یک مدل تصمیم‌ساختاری برای رضایت مشتری در تجارت الکترونیک مبتنی بر هوش مصنوعی: توسعه TAM با سازه‌های رفتاری و روان‌شناختی

نویسندگان

  • داریوش محمدی * گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران.
  • عاطفه احمدی گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران.

https://doi.org/10.22105/msda.v3i3.128

چکیده

هدف: ادغام سریع هوش مصنوعی در پلتفرم‌های تجارت الکترونیک، تعاملات مشتری و فرایندهای تصمیم‌گیری را دگرگون کرده است. در حالی‌که پژوهش‌های پیشین عمدتا بر قصد خرید تمرکز داشته‌اند، توجه کمتری به مدل‌سازی رضایت مشتری در محیط‌های مبتنی بر هوش مصنوعی شده است. بنابراین، هدف این پژوهش، توسعه و اعتبارسنجی یک مدل تصمیم‌ساختاری برای تبیین رضایت مشتری در تجارت الکترونیک مبتنی بر هوش مصنوعی از طریق توسعه مدل پذیرش فناوری با سازه‌های رفتاری و روان‌شناختی است.

روش‌شناسی پژوهش: این پژوهش از رویکرد کمی و طرح توصیفی–پیمایشی استفاده می‌کند. داده‌ها از 384 مشتری خرید آنلاین از طریق پرسشنامه ساختاریافته گردآوری شد. مدل پیشنهادی شامل سازه‌های اصلی مدل پذیرش فناوری یعنی سودمندی درک‌شده و سهولت استفاده درک‌شده به همراه متغیرهای اعتماد، تجربه مشتری، هنجار ذهنی و آگاهی است. برای تحلیل داده‌ها از مدل‌سازی معادلات ساختاری مبتنی بر حداقل مربعات جزیی استفاده و برازش مدل‌های اندازه‌گیری و ساختاری، پایایی و روایی سازه‌ها و روابط بین متغیرها ارزیابی شد.

یافته‌ها: بر اساس نتایج، خدمات مبتنی بر هوش مصنوعی تاثیر معناداری بر افزایش رضایت مشتریان در محیط خرید آنلاین دارند. سودمندی درک‌شده و سهولت استفاده درک‌شده نقش میانجی کلیدی ایفا می‌کنند، در حالی‌که اعتماد، تجربه مشتری، هنجارهای ذهنی و آگاهی تاثیر مثبت بر این سازه‌ها دارند. همچنین سهولت استفاده و سودمندی درک‌شده تاثیر مستقیم و معناداری بر رضایت مشتری دارند و موجب تقویت رفتار خرید مجدد و وفاداری مشتریان در پلتفرم‌های مبتنی بر هوش مصنوعی می‌شوند.

اصالت/ارزش‌افزوده علمی: این پژوهش یک مدل ساختاری یکپارچه پذیرش فناوری را با متغیرهای رفتاری و روان‌شناختی در بستر هوش مصنوعی توسعه می‌دهد. یافته‌ها بینش‌های کاربردی برای مدیران پلتفرم‌های دیجیتال جهت بهبود رضایت مشتری از طریق شخصی‌سازی مبتنی بر هوش مصنوعی، تقویت اعتماد و ارتقای تجربه کاربری فراهم می‌سازد و درک نظری از رفتار تصمیم‌گیری مشتریان در محیط‌های هوشمند را توسعه می‌دهد.

