دانلود ترجمه مقاله ارائه مدل هوش مصنوعی مبتنی بر همکاری در بازاریابی

عنوان فارسی

چارچوبی برای هوش مصنوعی مشارکتی در بازاریابی

عنوان انگلیسی

A Framework for Collaborative Artificial Intelligence in Marketing

کلمات کلیدی

هوش مصنوعی؛ AI مشارکتی؛ هوش مشارکتی؛ افزایش؛ جایگزینی

درسهای مرتبط

مدیریت بازاریابی

تعداد صفحات انگلیسی : 15 نشریه : ELSEVIER
سال انتشار : 2021 تعداد رفرنس مقاله : 78
فرمت مقاله انگلیسی : PDF نوع مقاله : ISI
آیا این مقاله برای بیس پایان نامه مناسب است؟ : بله آیا این مقاله برای ارائه کلاسی مناسب است؟ : بله
وضعیت شکل ها و عنوان شکل ها: ترجمه شده است. وضعیت جداول و عنوان جداول : ترجمه شده است.
وضعیت تایپ فرمول ها : فرمول ندارد نام مجله مقاله : Journal of Retailing (مجله خرده فروشی)
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 36 صفحه با فونت ۱۴ B Nazanin آیا در بسته تبلیغات سایت نیز قرار داده شده است؟: محتوی بسته این محصول فاقد هر گونه تبلیغات می باشد.
پاورپوینت : ندارد گزارشکار : ندارد شبیه سازی : ندارد
سطح کیفیت ترجمه و ضمانت فراپیپر برای این مقاله چگونه است؟

ترجمه دارای وضعیت طلایی بوده و تا 24 ساعت در صورت عدم رضایت مشتری مبلغ مورد نظر عودت داده خواهد شد.

بعد از خرید این محصول یک فایل برای شما قابل دانلود خواهد بود که دارای ورد (word) ترجمه مقاله است که قابل ویرایش است و همچنین pdf ترجمه مقاله به همراه pdf مقاله انگلیسی برای شما قابل مشاهده خواهد بود. در فایل های دانلود هیچگونه تبلیغاتی وجود ندارد و شما با خیال راحت میتوانید از ترجمه مقاله استفاده کنید.

فهرست مطالب

1. مقدمه
2. AI چندگانه
3. هوش مشارکتی در زمینه بازاریابی
4. GP1: قدرت نسبی AI-HI
5. GP2: همکاری AI-HI
6. GP3: دوگانگی تقویت-جایگزینی AI-HI
7. بحث و بررسی
8. مشارکت ها و نتیجه گیری

نمونه متن انگلیسی مقاله ---> بهینه سازی هوش مشارکتی

Optimize collaborative intelligence:
GP1 identifies that current AI has relative strengths on mechanical and analytical intelligences, whereas HI has relative strengths on contextual, intuitive, and feeling intelligences. To optimize collaborative intelligence, marketers need to maximize AI-HI complementarity based on their respective strengths. Any marketing function typically involves tasks requiring difference intelligences. In general, the more mechanical and analytical tasks in a marketing function, such as service delivery (Huang and Rust 2021a; Mende et al. 2019) or personalized recommendation (e.g., Chung, Rust, and Wedel 2009; Chung, Wedel, and Rust 2016), the more AI can be used. Alternatively, the more contextual, intuitive, and empathetic tasks in a marketing function, such as service interaction (Huangand Rust 2021a; Kidwell et al. 2020), marketing strategy development (Huang and Rust 2021b), or personal health service (Longoni, Bonezzi, and Morewedge 2019), the more HI should be used. Specifically: At the mechanical level, AI can automate non-contextual tasks while supporting HI for contextual tasks. For example, some restaurants use smart devices to let customers place orders themselves. While this approach is good for fast food restaurants, which focus mostly on operational efficiency, it may not be ideal for high-end restaurants, where contextual interaction and personal service are an integrated part of the dining experience. Also, as discussed when developing GP2a, for tasks that are undesirable or difficult for human employees to do, mechanical AI can help. At the thinking level, AI can automate data analytics while supporting HI’s intuition (e.g., creativity). For example, AI can be used for segmentation (segment recognition), targeting (segment recommendation), and positioning (segment resonance)(Huang and Rust 2021b). Nevertheless, sometimes marketers use it the other way round, by relying too much on analytics and undermining the importance of human intuition. For example, Lexus car’s 2018 “Driven by Intuition” commercial used machine learning to produce the script of the ad by learning from 15 years of luxury ads. The ad is eye-catching and feeling-rich, but the consumer segmentation and value proposition of the car appear to be vague, indicating that the role of human intuition in creating an effective ad may be undervalued. At the feeling level, AI can automate affective analytics while supporting marketers for interaction and communication with customers. As the discussion of the AI-HI relative strengths revealed, feeling intelligence is not the strength of AI yet, but we often see that marketers are too eager to use AI for feeling tasks, such as having chatbots doing call-out marketing to persuade customers to renew their financial plans, resulting in customer discomfort when customers realize they are talking to a bot (e.g., Luo et al. 2019). This shows that, similar to the immature use of analytical AI for intuition, marketers should recognize the value of human feeling intelligence, and use all levels of AI intelligences to augment it.

