• Home
  • Gap analysis of artificial intelligence deployment in advertising and marketing companies in Iran using the combined approach of ANP and DEMATEL

Share To

Article Url


Manuscript ID : JOMM-2305-2047 (R1) Visit : 12 Page: 107 - 128

Article Type: Original Research

Gap analysis of artificial intelligence deployment in advertising and marketing companies in Iran using the combined approach of ANP and DEMATEL

Subject Areas : Jounal of Marketing Management

Ariana Dabiri fard 1 , Jahanbakhsh Rahimi baghmalek 2

1 - PhD student in Business Administration, Management Department, Yasouj Branch, Islamic Azad University, Yasouj, Iran
2 - Assistant Professor, Department of Business Administration, Gachsaran Branch, Islamic Azad University, Gachsaran, Iran

Received: 2023-05-19 Accepted : 2024-01-27 Published : 2025-02-01

Keywords: Artificial intelligence, organization, marketing, ANP, DEMATEL.‏ ,

Abstract :

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.

References:

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.

Full-Text:


تحلیل شکاف استقرار هوش مصنوعی در شرکت­های تبلیغاتی و بازاریابی در ایران با استفاده از رویکرد ترکیبی ANP و DEMATEL

چکیده

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 و DEMATEL  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. 

کلمات کلیدی: هوش مصنوعی، سازمان، بازاریابی، ANP، DEMATEL

 

Gap analysis of artificial intelligence deployment in advertising and marketing companies in Iran using the combined approach of ANP and DEMATEL

 

Abstract

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.

Keywords: artificial intelligence, organization, marketing, ANP, DEMATEL


 

1-مقدمه

فناوری‌هایی مانند هوش مصنوعی1، اینترنت اشیا2 و تجزیه و تحلیل کلان داده3 موجبِ جذب و حفظ مشتری می‌شود و اگر در بازار مشکلاتی بوحود آید راه­حل­هایی را به صورت دیجیتالی ارائه می‌دهد. در واقع فن‌آوری‌های نوظهور با تسهیل ارائه خدمات و محصولات به مشتریان مزیت رقابتی ایجاد می‌کنند (ورما و همکاران4، 2021). در سناریوی کسب‌وکار فعلی، رقابت شدید و اختلالات فناوری، نحوه عملکرد سازمان‌ها را تغییر داده است. رویکرد مشتری محور جهانی که بر نیازهای مشتری متمرکز است، نقشی اساسی در رشد سازمان ایفا می­کند (ورتلی و همکاران5، 2016). هوش مصنوعی یک فناوری نوظهور پرکاربرد است که به سازمان‌ها کمک می‌کند داده‌های بی‌درنگ را برای آنالیز و پاسخ سریع به نیازهای مشتری ردیابی کنند. هوش مصنوعی بینشی در خصوص رفتار مصرف­کننده به منظور جذب و حفظ مشتری ارائه می­دهد. هوش مصنوعی حرکت بعدی مشتری را تحریک می­کند و تجربه کلی مشتری را بازتعریف می­کند. ابزارهای هوش مصنوعی برای گسترش انتظارات مشتری و پیمایش در مسیر آینده مفید هستند (ورما و همکاران، 2021).  در دهه‌های اخیر، هوش مصنوعی به عنوان یکی از فناوری‌های پیشرفته مورد توجه قرار گرفته است. با توانایی‌ها و قابلیت‌های منحصر به فرد خود، هوش مصنوعی می‌تواند برای شرکت‌های تبلیغاتی و بازاریابی فرصت‌های بسیاری را ایجاد کند. با این حال، در کشورهای توسعه یافته، استفاده از هوش مصنوعی در صنعت تبلیغات و بازاریابی همچنان به‌طور گسترده ای صورت نمی‌گیرد.در دنیای امروزی که رقابت در صنعت تبلیغات و بازاریابی بیش از پیش افزایش یافته است، شرکت‌های تبلیغاتی و بازاریابی نیاز دارند راهکارهای نوینی برای مواجهه با چالش‌ها و بهبود کارایی خود در زمینه تبلیغات و بازاریابی اتخاذ کنند. در این راستا، استفاده از هوش مصنوعی به عنوان یک فناوری پیشرفته و قدرتمند، به شرکت‌های تبلیغاتی و بازاریابی کمک می‌کند تا بهبودی چشمگیر در عملکرد و نتایج خود ببینند. لذا در ادامه، به بررسی علل ضرورت و اهمیت استفاده از هوش مصنوعی در این صنعت پرداخته شد.

۱- بهبود دقت و کارایی: استفاده از هوش مصنوعی به شرکت‌های تبلیغاتی و بازاریابی امکان می‌دهد تا داده‌های خود را با دقت بالاتری تحلیل کنند و الگوهای پنهان در آن‌ها را شناسایی کنند. این تحلیل دقیق و هوشمندانه به شرکت‌ها کمک می‌کند تا راهکارهای موثرتری در زمینه استراتژی‌های تبلیغاتی و بازاریابی اتخاذ کنند و به نتیجه‌ای بهتر و قابل اندازه‌گیری برسند (کیم و همکاران6، 2020: الف).

۲- بهینه‌سازی هزینه‌ها: هوش مصنوعی قادر است بهبود راهکارها و راهبردهای تبلیغاتی و بازاریابی را شناسایی کرده و برنامه‌ریزی هوشمندانه‌تری در مصرف بودجه‌های تبلیغاتی فراهم کند. با تحلیل داده‌ها و ارائه پیشنهادات هوشمند برای تخصیص منابع مالی، شرکت‌ها می‌توانند بهینه‌سازی هزینه‌ها را دستیابی کنند و بر اساس آن، بودجه‌بندی موثرتری را انجام دهند (چافی و همکاران7، 2019).

۳- تجربه مشتری بهبود یابد: استفاده از هوش مصنوعی در شرکت‌های تبلیغاتی و بازاریابی می‌تواند بهبود قابل توجهی در تجربه مشتری ایجاد کند. با تحلیل دقیق داده‌های مشتریان و شناخت نیازها و ترجیحات آن‌ها، شرکت‌ها قادر خواهند بود راهکارها و استراتژی‌های شخصی‌سازی را پیاده‌سازی کنند. این امر منجر به ارائه پیشنهادات دقیق و متناسب با نیازهای هر مشتری، افزایش رضایت و وفاداری مشتریان و بهبود کیفیت تجربه خرید آن‌ها می‌شود (داونپورت و همکاران8، 2017).

۴-تحلیل دقیق و پیش‌بینی دقیق‌تر: هوش مصنوعی قدرتمندترین ابزارها را برای تجزیه و تحلیل داده‌ها و پیش‌بینی روندها در اختیار شرکت‌های تبلیغاتی و بازاریابی قرار می‌دهد. با تحلیل دقیق الگوها و روندهای بازار، شرکت‌ها می‌توانند بهترین راهبردها و تصمیم‌گیری‌ها را بر اساس داده‌های قابل اعتماد بیابند. این قابلیت از تخصصی‌ترین الگوریتم‌ها و تکنیک‌های هوش مصنوعی بهره می‌برد که در صنعت تبلیغاتی و بازاریابی، تاثیر بسزایی دارد (کیم و همکاران9، 2020: ب).
۵- بهبود تجربه مشتری: هوش مصنوعی می‌تواند به شرکت‌های تبلیغاتی و بازاریابی کمک کند تا تجربه مشتری را بهبود بخشند. با تحلیل دقیق داده‌های مشتری و شناخت نیازها و ترجیحات آن‌ها، می‌توان راهکارها و استراتژی‌های شخصی‌سازی را پیاده‌سازی کرد. این شخصی‌سازی بر اساس الگوریتم‌های هوشمند، ارائه پیشنهادات دقیق و متناسب با مشتری را امکان‌پذیر می‌کند و تجربه خرید مشتری را بهبود می‌بخشد (دی‌مورو و همکاران10، 2020). با توجه به مسائل مطرح شده و ضرورت و اهمیت پژوهش، سوالی مطرح می‌گردد که شکاف استقرار هوش مصنوعی در شرکت‌های تبلیغاتی و بازاریابی در ایران به چه نحو است و چگونه می‌بایست بر این مشکل فائق آمد؟

 

2-مبانی نظری

1-2-هوش مصنوعی در سازمان­ها

هوش مصنوعی معمولاً به عنوان توانایی ماشین­ها برای انجام وظایف شناختی انسان مانند تعریف می­شود. اینها می­توانند شامل اتوماسیون فرآیندهای فیزیکی مانند دستکاری و جابجایی اشیا، حس کردن، ادراک، حل مسئله، تصمیم­گیری و نوآوری باشند. در حال حاضر هوش مصنوعی به‌عنوان مهم‌ترین و مختل‌کننده‌ترین فناوری جدید برای سازمان‌های بزرگ در نظر گرفته می‌شود (نیووانتاژ11، 2019). با این حال، این فناوری هنوز در وضعیت نسبتاً اولیه در شرکت‌های بزرگ قرار دارد و عمدتاً در شرکت‌های کوچک‌تر به جز استارت‌آپ‌های فناوری وجود ندارد. گنپکت در سال 2020 بیان کرد که نظرسنجی‌ها نشان می‌دهند کمتر از نیمی از سازمان‌های بزرگ ابتکارات هوش مصنوعی معناداری در دست اجرا دارند، اگرچه این درصد در طول زمان در حال افزایش است. برای اکثر سازمان‌ها، پروژه‌های هوش مصنوعی تا حدودی آزمایشی باقی می‌مانند. سازمان­های نسبتا کمی هوش مصنوعی را بر اساس تولید به کار گرفته­اند. برخی از تحلیلگران پیشنهاد می­کنند که پذیرش هوش مصنوعی در نهایت تأثیر مثبت قابل توجهی بر رشد و سودآوری شرکت خواهد داشت (گنپکت12، 2020). هوش مصنوعی در سازمان‌ها برای اهداف مختلفی استفاده می‌شود: کارآمدتر کردن فرآیندها (28٪ به عنوان یکی از مهمترین عوامل)، بهبود محصولات و خدمات موجود (25٪)، ایجاد محصولات و خدمات جدید (23٪)، بهبود تصمیم‌گیری (21%) و کاهش هزینه‌ها (20%). اگرچه یک موضوع رایج در مطبوعات مبتنی بر هوش مصنوعی مربوط به کاهش تعداد کارمندان است، این هدف با 11٪ کمترین تعداد ذکر شده را به خود اختصاص داد (دولیته13، 2020).