 

کلمات کلیدی:

خرید آنلاین، سودمندی درک‌شده، سهولت استفاده‌شده، مدل پذیرش فناوری، هوش مصنوعی

مراجع

  1. [1] Mariani, M. M., Perez-Vega, R., & Wirtz, J. (2022). AI in marketing, consumer research and psychology: A systematic literature review and research agenda. Psychology & marketing, 39(4), 755-776. https://doi.org/10.1002/mar.21619
  2. [2] Wu, J., Li, H., Cheng, S., & Lin, Z. (2016). The promising future of healthcare services: When big data analytics meets wearable technology. Information & management, 53(8), 1020-1033. https://doi.org/10.1016/j.im.2016.07.003
  3. [3] Mustak, M., Salminen, J., Plé, L., & Wirtz, J. (2021). Artificial intelligence in marketing: Topic modeling, scientometric analysis, and research agenda. Journal of business research, 124, 389-404. https://doi.org/10.1016/j.jbusres.2020.10.044
  4. [4] Huang, M. H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the academy of marketing science, 49(1), 30-50. https://doi.org/10.1007/s11747-020-00749-9
  5. [5] Paschen, J., Wilson, M., & Ferreira, J. J. (2020). Collaborative intelligence: How human and artificial intelligence create value along the B2B sales funnel. Business horizons, 63(3), 403-414. https://doi.org/10.1016/j.bushor.2020.01.003
  6. [6] Luo, X., Tong, S., Fang, Z., & Qu, Z. (2019). Frontiers: Machines vs. humans: The impact of artificial intelligence chatbot disclosure on customer purchases. Marketing science, 38(6), 937-947. https://doi.org/10.1287/mksc.2019.1192
  7. [7] Kim, H. K., & Kim, W. K. (2017). An exploratory study for artificial intelligence shopping information service. Journal of distribution science, 15(4), 69-78. https://doi.org/10.15722/jds.15.4.201704.69
  8. [8] Weber, F., & Schütte, R. (2019). A domain-oriented analysis of the impact of machine learning-the case of retailing. Big data and cognitive computing, 3(1), 11. https://doi.org/10.3390/bdcc3010011
  9. [9] Pavlou, P. A. (2003). Consumer acceptance of electronic commerce: Integrating trust and risk with the technology acceptance model. International journal of electronic commerce, 7(3), 101-134. https://doi.org/10.1080/10864415.2003.11044275
  10. [10] Chiu, C. M., Lin, H. Y., Sun, S. Y., & Hsu, M. H. (2009). Understanding customers’ loyalty intentions towards online shopping: An integration of technology acceptance model and fairness theory. Behaviour & information technology, 28(4), 347-360. https://doi.org/10.1080/01449290801892492
  11. [11] Al-Emran, M., & Granić, A. (2021). Is it still valid or outdated? A bibliometric analysis of the technology acceptance model and its applications from 2010 to 2020. In Recent advances in technology acceptance models and theories (pp. 1-12). Springer. https://doi.org/10.1007/978-3-030-64987-6_1
  12. [12] Goutam, D. (2020). Customer loyalty development in online shopping: An integration of E-service quality model and the commitment-trust theory [Thesis]. https://idr.nitk.ac.in/server/api/core/bitstreams/e7da1bcf-956e-435a-8233-ea95e7911b7f/content
  13. [13] Tousi, M., Sadat, R. S. M., & Shafia, S. (2021). Identifying the factors that affect the customer experience and customer satisfaction impact on repurchasing behaviors in online retailers in Iran. Industrial management perspective, 11(1), 271-293. (In Persian). https://doi.org/10.52547/jimp.11.1.271
  14. [14] Jin, L. Y., Osman, A., Manaf, A. H. A., & Abdullah, M. S. (2015). The mediating effect of consumers’ purchase intention: A perspective of online shopping behavior among generation Y. Journal of marketing and consumer research, 18(1), 101-112. https://b2n.ir/nb6788
  15. [15] Masrom, M. (2007). Technology acceptance model and e-learning. 12th international conference on education, sultan hassanal bolkiah institute of education (pp. 1-10). Universiti Brunei Darussalam. https://www.researchgate.net/publication/228851659
