پیش‌بینی عوامل پذیرش بازاریابی تلفن همراه: رویکرد ترکیبی مدل‌سازی معادلات ساختاری و شبکۀ مصنوعی عصبی (SEM-ANN)

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشیار، گروه مدیریت، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران.

2 دانشجوی دکتری، گروه مدیریت بازاریابی، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران.

3 استادیار، گروه ریاضی و علوم کامپیوتر، دانشکده علوم، دانشگاه زنجان، زنجان، ایران.

10.22059/jibm.2024.376863.4789

چکیده

هدف: تکامل دستگاه تلفن همراه، به‌طور قطع یکی از موفق‌ترین نوآوری‌های تاریخ محسوب می‌شود و انتشار گسترده و فراگیر بودن آن، از موفقیت این فناوری حکایت می‌کند. مدیران بازاریابی و کسب‌وکار، به‌طور فزاینده‌ای تلفن همراه را ابزاری جذاب می‌بینند؛ زیرا به‌کمک آن می‌توانند از طریق انواع مختلف ارتباطات بازاریابی با مشتریان تعامل داشته باشند. بازاریابی تلفن همراه، یک کانال ارتباطی و سرگرمی بین برند و مصرف‌کنندگان نهایی است که به‌عنوان جایگزینی برای رویکردهای بازاریابی کلاسیک و عنصر کلیدی بالقوه برای استراتژی‌های ارتباط بازاریابی یکپارچۀ آینده درک می‌شود. از سوی دیگر، پیشرفت سریع فناوری اطلاعات، به رشد انفجاری تولید داده منجر شده است. وجود پایگاه‌های عظیم از داده‌های مشتریان، امروزه مزیت فوق‌العاده برای کسب‌وکارها محسوب می‌شود؛ اما استفاده از روش‌های سنتی، توان پردازش این حجم از داده را ندارد. علم داده‌کاوی با فراهم‌کردن روش‌های خودکارسازی تحلیل و استخراج داده‌ها، راه‌حل مناسبی برای این مسئله است. هدف این پژوهش ارائه مدلی برای پیش‌بینی عوامل پذیرش بازاریابی تلفن همراه با استفاده از رویکرد ترکیبی مدل‌سازی معادلات ساختاری و شبکۀ عصبی مصنوعی است. رویکرد
PLS-ANN یک روش تحلیلی جدید در سیستم‌های خبره و هوش مصنوعی است. این رویکرد، در مقایسه با رویکرد رگرسیون چندمتغیره موجود، چندین مزیت دارد که فقط می‌تواند مدل‌های خطی و جبرانی را آزمایش کند.
روش: پرسش‌نامه‌ها به‌صورت آنلاین و به‌روش نمونه‌گیری در دسترس توزیع و ۲۱۹ نسخه جمع‌آوری شد. داده‌های توصیفی با استفاده از نرم‌افزار اس‌پی‌اس‌اس و فرضیه‌های پژوهش ابتدا با استفاده از مدل‌سازی معادلات ساختاری و روش حداقل مربعات جزئی (PLS-SEM) و در گام بعدی با استفاده از شبکۀ عصبی مصنوعی (ANN) و زبان برنامه‌نویسی پایتون بررسی شدند.
یافته‌ها: نتایج این مطالعه بیان می‌کند که روابط پیشنهادی بین سازه‌ها، ضرایب معناداری را نشان می‌دهند؛ بنابراین مدل پژوهش به‌طور کلی قابل قبول است. براساس نتایج به‌دست‌آمده از مدل‌سازی معادلات ساختاری، تمام فرضیه‌های پژوهش، مبنی بر تأثیر مثبت متغیرهای نگرش، شخصی‌سازی‎، نوآوری مصرف‌کننده، اعتبار و آگاهی‌بخشی بر پذیرش بازاریابی تلفن همراه تأیید شد و شبکۀ عصبی مصنوعی نیز توانست به‌خوبی و با دقت 96/0 مدل پژوهش را پیش‌‌بینی کند.
نتیجه‌گیری: مزایای بازاریابی تلفن همراه، شامل در دسترس بودن در همه جا، سفارشی‌سازی بر اساس مشخصات مکانی ـ زمانی و ویژگی‌های فردی کاربران است. بازاریابی تلفن همراه، نحوه تعامل بازاریابان با مشتریان خود را تغییر داده است. این روند فرصت‌های جدیدی را برای مشاغلی که در دسترسی به مصرف‌کنندگان به روش‌های سنتی مشکل دارند، شکل داده است. بنابراین، بررسی واکنش‌های مصرف‌کنندگان به ارتباطات بازاریابی با این فناوری‌های جدید، اجتناب‌ناپذیر است. نتایج پژوهش پیش‌رو، می‌تواند به مدیران بازاریابی کسب‌وکارها، به‌منظور تدوین استراتژی بازاریابی مناسب برای استفاده از ابزار تلفن همراه کمک کند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Predicting Mobile Marketing Acceptance Factors: A Hybrid Approach of Structural Equation Modeling and Artificial Neural Network (SEM-ANN)