یکی از علت‌هایی که هوش مصنوعی می‌تواند در بهبود عملکرد سازمان‌ها تأثیرگذار باشد، توانایی آن در تجزیه و تحلیل کلان داده‌ها است. سازمان‌ها در حال حاضر با حجم زیادی از داده‌های ساختاری و نا‌ساختاری مواجه هستند که به طور معمول به صورت پراکنده و گسترده ذخیره می‌شوند. با استفاده از تکنیک‌های هوش مصنوعی مانند یادگیری ماشینی و شبکه‌های عصبی، سازمان‌ها قادر به استخراج اطلاعات مفید و الگوهای مخفی از این داده‌ها می‌شوند. این تجزیه و تحلیل عمیق و سریع داده‌ها، به سازمان‌ها کمک می‌کند تا تصمیمات بهتری را اتخاذ کرده، فرصت‌ها و چالش‌های جدید را شناسایی کرده و فرایندهای خود را بهبود دهند (هان و همکاران14، 2011). یکی دیگر از موارد استفاده از هوش مصنوعی در سازمان‌ها، قابلیت آن برای رفع خطا و پیش‌بینی است. با تجمیع و تحلیل داده‌های مربوط به عملکرد سازمان، هوش مصنوعی می‌تواند الگوها و روندهای مختلف را تشخیص داده و خطاهای محتمل را پیش‌بینی کند. این قابلیت به سازمان‌ها کمک می‌کند تا با مشکلات پیشروی روبه‌رو شوند و در مواقع ضروری، تصمیمات سریع و اصولی را اتخاذ کنند. به علاوه، با استفاده از هوش مصنوعی می‌توان الگوریتم‌ها و فرایندهای بهینه را برای رفع خطاها پیاده‌سازی کرد، که در نهایت بهبود عملکرد و کارایی سازمان را به ارمغان می‌آورد (لیاو15، 2005). از سوی دیگر از عواملی که هوش مصنوعی می‌تواند به بهبود عملکرد سازمان‌ها کمک کند، قابلیت پیش‌بینی عملکرد بازار و تقاضا است. با تحلیل داده‌های مربوط به رفتار مشتریان، عوامل اقتصادی، رقبا و سایر عوامل تأثیرگذار، هوش مصنوعی قادر است به شناسایی الگوهای پنهان در رفتار بازار بپردازد. این اطلاعات قابلیت پیش‌بینی رفتار و نیازهای آینده مشتریان را به سازمان‌ها می‌دهد. با داشتن این اطلاعات، سازمان‌ها می‌توانند استراتژی‌های بازاریابی، تولید و توزیع را بهبود داده و به طور عمده عملکرد خود را بهینه سازند (داونپورت و همکاران16، 2018 چن و همکاران17، 2018). قابل ذکر است که با استفاده از الگوریتم‌ها و قوانین هوش مصنوعی، می‌توان فرایندهای مختلف سازمان را به صورت خودکار و بهینه اجرا کرد. مثلاً در حوزه مدیریت مشتریان، هوش مصنوعی می‌تواند به طور خودکار و هوشمند پاسخ‌های سریع به مشتریان ارائه دهد، جستجوی اطلاعات در پایگاه داده را انجام دهد و توصیه‌های سازنده ارائه کند. این اتوماسیون فرایندها باعث افزایش کارایی و سرعت عملکرد سازمان می‌شود و همچنین به افزایش رضایت مشتریان کمک می‌کند (چویی و همکاران18 2016 داونپورت و همکاران19، 2015). در انتها لازم به ذکر است که هوش مصنوعی می‌تواند در بهبود عملکرد سازمان‌ها نقش مهمی را ایفا کند از طریق تصمیم‌گیری هوشمند و پشتیبانی از فرآیند تصمیم‌گیری. با استفاده از الگوریتم‌های هوش مصنوعی مانند یادگیری ماشینی و شبکه‌های عصبی، می‌توان به طور خودکار و با دقت بالا، تحلیلی عمیق از داده‌ها انجام داد و تصمیمات هوشمندانه‌تری اتخاذ کرد. به علاوه، هوش مصنوعی می‌تواند در فرایند تصمیم‌گیری پشتیبانی کند، اطلاعات و داده‌های مربوطه را جمع‌آوری و تحلیل کرده و مدل‌های پیش‌بینی و شبیه‌سازی ارائه دهد تا در فرآیند تصمیم‌گیری بهتر و اصولی‌تری کمک کند (برینجولفسون و مک‌آفی20 2014 کایرون و همکاران21 2017).

 

2-2-هوش مصنوعی در بازاریابی

بازاریابی فرآیند مدیریتی است که مسئول شناسایی، پیش­بینی و ارضای نیازهای مشتری به طور سودآور است (بیکر و هارت22 2016). هوش مصنوعی تلاش می­کند تا هوش انسانی را درک کند و موجودات هوشمند بسازد. در سال‌های اخیر، هوش مصنوعی تقریباً در همه زمینه‌های مهم مانند تجارت، پزشکی، آموزش، علوم، مهندسی و سرگرمی ادغام شده است. هوش مصنوعی پتانسیل کامل برای توسعه و ایجاد تأثیر عظیم در سه حوزه تجاری را دارد که این سه حوزه ماژول‌های بازاریابی، فروش و خدمات مشتری هستند.

1. بازاریابان به دنبال استفاده از هوش مصنوعی برای بهینه­سازی تأثیر سرمایه­گذاری قابل توجه در هوش مصنوعی برای بهبود تأثیر بازاریابی در رسانه­ها، محتوا، محصولات و کانال­های دیجیتال هستند.

2. سازمان­های فروش از الگوریتم­هایی استفاده می­کنند که محتوا را توصیه می­کند که منجر به عملکرد فروش مستمر می­شود.

3. در خدمات مشتری، هوش مصنوعی اتوماسیون، تجزیه و تحلیل احساسات، پردازش زبان طبیعی23 و شخصی­سازی را برای مدیریت روابط با مشتری فراهم می­کند (دواراپالی و همکاران24، 2022). قابل ذکر است که ترکیب هوش مصنوعی با بازاریابی مزایا و معایبی دارد که در ادامه به آن اشاره شده است: 

الف. مزایا

-       هوش مصنوعی تلاش­های بازاریابی را با شناسایی رفتار کاربر و پیش­بینی نیازهای مشتری ساده می­کند.

-       با کمک هوش مصنوعی می­توانیم کارهای پیش پا افتاده و وقت گیر را حذف کنیم و این به تیم بازاریابی و فروش کمک می­کند تا بر روی کارهای سازنده­تری تمرکز کند.

ب. معایب

-       هوش مصنوعی تنها بر اساس منطق تصمیم می­گیرد و این ممکن است برای مشتریان بی­رحمانه به نظر برسد (بیبه25، 2019).

-       مشتریان همچنان تعاملات انسانی را ترجیح می­دهند (بیبه، 2019).

هوش مصنوعی به دلیل افزایش قدرت محاسباتی و کاهش هزینه‌های آن، در دسترس بودن کلان داده‌ها در بازار و استفاده از مدل‌ها و الگوریتم‌های پیشرفته یادگیری ماشین، این اهمیت را در بازاریابی به دست آورد (هوانگ و همکاران26 2021). به گفته داونپورت (2020)، رشد قابل توجهی در بازاریابی با ترکیبی از هوش مصنوعی وجود خواهد داشت. هوش مصنوعی می­تواند در بازاریابی برای گسترش رشد کسب و کار و بهبود رضایت مشتری استفاده شود. همچنین پتانسیل بالایی برای افزایش درآمد و افزایش سود شرکت دارد (دواراپالی و همکاران27، 2022). در واقع استفاده از هوش مصنوعی نیز می‌تواند فرآیندهای بازاریابی را تسهیل نماید و در مواردی جای تبلیغات انسانی را بگیرد و بر اساس کدهای تعیین شده با مشتریان ارتباط برقرار نموده و اطالعات را کدگزاری و ارسال نماید (کشکی و همکاران، 1402).

