Studying the Impact of Artificial Intelligence on Purchase Intention with the Mediating Variables of Perceived Value, Satisfaction and Consumer Engagement in Social Media

Subject Areas :

Reyhaneh Bidram ¹ , Somayeh Salehi ²

1 - Department of Management, Islamic Azad University, Najafabad Branch, Najafabad, Iran
2 - Department of Management, Najafabad Branch, Islamic Azad University, Najafabad, Iran.

Received: 2024-12-02 Accepted : 2025-03-10 Published : 2025-03-12

Keywords: Artificial Intelligence, Purchase Intention, Perceived Value, Social Media Interaction, Satisfaction,

Abstract :

In today's digital world, Artificial Intelligence (AI) is recognized as a transformative factor in marketing strategies, with organizations using this technology to enhance customer experiences and strengthen purchase intention. However, limited research has explored the direct impact of AI on consumers' purchase intentions through intermediary variables such as perceived value, consumer interaction, and satisfaction. This study identifies the gap in the existing literature and examines the impact of AI on consumer purchase intention, providing analysis based on a new approach.

Research Methodology: This approach, particularly in the context of social platforms like Instagram where brand-consumer interactions are more active, is examined for the first time. In this study, data was collected from users who are at least 18 years old and have experience purchasing clothing through Instagram, with results analyzed using Structural Equation Modeling (SEM).

Findings: The results revealed that AI has a positive and significant impact on purchase intention through enhancing perceived value and increasing consumer interactions. Additionally, the perceived value variable plays an important mediating role between AI, satisfaction, and ultimately purchase intention, indicating the importance of this variable in strengthening AI's effects on consumer behavior.

Originality / Scientific Value Added: This research, by innovating the inclusion of perceived value in marketing research models, provides a deeper understanding of AI's impact on consumer behavior and demonstrates how companies can improve their marketing strategies and enhance the customer experience by leveraging AI.

References:

Aghazadeh, Hashem, Qolipour, Rahmatullah, & Bakshizadeh, Elahe. (2014). Investigating the effect of brand personality on repurchase intention through perceived value and brand loyalty (case study: life insurance policyholders of Saman Insurance Company). Modern Marketing Research , 3 (4), 1-22 [In persian].
Ali, A., & Bhasin, J. (2019). Understanding Customer Repurchase Intention in E-commerce: Role of Perceived Price, Delivery Quality, and Perceived Value. Jindal Journal of Business Research, 8(2), 142-157. http://dx.doi.org/10.1177/2278682119850275.
Bansal, Rohit & Bansal, Tamanna. (2024). Impact of Artificial Intelligence on Online Buying Behaviour in E-Commerce. http://dx.doi.org/10.1109/ICACCTech61146.2023.00085.
Bao, Kevin & Bao, Yeqing & Sheng, Shibin. (2011). Motivating purchase of private brands: Effects of store image, product signatureness, and quality variation. Journal of Business Research. 64. http://dx.doi.org/10.1016/j.jbusres.2010.02.007.
Bilal, M., Zhang, Y., Cai, S., Akram, U., & Halibas, A. (2024). Artificial intelligence is the magic wand making customer-centric a reality! An investigation into the relationship between consumer purchase intention and consumer engagement through affective attachment. Journal of Retailing and Consumer Services, 77, 103674.‏ https://doi.org/10.1016/j.jretconser.2023.103674
Bock, D. E., Wolter, J. S., & Ferrell, O. C. (2020). Artificial intelligence: Disrupting what we know about services. Journal of Services Marketing, 34(3), 317-334.‏ http://dx.doi.org/10.1108/JSM-01-2019-0047.
Buil, Isabel & Martinez, Eva & Chernatony, Leslie. (2013). The influence of brand equity on consumer responses. Journal of Consumer Marketing. 30. http://dx.doi.org/10.1108/07363761311290849.
Chawla, R. N., & Goyal, P. (2021). Emerging trends in digital transformation: a bibliometric analysis. Benchmarking: An International Journal, 29(4), 1069-1112.‏ http://dx.doi.org/10.1108/BIJ-01-2021-0009.
Chen, Chia-Chen & Hsiao, Kuo-Lun & Wu, Shan-Jung. (2018). Purchase intention in social commerce: An empirical examination of perceived value and social awareness. Library Hi Tech. 36. http://dx.doi.org/10.1108/LHT-01-2018-0007.
Chen, Shih-Chih & Lin, Chieh-Peng. (2019). Understanding the effect of social media marketing activities: The mediation of social identification, perceived value, and satisfaction. Technological Forecasting and Social Change. 140. 22-32. http://dx.doi.org/10.1016/j.techfore.2018.11.025
Cho, Eunjoo & Son, Jihyeong. (2019). The effect of social connectedness on consumer adoption of social commerce in apparel shopping. Fashion and Textiles. 6. http://dx.doi.org/10.1186/s40691-019-0171-7
Christofi, Michael & Vrontis, Demetris & Leonidou, Erasmia & Thrassou, Alkis. (2018). Customer engagement through choice in cause-related marketing: A potential for global competitiveness. International Marketing Review. 37. http://dx.doi.org/10.1108/IMR-04-2018-0133
Churchill Jr, G. A., & Surprenant, C. (1982). An investigation into the determinants of customer satisfaction. Journal of marketing research, 19(4), 491-504. https://doi.org/10.1177/002224378201900410.
Daugherty, P. R., & Wilson, H. J. (2019). How Humans and AI Are Working Together in 1,500 Companies. Harvard Business Review, April, 4.‏
De Bruyn, A., Viswanathan, V., Beh, Y. S., Brock, J. K. U., & Von Wangenheim, F. (2020). Artificial intelligence and marketing: Pitfalls and opportunities. Journal of Interactive Marketing, 51(1), 91-105.‏ https://doi.org/10.1016/j.intmar.2020.04.007.
Dissanayake, Ravindra & Ismail, Nurlida. (2015). Relationship between Celebrity Endorsement and Brand Attitude: With Reference to Financial Services Sector Brands in Sri Lanka.
Febriani, Riza & Sholahuddin, Muhammad & Kuswati, Rini & Soepatini, Soepatini. (2022). Do Artificial Intelligence and Digital Marketing Impact Purchase Intention Mediated by Perceived Value?. Journal of Business and Management Studies. 4. 184-196. http://dx.doi.org/10.32996/jbms.2022.4.4.28.
Gao, Li & Li, Gang & Tsai, Fusheng & Gao, Chen & Zhu, Mengjiao & Qu, Xiaopian. (2022). The impact of artificial intelligence stimuli on customer engagement and value co-creation: the moderating role of customer ability readiness. Journal of Research in Interactive Marketing. 17. http://dx.doi.org/10.1108/JRIM-10-2021-0260.
Gidh, P. G. (2020). A multi-dimensional research study in e-commerce to capture consumer expectations. International Journal for Research in Applied Science and Engineering Technology, 8(11), 411-415.‏ http://dx.doi.org/10.22214/ijraset.2020.32169.
Hensman, Sheramy & Jayasinghe, Shan & Fernando, Ishenka. (2024). Antecedents Of Driving Customer Purchase Intention Via AI Based Customer Engagement Strategies In The Post Pandemic Era. 1-6. http://dx.doi.org/10.1109/SCSE61872.2024.10550604.
Hollebeek, L. D., Glynn, M. S., & Brodie, R. J. (2014). Consumer brand engagement in social media: Conceptualization, scale development and validation. Journal of interactive marketing, 28(2), 149-165.‏ http://dx.doi.org/10.1016/j.intmar.2013.12.002.
Hossain, M. S., Zhou, X., & Rahman, M. F. (2018). Examining the impact of QR codes on purchase intention and customer satisfaction on the basis of perceived flow. International Journal of engineering business management, 10, http://dx.doi.org/10.1177/1847979018812323.
Jang, M., Jung, Y., & Kim, S. (2021). Investigating managers' understanding of chatbots in the Korean financial industry. Computers in Human Behavior, 120, 106747.‏ http://dx.doi.org/10.1016/j.chb.2021.106747
Kannan, P. K. (2017). Digital marketing: A framework, review and research agenda. International journal of research in marketing, 34(1), 22-45. http://dx.doi.org/10.1016/j.ijresmar.2016.11.006
Kotler, & Keller. (2016). Kotler and Keller Marketing Management.
Lim, Weng Marc & Rasul, Tareq & Kumar, Satish & Ala, Mamun. (2022). Past, Present, and Future of Customer Engagement. Journal of Business Research. 140. 439-458. http://dx.doi.org/10.1016/j.jbusres.2021.11.014
Liu, L., Lee, M. K., Liu, R., & Chen, J. (2018). Trust transfer in social media brand communities: The role of consumer engagement. International Journal of Information Management, 41, 1-13.‏ http://dx.doi.org/10.1016/j.ijinfomgt.2018.02.006.
Majeed, M., Asare, C., Fatawu, A., & Abubakari, A. (2022). An analysis of the effects of customer satisfaction and engagement on social media on repurchase intention in the hospitality industry. Cogent Business & Management, 9(1), 2028331. http://dx.doi.org/10.1080/23311975.2022.2028331.
Malhotra, Gunjan & Ramalingam, Mahesh. (2023). Perceived anthropomorphism and purchase intention using artificial intelligence technology: examining the moderated effect of trust. Journal of Enterprise Information Management. https://doi.org/10.1108/jeim-09-2022-0316
Mantur, S. T., & Borgaon, H. (2020). Influence of visual merchandising on impulse buying behaviour of customers in sports retail outlet in Hubli city. Studies in Indian Place Names, 40(60), 3326-3336.‏
Mittal, U., & Sharma, D. M. (2021). Artificial intelligence and its application in different areas of indian economy. International Journal of Advanced Research in Science, Communication and Technology, 4(10), 160-163. http://dx.doi.org/10.48175/IJARSCT-V2-I3-328.
Mollen, Anne & Wilson, Hugh. (2010). Engagement, telepresence and interactivity in online consumer experience: Reconciling scholastic and managerial perspectives. Journal of Business Research. 63. 919-925. http://dx.doi.org/10.1016/j.jbusres.2009.05.014.
Nadeem, W., Tan, T.M., Tajvidi, M., Hajli, N., 2021. How do experiences enhance brand relationship performance and value co-creation in social commerce? The role of consumer engagement and self-brand-connection. Technol. Forecast. Soc. Change 171, 120952. http://dx.doi.org/10.1016/j.techfore.2021.120952
Naderibani, M., Adibzade, M., & Ghahnavihe, D. A. (2016). The impact of innovation on going to buy electronics using structural equation modeling (SEM). Journal of Business Management, 7(4), 941-966. https://doi.org/10.22059/jibm.2015.57099 [In persian].
Nazir, Sajjad & Khadim, Sahar & Asadullah, Muhammad Ali & Syed, Nausheen. (2022). Exploring the influence of artificial intelligence technology on consumer repurchase intention: The mediation and moderation approach. Technology in Society. 72. 102190. http://dx.doi.org/10.1016/j.techsoc.2022.102190.
Oliver, R. L. (2014). Satisfaction: A behavioral perspective on the consumer: A behavioral perspective on the consumer. Routledge. https://doi.org/10.4324/9781315700892.
Ong, Ardvin Kester & Prasetyo, Yogi & Sacro, Mariela Celine & Artes, Alycia & Canonoy, Mariella & Onda, Guia Karyl & Persada, Satria & Nadlifatin, Reny & Robas, Kirstien Paola. (2023). Determination of factors affecting customer satisfaction towards “maynilad” water utility company: A structural equation modeling-deep learning neural network hybrid approach. Heliyon. 9. e13798 . https://doi.org/10.1016/j.heliyon.2023.e13798.
Overby, Jeffrey & Lee, Eun-Ju. (2006). The Effects of Utilitarian and Hedonic Online Shopping Value on Consumer Preference and Intentions. Journal of Business Research. 59. 1160-1166. https://doi.org/10.1016/j.jbusres.2006.03.008.
Paschen, J., Wilson, M., & Ferreira, J. J. (2020). Collaborative intelligence: How human and artificial intelligence create value along the B2B sales funnel. Business Horizons, 63(3), 403-414.‏ http://dx.doi.org/10.1016/j.bushor.2020.01.003.
Peng, Lifang & Zhang, Weiguo & Wang, Xiaorong & Liang, Shuyi. (2018). Moderating Effects of Time Pressure on the Relationship between Perceived Value and Purchase Intention in Social E-commerce Sales Promotion: Considering the Impact of Product Involvement. Information & Management. 56 .https://doi.org/10.1016/j.im.2018.11.007.
Pillai, R., Sivathanu, B., & Dwivedi, Y. K. (2020). Shopping intention at AI-powered automated retail stores (AIPARS). Journal of Retailing and Consumer Services, 57, https://doi.org/10.1016/j.jretconser.2020.102207.
Rather, R. A. (2021). Monitoring the impacts of tourism-based social media, risk perception and fear on tourist’s attitude and revisiting behaviour in the wake of COVID-19 pandemic. Current Issues in Tourism, 24(23), 3275-3283. http://dx.doi.org/10.1080/13683500.2021.1884666.
Reynolds, K. E., Jones, M. A., Musgrove, C. F., & Gillison, S. T. (2012). An investigation of retail outcomes comparing two types of browsers. Journal of Business Research, 65(8), 1090–1095. https://doi.org/10.1016/j.jbusres.2011.09.001.
Sadiku, M. N., Tembely, M., & Musa, S. M. (2018). Social media for beginners. International Journal of Advanced Research in Computer Science and Software Engineering, 8(3), 24-26.‏ http://dx.doi.org/10.23956/ijarcsse.v8i3.564.
Sadiku, Matthew & Ashaolu, Tolulope Joshua & Ajayi-Majebi, Abayomi & Musa, Sarhan. (2021). Artificial Intelligence in Social Media. International Journal Of Scientific Advances. 2. http://dx.doi.org/10.51542/ijscia.v2i1.4
Samara, D., Magnisalis, I., & Peristeras, V. (2020). Artificial intelligence and big data in tourism: a systematic literature review. Journal of Hospitality and Tourism Technology, 11(2), 343-367.‏ http://dx.doi.org/10.1108/JHTT-12-2018-0118.
Sarfo, C., Zhang, J. A., O'Kane, C., & O'Kane, P. (2024). Perceived value of microfinance and SEM performance: The role of exploratory innovation. International Journal of Innovation, 8, 172-185. https://doi.org/10.1016/j.ijis.2024.02.003.
Sarkar, S., Chauhan, S., & Khare, A. (2020). A meta-analysis of antecedents and consequences of trust in mobile commerce. International Journal of Information Management, 50, 286-301.‏ http://dx.doi.org/10.1016/j.ijinfomgt.2019.08.008.
Sarmiento, H. (2020). How artificial intelligence can benefit the social media user.‏
Setyo، PE (2017). PENGARUH KUALITAS PRODUK DAN HARGA TERHADAP KEPUASAN KONSUMEN “BEST AUTOWORKS”. Jurnal Performa: Jurnal Manajemen Dan Start-up Bisnis , 1 (6), 755–764. https://doi.org/10.37715/jp.v1i6.404.
Siriwardana, Anushka & Dissanayake, Ravindra. (2018). Social Customer Relationship Management (SCRM) in Contemporary Business Era. 7. 59-64.
So, K. K. F., Wei, W., & Martin, D. (2021). Understanding customer engagement and social media activities in tourism: A latent profile analysis and cross-validation. Journal of Business Research, 129, 474-483. http://dx.doi.org/10.1016/j.jbusres.2020.05.054.
Statista (2022). Retrieved October 26, 2023 from: https://www.statista.com/outlook/mmo/travel-tourism/worldwide.
Syamsiah, N. (2009). Analisis faktor-faktor yang mempengaruhi nilai yang dirasakan pelanggan untuk menciptakan kepuasan pelanggan di RSUP dokter kariadi Semarang (studi kasus pada paviliun garuda RSUP Dr. Kariadi) (Doctoral dissertation, program Pascasarjana Universitas Diponegoro).‏
Tan, C. W., Benbasat, I., & Cenfetelli, R. T. (2013). IT-mediated customer service content and delivery in electronic governments: An empirical investigation of the antecedents of service quality. MIS quarterly, 77-109. http://dx.doi.org/10.25300/MISQ/2013/37.1.04.
Thakur, R. (2016). Understanding Customer Engagement and Loyalty: A Case of Mobile Devices for Shopping. Journal of Retailing and Consumer Services, 32, 151-163. https://doi.org/10.1016/j.jretconser.2016.06.004
Vlačić, B., Corbo, L., e Silva, S. C., & Dabić, M. (2021). The evolving role of artificial intelligence in marketing: A review and research agenda. Journal of business research, 128, 187-203. http://dx.doi.org/10.1016/j.jbusres.2021.01.055.
Wang, S. R. (2023). Examining the impact of tourism information quality from ChatGPT on user’s perceived value and satisfaction. Journal of Hospitality & Tourism Studies, 25(11), 15-28. http://dx.doi.org/10.31667/jhts.2023.11.106.28.
Yin, Jiwang & Qiu, Xiaodong. (2021). AI Technology and Online Purchase Intention: Structural Equation Model Based on Perceived Value. Sustainability. 13. 5671. http://dx.doi.org/10.3390/su13105671.
Yoo, Jungmin & Park, Minjung. (2016). The effects of e-mass customization on consumer perceived value, satisfaction, and loyalty toward luxury brands. Journal of Business Research. 69. 5775-5784. 10.1016/j.jbusres.2016.04.174. http://dx.doi.org/10.1016/j.jbusres.2016.04.174.
Zeithaml, V. A. (1988). Consumer perceptions of price, quality, and value: a means-end model and synthesis of evidence. Journal of marketing, 52(3), 2-22. http://dx.doi.org/10.1177/002224298805200302.
Zhou, F., Chu, Z., Sun, H., Hu, R. Q., & Hanzo, L. (2018). Artificial noise aided secure cognitive beamforming for cooperative MISO-NOMA using SWIPT. IEEE Journal on Selected Areas in Communications, 36(4), 918-931.‏ https://doi.org/10.1109/JSAC.2018.2824622.

