Table of Contents
فناوری های تحول آفرین مانند اینترنت اشیا، تحلیل داده های بزرگ، بلاکچین و هوش مصنوعی شیوه عملیات کسب و کارها را تغییر داده اند. از بین تمام فناوری های تحول آفرین، هوش مصنوعی جدیدترین فناوری تحول آفرین است و پتانسیل زیادی در متحول سازی بازاریابی دارد. متخصصین در سرتاسر جهان تلاش می کنند تا آن دسته از راه حل هایی هوش مصنوعی را پیدا کنند که بهترین تناسب و هماهنگی را با نقش های بازاریابی خود دارند.
با این حال، مرور نظام مند پیشینه تحقیقاتی می تواند اهمیت هوش مصنوعی را در بازاریابی نشان داده و مسیرهای تحقیقاتی آتی را نشان دهد. مطالعه حاضر به دنبال پیشنهاد مرور جامع هوش مصنوعی در بازاریابی با استفاده از تحلیل شبکه کتاب سنجی، مفهومی و عقلانی پیشینه تحقیقاتی موجود منتشر شده بین سال های ۱۹۸۲ تا ۲۰۲۰ می باشد.
مرور جامع ۱۵۸۰ مقاله به شناسایی عملکرد کنشگران علمی مانند مناسب ترین نویسندگان و مناسب ترین منابع کمک کرد. علاوه و هم رخدادی بر این، تحلیل استناد مشترک، شبکه مفهومی و عقلانی را پیشنهاد کرد. خوشه بندی داده ها با استفاده از الگوریتم لووین، به شناسایی مضامین فرعی پژوهش و مسیرهای تحقیقاتی آتی به منظور بسط و توسعه هوش مصنوعی در بازاریابی کمک کرد.
نقش هوش مصنوعی در بازاریابی و کسب وکار
فناوری های تحول آفرین مانند هوش مصنوعی، اینترنت اشیا، تحلیل داده های بزرگ، راه حل های دیجیتال را برای جذب و حفظ پایگاه مشتری پیشنهاد کرده اند. فناوری های نوظهور، مزیت رقابتی را ارائه می کنند و این کار را با تسهیل ارائه ی محصول و خدمات پیشنهادی به مشتریان انجام میدهند. در سناریوی کسب و کار فعلی، رقابت تنگاتنگ و فناوری های تحول آفرین، نحوه فعالیت سازمان ها را تغییر داده اند. رویکرد مشتری محور جهانی که بر نیازهای مشتری تمرکز می کند، نقشی حیاتی در رشد سازمانی ایفا می کند.
هوش مصنوعی یک فناوری نوظهور رایج است که به سازمان ها کمک می کند تا داده ها را برای تحلیل و پاسخ سریع به نیازهای مشتری در زمان واقعی ردیابی کنند.
هوش مصنوعی رهیافتی در خصوص رفتار مصرف کننده که برای جذب مشتری و حفظ مشتری لازم است، پیشنهاد می کند. هوش مصنوعی حرکت بعدی مشتری را بر می انگیزد و تجربه کلی را مجدداً تعریف می کند. ابزارهای هوش مصنوعی برای استنتاج انتظارات مشتری و ناوبری مسیر آتی سودمند هستند.
هوش مصنوعی در بستر مختلف در سناریوی کسب و کار کاربردهای خاص خود را پیدا می کند. متخصصین و دانشگاهیان باور دارند که هوش مصنوعی آینده جامعه ما است. با پیشرفت فناوری، جهان به شبکه ای از شبکه های درهم تنیده تبدیل شده است. پیاده سازی فناوری به سرمایه گذاری بر روی هوش مصنوعی جهت تحلیل داده های بزرگ به منظور ایجاد هوش بازار منجر می شود. کاربردهای هوش مصنوعی فقط به بازاریابی محدود نمی شود، بلکه به صورت گسترده در بخش های دیگر مانند پزشکی، کسب و کار تجارت الکترونیک، آموزش، حقوق و تولید نیز استفاده می شود. هوش مصنوعی همچنان به کار گرفته می شود تا صنایع مختلفی از آن بهره مند شوند.
