A Personalized Digital Marketing Model for Customers Through a Recommendation Engine with a Thematic Analysis Approach

Subject Areas : Jounal of Marketing Management

Mohamad Javad Piran ¹ , Reza Radfar ^{2 *} , Sina Nematizadeh ³ , Mohammad Ali Afshar Kazemi ⁴

1 - Ph.D. Candidate in Information Technology Management with a concentration in IT Services Management and Development, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 - Professor of Information Technology Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran
3 - Associate Professor of Marketing Management, Faculty of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran
4 - Associate Professor of Industrial Management, Faculty of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran

Received: 2024-10-16 Accepted : 2024-11-23 Published : 2025-02-01

Keywords: Marketing, Personalized Digital Marketing, Recommendation Engine, Thematic Analysis.,

Abstract :

Personalized Digital Marketing is one of the key and thriving trends in the world of digital marketing, developed with the aim of delivering unique and tailored experiences to each customer. In this approach, marketers strive to understand the needs, preferences, and behaviors of users by collecting and analyzing their data. Based on these insights, they design marketing content, advertisements, and offers that align specifically with each individual. The goal of this research is to identify the dimensions and components of personalized digital marketing through a recommendation engine using a thematic analysis approach. To achieve this, after reviewing the literature and research background, basic and organizing themes were identified. Then, through surveys and interviews with 25 experts and university professors familiar with the concepts of personalized digital marketing, a conceptual model of the research was introduced. In conclusion, practical suggestions were provided to IT and marketing managers in online stores, including Digikala.

References:

1. انارکی، مژده رباطی و ریاحی، نوشین. (1402). روش تکاملی بهبود انتخاب الگوریتم در سیستم¬های توصیه‏گر فیلترینگ مشارکتی. فصلنامه پردازش علائم و داده¬ها، 20(1)، 59-78.
2. حسنی، محمد مهدی وسرمدی، عشرت. (1402). یک سیستم توصیه¬گر در اینترنت اشیا با استفاده از ماشین بردار پشتیبان و مدل تصمیم¬گیری چندمعیاره تاپسیس. پدافند الکترونیکی و سایبری، 11(4)، 61-73.
3. حضوری، سمیه، عبدالوند، محمدعلی، حیدرزاده، کامبیز و خون سیاوش، محسن. (1403). طراحی مدل رفتار خرید مصرف¬کننده زیبایی و مد با استفاده از بازاریابی دیجیتال (رویکرد کیفی – تئوری داده بنیاد)، مجله مدیریت بازاریابی، دانشگاه علوم و تحقیقات تهران، 3 (19)، 1-11.
4. سجودی، محسن وابراهیم بابایی، فریبا. (1399). منطق فازی راه گشای سیستم¬های توصیه¬گر کلاسیک، رویکردهای پژوهش¬های نوین در مدیریت و حسابداری، 34 (4).
5. شیخی دارانی، زهرا وحسینی، منیره. (1402). ارائه¬ی روشی برای تولید پیشنهادهای بدیع مختص هر کاربر در سیستم توصیه¬گر چند معیاری نهمین کنفرانس بین المللی وب پژوهی.
6. قباخلو، مهرگان؛ رجب زاده قطری، علی؛ طلوعی اشلقی، عباس والبرزی، محمود. (1401). طراحی سیستم توصیه‏گر شخصی‏سازی شده برمبنای آنالیز احساسات در رسانه‏های اجتماعی(مورد مطالعه: سیستم بانکی)، پژوهش¬های مدیریت منابع سازمانی، 12 (1)، 163-189.
7. نخعی راد، زهرا؛ زندحسامی، حسام وطلوعی اشلقی، عباس. (1400). بهبود عملکرد و نتایج سیستم توصیه‌گر پالایش مشارکتی با استفاده از الگوریتم بهینه‌ساز گرگ خاکستری فازی غنی‌شده با الگوریتم بهینه‌سازی شیر. چشم‌انداز مدیریت صنعتی، 11(4)، 197-222.
8. مرادی زیبا، سپیده، عباسی، جواد، رادفر، رضا و عبدالوند، محمدعلی. (1402). تدوین مدل استراتژی‏های بازاریابی دیجیتال در استارتاپ‏های موفق ایرانی مبتنی بر نظریه داده بنیاد. مجله مدیریت بازاریابی، دانشگاه علوم و تحقیقات تهران، 3 (18)، 123-148.
9. نوروزی، حسین؛ نصرت پناه، رسول وحسینی، زهرا سادات. (1402). تأثیر عوامل اثرگذار بر موفقیت سیستم‌های مدیریت ارتباط با مشتری در پلتفرم‌های کسب‌و‌کار آنلاین. فصلنامه علمی مدیریت استاندارد و کیفیت، 13(3)، 35-72.
10. نیسانی سامانی زینب، آل شیخ علی، اصغر، صادقی نیارکی، ابوالقاسم و نظری اشنی مهدی. (1401). شخصی سازی یک سیستم توصیه¬گر گردشگری بر مبنای تشابه کاربران و استفاده از شبکه باور عمیق، هندسی فناوری اطلاعات مکانی، 10(4)، 1-16.
11. یزدانفر، شیوا؛ نعامی، عبداله وآزاد، ناصر. (1398). طراحی محتوی استراتژی بازاریابی کسب‌وکارهای دیجیتال حوزه خدمات. چشم انداز مدیریت بازرگانی، 18(37)، 99-120.
12. Alhijawi, B., Awajan, A., & Fraihat, S. (2022). Survey on the objectives of recommender systems: Measures, solutions, evaluation methodology, and new perspectives. ACM Computing Surveys, 55(5), 1-38.
13. Al Fararni, K., Nafis, F., Aghoutane, B., Yahyaouy, A., Riffi, J., & Sabri, A. (2021). Hybrid recommender system for tourism based on big data and AI: A conceptual framework. Big Data Mining and Analytics, 4(1), 47-55.
14. Babatunde, S. O., Odejide, O. A., Edunjobi, T. E., & Ogundipe, D. O. (2024). The role of AI in marketing personalization: A theoretical exploration of consumer engagement strategies. International Journal of Management & Entrepreneurship Research, 6(3), 936-949.
15. Bahrani, P., Minaei-Bidgoli, B., Parvin, H., Mirzarezaee, M., & Keshavarz, A. (2024). A new improved KNN-based recommender system. The Journal of Supercomputing, 80(1), 800-834.
16. Behera, R. K., Gunasekaran, A., Gupta, S., Kamboj, S., & Bala, P. K. (2020). Personalized digital marketing recommender engine. Journal of Retailing and Consumer Services, 53, 101799.
17. Castells, P., Hurley, N., & Vargas, S. (2021). Novelty and diversity in recommender systems. In Recommender systems handbook (pp. 603-646). Springer.
18. Cui, Z., Xu, X., Fei, X. U. E., Cai, X., Cao, Y., Zhang, W., & Chen, J. (2020). Personalized recommendation system based on collaborative filtering for IoT scenarios. IEEE Transactions

