طراحی مدل پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه با تأکید بر مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی

تعاملات تجاری بین مشتری (B2B) به‌طور فزآینده‌ای در فضاهای دیجیتال رخ می‌دهد و شرکت‌ها را ملزم می‌کند تا راه‌حل‌ها و ابزارهای فناوری جدید را برای مدیریت سفرهای مشتریان خود اتخاذ کنند (Steward et al., 2019; Zolkiewski et al., 2017). از زمانی که فرآیندهای پیچیدۀ خریدوفروش بنگاه به بنگاه به دیجیتال تبدیل شده است (Steward et al., 2019)، این تغییر شرکت‌ها و مدیران را ملزم کرد تا شیوه‌های مدیریتی و جعبه‌ابزار دیجیتال خود را توسعه دهند تا در عصر دیجیتال باقی بمانند و شکوفا شوند. حرکات مشتریان در چندین کانال و نقاط تماس مستلزم ادغام عملیات بازاریابی و فروش منسجم شرکت‌ها از اولین قرار‌گرفتن در‌معرض برند تا خرید و استفاده است (Rutholkarho et al., 2021). اکوسیستم بنگاه به بنگاه در دهۀ گذشته دستخوش تغییرات مهمی شده است که به توسعۀ فناوری‌های جدید و اتوماسیون فرآیند مرتبط است. یکی از مرتبط‌ترین تغییرات، پیاده‌سازی تکنیک‌ها و نرم‌افزارهایی است که از هوش مصنوعی برای افزایش بهینه‌سازی و کارایی فرآیندهای انجام‌شده با عوامل یا سیستم‌های هوشمند استفاده می‌کنند (Lages et al., 2008; Davenport et al., 2019). در اکوسیستم‌های متصل چالش‌های کسب‌وکار جدید تعیین شده است (Saura, 2021). جایی که تجزیه‌وتحلیل داده‌ها برای استراتژی‌های موفقیت‌آمیز حیاتی بوده هوش مصنوعی نقش مهمی را داشته است (Duan et al., 2019). در این زمینۀ تجاری اهمیت اجرای صحیح و استفاده از مدیریت ارتباط با مشتری برای موفقیت کسب‌وکار حیاتی است؛ زیرا فرآیندهای تصمیم‌گیری مبتنی بر داده به‌طور فزآینده‌ای رایج است (Dwivedi et al., 2021).

تا به امروز از انواع سیستم مدیریت ارتباط با مشتری به‌طور گسترده‌ای برای سازمان‌دهی فرآیندها، اجرای سفارش‌ها لجستیکی، به دست آوردن اطلاعات موجودی محصول و خدمات، ارتباط با تأمین‌کنندگان و عمده‌فروشان، بازاریابی خودکار و جمع‌آوری داده‌ها استفاده شده است. استفادۀ مداوم از ابزارهای مرتبط با شبکه‌های اجتماعی (Duan et al., 2019)، تعامل با مشتریان و تأمین‌کنندگان در اکوسیستم‌های دیجیتال یا شناسایی فرصت‌های جدید باعث شده است که شرکت‌های تجاری بنگاه به بنگاه توجه خود را بر اجرای انواع مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی در بازاریابی دیجیتال بنگاه به بنگاه متمرکز کنند (Zhang et al., 2020). به‌ این ‌ترتیب، افزایش نیاز به پردازش داده در مقیاس بزرگ ناشی از استراتژی‌های بازاریابی دیجیتالی است که شرکت‌ها در محیط‌های بنگاه به بنگاه انجام می‌دهند و استفاده از ابزارهای هوش مصنوعی را که به انواع مدیریت ارتباط با مشتری اضافه می‌شود، بینش و ایجاد دانشی را ممکن می‌‌کند که شرکت‌ها می‌توانند از آن برای بهبود عملکرد دیجیتال و ارتباط با مشتریان خود استفاده کنند (Gordini & Veglio, 2017). با وجود این،‌ هوش مصنوعی برخلاف پتانسیل و مزایایی که برای شرکت‌ها دارد ازنظر فنی و اجرایی پیچیده است. استفاده از مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی در تجارت بنگاه به بنگاه می‌تواند به تصمیم‌گیری‌های هوش تجاری، هوش رقابتی و کشف و مدیریت دانش کمک کند (Duan et al., 2019).

در بازاریابی دیجیتال بنگاه به بنگاه مصرف‌کننده استفاده از مدیریت ارتباط با مشتری در بازاریابی بنگاه به بنگاه، درک استراتژی‌های بازاریابی مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی و کاربردهای فناوری‌های نوین مطالعه شده است؛ با این ‌حال پژوهش‌های متمرکز بر درک و کاربرد این فناوری‌ها در بازاریابی دیجیتال بنگاه به بنگاه کمیاب بوده و کاربردها و تکنیک‌های خاص در محیط بازاریابی دیجیتال بنگاه به بنگاه با استفاده از مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی شناسایی نشده است.

با‌توجه به مشتریان کمتر، زیاد‌بودن حجم مبادلات و امکان افزایش سودآوری در تجارت بنگاه به بنگاه نسبت به تجارت بنگاه به مصرف‌کننده، لزوم پرداختن به پژوهش‌های بیشتر دربارۀ بازاریابی دیجیتال بنگاه به بنگاه ضروری است؛ بنابراین محققان در پژوهش حاضر کوشیده‌اند تا بر‌اساس نظری بتوانند از نوع‌شناسی سه نوع مدیریت ارتباط با مشتری مانند مدیریت ارتباط با مشتری تحلیلی (تحلیل داده‌های مشتری و بهبود تجربۀ آنها)، مدیریت ارتباط با مشتری مشارکتی (به اشتراک‌گذاری اطلاعات و همکاری داخلی سازمان) و مدیریت ارتباط با مشتری عملیاتی (مدیریت تماس با مشتری) استفاده کنند. در این سیستم‌های مدیریت ارتباط با مشتری در بازاریابی دیجیتال بنگاه به بنگاه می‌توان از هوش مصنوعی برای بهبود داده‌ها و تجزیه‌وتحلیل الگوهای جدید با تجزیه‌وتحلیل و داده‌های کاربران در محیط‌های دیجیتال استفاده کرد؛ البته در‌بین انواع مدیریت ارتباط مشتری، هوش مصنوعی بر نوع تحلیلی یا تعاملی آن با‌توجه به اینکه وظیفۀ تحلیل داده‌های مشتری و بهبود تجربۀ آنها را بر عهده دارد، تأثیرگذاری بیشتری نیز دارد. نوآوری مطالعۀ حاضر این است که باوجود توسعۀ تصاعدی هوش مصنوعی و کاربرد در‌حال ظهور آن در محیط‌های مختلف تولید در هیچ‌ یک از مطالعات قبلی مسئلۀ بازاریابی دیجیتال بنگاه به بنگاه برررسی نشده است؛ بنابراین برای پوشش مشکلات مطرح‌شده کوشش شده است تا به سؤال‌های ذیل پاسخ داده شود.

عوامل تأثیرگذار بر پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه با استفاده از مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی کدام است؟ و در‌صورت پیاده‌سازی چه پیامدهایی برای شرکت به همراه دارد؟

2. مبانی نظری

1-2. هوش مصنوعی به‌عنوان فناوری و ابزاری برای توسعۀ بازاریابی

برنامه‌های کاربردی هوش مصنوعی مدرن که مشکلات، استدلال، برنامه‌ریزی، یادگیری، ارتباط، درک و عمل را حل می‌کنند، از نظر روش‌شناسی با فناوری‌های پیشرفتۀ پردازش داده مرتبط هستند؛ زیرا امکان استفاده از توده‌های وسیع داده را فراهم می‌کنند (Iansiti & Lakhani, 2020; Paschen et al., 2019). اصطلاح یادگیری ماشین برای توصیف عملکرد این روش‌ها استفاده می‌شود. یادگیری ماشین به ماشین اجازه می‌دهد تا (به‌جای قوانین از پیش برنامه‌ریزی‌شده) انجام‌دادن یک کار را با بررسی مثال‌های قبلی بیاموزد (Louridas & Ebert, 2016). فرآیند بررسی نمونه‌ها به‌عنوان توانایی یادگیری ماشین برای یافتن خودکار الگوها از داده‌ها شناخته می‌شود. روش‌های یادگیری ماشین شامل شبکه‌های عصبی مصنوعی، درخت‌های تصمیم‌گیری، روش‌های رگرسیون، جنگل‌های تصادفی و غیره است (Asare-Frempong & Jayabalan, 2017). در روش‌های مختلف یادگیری ماشین بحث‌ها اغلب دربارۀ ارجاع به حوزۀ کاربرد، بدون شناسایی روش آماری دقیق است. پردازش زبان طبیعی به یادگیری ماشین در‌زمینۀ متون نوشتاری کمک می‌کند (Nuruzzaman & Hussain, 2018). درحالی‌ که در مفاهیم هوش مصنوعی بر توانایی‌های یک موجودیت یا نتیجۀ یک فرآیند (مانند یادگیری، تطبیق، تشخیص الگو، درک زبان) تمرکز می‌شود. یادگیری ماشین نحوۀ به دست آوردن نتیجه را توصیف می‌کند و به‌عنوان مغز هوش مصنوعی نیز شناخته می‌شود (Chatterjee et al., 2020b).