 

3-2-عوامل موثر بر استقرار هوش مصنوعی

چالش‌های کنونی مشکل استقرار هوش مصنوعی بدین صورت است که یکی از نگرانی‌های اصلی هوش مصنوعی در سازمان‌ها در حال حاضر این است که بسیاری از سیستم‌ها فقط آزمایشی هستند و هرگز در تولید مستقر نمی‌شوند. توسعه یک پروژه آزمایشی هوش مصنوعی نسبتاً آسان است و فقط برای نشان دادن این است که این فناوری در مفهوم عملی است. از سوی دیگر، استقرار به وظایف و قابلیت­های مختلفی نیاز دارد که ممکن است با کمبود مواجه شوند (امبا28، 2020). اینها به عنوان مثال می­توانند ادغام با معماری­های فناوری موجود و زیرساخت­های قدیمی، تغییر در فرآیندهای کسب و کار و فرهنگ سازمانی، مهارت مجدد یا ارتقاء مهارت کارکنان، مهندسی داده­های قابل توجه و رویکردهای مدیریت تغییر سازمانی را شامل شود. استقرار هوش مصنوعی در زمان زیادی می­طلبد و هزینه آن بسیار بیشتر است (نیووانتیژ29، 2019). بررسی‌های سازمان‌ها و گزارش‌های تحقیقات بازار در سطح جهانی نشان می‌دهد که چالش‌های استقرار با داده‌های بزرگ و هوش مصنوعی گسترده است. یک نظرسنجی از شرکت‌های بزرگ خدمات مالی و علوم زیستی نشان داد که شرکت‌ها فعالانه از فناوری‌ها و راه‌حل‌های هوش مصنوعی استقبال می‌کنند، به طوری که 5/91٪ از شرکت‌ها سرمایه‌گذاری مداوم در هوش مصنوعی را گزارش کردند. اما تنها 6/14٪ از شرکت‌ها گزارش دادند که از قابلیت‌های هوش مصنوعی در تولید گسترده استفاده کرده‌اند. مسائل مربوط به استعدادهای هوش مصنوعی تامین حجم و سطح کافی از استعدادهای هوش مصنوعی انسانی چالشی برای بسیاری از سازمان‌ها است، به‌ویژه سازمان‌هایی که در بخش فناوری نیستند (دولیته، 2018). دانشمندان داده و مهندسان هوش مصنوعی هنوز کمیاب هستند، اگرچه بسیاری از برنامه­های دانشگاهی برای آموزش آنها به وجود آمده است. شرکت­هایی که نمی­توانند هزینه بالایی بپردازند و در مراکز فناوری مستقر نیستند، بنابراین بسیار محتمل است که در استخدام تعداد مورد نظر کارمندان ماهر با مشکل مواجه شوند. بسیاری از شرکت‌ها باید نه تنها کارمندان جدیدی را با مهارت‌های هوش مصنوعی استخدام کنند، بلکه باید کارمندان فعلی را تا حد ممکن بازآموزی کنند. حتی زمانی که شرکت‌ها موفق به استخدام دانشمندان داده و انواع دیگر استعدادهای هوش مصنوعی و تحلیلی می‌شوند، اتفاق نظر کمی در داخل و بین شرکت‌ها در مورد شرایط لازم برای چنین نقش‌هایی وجود دارد. اصطلاح «دانشمند علم داده» ممکن است به معنای شغلی باشد که تاکید زیادی بر آمار، کدگذاری باز یا کار با مدیران اجرایی برای حل مشکلات تجاری با داده­ها و تجزیه و تحلیل دارد (داونپورت30، 2020). برخی نقش را تنها به عنوان مدل­های توسعه دهنده می­بینند، برخی دیگر به عنوان گسترش آن به استفاده از مدل­ها در تولید ایده. و موضوع مهم دیگر این است که هم برای کارمندان تازه استخدام شده و هم برای کارمندان با تجربه، عناوینی مانند دانشمندعلم داده و مهندس هوش مصنوعی انتخاب می­کنند که به احتمال زیاد راهنمای خوبی برای بیان توانایی­های واقعی آنها و فعالیت‌های مربوط به استقرار سیستم‌های هوش مصنوعی و مرتبط با آن نیستند (بنبای و همکاران31، 2020).

 

3-روش تحقیق

روش تحقیق از حیث هدف، کاربردی و به صورت مقطعی صورت پذیرفته است. همچنین از حیث نوع، توصیفی-کمی می­باشد و به منظور تحلیل داده­ها از نظرات خبرگان استفاده می­گردد. همچنین قابل ذکر است که ابتدا از روش پرسشنامه­ای استفاده شد. در این خصوص به طور کلی دو پرسشنامه مد نظر گرفته شد. ابتدا پرسشنامه­ای بر اساس شناسایی مقادیر کنونی متغیرها و دیگری بر اساس رویکرد ترکیبی ANP و DEMATEL (روش DNAP) ایجاد می­گردد. جامعه آماری این پژوهش، کلیه خبرگان فعال در حوزه تبلیغات و بازاریابی می­باشد. نمونه آماری به صورت گلوله برفی صورت می­پذیرد که با استفاده از نظرات خبرگان انجام می­شود. گروه خبرگان با استفاده از سابقه کاری و خوشنامی افراد فعال در حوزه بازاریابی انتخاب شد. با استفاده از روش میدانی، نظر خبرگان جمع­آوری شد. جامعه خبرگان در این پژوهش 10 نفر از مدیران ارشد در حوزه بازاریابی  بودند. در فاز اول، ابتدا به بررسی مباحث نظری و ارائه مشکلات موجود به صورت کتابخانه­ای پرداخته شد. سپس در فاز دوم با تعیین جامعه آماری (که خبرگان در حوزه بازاریابی تعیین شده) و نمونه آماری (به صورت گلوله برفی) صورت می­پذیرد. در فاز سوم، عوامل موثر بر استقرار هوش مصنوعی در شرکت­های تبلیغاتی و بازاریابی  در ایران تهیه می­شود و یک پرسشنامه محقق ساخته ایجاد می­گردد. سپس بین خبرگان توزیع می­شود و با توجه به نظرات آن­ها، بار و وزن هر عامل به وسیله DNAP مشخص می­گردد. سپس، پرسشنامه دیگری تنظیم می­گردد که وزن کنونی متغیرها نیز از خبرگان پرسیده می­شود. با این روش، وضعیت ایده­آل و وضعیت کنونی تعیین می­گردد. قابل ذکر است تعیین میزان مطلوب به وسیله DNAP صورت می­گیرد. 


 

مرور ادبیات

 

استقرار هوش مصنوعی در سازمان­های بازاریابی در ایران

 

 

 

 

تعیین میزان مطلوب با استفاده از DNAP 

تعیین میزان کنونی

 

تولید ماتریس تأثیر مستقیم

فازی

 

عادی سازی ماتریس تأثیر مستقیم

دی فازی

 

استخراج ماتریس تأثیر کل

CFCS

 

تهیه نمودار ارتباط نقشه و شبکه

 

تشکیل سوپرماتریس بدون وزن

 

به دست آوردن سوپرماتریس وزن دار

 

محاسبه اولویت های کلی

 

 

 

تحلیل شکاف

 

 

نمودار 1-مراحل انجام پژوهش

لازم به ذکر است که در توضیح نمودار، هر آیتم را به تفکیک و به صورت مبسوط توضیح داده می­شود.

گام اول- محاسبه ماتریس ارتباط مستقیم

ارزیابی روابط میان معیارها (تأثیر یك معیار بر معیار دیگر) بر اساس نظرات خبرگان تحقیق با استفاده از طیف رتبه بندی 0 تا 4 انجام می گردد که در آن 0 به معنی عدم وجود تاثیر، 1 به معنی تأثیر کم، 2 به معنی تأثیر متوسط، 3 به معنی تأثیر زیاد و 4 به معنی تأثیر بسیار زیاد می­باشد. از خبرگان درخواست می­شود تأثیر یك معیار بر معیار دیگر را تعیین نمایند. در این گام میانگین نظر خبرگان را محاسبه می­کنیم.

C:\Users\SunByte\Desktop\Capture.JPG 

 

نرخ ناسازگاری تکنیك DANP : جهت یافتن نرخ ناسازگاری پرسشنامه­ها به صورت زیر عمل می­شود:

-       میانگین تمام پرسشنامه ها (n) محاسبه می شود.

-       یکی از پرسشنامه ها را حذف کرده (1-n )و مجددا میانگین گرفته می­شود.

-       با توجه به فرمول زیر، هر درایه از ماتریس میانگین جدید (1-n ) از درایه ماتریس میانگین کل  (n) کسر شده و قدر مطلق گرفته می شود و بر درایه از ماتریس میانگین کل تقسیم می گردد تا ماتریس جدیدی شکل گرفته شود.

-       جمع کل درایه­های ماتریس جدید شکل گرفته، محاسبه می­شود و بر ضرب تعداد معیار ها در تعداد معیار ها منهای یك، تقسیم می شود.

-       عدد حاصل می بایست کمتر از 05/0 باشد تا نرخ ناسازگاری پرسشنامه تایید گردد.

C:\Users\SunByte\Desktop\Capture.JPG 

برای جمع­آوری اطلاعات از خبرگان، از واژه­های کلامی استفاده می­کنیم که این واژه­ها و مقداری فازی متناظر آن­ها، در جدول زیر قابل مشاهده می­باشد.

 

جدول 1-متغیرهای کلامی و اعداد فازی متناظر آن­ها

واژه کلامی

مقدار فازی

بدون تاثیر  (No)

(3/0 1/0 0)

تاثیر خیلی کم  (VL)

(5/0 3/0 1/0)

تاثیر کم  (L)

(7/0 5/0 3/0)

تاثیر زیاد  (H)

(9/0 7/0 5/0)

تاثیر خیلی زیاد  (VH)

(1 9/0 7/0)

 

پس از دریافت نظرات افراد در قالب اعداد فازی باید از روش مناسبی برای غیر فاز ی نمودن نظرات افراد استفاده نمود. در ادامه از روش CFCS که تشکیل شده از پنج مرحله است برای انجام محاسبات غیر فازی کردن نتایج تصمیم گیری استفاده خواهد شد (قرخانی، 2012). حال به تشریح روش CFCS  می­پردازیم:

گام 1 :تهیه ماتریس نظرات افراد

در این گام، ماتریس فازی نظرات افراد را تهیه می‌کنیم. این ماتریس با نام "ماتریس فازی نظرات افراد" شناخته می‌شود. هر درایه فازی از این ماتریس، نشان‌دهنده ارزیابی فازی از طریق k ارزیابی کننده خبره درباره میزان اهمیت معیار i ام برای تصمیم j ام است. به همین ترتیب، برای دیگر تصمیم‌گیرندگان نیز ماتریس مشابهی تهیه می‌شود.

گام 2 :تشکیل ماتریس نرمال شده ماتریس نظرات افراد (ماتریس x )

در این گام، ماتریس نظرات افراد را نرمال می‌کنیم و ماتریس نرمال شده (ماتریس X) را بدست می‌آوریم.

C:\Users\SunByte\Desktop\Capture.JPG 

C:\Users\SunByte\Desktop\Capture.JPG 

گام 3 :محاسبه مقادیر نرمال چپ (ls) و راست (rs )
 در این گام، مقادیر نرمال چپ (LS ) و نرمال راست (RS ) را محاسبه می‌کنیم.