on Services Computing, 13(4), 685-695.
19. Dwivedi, Y. K., Ismagilova, E., Hughes, D. L., Carlson, J., Filieri, R., Jacobson, J., Jain, V., Karjaluoto, H., Kefi, H., & Krishen, A. S. (2021). Setting the future of digital and social media marketing research: Perspectives and research propositions. International journal of information management, 59, 102168.
20. Fauzan, R. A., & Baizal, Z. K. A. (2024, January). Conversational Recommender System for Audio Listening Device Based on Ontology. In 2024 ASU International Conference in Emerging Technologies for Sustainability and Intelligent Systems (ICETSIS) (pp. 1449-1453). IEEE.
21. Gao, C., Zheng, Y., Wang, W., Feng, F., He, X., & Li, Y. (2024). Causal inference in recommender systems: A survey and future directions. ACM Transactions on Information Systems, 42(4), 1-32.
22. Hallikainen, H., Luongo, M., Dhir, A., & Laukkanen, T. (2022). Consequences of personalized product recommendations and price promotions in online grocery shopping. Journal of Retailing and Consumer Services, 69, 103088.
23. Huang, M.-H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49, 30-50.
24. Igual, L., & Seguí, S. (2024). Recommender Systems. In Introduction to Data Science: A Python Approach to Concepts, Techniques and Applications (pp. 175-194). Springer.
25. Jung, S.-U., & Shegai, V. (2023). The impact of digital marketing innovation on firm performance: Mediation by marketing capability and moderation by firm size. Sustainability, 15(7), 5711.
26. Ledro, C., Nosella, A., & Dalla Pozza, I. (2023). Integration of AI in CRM: Challenges and guidelines. Journal of Open Innovation: Technology, Market, and Complexity, 9(4), 100151.
27. Liu, Y., & Chen, Z. (2023). A new model to evaluate the success of electronic customer relationship management systems in industrial marketing: the mediating role of customer feedback management. Total Quality Management & Business Excellence, 34(5-6), 515-537.
28. Magatef, S., Al-Okaily, M., Ashour, L., & Abuhussein, T. (2023). The impact of electronic customer relationship management strategies on customer loyalty: A mediated model. Journal of Open Innovation: Technology, Market, and Complexity, 9(4), 100149.
29. Magrani, E., & da Silva, P. G. F. (2023). The ethical and legal challenges of recommender systems driven by artificial intelligence. In Multidisciplinary Perspectives on Artificial Intelligence and the Law (pp. 141-168). Springer International Publishing Cham.
30. Mehralian, M. M. (2022). Identifying and Explaining the Effective Factors of Digital Marketing Strategies in Consumers' Emotional States and Sales Rates: A Mixed Methods Research. 20th International Conference of the Business and Strategic Management,
31. Mocanu, A., & Szakal, A. (2023). Digital Marketing Strategies: A Comprehensive Literature Review. Bulletin of the Transilvania University of Brasov. Series V: Economic Sciences, 37-44.
32. Mokha, A. K., & Kumar, P. (2022). Examining the interconnections between E-CRM, customer experience, customer satisfaction and customer loyalty: A mediation approach. Journal of Electronic Commerce in Organizations (JECO), 20(1), 1-21.
33. Purnomo, Y. J. (2023). Digital marketing strategy to increase sales conversion on e-commerce platforms. Journal of Contemporary Administration and Management (ADMAN), 1(2), 54-62.
34. Rane, N., Choudhary, S., & Rane, J. (2023). Hyper-personalization for enhancing customer loyalty and satisfaction in Customer Relationship Management (CRM) systems. Available at SSRN 4641044.
35. Rizvanović, B., Zutshi, A., Grilo, A., & Nodehi, T. (2023). Linking the potentials of extended digital marketing impact and start-up growth: Developing a macro-dynamic framework of start-up growth drivers supported by digital marketing. Technological Forecasting and Social Change, 186, 122128.
36. Sharma, M., Mittal, R., Bharati, A., Saxena, D., & Singh, A. K. (2021). A survey and classification on recommendation systems. International Conference on Big Data, Machine Learning, and Applications,
37. Wang, Z. (2023). The Design and Implementation of the Enterprise Customer Relationship Management System. Advances in Economics and Management Research, 6(1), 340-340.
38. Yaiprasert, C., & Hidayanto, A. N. (2023). AI-driven ensemble three machine learning to enhance digital marketing strategies in the food delivery business. Intelligent Systems with Applications, 18, 200235.