هوش مصنوعی یک فناوری نوظهور است که در سازمان‌ها به‌طور گسترده از آن استفاده می‌شود و به آنها کمک می‌کند تا داده‌های زمان واقعی را برای تجزیه‌وتحلیل و پاسخ سریع به نیازهای مشتری ردیابی کنند). هوش مصنوعی بینش مصرف‌کننده را برای جذب و حفظ مشتری تجزیه‌وتحلیل و حرکت بعدی مشتری را پیش‌بینی و سپس تجربۀ کلی مشتری را دوباره تعریف می‌کند (Tjepkema, 2019). ابزارهای هوش مصنوعی برای استنباط انتظارات مشتری و پیمایش مسیر آینده مفید است. استفاده از هوش مصنوعی برای تجزیه‌وتحلیل عادت‌های مشتری، خرید، علاقه، دوست‌نداشتن و غیره لازم است. در عملکردهای مدیریت ارتباط با مشتری از رابط‌های کاربری هوش مصنوعی استفاده می‌شود (Duan et al., 2019). هوش مصنوعی و اینترنت اشیا خرده‌فروشی‌های سنتی را به فروشگاه‌های خرده‌فروشی هوشمند تبدیل کردند. فروشگاه‌های خرده‌فروشی هوشمند تجربۀ مشتری، سهولت خرید و زنجیرۀ تأمین را بهبود می‌بخشند. هوش مصنوعی کسب‌وکارهای آنلاین را نیز راهنمایی می‌کند (Chatterjee et al., 2020b).

2-2. هوش مصنوعی در بازاریابی بنگاه به بنگاه

به هوش مصنوعی به‌عنوان مرز بعدی بهره‌وری و نوآوری در پژوهش‌ها توجه شده است (Syam & Sharma, 2018). در بیشتر مطالعات‌انجام‌شده تا به امروز ارزش تجاری بالقوه‌ای که می‌توان از کاربرد هوش مصنوعی در داخل مرزهای سازمانی ارائه داد، بررسی شده است (Paschen et al., 2020) در‌حوزۀ وسیع‌تر پژوهش‌ها اجماع فزآینده‌ای وجود دارد؛ زیرا فناوری اطلاعات شرکت‌ها را قادر می‌کند تا با قابلیت‌های سازمانی متوسط، دستاوردهای عملکردی ایجاد کنند (Benitez et al., 2018; Scheryn, 2013). فرض اصلی این دیدگاه این است که استفاده از برنامه‌های کاربردی جدید فناوری اطلاعات برای سازمان‌ها حیاتی است؛ زیرا به توسعۀ اثر‌های مکمل قابلیت‌های سازمانی کمک می‌کند و درنهایت، منجر به مزیت رقابتی می‌شود. در حال حاضر، هنوز درک محدودی دربارۀ مکانیسم‌هایی وجود دارد که با آن برنامه‌های مبتنی بر هوش مصنوعی دستاوردهای عملکرد رقابتی را ارائه می‌کنند (Duan et al., 2019).

درحالی ‌که هنوز پژوهش‌های تجربی محدودی برای بررسی مکانیسم‌هایی وجود دارد که با آن هوش مصنوعی منجر به افزایش ارزش تجاری در بازاریابی بنگاه به بنگاه می‌شود (Collins et al., 2021). برخی از محققان در مقاله‌ها بینشی را دربارۀ آنچه هوش مصنوعی می‌تواند ارائه دهد، نشان داده‌اند (Bag et al., 2021). به‌طور خاص، یک بحث مداوم دربارۀ اینکه چگونه هوش مصنوعی می‌تواند به سازمان‌ها در خودکارسازی فرآیندها، به دست آوردن بینش از داده‌هایی که پیشتر دست‌نیافتنی بودند و بهبود تعامل خود با مشتریان کلیدی کمک کند (Davenport & Ronanki, 2018)، وجود دارد. هوش مصنوعی به شرکت‌ها اجازه می‌دهد که چندین فرآیند مختلف را ازجمله تعامل با مشتریان (با استفاده از چت‌بات‌ها) یا سایر فعالیت‌های دیگر را خودکار کنند (Ribeiro-Navarrete et al, 2021). کومبس و همکاران در مطالعۀ اخیر خود، مدل مفهومی ارزش تجاری را برای اتوماسیون هوشمند و زیرمجموعه‌ای از فناوری‌های هوش مصنوعی ارائه کردند. این کار ارتباط هم‌افزایی بین سرمایه‌گذاری‌های فناورانه و غیر‌فناوری با مکانیسم‌های پیشنهادی را نشان داد که با آن ارزش تجاری تحقق می‌یابد (Coombs et al., 2020). با تکیه ‌بر حوزۀ بازاریابی بنگاه به بنگاه بگ و همکاران یک مدل نظری را برای توضیح تأثیر هوش مصنوعی در بازاریابی بنگاه به بنگاه با بهبود تصمیم‌گیری منطقی ارائه دادند. این کار نشان داد که قدرت هوش مصنوعی به خودکارسازی فرآیندها محدود نمی‌شود، بلکه شیوه‌های مدیریت دانش مربوط به فعالیت‌های بازاریابی بنگاه به بنگاه را نیز تقویت می‌کند (Bag et al., 2021). سایر کارهای تجربی نیز بینشی را دربارۀ اینکه چگونه فعالیت‌های خاص بازاریابی مانند قیمت‌گذاری، رفتار مصرف‌کننده را با استفاده از فناوری‌های هوش مصنوعی ارتقا می‌دهد (Leone et al., 2020) نشان داده است.

2-3. قابلیت‌ها و ویژگی‌های مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی

توسعۀ اکوسیستم تجاری بنگاه به بنگاه با هوش مصنوعی و فرصت‌های اتوماسیون فرصت شناسایی مدل‌های کسب‌وکار متصل را به وجود آورده است (Ferasso et al., 2020). ما در عصر دیجیتال هستیم که داده‌ها مزیت‌های رقابتی و ارزش‌افزوده را فراهم می‌کنند؛ بنابراین یکی از راه‌های شناسایی این فرصت‌ها استفاده از مدیریت ارتباط با مشتری است که به هر شکلی با هوش مصنوعی کار می‌کند (Castelo-Branco et al., 2019). اگر انواع مدیریت ارتباط با مشتری در تجارت بنگاه به بنگاه بر استراتژی‌های بازاریابی دیجیتال اعمال شود، عملکردها و ابزارها چندبرابر می‌شود (Deb et al., 2018). انواع مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی سیستم‌هایی شامل وظایف مدیریت ارتباط با مشتری است که بیشتر بر مدیریت تجاری، بازاریابی و خدمات پس از فروش یا خدمات سنتی مشتری متمرکز است؛ با این‌ حال در دهۀ گذشته با افزودن عناصری که با هوش مصنوعی کار می‌کنند، فرآیندها، تجزیه‌وتحلیل اکوسیستم دیجیتال، پیش‌بینی و مطالعۀ رفتار مشتری با استفاده از تحلیل داده‌ها و الگوریتم‌های تجربۀ مشتری را تکامل‌یافته و پیچیده‌تر کرده است (Chatterjee et al., 2020a ).

