پیش بینی عوامل پذیرش بازاریابی تلفن همراه: رویکرد ترکیبی مدل سازی معادلات ساختاری و شبکه مصنوعی عصبی (SEM-ANN) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
هدف: تکامل دستگاه تلفن همراه، به طور قطع یکی از موفق ترین نوآوری های تاریخ محسوب می شود و انتشار گسترده و فراگیر بودن آن، از موفقیت این فناوری حکایت می کند. مدیران بازاریابی و کسب وکار، به طور فزاینده ای تلفن همراه را ابزاری جذاب می بینند؛ زیرا به کمک آن می توانند از طریق انواع مختلف ارتباطات بازاریابی با مشتریان تعامل داشته باشند. بازاریابی تلفن همراه، یک کانال ارتباطی و سرگرمی بین برند و مصرف کنندگان نهایی است که به عنوان جایگزینی برای رویکردهای بازاریابی کلاسیک و عنصر کلیدی بالقوه برای استراتژی های ارتباط بازاریابی یکپارچه آینده درک می شود. از سوی دیگر، پیشرفت سریع فناوری اطلاعات، به رشد انفجاری تولید داده منجر شده است. وجود پایگاه های عظیم از داده های مشتریان، امروزه مزیت فوق العاده برای کسب وکارها محسوب می شود؛ اما استفاده از روش های سنتی، توان پردازش این حجم از داده را ندارد. علم داده کاوی با فراهم کردن روش های خودکارسازی تحلیل و استخراج داده ها، راه حل مناسبی برای این مسئله است. هدف این پژوهش ارائه مدلی برای پیش بینی عوامل پذیرش بازاریابی تلفن همراه با استفاده از رویکرد ترکیبی مدل سازی معادلات ساختاری و شبکه عصبی مصنوعی است. رویکرد PLS-ANN یک روش تحلیلی جدید در سیستم های خبره و هوش مصنوعی است. این رویکرد، در مقایسه با رویکرد رگرسیون چندمتغیره موجود، چندین مزیت دارد که فقط می تواند مدل های خطی و جبرانی را آزمایش کند. روش: پرسش نامه ها به صورت آنلاین و به روش نمونه گیری در دسترس توزیع و ۲۱۹ نسخه جمع آوری شد. داده های توصیفی با استفاده از نرم افزار اس پی اس اس و فرضیه های پژوهش ابتدا با استفاده از مدل سازی معادلات ساختاری و روش حداقل مربعات جزئی (PLS-SEM) و در گام بعدی با استفاده از شبکه عصبی مصنوعی (ANN) و زبان برنامه نویسی پایتون بررسی شدند. یافته ها: نتایج این مطالعه بیان می کند که روابط پیشنهادی بین سازه ها، ضرایب معناداری را نشان می دهند؛ بنابراین مدل پژوهش به طور کلی قابل قبول است. براساس نتایج به دست آمده از مدل سازی معادلات ساختاری، تمام فرضیه های پژوهش، مبنی بر تأثیر مثبت متغیرهای نگرش، شخصی سازی ، نوآوری مصرف کننده، اعتبار و آگاهی بخشی بر پذیرش بازاریابی تلفن همراه تأیید شد و شبکه عصبی مصنوعی نیز توانست به خوبی و با دقت 96/0 مدل پژوهش را پیش بینی کند. نتیجه گیری: مزایای بازاریابی تلفن همراه، شامل در دسترس بودن در همه جا، سفارشی سازی بر اساس مشخصات مکانی زمانی و ویژگی های فردی کاربران است. بازاریابی تلفن همراه، نحوه تعامل بازاریابان با مشتریان خود را تغییر داده است. این روند فرصت های جدیدی را برای مشاغلی که در دسترسی به مصرف کنندگان به روش های سنتی مشکل دارند، شکل داده است. بنابراین، بررسی واکنش های مصرف کنندگان به ارتباطات بازاریابی با این فناوری های جدید، اجتناب ناپذیر است. نتایج پژوهش پیش رو، می تواند به مدیران بازاریابی کسب وکارها، به منظور تدوین استراتژی بازاریابی مناسب برای استفاده از ابزار تلفن همراه کمک کند.Predicting Mobile Marketing Acceptance Factors: A Hybrid Approach of Structural Equation Modeling and Artificial Neural Network (SEM-ANN)
Objective The evolution of the mobile phone is one of the most successful innovations in history, and its wide distribution and ubiquity indicate the success of this technology. Marketing and business managers increasingly see mobile as an attractive tool through which they can engage with customers through various types of marketing communications. Mobile marketing is a communication and entertainment channel between the brand and end consumers, which is understood as an alternative to classical marketing approaches and a potential key element for future integrated marketing communication strategies. In addition, the rapid development of information technology has led to the explosive growth of data production. Possessing vast databases of customer information offers a significant advantage for modern businesses. However, traditional analytical methods are inadequate for processing such large volumes of data. Data mining addresses this challenge by offering automated techniques for analyzing and extracting meaningful patterns from extensive datasets. This study aims to provide a model for predicting mobile marketing acceptance factors using the hybrid approach of structural equation modeling and artificial neural network (ANN). PLS-ANN approach is a new analytical method in expert systems and artificial intelligence. This approach has several advantages compared to the existing multivariate regression approach, which can only test linear and compensatory models. Methodology A total of 219 questionnaires were collected using the convenience sampling method. Descriptive statistics were analyzed with SPSS software. The research hypotheses were first examined using structural equation modeling with the partial least squares method (PLS-SEM), followed by analysis through artificial neural networks (ANN) using Python. Findings The proposed relationships between the constructs show significant coefficients; therefore, the research model is generally acceptable. Based on the results obtained from the structural equation modeling, all the hypotheses were confirmed (the positive impact of attitude, personalization, consumer innovativeness, credibility, and informativeness on the adoption of mobile marketing), and the artificial neural network was able to predict the research model well and with high accuracy ( = 0.96). Conclusion Mobile marketing offers several advantages, including ubiquitous accessibility and the ability to customize content based on time, location, and individual user characteristics. It has transformed the way marketers engage with their customers, creating new opportunities for businesses that face challenges in reaching consumers through traditional channels. Accordingly, investigating consumers' reactions to marketing communications with these new technologies is inevitable. The results of the upcoming research can be beneficial for business marketing managers to develop a suitable marketing strategy for using mobile devices.
تبلیغات
