی و بازاریابی کمک میکند بزرگتر فکر کنند. عدم دانش و تجربه فعلی در استفاده از این فناوری قطعاً یکی از موانع اصلی است که سازمانها را از استفاده از هوش مصنوعی در بازاریابی باز میدارد. اما راه و تنها پاسخ به این امر، آموزش است. قابل ذکر است که یکی دیگر از عوامل مورد بررسی در تحقیق روندهای در حال تغییر دائمی بود که یکی دیگر از موانع اصلی است که در زمینه هوش مصنوعی شاهد آن هستیم. این امر اجتناب ناپذیر است زیرا این فناوری هنوز در حال توسعه است. با اینحال هیچ راهی برای حل این مشکل وجود ندارد جز اینکه خود را دائما بروز کند. سازمانها میتوانند از هوش مصنوعی برای بهبود محصولات، فرآیندها و تصمیمگیری خود استفاده کنند. تاثیر هوش مصنوعی در تمام صنایع به خصوص بازاریابی محسوس است. با کمک هوش مصنوعی، شرکت‌ها برای مبارزه با بحران با استفاده از الگوریتم‌های تصمیمگیری هوش مصنوعی، شناسایی ناهنجاری‌ها و پیش‌بینی رفتار آینده مجهزتر هستند.
Introduction: This research was conducted with the aim of analyzing the gap in the deployment of artificial intelligence in advertising and marketing companies in Iran.
Method: the multi-criteria decision-making study method was chosen using Super Decision. The methods of information collection, according to the background of the research, library methods were used, and the field method was used to collect information to answer the research questions. The tool used to collect information in this research is through a questionnaire designed by the researcher in order to identify challenges. In the next step, using experts' opinions, they were modified and then analyzed using the combined approach of ANP and DEMATEL.
Results: The findings of the research showed that in the technical subject of security factor, in the subject of culture the leadership and organizational support factor, in the organizational-human factor of organizational strategy and in the social-environmental topic organizational culture had the most importance from the experts' point of view.
Conclusion: The research results also stated that artificial intelligence will transform the business world, increase innovation and productivity, and help advertising and marketing companies to think bigger. Lack of current knowledge and experience in using this technology is definitely one of the main obstacles that prevent organizations from using artificial intelligence in marketing. But the way and the only answer to this is education. It is worth noting that another factor investigated in the research was the constantly changing trends, which is another major obstacle that we see in the field of artificial intelligence. This is inevitable as the technology is still developing. However, there is no way to solve this problem except for it to constantly present itself. Organizations can use artificial intelligence to improve their products, processes and decision making. The impact of artificial intelligence is felt in all industries, especially marketing. With the help of AI, companies are better equipped to combat crisis by using AI decision-making algorithms, identifying anomalies and predicting future behavior.
کشکی، مونا، نایبزاده، شهناز، داودی رکنآبادی، ابوالفضل، حمدی، کریم. (1402). تحلیل پارادایم فکری و ترسیم نگاشت علمی تحقیقات بین‌المللی در حوزه ابزارهای بازاریابی دیجیتال در صنعت مد و پوشاک. مدیریت بازاریابی, 18(58)، 25-44.doi:10.30495/jomm.2023.69546.1976
Amba Kak, ed., “Regulating Biometrics: Global Approaches and Urgent Questions” AI Now Institute, September 1 2020, https://ainowinstitute.org/regulatingbiometrics.html
Avital, M., Henfridsson, O., & Yoo, Y. (2018). Challenges and opportunities in the digital era: Introduction to the special issue. Information Systems Journal, 28(2), 193-199.
Baker, M., & Hart, S. (Eds.). (2016). The Marketing Book (7th ed.). Routledge. https://doi.org/10.4324/9781315890005
BEEBE, M. 2019. Considering The Pros and Cons of Using Artificial Intelligence in Marketing [Online]. Available: https://medium.com/@_MarkBeebe_/considering-the-pros-and-cons-of-using-artificial-intelligence-in-marketing-34e11279b701
Beer, M., & Nohria, N. (2000). Cracking the code of change. Harvard Business Review, 78(3), 133-141.
Benbya, Hind; Davenport, Thomas H.; and Pachidi, Stella (2020) "Artificial Intelligence in Organizations: Current State and Future Opportunities," MIS Quarterly Executive: 19 (4). Available at: https://aisel.aisnet.org/misqe/vol19/iss4/4
Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. WW Norton & Company.
Brynjolfsson, E., & McAfee, A. (2017). The business of artificial intelligence. Harvard Business Review, 95(1), 57-66.
Bughin, J., Hazan, E., Ramaswamy, S., Chui, M., Allas, T., Dahlström, P., ... & Henke, N. (2018). Artificial intelligence: The next digital frontier?. McKinsey Global Institute.
Chen, M., Hao, Y., & Liu, Y. (2018). Artificial intelligence and big data-driven marketing in the era of globalization. Journal of International Management, 24(2), 67-75.
Chui, M., Manyika, J., & Miremadi, M. (2016). Where machines could replace humans—and where they can't (yet). McKinsey Quarterly, 2, 1-15.