سیستم‌های مدیریت ارتباط با مشتری برنامه‌هایی است که در آنها هدف نهایی بهینه‌سازی رضایت مشتریان، شرکا یا تأمین‌کنندگان با هدف افزایش روابط محکم و وفادار با استفاده از سیستم‌های مدیریت هوشمند است (Choudhury & Harrigan, 2014). مدیریت ارتباط با مشتری بر‌روی سه ستون اساسی بنا شده است که عبارت است از: فناوری، فرآیندها و منابع انسانی. فرآیندها باید به‌عنوان تغییرات ساختاری برای برآوردن سریع‌تر نیازهای مشتریان اجرا شود و استراتژی‌های منابع انسانی نیز باید بر مشارکت‌دادن کارکنان متمرکز شود تا آنها بفهمند که وظایف منابع انسانی چیست (Faase et al., 2011). در سال‌های اخیر، استفاده از مدیریت ارتباط با مشتری در شرکت‌ها به‌طور چشمگیری تکامل یافته است. در ابتدا از این سیستم‌ها فقط برای سازمان‌دهی اطلاعات مشتری استفاده می‌شد؛ ولی با‌توجه به توسعۀ فناوری‌های جدید، ظرفیت ذخیره‌سازی پایگاه داده و افزایش حجم داده‌های مشتریان، مدیریت ارتباط با مشتری‌ها قابلیت‌های جدیدی را با تمرکز بر مدیریت فرآیندهای تعامل بین شرکت و مشتریانش به دست آورد. علاوه بر این، در اکوسیستم تجاری بنگاه به بنگاه زمانی که تعامل با مشتریان افزایش می‌یابد، داده‌هایی که با ابزارهای مختلف تجزیه‌و‌تحلیل می‌شود نیز افزایش می‌یابد؛ بنابراین در این مرحله فناوری و استفاده از نوآوری‌های جدید به انواع مدیریت ارتباط با مشتری اجازه می‌دهد تا برای دستیابی به انواع مختلف مدیریت و عملکردها تکامل یابند (Deb et al., 2018).

یک سیستم مدیریت ارتباط با مشتری قادر است که تمام انواع اطلاعات را بدون توجه به کانال استفاده‌شده برای این کار جمع‌آوری کند (Wright et al., 2002). فناوری در انواع مدیریت ارتباط با مشتری مزیت‌های رقابتی را فراهم می‌کند و سپس فرآیندها با استفاده از هوش مصنوعی به‌طور مؤثر بهینه‌سازی و شناسایی و سپس روندها و الگوها به‌طور چشمگیری تشدید می‌شود (Paschen et al., 2019).

3. پیشینۀ پژوهش

در پژوهش حاضر این موضوع بررسی می‌شود که چگونه مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی می‌تواند راه را برای پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه هموار کند و چگونه بر جنبه‌هایی مانند تجزیه‌وتحلیل داده‌ها با هوش مصنوعی، عوامل مدیریتی، اقدام‌های فناورانه، توسعۀ سیستم مدیریت ارتباط با مشتری (با‌توجه به انواع سیستم مدیریت ارتباط با مشتری برای پیاده‌سازی و اثربخشی بازاریابی دیجیتال بنگاه به بنگاه) تمرکز دارد.

روستلکارو و همکاران پژوهشی با عنوان «مدیریت سفرهای مشتری بنگاه به بنگاه در عصر دیجیتال: چهار فعالیت مدیریتی با ابزارهای قدرتمند هوش مصنوعی در شرکت‌های صنعتی» انجام دادند. محققان در این پژوهش چهار فعالیت مدیریت سفر مشتری را پیشنهاد کردند: تجزیه‌وتحلیل، طراحی، مشارکت و راهنمایی که این فعالیت‌ها اقدام‌های لازم شرکت در مدیریت سفرهای مشتری بنگاه به بنگاه را مفهوم‌سازی وسپس درک مدیریتی از نحوۀ مدیریت سفرهای مشتری بنگاه به بنگاه را ایجاد می‌کند که خود نیازمند فعالیت‌هایی است که تقسیم‌بندی سنتی فروش بازاریابی را تنظیم کند. سپس این فعالیت‌ها با تجزیه‌وتحلیل ابزارهای دیجیتالی و مجهز به هوش مصنوعی تکمیل می‌شود (Rusthollkarhu et al., 2022).

لدرو و همکاران پژوهشی با عنوان «هوش مصنوعی در مدیریت ارتباط با مشتری: بررسی ادبیات و جهت‌گیری تحقیقات آینده در شرکت‌های صنعتی» انجام دادند. محققان در این پژوهش برای توسعۀ دیدگاه‌های جامع دربارۀ بحث هوش مصنوعی در مدیریت سه زیرشاخه را شناسایی و توصیف کردند که ادبیات را در‌حوزۀ مدیریت ارتباط با مشتری شکل می‌دهد و مشخص می‌کند که کلان‌داده و مدیریت ارتباط با مشتری به‌عنوان پایگاه داده، هوش مصنوعی و یادگیری ماشین به‌عنوان تکنیک‌های اعمال‌شده در فعالیت‌های مدیریت ارتباط با مشتری و مدیریت استراتژیک، ادغام‌های هوش مصنوعی و مدیریت ارتباط با مشتری (AI-CRM) هستند (Ledro et al., 2022).

 ختری پژوهشی با عنوان «بازاریابی دیجیتال همراه با هوش مصنوعی چگونه رفتار مصرف‌کننده را تغییر می‌دهد؟» انجام داد. نتایج نشان داد که هوش مصنوعی به شرکت‌ها کمک می‌کند تا درک درستی از نیازهای مشتری در یک چارچوب بسیار کوتاه و مؤثر داشته باشند؛ زیرا فروش و درآمد آنها را افزایش می‌دهد (Khatri, 2021).

میکالف و همکاران، پژوهشی با عنوان «هوش مصنوعی به‌عنوان توانمند‌کنندۀ بازاریابی بنگاه به بنگاه: رویکرد پایه‌های خرد با قابلیت‌های پویا در شرکت‌های صنعتی» انجام دادند. محققان در این پژوهش پایه‌های خرد را شناسایی کردند؛ زیرا با آن هوش مصنوعی می‌تواند فرآیندهایی را (شامل قابلیت‌های پویاست، یعنی یعنی حس‌کردن، ضبط و تبدیل) فعّال کند و بر فعالیت‌های بازاریابی بنگاه به بنگاه تأثیر بگذارد (Mikalef et al., 2021).

رابی و همکاران پژوهشی با عنوان «هوش مصنوعی در بازاریابی دیجیتال بر رفتار مصرف‌کننده تأثیر می‌گذارد: یک بازنگری و مبانی نظری برای تحقیقات آینده در صنعت خرده‌فروشی» انجام دادند. محققان در این پژوهش نشان دادند خرده‌فروشانی که از بازاریابی مبتنی بر هوش مصنوعی استفاده می‌کنند، 5 برابر بهتر از خرده‌فروشان سنتی عمل می‌کنند و رفتار مصرف‌کننده به‌دلیل بازاریابی دیجیتال به‌طور چشمگیری، تغییر کرده است؛ به‌طوری که مصرف‌کنندگان مدرن انتظار تجربۀ سازگارتر و شخصی‌تر را دارند (Rabby et al., 2021).

دستان پژوهشی با عنوان «تأثیر بازاریابی دیجیتال بر قصد خرید آنلاین: اثر میانجیگری مدیریت ارتباط با مشتری در صنعت خرده‌فروشی» انجام داد. نتایج نشان داد که بازاریابی دیجیتال تأثیر مثبت و معناداری بر قصد خرید آنلاین دارد؛ با این ‌حال اثر میانجی مدیریت ارتباط با مشتری ناچیز بود (Dastane, 2020).

جاوید و همکاران (1402) پژوهشی با عنوان «سنجش کیفیت مدیریت ارتباط با مشتری برای توسعۀ استراتژی‌های بازاریابی دیجیتال در بانک شهر» انجام دادند. محققان در این پژوهش نشان دادند که متغیرهای زیرساخت، محیط سازمانی، مشتری‌مداری، منابع انسانی، مدیریت ارتباط، کیفیت خدمات، مدیریت و برنامه‌ریزی، مدیریت استراتژیک، بازاریابی و عملکرد در بانک شهر در وضعیت مطلوبی قرار دارد. استفاده از فناوری‌های به‌روز و پیاده‌سازی ساختار سازمانی مناسب برای مدیریت ارتباط با مشتریان از دلایل این مطلوبیت شناسایی شد.