Full-Text:



Modern Management Engineering
Volume 10, Issue 4, Winter 2025
Article Type: Research

Exploring the Impact of Artificial Intelligence on Purchase Intention Considering the Mediating Variables of Perceived Value, Satisfaction, and Consumer Interaction on Social Media

Reyhaneh Bidram ¹, Somayeh Salehi²

Received: 03/12/2024                              Accepted: 10/03/2025

        
Extended Abstract

1. Introduction

In recent years, the exponential growth of digital technologies and internet accessibility has transformed the ways in which brands and consumers interact. Among these digital innovations, social media platforms have emerged as powerful tools for marketing communication, allowing organizations to engage in two-way interactions with consumers, obtain instant feedback, and customize content to fit user preferences. A transformative element in this evolution is the integration of Artificial Intelligence (AI) into digital marketing strategies. AI, through its capabilities in big data analytics, machine learning, and predictive modeling, enables businesses to create highly personalized consumer experiences. Particularly on visually-driven platforms like Instagram, AI helps brands assess user behavior, optimize content delivery, and influence consumer decision-making processes. Meanwhile, consumers benefit from tailored digital interactions, which enhance their perceived value of the technology and increase satisfaction and purchase intention. Consequently, this study aims to explore how AI affects consumer engagement on social media, with a specific emphasis on perceived value, satisfaction, and purchase intention. The following theoretical framework outlines the psychological and behavioral mechanisms through which AI influences consumer behavior.

 

2. Theoretical Background

 

·       2.1 AI and Consumer Engagement

AI can improve consumer engagement by personalizing content, automating responses, and enhancing real-time interaction. Scholars like Gidh (2020) and Mittal & Sharma (2021) emphasize that AI allows businesses to better understand and respond to consumer needs, thereby increasing engagement. AI tools help create customized marketing strategies based on consumer behavior and preferences.

·       2.2 AI and Perceived Value        

Perceived value refers to a consumer's overall assessment of a product’s utility based on what is received versus what is given (Zeithaml et al., 1988). AI increases perceived value by improving service efficiency, accessibility, and personalization. Vlačić et al. (2021) found that AI technologies positively influence how consumers perceive brand value, especially when interactions are more seamless and convenient.

·       2.3 Engagement and Satisfaction

Customer engagement on social media fosters emotional connection and trust between consumers and brands. As Nadeem et al. (2021) and Oliver (2014) suggest, higher engagement often leads to greater satisfaction, which in turn enhances brand loyalty and long-term relationships.

·       2.4 Perceived Value and Purchase Intention

Kotler and Keller (2016) argue that the perceived value is a key determinant of purchase intention. When consumers feel they are receiving high value, they are more likely to make a purchase. Chen and Lin (2019) also support this, showing that perceived value plays a mediating role in influencing consumer behavior.

·       2.5 Satisfaction and Purchase Intention        

Customer satisfaction, which arises from positive experiences and fulfilled expectations, directly affects purchase intention. Ong et al. (2023) and Ali & Bhasin (2019) confirm that satisfied customers are more inclined to repurchase and recommend the brand to othe

3. Empirical Background

Recent empirical studies reinforce the theoretical linkages outlined above. Hensman et al. (2024) found that AI-enhanced engagement strategies significantly influence purchase intention by increasing customer satisfaction and improving brand perception. Interestingly, brand credibility and social influence did not have a direct impact on purchase intention. In another investigation, Bansal et al. (2024) reported that AI facilitates information search, provides personalized product suggestions, and optimizes the shopping experience. However, they also identified challenges such as ethical concerns and data privacy issues. Nazir et al. (2022) showed that AI contributes to better customer interactions on social media, leading to enhanced user experiences and increased repurchase intention. They also noted that habitual consumer behavior moderates these effects. Similarly, Gao et al. (2022) discovered that perceived interactivity enabled by AI strengthens co-created value, with customer engagement serving as a mediator. However, personalization alone was insufficient to generate value unless accompanied by user readiness and perceived interactivity.

4. Conceptual Model and Research Hypotheses

Drawing upon the theoretical and empirical foundations, the conceptual model investigates the impact of AI on purchase intention, incorporating mediating variables such as consumer engagement, perceived value, and satisfaction. The proposed hypotheses are:

·       H1: AI has a significant effect on purchase intention.

·       H2: AI has a significant effect on consumer engagement.

·       H3: AI significantly influences perceived value.

·       H4: Consumer engagement has a positive effect on satisfaction.

·       H5: Perceived value positively affects satisfaction.

·       H6: Satisfaction significantly influences purchase intention.

5. Research Methodology

This quantitative study employed a descriptive-survey design. Data were collected using a structured questionnaire from 384 Instagram users who had previously purchased clothing online. The instrument included both established and researcher-designed items. Constructs were measured using a 5-point Likert scale. Reliability was confirmed via Cronbach’s alpha, and content validity was reviewed by academic experts.

5.1 Population and Sampling

The population included Instagram users aged 18 and above with online clothing purchase experience. Instagram was selected due to its heavy use of AI tools. Based on Cochran’s formula, the final sample consisted of 384 respondents.

5.2 Data Collection Instrument

A five-point Likert-scale questionnaire was used:

·       AI: items from Chen et al. (2019)

·       Social media engagement & perceived value: researcher-designed

·       Satisfaction: adapted from Reynolds et al. (2012)

·       Purchase intention: based on Cho et al. (2019) and Buil et al. (2013)

Reliability was confirmed via Cronbach’s alpha; content validity was verified by academic experts.

5.3 Demographic Profile        

·       Gender: 51.8% male, 48.2% female

·       Age: Majority (68.5%) between 18–28

·       Education: 50.5% had a bachelor’s degree

5.4 Descriptive Statistics

·       AI (Mean = 4.26, SD = 0.63)

·       Engagement (Mean = 2.30, SD = 0.67)

·       Perceived value (Mean = 4.31, lowest SD = 0.58)

·       Satisfaction (Mean = 4.36, highest SD = 0.71)

·       Purchase intention (Mean = 4.31, SD = 0.69)
Negative skewness in all variables indicated a positive tendency among respondents

6. Findings

6.1 Data Normality

Kolmogorov–Smirnov and Shapiro–Wilk tests indicated non-normal distributions, justifying the use of SmartPLS and non-parametric methods.

6.2 Measurement Model

·       Factor loadings: All items > 0.4

·       Reliability: Cronbach’s alpha and composite reliability > 0.7

·       Convergent validity: AVE > 0.5

·       Discriminant validity: Supported via cross-loadings and Fornell-Larcker criterion

6.3 Structural Model        

·       R² values for satisfaction and purchase intention > 0.44

·       GOF = 0.446, indicating excellent model fit

·       Q² for all endogenous variables > 0.15; satisfaction had high predictive relevance (0.398)

6.4 Hypothesis Testing Results:

All hypotheses were supported at p < 0.001. Key results:

Path	Coefficient	T-value	Result
AI → Purchase Intention	0.341	7.515	Supported
AI → Engagement	0.671	18.227	Supported
AI → Perceived Value	0.558	10.515	Supported
Engagement → Satisfaction	0.429	7.298	Supported
Perceived Value → Satisfaction	0.390	6.322	Supported
Satisfaction → Purchase Intention	0.675	15.184	Supported

 

7. Discussion and Conclusion

The findings confirm that AI plays a multifaceted role in shaping consumer behavior on social media. It not only directly affects purchase intention but also indirectly enhances it through engagement, perceived value, and satisfaction. These results emphasize the value of AI-driven personalization and predictive analytics in increasing user satisfaction and boosting consumer loyalty. Practical applications include the use of intelligent chatbots, AR-based try-on features, and algorithmic content curation. However, future research should investigate psychological variables, ethical implications, and explore AI’s role across different sectors.