زمانی که سازمان ها به سمت انقلاب صنعتی چهارم پیش می روند، هوش مصنوعی و فناوری های نوظهور دیگر نیز به صورت موازی پدیدار می شوند. با این حال، پیاده سازی هوش مصنوعی به علت محدودیت ها در تمام بخش ها ممکن نبوده است و دانشمندان در حال کار بر روی سیستم های هستند که حامی نظریه ذهن و خودآگاهی سیستم های هوش مصنوعی هستند.
امروزه افراد با نوعی از هوش مصنوعی در فعالیتهای روزمره خود سروکار دارند. برای مثال، کاربر از ویژگی فیلتر خودکار ایمیل بهره می گیرد. در گوشی های هوشمند کاربر ممکن است با کمک سیری، کورتانا یا بیکسبی تقویم خود را پر نماید. کاربر خودروی جدید، از رانندگی خودکار بهره می گیرد. هوش مصنوعی می تواند فرآیند های کسب و کار را به صورت خودکار درآورد و از داده های گذشته رهیافت هایی کسب کرده و رهیافت های مصرف کننده و بازار را از طریق الگوریتم برنامه محور تولید نماید.
فناوری هایی مانند یادگیری ماشین، یادگیری عمیق و پردازش زبان طبیعی (NLP) به ماشین هایی می آموزند که برای تولید هوش بازار با داده های بزرگ سروکار داشته باشند.
از آنجا که اتخاذ هوش مصنوعی در بازاریابی در مراحل اولیه قرار دارد، مرور نظام مند پیشینه تحقیقاتی که الگوی پژوهشی عمیق را در بازار هوش مصنوعی محور مصرف کننده نشان داده و به پرسش های پژوهشی مانند موارد زیر منجر می شود، بسیار محدود است:
پرسش ۱: کاربردهای هوش مصنوعی در بازاریابی چیست؟
پرسش ۲: چگونه بازاریابی می تواند به صورت بهینه از فناوری های هوش مصنوعی برای بیشینه سازی رضایت مصرف کننده، سهم بازار و سودآوری بهره بگیرد؟
پرسش ۳: موضوعات متداول و مسیرهای پژوهشی آتی برای اتخاذ هوش مصنوعی در بازاریابی کدامند؟
این مقاله تلاش می کند تا این خلأ تحقیقاتی را با مرور نظام مند پیشینه تحقیقاتی در خصوص هوش مصنوعی در حوزه بازاریابی از بین ببرد. تحلیل کتاب سنجی بیش از ۱۵۰۰ مقاله (منتشر شده بین سال های ۱۹۸۲ تا ۲۰۲۰) عملکرد کنشگران علمی مانند مناسب ترین نویسندگان، مناسب ترین منابع و غیره را پیشنهاد داد.
تحلیل استناد مشترک و هم رخدادی برمبنای الگوریتم لوویان به نگاشت ساختار مفهومی و عقلانی این حوزه پژوهشی کمک کرد. در بخش های بعدی، مرور پیشینه تحقیقاتی، روش پژوهش، یافته ها، بحث و نتیجه گیری ارائه می شوند.
مرور پیشینه تحقیقاتی
برخلاف هوش انسانی، هوش مصنوعی هوشی است که ماشین ها نشان می دهند. سیستم ماشین های هوشمند که محیط را درک می کند تا به صورت موفق به هدف خود برسد، نشان دهنده هوش مصنوعی است. براساس نظر راسل و نورویگ (۲۰۱۶)، هوش مصنوعی، ماشین ها (یا رایانه هایی) را توصیف می کند که کارکردهای ادراکی و عاطفی ذهن انسانی را شبیه سازی می کند.
