پژوهش های نوین در مطالعات علوم انسانی اسلامی

پژوهش های نوین در مطالعات علوم انسانی اسلامی

ارزیابی کمی الگوی بازاریابی دیجیتال مبتنی بر هوش مصنوعی با تکیه بر معادلات ساختاری

نوع مقاله : مقاله پژوهشی

نویسندگان
سیدمهدی میراحمدی باباحیدری 1
سیدحسن حسینی 2
سعید لندران اصفهانی 1
1 گروه مدیریت، واحد مبارکه، دانشگاه آزاد اسلامی، اصفهان، ایران
2 گروه مدیریت، دانشگاه امام علی(ع)، تهران، ایران
10.22034/api.2026.2087245.1699
چکیده
هدف: پژوهش حاضر، ارزیابی کمی الگوی بازاریابی دیجیتال مبتنی بر هوش مصنوعی در صنعت فولاد با تکیه بر روش دلفی و مدل‌سازی معادلات ساختاری است.
روش پژوهش: از نظر هدف کاربردی و از نظر روش، توصیفی–پیمایشی با رویکرد آمیخته (کیفی–کمی) انجام شده است. در بخش کیفی، با استفاده از مصاحبه‌های عمیق و پنل دلفی متشکل از ۱۲ نفر از خبرگان صنعت فولاد، مؤلفه‌ها و شاخص‌های اولیه الگو استخراج و پالایش شد. در بخش کمی، داده‌ها از طریق پرسشنامه محقق‌ساخته و از میان ۱۵۲ نفر از کارکنان گردآوری شد.
یافته‌ها: حاکی است که عوامل علی با ضریب مسیر 865/۰ تأثیر معناداری بر شکل‌گیری بازاریابی دیجیتال مبتنی بر هوش مصنوعی دارند. همچنین، پدیده اصلی با ضریب ۵۵۷/۰ بر راهبردها اثرگذار بوده و عوامل زمینه‌ای و مداخله‌گر به ترتیب با ضرایب 496/۰ و ۵۱۲/۰ نقش تعیین‌کننده‌ای در موفقیت راهبردهای پیشنهادی ایفا می‌کنند. در نهایت، راهبردهای بازاریابی دیجیتال مبتنی بر هوش مصنوعی با ضریب 0/45 منجر به بهبود پیامدهایی نظیر افزایش دقت تصمیم‌گیری، کاهش هزینه‌های بازاریابی، افزایش فروش هدفمند و تقویت مزیت رقابتی شده‌اند.
نتیجه‌گیری: نشان می‌دهد که بازاریابی دیجیتال مبتنی بر هوش مصنوعی در صنعت فولاد، فراتر از یک ابزار فناورانه، به‌عنوان منطق نوین تصمیم‌سازی و ارزش‌آفرینی قابل تبیین است.
کلیدواژه‌ها
بازاریابی دیجیتال
هوش مصنوعی
معادلات ساختاری
شرکت های فعال در صنعت فولاد
موضوعات

عنوان مقاله English

Quantitative Evaluation of an Artificial Intelligence Based Digital Marketing Model Using Structural Equation Modeling

نویسندگان English

Seyed Mehdi Mirahmadi Babaheidari 1
Seyyed Hasan Hosseini 2
Saeid Landaran Isfahani 1
1 Department of Management, Mo. C., Islamic Azad University, Isfahan, Iran
2 Department of Management, Imam Ali (AS) University, Tehran, Iran
چکیده English

Objective: The present study aims to quantitatively evaluate an artificial intelligence‑based digital marketing model in the steel industry using the Delphi method and structural equation modeling.
Method: This research is applied in purpose and employs a descriptive‑survey method with a mixed (qualitative‑quantitative) approach. In the qualitative phase, in‑depth interviews and a Delphi panel consisting of 12 steel industry experts were used to extract and refine the initial components and indicators of the model. In the quantitative phase, data were collected using a researcher‑developed questionnaire from 152 employees.
Results: The findings indicate that causal factors have a significant effect on the formation of AI‑based digital marketing, with a path coefficient of 0.865. Furthermore, the core phenomenon influences strategies with a path coefficient of 0.557, while contextual and intervening factors play decisive roles in the success of the proposed strategies, with path coefficients of 0.496 and 0.512, respectively. Finally, AI‑based digital marketing strategies lead to improved outcomes such as increased decision‑making accuracy, reduced marketing costs, enhanced targeted sales, and strengthened competitive advantage, with a path coefficient of 0.45.
Conclusions: The conclusion shows that AI‑based digital marketing in the steel industry can be explained not merely as a technological tool but as a new logic for decision‑making and value creation.