 

 

 

 

 

 

 

 

 

 

مهندسی مدیریت نوین

سال دهم، شماره چهارم، زمستان 1403

نوع مقاله :پژوهشی

بررسی تأثیر هوش مصنوعی بر قصد خرید با در نظر گرفتن متغیرهای میانجی ارزش درک شده، رضایت و تعامل مصرف‌کننده در رسانه‌های اجتماعی

ریحانه بیدرام³، سمیه صالحی⁴

 

تاریخ دریافت: 12/09/1403          تاریخ پذیرش: 20/12/1403

 

چکیده

هدف: در دنیای دیجیتال امروز، هوش مصنوعی (AI) به‌عنوان یک عامل تحول‌آفرین در استراتژی‌های بازاریابی شناخته می‌شود و سازمان‌ها از این فناوری برای بهبود تجربیات مشتری و تقویت قصد خرید استفاده می‌‌کنند. بااین‌حال، تحقیقات محدودی به بررسی تأثیر مستقیم هوش مصنوعی بر قصد خرید مصرف‌کنندگان از طریق متغیرهای میانجی مانند ارزش درک‌شده و تعامل مصرف‌کننده و رضایت پرداخته‌اند. این مطالعه شکاف موجود در ادبیات تحقیق را شناسایی کرده و به بررسی تأثیر هوش مصنوعی بر قصد خرید مصرف‌کننده می‌پردازد و تحلیل‌های خود را بر اساس رویکرد جدیدی ارائه می‌دهد

روش‌شناسی پژوهش: این رویکرد، به‌ویژه در زمینه پلتفرم‌های اجتماعی مانند اینستاگرام که در آن تعاملات برند و مصرف‌کننده به شکل فعالانه‌تری انجام می‌شود، برای اولین بار بررسی می‌شود. در این پژوهش، داده‌ها از کاربرانی که حداقل ۱۸ سال سن داشته و تجربه خرید پوشاک از طریق اینستاگرام را داشته‌اند، جمع‌آوری شده و نتایج با استفاده از معادلات ساختاری (SEM) تحلیل شدند

یافته‌ها: نتایج نشان داد که هوش مصنوعی از طریق بهبود ارزش درک‌شده و افزایش تعاملات مصرف‌کننده تأثیر مثبت و معناداری بر قصد خرید دارد. همچنین، متغیر ارزش درک‌شده نقش میانجی‌گر مهمی بین هوش مصنوعی، رضایت و در نهایت قصد خرید ایفا می‌کند که نشان‌دهنده اهمیت این متغیر در تقویت تأثیرات هوش مصنوعی بر رفتار مصرف‌کننده است 

اصالت / ارزش‌افزوده علمی: این پژوهش با نوآوری در گنجاندن متغیر ارزش درک‌شده به مدل‌های تحقیقاتی بازاریابی، درک عمیق‌تری از تأثیر هوش مصنوعی بر رفتار مصرف‌کننده ارائه می‌دهد و به شرکت‌ها نشان می‌دهد که چگونه می‌توانند با بهره‌گیری از هوش مصنوعی استراتژی‌های بازاریابی خود را بهبود داده و تجربه مشتری را ارتقا دهند.

کلیدواژه‌ها: هوش مصنوعی، قصد خرید، ارزش درک­شده، تعامل در رسانه‌های اجتماعی، رضایت

طبقه‌بندی موضوعی: I14

 

مقدمه

هوش مصنوعی (AI) شاخه‌ای از علوم شناختی است که به ساخت ماشین‌های هوشمند می‌پردازد که قادر به انجام وظایفی هستند که پیش‌تر تنها توسط انسان‌ها انجام می‌شد. تمرکز اصلی آن بر به‌کارگیری رایانه‌ها در وظایفی است که به دانش، ادراک، استدلال، فهم و توانایی‌های شناختی نیاز دارند (Sadiku et al., 2021). همچنین عامل مشتری به فرآیندها، استراتژی‌ها و فناوری‌هایی اشاره دارد که برای حفظ ارتباط مداوم با مصرف‌کنندگان از طریق تمام نقاط تماس ممکن استفاده می‌شود. بازاریابان از تعامل مشتری برای جلب‌توجه مشتریان با ارائه اطلاعات ارزشمند بهره می‌برند (Thakur., 2016). در عصر حاضر بازاریابی هوشمند به‌عنوان یک هنجار در آمده است. بازاریابان می‌توانند از هوش مصنوعی (AI) برای تسریع بازاریابی هوشمند استفاده کنند (Viswanathan et al., 2020). توسعه فناوری هوش مصنوعی جنبه‌های مختلف از جمله بازاریابی، خدمات مشتری و تعامل مصرف‌کننده، کسب‌وکار را متحول کرده است و به‌سرعت در سطح جهانی محبوبیت پیدا کرده است (Bock et al., 2020). انتظارات مصرف‌کنندگان امروز بر راحتی و آسایش متمرکز است و هوش مصنوعی به‌طور مؤثری این معیارها را برآورده می‌کند. 

رسانه‌های اجتماعی یکی از قوی‌ترین پلتفرم‌ها برای تعامل مصرف‌کننده هستند. مشتریان باید بتوانند از طریق رسانه‌های اجتماعی با کسب‌وکارها در ارتباط باشند (Hollebeek et al., 2014). بازاریابان به‌طور فزاینده‌ای از پلتفرم‌های رسانه‌های اجتماعی مانند X (که قبلاً توییتر نام داشت)، یوتیوب و فیس‌بوک برای ارتباط با مشتریان (آینده‌نگر) و تقویت روابط با مشتریان استفاده می‌کنند. حدود 85٪ از کسب‌وکارها بازاریابی در رسانه‌های اجتماعی انجام می‌دهند( Statista., 2022). فناوری‌های دیجیتال در حال تحول مدل‌های کسب‌وکار هستند. پلتفرم دیجیتال مبتنی بر AI به سازمان‌ها کمک می‌کند تا مشتریان را جذب کنند (Chawla et al., 2021). این فناوری امکان تعامل با عملیات به روشی کاربرپسند و مصرف‌کننده‌مدار را فراهم کرده است. بنابراین، مصرف‌کنندگان با استفاده از هوش مصنوعی می‌توانند به‌راحتی کالاها را پیدا کرده، انتخاب کنند، خرید کنند و از بین ببرند. مصرف‌کنندگان با استفاده از هوش مصنوعی، می‌توانند از هر نقطه از جهان محصولات را بدون هیچ مشکلی سفارش دهند و ارزیابی کنند (paschen et al., 2020). مشتریانی که از محصولات و خدمات راضی هستند، پست‌هایی را برای اشتراک‌گذاری در رسانه‌های اجتماعی ایجاد می‌کنند.

با گسترش استفاده از رسانه‌های اجتماعی، اینستاگرام به بستری کلیدی برای ارتباط برندها با مصرف‌کنندگان تبدیل شده است. در این میان، هوش مصنوعی از طریق تحلیل داده‌ها، پیش‌بینی رفتار مصرف‌کنندگان و ارائه محتوای شخصی‌سازی‌شده، نقش مهمی در بهبود تعاملات دیجیتال و افزایش قصد خرید ایفا می‌کند. با وجود این مزایا، درک تأثیر دقیق هوش مصنوعی بر فرآیندهای تصمیم‌گیری مصرف‌کنندگان همچنان محدود است. این پژوهش با هدف بررسی تأثیر هوش مصنوعی بر رفتار خرید در اینستاگرام، به تحلیل نقش آن در تعاملات دیجیتالی، افزایش ارزش درک‌شده و تقویت قصد خرید می‌پردازد.

این پژوهش با هدف پر کردن شکاف مطالعاتی موجود، به بررسی تأثیر هوش مصنوعی بر رفتار مصرف‌کننده، تعاملات دیجیتال و تجربه مشتری در رسانه‌های اجتماعی می‌پردازد. برخلاف تحقیقات پیشین که عمدتاً بر توسعه قابلیت‌های فنی هوش مصنوعی متمرکز بوده‌اند، این مطالعه نقش آن را در بهبود استراتژی‌های بازاریابی و افزایش تعامل مصرف‌کننده تحلیل می‌کند. با پردازش داده‌های رفتاری، هوش مصنوعی می‌تواند تعاملات دیجیتال را تقویت کرده، ارزش درک‌شده از برند را افزایش دهد و از این طریق به رضایت بیشتر مشتری و در نهایت افزایش قصد خرید منجر شود. این تحقیق علاوه بر گسترش دانش نظری در بازاریابی دیجیتال، راهکارهای عملی برای بهره‌گیری بهینه از هوش مصنوعی در استراتژی‌های بازاریابی ارائه می‌دهد.

این پژوهش مدلی مفهومی ارائه می‌دهد که در آن قصد خرید مصرف‌کننده به‌عنوان متغیر وابسته، تحت تأثیر هوش مصنوعی و از طریق سه متغیر میانجی شامل تعامل مصرف‌کننده در رسانه‌های اجتماعی، ارزش درک‌شده و رضایت مصرف‌کننده بررسی می‌شود. چارچوب نظری تحقیق بر مبنای نظریه‌های بازاریابی دیجیتال و رفتار مصرف‌کننده تدوین شده و مسیرهای شناختی و روان‌شناختی تأثیرگذار بر رفتار مشتری را تحلیل می‌کند. پژوهش با بررسی مبانی نظری و پیشینه تحقیقات مرتبط، مدل مفهومی و فرضیه‌ها را مطرح کرده و داده‌ها را با روش‌های آماری پیشرفته تحلیل می‌کند. یافته‌های تحقیق به شرکت‌ها در بهینه‌سازی استراتژی‌های بازاریابی و ارتقای تجربه مشتری کمک کرده و به توسعه دانش در حوزه بازاریابی دیجیتال و هوش مصنوعی می‌انجامد.

 

1-مبانی نظری پژوهش

2-1. هوش مصنوعی و تعامل مصرف‌کننده در رسانه‌های اجتماعی

بر‌ اساس گفته  Gidh(2020) هوش مصنوعی⁵ یک حوزه رایج در علوم کامپیوتر است، چرا که به روش‌های مختلفی زندگی انسان‌ها را بهبود بخشیده است. در دو دهه اخیر، هوش مصنوعی به‌طور قابل توجهی کارایی فرآیندهای تولید و خدمات را افزایش داده است. هوش مصنوعی می‌تواند مقادیر زیادی داده را جمع‌آوری و پردازش کرده و تصمیمات عملیاتی اتخاذ کند. این فناوری همچنین در تجارت الکترونیک برای شناسایی روندها بر اساس تاریخچه مرور، تاریخچه سفارش، سوابق حساب و عوامل دیگر استفاده می‌شود ( Mittal & Sharma, 2021). شرکت‌ها با کمک هوش مصنوعی، داده‌های فعالیت کاربران در رسانه‌های اجتماعی را به‌صورت مستمر جمع‌آوری و تحلیل می‌کنند. رسانه‌های اجتماعی امروزه برای استنباط رفتارهای اجتماعی و استخراج تمایلات، به همراه ابزارهای تحلیل کلان‌داده استفاده می‌شوند (Sarmiento et al., 2020).

هوش مصنوعی ممکن است منجر به افزایش تعامل مشتریان در رسانه‌های اجتماعی شود. اگر شرکت‌ها راه‌های مختلفی برای مقایسه ویژگی‌های محصولات و خدمات به مشتریان ارائه دهند، ادغام هوش مصنوعی می‌تواند تعامل آن‌ها را در پلتفرم‌های رسانه‌های اجتماعی افزایش دهد (Zhou et al., 2018). به‌عنوان مثال، هوش مصنوعی با جمع‌آوری و بررسی اطلاعات محصولات، تجربه خرید آنلاین را بهبود می‌بخشد (Liu et al., 2018).

هوش مصنوعی نقش مهمی در بهینه‌سازی تجربه کاربران اینستاگرام ایفا می‌کند و به برندها و کسب‌وکارها کمک می‌کند تا تعاملات شخصی‌سازی‌شده‌ای را با مصرف‌کنندگان ایجاد کنند. این فناوری از طریق الگوریتم‌های توصیه‌گر، محتوای مرتبط را بر اساس رفتار کاربران، تعاملات گذشته و ترجیحات آن‌ها نمایش می‌دهد و با تحلیل داده‌های کاربران از طریق نظرات، لایک‌ها و اشتراک‌گذاری‌ها، احساسات کلی نسبت به برندها را ارزیابی کرده و استراتژی‌های بازاریابی را بهبود می‌بخشد (Yang et al., 2020). یکی دیگر از کاربردهای مهم این فناوری، استفاده از فیلترهای واقعیت افزوده است که به کاربران اجازه می‌دهد محصولات را قبل از خرید بررسی کرده و تجربه‌ای تعاملی‌تر داشته باشند (Yoon & Lee, 2021). همچنین، هوش مصنوعی با قابلیت تشخیص تصاویر و محتوای خودکار، به بهبود دسته‌بندی محتوا و پیشنهاد تبلیغات مناسب کمک می‌کند و از طریق شناسایی فعالیت‌های مشکوک، حساب‌های جعلی و محتوای نامناسب، امنیت پلتفرم را افزایش می‌دهد. در مجموع، هوش مصنوعی با ایجاد تجربه خرید شخصی‌سازی‌شده، افزایش تعامل کاربران و بهبود استراتژی‌های بازاریابی، نقش کلیدی در تأثیرگذاری بر تصمیمات خرید مصرف‌کنندگان در اینستاگرام دارد (Priyanga, 2023).

 

2-2. هوش مصنوعی و ارزش درک شده

هوش مصنوعی به ماشین‌ها این امکان را می‌دهد که فعالیت‌های تجاری را انجام دهند که به‌طور معمول توسط انسان‌ها انجام می‌شوند. هدف هوش مصنوعی این است که کامپیوترها را قادر سازد تا هوش انسانی را تقلید کنند، به‌گونه‌ای که بتوانند یاد بگیرند، حس کنند، فکر کنند و عمل کنند و در نتیجه به اتوماسیون دست یابند و بینش‌های تحلیلی کسب کنند (Vlačić et al., 2021). ارزش ادراک‌شده توسط مصرف‌کننده به ارزیابی کلی تفاوت‌های درک‌شده بین آنچه که مصرف‌کنندگان در فرآیند خرید پرداخت می‌کنند و آنچه که به دست می‌آورند اشاره دارد (Zeithaml et al., 1988). به بیان دیگر ارزش درک‌شده به ارزیابی شناختی مصرف‌کننده از منافع و هزینه‌های یک فناوری اشاره دارد که شامل مقایسه مزایایی که از آن کسب می‌کند و مواردی که ممکن است از دست بدهد، است. این ارزیابی می‌تواند تجربه‌های مختلف مانند احساسات، زمان، تلاش، و هزینه را در بر بگیرد (Wang, 2023). بر این اساس، ارزش درک‌شده به‌عنوان یک معیار مهم در پیش‌بینی مستقیم رضایت کاربر یا نیت پذیرش فناوری شناخته می‌شود(Sarfo et al., 2024).