جامی‌پور و همکاران (1400) پژوهشی با عنوان «طراحی چارچوب پیاده‌سازی بازاریابی دیجیتال بین‌المللی: موردمطالعه صنعت فرش» انجام دادند. محققان در این پژوهش سه مقولۀ اصلی فرآیند بازاریابی دیجیتال بین‌المللی، محتوای بازاریابی دیجیتال بین‌المللی و زمینۀ بازاریابی دیجیتال بین‌المللی و 11 مفهوم مهم را برای هریک از مقوله‌ها شناسایی کردند که مقولۀ «فرآیند بازاریابی دیجیتال بین‌المللی» حاوی مفاهیمی چون تجزیه‌وتحلیل موقعیت، شناسایی هدف‌ها / استراتژی، تاکتیک‌ها و اقدام‌های بعد ارزیابی و کنترل، مقولۀ «زمینۀ بازاریابی دیجیتال بین‌المللی» حاوی مفاهیم فناوری، افراد، استراتژی و درنهایت، مقولۀ «محتوا بازاریابی دیجیتال بین‌المللی» شامل مفاهیم توزیع، قیمت، محصول و ترفیع است.

مرور پژوهش‌های پیشین داخلی و خارجی نشان می‌دهد که پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه با تأکید بر مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی به‌صورت کیفی مطالعه و واکاوی نشده است. به ‌عبارت‌ دیگر، پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه با محوریت مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی با رویکرد کیفی کمتر کانون توجه بوده است. مضاف بر این، شاخص‌های فوق بیشتر نگاهی تک‌بُعدی دارند و در این پژوهش‌ها به تحولات توجه نشده است. به ‌این‌ ترتیب، با‌توجه به تحولات بزرگی که در‌حال وقوع است، نگاه کلی و آینده‌نگر دربارۀ عوامل مؤثر بر پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه با تأکید بر مدیریت ارتباط با مشتری متکی بر هوش مصنوعی اجتناب‌ناپذیر خواهد بود.

4. روش‌شناسی

1-4. روش‌شناسی پژوهش (بخش کیفی)

پژوهش حاضر ازنظر مبانی فلسفی ذیل پارادایم تفسیری قرار می‌گیرد، ازنظر جهت‌گیری بنیادی است، ازنظر رویکرد، استقرایی و ازنظر نوع داده‌ها کیفی است. در این پـژوهش از شـیوۀ نظام‌مند استراوس و کوربین برای نظریه‌پردازی استفاده ‌شده است؛ زیرا این رویکرد در‌مقایسه با دو رویکرد دیگر داده‌بنیاد، یعنی شیوۀ نوخاستۀ گلیزر و طرح ساخت‌گرای چارمز ساختاریافته‌تر اسـت و بـه مـدلی جـامع و کـاربردی می‌انجامد (حسنقلی­پور و همکاران، 1394). یکی از روش‌های مهم پژوهش که با استفاده از آن می‌توان عوامل مؤثر بر پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه را بر‌مبنای درک معنایی افراد تفسیر کرد، روش داده‌بنیاد یا نظریۀ زمینه‌ای است. این روش به‌طور معمول، در موارد و زمینه‌هایی به کار می‌رود که دانش و اطلاعات کاملی دربارۀ پدیدۀ مطالعه‌شده موجود نباشد و یا هدف پژوهش دریافت بینش و دیدگاهی نو دربارۀ آن پدیده باشد. کدگذاری از مهم‌ترین مراحل در فرآیند نظریه‌پردازی داده‌بنیاد است (اشتراوس و کوربین، 1393). در پژوهش حاضر برای تفسیر معنایی عوامل مؤثر بر پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه، دیدگاه‌های شخصی و تجربه‌های فردی خبرگان، مدیران ارشد بازاریابی شرکت‌ها، متخصصان فناوری اطلاعات و استادان دانشگاه بررسی ‌شده است. جمع‌آوری داده‌ها ازطریق مصاحبه‌های عمیق و نیمه‌‌ساختاریافته با 18 نفر از خبرگان و متخصصان در‌زمینۀ بازاریابی دیجیتال (با حداقل 10 سال سابقۀ کار در‌زمینه بازاریابی، فروش، تبلیغات، بازاریابی دیجیتال) و استادان دانشگاه (با سابقۀ فعالیت و تدریس در‌زمینۀ بازاریابی و بازاریابی دیجیتال که به‌لحاظ برخورداری از شاخص‌های دانش‌محور و حوز‌ۀ روندهای مرتبط با پژوهش توانمند بودند) که به روش گلوله برفـی معرفی و انتخاب ‌شده بودند، انجام گرفت. گفتنی است که مصاحبه با نفر 13 به اشباع نظری منجر و ‌پس از آن به‌طور تقریبی، تمام اطلاعات و داده‌ها تکرار شد؛ اما برای اطمینان بیشتر و احتمال دستیابی به داده‌های جدید مصاحبه تا نفر 18 ادامه پیدا کرد. مصاحبه‌ها به شکل نیمه‌ساختاریافته و با طرح پرسش‌هایی از عوامل مؤثر بر پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه با تأکید بر مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی آغاز و سؤال‌های بعدی بر‌اساس پاسخ‌های مصاحبه‌شوندگان در خلال جلسۀ مصاحبه طراحی شد. مدت‌زمان مصاحبه به‌طور تقریبی، 40 دقیقه تا یک ساعت بود. نحوۀ نمونه‌گیری در این پژوهش قضاوتی (نظری) است که افراد مصاحبه‌شونده به‌مرور و در خلال پژوهش انتخاب شدند. به این صورت که پس از هر مصاحبه و تشخیص نقاط ضعف و ابهام‌های الگوی استفاده‌شده و مفاهیم به‌دست‌آمده، نمونه یا فرد مصاحبه‌شوندۀ بعدی با در نظر گرفتن موارد لازم در از بین بردن این نقاط ضعف و ابهام‌ها انتخاب شد. در پژوهش حاضر محققان با هدف پیدا‌کردن جواب سؤال‌های بیان‌شده، اطلاعات و داده‌ها را پس از جمع‌آوری بررسی و تحلیل و به‌صورت جدول‌هایی بر‌مبنای اصول کدگذاری شکل دادند. در این جدول‌ها ابتدا مواردی که اهمیت زیادی دارد، استخراج‌ و به هرکدام از آنها یک کد مخصوص اختصاص داده شد. پژوهشگر در مرحله‌های بعدی با مقایسه‌ای که بین کدهای ثبت‌شده انجام داد، اشتراکات و وجوه تشابه بین پدیده‌ها را بررسی کرد و سپس این کد‌ها در قالب طبقۀ کلی‌تر گروه‌بندی شد که این خود وجود روابط بین چندطبقۀ یک نظریه را به وجود ‌آورد.

جدول 1: مشخصات مصاحبه‌شوندگان

Table 1: Profile of the interviewees

منبع: یافته‌های پژوهش

همچنین، راهبردهای سنجش اعتبار نتایج با اعضا (کنترل اعضا) انجام گرفت و سپس محققان نتایج به‌دست‌آمدۀ خود را با 6 نفر از افراد متخصص تحلیل و بررسی کردند و درنهایت،6 نفر از متخصصان این نتایج و تفسیرها قبول و تأیید کردند. بـرای تحلیـل داده‌های مصـاحبه ابتـدا مصاحبه‌ها ضبط شد تـا بـا مـرور گفت‌وگوها، تحلیـل و بررسـی دقیق‌تری از دیدگاه‌های طرح‌شدۀ مشارکت‌کنندگان انجام شود. سپس بعد از اطمینان از اشباع نظری، اطلاعات مصاحبه‌ها با استفاده از نرم‌افزار مکس کیو دا (MAXQDA) و با بهره‌گیری از روش کدگذاری و بر‌اساس رویکرد نظریۀ داده‌بنیاد با روش استراوس و کوربین تحلیل و مدل پـژوهش تدوین شد.

4-2. روش‌شناسی پژوهش (بخش کمّی)

در بخش کمّی پژوهش و بعد از به دست آوردن یافته‌های پژوهش در بخش کیفی برای ارزیابی میزان توافق و سازگاری، بررسی اجماع نظر مصاحبه‌شوندگان و خبرگان و اعتبار‌یابی مدل از آزمون همبستگی کندال استفاده شد. در آزمون همبستگی کندال آزمودنی i رتبۀ را دارد که اندیس j نشانۀ شمارۀ داور است. در پژوهش حاضر n آزمودنی و m داور در مجموعه‌داده‌ها وجود دارد که مجموع همۀ رتبه‌ها برای آزمودنی i ام را نامیده و به‌صورت زیر محاسبه شده است.

میانگین رتبه‌ها برای همۀ مشاهده‌ها نیز بر طبق فرمول زیر حاصل می‌شود.

برای رسیدن به آمارۀ کندال W مجموع مربعات اختلاف رتبه‌ها نسبت به میانگین محاسبه و سپس مطابق با رابطۀ زیر S  نامیده شده است.