نویسندگان [English]

  • Ameneh Khadivar 1
  • Niloufar Hadianfar 2
  • Ahmad Aliyari Boroujeni 3
1 Associate Prof., Department of Management, Faculty of Social Sciences and Economics, Alzahra University, Tehran, Iran.
2 Ph.D. Candidate, Department of Marketing Management, Faculty of Social Sciences and Economics, Alzahra University, Tehran, Iran.
3 Assistant Professor, Department of Mathematics and Computer Science, Faculty of Science, University of Zanjan, Zanjan, Iran.
چکیده [English]

Objective
The evolution of the mobile phone is one of the most successful innovations in history, and its wide distribution and ubiquity indicate the success of this technology. Marketing and business managers increasingly see mobile as an attractive tool through which they can engage with customers through various types of marketing communications. Mobile marketing is a communication and entertainment channel between the brand and end consumers, which is understood as an alternative to classical marketing approaches and a potential key element for future integrated marketing communication strategies. In addition, the rapid development of information technology has led to the explosive growth of data production. Possessing vast databases of customer information offers a significant advantage for modern businesses. However, traditional analytical methods are inadequate for processing such large volumes of data. Data mining addresses this challenge by offering automated techniques for analyzing and extracting meaningful patterns from extensive datasets. This study aims to provide a model for predicting mobile marketing acceptance factors using the hybrid approach of structural equation modeling and artificial neural network (ANN). PLS-ANN approach is a new analytical method in expert systems and artificial intelligence. This approach has several advantages compared to the existing multivariate regression approach, which can only test linear and compensatory models.
 
Methodology
A total of 219 questionnaires were collected using the convenience sampling method. Descriptive statistics were analyzed with SPSS software. The research hypotheses were first examined using structural equation modeling with the partial least squares method (PLS-SEM), followed by analysis through artificial neural networks (ANN) using Python.
 
Findings
The proposed relationships between the constructs show significant coefficients; therefore, the research model is generally acceptable. Based on the results obtained from the structural equation modeling, all the hypotheses were confirmed (the positive impact of attitude, personalization, consumer innovativeness, credibility, and informativeness on the adoption of mobile marketing), and the artificial neural network was able to predict the research model well and with high accuracy ( = 0.96).
 
Conclusion
Mobile marketing offers several advantages, including ubiquitous accessibility and the ability to customize content based on time, location, and individual user characteristics. It has transformed the way marketers engage with their customers, creating new opportunities for businesses that face challenges in reaching consumers through traditional channels. Accordingly, investigating consumers' reactions to marketing communications with these new technologies is inevitable. The results of the upcoming research can be beneficial for business marketing managers to develop a suitable marketing strategy for using mobile devices.

کلیدواژه‌ها [English]

  • Artificial neural network
  • Data mining
  • Mobile marketing
  • Technology acceptance