با ترکیب تعاریف ارزش ادراک شده و هوش مصنوعی، ارزش ادراک شده هوش مصنوعی در این مطالعه به سودمندی‌ای اشاره دارد که افراد از طریق به‌کارگیری فناوری هوش مصنوعی به دست می‌آورند. ارزش ادراک شده ابزاری در رفتار یا محصولات منعکس می‌شود (Overby et al., 2006). مطالعات مرتبط با هوش مصنوعی نشان داده‌اند که ارزش درک‌شده به‌طور معناداری رضایت مصرف‌کننده را از جنبه‌های مثبت پیش‌بینی می‌کند (Wang, 2023). همچنین در بازاریابی، ارزش ادراک شده‌ای که از طریق هوش مصنوعی به دست می‌آید، با قصد خرید مصرف‌کنندگان ارتباط مثبت دارد (Yin et al., 2021).

 

2-3. تعامل مصرف‌کننده در رسانه‌های اجتماعی و رضایت

رسانه‌های اجتماعی به جزء جدایی‌ناپذیر زندگی افراد تبدیل شده‌اند. مصرف‌کنندگان به‌طور مداوم با رسانه‌های اجتماعی در تعامل هستند و از پلتفرم‌هایی مانند فیس‌بوک، توییتر، لینکدین، پینترست و اینستاگرام استفاده می‌کنند (Sadiku et al., 2018). تعامل مصرف‌کننده در دهه گذشته توجه قابل‌توجهی از سوی محققان به خود جلب کرده است (Lim et al., 2022). به بیان دیگر، تعامل مصرف‌کننده نشان‌دهنده تعهد یک شرکت به مشتریان خود، توانایی آن در حفظ اعتماد مشتری و اهمیت وفاداری مشتری است (Nadeem et al., 2021). تعامل بین مصرف‌کننده و شرکت ممکن است مصرف‌کنندگان را به ارزیابی با اطمینان از محصول یا خدمات برساند (Rather, 2021). اکنون مصرف‌کنندگان می‌توانند اطلاعات را از طریق رسانه‌های اجتماعی به‌راحتی به دست آورند. از طریق بازخوردهای آنلاین، رسانه‌های اجتماعی به کسب‌وکارها این امکان را می‌دهند که بیشتر درباره علاقه‌ها و ترجیحات مصرف‌کنندگان خود بیاموزند (Kannan, 2017).  

استفاده از رسانه‌های اجتماعی برای درگیر کردن مصرف‌کنندگان یک کار چالش‌برانگیز است. این امر نیازمند درک کامل بازارهای هدف، محتوای باکیفیت و رویکردی سنجیده است. برای رسیدن به کاربران در پلتفرم‌های رسانه‌های اجتماعی، بازاریابان باید ابتدا مخاطبان هدف خود را درک کنند (So et al., 2021). Setyo (2017) توضیح می‌دهد که رضایت مصرف‌کننده عنصری مهم در بهبود عملکرد بازاریابی در یک شرکت است. Oliver (2014) رضایت مشتری را به‌عنوان پاسخی به تحقق و قضاوت درباره مشخصات یک محصول یا خدمات و همچنین سطح لذتی که از تحقق مرتبط با مصرف به دست می‌آید، در نظر می‌گیرد. رضایت مشتری ممکن است برای کسانی که از رسانه‌های اجتماعی بیشتر استفاده می‌کنند، بالاتر باشد (Majeed et al., 2022).

 

2-4. ارزش درک شده و قصد خرید

بر اساس نظر Syamsiah (2009) ارزش درک‌شده نتیجه یا منافع است که مشتری نسبت به هزینه کل (شامل قیمت پرداختی و سایر هزینه‌های مرتبط با خرید) دریافت می‌کند. ارزش درک‌شده مشتری، رضایت مشتریان بالقوه از تمام منافع و هزینه‌های یک پیشنهاد در مقایسه با جایگزین‌های آن است. یک محصول زمانی ارزشمند تلقی می‌شود که نیازها، خواسته‌ها و تقاضاهای مشتریان را برآورده کند (Kotler & Keller, 2016). مشتریان هنگام خرید و مصرف محصولات انتظاراتی دارند و هرچه انتظارات آنها بیشتر برآورده شود، ارزش بیشتری برای محصولات در نظر خواهند گرفت (Bao et al., 2011). همچنین به‌عنوان پلی میان مصرف‌کننده و رفتار مصرفی او عمل کرده و فعالیت‌های روان‌شناختی او را با فرآیند رفتار مصرف‌کننده مرتبط می‌سازد و معیاری کلیدی برای ارزیابی انتخاب‌های او به شمار می‌آید (Lifang et al., 2018). ارزش درک شده به مزایای مختلف محصولات از دیدگاه مصرف‌کننده اشاره دارد (& Park, 2016 Yoo).

همچنین، مطالعات گذشته نشان داده‌اند که ارزش درک‌شده، رضایت و نیت رفتاری همگی با هم مرتبط هستند (Chen & Lin, 2019). اگر مصرف‌کنندگان ارزش درک شده مثبت و مطلوبی داشته باشند و قصد خرید نیز داشته باشند، می‌توان به‌طور خوش‌بینانه گفت که یک برند خاص با توجه به ارتباط بین این دو متغیر خریداری خواهد شد (Aghazadeh et al., 2012). به‌طور خاص، ارزش درک‌شده بالاتر منجر به افزایش تمایل به خرید می‌شود (Chia-Chen et al., 2018).

 

2-5. رضایت و قصد خرید

رضایت مصرف‌کننده به «پاسخ روان‌شناختی مشتری نسبت به ارزیابی مثبت خود از نتیجه مصرف در رابطه با انتظاراتش» و ارزیابی مشتریان از عملکرد مطلوب و واقعی یک محصول اشاره دارد (Ong et al., 2023). رضایت از مصرف محصول یا خدمت حاصل می‌شود، زمانی که عملکرد واقعی فراتر از عملکرد مورد انتظار/مطلوب باشد (Churchill et al., 1982). Kotler & Keller (2016) رضایت مصرف‌کننده را به‌عنوان قضاوت مصرف‌کنندگان درباره عملکرد درک شده یک محصول یا خدمات در تطابق با انتظارات آن‌ها تعریف می‌کنند. رضایت مصرف‌کننده از خدمات ایجاد شده توسط سازمان به‌عنوان یک عامل مهم برای سازمان‌ها در نظر گرفته می‌شود، زیرا محصولات به‌منظور برآورده کردن نیازهای خریداران آنلاین طراحی شده‌اند (Ali & Bhasin, 2019). مطالعات نشان داده‌اند که رضایت مصرف‌کننده قصد خرید مصرف‌کننده را پیش‌بینی می‌کند (Tan et al., 2013). Hossain et al. (2018)  نیز دریافتند که رضایت بر قصد خرید تأثیر می‌گذارد. مطالعات انجام شده نشان می‌دهند که رضایت تأثیرات مثبتی بر قصد خرید دارد.

 

1.       پیشینة تجربی پژوهش

Ø       هنزمن و همکاران به پژوهشی با عنوان سوابق ایجاد قصد خرید مشتری از طریق استراتژی‌های تعامل با مشتری مبتنی بر هوش مصنوعی در دوران پس از همه‌گیری به بررسی تأثیر استراتژی‌های تعامل مبتنی بر هوش مصنوعی بر قصد خرید مشتری در دوران پس از همه‌گیری پرداخته است. این تحقیق نشان می‌دهد که رضایت مشتری و نگرش برند به‌طور مؤثری بر تصمیمات خرید تأثیر دارند، در حالی که اعتبار برند و تأثیرات اجتماعی تأثیر مستقیمی بر قصد خرید ندارند. نتایج تحقیق بر اهمیت بهینه‌سازی تجربه مشتری و شخصی‌سازی تعاملات با استفاده از هوش مصنوعی تأکید دارند و به کسب‌وکارها توصیه می‌کنند که بیشتر بر تقویت تجربه مثبت مشتری و ایجاد نگرش مثبت نسبت به برند متمرکز شوند. این مطالعه با ارائه شواهد جدید، خلأهای موجود در تحقیقات قبلی را روشن کرده و مسیرهای جدیدی برای پژوهش‌های آینده در این زمینه فراهم می‌آورد (Hensman et al., 2024).

Ø       بانسال و همکاران به پژوهشی با عنوان تأثیر هوش مصنوعی بر رفتار خرید آنلاین در تجارت الکترونیک به بررسی تأثیر هوش مصنوعی بر رفتار خرید در بخش تجارت الکترونیک پرداختند. این تحقیق به تحلیل جنبه‌های مثبت و منفی تأثیرات هوش مصنوعی بر تصمیمات خرید آنلاین مصرف‌کنندگان می‌پردازد. از طریق استفاده از ابزارهای AI، مصرف‌کنندگان به اطلاعات به‌روز دسترسی دارند، جستجوها بهینه‌سازی می‌شوند و توصیه‌های شخصی‌سازی شده برای آنها ارائه می‌شود. همچنین، این مطالعه اشاره می‌کند که فناوری‌های جدید مانند جستجوی صوتی و تصویری نیز بهبود یافته و به تجربه خرید آنلاین کمک می‌کنند. در عین حال، برخی نگرانی‌ها و چالش‌ها در رابطه با تأثیرات منفی هوش مصنوعی بر اعتماد مصرف‌کنندگان مطرح شده است. این تحقیق به کارگزاران و صنایع تجاری توصیه می‌کند که در استفاده از هوش مصنوعی، به جنبه‌های اخلاقی و اعتمادسازی توجه ویژه‌ای داشته باشند (Bansal et al., 2024).

Ø       نظیر و همکاران به پژوهشی با عنوان بررسی تأثیر فناوری هوش مصنوعی بر قصد خرید مجدد مصرف‌کننده: رویکرد میانجی‌گری و تعدیل پرداختند. این تحقیق نشان می‌دهد که فناوری هوش مصنوعی تأثیر مثبت بر تعامل مصرف‌کنندگان در رسانه‌های اجتماعی و بهینه‌سازی نرخ تبدیل دارد. این تأثیرات به نوبه خود باعث بهبود تجربه رضایت‌بخش مصرف‌کننده می‌شود که نهایتاً منجر به افزایش قصد خرید مجدد از سوی مشتریان می‌شود. نتایج این مطالعه همچنین بیانگر این است که عادت‌های مصرف‌کننده نقش تعدیل‌گر در رابطه بین تجربه رضایت‌بخش و قصد خرید مجدد دارند. این تحقیق به کسب‌وکارهای صنعت مهمان‌نوازی این فرصت را می‌دهد که از فناوری هوش مصنوعی برای بهبود تعاملات مشتریان در رسانه‌های اجتماعی و افزایش نرخ تبدیل بهره‌برداری کنند. پژوهشگران و بازاریابان می‌توانند از این یافته‌ها برای طراحی استراتژی‌های بهینه‌سازی خدمات خود و تقویت انگیزه خرید مجدد بهره‌مند شوند (Nazir et al., 2022).

Ø       گوا و همکاران به پژوهشی با عنوان تأثیر محرک‌های هوش مصنوعی بر تعامل مشتری و ایجاد ارزش مشترک: نقش تعدیل‌کننده آمادگی توانایی مشتری پرداختند. این تحقیق نشان می‌دهد که تعامل‌پذیری درک‌شده (PI) محرک‌های هوش مصنوعی تأثیر مثبت و معناداری بر خلق ارزش مشترک دارد و تعامل مشتری نقش واسطه‌ای در این رابطه ایفا می‌کند. همچنین، آمادگی توانایی مشتری تأثیر تعدیل‌گر مثبت بر ارتباط میان محرک‌های AI، تعامل مشتری و خلق ارزش مشترک دارد. این پژوهش به توسعه مقیاس محرک‌های AI پرداخته و نظریه‌های مختلفی را ترکیب می‌کند. همچنین، نتایج نشان می‌دهد که شخصی‌سازی محرک‌های AI تأثیر مستقیمی بر خلق ارزش مشترک ندارد. شرکت‌ها باید به بهبود تعامل‌پذیری و شخصی‌سازی ربات‌های خدمات مشتری هوشمند توجه کنند (.(Gao et al., 2022

 

2.       مدل مفهومی و فرضیه‌های پژوهش

مدل مفهومی پژوهش در قالب شکل 1 ارائه و فرضیه‌های پژوهش نیز به شرح ذیل بیان می‌شود:

 

شکل 1. مدل مفهومی تحقیق؛ منبع Febriani et al., 2022)  2024; Bilal et al.,)

 

با توجه به مطالب فوق فرضیه‌ها و مدل مفهومی ذیل برای پژوهش حاضر شکل می‌گیرد:

فرضیه 1: هوش مصنوعی بر قصد خرید تأثیر معنی‌داری دارد.

فرضیه 2: هوش مصنوعی بر تعامل مصرف‌کننده در رسانه‌های اجتماعی تأثیر معنی‌داری دارد.

