مدیریت استراتژیک هوشمند

مدیریت استراتژیک هوشمند

تبیین چارچوب بازاریابی شخصی‌سازی‌شده پیشرفته برای کمپین‌های سوخت‌های پاک مبتنی بر تحلیل داده‌های بنیادین

نوع مقاله : مقاله پژوهشی

نویسندگان
محمدابراهیم غلامی تروجنی 1
مجید فانی 1
طاهره حلاجیان 2
1 گروه مدیریت بازرگانی، واحد بابل، دانشگاه آزاد اسلامی، بابل، ایران.
2 گروه مهندسی معدن و زمین شناسی، واحد قائمشهر، دانشگاه آزاد اسلامی، قائمشهر، ایران.
10.87453/bumara.2026.373601.4804
چکیده
این پژوهش با هدف طراحی مدل بازاریابی هایپرپرسونالیزه برای کمپین‌های سوخت‌های پاک، بر اساس رویکرد داده‌محور و تلفیق روش‌های کیفی و کمی انجام شد. در بخش کیفی، مصاحبه‌های نیمه‌ساختاریافته با متخصصان صنعت انرژی، بازاریابی دیجیتال و دانشگاهیان تحلیل شد تا ۴۰ مقوله و ۱۷۰ مفهوم استخراج گردد و مدل مفهومی اولیه بر اساس چارچوب پارادایمی شکل گیرد. در بخش کمی، داده‌ها از مشتریان فعلی و بالقوه شرکت‌های پالایش و پخش جمع‌آوری شد و تحلیل معادلات ساختاری نشان داد که مسیرهای مدل از نظر آماری معنادار هستند. نتایج بیانگر این است که تحقق بازاریابی هایپرپرسونالیزه مستلزم تلفیق عوامل داده‌محور، توسعه زیرساخت دیجیتال، تحلیل رفتار مشتری، بهره‌گیری از هوش مصنوعی، امنیت داده، طراحی روایت برند و خلق تجربه تعاملی است. پیامدهای این مدل شامل افزایش وفاداری و اعتماد مشتریان، رشد فروش، ارتقای تعامل کمپین و تقویت شاخص‌های زیست‌محیطی است. یافته‌ها چارچوبی کاربردی و جامع برای توسعه کمپین‌های مؤثر سوخت‌های پاک ارائه می‌کنند.
کلیدواژه‌ها
بازاریابی هایپرپرسونالیزه
سوخت‌های پاک
داده‌محور
هوش مصنوعی
شخصی‌سازی تجربه مشتری

موضوعات

عنوان مقاله English

Explaining an Advanced Personalized Marketing Framework for Clean Fuels Campaigns Based on Fundamental Data Analytics

نویسندگان English

Mohammad Ebrahim Gholami Troujeni 1
Majid Fani 1
Tahereh Hallajian 2
1 Department of Business Administration, Bab.C., Islamic Azad University, Babol, Iran.
2 Department of Mining Engineering and geology, QaS.C., Islamic Azad University, Qaemshahr, Iran.
چکیده English

This study aims to develop a hyper-personalized marketing model for clean fuel campaigns, based on a data-driven approach and the integration of qualitative and quantitative methods. In the qualitative phase, semi-structured interviews with energy industry experts, digital marketing specialists, and academics were analyzed, resulting in the extraction of 40 categories and 170 concepts, which were organized within a paradigmatic framework to construct the initial conceptual model. In the quantitative phase, data were collected from current and potential customers of refining and distribution companies, and structural equation modeling demonstrated that all model paths were statistically significant. The findings indicate that implementing hyper-personalized marketing requires the integration of data-driven factors, digital infrastructure development, advanced customer behavior analysis, artificial intelligence utilization, data security, brand narrative design, and interactive experience creation. The outcomes of this model include enhanced customer loyalty and trust, increased sales, improved campaign engagement, and strengthened environmental performance. Overall, the results provide a comprehensive and practical framework for designing effective clean fuel campaigns.

