ارائه الگوی بازاریابی دیجیتال شخصی سازی شده از طریق موتور توصیه گرا به مشتریان با رویکرد تحلیل تم (مضمون)
الموضوعات : مدیریت بازاریابی
محمد جواد پیران
1
,
رضا رادفر
2
,
سینا نعمتی زاده
3
,
محمد علی افشار کاظمی
4
1 - دانشجوی دکتری مدیریت فناوری اطلاعات گرایش مدیریت خدمات و توسعه فناوری اطلاعات، دانشکده مدیریت و اقتصاد، دانشگاه علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران
2 - استاد گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، دانشگاه علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران
3 - دانشیار گروه مدیریت بازارگانی، دانشکده مدیریت، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
4 - دانشیار گروه مدیریت صنعتی، دانشکده مدیریت، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
الکلمات المفتاحية: بازاریابی, دیجیتال شخصی¬سازی شده, موتور توصیه¬گرا, تحلیل تم (مضمون). ,
ملخص المقالة :
بازاریابی دیجیتال شخصیسازی شده یکی از روندهای مهم و پررونق در دنیای بازاریابی دیجیتال است که با هدف ارائه تجربه‌های منحصربه‌فرد و خاص برای هر مشتری، توسعه یافته است. در این روش، بازاریابان تلاش می‌کنند تا با جمع‌آوری و تحلیل داده‌های کاربران، نیازها، ترجیحات و رفتارهای آنها را درک کرده و محتوای بازاریابی، تبلیغات و پیشنهادات را به‌گونه‌ای طراحی کنند که با هر فرد به‌طور خاص همخوانی داشته باشد. هدف از انجام پژوهش حاضر شناسایی ابعاد و
مؤلفههای بازاریابی دیجیتال شخصیسازی شده از طریق موتور توصیهگرا به مشتریان با رویکرد تحلیل تم میباشد. بدین منظور پس از مرور ادبیات موضوع و پیشینه تحقیق مضامین پایه و سازماندهنده شناسایی شدند. سپس با استفاده از نظرسنجی و مصاحبه با 25 خبره متخصص و اساتید دانشگاهی مسلط به مفاهیم بازاریابی دیجیتالی شخصیسازی شده به معرفی مدل مفهومی تحقیق پرداخته شده است. در پایان نیز پیشنهادهای کاربردی به مدیران فناوری اطلاعات و بازاریابی در فروشگاه‌های آنلاین از جمله دیجیکالا ارائه شده است.
1. انارکی، مژده رباطی و ریاحی، نوشین. (1402). روش تکاملی بهبود انتخاب الگوریتم در سیستم¬های توصیه‌گر فیلترینگ مشارکتی. فصلنامه پردازش علائم و داده¬ها، 20(1)، 59-78.
2. حسنی، محمد مهدی وسرمدی، عشرت. (1402). یک سیستم توصیه¬گر در اینترنت اشیا با استفاده از ماشین بردار پشتیبان و مدل تصمیم¬گیری چندمعیاره تاپسیس. پدافند الکترونیکی و سایبری، 11(4)، 61-73.
3. حضوری، سمیه، عبدالوند، محمدعلی، حیدرزاده، کامبیز و خون سیاوش، محسن. (1403). طراحی مدل رفتار خرید مصرف¬کننده زیبایی و مد با استفاده از بازاریابی دیجیتال (رویکرد کیفی – تئوری داده بنیاد)، مجله مدیریت بازاریابی، دانشگاه علوم و تحقیقات تهران، 3 (19)، 1-11.
4. سجودی، محسن وابراهیم بابایی، فریبا. (1399). منطق فازی راه گشای سیستم¬های توصیه¬گر کلاسیک، رویکردهای پژوهش¬های نوین در مدیریت و حسابداری، 34 (4).
5. شیخی دارانی، زهرا وحسینی، منیره. (1402). ارائه¬ی روشی برای تولید پیشنهادهای بدیع مختص هر کاربر در سیستم توصیه¬گر چند معیاری نهمین کنفرانس بین المللی وب پژوهی.