ترجمه بخش انگلیسی

بهینه سازی هوش مشارکتی:
GPI مشخص می کند که HI دارای نقاط قوت نسبی در زمینه هوش زمینه ای، شهودی و احساسی بوده و AI فعلی دارای نقاط قوت نسبی در زمینه هوش های مکانیکی و تحلیلی می باشد. برای بهینه سازی هوش مشارکتی، بازاریابان بایستی بر اساس نقاط قوت خود مکمل بودن AI-HI را به حداکثر برسانند. هر عملکرد بازاریابی معمولاً شامل وظایفی است که به هوش متفاوتی نیاز دارد. به طور کلی، هر چه وظایف مربوطه در یک عملکرد بازاریابی، مانند ارائه خدمات یا توصیه شخصی (به عنوان مثال، چانگ، روست، و ویدل 2009؛ چانگ، ویدل، و روست 2016) مکانیکی و تحلیلی تر باشد، از AI بیشتری می توان استفاده نمود. از سوی دیگر، در مورد وظایف زمینه‌ای، شهودی و همدلانه‌تر در یک عملکرد بازاریابی، مانند تعامل خدمات (هوانگ و رست 2021؛ کیدول و همکاران 2020)، توسعه استراتژی بازاریابی (هوانگ و رست 2021b)، یا خدمات سلامت شخصی (لانگونی، بونزی و موروج 2019)، بایستی از HI بیشتر استفاده شود. به طور مثال می توان اینگونه عنوان کرد: AI در سطح مکانیکی می‌تواند وظایف غیر زمینه ای را خودکار کند در حالی که از HI برای کارهای زمینه ای پشتیبانی می‌کند. به طور مثال، برخی از رستوران ها از دستگاه های هوشمند استفاده می کنند تا به مشتریان اجازه دهند تا خودشان سفارش دهند. در حالیکه این رویکرد در مورد رستوران‌های فست فود، که بیشتر بر کارایی عملیاتی متمرکز هستند، خوب است، اما ممکن است برای رستوران‌های سطح بالا که تعامل زمینه ای و خدمات شخصی بخشی لاینفکی از تجربه غذاخوری است، چندان ایده‌آل نباشد. همچنین، همانطور که در هنگام توسعه GP2a مطرح شد، برای کارهایی که انجام آنها نامطلوب یا دشوار است، AI مکانیکی می تواند موثر باشد. در سطح تفکر، AI می‌تواند تحلیل داده‌ها را خودکار کرده و از شهود HI (نظیر خلاقیت) پشتیبانی کند. به طور مثال، AI می تواند برای تقسیم بندی (تشخیص بخش)، هدف گیری (توصیه بخش) و موقعیت یابی (هانگ و روست 2021) استفاده شود. اما گاهی اوقات بازاریابان با تکیه بیش از حد بر تحلیل و تضعیف اهمیت شهود انسانی به صورت معکوس از آن استفاده می کنند. به طور مثال، آگهی تجاری 2018 خودروی لکسوس "حرکت بر طبق شهود" از یادگیری ماشینی برای تولید متن آگهی با یادگیری 15 سال تبلیغات لوکس استفاده نمود. این تبلیغ چشم نواز و قابل توجه است، اما در آن تقسیم بندی مصرف کننده و پیشنهاد ارزش خودرو مبهم و گنگ به نظر می رسد، که گویای این است که نقش شهود انسان در ایجاد یک تبلیغ موثر ممکن است از ارزش چندانی برخوردار نباشد. همپنین، در سطح احساس، AI می تواند تحلیل عاطفی را خودکار کرده و از بازاریابان برای تعامل و ارتباط با مشتریان پشتیبانی کند. همانطور که در مورد نقاط قوت نسبی AI-HI مطرح شد، هنوز هوش احساسی نقطه قوت AI نیست، اما اغلب مشاهده می کنیم که بازاریابان برای استفاده از AI برای کارهای احساسی، نظیر داشتن چت ربات هایی که بازاریابی فراخوانی را برای متقاعد کردن مشتریان انجام می دهند، بسیار علاقه مند هستند. برای تمدید برنامه های مالی خود، در نتیجه زمانیکه مشتریان متوجه می شوند که با یک ربات صحبت می کنند، به ناراحتی و رنجش مشتری منجر می شود (به طور مثال، لو و همکاران 2019). این امر گویای این است که مانند استفاده نابالغ از AI تحلیلی برای شهود، بازاریابان بایستی ارزش هوش احساسی انسان را تشخیص داده و برای تقویت آن از تمام سطوح هوش AI استفاده کنند.

توضیحات و مشاهده مقاله انگلیسی

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دانلود ترجمه مقاله ارائه مدل هوش مصنوعی مبتنی بر همکاری در بازاریابی”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

1 + 14 =

مقالات ترجمه شده

تمامی حقوق مادی و معنوی برای سایت فراپیپر محفوظ است.