کلیدواژه‌ها English

Hyper-personalized marketing
Clean fuels
Data-driven
Artificial intelligence
Customer experience personalization
احمدی، م.، همکاران (1403). "بررسی تاثیر تحلیل داده‌های بزرگ بر تجربه خرید شخصی‌شده در فروشگاه‌های آنلاین." مجله بازاریابی دیجیتال، ۱۵ (۳)، ۱۲۲-۱۳۵.
بیات، س.، همکاران (1402). "تحلیل داده‌های رفتاری مصرف‌کنندگان و طراحی استراتژی‌های بازاریابی دیجیتال با رویکرد شخصی‌سازی‌شده." نشریه مدیریت استراتژیک، ۲۴ (۲)، ۸۸-۱۰۵.
خلیلی، م.، همکاران (1400). "تأثیر داده‌های شخصی‌شده بر استراتژی‌های بازاریابی و تجربه خرید آنلاین." نشریه تحلیل رفتار مصرف‌کننده، ۱۷ (۵)، ۳۴۲-۳۵۷.
زارعی، ح.، همکاران (1401). "تأثیر تحلیل داده‌های موقعیتی بر استراتژی‌های تبلیغاتی آنلاین." پژوهش‌های بازاریابی، ۳۰ (۱)، ۷۹-۹۳.
شریفی، م.، همکاران (1401). "استفاده از فناوری‌های نوین در تبلیغات هدفمند: مدل‌سازی موقعیت‌های مکانی و شخصی‌شده." مجله بازاریابی نوین، ۹ (۲)، ۱۱۰-۱۲۵.
قاسمی، ع.، همکاران (1400). "تحلیل ارتباط شخصی‌سازی تبلیغات آنلاین و تجربه مشتری در خرید کالاهای لوکس." مجله بازاریابی و مدیریت مشتری، ۲۳ (۲)، ۱۲۳-۱۳۵.
کاظمی، م.، همکاران (1401). "تحلیل پردازش زبان طبیعی در بازاریابی دیجیتال و تبلیغات آنلاین." نشریه تحقیق و توسعه بازاریابی، ۱۲ (۳)، ۱۵۲-۱۶۳.
محمودی، ع.، همکاران (1400). "اثر داده‌های شخصی‌شده بر مدل‌های خرید و تجربیات مشتری در تجارت الکترونیک." مجله تجارت دیجیتال، ۲۷ (۳)، ۱۵۶-۱۶۹.
موسوی، ن.، همکاران (1402). "مدل‌های سفارشی‌شده تبلیغات در دیجیتال مارکتینگ: بررسی تأثیر داده‌های روان‌شناختی و رفتاری." مجله رفتار مصرف‌کننده، ۱۸ (۴)، ۲۴۷-۲۶۳.
نیک‌نژاد، ش.، همکاران (1400). "تحلیل خوشه‌ای برای طراحی کمپین‌های تبلیغاتی متناسب با رفتار مشتریان در فروشگاه‌های آنلاین." پژوهش‌های مدیریت بازار، ۱۴ (۴)، ۹۸-۱۱۰.
Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179-211.
Arora, N., Dreze, X., Ghose, A., Hess, J. D., Iyengar, R., Jing, B., ... & Shankar, V. (2008). Putting one-to-one marketing to work: Personalization, customization, and choice. Marketing Letters, 19(3-4), 305-321.
Behrami, M., & colleagues. (2021). Hyperpersonalized marketing and its impact on the growth of emerging industries: A case study of the clean fuels industry. Journal of Marketing and Management.
Binns, R., Veale, M., Van Kleek, M., & Shadbolt, N. (2018). Like trainer, like bot? Inheritance of bias in algorithmic content moderation. In Proceedings of the International Conference on Social Informatics (pp. 405-415). Springer.
Bohnsack, R., Bidmon, C. M., & Pinkse, J. (2020). Pathways for disruptive innovation to impact incumbent firms: Enriching the dominant logic. Research Policy, 49(1), 103876.
Dehaliwal, S., & colleagues. (2020). Privacy challenges in hyperpersonalized marketing: A global review and issues. Digital Marketing Journal.
Delshad, A. B., & Raymond, L. (2013). Media framing and public attitudes toward biofuels. Review of Policy Research, 30(2), 190-210.
Ebadi, N., & Nazari, M. (2024). Data-driven: Advanced tools for personalizing marketing in clean industries. Journal of Applied Marketing Research.
European Union. (2016). Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 (General Data Protection Regulation). Official Journal of the European Union.
Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1).
Frederiks, E. R., Stenner, K., & Hobman, E. V. (2015). Household energy use: Applying behavioural economics to understand consumer decision-making and behaviour. Renewable and Sustainable Energy Reviews, 41, 1385-1394.
Gershon, S., & Palmer, K. (2023). The role of digital and influencer marketing in promoting sustainable energy adoption. Journal of Cleaner Production, 385, 135678.
Jafari, M., & Nejat, A. (2017). Renewable energy in Iran: Policy perspectives and opportunities. Energy Policy, 109, 702-712.
Jia, J., Wang, X., & Song, Y. (2021). Understanding the barriers to clean fuel adoption: Evidence from a household survey in China. Energy Policy, 153, 112277.
Karami, H., & Ebadi, N. (2023). Data-driven marketing strategies for clean industries: A review of novel applications. Journal of Data Science and Business Analytics.
Morgan, R. M., & Hunt, S. D. (1994). The Commitment-Trust Theory of Relationship Marketing. Journal of Marketing, 58(3), 20-38.
Rogers, E. M. (2003). Diffusion of Innovations (5th ed.). Free Press.
Rust, R. T. (2020). The future of marketing. International Journal of Research in Marketing, 37(1), 15-26.
Smith, J., & Johnson, M. (2023). "Analyzing the Role of Artificial Intelligence in Personalized Marketing Campaigns." Journal of Digital Marketing, 21(3), 123-138.
Steg, L., Perlaviciute, G., & van der Werff, E. (2015). Understanding the human dimensions of a sustainable energy transition. Frontiers in Psychology, 6, 805.
Stern, P. C. (2000). Toward a coherent theory of environmentally significant behavior. Journal of Social Issues, 56(3), 407-424.
Sunstein, C. R., & Reisch, L. A. (2014). Automatically green: Behavioral economics and environmental protection. Harvard Environmental Law Review, 38(1), 127-158.
Taylor, D., & Harris, R. (2022). "The Impact of Predictive Analytics on Consumer Decision-Making in E-Commerce." Journal of Marketing. Analytics, 27(2), 202-218.