به ‌این ‌ترتیب، آمارۀ آزمون کندال W به‌صورت زیر تعریف و محاسبه خواهد شد.

واضح است که اگر همۀ داورها تیمارها را یکسان رتبه‌بندی کرده باشند، W برابر با ۱ و درصورتی‌ که به‌طور کامل تناقضی در نتایج آرای آنها وجود داشته باشد،W  صفر خواهد شد.

4-3. روایی و پایایی پژوهش (بخش کیفی)

در پژوهش‌های کیفی برای انجام‌دادن روایی و پایایی پژوهش، معیارهای مختلفی به‌عنوان شاخص مطرح ‌شده است؛ ولی با‌توجه به اینکه نظریۀ زمینه‌ای یک فرآیند رفت‌و‌برگشتی است، روایی داده‌ها هنگام فرآیند کدگذاری، تحلیل و هنگام انجام مصاحبه بر آن تأکید می‌شود؛ بنابراین ابزار روایی شامل همین فرآیند رفت‌وبرگشتی می‌شود که بهترین قضاوت‌کنندگان برای روایی اطلاعات و داده‌ها و تأکید مفاهیم و مقوله‌ها در حین انجام‌دادن مصاحبه، مصاحبه‌شوندگان هستند. در پژوهش حاضر نیز با تجزیه‌وتحلیل تک‌تک مصاحبه‌ها و فرآیند رفت‌و‌برگشتی قبل از اینکه مصاحبۀ بعدی انجام گیرد، کنترل و اصلاح داده‌ها مهم‌ترین و ارزشمندترین ملاک در تعیین روایی داده‌ها و اطلاعات است. سرانجام، مدل به‌دست‌آمده با‌توجه به دو شاخص کاربرد و تناسب‌داشتن که در پژوهش داده‌بنیاد برای سنجش اعتبار استفاده می‌شود، در پژوهش حاضر ارزیابی شد.

در پژوهش حاضر برای سنجش پایایی از روش پایایی باز آزمون استفاده شد که میزان تطابق و سازگاری طبقه‌بندی اطلاعات در طی زمان است. از این شاخص زمانی استفاده می‌شود که کدگذار اقدام به کدگذاری یک متن در دورۀ زمان‌های متفاوت می‌کند؛ بدین نحو که از میان مصاحبه‌های انجام‌شده، مصاحبه‌هایی برای نمونه انتخاب‌ می‌شود و در فواصل زمانی 30 روزه دوباره کدگذاری انجام می‌گیرد. بدین ترتیب، پایایی بر‌روی هریک از مصاحبه‌ها از میان توافق فراوان میان کدگذاری‌ها در دو زمان متفاوت به دست آمد.

4-4. روایی و پایایی پژوهش (بخش کمّی)

در این پژوهش پرسشنامه‌ای به شکل محقق‌ساخته و بر‌اساس عوامل شناسایی‌شده تهیه و در سنجش اعتبار آن از مفاهیم روایی و پایایی استفاده شد. برای سنجش روایی ابتدا پرسشنامه در اختیار 6 نفر از مدیران و خبرگان حوزۀ بازاریابی دیجیتال قرار داده شد. پس از اعمال نظر‌ها و دیدگاه‌های این خبرگان و انجام‌دادن اصلاحیه‌های لازم از 50 سؤال پرسشنامۀ اولیه، تعداد 46 سؤال پذیرفته شد. در سنجش پایایی پرسشنامه از نرم‌افزار spss و آزمون آلفای کرونباخ استفاده شد. شاخص تأیید پایایی پرسشنامه کسب مقدار بیش از 7/0 برای آلفای کرونباخ بود. تمامی پرسش‌ها مقدار‌های بیش از 7/0 را داشتند؛ درنتیجه هیچ‌کدام از پرسش‌ها حذف نشد. پرسشنامه‌ها پس از تأیید روایی و پایایی به‌طور هدفمند در اختیار 35 نفر از خبرگان قرار گرفت و سرانجام، 31 پرسشنامه جمع‌آوری‌ و تجزیه‌و‌تحلیل شد.

4-5. یافته‌های کیفی

در این پژوهش با استفاده از راهبرد پژوهشی نظریۀ داده‌بنیاد، الگوی پیاده‌سازی بازاریابی دیجیتالB2B  تدوین ‌شده است.

4-5-1. کدگذاری باز

کدگذاری باز فرآیند تحلیلی است که با آن کدها، مفاهیم و مقوله‌ها شناسایی و ویژگی‌ها و ابعاد آنها در داده‌ها کشف می‌شود. کدگذاری باز شامل سه‌ گام است. برای بررسی عمیق منابع و اطلاعات پژوهش در گام نخست، کدهای اولیه شناسایی می‌شود. این کدها در مراحل آتی پس از تحلیل ابتدا در قالب مفاهیم دسته‌بندی می‌شود و سپس مفاهیم نیز در قالب مقوله‌ها طبقه‌بندی خواهد شد.

جدول 2: نمونۀ کدگذاری باز

Table 2: Example of open coding

منبع: یافته‌های پژوهش

4-5-2. کدگذاری محوری

پس از مراحل کدگذاری باز داده‌ها، تشخیص ویژگی و ابعاد مقوله‌های فرعی مقوله‌ها در چارچوب کدگذاری محوری طبقه‌بندی می‌شود. در پژوهش حاضر پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه به‌عنوان مقولۀ محوری شناسایی شد. در بیشتر مصاحبه‌ها افراد به‌طور مستقیم یا غیرمستقیم به موارد مرتبط با پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه اشاره کردند. در این مرحله، هدف ما تشخیص و ایجاد ارتباط میان طبقه‌بندی‌های حاصل از کدگذاری باز است که بر‌مبنای الگوی پارادایم صورت می‌گیرد که این کار در انجام‌دادن فرآیند نظریه‌پردازی کمک‌کننده است.

4-5-3. کدگذاری گزینشی

در مرحلۀ سوم تحلیل داده‌های کیفی، مقوله‌ها با استفاده از کدگذاری گزینشی، بهبود یافت و در قالب نظریه‌ای منسجم یکپارچه شد. همچنین، در این مرحله، مقوله‌ها و مفاهیمی که به بهبود و بازنگری احتیاج داشتند، اصلاح شدند. موارد ذکرشدۀ زیر دلایل تشخیص و انتخاب مقوله‌های محوری الگوی طراحی است.

4-5-4. شرایط علّی

در خلال گردآوری داده‌ها برای شناسایی مقولۀ محوری پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه عوامل گوناگون تأثیرگذار بر پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه نیز شناسایی شد. در این بُعد از الگو وقایع و عواملی بیان می‌شود که منجر به توسعۀ پدیده‌محوری می‌شود.

جدول 3: کدهای استخراج‌شده و مفاهیم علّی پژوهش

Table 3: Extracted codes and causal concepts of the research

منبع: یافته‌های پژوهش

4-5-5. مقوله‌های راهبردی

راهبردها، طرح یا کنش‌هایی است که سیاست‌گذاران یا متولیان و مجریان برای پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه به کار می‌بندند. منظور از اقدام‌ها در این پژوهش راه‌حل‌هایی است که برای اجرای بازاریابی دیجیتال بنگاه به بنگاه باید اجرایی شود. جدول 4 گویای نحوۀ انتخاب راهبردها در مدل پژوهش است.

جدول 4: کدهای استخراج‌شده و راهبردهای پژوهش

Table 4: Extracted codes and research strategies

منبع: یافته‌های پژوهش

4-5-6. عوامل زمینه‌ای (بستر حاکم)

شرایط زمینه‌ای عواملی هستند که زیر کنترل سازمان‌ها نیستند؛ ولی آگاهی از آنها می‌تواند باعث پاسخ و واکنش مناسب سازمان شود. جدول 5 گویای انتخاب این مقوله‌ها در مدل پژوهش است.

جدول 5: کدهای استخراج‌شده و مفاهیم زمینه‌ای پژوهش

Table 5: Extracted codes and relevant concepts of the research

منبع: یافته‌های پژوهش

4-5-7. عوامل مداخله‌گر

شرایط مداخله‌گر شرایط عمومی هستند که بر نحوۀ تأثیرگذاری راهبردها اثر می‌گذارند و آنها را درزمینۀ خاصی سهولت، تخفیف و یا به نحوی تغییر می‌دهند. آنها تسهیلگر یا محدودکنندۀ راهبردهایی هستند که درون یک زمینۀ خاص قرار دارند. جدول 6 گویای انتخاب این مقوله‌ها در مدل پژوهش است.