 C:\Users\SunByte\Desktop\Capture.JPG

گام 4 :محاسبه مقدار قطعی نهایی نرمال
 C:\Users\SunByte\Desktop\Capture.JPG

 

گام 5 :محاسبه مقادیر قطعی 
 C:\Users\SunByte\Desktop\Capture.JPG

 

پس از خارج کردن نظرات خبرگان از حالت فازی، به ادامه مراحل روش DANP فازی می پردازیم:

 

گام دوم- نرمال کردن ماتریس ارتباط مستقیم 
 در این گام باید ماتریس ارتباط مستقیم را نرمال کنیم. برای این کار از فرمول زیر استفاده می کنیم.

C:\Users\SunByte\Desktop\Capture.JPG 

ماتریس نرمال شده  :N

یك عدد  :V

: ماتریس ارتباط مستقیم D 

برای محاسبهV ، مجموع عناصر هر سطر و هر ستون را به صورت جداگانه محاسبه می­کنیم. از اعداد بدست آمده در جمع تمامی سطر­ها و ستون­ها، بزرگترین عدد را انتخاب می­کنیم و پس از آن تمام اعداد موجود در ماتریس را به این عدد تقسیم می­کنیم تا ماتریس نرمال شده N بدست آید.

گام سوم – محاسبه ماتریس ارتباطات کامل معیارها
 زمانی که ماتریس D نرمال و ماتریس N حاصل شد، ماتریس ارتباطات کامل با استفاده از رابطه زیر بدست خواهد آمد. در این رابطه I در واقع همان ماتریس واحد می­باشد. ماتریس واحد، ماتریسی است که درایه های قطر اصلی آن برابر 1 می­باشند و بقیه درایه­ها برابر صفر است.

 

C:\Users\SunByte\Desktop\Capture.JPG 

 

TC: ماتریس ارتباط کامل معیار­ها

N: ماتریس نرمال ارتباط مستقیم

I: ماتریس واحد

 

گام چهارم – محاسبه ماتریس ارتباط کامل ابعاد و همچنین شدت و جهت تأثیر
 نخست باید ماتریس ارتباط کامل ابعاد  (TD) را از ماتریس ارتباط کامل معیارها (Tc ) استخراج نمود. برای رسیدن به این ماتریس، در ماتریس TC درایه های مربوط به هر بعد را به صورت جداگانه مشخص می کنیم. حال از درایه های هر بعد، به صورت جداگانه میانگین می گیریم. میانگین بدست آمده در هر بعد، همان درایه تشکیل دهنده آن بعد در TD می باشد.

C:\Users\SunByte\Desktop\Capture.JPG 

در ادامه مجموع سطرها و ستون های ماتریس ارتباط کامل ابعاد و معیارها را به صورت جداگانه مطابق با رابطه زیر محاسبه می کنیم:

C:\Users\SunByte\Desktop\Capture.JPG 

گام پنجم- نرمال سازی ماتریس ارتباط کامل ابعاد 

ماتریس 𝑇D مطابق با روش زیر نرمال خواهد شد، به این ترتیب که حاصل جمع هر سطر محاسبه شده و هر عنصر بر مجموع عناصر سطر مربوط به خود تقسیم می گردد، سپس جای سطر و ستون ماتریس حاصل را عوض می کنیم. ماتریس ارتباط کامل نرمال شده 𝑇D به صورت 𝑇D ∝ نشان داده می شود.

C:\Users\SunByte\Desktop\Capture.JPG 

C:\Users\SunByte\Desktop\Capture.JPG 

گام ششم- نرمال سازی ماتریس ارتباط کامل معیارها 𝑇C ∝

با استفاده از ماتریس TC ، اقدام به انجام نرمال سازی می کنیم. با توجه به هر بعد بیان شده در ماتریس TC  این کار صورت می پذیرد؛ بدین صورت که عناصر موجود در هر بالک یا بعد را در نظر می گیریم. در همان بعد اعداد سطر را جمع کنیم سپس هر کدام از عناصر موجود در همان سطر را بر جمع سطر تقسیم می کنیم. ماتریس بدست آمده، ماتریس نرمال شده ارتباط کامل معیار ها می باشد.

C:\Users\SunByte\Desktop\Capture.JPG 

C:\Users\SunByte\Desktop\Capture.JPG 

C:\Users\SunByte\Desktop\Capture.JPG 

 

گام هفتم- تشکیل سوپر ماتریس ناموزون W

در این گام ترانهاده ماتریس ارتباط کامل نرمال شد 𝑇C ∝ محاسبه شده و ماتریس W حاصل می­شود.

C:\Users\SunByte\Desktop\Capture.JPG 

گام هشتم- تشکیل سوپرماتریس موزون

  به منظور تشکیل سوپرماتریس موزون، ماتریس ارتباط کامل نرمال 𝑇D ∝ در سوپر ماتریس ناموزون W  ضرب می شود.

C:\Users\SunByte\Desktop\Capture.JPG 

 

گام نهم- محدود کردن سوپرماتریس موزون

سوپرماتریس موزون را ابتدا به توان 2 می­رسانیم. ماتریس خاص را در ماتریس اولیه ضرب می­کنیم و تا جایی این کار را ادامه خواهیم داد که سوپرماتریس همگرا شود و به ثبات برسد. خروجی این گام اوزان مؤثر DANP خواهد بود.

C:\Users\SunByte\Desktop\Capture.JPG 

 

4-یافته­های تحقیق

2-4-تحلیل داده‌ها در عوامل فنی موثر در استقرار هوش مصنوعی در سازمان

هوش مصنوعی با ترکیبی از وقایع و اتفاقات گوناگون، برنامه­ریزی شده یا نشده که در طول چرخه حیات محصول وجود دارد و با تغییراتی که جزو لاینفک بازاریابی است روبه رو است. در این بین، عواملی وجود دارند که اهمیت آن­ها در استقرار هوش مصنوعی در شرکت­های تبلیغاتی و بازاریابی  بیشتر است. در ادامه به تحلیل این عوامل پرداخته می­شود و ذکر می­گردد که عواملی که باعث استقرار هوش مصنوعی در شرکت­های تبلیغاتی و بازاریابی  می­شود کدام است و در صورت رعایت نکردن آنها سازمان دچار چالش می­گردد.

جدول 2- عوامل فنی موثر در استقرار هوش مصنوعی در سازمان

رتبه‌بندی

علامت اختصاری

شرح عامل

عدد ANP

رتبه

T1

عامل نرم‌افزاری

131/0

3

T2

عامل داده‌ها

134/0

2

T3

عامل امنیت

186/0

1

T4

عامل توانمندی محاسباتی

077/0

5

T5

عامل سخت‌افزاری

081/0

4

نتایج تحلیل دیمتل

عناصر

علامت اختصاری

R

C

R+C

R-C

نوع متغیر

عامل نرم‌افزاری

T1

981/1

983/1

3.963

002/0-

معلولی

عامل داده‌ها

T2

269/2

633/2

902/4

-364/0

معلولی

عامل امنیت

T3

225/3

181/3

406/4

044/0

علی

عامل توانمندی محاسباتی

T4

203/1

951/0

154/2

252/0

علی

عامل سخت‌افزاری

T5

103/2

830/2

933/4

-727/0

معلولی

 

نمودار تأثیرگذاری عوامل فنی موثر در استقرار هوش مصنوعی در سازمان در زیر آورده شده است:

C:\Users\delvinpc\Desktop\Capture.PNG 

شکل 1- نمودار جهت اثرگذاری عوامل روی‌هم 

 

2-4-تحلیل داده‌ها در عوامل فرهنگ موثر در استقرار هوش مصنوعی در سازمان

در شرکت­های تبلیغاتی و بازاریابی علاوه بر عوامل فنی عوامل فرهنگی نیز تاثیرگذار است که در ادامه به تحلیل آن پرداخته می­شود.

جدول 3- عوامل فرهنگی موثر در استقرار هوش مصنوعی در سازمان

رتبه‌بندی

علامت اختصاری

شرح عامل

عدد ANP

رتبه

C1

اعتماد و قابلیت پذیرش تکنولوژی

190/0

3

C2

رهبری و پشتوانه سازمانی

254/0

1

C3

همکاری و اشتراک‌گذاری دانش

253/0

2

نتایج تحلیل دیمتل

عناصر

علامت اختصاری

R

C

R+C

R-C

نوع متعیر

اعتماد و قابلیت پذیرش تکنولوژی

C1

243/2

600/2

843/4

-357/0

معلولی

رهبری و پشتوانه سازمانی

C2

231/2

198/2

429/4

033/0

علی

همکاری و اشتراک‌گذاری دانش

C3

211/1

932/0

143/2

279/0

علی

 

نمودار تأثیرگذاری عوامل فرهنگی موثر در استقرار هوش مصنوعی در سازمان در زیر آورده شده است:

C:\Users\delvinpc\Desktop\Capture.PNG 

شکل 2-نمودار جهت اثرگذاری عوامل روی‌هم

 

3-4-تحلیل داده‌ها در عوامل سازمانی-انسانی موثر در در استقرار هوش مصنوعی در سازمان

علاوه بر عوامل مذکور عوامل سازمانی-انسانی نیز تاثیرگذار است که در ادامه به تحلیل آن پرداخته می­شود.