فرضیه 3: هوش مصنوعی بر ارزش درک شده تأثیر معنی‌داری دارد.

فرضیه 4: تعامل مصرف‌کننده در رسانه‌های اجتماعی بر رضایت مصرف‌کننده تأثیر معنی‌داری دارد.

فرضیه 5: ارزش درک شده بر رضایت تأثیر معنی‌داری دارد.

فرضیه 6: رضایت مصرف‌کننده بر قصد خرید تأثیر معنی‌داری دارد.

 

1-روش‌ پژوهش

این پژوهش از نوع تحقیقات کمی بوده و به‌منظور دستیابی به اهداف پژوهش، از روش‌های کتابخانه‌ای و میدانی بهره گرفته است. روش گردآوری داده‌ها از نوع توصیفی-پیمایشی است. در این نوع تحقیقات، هدف اصلی توصیف و تحلیل ویژگی‌ها، شرایط و پدیده‌های مورد بررسی است. ابزار اصلی گردآوری داده‌ها در این پژوهش، پرسشنامه است که به‌منظور جمع‌آوری اطلاعات دقیق و معتبر از پاسخ‌دهندگان طراحی و اجرا شده است.

 

5-1. جامعه و نمونه آماری

 جامعه آماری این پژوهش شامل کاربرانی است که حداقل ۱۸ سال سن داشته و تجربه خرید پوشاک از طریق اینستاگرام را دارا می‌باشند. اینستاگرام به‌عنوان یکی از پرکاربردترین پلتفرم‌های رسانه‌های اجتماعی که از فناوری‌های هوش مصنوعی مانند الگوریتم‌های توصیه‌گر، فیلترهای AR و چت‌بات‌ها بهره می‌گیرد، انتخاب شده است. هدف از این انتخاب، بررسی تعامل کاربران با این فناوری‌ها و تأثیر آن بر تجربه آن‌ها در این پلتفرم است. برای تعیین حجم نمونه به صورت در دسترس است. حجم نمونه با استفاده از فرمول کوکران محاسبه گردید.

 

5-2. ابزار گردآوری اطلاعات

برای جمع‌آوری داده‌های مورد نیاز جهت تحلیل، از پرسشنامه با مقیاس 5 درجه‌ای لیکرت به‌عنوان مقیاس اندازه‌گیری سؤالات بهره گرفته شد. برای تهیه پرسشنامه از سؤالات استاندارد و محقق ساخته استفاده شد. برای سؤالات متغیر هوش مصنوعی از منبع (Chen et al., 2019)، متغیرهای تعامل مصرف‌کننده در رسانه‌های اجتماعی و ارزش درک شده از سؤالات پژوهشگر ساخته استفاده شد. همچنین برای سؤالات متغیر رضایت از منبع(2012) Reynolds et al.  و برای سؤالات متغیر قصد خرید از منابع(2019) Cho et al.; (2013) buil et al. استفاده شد. از روش آلفای کرونباخ برای بررسی پایایی استفاده گردید. همچنین روایی محتوایی پرسشنامه توسط اساتید دانشگاه تأیید شد. بنابراین، پرسشنامه از اعتبار و قابلیت اعتماد لازم جهت توزیع در جامعه آماری برخوردار بود. پرسشنامه شامل بخش‌هایی مربوط به ویژگی‌های جمعیت‌شناختی (جنسیت، سن، تحصیلات) و سؤالات دموگرافیک است.

 5-3. بررسی توصیفی متغیرهای پژوهش

مشخصات پاسخ‌دهندگان در این مطالعه با استفاده از 3 متغیر جمعیت‌شناختی جنسیت، سن و تحصیلات بررسی شد. نتایج به شرح زیر است:

جدول (1) فراوانی و درصد جنسیت، سن، تحصیلات

 

		فراوانی	درصد
جنسیت	مرد	199	8/51
	زن	185	2/48
سن	18 تا 28 سال	263	68/5
	29 تا 39 سال	75	19/5
	40 تا 49 سال	40	10/4
	بالای 50 سال	6	1/6
تحصیلات	دیپلم و پایین‌تر	33	8/6
	کاردانی	42	10/9
	کارشناسی	194	50/5
	کارشناسی ارشد	106	27/6
	دکتری	9	3/2
	تعداد کل	384	0/100

 

 

 

 

 

 

 

 

 

 

جدول (2): آمار توصیفی متغیرهای پژوهش

متغیرها	هوش مصنوعی	تعامل مصرف‌کننده در رسانه‌های اجتماعی	ارزش درک شده	رضایت	قصد خرید
میانگین	2613/4	2964/2	3105/4	3602/4	3073/4
میانه	3333/4	5000/4	5000/4	6667/4	6667/4
مد	67/4	00/5	75/4	67/4	00/5
انحراف معیار	63022/	67012/	58239/	70567/	68590/
واریانس	397/	449/	339/	498/	470/
چولگی	- 294/1	-322/1	-373/1	-721/1	-232/1
کشیدگی	127/3	173/2	739/2	654/3	535/1
دامنه تغییرات	00/4	25/3	25/3	00/4	00/3
کمترین	00/1	75/1	75/1	00/1	00/2
بیشترین	00/5	00/5	00/5	00/5	00/5

جدول (2) مشاهده می‌شود که بیشترین میانگین مربوط به متغیر رضایت 3768/3 و کمترین میانگین مربوط به هوش مصنوعی 2613/4 است. همچنین بیشترین انحراف معیار مربوط به متغیر رضایت 70567/0 و کمترین انحراف معیار مربوط به ارزش درک شده 58239/0 است.

یافته‌ها

6-1.                      تجزیه‌وتحلیل استنباطی داده‌ها

مدل معادلات ساختاری یک رویکرد آماری جامع برای آزمون فرضیه‌هایی درباره بین متغیرهای مشاهده شده (Observed) و متغیرهای مکنون (Latent) است. نتایج مدل معادلات ساختاری به شکل نمودار مسیر (Path Diagram) ارائه می‌گردد. قبل از تجزیه‌وتحلیل یافته‌ها، ابتدا با استفاده از آزمون‌های کولموگروف- اسمیرنوف و شاپیرو-ویلک، به بررسی نرمال بودن متغیر‌های پژوهش پرداخته می‌شود. نتایج این آزمون‌ها برای هر یک از متغیرهای پژوهش در جدول زیر آمده است:

جدول (3): آزمون ناپارامتری برای نرمال بودن متغیرها

متغیر	آزمون کولموگروف-اسمیرنوف			آزمون شاپیرو-ویلک
	آماره آزمون	درجه آزادی	سطح معنی‌داری	آماره آزمون	درجه آزادی	سطح معنی داری
هوش مصنوعی	159/	384	000/	884/	384	000/
تعامل مصرف‌کننده در رسانه‌های اجتماعی	156/	384	000/	870/	384	000/
ارزش درک شده	172/	384	000/	875/	384	000/
رضایت	246/	384	000/	805/	384	000/
قصدخرید	202/	384	000/	856/	384	000/

 

در جدول (3) فرض نرمال بودن میانگین نمره متغیرهای پژوهش در سطح خطای 05/0 رد می‌شود. همچنین از نرم‌افزار Smart PLS برای تحلیل استفاده شده است. در این بخش در ابتدا به بررسی مدل بیرونی و در نهایت مدل درونی به‌منظور تأیید نتایج حاصل از فرضیات تحقیق پرداخته می‌شود.

 

6-1-بررسی برازش مدل

برای بررسی برازش مدل­های اندازه­گیری سه معیار پایایی، روایی همگرا و روایی واگرا استفاده می­شود.

-       پایایی و روایی مدل اندازه‌گیری برای بررسی برازش مدل ابتدا بار عاملی گویه‌های تحقیق بررسی می‌شوند. بار عاملی برای هر گویه باید بالاتر از 4/0 باشد. شکل (2) بارعاملی گویه‌های مختلف را نشان می‌دهد.

 

 

شکل (2): مقادير بارهای عاملی مربوط به سازه‌ها و شاخص‌های متغیرهای پژوهش (منبع: یافته‌های پژوهش)

همانطور که در شکل (2) مشاهده می‌کنید، ضریب بار عاملی همه متغیرها بالاتر از 4/0 است.

 

6-3-1. آلفای کرونباخ و شاخص Rho و پایایی ترکیبی

 نتایج آلفای کرونباخ، شاخص Rho و پایایی ترکیبی در جدول زیر نشان داده شده است:

 

جدول (4) نتایج معیارهای آلفای کرونباخ، Rho و پایایی ترکیبی و ضرایب AVE

(4) نتایج معیاo مؤلفه‌ها	آلفای کرونباخ	Rho	پایایی ترکیبی (CR)	روایی همگرا (AVE)
ارزش درک شده	733/0	737/0	833/0	556/0
تعامل مصرف‌کننده در رسانه‌های اجتماعی	818/0	823/0	881/0	650/0
رضایت	821/0	822/0	893/0	736/0
قصد خرید	746/0	768/0	855/0	663/0
هوش مصنوعی	777/0	776/0	871/0	692/0

 

همانطور که در جدول نشان داده شده است، تمام متغیرها دارای آلفای کرونباخ و پایایی ترکیبی بالاتر از 7/0 هستند که نشان‌دهنده پایایی مناسب مدل اندازه‌گیری است. متغیر رضایت (821/0) و تعامل مصرف‌کننده در رسانه‌های اجتماعی (818/0) دارای بیشترین پایایی آلفای کرونباخ هستند که نشان‌دهنده قابلیت اعتماد بالاتر این متغیرها است.

6-3-2. روایی واگرا در مدل اندازه‌گیری

سومین معیار بررسی برازش مدل‌های اندازه‌گیری روایی واگرا است. روایی واگرا نشان می‌دهد چقدر سؤالات یک عامل با سؤالات سایر عوامل تفاوت دارند. روایی واگرا بر همبستگی پایین سنجه‌های یک متغیر پنهان با یک متغیر غیر مرتبط با آن (از نظر پژوهشگر) اشاره دارد. این معیار در روش حداقل مربعات جزئی از دو طریق سنجیده می‌شود. یکی از این روش‌ها بارهای عاملی متقابل است که میزان همبستگی بین شاخص‌های یک سازه را با همبستگی آن‌ها با سازه‌های دیگر مقایسه می‌کند و روش دیگر معیار پیشنهادی فورنل و لارکر است که در این پژوهش مورد استفاده قرار گرفته است.

6.3.2.1 روایی واگرا به روش بارهای عاملی متقابل

جدول (5) بارهای عاملی هر معرف مربوط به سازه خود و دیگر سازه‌ها را نشان می‌دهد.

جدول (5) بار عاملی متقابل

	ارزش درک شده	تعامل مصرف‌کننده در رسانه‌های اجتماعی	رضایت	قصد خرید	هوش مصنوعی
Q1	482/0	562/0	469/0	516/0	807/0
Q2	468/0	518/0	476/0	443/0	871/0
Q3	441/0	591/0	430/0	448/0	817/0
Q4	608/0	586/0	630/0	866/0	464/0
Q5	515/0	534/0	458/0	737/0	439/0
Q6	528/0	592/0	543/0	835/0	482/0
Q7	574/0	742/0	530/0	557/0	522/0
Q8	591/0	854/0	591/0	636/0	586/0
Q9	549/0	856/0	591/0	555/0	563/0
Q10	595/0	767/0	570/0	504/0	490/0
Q11	777/0	551/0	527/0	530/0	465/0
Q12	679/0	490/0	473/0	417/0	353/0
Q13	738/0	540/0	538/0	577/0	454/0
Q14	784/0	548/0	537/0	484/0	381/0
Q15	612/0	655/0	859/0	601/0	522/0
Q16	573/0	610/0	860/0	574/0	460/0
Q17	609/0	554/0	855/0	560/0	434/0

 

طبق ماتریس ارائه شده در جدول بار عاملی هر متغیر در ارتباط با شاخص خود بیشترین بار عاملی است بنابراین روایی واگرای مدل از طریق ماتریس بارهای عاملی متقابل مورد تأیید است.

 

6.3.2.2 روایی واگرا به روش فورنل و لارکر

جدول (6) ماتریس فورنل و لارکر

	ارزش درک شده	تعامل مصرف‌کننده در رسانه‌های اجتماعی	رضایت	قصد خرید	هوش مصنوعی
ارزش درک شده	746/0
تعامل مصرف‌کننده در رسانه‌های اجتماعی	715/0	806/0
رضایت	697/0	708/0	858/0
قصد خرید	678/0	700/0	675/0	814/0
هوش مصنوعی	558/0	671/0	551/0	565/0	832/0

 

جدول (6) ماتریس فورنل و لارکر، روایی واگرای متغیرهای مدل را بررسی می‌کند. طبق معیار فورنل و لارکر، روایی واگرا زمانی تأیید می‌شود که ریشه دوم میانگین واریانس استخراج‌شده (AVE) هر متغیر، بیشتر از ضرایب همبستگی آن با سایر متغیرها باشد. در این جدول، مقادیر قطری (به صورت پررنگ یا متمایز) نشان‌دهنده ریشه دوم AVE برای هر متغیر هستند که همگی از ضرایب همبستگی بین متغیرها در همان سطر و ستون بالاتر هستند. این امر تأیید می‌کند که متغیرهای مدل از تفکیک‌پذیری مناسب برخوردارند و روایی واگرای مدل مطلوب ارزیابی می‌شود.