توسعه هوش مصنوعی شگفت انگیز است و متخصصین بدون خستگی تلاش کرده اند تا مفاهیم هوش مصنوعی را طی چند دهه اخیر توسعه بخشند. این کار به تحول های های عمده ای مانند تحلیل داده های بزرگ و کاربردهای یادگیری ماشین در بخش ها و بسترهای مختلف منجر شد. واژه هوش مصنوعی معمولاً افراد را به این سمت سوق می دهد که فقط به ربات های خودکاری فکر کنند که برای انسان ها کار می کنند، زیرا افراد فقط تعامل انسان-ماشین را در فیلم ها یا هر نمایشی که تنها روبات ها را نشان می دهند، مشاهده کرده اند. هوش مصنوعی به هر نوع ماشینی اطلاق می شود که باید مانند انسان فکر کند و این کار به یادگیری و حل مشکل مستمر منجر می شود. این ویژگی ها موجب می شود که هوش مصنوعی منحصر به فرد باشد.
گاهی اوقات افراد کاری را خسته کننده یا کسل کننده می یابند که تکراری است. با این حال، به کمک ماشین، افراد هرگز وظیفه ای مشابه را خسته کننده تجربه نخواهند کرد. یک سیستم هوش مصنوعی وظایف تکراری را همیشه برای انسان ها انجام می دهند.
تجزیه و تحلیل داده ها ویژگی مهم هوش مصنوعی می باشد. سیستم هوش مصنوعی داده ها را بر اساس الزامات جمع آوری کرده و بخش های بزرگ داده ها را تحلیل می کند. داده های بسیار زیادی وجود دارد که سازمان هایی مانند گوگل و آمازون با آن سروکار دارند و تحلیل آنها توسط انسان ها امکان پذیر نیست.
همچنین، سیستم هوش مصنوعی اطلاعات مختلفی را درخصوص افراد مختلف، ماشین های مختلف از منابع مختلف ذخیره می کند. تمام این موارد در سیستم به صورت ناهمگام یا همزمان ظاهر می شوند. سیستم های مجهز به هوش مصنوعی به گونه ای طراحی شده اند که پیرامون خود را مشاهده کرده و به آن واکنش نشان دهند.
آنها محیط را درک کرده و بر همین اساس اقداماتی انجام می دهند و موقعیت هایی که ممکن است بزودی رخ دهند را ثبت می کنند. برای مثال، هوش مصنوعی به کمک داده های تاریخی، می تواند زمان خرابی یک ماشین را پیش بینی کند. هوش مصنوعی می تواند از پیش درخصوص انجام کاری به ما هشدار دهد.
مزیت یادگیری ماشین بر فناوری های دیگر
بسیاری از فناوری ها ممکن است کار های تکراری را انجام دهند، اما نمی توانند به صورت مستقل فکر کنند. آنها نمی توانند خارج از برنامه خود فکر کنند. در مقابل، یادگیری ماشین زیر مجموعه ای از هوش مصنوعی است که به دنبال آن است که به ماشین توانایی یادگیری یک وظیفه را بدون برنامه نویسی از پیش نوشته شده بدهد. دراینجا، ماشین ها با برخی از مشکلات و مثال ها تغذیه می شوند و در نتیجه به کمک آنها، ماشین وظایفی خاص را می آموزد.
زمانی که ماشین ها بر روی این مشکلات و مثال ها کار می کنند، مطالبی را یاد می گیرند و راهبرد خود را به صورت منحصر به فرد برای اجرای این فعالیت ها تطبیق می دهند. برای مثال، یک ماشین تشخیص تصویر ممکن است میلیون ها تصویر را جهت تحلیل دریافت کند. پس از طی تغییراتی بی پایان، ماشین، توانایی رسیدن به قابلیت تشخیص الگوها، شکل ها، صورت ها و غیره را بدست می آورد.
در سناریوی امروزی، ماشین تنها وظیفه تکراری خاص را می آموزد، اما ماشین ها آموزش می بینند تا بیش از یک وظیفه خاص را بیاموزند. کارشناسان هوش مصنوعی بر روی این موضوع کار می کنند که موجب شوند ماشین بتواند آنچه از تحلیل تصاویر آموخته را بیاموزد و از آن دانش برای تحلیل مجموعه داده های مختلف استفاده کند. دانشمندان و برنامه ریزان داده در حال تدوین الگوریتم های یادگیری کلی هستند که به ماشین ها کمک می کند تا بیش از یک وظیفه خاص را بیاموزند.