  16. [16] Nofirda, F. A., & Ikram, M. (2023). The use of artificial intelligence on Indonesia online shopping application in relation to customer acceptance. Ninth Padang international conference on economics education, economics, business and management, accounting and entrepreneurship (PICEEBA 2022) (pp. 642-651). Atlantis Press. https://doi.org/10.2991/978-94-6463-158-6_56
  17. [17] Çelik, H. (2011). Influence of social norms, perceived playfulness and online shopping anxiety on customers’ adoption of online retail shopping: An empirical study in the Turkish context. International journal of retail & distribution management, 39(6), 390-413. https://doi.org/10.1108/09590551111137967
  18. [18] Ghamkhari, S. M., & Pour Ali Ganji, L. (2023). Investigating the effect of perceived usefulness, ease of use, enjoyment, trust and social influence on intention to use with the mediating role of consumer attitude (Case of study: Household solar electricity customers in Yazd city). Journal of intelligent marketing management, 4(2), 66-87. Yazd, Iran. Civilica.(In Persian). https://civilica.com/doc/1591438
  19. [19] Abolhasani Targhi, F., & Hataminasab, S. H. (2022). The effect of persuasive knowledge on the attitude and lifestyle of organic products consumers; the mediating role of skepticism about advertising. Journal of business management, 14(1), 175-196. https://doi.org/10.22059/jibm.2021.324278.4128
  20. [20] Pratminingsih, S. A., Lipuringtyas, C., & Rimenta, T. (2013). Factors influencing customer loyalty toward online shopping. International journal of trade, economics and finance, 4(3), 104-110. https://doi.org/10.7763/IJTEF.2013.V4.268
  21. [21] Siallagan, S. (2023). Customer satisfaction of technopreneurs based on tqm and servqual during the covid-19 pandemic. Asian journal of business and accounting, 16(1), 255-269. https://doi.org/10.22452/ajba.vol16no1.9
  22. [22] Abdallah, N., Alyafai, H., & Ibrahim, A. (2021). Customer satisfaction towards online shopping. International journal of current science research and review, 4(7), 692-696. https://doi.org/10.47191/ijcsrr/V4-i7-11
  23. [23] Sari, O. A., & Setyawan, A. A. (2022). Customer loyalty in online shopping. International conference on economics and business studies (ICOEBS 2022) (pp. 327-331). Atlantis Press. https://doi.org/10.2991/aebmr.k.220602.043
  24. [24] Haidery, A., Kamran, A., Syed, N. A., & Rizvi, S. A. (2020). Factors influencing online shopping experience and customer satisfaction in Karachi. International conference on management science and engineering management (pp. 13-31). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-030-49829-0_2
  25. [25] Hasbullah, N. A., Osman, A., Abdullah, S., Salahuddin, S. N., Ramlee, N. F., & Soha, H. M. (2016). The relationship of attitude, subjective norm and website usability on consumer intention to purchase online: An evidence of Malaysian youth. Procedia economics and finance, 35, 493-502. https://doi.org/10.1016/S2212-5671(16)00061-7
  26. [26] Kim, H., Kim, T. T., & Shin, S. W. (2009). Modeling roles of subjective norms and eTrust in customers’ acceptance of airline B2C eCommerce websites. Tourism management, 30(2), 266-277. https://doi.org/10.1016/j.tourman.2008.07.001
  27. [27] Boudlaie, H., & Shahidi, A. (2018). A qualitative study of customer experience in retail industry. New marketing research journal, 8(2), 1-22(In Persisn). https://doi.org/10.22108/nmrj.2018.108188.1508
  28. [28] Pillarisetty, R., & Mishra, P. (2022). A review of AI (artificial intelligence) tools and customer experience in online fashion retail. International journal of e-business research (IJEBR), 18(2), 1-12. https://doi.org/10.4018/IJEBR.294111