 

6-1.                      بررسی برازش مدل ساختاری

الف) ضریب معناداری t

 شکل زیر ضرایب معناداری Z (مقادیر t- values) را نشان می‌دهد.

 

شکل (3) مقدار T Values (منبع: یافته‌های پژوهش)

ب) معیار ضریب تعیین (R2)

دومین معیار برای بررسی برازش مدل ساختاری در یک پژوهش، ضرایب R2 مربوط به متغیرهای درون‌زای (وابسته) مدل است. در جدول زیر مقدار   R2 برای متغیرها محاسبه شده است که مناسب بودن برازش مدل ساختاری را تأیید می‌سازد.

ج) برازش مدل کلی (معیار GOF)

  برای بررسی برازش مدل کلی، تنها یک معیار به نام GOF استفاده می‌شود:

این معیار از طریق فرمول زیر محاسبه می‌شود:

 

مقدار  از میانگین مقادیر اشتراکی متغیرهای پنهان مرتبه اول به دست می‌آید. این مقادیر برای متغیرهای پنهان مرتبه اول مدل، به شرح جدول زیر است که در نتیجه  برابر است با 446/0.

 

جدول (7): میانگین مقادیر اشتراکی و R2 متغیرهای پنهان

متغیرهای پنهان	مقادیر اشتراکی	R2
ارزش درک شده	309/0	311/0
تعامل مصرف‌کننده در رسانه‌های اجتماعی	449/0	451/0
رضایت	574/0	576/0
قصد خرید	454/0	455/0

منبع: یافته‌های پژوهش

از طرف دیگر، خروجی مدل نشان داده‌شده نشان داد که میانگین مقدار   متغیرهای درون‌زای مدل برابر بود با 448/0 بدین ترتیب مقدار معیار GOF برای پژوهش فوق برابر می‌شود با:

 

با توجه به سه مقدار 01/0؛ 25/0 و 36/0 به‌عنوان مقادیر ضعیف، متوسط و قوی برای GOF، حاصل شدن مقدار 446/0 برای GOF نشان از برازش کلی قوی مدل در پژوهش حاضر دارد.

د) بررسی تناسب پیش‌بین مدل

 مقدار آماره (استون-گیسر)⁶ که قدرت پیش‌بینی مدل در سازه‌های درون‌زا را مشخص می‌کند.؛ بنابراین سه مقدار 02/0، 15/0 و 35/0 را به‌عنوان قدرت پیش‌بینی کم، متوسط و قوی تعیین شده ‌است.

جدول (8) مقادیر آماره استون گیسر متغیرهای پژوهش

متغیرها	SSO	SSE	معیار استون گیسر Q² (=1-SSE/SSO)	وضعیت
ارزش درک شده	000/1,536	1,948/290	160/0	تناسب پیش‌بینی قوی
تعامل مصرف‌کننده در رسانه‌های اجتماعی	1,000/536	1,026/117	273/0	تناسب پیش‌بینی متوسط
رضایت	000/1,152	395/693	398/0	تناسب پیش‌بینی متوسط
قصد خرید	000/1,152	372/827	282/0	تناسب پیش‌بینی متوسط

منبع: یافته‌های پژوهش

بر اساس یافته‌ها، متغیر ارزش درک‌شده با مقدار 160/0Q² = دارای تناسب پیش‌بینی قوی است. همچنین، متغیرهای تعامل مصرف‌کننده در رسانه‌های اجتماعی (273/0Q² =)، رضایت (398/0Q² =) و قصد خرید (282/0Q² =) همگی دارای تناسب پیش‌بینی در سطح متوسط هستند. این نتایج نشان می‌دهد که مدل از قدرت پیش‌بینی مناسبی در تبیین متغیرهای درون‌زا برخوردار است و می‌تواند ساختار نظری پیشنهادی را به‌خوبی حمایت کند.

 

6-1.                      آزمون فرضیه­های پژوهش

پس از بررسی برازش مدل‌های اندازه‌گیری، به آزمون و بررسی فرضیه‌های تحقیق پرداخته می‌شود. نتایج فرضیه‌ها در جدول (9) ارائه شده است.

جدول (9): نتایج فرضیه‌ها

	ضریب مسیر	میانگین نمونه M	انحراف معیار	آماره‌ی T	سطح معناداری
هوش مصنوعی -> قصد خرید	341/0	340/0	045/0	515/7	000/0
هوش مصنوعی -> تعامل مصرف‌کننده در رسانه‌های اجتماعی	671/0	670/0	037/0	227/18	000/0
هوش مصنوعی -> ارزش درک شده	558/0	553/0	053/0	515/10	000/0
تعامل مصرف‌کننده در رسانه‌های اجتماعی -> رضایت	429/0	426/0	059/0	298/7	000/0
ارزش درک شده -> رضایت	390/0	390/0	062/0	322/6	000/0
رضایت -> قصد خرید	675/0	671/0	044/0	184/15	000/0

منبع: یافته‌های پژوهش

در زیر به بررسی فرضیه‌های پژوهش پرداخته می‌شود:

þ       فرضیه اول: تأثیر هوش مصنوعی بر قصد خرید معنی‌داری دارد.

همانطور که در جدول مشخص است در مسیر تأثیر هوش مصنوعی بر قصد خرید مقدار آماره آزمون برابر 515/7 بوده است، در نتیجه نشان می‌دهد که رابطه معناداری در این مسیر با سطح اطمینان 95% برقرار است. در نتیجه این فرضیه مورد قبول واقع شده است. نتایج این پژوهش با پژوهش (2024) Bilal et al. همخوانی دارد.

 تفاوت اصلی این پژوهش این است که به جنبه‌های خاص‌تری از تعاملات دیجیتال و پلتفرم‌های مبتنی بر هوش مصنوعی پرداخته که در پژوهش Bilal et al. (2024) کمتر مورد توجه قرار گرفته است، به‌ویژه تأثیر رسانه‌های اجتماعی به‌عنوان واسطه‌ای برای تجربه خرید مصرف‌کنندگان. از سوی دیگر هر دو مطالعه نشان می‌دهد که استفاده از هوش مصنوعی در فرآیند خرید مصرف‌کننده به‌ویژه از طریق شخصی‌سازی تجربه خرید و افزایش تعامل، موجب تقویت تصمیم‌گیری خرید می‌شود. در پژوهش‌های قبلی تأکید شده است که هوش مصنوعی می‌تواند مصرف‌کنندگان را به خرید بیشتر ترغیب کند، مشابه پژوهش حاضر که نشان‌دهنده تأثیر معنادار هوش مصنوعی بر قصد خرید است.

þ       فرضیه دوم: هوش مصنوعی بر تعامل مصرف‌کننده در رسانه‌های اجتماعی تأثیر معنی‌داری دارد.

همانطور که در جدول مشخص است در مسیر تأثیر هوش‌ مصنوعی بر تعامل مصرف‌کننده در رسانه‌های اجتماعی، مقدار آماره آزمون برابر 227/18 بوده است، در نتیجه این فرضیه مورد قبول واقع شده است. نتایج این پژوهش با پژوهشet al.  Bilal (2024) همخوانی دارد. پژوهش حاضر به‌طور خاص به تأثیر تعاملات در رسانه‌های اجتماعی اشاره دارد، پژوهش Bilal et al. (2024) نیز ارتباط مستقیم بین تعاملات دیجیتال و رضایت مصرف‌کننده را بررسی کرده است. هر دو پژوهش تأکید دارند که هوش مصنوعی می‌تواند باعث افزایش تعاملات برند با مصرف‌کنندگان از طریق ابزارهای دیجیتال مانند چت‌بات‌ها و الگوریتم‌های شخصی‌سازی شود. در حالی که مطالعات پیشین به تأثیر مستقیم هوش مصنوعی بر این تعاملات پرداخته‌اند، پژوهش حاضر این اثر را در بستر رسانه‌های اجتماعی بررسی کرده و تأثیر قابل توجه آن را بر تعاملات مصرف‌کننده تأیید کرده است.

یافته‌های هر دو مطالعه بر نقش تعاملات دیجیتال در ایجاد تجربه مثبت و افزایش رضایت مصرف‌کنندگان از برند تأکید دارند. پژوهش حاضر نشان می‌دهد که هوش مصنوعی تأثیر قابل‌توجهی بر قصد خرید دارد، نتایجی که بر اساس داده‌های رسانه‌های اجتماعی و پلتفرم‌های دیجیتال به دست آمده است. تفاوت کلیدی این پژوهش با Bilal et al. (2024) در تمرکز بر جنبه‌های خاص‌تر تعاملات دیجیتال، به‌ویژه نقش رسانه‌های اجتماعی به‌عنوان واسطه‌ای برای تجربه خرید مصرف‌کنندگان است که در مطالعات پیشین کمتر مورد توجه قرار گرفته است.

þ       فرضیه سوم: هوش مصنوعی بر ارزش درک شده تأثیر معنی‌داری دارد.

همانطور که در جدول مشخص است در مسیر تأثیر هوش مصنوعی بر ارزش درک شده، مقدار آماره آزمون برابر 515/10 بوده است، در نتیجه این فرضیه مورد قبول واقع شده است. پژوهش حاضر نشان می‌دهد که هوش مصنوعی در فرآیند خرید موجب بهبود تجربه مصرف‌کننده و افزایش ارزش درک‌شده از برند می‌شود که این امر به‌طور مستقیم بر تصمیمات خرید تأثیر می‌گذارد. نتایج این پژوهش با پژوهش  Febriani et al. (2022) همخوانی دارد. در پژوهش آنها تأثیرات مثبت ابزارهای هوش مصنوعی بر احساس رضایت و افزایش ارزش درک‌شده از تعامل با برندها نشان داده شده است. این پژوهش تأکید دارد که مصرف‌کنندگان با استفاده از فناوری‌های نوین مانند چت‌بات‌ها و پیشنهادات هوشمند، برندها را به‌عنوان ارزشمندتر و مرتبط‌تر با نیازهای خود می‌بینند. مشابه این یافته‌ها، در این پژوهش نیز مشاهده شده که هوش مصنوعی می‌تواند احساس ارزش بیشتری در مصرف‌کنندگان ایجاد کند، به‌ویژه زمانی که آن‌ها تجربه‌ای مثبت و شخصی‌شده از برند در رسانه‌های اجتماعی یا دیگر پلتفرم‌ها داشته باشند. تفاوت اصلی در این است که پژوهش حاضر به‌طور خاص‌تری تأثیرات دیجیتال و رسانه‌های اجتماعی را در ایجاد ارزش درک‌شده بررسی کرده، در حالی که پژوهش Febriani et al. (2022) به‌طور کلی به تأثیرات هوش مصنوعی بر ارزش درک‌شده در صنعت‌ها و زمینه‌های مختلف پرداخته است.

þ       فرضیه چهارم: تعامل مصرف‌کننده در رسانه‌های اجتماعی بر رضایت مصرف‌کننده تأثیر معنی‌داری دارد.

همانطور که در جدول مشخص است در مسیر تأثیر تعامل بر مصرف‌کننده در رسانه‌های اجتماعی بر رضایت مصرف‌کننده، مقدار آماره آزمون برابر 298/7 بوده است، در نتیجه این فرضیه مورد قبول واقع شده است. نتایج این پژوهش با پژوهش et al.  Bilal(2024) همخوانی دارد. پژوهش آنها نشان داده است که تعامل فعال مصرف‌کنندگان با برندها در رسانه‌های اجتماعی، به‌ویژه از طریق پاسخ‌های سریع و شخصی‌سازی‌شده، موجب افزایش سطح رضایت آن‌ها می‌شود. این پژوهش نیز به‌طور مشابه تأکید دارد که تعامل مصرف‌کنندگان در رسانه‌های اجتماعی با برندهای دارای حضور هوشمند و مؤثر، موجب افزایش رضایت آن‌ها می‌شود. پژوهش حاضر به‌طور خاص‌تری به چگونگی نقش هوش مصنوعی در این تعاملات پرداخته‌است و نشان داده‌است که این تعاملات می‌تواند به‌طور مستقیم در رسانه‌های اجتماعی موجب افزایش رضایت مصرف‌کنندگان و در نهایت تأثیر مثبتی بر تصمیمات خرید آن‌ها داشته باشد.

þ       فرضیه پنجم: ارزش درک شده بر رضایت تأثیر معنی‌داری دارد.

همانطور که در جدول مشخص است در مسیر تأثیر ارزش درک شده بر رضایت، مقدار آماره آزمون برابر 322/6 بوده است، در نتیجه این فرضیه مورد قبول واقع شده است. نتایج این پژوهش با پژوهش Chen et al. (2019) همخوانی دارد. آنها در مطالعات خود به این نکته اشاره کرده‌اند که ارزش درک‌شده به‌عنوان یک محرک اصلی در تجربه مثبت مصرف‌کننده و افزایش رضایت در تصمیم‌گیری‌های خرید عمل می‌کند. در پژوهش آن‌ها، مصرف‌کنندگان بر اساس تجربه شخصی از برند و کیفیت محصولات، ارزشی را که به برند می‌دهند، تعیین می‌کنند. مشابه این یافته‌ها، این پژوهش نیز نشان می‌دهد که ارزش درک‌شده موجب بهبود رضایت مصرف‌کننده می‌شود، به‌ویژه زمانی که مصرف‌کننده ارتباط مؤثری با برند از طریق هوش مصنوعی یا ابزارهای دیجیتال برقرار کند. تفاوت اصلی در پژوهش حاضر این است که تأکید بیشتری بر تأثیر رسانه‌های اجتماعی و هوش مصنوعی بر ارزش درک‌شده و رضایت دارد، در حالی که.Chen et al (2019) بر تعاملات سنتی‌تر و تجربیات مستقیم مصرف‌کننده متمرکز بوده‌اند.