جدول 4- عوامل سازمانی-انسانی موثر در استقرار هوش مصنوعی در سازمان

رتبه‌بندی

علامت اختصاری

شرح عامل

عدد ANP

رتبه

O1

آموزش و توسعه

0.171

3

O2

تسهیم دانش و همکاری

0.103

5

O3

رهبری و ارتباطات

0.167

4

O4

ساختار سازمانی

0.185

2

O5

استراتژی سازمانی

0.196

1

O6

تغییر سازمانی

0.168

4

نتایج تحلیل دیمتل

عناصر

علامت اختصاری

R

C

R+C

R-C

نوع

آموزش و توسعه

O1

651/2

953/2

604/5

-301/0

معلولی

تسهیم دانش و همکاری

O2

981/1

305/2

286/4

-324/0

معلولی

رهبری و ارتباطات

O3

480/3

357/3

838/6

122/0

علی

ساختار سازمانی

O4

242/3

415/3

657/6

-172/0

معلولی

استراتژی سازمانی

O5

786/3

692/2

479/6

093/0

علی

تغییر سازمانی

O6

904/2

624/2

528/5

279/0

علی

نمودار تأثیرگذاری عوامل سازمانی-انسانی موثر در استقرار هوش مصنوعی در سازمان در زیر آورده شده است:

C:\Users\delvinpc\Desktop\Capture.PNG 

شکل 3- نمودار جهت اثرگذاری عوامل روی‌هم

 

4-4-تحلیل داده‌ها در عوامل هزینه موثر در استقرار هوش مصنوعی در سازمان

در شرکت­های تبلیغاتی و بازاریابی علاوه بر عوامل مذکور که پیشتر عنوان شد عوامل هزینه نیز تاثیرگذار است که در ادامه به تحلیل آن پرداخته می­شود.

 

جدول 5- عوامل هزینه موثر در استقرار هوش مصنوعی در سازمان

رتبه‌بندی

علامت اختصاری

شرح عامل

عدد ANP

رتبه

CO1

هزینه آموزش و آماده‌سازی

408/0

1

CO2

هزینه تکنولوژی و زیرساخت‌ها

252/0

2

CO3

هزینه نگهداری و به‌روزرسانی

217/0

3

CO4

هزینه امنیت و حریم خصوصی

216/0

4

نتایج تحلیل دیمتل

عناصر

علامت اختصاری

R

C

R+C

R-C

نوع

هزینه آموزش و آماده‌سازی

CO1

905/2

625/2

530/5

280/0

علی

هزینه تکنولوژی و زیرساخت‌ها

CO2

528/5

321/3

948/8

702/2

علی

هزینه نگهداری و به‌روزرسانی

CO3

279/0

211/0

094/0

068/0

علی

هزینه امنیت و حریم خصوصی

CO4

480/3

345/2

825/5

135/1

علی

نمودار تأثیرگذاری عوامل هزینه موثر در استقرار هوش مصنوعی در سازمان در زیر آورده شده است:

C:\Users\delvinpc\Desktop\Capture.PNG 

شکل 4-نمودار جهت اثرگذاری عوامل روی‌هم

 

5-4-تحلیل داده‌ها در عوامل اجتماعی-محیطی موثر در استقرار هوش مصنوعی در سازمان

بر شرکت­های تبلیغاتی و بازاریابی  علاوه بر عوامل مذکور که پیشتر عنوان شد عوامل هزینه نیز تاثیرگذار است که در ادامه به تحلیل آن پرداخته می­شود.

جدول 6- عوامل اجتماعی-محیطی موثر در استقرار هوش مصنوعی در سازمان

رتبه‌بندی

علامت اختصاری

شرح عامل

عدد ANP

رتبه

S1

فرهنگ سازمانی

251/0

1

S2

تغییرات اجتماعی

183/0

2

S3

نگرش‌های عمومی

132

3

S4

تأثیرات محیطی

131/0

4

S5

تطبیق با تغییرات اجتماعی

117/0

5

S6

تحولات اقتصادی

106/0

6

نتایج تحلیل دیمتل

عناصر

علامت اختصاری

R

C

R+C

R-C

نوع

فرهنگ سازمانی

S1

945/1

953/2

898/4

-008/1

معلولی

تغییرات اجتماعی

S2

142/2

305/2

447/4

-162/0

معلولی

نگرش‌های عمومی

S3

353/2

357/3

711/5

-004/1

معلولی

تأثیرات محیطی

S4

266/2

415/3

681/5

-148/1

معلولی

تطبیق با تغییرات اجتماعی

S5

529/1

692/2

222/4

-162/1

معلولی

تحولات اقتصادی

S6

070/2

551/2

621/4

-481/0

معلولی

 

نمودار تأثیرگذاری عوامل اجتماعی-محیطی موثر در استقرار هوش مصنوعی در سازمان در زیر آورده شده است:

C:\Users\delvinpc\Desktop\Capture.PNG 

شکل 5-نمودار جهت اثرگذاری عوامل روی‌هم

5-بحث

استفاده از هوش مصنوعی در شرکت‌های تبلیغاتی و بازاریابی در کشورهای توسعه یافته، امکان بهبود دقت و کارایی، بهینه‌سازی هزینه‌ها، افزایش تعامل با مشتریان و تحلیل دقیق‌تر داده‌ها را فراهم می‌کند. این فناوری قدرتمند می‌تواند شرکت‌ها را در مواجهه با چالش‌های رقابتی و تغییرات بازار، راهنمایی کند و به آن‌ها کمک کند تا رشد و پیشروی در عرصه تبلیغات و بازاریابی را تجربه کنند. تاثیر هوش مصنوعی بر یک سازمان موضوع مهمی در هنگام بررسی یادگیری ماشین است. چالش­های استقرار هوش مصنوعی یک شبه حل نمی­شوند، اما تاثیر آن بر تولید و عملیات در یک سازمان قابل توجه و ارزش تلاش را دارد. وقتی در نظر می­گیریم که بهبود کیفیت داده­ها یک ماراتن است و نه یک دو سرعت، باید اولین قدم را برداریم و در نظر بگیریم که چگونه یک سازمان ممکن است تحت تأثیر هوش مصنوعی قرار گیرد و چگونه با کیفیت داده­ها در هم آمیخته شود. هوش مصنوعی، دنیای کسب و کار را مصورسازی می­کند، نوآوری و بهره­وری را افزایش می­­دهد و به شرکت­های تبلیغاتی و بازاریابی  کمک می­کند بزرگ­تر فکر کنند. سازمان­ها می­توانند از هوش مصنوعی برای بهبود محصولات، فرآیندها و تصمیم­گیری خود استفاده کنند. با استفاده از فناوری موجود امروز، سازمان‌ها باید بتوانند به چابکی سازمانی با استفاده از هوش مصنوعی دست یابند. رهبران سازمانی باید به طور مداوم تغییرات را هدایت کنند و ارزیابی کنند که در کدام حوزه­ها و با چه پیچیدگی باید از هوش مصنوعی برای حمایت از اهداف شرکت و رشد بیشتر استفاده شود. 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. هوش مصنوعی اتوماسیون را بهبود می­بخشد و نیروی انسانی و خسته کننده را که در آنالیز پیش­بینی وجود دارد کاهش می­دهد. سرعت تغییرات در نتیجه افزایش هوش مصنوعی افزایش یافته است. علاوه بر این، سازمان­ها تحت فشار بیشتری برای واکنش سریع به شرایط در حال تغییر هستند. به دلیل این تغییر دیدگاه، تحول و رشد سازمانی دیگر به عنوان پروژه­های یکباره در نظر گرفته نمی­شود، بلکه به عنوان ابتکارات مستمری در نظر گرفته می­شود که همه اعضا ممکن است و باید در آن مشارکت داشته باشند. تکامل یا بلوغ هوش مصنوعی را می­توان به سه مرحله تقسیم کرد: مرحله اول هوش کمکی است که در آن انسان­ها از داده­ها بینش می­گیرند و بر اساس آن اقدام می­کنند. این تصمیم­گیری خالص مبتنی بر داده است. فناوری‌هایی مانند محاسبات ابری و استفاده از ابزارهای مختلف برای پردازش داده‌ها، به ما در تقسیم‌بندی، اعتبارسنجی و پردازش داده‌ها کمک می‌کنند. با استفاده از مجموعه داده­های مبتنی بر هوش مصنوعی، کسب و کارها و سازمان­ها ممکن است سرعت، دقت، اثربخشی و ثبات فرآیندهای تصمیم­گیری خود را بهبود بخشند. برخلاف تجزیه و تحلیل انسانی، هوش مصنوعی قادر به انجام تجزیه و تحلیل بدون خطا از مجموعه کلان داده­ها است. مرحله دوم هوش افزوده است که پردازش داده­ها را کمی جلوتر می­برد. در بالای سیستم‌های مدیریت اطلاعات موجود، هوش افزوده از قابلیت‌های یادگیری ماشین برای بهبود مستمر نتایج استفاده می‌کند. این یک فرآیند ثابت آموزش سیستم یا یادگیری در طول زمان بر اساس اقدامات انجام شده است و ما در شرکت­های تبلیغاتی و بازاریابی باید از آن الگو بگیریم. در این تحقیق از سرمایه­گذاری بالا برای پیاده­سازی هوش مصنوعی در سازمان‌های بازاریابی صحبت کردیم. با این حال، در پایان، هنوز هم نیاز به سرمایه‌گذاری قابل توجهی دارد، چیزی که کسب‌وکارهای کوچک‌تر ممکن است برای جمع‌آوری آن تلاش کنند. راه حل این مشکل رشد تقاضا انگیزه­ای برای جذب افراد بیشتر در صنعت و رقابتی­تر کردن بازار است. از این رو، در حال حاضر برخی از فروشندگان و ارائه­دهندگان خدمات هوش مصنوعی مقرون به صرفه وجود دارند که می­توان به جای توسعه یک سیستم پرهزینه در داخل، برای برون­سپاری نیاز هوش مصنوعی خود به آنها نگاه کنید.