مراجع

اسماعیل‌پور، رضا؛ اکبری، محسن و تاخیره، زهرا (1396). بررسی نقش فشار زمانی پیام کوتاه در اثربخشی تبلیغات تلفن همراه با تعدیلگری سن مشتریان. مدیریت بازرگانی، 9(1)، 43-62.
بحرینی‌زاده، منیژه و پوردهقان، عادل (1394). ارائه مدلی برای بررسی تأثیر عوامل مربوط به ارتباطات بازاریابی/رسانه بر پذیرش تبلیغات موبایلی. مدیریت بازرگانی، 7(3)، 563-582.
حافظ‌نیا، محمدرضا (1389). روش تحقیق در علوم انسانی. تهران: سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه‌ها.
خدامی، سهیلا؛ نوروزی، حسین و مروتی شانجانی، مهسا (1396). عوامل تأثیرگذار بر استفاده مصرف‌کنندگان از تبلیغات موبایلی مبتنی بر نظریه یکپارچه پذیرش و استفاده از تکنولوژی (UTAUT). تحقیقات بازاریابی نوین. 7 (4)، 173-194.
دورودیان، محمد هادی؛ حاتمی، امیر و رضوانی کنارسری، مهدی (1398). عوامل مؤثر بر پذیرش بازاریابی موبایلی، از نظر مصرف‌کننده در میان بانوان ایرانی. شانزدهمین کنفرانس بین‌المللی مهندسی صنایع، تهران: ایران.
سلیمی فرد، خداکرم و پوردهقان، عادل (1395). شناسایی و رتبه‌بندی عوامل مؤثر بر نگرش نسبت به تبلیغات موبایلی، با استفاده از تحلیل سلسله‌مراتبی فازی. مدیریت برند، 3(2)، 133-160.‎
طالقانی، محمد و خلخالی‌راد، مونا (1394). عوامل مؤثر بر پذیرش بازاریابی موبایلی. پنجمین کنفرانس ملی مدیریت و حسابداری. تهران، ایران.
عابدی، رحیم و محمدزاده ونستان، سهیلا (1403). بررسی نقش توانمندسازهای هوش مصنوعی و آمادگی هـوش مصـنوعی شرکت‌ها در پذیرش سیستم مدیریت روابط با مشتری ادغام شده با هوش مصنوعی. مدیریت بازرگانی، 1(16)، 34 -58.
عرب‌شاهی، معصومه؛ علی مشکور، اسامه و بهبودی، امید (1402). عوامل مؤثر بر قصد استفاده از اپلیکیشن موبایلی اسنپ فود (مورد مطالعه: کاربران شهر مشهد). رسانه، 34 (133)، 101-125.
ماه‌آورپور، نسرین و کاظمی، علی (1396). ارزیابی تأثیر عوامل فردی بر نگرش مصرف‌کننده درباره برنامه‌های کاربردی تلفن همراه: مطالعه کاربران گوشی هوشمند در بین دانشجویان کارشناسی دانشگاه اصفهان. تحقیقات بازاریابی نوین، 1، 20- 26.  
مطهری، محمد و فخری، فاطمه (1398). نگرش کاربران گوشی‌های هوشمند نسبت به تبلیغات موبایلی. پنجمین کنفرانس بین‌المللی مدیریت، حسابداری و توسعه اقتصادی. گرجستان.
نوروزی، حسین؛ اسانلو، بهاره و صالح گوهری، علی (1402). بررسی تأثیر عوامل شناختی و عاطفی بر پاسخ‌های رفتاری مصرف‌کننده در تبلیغات رفتاری آنلاین. مدیریت بازرگانی، 16(1)، 1-33.
 