اصل زمینه ای هوش مصنوعی
هوش مصنوعی بیان می کند که هوش انسانی را می توان به ماشین ها انتقال داد تا از ساده ترین وظایف گرفته تا دشوارترین آنها را انجام دهند. هدف هوش مصنوعی، یادگیری و استدلال و اجرای فعالیت ها می باشد. زمانی که فناوری پیشرفت میکند، استاندارد های پیشین مبین هوش مصنوعی، قدیمی می شوند.
سه مفهوم اصلی در خصوص هوش مصنوعی وجود دارد. این مفاهیم پایه عبارتند از یادگیری ماشین، یادگیری عمیق و شبکه های عصبی. این مفاهیم به توسعه ی بیشتر داده کاوی، پردازش زبان طبیعی و نرم افزارهای پیشران منجر می شوند. در حالی که هوش مصنوعی و یادگیری ماشین ممکن است به نظر واژگانی باشند که جابجا استفاده می شوند، هوش مصنوعی معمولاً واژه گسترده تری در نظر گرفته می شوند و یادگیری ماشین و دو مفهوم دیگر هوش مصنوعی زیر مجموعه ای از آن هستند. سازوکار یادگیری عمیق بر پایه اصل شبکه های عصبی مصنوعی هستند.
این سازوکار از نورون ها یا سلول های مغزی تقلید می کند. شبکه های عصبی مصنوعی از مطالبی که از بیولوژی بدن خودمان یافته ایم الهام می گیرند. مدل های عصبی خالص از اصول علوم ریاضی و رایانه برای تقلید فرآیندهای مغز انسان تقلید می کنند و امکان یادگیری و قدرت اقدام بیشتر را میسر می سازند.
شبکه عصبی مصنوعی، فرآیندهای سلول های به هم مرتبط مغز را ادغام می کنند، اما به جای اینکه بر پایه زیست شناسی ساخته شوند، این عصب ها یا گره ها از کد نوشته شده توسط انسان ساخته می شوند. شبکه های عصبی حاوی سه لایه هستند: لایه ورودی، لایه نهان و لایه خروجی. این لایه ها حاوی هزاران و گاهی اوقات میلیون ها گره هستند.
هوش مصنوعی، از طریق مفاهیم شبکه های عصبی از ذهن انسان تقلید می کند. هوش مصنوعی مانند انسان فکر کرده و برهمین اساس برای حل مشکلات اقدام می کند. این ویژگی منحصر به فرد هوش مصنوعی می باشد. هوش مصنوعی از مغز انسان تقلید می کند تا محیط را تفسیر کرده و برهمان اساس اقدام کند.
استفاده از هوش مصنوعی در بازاریابی نویسندگان پیشینه تحقیقاتی را مرور کردند تا میزان تحقیقات در حوزه ارتقای تجارب مشتری از طریق هوش مصنوعی درک شود. گاسانین و واگنر (۲۰۱۹) چالش های پیاده سازی مدیریت تجربه خودکار مشتری را توصیف کرد.
این مقاله همچنین این موضوع را روایت می کند که چگونه شبکه هوشمند و پیشران حیاتی ارزش کسب و کار از طریق هوش مصنوعی و یادگیری ماشین اثبات شد. تجربه مشتری از طریق ربات چت مبتنی بر هوش مصنوعی با کمک پردازش زبان طبیعی بهبود یافت. الگوریتم های هوش مصنوعی و یادگیری ماشین امکان پردازش کارآمد داده را میسر ساخت و به ما امکان اتخاذ تصمیم صحیح را داد. اپلیکیشن هوش مصنوعی برای تحلیل عادات، خرید ها، موارد مورد پسند و ناپسند مشتری استفاده می شود. مدیریت روابط مشتری از رابط کاربری هوش مصنوعی بهره بردند.