مبحث بعدی در خصوص مسائل اخلاقی است. پیرامون پیاده­سازی و بکارگیری هوش مصنوعی جنجال­هایی وجود دارد. انعطاف‌پذیری و کارایی آن‌ها در کمک به وظایفی که قبلاً توسط کارکنان انسانی انجام می‌شد، نشان می‌دهد که هوش مصنوعی در آینده باعث از دست دادن شغل به صورت گسترده می‌شود. از سوی دیگر همانطور که ذکر شد، کلیه داده‌های دقیق مصرف‌کننده که برای هوش مصنوعی استفاده می­شود، نشان می‌دهد که می‌تواند عمیق‌تر از همیشه به اطلاعات مشتریان دسترسی داشته باشد و آن‌ها را تفسیر کند و مسائل مربوط به تجاوز به حریم خصوصی  مطرح شود. لذا، ترس از ناشناخته برای ما طبیعی است. درک بیشتر از ماهیت و نحوه عملکرد هوش مصنوعی، آرامش مورد نیاز را فراهم می­کند. در رابطه با نکته قبل، عدم دانش و تجربه فعلی ما در استفاده از این فناوری قطعاً یکی از موانع اصلی است که ما را از استفاده از هوش مصنوعی در بازاریابی باز می­دارد. اما راه و تنها پاسخ به این امر، آموزش است. خوشبختانه، دانشگاه‌ها، موسسات و آموزشگاه­های زیادی وجود دارند که برنامه‌های هوش مصنوعی متمرکزتری را برای کسانی که به دنبال ایجاد شغل در فناوری هوش مصنوعی هستند، ارائه می‌دهند بنابراین می­توان از آنها بهره برد. 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 سازمان خود را دائما به روز نگه دارد. در نهایت زیرساخت ناکافی فناوری اطلاعات، فناوری هوش مصنوعی به زیرساخت‌های فنی قوی نیاز دارد تا بتواند پتانسیل خود را در پردازش مقادیر وسیع داده‌ای که از آن تغذیه می‌کند، به حداکثر برساند. راه‌حل این مشکل اینجاست که چالش‌ها در یک مسیر قرار می‌گیرند، زیرا این مانع نیز در وهله اول دلیل گران بودن هوش مصنوعی است. از این رو راه حل این موضوع نیز مانند راه­حل اول است.

 

6-نتیجه­گیری و پیشنهادات

در این پژوهش تحلیل شکاف استقرار هوش مصنوعی در شرکت‌های تبلیغاتی و بازاریابی در ایران با استفاده از رویکرد ترکیبی ANP و DEMATEL صورت پذیرفت. همینطور عواملی با مصاحبه از خبرگان استخراج شد و مورد تحلیل قرار گرفت که با توجه به عوامل به ارائه نتایج و دستاوردها پرداخته می‌شود و پس از آن پیشنهادهای پژوهشی و آتی مطرح می‌گردد.

هوش مصنوعی به عنوان یکی از فناوری‌های پیشرفته و مبتنی بر کامپیوتر، در حال حاضر در بسیاری از سازمان‌ها جایگاه ویژه‌ای دارد. با این حال، برای استقرار موفق هوش مصنوعی در سازمان، عوامل فنی بسیار حائز اهمیت هستند. در ادامه، به بررسی نتایج این عوامل و تأثیر آن‌ها بر استقرار هوش مصنوعی در سازمان پرداخته شد. عامل سخت‌افزاری یکی از عوامل اساسی و مؤثر در استقرار هوش مصنوعی در سازمان، عامل سخت‌افزاری است. سخت‌افزارهای پردازشی قدرتمند و مناسب برای محاسبات هوش مصنوعی، می‌توانند به طور مستقیم بر کارایی و عملکرد سیستم هوش مصنوعی تأثیرگذار باشند. علاوه بر آن، امکاناتی مانند ذخیره و پردازش حجم بزرگی از داده‌ها و اتصالات شبکه پرسرعت برای انتقال داده‌ها نیز در این عامل تأثیرگذار می‌باشند. دستاورد این بخش با نتایج مولر و پروست32 (2019) همراستا می‌باشد. عوامل نرم‌افزاری نیز از جمله عوامل فنی مؤثر در استقرار هوش مصنوعی در سازمان هستند. نرم‌افزارهای هوش مصنوعی قابلیت‌هایی مانند یادگیری ماشینی، الگوریتم‌های پیچیده، پردازش زبان طبیعی و تشخیص الگو را در اختیار سازمان قرار می‌دهند. انتخاب و استفاده از نرم‌افزارهای متناسب با نیازهای سازمان و توانمندی‌های مورد نیاز هوش مصنوعی می‌تواند تأثیر زیادی در استقرار و کارایی سیستم داشته باشد. دستاورد این بخش با نتایج گندمی و حیدر33 (2015) همراستا می‌باشد. عامل داده‌ها یکی از مهم‌ترین عوامل مؤثر در استقرار هوش مصنوعی در سازمان، داده‌ها هستند. داده‌های کیفیت‌بالا و متنوع که برای آموزش مدل‌های هوش مصنوعی استفاده می‌شوند، نقش بسیار مهمی در کارایی سیستم دارند. تجمیع، پاک‌سازی، و آماده‌سازی داده‌ها به درستی و به روز بودن آن‌ها از جمله چالش‌های موجود در استقرار هوش مصنوعی هستند. دستاورد این بخش با نتایج لیو و ما34 (2019) همراستا می‌باشد. از سوی دیگر عوامل امنیتی نیز از جمله عوامل فنی بسیار حائز اهمیت در استقرار هوش مصنوعی در سازمان هستند. حفظ امنیت داده‌ها، حفاظت از مدل‌های هوش مصنوعی در برابر حملات و تهدیدات امنیتی، و تضمین حریم خصوصی کاربران و مشتریان از جمله چالش‌های امنیتی در استقرار هوش مصنوعی می‌باشند. دستاورد این بخش با نتایج کانگ و کیم35 (2020) همراستا می‌باشد. توانمندی محاسباتی سازمان نیز در استقرار هوش مصنوعی بسیار مؤثر است. محاسبات پردازش‌های هوشمندانه، آموزش مدل‌های پیچیده و اجرای الگوریتم‌های محاسباتی مورد نیاز برای استفاده از هوش مصنوعی، نیازمند توانایی محاسباتی قوی و سریع است. در صورتی که سازمان بر توانمندی محاسباتی مناسب برای پردازش هوش مصنوعی تسلط داشته باشد، قادر خواهد بود که به طور بهینه از این فناوری بهره ببرد. دستاورد این بخش با نتایج راحارامان و اولمان36 (2019) همراستا می‌باشد. و در انتها عامل توانمندی استفاده از تکنولوژی‌های پیشرفته نیز در استقرار هوش مصنوعی در سازمان تأثیرگذار است. مثلاً استفاده از سیستم‌های پردازش توزیع‌شده، فناوری‌های ابری، اینترنت اشیا و اتصالات بی‌سیم، قابلیت‌های جدیدی را برای استفاده از هوش مصنوعی در سازمان‌ها فراهم می‌کند. استفاده از تکنولوژی‌های نوین و متناسب با نیازهای سازمان، امکان استفاده بهینه از هوش مصنوعی را فراهم می‌کند. دستاورد این بخش با نتایج بوقین و همکاران37 (2018) همراستا می‌باشد.

حال به بررسی نتایج حاصل از عوامل فرهنگی موثر در استقرار هوش مصنوعی در سازمان پرداخته می‌شود. هوش مصنوعی به عنوان یکی از فناوری‌های پیشرفته، برای استفاده موثر در سازمان‌ها نیازمند تطابق با فرهنگ سازمانی می‌باشد. فرهنگ سازمانی شامل اعتقادات، ارزش‌ها، رفتارها و طرز تفکر اعضای سازمان است. رهبری قوی و پشتوانه سازمانی مؤثر، به عنوان یک عامل فرهنگی بسیار حائز اهمیت در استقرار هوش مصنوعی در سازمان عمل می‌کند. رهبران سازمان با داشتن دیدی روشن از اهداف هوش مصنوعی، ارزش‌های مرتبط و نیز با اعتماد به تکنولوژی، می‌توانند فرهنگ سازمانی مناسبی را برای استقرار هوش مصنوعی پیاده کنند و تعهد و تشویق به استفاده از هوش مصنوعی در سازمان را ایجاد کنند. دستاورد این بخش با نتایج وو و ژانگ38 (2021) همراستا می‌باشد. از سوی دیگر همکاری و اشتراک‌گذاری دانش نیز در فرهنگ سازمانی برای استقرار هوش مصنوعی بسیار اهمیت دارد. فرهنگ سازمانی که تمرکز خود را بر اشتراک دانش، تیم‌های چابک و همکاری بین بخش‌ها قرار داده باشد، زمینه‌های مستعدی را برای استقرار و بهره‌برداری بهینه از هوش مصنوعی فراهم می‌کند. دستاورد این بخش با نتایج دلگشایی و رضایی39 (2021) همراستا می‌باشد. اعتماد و قابلیت پذیرش تکنولوژی نیز از جمله عوامل فرهنگی مهم در استقرار هوش مصنوعی در سازمان است. فرهنگ سازمانی که اعضای آن به تکنولوژی هوش مصنوعی اعتماد داشته باشند و آمادگی برای پذیرش و استفاده از آن را داشته باشند، فرآیند استقرار هوش مصنوعی را بهبود می‌بخشد و موفقیت را تسهیل می‌کند. دستاورد این بخش با نتایج رضا و همکاران40 (2020) همراستا می‌باشد.