جدول 6: کدهای استخراج‌شده و مقوله‌های مداخله‌گر پژوهش

Table 6: Extracted codes and intervening research categories

منبع: یافته‌های پژوهش

4-5-8. مقوله‌محوری

پدیدۀ مدنظر باید محوریت داشته باشد؛ یعنی همۀ مقوله‌های اصلی دیگر بتوانند به آن ربط داده و با تکرار در داده‌ها ظاهر شوند؛ به این معنا که در همه یا به‌طور تقربی، همۀ موارد نشانه‌هایی وجود دارد که به آن مفهوم مد‌نظر اشاره می‌‌شود. پدیده‌محوری به ایده یا پدیدهای اطلاق می‌شود که اساس و محور فرآیندی است که تمام مقوله‌های اصلی دیگر به آن ربط داده می‌شود.

جدول 7: مقوله‌محوری و کدهای استخراج‌شده

Table 7: Core category and extracted codes

منبع: یافته‌های پژوهش

4-5-9. پیامدها

استفاده از راهبردها نتایجی در‌پی دارد. تأثیر مقوله‌های زمینه‌ای، عوامل مداخله‌گر و به‌کارگیری راهبرد بر پیاده‌سازی بازاریابی دیجیتال می‌تواند منجر به چابک‌سازی، پیامدهای سازمانی، شناسایی الگوهای اساسی رفتار خرید مشتری، همکاری مصرف‌کننده در تولید محصول جدید، ایجاد اعتماد در سیستم‌عامل‌های دیجیتال شود. جدول 8 گویای پیامدهای پژوهش است.

جدول 8: کدهای استخراج‌شده و پیامدهای پژوهش

Table 8: Extracted codes and results of the research

منبع: یافته‌های پژوهش

4-6. یافته‌های کمی

4-6-1. اعتبار‌سنجی مدل

در پژوهش حاضر برای تأیید مدل تدوین‌شده از آزمون همبستگی کندال بهره گرفته شد؛ از این‌ رو برای اعتبارسنجی مدل در بخش کیفی از خبرگان و متخصصانی که به روش نمونه‌گیری هدفمند انتخاب ‌شده بودند، نظر‌خواهی شد. پس از تعیین اعضای نمونه بر‌اساس تحلیل مصاحبه‌ها و مدل پیشـنهادی، پرسشنامه‌ای تهیه و تدوین‌ و در اختیـار 35 نفر از خبرگان و متخصصان قرار داده شد. بعد از جمع‌آوری پرسشنامه‌ها و ارزیابی نتایج و تحلیل دیدگاه متخصصان، در دور دوم دوبـاره تمـامی عوامل به همراه میـانگین نظـر اعضـا در دور اول و نظـر پیشـین همـان عضـو در اختیـار تمـامی صاحب‌نظران و متخصصان پانل قرار گرفت و در دور سوم نیز همین فرآیند بـا در نظـر گـرفتن نتـایج دور دوم تکـرار شـد. در آزمـون همبستگی کندال برای تعیین میزان اتفاق ‌نظر میان پاسخ‌دهندگان از ضریب هماهنگی استفاده شد. ایـن ضـریب نشان‌دهندۀ این است خبرگانی که چند مقوله را بر‌اساس اهمیت آنها مرتب کرده‌اند، به‌طور اساسی، شاخص‌های یکسانی را بـرای قضاوت دربارۀ هر‌یک از مقوله‌های مهم به ‌کاربرده‌اند و از این لحاظ با یکدیگر موافق هستند. اگر هماهنگی خبرگان برابر با یک باشد، یعنی اجماع خبرگان زیاد و اتفاق نظر دربارۀ مقوله‌ها کامل است و برعکس. یافته‌های حاصـل از اجـرای همبستگی کندال در هر سه دور در جدول 9 نشان داده ‌شده است.

جدول 9: نتایج شاخص اجماع دوره‌های سه‌گانۀ آزمون همبستگی کندال

Table 9: The results of the consensus index of the three courses of the Kendall correlation test

منبع: یافته‌های پژوهش

با‌توجه به جدول 9 و اجماع نظر مناسب متخصصان دربارۀ عناصر و مدل تدوین‌شده می‌توان گفت که الگوی تدوین‌شده اعتبار لازم را دارد.

4-7. الگوی پیاده‌سازی بازاریابی دیجیتال B2B با استفاده از CRM مبتنی بر هوش مصنوعی

پس از طی مراحل تعیین مقوله‌محوری (پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه) و برقراری ارتباط با سایر مقوله‌ها بر‌اساس پارادایم سیستماتیک گراندد تئوری در این مرحله دست به پرورش مدل طراحی‌شده و نهایی سازی آن زده شد. مدل نهایی نمایانگر روش‌هایی است که کاربرد آنها موجب افزایش رغبت مدیران برای تلاش در راستای پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه می‌شود. این الگو حاصل بررسی، تحلیل و تفسیر مصاحبه‌ها با متخصصان و خبرگان در بستر نظریۀ گراندد تئوری است که در شکل 1 مشاهده می‌شود.

شکل 1: مدل سیستماتیک منتج‌شده از نظریۀ داده‌بنیاد (منبع: یافته‌های پژوهش)

Figure 1: The systematic model resulting from the Grounded theory

5. نتیجه‌گیری

تجزیه‌وتحلیل نظر‌ها و دیدگاه‌های شرکت‌کنندگان در پژوهش دربارۀ موضوع پیاده‌سازی بازاریابی دیجیتال بنگاه به بنگاه با تأکید بر مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی منجر به ارائۀ یک مدل کیفی شد که عوامل آن در زیر بررسی شده است. یافته‌های پژوهش حاضر با پژوهش‌های جاوید و همکاران (1402) با عنوان «سنجش کیفیت مدیریت ارتباط با مشتری برای توسعۀ استراتژی‌های بازاریابی دیجیتال در بانک شهر»، روستلکارو و همکاران با عنوان «پیاده‌سازی مدیریت ارتباط با مشتری بر‌اساس هوش مصنوعی در برنامۀ بازاریابی»، رابی و همکاران با عنوان «هوش مصنوعی در بازاریابی دیجیتال بر رفتار مصرف‌کننده تأثیر می‌گذارد»، میکالف و همکاران با عنوان «هوش مصنوعی به‌عنوان توانمند‌کنندۀ بازاریابی بنگاه به بنگاه» همگرا بود (Rusthollkarhu et al., 2021; Rabby et al., 2021; Mikalef et al., 2021).

5-1. مقوله‌های علّی: همان‌طور که در نتایج بیان شد، عوامل علّی شامل 9 مقوله بود: عوامل مدیریتی، فناوری ارتباطات و اطلاعات، عوامل مرتبط با بازاریابی دیجیتال، راهبردهای شرکت، اقدام‌های فناورانه، اقدام‌های در ارتباط با مشتری، آمادگی اکوسیستم نوآوری، تحول دیجیتال، پذیرش دیجیتال.

نتایج پژوهش نشان داد که عوامل مدیریتی در شرکت‌های صنعتی می‌تواند بر پیاده‌سازی بازاریابی دیجیتال تأثیرگذار باشد. ازجملۀ این عوامل دانش و تخصص مدیر دربارۀ علوم به‌روز بازاریابی، اعتقاد مدیر به مشتری‌مداری، خوش‌فکری و خطر‌پذیری، خلاقیت، اطمینان مدیریت از وجود منابع انسانی متخصص، منابع مالی و زمانی برای بازاریابی الکترونیکی، تمایل مشتاقانۀ مدیریت به استفاده از فناوری‌های موجود و به‌روز، استفاده و داشتن تجربه‌های موفق و مرتبط در این حوزه و اطمینان از قصد و تصمیم‌گیری مدیریت برای سرمایه‌گذاری در راستای توسعۀ بازاریابی دیجیتال است که می‌توان آنها را از عوامل بسیار مهم در‌حوزۀ مدیریت دانست. راهبردهای شرکت ازنظر مشتری‌مداربودن، داشتن چشم‌اندازهای روشن برای بازاریابی دیجیتال و استفاده از فناوری‌های ارتباطات و اطلاعات برای توسعه در این حوزه بسیار اهمیت دارد.