هوش مصنوعی و اینترنت اشیا فروشگاه های خرده فروشی سنتی را به فروشگاه های خرده فروشی هوشمند تبدیل کردند. فروشگاه های خرده فروشی هوشمند، تجربه مشتری را بهبود بخشیدند و راحتی خرید و زنجیره تأمین بهتر را ارتقا دادند. علاوه بر فروشگاه های واقعی، هوش مصنوعی کسب و کارهای آنلاین را نیز هدایت می کند. شا و راجسواری (۲۰۱۹)، پیشرفت هوش مصنوعی را توصیف کردند و ماشین مبتنی بر هوش مصنوعی را که می تواند ۵ حس انسانی (بینایی، شنوایی، چشایی، بویایی و لامسه) را ردیابی کند، ارائه کردند. این نتیجه ارتباط بهتر برند با مشتری و ارتباط محصول-برند را در کسب و کار تجارت الکترونیک نشان داد.
استفاده از هوش مصنوعی در راهبرد و برنامه ریزی
هوش مصنوعی می تواند در فعالیت های برنامه ریزی و بازاریابی به بازاریابان کمک کند و این کار را با کمک به تقسیم بندی، هدف گذاری و تعیین جایگاه انجام می دهد. علاوه بر تقسیم بندی، هدف گذاری و تعیین جایگاه، هوش مصنوعی می تواند به بازاریابان در پیش بینی گرایش راهبردی شرکت کمک کند. الگوریتم ها متن کاوی و یادگیری ماشین را می توان در بخش هایی مانند بانکداری و تأمین مالی، بازاریابی هنر، خرده فروشی و گردشگری جهت شناسایی مشتریان حوزه های سودآور به کار برد. ترکیبی از تکنیک های بهینه سازی داده، یادگیری ماشین و پیش بینی های علمی می تواند مشتریان هدف را محدودتر نماید.
استفاده از هوش مصنوعی در مدیریت محصول
ابزار تحلیل بازاریابی مبتنی بر هوش مصنوعی می تواند تناسب طراحی محصول با نیاز های مشتری و رضایت مشتری را بسنجد. مدلسازی موضوع نیز بر توانایی های سیستم درخصوص تحول و طراحی خدمات می افزاید. وزن دادن به ویژگی های محصول در حین جستجوی محصول به بازاریابان کمک می کند تا سیستم توصیه دهنده محصول را درک کرده و راهبردهای بازاریابی را در راستای مدیریت معنادار محصول تطبیق دهند. هوش مصنوعی قابلیت هایی را جهت سفارشی سازی پیشنهادات جهت متناسب با نیاز های مشتری ارائه می کند.
استفاده از هوش مصنوعی در مدیریت قیمت گذاری
قیمت گذاری شامل ترکیب جنبه های مختلف در نهایی سازی قیمت می شود و یک وظیفه محاسباتی پیچیده است. تغییر قیمت زمان واقعی مبتنی بر نوسان تقاضا، بر پیچیدگی وظیفه قیمت گذاری می افزاید. هوش مصنوعی مبتنی بر الگوریتم راهزن مسلح می تواند به صورت پویا قیمت را در سناریوی زمان واقعی تطبیق دهد. در سناریوی قیمت گذاری متغیر مانند درگاه تجارت الکترونیک، استنتاج بایزی در الگوریتم یادگیری ماشین می تواند به سرعت نقاط قیمت را تطبیق دهد تا با قیمت رقیب همخوانی داشته باشد. براساس نظر دکیمپ (۲۰۲۰)، الگوریتم های قیمت گذاری بهترین پاسخ دربرگیرنده انتخاب های مشترک، راهبردهای رقیب و شبکه تامین به منظور بهینه سازی قیمت گذاری پویا می باشد.