6. قباخلو، مهرگان؛ رجب زاده قطری، علی؛ طلوعی اشلقی، عباس والبرزی، محمود. (1401). طراحی سیستم توصیه‌گر شخصیسازی شده برمبنای آنالیز احساسات در رسانههای اجتماعی(مورد مطالعه: سیستم بانکی)، پژوهش¬های مدیریت منابع سازمانی، 12 (1)، 163-189.
7. نخعی راد، زهرا؛ زندحسامی، حسام وطلوعی اشلقی، عباس. (1400). بهبود عملکرد و نتایج سیستم توصیه‌گر پالایش مشارکتی با استفاده از الگوریتم بهینه‌ساز گرگ خاکستری فازی غنی‌شده با الگوریتم بهینه‌سازی شیر. چشم‌انداز مدیریت صنعتی، 11(4)، 197-222.
8. مرادی زیبا، سپیده، عباسی، جواد، رادفر، رضا و عبدالوند، محمدعلی. (1402). تدوین مدل استراتژیهای بازاریابی دیجیتال در استارتاپهای موفق ایرانی مبتنی بر نظریه داده بنیاد. مجله مدیریت بازاریابی، دانشگاه علوم و تحقیقات تهران، 3 (18)، 123-148.
9. نوروزی، حسین؛ نصرت پناه، رسول وحسینی، زهرا سادات. (1402). تأثیر عوامل اثرگذار بر موفقیت سیستم‌های مدیریت ارتباط با مشتری در پلتفرم‌های کسب‌و‌کار آنلاین. فصلنامه علمی مدیریت استاندارد و کیفیت، 13(3)، 35-72.
10. نیسانی سامانی زینب، آل شیخ علی، اصغر، صادقی نیارکی، ابوالقاسم و نظری اشنی مهدی. (1401). شخصی سازی یک سیستم توصیه¬گر گردشگری بر مبنای تشابه کاربران و استفاده از شبکه باور عمیق، هندسی فناوری اطلاعات مکانی، 10(4)، 1-16.
11. یزدانفر، شیوا؛ نعامی، عبداله وآزاد، ناصر. (1398). طراحی محتوی استراتژی بازاریابی کسب‌وکارهای دیجیتال حوزه خدمات. چشم انداز مدیریت بازرگانی، 18(37)، 99-120.
12. Alhijawi, B., Awajan, A., & Fraihat, S. (2022). Survey on the objectives of recommender systems: Measures, solutions, evaluation methodology, and new perspectives. ACM Computing Surveys, 55(5), 1-38.
13. Al Fararni, K., Nafis, F., Aghoutane, B., Yahyaouy, A., Riffi, J., & Sabri, A. (2021). Hybrid recommender system for tourism based on big data and AI: A conceptual framework. Big Data Mining and Analytics, 4(1), 47-55.
14. Babatunde, S. O., Odejide, O. A., Edunjobi, T. E., & Ogundipe, D. O. (2024). The role of AI in marketing personalization: A theoretical exploration of consumer engagement strategies. International Journal of Management & Entrepreneurship Research, 6(3), 936-949.
15. Bahrani, P., Minaei-Bidgoli, B., Parvin, H., Mirzarezaee, M., & Keshavarz, A. (2024). A new improved KNN-based recommender system. The Journal of Supercomputing, 80(1), 800-834.
16. Behera, R. K., Gunasekaran, A., Gupta, S., Kamboj, S., & Bala, P. K. (2020). Personalized digital marketing recommender engine. Journal of Retailing and Consumer Services, 53, 101799.
17. Castells, P., Hurley, N., & Vargas, S. (2021). Novelty and diversity in recommender systems. In Recommender systems handbook (pp. 603-646). Springer.
18. Cui, Z., Xu, X., Fei, X. U. E., Cai, X., Cao, Y., Zhang, W., & Chen, J. (2020). Personalized recommendation system based on collaborative filtering for IoT scenarios. IEEE Transactions
on Services Computing, 13(4), 685-695.
19. Dwivedi, Y. K., Ismagilova, E., Hughes, D. L., Carlson, J., Filieri, R., Jacobson, J., Jain, V., Karjaluoto, H., Kefi, H., & Krishen, A. S. (2021). Setting the future of digital and social media marketing research: Perspectives and research propositions. International journal of information management, 59, 102168.