پیشرفت شتابان فناوری اطلاعات و ارتباطات و وجود اینترنت پرسرعت باعث شده است که ضریب تأثیر اینترنت در بیشتر کشورهای دنیا افزایش پیدا کند. این ضریب نشان‌دهندۀ تعداد افرادی است که در کشور یا منطقۀ مددنظر از اینترنت استفاده می‌کنند. این موضوع باعث شده است که بازاریابان شرکت‌ها بتوانند با تعداد بیشتری از مصرف‌کنندگان ارتباط و تعامل داشته باشند. بداعت، نوآوری و نوظهور‌بودن بازاریابی دیجیتال، دشواری کنترل و نظارت محتوا بدون دخالت مشتری و کیفیت و جذابیت سایت‌های شرکت‌ها به‌عنوان وسیله‌ای برای تبلیغات در فضای مجازی می‌تواند از عوامل تأثیرگذار پیاده‌سازی بازاریابی دیجیتال باشد.

اگرچه می‌توان توانایی‌های بازاریابی دیجیتال شرکت را با یکی از کانال‌های پذیرش بازاریابی دیجیتال، تحول دیجیتال یا آمادگی اکوسیستم نوآوری به دست آورد، بازاریابی دیجیتال چیزی فراتر از پذیرش فناوری است (Schryen, 2013). همچنین، به‌عنوان راهبردهایی برای ادغام فناوری در فرآیندهای تجاری است. تحول دیجیتال محرک اصلی افزایش قابلیت‌های بازاریابی دیجیتال است. شرکت‌ها می‌توانند نقش نوآوری مدیریتی، آمادگی سازمانی و سودمندی درک‌شده را برای بهبود آمادگی اکوسیستم نوآوری خود افزایش دهند. علاوه بر این، کسب‌وکارها باید برای انجام‌دادن تحول دیجیتال بر تغییر و مهندسی مجدد مدل‌های کسب‌وکار جدید حاکم باشند. درنهایت، شرکت علاوه‌بر پیاده‌سازی بازاریابی دیجیتال با وب‌سایت‌ها، رسانه‌های اجتماعی، بازاریابی موبایلی و بازاریابی محتوا باید بر اهمیت تجزیه‌وتحلیل دیجیتال، مدیریت ارتباط با مشتری دیجیتال، تبلیغات دیجیتال و تبلیغات نمایشی تأکید کند.

5-2. مقوله‌های زمینه‌ای و مداخله‌گر: باتوجه مطابق با یافته‌های پژوهش مؤلفه‌های عوامل فرهنگی و اجتماعی، عوامل قانونی و حقوقی، بازاریابی دهان‌به‌دهان الکترونیکی، زیرساخت و قابلیت دیجیتال، مشتری‌مداری، منابع انسانی و مدیریت استراتژیک ازجمله عوامل محیطی و بستر حاکم است که در توسعۀ استراتژی‌های بازاریابی دیجیتال بنگاه به بنگاه اهمیت دارند؛ بنابراین پیشنهاد می‌‌شود برای توسعۀ مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی به تمام فاکتورهای مؤثر توجه شود و تمرکز فقط بر مشتری نباشد. بدین‌ صورت که باید یکپارچگی بین تمام عوامل بهینه‌سازی مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی در بازاریابی دیجیتال برقرار باشد تا چشم‌انداز طولانی‌مدت برای توسعۀ سیستم مهیا شود.

5-3. مقولۀ راهبردی: انواع اصلی مدیریت ارتباط با مشتری را می‌توان با‌توجه به نحوۀ اجرای آنها در شرکت‌ها به کاربست. به ‌این‌ ترتیب، انواع مدیریت ارتباط با مشتری (تحلیلی، عملیاتی و مشارکتی) آن دسته از انواع سیستم‌های مدیریت ارتباط با مشتری است که برای شرکت‌های بزرگی که ظرفیت و نیاز به توسعۀ پلتفرم‌های مدیریتی ازجهت اطلاعات خود دارند، ایجاد و شخصی‌سازی‌ شده‌ است. هدف اصلی این استراتژی‌ها در تجارت بنگاه به بنگاه ایجاد یک قیف در انواع مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی است تا مشخص شود چگونه مشتریان آینده با استراتژی‌های سفارشی‌سازی و محتوایی که شرکت منتشر کرده است گام‌به‌گام با شرکت تعامل می‌کنند. بازاریابی دیجیتال بنگاه به بنگاه، هوش مصنوعی و استفاده از مدیریت ارتباط با مشتری در تجارت بنگاه به بنگاه هنوز به‌طور عمیق توسعه ‌نیافته است؛ زیرا هر سه استراتژی‌های بازاریابی پیشرفته‌ای است که باید ابتدا شرکت‌ها آنها را آزمایش کنند و سپس برای توسعۀ کسب‌و‌کارشان این سه استراتژی را بهینه‌سازی و در ادامه، ارزشی را که برای کسب‌وکار به ارمغان می‌آورد، به‌درستی استخراج کنند. بدین ترتیب، هوش مصنوعی به‌مرور زمان نتایج را ازنظر سودآوری، اثربخشی، کارایی و عملکرد بهبود می‌بخشد (Harrigan et al., 2020). انواع سیستم مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی با جمع‌آوری داده‌ها و پیش‌بینی فروش، تجارت و مقیاس‌پذیری و سودآوری حساب‌های بازاریابی را افزایش داده و عملکرد تجارت را در‌سطح جهانی بهبود بخشیده است (Deb et al., 2018).

بازاریابی دیجیتال به یک عنصر کلیدی در توسعۀ استراتژی‌های تجارت بنگاه به بنگاه تبدیل ‌شده است (Saura, 2021). به‌ این ‌ترتیب، آژانس‌های ارتباطی، بازاریابی و شرکت‌هایی که ازسیستم مدیریت ارتباط با مشتری استفاده می‌کنند، می‌توانند از این پژوهش ازجهت درک، تجزیه‌وتحلیل و کشف کاربردها و مزایای احتمالی استفاده از مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی برای استراتژی‌هایشان استفاده کنند. به‌طور مشابه، مدیران اجرایی شرکت‌هایی که در بخش سنتی بنگاه به بنگاه فعالیت می‌کنند، می‌توانند عملکرد بازاریابی دیجیتال بنگاه به بنگاه را درک و تأثیر فراوانی را که استراتژی‌های هوش مصنوعی می‌توانند بر اکوسیستم‌های کسب‌وکارشان بگذارند، اندازه‌گیری کنند. علاوه بر این، استفاده‌ها، تکنیک‌ها و جهت‌گیری‌های پیشنهادی در این مطالعه می‌تواند به شرکت‌ها در بهبود تصمیم‌گیری در این زمینه کمک کند. شرکت‌ها می‌توانند با استفاده از یافته‌های اکتشافی از انواع اقدام‌هایی ایده بگیرند که می‌توانند در این زمینه انجام دهند. درنهایت، طبقه‌بندی عملکردها و گونه‌شناسی‌های مدیریت ارتباط با مشتری بر‌اساس نوع بازاریابی بنگاه به بنگاه استفاده‌شده می‌تواند شرکت‌ها را برای پیاده‌سازی چنین استراتژی‌هایی در کسب‌وکار خود حمایت کند.

اجرای استراتژی‌های بازاریابی دیجیتالی بنگاه به بنگاه با استفاده از مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی می‌تواند به مدیران شرکت‌ها با پیش‌بینی رفتار خرید مشتری، تخمین ارزش طول عمر مشتری، برنامه‌ریزی مدل‌های تصمیم‌گیری، به نهایت رساندن سود و سایر اقدام‌های قابل ‌اندازه‌گیری مانند به حداقل رساندن سرمایه‌گذاری موجودی و ظرفیت ذخیره‌سازی، استفاده از تکنیک‌های داده‌کاوی، فعّال‌کردن فعالیت‌های بازاریابی مبتنی بر داده، توسعۀ سیستم‌های هوشمند حمایت‌کننده از استراتژی‌های بازاریابی، فرآیند منطقی برای تحلیل استراتژیک، ارزیابی گروه پشتیبانی عوامل استراتژیک بازاریابی، کمک به مدیران برای مقابله با ابهام، مشاورۀ هوشمندانه دربارۀ تنظیم استراتژی بازاریابی، ایجاد یک سیستم ترکیبی برای تصمیم‌گیری بازاریابی بین‌المللی، ایجاد سیستمی برای کمک به برنامه‌ریزی تولید، شبیه‌سازی مدلی برای توسعۀ فرآیند تصمیم‌گیری، کمک به درک و تجزیه‌وتحلیل بازار به آموختن تجربه‌ها در راستای بهبود عملکرد کمک کند.