References
Abedi, R. & Mohammadzadeh Vanestan, S. (2024). Investigating the Role of Artificial Intelligence Enablers and Companies' Readiness in Adopting an Artificial IntelligenceIntegrated Customer Relationship Management System. Business Management, 16(1), 34-58. https://doi.org/10.22059/JIBM.2023.352689.4509
(in Persian)
Ahmad, M. & Rana, M. L. T. (2023). Fostering Consumer’s Acceptance of SMS-Based Mobile Advertising: A South Asian Perspective. Annals of Human and Social Sciences, 4(2), 638-651.
Alhammadi, S. & Alshurideh, M. (2024). Factors influencing customers’ attitude to adopt e-government mobile applications. International Journal of Data and Network Science, 8(2), 1129-1140.
Allahham, M. & Ahmad, A. (2024). AI-induced anxiety in the assessment of factors influencing the adoption of mobile payment services in supply chain firms: A mental accounting perspective. International Journal of Data and Network Science, 8(1), 505-514.
Amer, M. S., Abdallah, Q. B. & Hanadi, A. S. (2016). Building a model for determining the factors affecting mobile marketing acceptance and adoption. International Review of Management and Business Research, 5(3), 1-22.
Arabshahi, M., Ali Mashkoor, O. & Behboodi, O. (2023). Factors affecting the intention to use the Snap Food mobile application (case study: Mashhad users). Media. 34(133): 101-125. (in Persian)
Ashari Nasution, R., Arnita, D. & Fatimah Azzahra, D. (2021). Digital readiness and acceptance of mobile advertising. Australasian Marketing Journal, 29(1), 95-103.
Azemi, Y., Ozuem, W., Wiid, R. & Hobson, A. (2022). Luxury fashion brand customers’ perceptions of mobile marketing: Evidence of multiple communications and marketing channels. Journal of Retailing and Consumer Services, 66, 102944.
Bahrainizadeh, M. & Pourdehghan, A. (2015). Providing a model for investigating the impact of marketing communications / media on acceptance of mobile advertising. Journal of Business Management, 7(3), 563-582. doi: 10.22059/jibm.2015.51917 (in Persian)
Basheer, A. A. A. & Ibrahim, A. A. (2010). Mobile marketing: Examining the impact of trust, privacy concern and consumers' attitudes on intention to purchase. International journal of business and management, 5(3), 28.
Bauer, H. H., Barnes, S. J., Reichardt, T. & Neumann, M. M. (2008). Driving consumer acceptance of mobile marketing: a theoretical framework and empirical study. Journal of electronic commerce research, 6(3), 181.
Baydaş, A., Bayat, M. & Yaşar, M. E. (2019). An empirical research on the determination of consumer perceptions related to mobile marketing applications. International journal of contemporary economics and administrative sciences, 9(2), 370-404.
Bernritter, S. F., Okazaki, S. & West, D. C. (2022). Mobile technology and advertising: Moving the research agenda forward. Journal of Advertising, 51(4), 407-410.
Bharadiya, J.P. (2023). Leveraging machine learning for enhanced business intelligence. International Journal of Computer Science and Technology, 7(1), 1-19.
Burkov, A. (2019). The hundred-page machine learning book. Quebec City, QC, Canada: Andriy Burkov.
Chaikovska, M. & Shkeda, O. (2023). Machine learning algorithm for an artificial neural network for building a model of managerial decision-making when developing a marketing strategy. Маркетинг І Цифрові Технології, 7(2), 137-146.
Chauhan, S., Mittal, M., Woźniak, M., Gupta, S. & Pérez de Prado, R. (2021). A technology acceptance model-based analytics for online mobile games using machine learning techniques. Symmetry, 13(8), 1545.
Dangaiso, P., Jaravaza, D. C. & Mukucha, P. (2024). Evaluating the predictors of mobile health acceptance among Zimbabwean university students during the COVID-19 era: an integrated framework. Cogent Social Sciences, 10(1), 2299141.
Drossos, D. A., Giaglis, G. M., Vlachos, P. A., Zamani, E. D. & Lekakos, G. (2013). Consumer responses to SMS advertising: Antecedents and consequences. International Journal of Electronic Commerce, 18(1), 105-136.
Durodian, M. H. Hatami, A. & Rizvani Kanarsari, M. (2018). Factors affecting the acceptance of mobile marketing from the point of view of consumers among Iranian women. 16th International Industrial Engineering Conference, Tehran: Iran, https://civilica.com/doc/1034753 (in Persian)
Elsayaad, A. E. (2021). The Antecedents of Effective Mobile Marketing for Strengthening Consumers' Chances of Mobile Marketing Acceptance. DOI: 10.21608/sjsc.2021.57735.1016
Faraz, S. & Hamid, K.H. (2010). Mobile advertising: an investigation of factors creating positive attitude in Iranian customers. African Journal of Business Management,  5(2), 394-404.