20. Fauzan, R. A., & Baizal, Z. K. A. (2024, January). Conversational Recommender System for Audio Listening Device Based on Ontology. In 2024 ASU International Conference in Emerging Technologies for Sustainability and Intelligent Systems (ICETSIS) (pp. 1449-1453). IEEE.
21. Gao, C., Zheng, Y., Wang, W., Feng, F., He, X., & Li, Y. (2024). Causal inference in recommender systems: A survey and future directions. ACM Transactions on Information Systems, 42(4), 1-32.
22. Hallikainen, H., Luongo, M., Dhir, A., & Laukkanen, T. (2022). Consequences of personalized product recommendations and price promotions in online grocery shopping. Journal of Retailing and Consumer Services, 69, 103088.
23. 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.
24. Igual, L., & Seguí, S. (2024). Recommender Systems. In Introduction to Data Science: A Python Approach to Concepts, Techniques and Applications (pp. 175-194). Springer.
25. Jung, S.-U., & Shegai, V. (2023). The impact of digital marketing innovation on firm performance: Mediation by marketing capability and moderation by firm size. Sustainability, 15(7), 5711.
26. Ledro, C., Nosella, A., & Dalla Pozza, I. (2023). Integration of AI in CRM: Challenges and guidelines. Journal of Open Innovation: Technology, Market, and Complexity, 9(4), 100151.
27. Liu, Y., & Chen, Z. (2023). A new model to evaluate the success of electronic customer relationship management systems in industrial marketing: the mediating role of customer feedback management. Total Quality Management & Business Excellence, 34(5-6), 515-537.
28. Magatef, S., Al-Okaily, M., Ashour, L., & Abuhussein, T. (2023). The impact of electronic customer relationship management strategies on customer loyalty: A mediated model. Journal of Open Innovation: Technology, Market, and Complexity, 9(4), 100149.
29. Magrani, E., & da Silva, P. G. F. (2023). The ethical and legal challenges of recommender systems driven by artificial intelligence. In Multidisciplinary Perspectives on Artificial Intelligence and the Law (pp. 141-168). Springer International Publishing Cham.
30. Mehralian, M. M. (2022). Identifying and Explaining the Effective Factors of Digital Marketing Strategies in Consumers' Emotional States and Sales Rates: A Mixed Methods Research. 20th International Conference of the Business and Strategic Management,
31. Mocanu, A., & Szakal, A. (2023). Digital Marketing Strategies: A Comprehensive Literature Review. Bulletin of the Transilvania University of Brasov. Series V: Economic Sciences, 37-44.
32. Mokha, A. K., & Kumar, P. (2022). Examining the interconnections between E-CRM, customer experience, customer satisfaction and customer loyalty: A mediation approach. Journal of Electronic Commerce in Organizations (JECO), 20(1), 1-21.
33. Purnomo, Y. J. (2023). Digital marketing strategy to increase sales conversion on e-commerce platforms. Journal of Contemporary Administration and Management (ADMAN), 1(2), 54-62.
34. Rane, N., Choudhary, S., & Rane, J. (2023). Hyper-personalization for enhancing customer loyalty and satisfaction in Customer Relationship Management (CRM) systems. Available at SSRN 4641044.
35. Rizvanović, B., Zutshi, A., Grilo, A., & Nodehi, T. (2023). Linking the potentials of extended digital marketing impact and start-up growth: Developing a macro-dynamic framework of start-up growth drivers supported by digital marketing. Technological Forecasting and Social Change, 186, 122128.
36. Sharma, M., Mittal, R., Bharati, A., Saxena, D., & Singh, A. K. (2021). A survey and classification on recommendation systems. International Conference on Big Data, Machine Learning, and Applications,
37. Wang, Z. (2023). The Design and Implementation of the Enterprise Customer Relationship Management System. Advances in Economics and Management Research, 6(1), 340-340.
38. Yaiprasert, C., & Hidayanto, A. N. (2023). AI-driven ensemble three machine learning to enhance digital marketing strategies in the food delivery business. Intelligent Systems with Applications, 18, 200235.