هوش مصنوعی به عنوان یک فناوری پیشرفته، نیازمند تعامل و همکاری موثر بین عوامل سازمانی و عوامل انسانی است. در ادامه، به بررسی عوامل سازمانی-انسانی و تأثیر آن‌ها بر استقرار هوش مصنوعی در سازمان پرداخته شد. ابتدا در نظر بگیرید که استراتژی سازمانی بر توسعه و استقرار هوش مصنوعی در سازمان تأثیر قابل توجهی دارد. سازمان‌هایی که استراتژی سازمانی‌شان شامل هوش مصنوعی است و منابع و تمرکز مناسبی را به آن اختصاص می‌دهند، قادر خواهند بود به طور مؤثری هوش مصنوعی را در سازمان پیاده کنند و از آن بهره‌برداری کنند. دستاورد این بخش با نتایج لاسیتی و ویلکوکس41 (2020) همراستا می‌باشد. از سوی دیگر ساختار سازمانی نیز در استقرار هوش مصنوعی تأثیرگذار است. سازمان‌هایی که ساختار سازمانی آن‌ها از نظر مجازی‌سازی، افق دستیابی به داده‌ها، و انعطاف‌پذیری مناسب است، می‌توانند به طور سریع‌تر و موثرتر هوش مصنوعی را در سازمان معرفی کرده و آن را به کار ببندند. دستاورد این بخش با نتایج راس و بیث42 (2020) همراستا می‌باشد. آموزش و توسعه کارکنان نقش مهمی در استقرار هوش مصنوعی در سازمان دارد. سازمان‌هایی که به طور فعال در زمینه آموزش و آماده‌سازی کارکنان برای استفاده از هوش مصنوعی سرمایه‌گذاری می‌کنند و فرهنگ یادگیری را ترویج می‌دهند، قادر خواهند بود هوش مصنوعی را به طور مؤثری در سازمان به کار بگیرند. دستاورد این بخش با نتایج مارتین و ردینگتون43 (2020) همراستا می‌باشد. رهبری و ارتباطات سازمانی نیز از جمله عوامل مهم در استقرار هوش مصنوعی در سازمان است. رهبرانی که برای استقرار هوش مصنوعی تعهد قابل توجهی داشته باشند و بتوانند ارتباطات موثری را با تیم‌های مربوطه برقرار کنند، قادر خواهند بود هماهنگی لازم را بین افراد و تکنولوژی‌های هوش مصنوعی ایجاد کرده و استقرار موفقیت‌آمیز هوش مصنوعی را تسهیل کنند. دستاورد این بخش با نتایج آویتال و همکاران44 (2018) همراستا می‌باشد. تسهیم دانش و همکاری درون سازمانی نیز از اهمیت بالایی برخوردارند. سازمان‌هایی که فرهنگی از تسهیم دانش بین اعضا را ترویج می‌دهند و بر همکاری و هماهنگی بین بخش‌ها تأکید می‌کنند، می‌توانند تسهیل‌کننده استقرار هوش مصنوعی باشند و بهبود قابل توجهی در عملکرد و نتایج سازمان خواهند داشت. دستاورد این بخش با نتایج فاروق و همکاران45  (2020) همراستا می‌باشد. تغییر سازمانی یک عامل حیاتی در استقرار هوش مصنوعی است. سازمان‌هایی که قدرت تغییر و تطبیق سریع را دارا هستند و مدیریت تغییر را به عنوان یکی از اولویت‌های خود می‌شناسند، می‌توانند به طور مؤثری هوش مصنوعی را در سازمان اجرا کرده و به نتایج مطلوب دست یابند. دستاورد این بخش با نتایج بیر و نوهاریا46 (2000) همراستا می‌باشد.

هزینه‌های مرتبط با استقرار و اجرای هوش مصنوعی از جمله عواملی هستند که تصمیم‌گیران سازمان در فرآیند انتخاب و پیاده‌سازی را تحت تأثیر قرار می‌دهند. در ادامه، به بررسی عوامل هزینه موثر در استقرار هوش مصنوعی و تأثیر آن‌ها بر سازمان پرداخته شد. هزینه آموزش و آماده‌سازی کارکنان برای استفاده از هوش مصنوعی می‌تواند یک عامل مهم در استقرار آن باشد. هزینه‌های مربوط به آموزش و آماده‌سازی کارکنان برای فهم و استفاده از تکنولوژی‌های هوش مصنوعی، باید در نظر گرفته شود تا استقرار موفقیت‌آمیز هوش مصنوعی در سازمان رخ دهد. دستاورد این بخش با نتایج میتلستات و همکاران47 (2016) همراستا می‌باشد. همچنین هزینه‌های مرتبط با تکنولوژی و زیرساخت‌های لازم برای پیاده‌سازی هوش مصنوعی نیز تأثیرگذار است. هزینه‌های سرمایه‌گذاری در سیستم‌ها و نرم‌افزارهای مورد نیاز، زیرساخت‌های پردازش قدرتمند، و تأمین منابع محاسباتی، باید در نظر گرفته شوند تا استقرار هوش مصنوعی به طور کامل در سازمان انجام شود. دستاورد این بخش با نتایج (برینجولفسون و مک‌آفی48 2014) همراستا می‌باشد. هزینه‌های مرتبط با نگهداری و به‌روزرسانی سیستم‌های هوش مصنوعی نیز نقش مهمی در استقرار آنها دارد. برای حفظ عملکرد بهینه هوش مصنوعی و اطمینان از به‌روزرسانی آن با تحولات فناوری، هزینه‌های مربوط به نگهداری سیستم و ایجاد مکانیزم‌های به‌روزرسانی باید در نظر گرفته شود. دستاورد این بخش با نتایج چویی و همکاران49 (2016) همراستا می‌باشد. هزینه امنیت و حفاظت از داده‌ها و حریم خصوصی نیز یکی از عوامل هزینه‌ای مهم در استقرار هوش مصنوعی است. سازمان‌ها باید برای حفظ امنیت داده‌ها و پروسه‌های هوش مصنوعی، سرمایه‌گذاری لازم را در زمینه امنیت اطلاعات، رمزنگاری، و حفاظت از حریم خصوصی انجام دهند. دستاورد این بخش با نتایج فلوریدی و همکاران50 (2018) همراستا می‌باشد.

فرهنگ سازمانی، اعتقادات، ارزش‌ها، و رویکردهای سازمانی است که بر رفتار و تصمیمات افراد تأثیر می‌گذارد. فرهنگ سازمانی می‌تواند تسهیل کننده یا مانعی در استقرار هوش مصنوعی باشد. در صورتی که فرهنگ سازمانی به ارزش‌گذاری بر نوآوری، تعاون، و به اشتراک گذاری دانش تمایل داشته باشد، استقرار هوش مصنوعی با موفقیت بیشتری مواجه خواهد شد. دستاورد این بخش با نتایج شین51 (2010) همراستا می‌باشد. تغییرات اجتماعی مانند تکنولوژی‌های نوظهور، تغییرات در عادات و رفتارهای افراد، و تحولات اقتصادی می‌توانند تأثیرگذاری بزرگی در استقرار هوش مصنوعی داشته باشند. مثلاً، تغییرات در نیازها و انتظارات مشتریان می‌تواند نیاز به استقرار هوش مصنوعی در خدمات مشتریان را ایجاد کند. دستاورد این بخش با نتایج فریدمن52 (2016) همراستا می‌باشد. از طرفی نگرش‌ها و نظرات عمومی نیز می‌توانند استقرار هوش مصنوعی را تحت تأثیر قرار دهند. نگرش‌های مثبت و پذیرش‌کننده نسبت به هوش مصنوعی می‌تواند به راحتی‌تر و سریع‌تر پذیرفته شدن و استفاده از آن در سازمان کمک کند، در حالی که نگرش‌های منفی و مقاومت می‌توانند موانعی در استقرار هوش مصنوعی ایجاد کنند. دستاورد این بخش با نتایج دوتون و شفرد53 (2006) همراستا می‌باشد. تأثیرات محیطی نیز می‌توانند در استقرار هوش مصنوعی در سازمان نقش مهمی ایفا کنند. عواملی مانند قوانین و مقررات قانونی، مسائل امنیتی، حفاظت از حریم خصوصی و اخلاقیات می‌توانند به عنوان محدودیت‌ها و چالش‌هایی در مسیر استقرار هوش مصنوعی در سازمان مطرح شوند. سازمان‌ها باید به تأثیرات محیطی دقت کنند و راهکارهای مناسبی را برای مدیریت این تأثیرات پیاده‌سازی کنند. دستاورد این بخش با نتایج فلوریدی و تادو54 (2016) همراستا می‌باشد. استقرار هوش مصنوعی در سازمان نیازمند تطبیق با تغییرات اجتماعی است. تحولات اجتماعی مانند تغییرات در نقش‌ها و مسئولیت‌های افراد، تغییرات در تفکر سازمانی و نیازمندی‌های مختلف افراد ممکن است از سازمان‌ها بخواهد تا به روش‌های جدیدی برای انتقال دانش و تعامل با هوش مصنوعی پرداخته و ساختارها و فرآیندهای خود را تغییر دهند. استقرار هوش مصنوعی در سازمان ممکن است تغییراتی در عادات و رفتارهای افراد را نیز به همراه داشته باشد. به عنوان مثال، استفاده از هوش مصنوعی در فرآیندهای تصمیم‌گیری و تحلیل داده می‌تواند نیاز به تغییر روش‌های کاری و فرهنگ سازمانی را ایجاد کند. این تغییرات نیازمند آموزش و آگاهی کارکنان درباره مزایا و کاربردهای هوش مصنوعی است و سازمان‌ها باید منابع لازم را برای آموزش و آگاهسازی فراهم کنند. دستاورد این بخش با نتایج داونپورت و روناکی (2018) همراستا می‌باشد. تحولات اقتصادی نیز می‌توانند تأثیر قابل توجهی در استقرار هوش مصنوعی در سازمان‌ها داشته باشند. مثلاً، افزایش رقابت در بازار، تغییرات در نیازها و ترجیحات مشتریان، و فشار برای بهره‌برداری بهینه از منابع می‌توانند سازمان‌ها را به استفاده از هوش مصنوعی برای بهبود عملکرد و افزایش بهره‌وری تشویق کنند. دستاورد این بخش با نتایج (برینجولفسون و مک‌آفی55 2017) همراستا می‌باشد. لازم به ذکر است که برای جنبه‌های استفاده از هوش مصنوعی برای بازاریابی در شرکت‌های تبلیغاتی و بازاریابی در ایران سه راه اصلی وجود دارد که در ادامه ذکر می شود:

-       آنالیز دقیق داده­های مصرف­کننده که با این کار می­توان از این جنبه برای یادگیری بیشتر در مورد نحوه رفتار جمعیتی هدف و پاسخ به کمپین­های بازاریابی خود برای بهبود و ساده­سازی تلاش­های آینده استفاده کنید.