5-4. پیامدها: هوش مصنوعی به‌احتمال، یکی از مهم‌ترین ابزارهای بازاریابی دیجیتال برای کسب‌وکارها ازجهت بهبود مستمر ظرفیت مشتری استGrover et al, 2020)). فناوری‌های مختلف بازاریابی دیجیتال (واقعیت‌های مجازی افزوده، تصویربرداری مبتنی بر دید و مدیریت موجودی پیش‌بینی‌کننده) به‌طور گسترده با هوش مصنوعی در کسب‌وکارهای آنلاین مرتبط است. درک کامل تجربه‌ها و ترجیحات مشتری برای بهبود عملکرد بازایابی شرکت‌ها ضروری است. هوش مصنوعی با سرعت‌بخشیدن به این درک می‌تواند به شرکت‌ها کمک کند؛ زیرا دستگاه‌های هوش مصنوعی از اطلاعات و نمایه‌های مشتری برای توصیۀ ارتباطات مشتری در محیط بازاریابی دیجیتال استفاده می‌کنند. هوش مصنوعی می‌تواند الگوهای اساسی را در رفتار خرید مشتری بر‌اساس محصولات خریداری‌شده شناسایی کند. همچنین، می‌تواند توصیه‌های محصول آگاهانه‌تری را به مشتریان ارائه دهد و از این طریق آنها را به خرید نهایی تشویق کند.

تجزیه‌وتحلیل کیفیت خدمات و کارایی عملیاتی نتیجۀ ارتباط بین تصور خدمات دریافت‌شده و انتظارات قبلی دربارۀ آنچه هوش مصنوعی می‌تواند ارائه دهد، است. تفاوت چشمگیری که بین کیفیت خدمات و کارایی عملیاتی در خدمات مبتنی بر هوش مصنوعی و خدمات اجتماعی وجود دارد، به‌احتمال، به این دلیل است که خدمات فعّال‌شده باهوش مصنوعی اغلب بر‌اساس پیشرفت‌های خود‌مدیریتی ساخته می‌شود. تجربۀ مشتری مبتنی بر هوش مصنوعی سفر پویای مشتری را شکل می‌دهد که با افزودن خدمات انجام‌شده با رایانه‌ها یا ماشین‌ها و نیز با ارزیابی‌های کیفیت رضایت‌بخش‌تر خواهد شد.

در بازاریابی دیجیتال، اعتماد و مسئولیت‌پذیری نقش مهمی در ارتباط شرکت با مشتریان دارد. با گذشت زمان، این فرضیه بر طیف وسیعی از تنظیمات ازجمله بازاریابی دیجیتال، جست‌وجو در سایت‌ها، اتصالات کامل در شبکه‌های آنلاین، صفحات طرفداران با رسانه‌های مبتنی بر وب و انجام‌دادن تحویل آنلاین متمرکز شده است (Bag et al., 2021). اعتماد سهم اساسی در دستیابی به مدیریت‌های کنترل‌شده ازسوی ماشین داشته است؛ زیرا ارتباط بین مردم و روبات‌سازی را به تصویر می‌کشد. امنیت به‌دلیل اینکه خریداران قصد دارند حریم خصوصی خود را حفظ کنند، جزء ضروری اعتماد است. علاوه بر این، پژوهش‌های قبلی نشان داده است که اطمینان می‌تواند روابط بین اجزای مختلف را در‌زمینۀ استفاده از هوش مصنوعی تغییر دهد؛ برای ‌مثال، کیفیت و سازگاری را تسهیل کند؛ بنابراین هوش مصنوعی ابزاری برای بهبود آیندۀ بازاریابی دیجیتال است که به ایجاد اعتماد و تجربه‌های شخصی مشتری کمک می‌کند. درنهایت، می‌توان گفت که اتوماسیون بازاریابی دیجیتال پویاتر از همیشه است و اطلاعات جمع‌آوری‌شده با هوش مصنوعی برای تجزیه‌وتحلیل رفتار خریدار نتایج بسیار پیش‌بینی‌شده‌ای را دارد. مشارکت هوش مصنوعی به کسب‌وکارها کمک می‌کند تا مشتریان هدف خود را در پلتفرم‌های بازاریابی دیجیتال شناسایی کنند، نیازها و ترجیحات مشتریان خود را درک کنند و شفافیت را افزایش دهند. ابزارهای هوش مصنوعی در پلتفرم‌های بازاریابی دیجیتال باعث می‌شوند چت زنده با ربات‌های چت ادغام شود. همچنین، با پاسخ سریع به پرسش‌ها در یک رابط کاربری آسان، مشتریان را درگیر می‌کند. با استفاده از فناوری‌های هوش مصنوعی در بازاریابی دیجیتال به همراه داده‌هایی که انسان تولید می‌کند، شرکت‌ها می‌توانند به پلتفرم‌های دیجیتال اعتماد کنند و تجربه‌های مثبت و شخصی مشتری را افزایش دهند. به مدیران پیشنهاد می‌‌شود که برای افزایش سودآوری تجارت بنگاه به بنگاه، مواردی چون بهبود بهره‌وری، توسعۀ قابلیت‌های ارتباطی با مشتریان، کاهش هزینۀ عملیاتی، توسعۀ محصولات جدید، دسترسی سریع مشتریان به خدمات شرکت، افزایش داده‌ها، افزایش نقاط تماس با مشتری، شخصی‌سازی، کاهش محدودیت زمانی و مکانی، پاسخگویی سریع‌تر، کاهش هزینۀ تبلیغات در راستای چابک‌سازی سازمانی و قابلیت‌های بازاریابی دیجیتال شرکت را با استفاده از فناوری‌هایی مانند هوش مصنوعی توسعه دهند.

با‌توجه به استفاده از رویکرد نظری داده‌بنیاد پیشنهاد می‌شود که سایر پژوهشگران با استفاده از راهبردهای کمّی، فرضیه‌هایی را بر‌اساس مدل اکتشافی این پژوهش طراحی و آزمایش کنند تا اعتبار نهایی و تعمیم‌پذیری این یافته‌ها افزایش یابد.

با‌توجه به یافته‌های پژوهش پیشنهاد‌های زیر ارائه می‌شود.

• برای ارائۀ تجربه‌های بازاریابی شخصی، تجزیه‌وتحلیل داده‌ها و روند رفتار مصرف‌کننده از هوش مصنوعی استفاده کنید. الگوریتم‌های هوش مصنوعی برای سفارشی‌کردن محتوا و پیشنهاد‌ها براساس سلیقه‌های فردی می‌تواند مشتری را تقسیم‌بندی کند.
• برای مدیریت روابط با محیط، تقویت برنامه‌های بازاریابی و فروش، تحلیل اطلاعات داده‌های مشتریان احتمالی و ثبت موارد عملیاتی از سیستم مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی استفاده کنید.
• سیستم‌های مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی می‌توانند به ارزش کسب‌وکار بیفزایند و بازاریابی دیجیتال بنگاه به بنگاه را به یک استراتژی پایدار تبدیل کنند که این خود می‌تواند مراحلی را پیش‌بینی کنند که یک شرکت برای موفقیت در استراتژی‌های بازاریابی خود باید بردارد؛ بنابراین کاربرد و استفاده‌های جدید از مدیریت ارتباط با مشتری‌های مبتنی بر هوش مصنوعی برای شرکت‌ها در محیط بنگاه به بنگاه ضروری است.
• مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی با جمع‌آوری داده‌ها و پیش‌بینی فروش، تجارت و مقیاس‌پذیری، سودآوری حساب‌های بازاریابی را افزایش می‌دهد و عملکرد تجارت را در‌سطح جهانی نیز بهبود می‌بخشد.
• مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی که در محیط‌های بازاریابی دیجیتال کار می‌کنند، به تکنیک‌های متمرکز بر یادگیری ماشین و کلان داده توجه کرده‌اند. همچنین، مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی از استراتژی‌های بازاریابی مبتنی بر داده برای هدایت و جمع‌آوری داده‌های دانش مشتری و ارزیابی عملکرد فعالیت‌ها استفاده می‌کنند. به‌طور معمول، این فرآیندها به انواع مدیریت ارتباط با مشتری تحلیلی مرتبط است؛ بنابراین با استفاده از مدیریت ارتباط با مشتری مبتنی بر هوش مصنوعی تحلیلی فرآیندهای تصمیم‌گیری، درک رفتار و پاسخ‌های کاربر، استراتژی‌های نوآوری، پیش‌بینی فروش، درک استراتژی‌های شبکه‌های اجتماعی و مشتری‌مداری در محیط‌های دیجیتال را تسهیل کنید.