þ       فرضیه ششم: رضایت مصرف‌کننده بر قصد خرید تأثیر معنی‌داری دارد.

همانطور که در جدول مشخص است در مسیر تأثیر رضایت مصرف‌کننده بر قصد خرید، مقدار آماره آزمون برابر 184/15 بوده است، در نتیجه این فرضیه مورد قبول واقع شده است. نتایج این پژوهش با پژوهش Chen et al. (2019) همخوانی دارد. در هر دو مطالعه، رضایت مصرف‌کننده به‌طور مستقیم بر قصد خرید تأثیر می‌گذارد. پژوهش Chen et al. (2019) بر این نکته تأکید کرده است که رضایت مصرف‌کننده از برند و تجربه خرید، یکی از قوی‌ترین پیش‌بینی‌کننده‌های تصمیمات خرید است. این یافته‌ها بر اهمیت بازخورد مثبت از مصرف‌کنندگان و اثرات آن بر تکرار خرید و وفاداری به برند تأکید دارند. پژوهش حاضر نیز مشابه این دیدگاه را تأیید می‌کند و نشان می‌دهد که رضایت مصرف‌کننده از تعاملات رسانه‌های اجتماعی و هوش مصنوعی موجب تقویت قصد خرید می‌شود. در حالی که.Chen et al (2019) به‌طور کلی به رابطه رضایت و قصد خرید پرداخته‌اند، این پژوهش بر تأثیرات جدیدتر دیجیتال و تعاملات هوش مصنوعی و رسانه‌های اجتماعی تمرکز کرده است که این تفاوت به‌ویژه در دنیای امروز از اهمیت بالایی برخوردار است. این تفاوت‌ها نشان‌دهنده پیشرفت در مفاهیم و بسترهای جدیدی است که در مطالعه شما مورد بررسی قرار گرفته است.

بحث و نتیجه‌گیری

این پژوهش با هدف بررسی تأثیر هوش مصنوعی بر قصد خرید مصرف‌کنند‌گان، با تأکید بر نقش متغیرهای میانجی تعامل در رسانه‌های اجتماعی، ارزش درک‌شده و رضایت مصرف‌کننده انجام شد. یافته‌ها نشان می‌دهد که هوش مصنوعی تأثیر قابل‌توجهی بر رفتار مصرف‌کننده داشته و از طریق تقویت تعامل و ایجاد تجربه‌ای ارزشمند، مسیر تصمیم‌گیری خرید مصرف‌کنندگان را تحت تأثیر قرار می‌دهد. بررسی فرضیه‌ها به‌وضوح نشان می‌دهد که هوش مصنوعی می‌تواند از طریق بهبود تعامل در پلتفرم‌های اجتماعی، منجر به افزایش ارزش درک‌شده مصرف‌کنندگان شود که این ارزش به‌عنوان پایه‌ای اساسی برای افزایش رضایت و تمایل به خرید عمل می‌کند. این نتایج به‌وضوح اهمیت ادغام فناوری‌های هوشمند در استراتژی‌های بازاریابی مدرن را نشان می‌دهد و با پژوهش‌های پیشین همچون مطالعات Bilal et al. (2024) Febriani et al. ; (2022) مطابقت دارد. در ابتدا، نتایج نشان داد که هوش مصنوعی تأثیر مستقیم و قابل‌توجهی بر قصد خرید مصرف‌کننده دارد که نشان‌دهنده تأثیر مثبت و معنادار هوش مصنوعی در تقویت تصمیم‌گیری خرید مصرف‌کنندگان است. این پژوهش‌ها تأکید دارند که استفاده از هوش مصنوعی می‌تواند موجب شخصی‌سازی تجربه خرید و افزایش تعامل با مصرف‌کنندگان شود، که منجر به تقویت قصد خرید می‌شود. با این حال، پژوهش حاضر به‌ویژه بر تأثیر رسانه‌های اجتماعی به‌عنوان یک پلتفرم کلیدی در این فرایند تأکید کرده است، که در پژوهش  (2024)Bilal et al. کمتر مورد توجه قرار گرفته است.

از سوی دیگر، تأثیر هوش مصنوعی بر ارزش درک‌شده مصرف‌کننده نیز قابل توجه است. این ارزش درک‌شده می‌تواند نقش مهمی در ایجاد تجربه‌ای مثبت از برند داشته باشد و این تجربه مثبت به‌طور مستقیم و غیرمستقیم به افزایش رضایت و در نتیجه تقویت قصد خرید منجر می‌شود. هنگامی‌که مصرف‌کنندگان احساس می‌کنند برند از فناوری‌های پیشرفته و هوشمند برای بهبود تجربه آن‌ها استفاده می‌کند، ارزش بیشتری به تعاملات خود با برند قائل می‌شوند. ارزش درک‌شده یک عامل مهم در ارزیابی کلی مصرف‌کنندگان از یک برند است و می‌تواند به افزایش تمایل آن‌ها برای خرید منجر شود. این نتیجه با یافته‌های(2022) Febriani et al.; (2019) Chen et al. مطابقت دارد که تأثیر مثبت هوش مصنوعی در ارتقای ارزش درک‌شده مصرف‌کنندگان از برندها را مورد بررسی قرار داده است. پژوهش حاضر نیز نشان داده است که هوش مصنوعی به‌ویژه در بسترهای دیجیتال و رسانه‌های اجتماعی می‌تواند باعث افزایش احساس ارزش در مصرف‌کنندگان شود، به‌ویژه زمانی که تجربه خرید شخصی‌سازی‌شده و مطلوبی به آنان ارائه شود.

نتایج پژوهش نشان داد که رضایت مصرف‌کننده از تعاملات در رسانه‌های اجتماعی و تجربه کلی خرید، نقش کلیدی در افزایش قصد خرید دارد. تعاملات مثبت با برندها موجب افزایش رضایت مصرف‌کنندگان شده و احتمال خرید مجدد را تقویت می‌کند. این یافته‌ها با پژوهش (2019) Chen et al همخوانی دارد. با این حال، مطالعه حاضر به‌طور خاص تأثیر هوش مصنوعی، به‌ویژه در زمینه چت‌بات‌ها و شخصی‌سازی تجربه خرید را بررسی کرده است. هوش مصنوعی می‌تواند نقش مهمی در تدوین استراتژی‌های بازاریابی دیجیتال ایفا کند و با بهبود تعاملات مشتری، رضایت و وفاداری را افزایش دهد. استفاده از فناوری‌های هوشمند نه‌تنها تعامل مصرف‌کننده را تقویت می‌کند، بلکه به‌طور مستقیم بر قصد خرید تأثیرگذار است. این یافته‌ها اهمیت سرمایه‌گذاری در هوش مصنوعی را برای مدیران و بازاریابان برجسته می‌سازد، زیرا این فناوری با ارتقای تجربه خرید، موجب افزایش رضایت و حفظ مشتریان می‌شود.

پژوهشگرا‌ن آینده می‌توانند تأثیر هوش مصنوعی بر رفتار مصرف‌کننده را در صنایع مختلفی چون خدمات، سلامت و گردشگری بررسی کنند و تفاوت اثرات آن بر تعامل و رضایت مصرف‌کنندگان در این صنایع را ارزیابی نمایند. همچنین، تحقیقات می‌توانند نقش هوش مصنوعی را در شکل‌گیری وفاداری بلندمدت مصرف‌کنندگان، فراتر از قصد خرید کوتاه‌مدت، تحلیل کنند. مطالعه اثرات طولانی‌مدت تعاملات مبتنی بر هوش مصنوعی بر ارتباطات عاطفی و وفاداری پایدار، می‌تواند بینش‌های جدیدی در زمینه جذب مشتریان وفادار ارائه دهد. تفاوت‌های فرهنگی و اجتماعی نیز باید در نظر گرفته شود تا برندها بتوانند استراتژی‌های بازاریابی جهانی را به‌طور مؤثرتری شخصی‌سازی کنند. با پیشرفت فناوری‌های تحلیل احساسات و پردازش زبان طبیعی، پژوهشگران قادر به استفاده از مدل‌های پیشرفته هوش مصنوعی برای تحلیل عمیق‌تر احساسات مصرف‌کنندگان خواهند بود. علاوه بر این، نگرانی‌های امنیتی و حریم خصوصی همچنان چالش‌های اصلی در استفاده از هوش مصنوعی در بازاریابی دیجیتال است و تحقیقات آینده می‌توانند تأثیر آن بر نگرش مصرف‌کنندگان نسبت به امنیت داده‌ها را بررسی کنند.

این پژوهش، با وجود دستاوردهای ارزشمند خود، دارای محدودیت‌هایی است که بر تعمیم‌پذیری نتایج تأثیر می‌گذارد. تمرکز بر یک نمونه خاص از کاربران، ممکن است تفاوت‌های فرهنگی، اقتصادی و رفتاری را نادیده بگیرد، لذا پژوهش‌های بیشتری در بازارهای مختلف موردنیاز است. همچنین، روش پرسشنامه‌ای با محدودیت‌های ذاتی خود، امکان خطاهای پاسخ‌دهی را افزایش می‌دهد و ترکیب آن با روش‌های کیفی مانند مصاحبه‌های عمقی می‌تواند دیدگاه جامع‌تری ارائه دهد. پیشرفت‌های مداوم در فناوری هوش مصنوعی نیز ممکن است یافته‌های این پژوهش را در آینده نیازمند بازنگری کند. علاوه بر این، پژوهش به ابعاد روان‌شناختی عمیقی مانند احساس امنیت و اعتماد به سیستم‌های هوشمند نپرداخته که این موضوع می‌تواند بر پذیرش هوش مصنوعی تأثیرگذار باشد. مطالعات آینده می‌توانند با بررسی این جنبه‌ها و انجام پژوهش‌های طولی، درک دقیق‌تری از تغییرات رفتار مصرف‌کنندگان ارائه دهند.

 

پیشنهاد‌های کاربردی

هوش مصنوعی و رسانه‌های اجتماعی به‌طور فزاینده‌ای در بهبود تجربه خرید و استراتژی‌های بازاریابی نقش‌آفرینی می‌کنند. برندها می‌توانند از قابلیت‌های پیشرفته هوش مصنوعی برای شخصی‌سازی پیشنهاد‌های خرید در رسانه‌های اجتماعی، به‌ویژه اینستاگرام، بهره ببرند. این فرایند با تحلیل داده‌های مصرف‌کننده، الگوهای خرید قبلی و ترجیحات شخصی انجام شده و تجربه‌ای منحصربه‌فرد برای مشتریان ایجاد می‌کند. از سوی دیگر، توسعه چت‌بات‌های هوشمند در پلتفرم‌های اجتماعی، امکان تعامل سریع و مؤثر با مصرف‌کنندگان را فراهم می‌آورد. این چت‌بات‌ها قادر به پاسخگویی به سؤالات کاربران، دریافت بازخورد و بهبود تجربه خرید هستند. همچنین، ابزارهای تحلیل احساسات مبتنی بر هوش مصنوعی می‌توانند تعاملات و نظرات مصرف‌کنندگان را بررسی کرده و بینش‌های ارزشمندی برای تنظیم استراتژی‌های بازاریابی فراهم کنند. همچنین استفاده از مدل‌های پیشرفته یادگیری ماشین در تحلیل رفتار مصرف‌کننده، امکان پیش‌بینی روندهای خرید و تصمیم‌گیری‌های مشتریان را فراهم کرده و به برندها کمک می‌کند تا پیشنهادهای خود را بر اساس داده‌های دقیق‌تری ارائه دهند. علاوه بر این، تبلیغات هدفمند مبتنی بر هوش مصنوعی با شناسایی دقیق‌تر مخاطبان، باعث افزایش نرخ تبدیل مشتریان بالقوه به خریداران واقعی می‌شود. 

References

Aghazadeh, Hashem, Qolipour, Rahmatullah, & Bakshizadeh, Elahe. (2014). Investigating the effect of brand personality on repurchase intention through perceived value and brand loyalty (case study: life insurance policyholders of Saman Insurance Company). Modern Marketing Research, 3 (4), 1-22 [In persian].

Ali, A., & Bhasin, J. (2019). Understanding Customer Repurchase Intention in E-commerce: Role of Perceived Price, Delivery Quality, and Perceived Value. Jindal Journal of Business Research, 8(2), 142-157. http://dx.doi.org/10.1177/2278682119850275.

Bansal, Rohit & Bansal, Tamanna. (2024). Impact of Artificial Intelligence on Online Buying Behaviour in E-Commerce. http://dx.doi.org/10.1109/ICACCTech61146.2023.00085.

Bao, Kevin & Bao, Yeqing & Sheng, Shibin. (2011). Motivating purchase of private brands: Effects of store image, product signatureness, and quality variation. Journal of Business Research. 64. http://dx.doi.org/10.1016/j.jbusres.2010.02.007.

Bilal, M., Zhang, Y., Cai, S., Akram, U., & Halibas, A. (2024). Artificial intelligence is the magic wand making customer-centric a reality! An investigation into the relationship between consumer purchase intention and consumer engagement through affective attachment. Journal of Retailing and Consumer Services, 77, 103674.‏ https://doi.org/10.1016/j.jretconser.2023.103674

Bock, D. E., Wolter, J. S., & Ferrell, O. C. (2020). Artificial intelligence: Disrupting what we know about services. Journal of Services Marketing, 34(3), 317-334.‏ http://dx.doi.org/10.1108/JSM-01-2019-0047.