  29. [29] Yin, J., & Qiu, X. (2021). AI technology and online purchase intention: Structural equation model based on perceived value. Sustainability, 13(10), 5671. https://doi.org/10.3390/su13105671
  30. [30] Bhagat, R., Chauhan, V., & Bhagat, P. (2023). Investigating the impact of artificial intelligence on consumer’s purchase intention in e-retailing. Foresight, 25(2), 249-263. https://doi.org/10.1108/FS-10-2021-0218
  31. [31] Nagy, S., & Hajdú, N. (2021). Consumer acceptance of the use of artificial intelligence in online shopping: Evidence from Hungary. Amfiteatru economic, 23(56), 155-173. https://doi.org/10.24818/EA/2021/56/155
  32. [32] Xu, J., Yildiztekin, M., Han, D., Keskin, C., Baran, A., Baran, M. F., … & Khalilov, R. (2023). Biosynthesis, characterization, and investigation of antimicrobial and cytotoxic activities of silver nanoparticles using Solanum tuberosum peel aqueous extract. Heliyon, 9(8) e19061. https://www.cell.com/heliyon/fulltext/S2405-8440(23)06269-2
  33. [33] Ramya, K., & Karthikeyan, K. (2024). A study on the usage of artificial intelligence technology in influencing consumer buying behaviour with special reference to online shopping. Proceedings on engineering sciences, 5(4), 13-20. https://doi.org/10.24874/PES06.01.002
  34. [34] Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS quarterly, 13(3), 319-340. https://doi.org/10.2307/249008
  35. [35] Gefen, D., Karahanna, E., & Straub, D. W. (2003). Trust and TAM in online shopping: An integrated model. MIS quarterly, 27(1), 51-90. https://doi.org/10.2307/30036519
  36. [36] Ajzen, I. (1991). The theory of planned behavior. Organizational behavior and human decision processes, 50(2), 179-211. https://doi.org/10.1016/0749-5978(91)90020-T
  37. [37] Ting-yan, C., & Wong, C. W. Y. (2012). The consumption side of sustainable fashion supply chain. Journal of fashion marketing and management, 16(2), 193-215. https://doi.org/10.1108/13612021211222824
  38. [38] 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, 12(3), 150-162. https://www.jstor.org/stable/jeductechsoci.12.3.150
  39. [39] Oliver, R. L., & Swan, J. E. (1989). Consumer perceptions of interpersonal equity and satisfaction in transactions: A field survey approach. Journal of marketing, 53(2), 21-35. https://doi.org/10.1177/002224298905300202
  40. [40] Maxham III, J. G., & Netemeyer, R. G. (2002). Modeling customer perceptions of complaint handling over time: The effects of perceived justice on satisfaction and intent. Journal of retailing, 78(4), 239-252. https://doi.org/10.1016/S0022-4359(02)00100-8
  41. [41] Ghiathvand, A. (2019). Advanced structural equation modeling analysis using smart PLS. Allameh Tabatabaei University. (In Persian). https://book.atu.ac.ir/book_635.html
  42. [42] Chin, W. W. (1998). The partial least squares approach to structural equation modeling. In modern methods for business research (pp. 295–336). Lawrence Erlbaum Associates Publishers. https://psycnet.apa.org/record/1998-07269-010
  43. [43] Geisser, S. (1975). The predictive sample reuse method with applications. Journal of the american statistical association, 70(350), 320–328. https://doi.org/10.1080/01621459.1975.10479865
  44. [44] Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. In New challenges to international marketing (pp. 277-319). Emerald Group Publishing Limited. https://doi.org/10.1108/S1474-7979(2009)0000020014

دانلود

چاپ شده

2025-08-17

شماره

دوره 3 شماره 3 (2025): علوم مدیریت و تحلیل تصمیم

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

محمدی د. (2025). یک مدل تصمیم‌ساختاری برای رضایت مشتری در تجارت الکترونیک مبتنی بر هوش مصنوعی: توسعه TAM با سازه‌های رفتاری و روان‌شناختی. علوم مدیریت و تحلیل تصمیم , 3(3), 353-368. https://doi.org/10.22105/msda.v3i3.128
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.