Davenport, T. and Bean, R., 2018. “Farmers accelerates its time to Impact with AI.” Forbes, August 1. https://www.forbes.com/sites/tomdavenport/2018/08/01/farmers-accelerates-its-time-to-impact-with-ai/#51430150b672
Davenport, T. H., & Kirby, J. (2015). Beyond automation: Strategies for remaining gainfully employed in an era of very smart machines. Harvard Business Review, 93(6), 59-67.
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world: It's not what you think. Harvard Business Review, 96(1), 108-116.
Davenport, T., (2020). “Beyond unicorns: educating, classifying, and certifying data science talent,” Harvard Data Science Review, May 19, https://hdsr.mitpress.mit.edu/pub/t37qjoi7/release/2
Delgoshaei, P., & Rezaei, S. (2021). Artificial intelligence deployment: The role of knowledge sharing and collaboration in shaping organizational culture. Journal of Knowledge Management, 25(2), 369-392.
Deloitte (2020) “Thriving in the era of pervasive AI: Deloitte’s state of AI in the enterprise, 3rd edition,” Deloitte Insights, https://www2.deloitte.com/us/en/insights/focus/cognitive-technologies/state-of-aiand-intelligent-automation-in-business-survey.htm
Dutton, W. H., & Shepherd, A. (2006). Trust in the internet as an experience technology: The role of community, privacy, and trust. The Information Society, 22(2), 113-132.
Farooq, S., Jan, F. A., Nawaz, M. S., & Zameer, H. (2020). Knowledge sharing and AI adoption: The role of leadership and organizational culture. Journal of Business Research, 109, 462-473.
Floridi, L., & Taddeo, M. (2016). What is data ethics? Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2083), 20160360.
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., ... & Luetge, C. (2018). AI4People—An ethical framework for a good AI society: Opportunities, risks, principles, and recommendations. Minds and Machines, 28(4), 689-707.
Friedman, T. L. (2016). Thank you for being late: An optimist's guide to thriving in the age of accelerations. Macmillan.
Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 35(2), 137-144.
Genpact, 2020. “AI 360: Hold, fold, or double down,” https://www.genpact.com/uploads/files/ai-360-research-2020.pdf
Ghose, A. (2019). The AI advantage in marketing. MIT Sloan Management Review, 60(2), 69-75.
Han, J., Kamber, M., & Pei, J. (2011). Data mining: concepts and techniques. Elsevier.
HUANG, M.-H. & RUST, R. T. 2021. A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49, 30-50.
Kang, J., & Kim, D. (2020). Security issues and challenges for artificial intelligence deployment. Journal of Information Processing Systems, 16(6), 1468-1479.
Kiron, D., Prentice, P. K., & Ferguson, R. B. (2017). The impact of artificial intelligence on the future of work. MIT Sloan Management Review, 58(3), 1-16.
Lacity, M. C., & Willcocks, L. P. (2020). A new era for AI in the workplace. MIT Sloan Management Review, 61(4), 1-8.
Liu, H., & Ma, Y. (2019). Data preprocessing in artificial intelligence. In Artificial Intelligence in China (pp. 43-61). Springer, Singapore.
Martin, G., & Reddington, M. (2020). Enhancing organizational learning through artificial intelligence: Challenges and prospects. Journal of Organizational Change Management, 33(6), 1149-1164.
Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). The ethics of algorithms: Mapping the debate. Big Data & Society, 3(2), 1-21.
Möller, M., & Probst, F. (2019). The role of hardware in artificial intelligence deployment. In Artificial Intelligence in Business (pp. 69-80). Springer, Cham.
NewVantage (2019) “Big data and AI executive survey 2019, executive summary of findings,” NewVantage Partners, https://newvantage.com/wp-content/uploads/2018/12/Big-Data-Executive-Survey-2019-Findings-Updated-010219-1.pdf
Rajaraman, A., & Ullman, J. D. (2019). Mining of massive datasets. Cambridge University Press.
Raza, S. A., Standing, C., & Standing, S. (2020). Exploring the impact of trust on artificial intelligence adoption and deployment: Insights from manufacturing organizations. Technological Forecasting and Social Change, 151, 119821.
Ross, J. W., & Beath, C. M. (2020). What is your data strategy? MIT Sloan Management Review, 61(1), 1-8.
Schein, E. H. (2010). Organizational culture and leadership. John Wiley & Sons.
Verma, Sanjeev, Rohit Sharma, Subhamay Deb, Debojit Maitra. (2021). Artificial intelligence in marketing: Systematic review and future research direction. International Journal of Information Management Data Insights. 7-32.
Vetterli, C. F. Uebernickel, W. Brenner, C. Petrie, D. Stermann. (2016). How Deutsche bank’s IT division used design thinking to achieve customer proximity MIS Quarterly Executive, 15 (1) pp. 37-53.
Wu, L., & Zhang, X. (2021). The role of leadership in the successful deployment of artificial intelligence. Journal of Organizational Change Management, 34(4), 957-975.