Buil, Isabel & Martinez, Eva & Chernatony, Leslie. (2013). The influence of brand equity on consumer responses. Journal of Consumer Marketing. 30. http://dx.doi.org/10.1108/07363761311290849.

Chawla, R. N., & Goyal, P. (2021). Emerging trends in digital transformation: a bibliometric analysis. Benchmarking: An International Journal, 29(4), 1069-1112.‏ http://dx.doi.org/10.1108/BIJ-01-2021-0009.

Chen, Chia-Chen & Hsiao, Kuo-Lun & Wu, Shan-Jung. (2018). Purchase intention in social commerce: An empirical examination of perceived value and social awareness. Library Hi Tech. 36. http://dx.doi.org/10.1108/LHT-01-2018-0007.

Chen, Shih-Chih & Lin, Chieh-Peng. (2019). Understanding the effect of social media marketing activities: The mediation of social identification, perceived value, and satisfaction. Technological Forecasting and Social Change. 140. 22-32. http://dx.doi.org/10.1016/j.techfore.2018.11.025

Cho, Eunjoo & Son, Jihyeong. (2019). The effect of social connectedness on consumer adoption of social commerce in apparel shopping. Fashion and Textiles. 6. http://dx.doi.org/10.1186/s40691-019-0171-7

Churchill Jr, G. A., & Surprenant, C. (1982). An investigation into the determinants of customer satisfaction. Journal of marketing research, 19(4), 491-504. https://doi.org/10.1177/002224378201900410.

Febriani, Riza & Sholahuddin, Muhammad & Kuswati, Rini & Soepatini, Soepatini. (2022). Do Artificial Intelligence and Digital Marketing Impact Purchase Intention Mediated by Perceived Value?. Journal of Business and Management Studies. 4. 184-196. http://dx.doi.org/10.32996/jbms.2022.4.4.28.

Gao, Li & Li, Gang & Tsai, Fusheng & Gao, Chen & Zhu, Mengjiao & Qu, Xiaopian. (2022). The impact of artificial intelligence stimuli on customer engagement and value co-creation: the moderating role of customer ability readiness. Journal of Research in Interactive Marketing. 17. http://dx.doi.org/10.1108/JRIM-10-2021-0260.

Gidh, P. G. (2020). A multi-dimensional research study in e-commerce to capture consumer expectations. International Journal for Research in Applied Science and Engineering Technology, 8(11), 411-415.‏ http://dx.doi.org/10.22214/ijraset.2020.32169.

Hensman, Sheramy & Jayasinghe, Shan & Fernando, Ishenka. (2024). Antecedents Of Driving Customer Purchase Intention Via AI Based Customer Engagement Strategies In The Post Pandemic Era. 1-6. http://dx.doi.org/10.1109/SCSE61872.2024.10550604.

Hollebeek, L. D., Glynn, M. S., & Brodie, R. J. (2014). Consumer brand engagement in social media: Conceptualization, scale development and validation. Journal of interactive marketing, 28(2), 149-165.‏ http://dx.doi.org/10.1016/j.intmar.2013.12.002.

Hossain, M. S., Zhou, X., & Rahman, M. F. (2018). Examining the impact of QR codes on purchase intention and customer satisfaction on the basis of perceived flow. International Journal of engineering business management, 10, http://dx.doi.org/10.1177/1847979018812323.

Kannan, P. K. (2017). Digital marketing: A framework, review and research agenda. International journal of research in marketing, 34(1), 22-45. http://dx.doi.org/10.1016/j.ijresmar.2016.11.006

Kotler, & Keller. (2016). Kotler and Keller Marketing Management.

Lim, Weng Marc & Rasul, Tareq & Kumar, Satish & Ala, Mamun. (2022). Past, Present, and Future of Customer Engagement. Journal of Business Research. 140. 439-458. http://dx.doi.org/10.1016/j.jbusres.2021.11.014

Liu, L., Lee, M. K., Liu, R., & Chen, J. (2018). Trust transfer in social media brand communities: The role of consumer engagement. International Journal of Information Management, 41, 1-13.‏ http://dx.doi.org/10.1016/j.ijinfomgt.2018.02.006.

Majeed, M., Asare, C., Fatawu, A., & Abubakari, A. (2022). An analysis of the effects of customer satisfaction and engagement on social media on repurchase intention in the hospitality industry. Cogent Business & Management, 9(1), 2028331. http://dx.doi.org/10.1080/23311975.2022.2028331.

Mittal, U., & Sharma, D. M. (2021). Artificial intelligence and its application in different areas of indian economy. International Journal of Advanced Research in Science, Communication and Technology, 4(10), 160-163.  http://dx.doi.org/10.48175/IJARSCT-V2-I3-328.

Nadeem, W., Tan, T.M., Tajvidi, M., Hajli, N., 2021. How do experiences enhance brand relationship performance and value co-creation in social commerce? The role of consumer engagement and self-brand-connection. Technol. Forecast. Soc. Change 171, 120952. http://dx.doi.org/10.1016/j.techfore.2021.120952

Nazir, Sajjad & Khadim, Sahar & Asadullah, Muhammad Ali & Syed, Nausheen. (2022). Exploring the influence of artificial intelligence technology on consumer repurchase intention: The mediation and moderation approach. Technology in Society. 72. 102190. http://dx.doi.org/10.1016/j.techsoc.2022.102190.

Oliver, R. L. (2014). Satisfaction: A behavioral perspective on the consumer: A behavioral perspective on the consumer. Routledge. https://doi.org/10.4324/9781315700892.

Ong, Ardvin Kester & Prasetyo, Yogi & Sacro, Mariela Celine & Artes, Alycia & Canonoy, Mariella & Onda, Guia Karyl & Persada, Satria & Nadlifatin, Reny & Robas, Kirstien Paola. (2023). Determination of factors affecting customer satisfaction towards “maynilad” water utility company: A structural equation modeling-deep learning neural network hybrid approach. Heliyon. 9. e13798. https://doi.org/10.1016/j.heliyon.2023.e13798.

Overby, Jeffrey & Lee, Eun-Ju. (2006). The Effects of Utilitarian and Hedonic Online Shopping Value on Consumer Preference and Intentions. Journal of Business Research. 59. 1160-1166. https://doi.org/10.1016/j.jbusres.2006.03.008.

Paschen, J., Wilson, M., & Ferreira, J. J. (2020). Collaborative intelligence: How human and artificial intelligence create value along the B2B sales funnel. Business Horizons, 63(3), 403-414.‏ http://dx.doi.org/10.1016/j.bushor.2020.01.003.

Peng, Lifang & Zhang, Weiguo & Wang, Xiaorong & Liang, Shuyi. (2018). Moderating Effects of Time Pressure on the Relationship between Perceived Value and Purchase Intention in Social E-commerce Sales Promotion: Considering the Impact of Product Involvement. Information & Management. 56.https://doi.org/10.1016/j.im.2018.11.007.

Priyanga, G. (2023). THE EFFECTS OF ARTIFICIAL INTELLIGENCE ON DIGITAL MARKETING. In ShodhKosh Journal of Visual and Performing Arts (Vol. 4). https://doi.org/10.29121/shodhkosh.v4.i1se.2023.431

Rather, R. A. (2021). Monitoring the impacts of tourism-based social media, risk perception and fear on tourist’s attitude and revisiting behaviour in the wake of COVID-19 pandemic. Current Issues in Tourism, 24(23), 3275-3283. http://dx.doi.org/10.1080/13683500.2021.1884666.

Reynolds, K. E., Jones, M. A., Musgrove, C. F., & Gillison, S. T. (2012). An investigation of retail outcomes comparing two types of browsers. Journal of Business Research, 65(8), 1090–1095. https://doi.org/10.1016/j.jbusres.2011.09.001.

Sadiku, M. N., Tembely, M., & Musa, S. M. (2018). Social media for beginners. International Journal of Advanced Research in Computer Science and Software Engineering, 8(3), 24-26.‏ http://dx.doi.org/10.23956/ijarcsse.v8i3.564.

Sadiku, Matthew & Ashaolu, Tolulope Joshua & Ajayi-Majebi, Abayomi & Musa, Sarhan. (2021). Artificial Intelligence in Social Media. International Journal Of Scientific Advances. 2. http://dx.doi.org/10.51542/ijscia.v2i1.4

Sarfo, C., Zhang, J. A., O'Kane, C., & O'Kane, P. (2024). Perceived value of microfinance and SEM performance: The role of exploratory innovation. International Journal of Innovation, 8, 172-185. https://doi.org/10.1016/j.ijis.2024.02.003.

Sarmiento, H. (2020). How artificial intelligence can benefit the social media user.‏

Setyo، PE (2017). PENGARUH KUALITAS PRODUK DAN HARGA TERHADAP KEPUASAN KONSUMEN “BEST AUTOWORKS”. Jurnal Performa: Jurnal Manajemen Dan Start-up Bisnis, 1 (6), 755–764. https://doi.org/10.37715/jp.v1i6.404.

So, K. K. F., Wei, W., & Martin, D. (2021). Understanding customer engagement and social media activities in tourism: A latent profile analysis and cross-validation. Journal of Business Research, 129, 474-483. http://dx.doi.org/10.1016/j.jbusres.2020.05.054.

Statista (2022). Retrieved October 26, 2023 from: https://www.statista.com/outlook/mmo/travel-tourism/worldwide.

Syamsiah, N. (2009). Analisis faktor-faktor yang mempengaruhi nilai yang dirasakan pelanggan untuk menciptakan kepuasan pelanggan di RSUP dokter kariadi Semarang (studi kasus pada paviliun garuda RSUP Dr. Kariadi) (Doctoral dissertation, program Pascasarjana Universitas Diponegoro).‏

Tan, C. W., Benbasat, I., & Cenfetelli, R. T. (2013). IT-mediated customer service content and delivery in electronic governments: An empirical investigation of the antecedents of service quality. MIS quarterly, 77-109. http://dx.doi.org/10.25300/MISQ/2013/37.1.04.

Thakur, R. (2016). Understanding Customer Engagement and Loyalty: A Case of Mobile Devices for Shopping. Journal of Retailing and Consumer Services, 32, 151-163. https://doi.org/10.1016/j.jretconser.2016.06.004

Vlačić, B., Corbo, L., e Silva, S. C., & Dabić, M. (2021). The evolving role of artificial intelligence in marketing: A review and research agenda. Journal of business research, 128, 187-203. http://dx.doi.org/10.1016/j.jbusres.2021.01.055.

Wang, S. R. (2023). Examining the impact of tourism information quality from ChatGPT on user’s perceived value and satisfaction. Journal of Hospitality & Tourism Studies, 25(11), 15-28. http://dx.doi.org/10.31667/jhts.2023.11.106.28.

 Yang, C., Li, D., & Zhao, Z. (2020). Research on Product Recommendation and Consumer Impulsive Purchase Under Social Commerce Platform—Based on S-0-R Model. In Proceedings of the 2021 6th International Conference on Social Sciences and Economic Development (ICSSED 2021). https://doi.org/10.2991/assehr.k.200331.048

Yin, Jiwang & Qiu, Xiaodong. (2021). AI Technology and Online Purchase Intention: Structural Equation Model Based on Perceived Value. Sustainability. 13. 5671. http://dx.doi.org/10.3390/su13105671.

Yoo, Jungmin & Park, Minjung. (2016). The effects of e-mass customization on consumer perceived value, satisfaction, and loyalty toward luxury brands. Journal of Business Research. 69. 5775-5784. 10.1016/j.jbusres.2016.04.174. http://dx.doi.org/10.1016/j.jbusres.2016.04.174.

 Yoon, N., & Lee, H. K. (2021). AI Recommendation Service Acceptance: Assessing the Effects of Perceived Empathy and Need for Cognition. In Journal of theoretical and applied electronic commerce research (Vol. 16, Issue 5, p. 1912). Multidisciplinary Digital Publishing Institute. https://doi.org/10.3390/jtaer16050107

Zeithaml, V. A. (1988). Consumer perceptions of price, quality, and value: a means-end model and synthesis of evidence. Journal of marketing, 52(3), 2-22. http://dx.doi.org/10.1177/002224298805200302.

 Zhou, F., Chu, Z., Sun, H., Hu, R. Q., & Hanzo, L. (2018). Artificial noise aided secure cognitive beamforming for cooperative MISO-NOMA using SWIPT. IEEE Journal on Selected Areas in Communications, 36(4), 918-931.‏ https://doi.org/10.1109/JSAC.2018.2824622

 

COPYRIGHTS © 2023 by the authors. Licensee Advances in Modern Management Engineering Journal. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution 4.0 International (CC BY 4.0) (http://creativecommons.org/licenses/by/4.0/).

 

---

[1]  Assistant Professor, Department of Management, Najafabad Branch, Islamic Azad University, Najafabad, Iran (Corresponding Author).    

   

[2]  Master's Degree Expert, Department of Management, Najafabad Branch, Islamic Azad University, Najafabad, Iran.

[e-mail]

 

[3] 1 . کارشناس ارشد گروه مدیریت، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران. 

[4]  . استادیار گروه مدیریت، واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران (نویسنده مسئول)

[e-mail]

[5] . AI

[6]  Stone-Geisser

---