کلیدواژه‌ها English

Digital Marketing
Artificial Intelligence
Structural Equation Modeling
Steel Industry Companies
دهقان، الهام و عباس خدادادی. (1396). تعیین نحوه سنجش میزان موفقیت بازاریابی صنعتی در حوزه انطباق محصولات با نیازهای بهره بردار در پروژه های نفتی، سومین کنفرانس ملی رویکردهای نوین در علوم مدیریت ، اقتصاد و حسابداری، بابل، موسسه علمی تحقیقاتی کومه علم آوران دانش.
روستا، علیرضا و داود یعقوبی. (1397). اثر شخصیت فروشنده بر عملکرد فروش در بازاریابی صنعتی بر اساس مدلDISC، دومین کنفرانس بین المللی تحولات نوین در مدیریت ، اقتصاد و حسابداری، تهران، موسسه آموزش عالی علامه خویی (ره) -شرکت بین المللی کوش.
ریایی، علی و محدثه معصومی. (1396). بررسی و شناسایی اصول قیمت گذاری مورد مطالعه محصولات صنعتی، اولین کنفرانس ملی رویکردهای نوین در علوم مدیریت،اقتصاد و حسابداری، ساری، شرکت سارینا پروژه رها دانش.
زربازو، مارشا. (1397). تحلیل و واکاوی رفتار خرید خریداران و مصرف کنندگان صنعتی، فصلنامه پژوهش های جدید در مدیریت و حسابداری، ۴(۱۲).
قاسمی، محمدرضا. (1397). بررسی رابطه میان ارزش برند صنعتی و عملکرد ارتباطی در بازارهای کسب و کار (مورد مطالعه: شرکت مهندسی توسعه ساختار سداد)، کنفرانس ملی الگوهای نوین در مدیریت و کسب و کار با رویکرد حمایت از کارآفرینان ملی، تهران، موسسه آموزش عالی نگاره.
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.
Casillas, J., & Martínez-López, F. J. (2009). Mining uncertain data with multiobjective genetic fuzzy systems to be applied in consumer behaviour modelling. Expert Systems with Applications, 36(2, part 1), 1645–1659.
Chan, S. L., & Ip, W. H. (2011). A dynamic decision support system to predict the value of customer for new product development. Decision Support Systems, 52, 178–188.
Dehghan, E., & Khodadadi, A. (2017). Determining how to measure the success of industrial marketing in the field of product adaptation to user needs in oil projects. In Third National Conference on New Approaches in Management Sciences, Economics and Accounting. Babol, Iran: Koomeh Elamavaran Danesh Scientific-Research Institute.
Farajpour, R. (2025). Legal and Comparative Analysis of Civil Liability of Artificial Intelligence in Automated Decision-Making. AI and Tech in Behavioral and Social Sciences, 3(3), 1-9. https://doi.org/10.61838/kman.aitech.3.3.4
Farajpour,Reza . (2026). The role of civil liability in artificial intelligence laws from the perspective of major global legal system, Journal of Law and Political Studies, 5 (1),182-196. https://doi.org/10.48309/jlps.2025.518711.1353
Ghasemi, M. R. (2018). Investigating the relationship between industrial brand value and communication performance in business markets (Case study: Sadad Structure Development Engineering Company). In National Conference on New Patterns in Management and Business with a Focus on Supporting National Entrepreneurs. Tehran, Iran: Negareh Higher Education Institute.
Johnsen, T. E. (2018). Purchasing and supply management in an industrial marketing perspective. Industrial Marketing Management, 69, 91-97.
Lin, P.-C., Wang, J., & Chin, S.-S. (2009). Dynamic optimization of price, warranty length and production rate. International Journal of Systems Science, 40, 411–420.
Martínez-López, F. J., & Casillas, J. (2013). Artificial intelligence-based systems applied in industrial marketing: An historical overview, current and future insights. Industrial Marketing Management, 42(4), 489-495.
Martínez-López, F. J., & Casillas, J. (2017). Artificial intelligence-based systems applied in industrial marketing: An historical overview, current and future insights. Industrial Marketing Management, 42(4), 489-495.
Riaei, A., & Masoumi, M. (2017). Investigating and identifying pricing principles in industrial products (Case study). In First National Conference on New Approaches in Management Sciences, Economics and Accounting. Sari, Iran: Sarina Projeh Raha Danesh Company.
Rousta, A., & Yaghoubi, D. (2018). The effect of salesperson personality on sales performance in industrial marketing based on the DISC model. In Second International Conference on New Developments in Management, Economics and Accounting. Tehran, Iran: Allameh Khoyi Higher Education Institute – Koush International Company.
Ruiz, C. A. D., & Kowalkowski, C. (2014). Market representations in industrial marketing: Could representations influence strategy? Industrial Marketing Management, 43(6), 1026-1034.
Saura, J. R., Palos-Sanchez, P. R., & Correia, M. B. (2019). Digital marketing strategies based on the e-business model: Literature review and future directions. In Organizational Transformation and Managing Innovation in the Fourth Industrial Revolution (pp. 86-103). IGI Global.
Umamaheswari, D. D. (2024). Role of Artificial Intelligence in Marketing Strategies and Performance. Migration Letters, 21(S4), 1589-1599.
Zarbazo, M. (2018). Analysis and investigation of buying behavior of industrial buyers and consumers. Quarterly Journal of New Research in Management and Accounting, 4(12).