استفاده از هوش مصنوعی در مدیریت جایگاه
دسترسی به محصول و در دسترس بودن محصول نویسنده های ضروری آمیخته بازاریابی برای افزایش رضایت مشتری می باشند. توزیع محصول به رابطه شبکه ای، تدارکات، مدیریت موجودی کالا، مشکلات انبارداری و حمل و نقل که ماهیت مکانیکی و تکراری دارند وابسته است. هوش مصنوعی راه حل عالی در خصوص مدیریت جایگاه می باشد و این کار را با پیشنهاد ربات های همکار برای بسته بندی، هواپیما های کنترل از راه دور برای تحویل کالا، اینترنت اشیا برای ردیابی و دریافت سفارش انجام می دهد. استانداردسازی و مکانیزه سازی فرآیند، راحتی را هم برای تأمین کنندگان و هم برای مشتریان ارائه می کند.
علاوه بر سودمندی در مدیریت توزیع، هوش مصنوعی نیز فرصت های مشارکت مشتری را در ارائه خدمات فراهم می کند. ربات های خدمت رسانی که با برنامه های هوش مصنوعی عاطفی برنامه نویسی شده اند، در فعالیت های سطحی به کار گرفته می شوند. ربات های نهادینه شده به مشتریان سلام کرده و با آنها تعامل دارند، اما عناصر انسانی باید محیط خدمت را جهت بهره مندی مشتری تکمیل نمایند. اتوماسیون فرآیند خدمت به کمک هوش مصنوعی، فرصت بیشتری را برای بهبود عملکرد و بهره وری مهیا می کند.
استفاده از هوش مصنوعی در مدیریت تبلیغات
مدیریت تبلیغات دربرگیرنده برنامه ریزی رسانه ها، زمانبندی رسانه ها، مدیریت پویش تبلیغاتی، بهینه سازی موتور جستجو و غیره است. فنون تبلیغات از حالت فیزیکی به فیزیکی-دیجیتالی تغییر شکل می دهند. بازاریابی دیجیتال و پویش های رسانه های اجتماعی رایج شده اند و علت آن تحول دیجیتال در سرتاسر دنیا است. در دنیای فناوری متغیر، مشتری در خصوص محتوا، مکان و زمان بندی تصمیم می گیرد.
هوش مصنوعی، شخصی سازی و سفارشی سازی پیام را برای پروفایل مشتری و موارد مورد پسند وی میسر می سازد. تحلیل محتوا می تواند ارزش و سودمندی پیام را بهینه سازد. موارد مورد پسند و ناپسند مشتری را می توان به کمک الگوریتم های عاطفی هوش مصنوعی در زمان واقعی ردیابی نمود. قوم نگاری شبکه ای در محتوای رسانه های اجتماعی، مسیر های جدیدی را برای بازاریابان مهیا می کند تا راهبردهای بازاریابی خود را بر اساس علایق مشتری تطبیق دهند.
روش پژوهش
ما از دستورالعمل های راوسلی و اسلک (۲۰۰۴) برای مرور پیشینه تحقیقاتی استفاده کردیم. از نظر روش پژوهشی، مرور پیشینه تحقیقاتی از فرایند ۵ مرحله ای توصیف شده در بخش های آتی استفاده کرد. پروتکل های مرور جامع، به شناسایی مضامین پژوهش و مسیرهای پژوهشی آتی کمک کردند.
انتخاب پایگاه های داده کتاب سنجی
اسکوپوس و وب آف ساینس (WoS) دو پایگاه داده مشهور کتاب سنجی هستند. ما هر دو پایگاه داده را جهت جستجوی مناسب ترین پیشینه تحقیقاتی جستجو کردیم. بر اساس نظر یانگ-هاک (۲۰۱۳)، اسکوپوس پوشش گسترده تری داشت و حاوی بیش از ۲۰۰۰۰ مجله ی مرور همکار ناشران مختلف بود. به علت پوشش بیشتر، ما اسکوپوس را برای جمع آوری داده استفاده کردیم. اسکوپوس فیلترهای جستجو و شبکه های تحلیل داده پیشرفته ای را برای مدیریت بهتر داده ها ارائه می کرد.