-       تقویت تعامل ربات‌های چت که احتمالاً پرکاربردترین فناوری هوش مصنوعی در حال حاضر هستند، زیرا یک ربات هوش مصنوعی همیشه حضور دارد (نیازهای ساعات فعال تیم پشتیبانی چت را در سازمان برطرف می­کند) و می­تواند تعامل سازمان با جمعیت هدف را به میزان قابل توجهی افزایش دهد و از دست دادن سود ناشی از نرخ پاسخ آهسته را به حداقل برساند.

-       تلاش­های بازاریابی را بهبود می­بخشد بدین صورت که هوش مصنوعی می‌تواند کارهای تکراری و ساده‌ای را انجام دهد که در نتیجه آن زمان بیشتری ذخیره می­شود و این کار سازمان و کارمندانش را آزاد می‌کند تا روی تلاش‌های بازاریابی خلاقانه‌تر و ارزشمندتر تمرکز کنند.

-       با اینکه بازاریابی واقعیت افزوده قطعاً موضوع فردا است. با اینحال اگر به درستی استفاده شود، می‌تواند تجربه شخصی‌سازی‌شده‌تری از آزمایش محصولات جدید را در اختیار مصرف‌کنندگان قرار دهد و حتی نیاز به ایجاد نمونه‌های اولیه محصول واقعی را به کلی از بین می‌برد.

-       همچنین هنگامی که بازاریابی واقعیت افزوده با هوش مصنوعی ترکیب می­شود، نتایج یک تجربه چشمگیر است که مشتریان سازمان خودشان به دنبال آن خواهند بود. دیگر حتی نیازی به این نخواهد بود که تبلیغات با هزینه گزاف انجام شود. 

پیشنهادات تحقیق به صورت زیر مطرح گردید:

1)       برای عوامل فنی پیشنهاد می‌شود که در شرکت‌های تبلیغاتی و بازاریابی زیرساخت مناسب ایجاد کند. سازمان‌ها باید برای استقرار هوش مصنوعی زیرساخت‌های فنی مناسب را فراهم کنند. این شامل سیستم‌های پردازش قدرتمند، ذخیره‌سازی داده انبوه، شبکه‌های پهن‌باند و امنیت اطلاعات بالا است.

2)       برای عوامل فرهنگی پیشنهاد می‌شود که توجیه و آموزش در شرکت‌های تبلیغاتی و بازاریابی صورت پذیرد. سازمان‌ها باید فرهنگی را ترویج کنند که هوش مصنوعی به عنوان یک ابزار مهم و موثر در جهت ارتقای کارایی و نوآوری در سازمان مورد توجه قرار گیرد. ضرورت آموزش و آماده‌سازی کارکنان برای فهم و بهره‌برداری از فناوری‌های هوش مصنوعی نیز حائز اهمیت است.

3)       برای عوامل سازمانی-انسانی پیشنهاد می‌شود که تدوین استراتژی و برنامه‌ریزی در دستور کار شرکت‌های تبلیغاتی و بازاریابی قرار گیرد. لذا بهتر است که استراتژی‌های واضح و برنامه‌های جامع برای استقرار هوش مصنوعی تدوین کنند. همچنین، نیاز به تعیین نقش و مسئولیت کارکنان در محیطی که هوش مصنوعی به آن اضافه می‌شود، حائز اهمیت است.

4)       برای عوامل هزینه پیشنهاد می‌شود که بهره‌وری هزینه در شرکت‌های تبلیغاتی و بازاریابی مورد بررسی قرار گیرد. این شرکت‌ها بهتر است هزینه‌های مرتبط با استقرار هوش مصنوعی را به دقت بررسی کنند. بررسی بهره‌وری هزینه، انتخاب متناسب‌ترین راهکارها و ابزارها، و تخصیص منابع مالی به‌صورت بهینه از جمله رویکردهای مورد نیاز است.

5)       برای عوامل اجتماعی-محیطی پیشنهاد می‌شود توجه به تأثیرات اجتماعی و اخلاقی در رأس کار باشد. استقرار هوش مصنوعی ممکن است تأثیرات اجتماعی و اخلاقی بزرگی داشته باشد. سازمان‌ها باید به این تأثیرات توجه کنند و سیاست‌ها و الزامات اخلاقی را در طراحی و استفاده از هوش مصنوعی رعایت کنند.

6)       پیشنهاد می‌شود شرکت‌های تبلیغاتی و بازاریابی به بررسی و استفاده از فرصت‌هایی که هوش مصنوعی در اختیار می‌دهد، توجه کنند. مانند استفاده از الگوریتم‌های یادگیری ماشینی برای تجزیه و تحلیل داده‌ها، بهینه‌سازی استراتژی تبلیغاتی، هدف‌گذاری دقیق تر مشتریان و بهبود تجربه کاربری.

7)       پیشنهاد می‌شود شرکت‌های تبلیغاتی می‌توانند به توسعه راهکارهای هوشمند در تبلیغات متمرکز شوند، مانند تبلیغات هدفمند و شخصی‌سازی شده، استفاده از ربات‌های چت و هوش مصنوعی در ارتباط با مشتریان، و ایجاد تجربه‌ای شخصی‌سازی شده و تعاملی برای مشتریان.

8)       پیشنهاد می‌شود با استفاده از تحلیل داده‌ها و روش‌های هوش مصنوعی برای پیش‌بینی رفتار مشتریان، تحلیل رقبا، شناسایی الگوها و ارائه راهکارهای بازاریابی بهینه به شرکت‌های تبلیغاتی کمک کند تا به شکلی هدفمندتر و اثربخش‌تر به بازار نزدیک شوند.

9)       پیشنهاد می‌شود شرکت‌های تبلیغاتی باید با رقبا در دنیای دیجیتال رقابت کنند. این شامل به‌روزرسانی در روش‌ها و فناوری‌های تبلیغاتی، حضور فعال در شبکه‌های اجتماعی، استفاده از روش‌های بازاریابی آنلاین مانند تبلیغات گوگل و فیسبوک، و بهینه‌سازی راهکارهای تبلیغاتی برای دستگاه‌های هوشمند می‌شود.

10)       در تبلیغات و بازاریابی، رقم‌گذاری و اندازه‌گیری دقیق از اهمیت بالایی برخوردار است. لذا پپشنهاد می‌شود که شرکت‌های تبلیغاتی باید از ابزارها و فناوری‌های مناسب برای رصد و اندازه‌گیری عملکرد تبلیغاتی استفاده کنند و بر اساس آن‌ها تصمیمات بهینه‌تری بگیرند. به عنوان مثال، استفاده از کد تخفیف‌ها، لینک‌های پیگیری و سیستم‌های تجزیه و تحلیل داده می‌تواند به شرکت‌ها در تعیین اثربخشی تبلیغات و بازاریابی کمک کند.

11)       با توسعه فناوری و دیجیتالی شدن جوامع، روند تبلیغات و بازاریابی نیز در حال تغییر است. لذا پیشنهاد می‌شود شرکت‌های تبلیغاتی باید با روند تحولات دیجیتال همراهی کنند و روش‌های نوین را در استراتژی‌های تبلیغاتی خود به‌کار بگیرند. به‌عنوان مثال، استفاده از تبلیغات آنلاین، محتوای دیجیتال و بازاریابی اجتماعی از مواردی است که باید در نظر گرفته شود.

12)       رضایت مشتریان و ایجاد تجربه کاربری برتر از اهمیت بالایی برخوردارند. لذا پیشنهاد می شود شرکت‌های تبلیغاتی و بازاریابی باید به شناخت دقیق نیازها و ترجیحات مشتریان بپردازند و سعی کنند تجربه‌ای منحصربه‌فرد و جذاب برای آن‌ها ایجاد کنند. استفاده از روش‌های هوشمند و شخصی‌سازی شده می‌تواند در این زمینه موثر باشد.


منابع و مآخذ

کشکی, مونا, نایب زاده, شهناز, داودی رکن آبادی, 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.

2

 

[1]  Artificial Intelligence (AI)

[2]  IoT

[3]  Big Data Analytics (BDA)

[4]  Verma et al

[5]  Vetterli et al

[6]  Kim et al

[7]  Chaffey et al

[8]  Davenport et al

[9]  Kim et al

[10]  Di-Muro et al

[11]  NewVantage

[12]  Genpact

[13]  Deloitte

[14]  Han et al

[15]  Liao

[16]  Davenport et al

[17]  Chen et al

[18]  Chui et al

[19]  Davenport et al

[20]  Brynjolfsson & McAfee

[21] Kiron et al

[22]  BAKER & HART

[23]  NLP

[24]  Devarapalli et al

[25]  BEEBE

[26]  HUANG et al

[27]  Devarapalli et al

[28]  Amba

[29]  NewVantage

[30]  Davenport

[31]  Benbya et al

[32]  Möller & Probst

[33]  Gandomi & Haider

[34]  Liu & Ma

[35]  Kang & Kim

[36]  Rajaraman & Ullman

[37]  Bughin et al

[38]  Wu & Zhang

[39]  Delgoshaei & Rezaei

[40]  Raza et al

[41]  Lacity & Willcocks

[42]  Ross & Beath

[43]  Martin & Reddington

[44]  Avital et al

[45]  Farooq et al

[46]  Beer & Nohria

[47]  Mittelstadt et al

[48]  Brynjolfsson & McAfee

[49]  Chui et al

[50]  Floridi et al

[51]  Schein

[52]  Friedman

[53]  Dutton & Shepherd

[54]  Floridi & Taddeo

[55]  Brynjolfsson & McAfee


Sanad

Sanad is a platform for managing Azad University publications

Links

Related Centers

Technical Support

Official pages

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2025

Home| Login| About Us| Contact Us|
[فارسی] [العربية] [fa] [ar]