بررسی تاثیر هوش مصنوعی بر قصد خرید مصرف کننده در خرده فروشی الکترونیکی دیجی کالا

بررسی تاثیر هوش مصنوعی بر قصد خرید مصرف کننده در خرده فروشی الکترونیکی مطالعه موردی مشتریان دیجی کالا

چکیده

امروزه با رضد سریع فناوری و ظهور هوش مصنوعی سطح رضایت مصرف کنندگان را بیشتر کرده است این امر تلاش شرکت ها را در بهره گیری از هوش مصنوعی دو برابر کرده است. هدف این مقاله بررسی تأثیر هوش مصنوعی در قصد خرید آنلاین مشتریان است. روش پژوهش از لحاظ نوع پژوهش از پژوهش های کاربردی و از نظر نحوه گردآوری داده‏ها پیمایشی است. جامعه آماری پژوهش را مشتریان دیجی کالا در شهر تهران تشکیل داده اند. حجم جامعه آماری با توجه به جامعه آماری نامحدود ۳۸۴ نفر بر اساس جدول کرجسی و مورگان به عنوان اعضای نمونه انتخاب شدند. برای آزمون فرضیه های پژوهش از نرم افزار spss و آزمون رگرسیون استفاده شده است. نتایج آزمون فرضیه‌های پژوهش نشان داد که هوش مصنوعی (هنجارهای ذهنی، ایمان، آگاهی) بر سهولت استفاده از هوش مصنوعی و سهولت استفاده از هوش مصنوعی به طور مثبت بر رفتار خرید مصرف کنندگان تأثیر می گذارد.

کلمات کلیدی: هوش مصنوعی، قصد خرید، مصرف کننده، خرده فروشی الکترونیکی

منابع

• Bleier, A., Goldfarb, A. and Tucker, C. (2020), “Consumer privacy and the future of data-based innovation andmarketing”, International Journal of Research in Marketing, Vol. 37 No. 3, pp. 466-480.
• Davenport, T.H. and Ronanki, R. (2018), “Artificial intelligence for the real world”, Harvard Business Review, Vol. 96 No. 1, pp. 108-116.
• Hagberg, J., Sundstrom, M. and Egels-Zande´ n, N. (2016), “The digitalization of retailing: an exploratory framework”, International Journal of Retail & Distribution Management, Vol. 44 No. 7, pp. 694-712.
• Hill, J., Ford, W.R. and Farreras, I.G. (2015), “Real conversations with artificial intelligence: a comparison between human–human online conversations and human–Chatbot conversations”, Computers in Human Behavior, Vol. 49 No. 1, pp. 245-250.
• Huang, M.H. and Rust, R.T. (2021), “A strategic framework for artificial intelligence in marketing”, Journal of the Academy of Marketing Science, Vol. 49No. 1, pp. 30-50.
• Huang,M.H., Rust, R. andMaksimovic, V. (2019), “The feeling economy: managing in the next generation of artificial intelligence (AI)”, California Management Review, Vol. 61No. 4, pp. 43-65.
• Jarrahi, M.H. (2018), “Artificial intelligence and the future of work: human-AI symbiosis in organizational decision making”, Business Horizons, Vol. 61 No. 4, pp. 577-586.
• Kim, H.K. and Kim, W.K. (2017), “An exploratory study for artificial intelligence shopping information service”, The Journal of Distribution Science, Vol. 15No. 4, pp. 69-78.
• Lee, J.Y. and Choi, B.S. (2016), “Suggestions for nurturing ecosystem to spur artificial intelligence industry”, Electronics and Telecommunications Trends, Vol. 31 No. 2, pp. 51-62.
• Lindebaum, D., Vesa, M. and Den Hond, F. (2020), “Insights from ‘the machine stops’ to better understand rational assumptions in algorithmic decision making and its implications for organizations”, Academy of Management Review, Vol. 45 No. 1, pp. 247-263.
• Ma, L. and Sun, B. (2020), “Machine learning and AI in marketing – connecting computing power to human insights”, International Journal of Research in Marketing, Vol. 37 No. 3, pp. 481-504.
• Mariani,M.M., Perez-Vega, R. and Wirtz, J. (2022), “AI inmarketing, consumer research and psychology: a systematic literature review and research agenda”, Psychology & Marketing, Vol. 39 No. 4, pp. 755-776.
• Pantano, E., Rese, A. and Baier, D. (2017), “Enhancing the online decision-making process by using augmented reality: a two country comparison of youth markets”, Journal of Retailing and Consumer Services, Vol. 38No. 1, pp. 81-95.
• Park, S.Y. (2009), “An analysis of the technology acceptance model in understanding university students’ behavioral intention to use e-learning”, Journal of Educational Technology & Society, Vol. 12 No. 3, pp. 150-162.
• Paschen, J., Wilson, M. and Ferreira, J.J. (2020), “Collaborative intelligence: how human and artificial intelligence create value along the B2B sales funnel”, Business Horizons, Vol. 63 No. 3, pp. 403-414.
• Pillai, R., Sivathanu, B. and Dwivedi, Y.K. (2020), “Shopping intention at AI-powered automated retail stores (AIPARS)”, Journal of Retailing and Consumer Services, Vol. 57 No. 1, p. 102207.
• Rodgers, W., Yeung, F., Odindo, C. and Degbey, W.Y. (2021), “Artificial intelligence-driven music biometrics influencing customers’ retail buying behavior”, Journal of Business Research, Vol. 126 No. 1, pp. 401-414.
• Shim, S.Y., Mary, A.E., Sherry, L.L. and Patricia, W. (2001), “An online prepurchase intentions model: the role of intention to search”, Journal of Retailing, Vol. 77No. 3, pp. 397-416.
• Sohn, K. and Kwon, O. (2020), “Technology acceptance theories and factors influencing artificial intelligence-based intelligent products”, Telematics and Informatics, Vol. 47 No. 1, p. 101324.
• Weber, F. and Schu¨ tte, R. (2019), “A domain-oriented analysis of the impact of machine learning – the case of retailing”, Big Data and Cognitive Computing, Vol. 3No. 1,p. 11.
• Wu, J., Li, H., Cheng, S. and Lin, Z. (2016), “The promising future of healthcare services: when big data analytics meets wearable technology”, Information &Management, Vol. 53No. 8, pp. 1020-1033.
• Yin, J. and Qiu, X. (2021), “AI technology and online purchase intention: structural equation model based on perceived value”, Sustainability, Vol. 13No. 10, p. 5671.
• Yoo, W.S., Lee, Y. and Park, J. (2010), “The role of interactivity in e-tailing: creating value and increasing satisfaction”, Journal of Retailing and Consumer Services, Vol. 17 No. 2, pp. 89-96.