دانلود مقاله هوش مصنوعی در مدیریت ارتباط با مشتری
چکیده
مقدمه
روش شناسی
نتایج
بحث
نتیجه گیری
منابع
Abstract
Introduction
Methodology
Results
Discussion
Conclusion
References
چکیده
هدف
با توجه به توسعه اخیر راه حل های فناوری داده های بزرگ و هوش مصنوعی (AI) در مدیریت ارتباط با مشتری (CRM)، این مقاله یک نمای کلی سیستماتیک از این زمینه ارائه می دهد، بنابراین شکاف ها را آشکار می کند و مسیرهای امیدوارکننده ای را برای تحقیقات آینده ارائه می دهد.
طراحی/روش/رویکرد
در مجموع 212 مقاله بررسی شده بین سال های 1989 تا 2020 از پایگاه داده اسکوپوس استخراج شد و از 2 تکنیک کتاب سنجی استفاده شد: جفت کتابشناختی و همزمانی کلمات کلیدی.
یافته ها
نتایج تجزیه و تحلیل کتاب‌سنجی نویسندگان را قادر می‌سازد تا سه زیرشاخه اصلی ادبیات هوش مصنوعی را در حوزه CRM شناسایی کنند (داده‌های بزرگ و CRM به‌عنوان پایگاه داده، تکنیک‌های هوش مصنوعی و یادگیری ماشینی که برای فعالیت‌های CRM و مدیریت استراتژیک ادغام‌های AI-CRM اعمال می‌شود) و به تصویر بکشند. مسیرهای امیدوارکننده برای توسعه آینده برای هر یک از این زیر شاخه ها. این مطالعه همچنین یک مدل مفهومی سه مرحله‌ای را برای پیاده‌سازی هوش مصنوعی در CRM توسعه می‌دهد که می‌تواند از یک سو، محققان را در تعمیق بیشتر دانش در این زمینه و از سوی دیگر، مدیران را در برنامه‌ریزی یک استراتژی مناسب و منسجم حمایت کند.
اصالت/ارزش
با بهترین دانش نویسندگان، این مطالعه اولین مطالعه ای است که ادبیات مربوط به رابطه بین هوش مصنوعی و CRM را بر اساس تجزیه و تحلیل کتاب سنجی نظام مند و مورد بحث قرار می دهد. بنابراین، هم دانشگاهیان و هم شاغلین می توانند از این مطالعه بهره مند شوند، زیرا جهت گیری های مهم اخیر در تحقیقات و شیوه های مدیریت CRM را آشکار می کند.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
Purpose
Due to the recent development of Big Data and artificial intelligence (AI) technology solutions in customer relationship management (CRM), this paper provides a systematic overview of the field, thus unveiling gaps and providing promising paths for future research.
Design/methodology/approach
A total of 212 peer-reviewed articles published between 1989 and 2020 were extracted from the Scopus database, and 2 bibliometric techniques were used: bibliographic coupling and keywords’ co-occurrence.
Findings
Outcomes of the bibliometric analysis enabled the authors to identify three main subfields of the AI literature within the CRM domain (Big Data and CRM as a database, AI and machine learning techniques applied to CRM activities and strategic management of AI–CRM integrations) and capture promising paths for future development for each of these subfields. This study also develops a three-step conceptual model for AI implementation in CRM, which can support, on one hand, scholars in further deepening the knowledge in this field and, on the other hand, managers in planning an appropriate and coherent strategy.
Originality/value
To the best of the authors’ knowledge, this study is the first to systematise and discuss the literature regarding the relationship between AI and CRM based on bibliometric analysis. Thus, both academics and practitioners can benefit from the study, as it unveils recent important directions in CRM management research and practices.
Introduction
Customer relationship management (CRM) activity involves collecting, managing and intelligently using data with the support of technology solutions to develop long-term customer relationships and exceptional customer experience (CX) (Boulding et al., 2005; Payne and Frow, 2005; Rababah, 2011). The data obtained from all customer contact points, if well managed, can support companies in generating personalised marketing responses, creating new ideas, tailoring products and services and, thus, delivering high customer value and gaining competitive advantage (Kumar and Misra, 2021; Payne and Frow, 2005; Paquette, 2010). In the digital age, the increasing volume, velocity and variety of data, as well as their processing capacity, have led to new technology solutions, including the advancement of artificial intelligence (AI) techniques (Brynjolfsson and McAfee, 2017). AI refers to a system’s ability to interpret a large quantity of data correctly, learn from such data and use these learnings to reach specific goals and tasks (Kaplan and Haenlein, 2019).
Conclusion
Answering the call of Raisch and Krakowski (2020) to develop comprehensive perspectives on the AI debate in management, this study identifies and describes three subfields that shape and characterise this literature within the CRM domain: Big Data and CRM as a database, AI and ML techniques applied to CRM activities and strategic management of AI–CRM integrations.
The findings suggest that CRM is evolving from a data-driven strategy to an AI-driven strategy (Colson, 2019). In addition, very recently, scholars have been approaching the topic with a broader strategic perspective to harness the power of AI to improve CRM, rather than only investigating specific technological applications to maximise the operational efficiency or CX within a single CRM activity. However, further development of the two subfields “Big Data and CRM as a database” and “AI and ML techniques applied to CRM activities” might be beneficial to support the growth of the third subfield.