تعریف کلمات کلیدی (راهبرد جستجو)
جستجوی اولیه کلماتی مانند «بازاریابی» و «هوش مصنوعی» را دربرمی گرفت. واژه های مترادف استفاده شده برای هوش مصنوعی مانند یادگیری ماشین، یادگیری عمیق، پردازش زبان طبیعی و غیره با عملگرهای بولی مانند «یا» استفاده شدند تا به مجموعه ای جهانی از مقالات دست یافته شود. عملگر بولی به منظور دستیابی به مجموعه ای از مقالات استفاده شد که بازاریابی و هوش مصنوعی را همزمان پوشش می دادند.
تصحیح نتایج اولیه (معیار ها ورود و خروج)
معیار های ورود و خروج به نتایج جستجو اعمال می شوند. با کمک معیار های ورود و خروج، محدودیت زدایی در استخراج مناسب ترین مقالات برای مرور پیشینه تحقیقاتی کمک کردند. برای دستیابی به هدف پژوهش، نتاج جستجو تنها به مقالاتی محدود می شود که در مجلاتی چاپ شده اند که «دانش معتبر» ارائه می دهند. مقالات کنفرانس، فصول کتاب، تفسیرها، غلط نامه ها و غیره از نتایج جستجو کنار گذاشته شدند.
نتیجه گیری
دیگر این بحث وجود ندارد که شرکت هایی که تجربه ی از مشتری های عالی ارائه می کنند، در انقلاب صنعتی چهارم—جایی که هوش برتری خود را دیکته می کند، برنده خواهند بود. انقلاب صنعتی چهارم به تعریف شرکت هایی می پردازد که داده های یکپارچه ای درخصوص مشتریان و محصولات در بین تمام کانال ها و محصولات دارند و از آن داده ها برا درک بهتر تجربه و رویت پذیری مشتری نهایی در تمام حوزه های کارکردی خود استفاده می کنند. در این زمینه، هوش مصنوعی و یادگیری ماشین نقشی حیاتی در تحلیل داده های بزرگ ایفا می کنند تا تجربه های هدایت شده به منظور رفع نیازهای مشتری پیش بینی شده و ارائه شوند. از طریق این پژوهش، نویسندگان دیدی کلی در خصوص استفاده از هوش مصنوعی برای ارتقای تجربه مشتری کسب خواهند کرد.
بکارگیری هوش مصنوعی و تحلیل پیش بین، موضوع کلیدی برای پیشنهاد آن دسته از تجربه های مشتری است که به طرفداری و دائمی شدن مشتریان منجر می شود. معماری های رویداد محور که با هوش مصنوعی و تحلیل پیش بین ترکیب شوند، آینده را شکل می دهند. مرحله نهایی وجود ندارد، اما این سفری است که تمام شرکت ها باید در زمان ورود به انقلاب صنعتی چهارم آن را شروع کنند. فناوری های تحول آفرین مانند اینترنت اشیا، تحلیل داده های بزرگ، بلاکچین و هوش مصنوعی روش های فعالیت کسب و کارها را تغییر داده اند.
از بین تمام فناوری های تحول آفرین، هوش مصنوعی، جدیدترین فناوری تحول آفرین است و پتانسیل عظیمی برای تولید، داروشناسی، بهداشت و درمان، کشاورزی، تدارکات و بازاریابی دیجیتال دارد. بسیاری از محققین و دانشگاهیان سراسر جهان تلاش می کنند تا بهترین برازش راه حل های هوش مصنوعی را کشف کنند که سازمان های آنها می توانند از آن استفاده کنند. با این حال، گزارش گیری کتاب سنجی وجود ندارد که الگوی تحقیقاتی دقیق درخصوص هوش مصنوعی در بازاریابی را نشان می دهد. بنابراین، این مطالعه به دنبال تجمیع مطالعات پژوهشی در خصوص هوش مصنوعی در بازاریابی با استفاده از تحلیل کتاب سنجی و تحلیل استناد مشترک می باشد.