Gao, T., Rohm, A. J., Sultan, F. & Huang, S. (2012). Antecedents of consumer attitudes toward mobile marketing: A comparative study of youth markets in the United States and China. Thunderbird International Business Review, 54(2), 211-224.
Goel, A., Goel, A. K. & Kumar, A. (2023). The role of artificial neural network and machine learning in utilizing spatial information. Spatial Information Research, 31(3), 275-285.
Hafeznia, M. (2010). Research method in humanities. Organization of studying and editing humanities books of universities. Tehran. (in Persian)
Hameed, I., Akram, U., Khan, Y., Khan, N. R. & Hameed, I. (2024). Exploring consumer mobile payment innovations: An investigation into the relationship between coping theory factors, individual motivations, social influence and word of mouth. Journal of Retailing and Consumer Services, 77, 103687.
Heaton, J. (2008). Introduction to neural networks with Java. Heaton Research, Inc..
Herhausen, D., Bernritter, S. F., Ngai, E. W., Kumar, A. & Delen, D. (2024). Machine learning in marketing: Recent progress and future research directions. Journal of Business Research, 170, 114254.
Ismail, M. & Razak, R. C. (2011). The determinant factors influencing young consumers' acceptance of mobile marketing in Malaysia. African Journal of Business Management, 5(32), 12531.
Ismailpour, R., Akbari, M. & Tarveh, Z. (2017). Examining the role of short message time pressure in the effectiveness of mobile phone ads by moderating the age of customers. Business Management,  9(1), 43-62. (in Persian)
Khatri, A., Khatri, H. & Murthal, D. C. R. U. S. T. (2022). Investors Perception Towards Smart-Phone App Based Investments: An Investigation in Indian Context Exploring Relationship Between Trust and Usage Attitude. Journal of Contemporary Issues in Business and Government Vol, 28(03).
Khoddami, S., Norouzi, H. & Morovati, M. (2018). A Study of Factors Affecting Consumer Use of Mobile Advertising based on the Unified Theory of Acceptance and Use of Technology. New Marketing Research Journal, 7(4), 173-194. (in Persian)
Koloba, H. A. & Surtie, S. S. (2023). Acceptance of Mobile Marketing Amongst Generation Z Students in South Arica: The Moderating Role of Attitude. Acta Universitatis Danubius. Œconomica, 19(5), 100-113.
Kurtz, O. T., Wirtz, B. W. & Langer, P. F. (2021). An empirical analysis of location-based mobile advertising—Determinants, success factors, and moderating effects. Journal of Interactive Marketing, 54(1), 69-85.
Kwarteng, M. A., Ntsiful, A., Osakwe, C. N. & Ofori, K. S. (2024). Modeling the acceptance and resistance to use mobile contact tracing apps: a developing nation perspective. Online Information Review, 48(1), 43-66.
Leong, L. Y., Hew, T. S., Ooi, K. B. & Dwivedi, Y. K. (2020). Predicting trust in online advertising with an SEM-artificial neural network approach. Expert Systems with Applications, 162, 113849.
Liébana-Cabanillas, F., Marinkovic, V., De Luna, I. R. & Kalinic, Z. (2018). Predicting the determinants of mobile payment acceptance: A hybrid SEM-neural network approach. Technological Forecasting and Social Change, 129, 117-130.
Limpf, N. & Voorveld, H. A. (2015). Mobile location-based advertising: how information privacy concerns influence consumers' attitude and acceptance. Journal of Interactive Advertising, 15(2), 111-123.
Lin, T. T. & Bautista, J. R. (2018). Content-related factors influence perceived value of location-based mobile advertising. Journal of Computer Information Systems. DOI:10.1080/08874417.2018.1432995
Ling, P. S., Lee, K. Y. M., Ling, L. S. & Mohd Suhaimi, M. K. A. (2024). Investors’ intention to use mobile investment: an extended mobile technology acceptance model with personal factors and perceived reputation. Cogent Business & Management, 11(1), 2295603.
Liu, F., Kanso, A., Zhang, Y. & Olaru, D. (2019). Culture, perceived value, and advertising acceptance: a cross-cultural study on mobile advertising. Journal of Promotion Management, 25(7), 1028-1058.
Lom, H. S., Thoo, A. C., Lim, W. M. & Koay, K. Y. (2023). Advertising value and privacy concerns in mobile advertising: the case of SMS advertising in banking. Journal of Financial Services Marketing, 1-19.
Lu, C. C., Wu, L. & Hsiao, W. H. (2019). Developing customer product loyalty through mobile advertising: Affective and cognitive perspectives. International Journal of Information Management, 47, 101-111.
Maduku, D. K. (2020). Privacy concerns, internal political efficacy, intrusiveness, and voter resistance to the acceptance of political mobile marketing campaigns. International Journal of Nonprofit and Voluntary Sector Marketing, 25(1), e1636.
Mah Avarpour, N. & Kazemi, A. (2016). Evaluating the impact of individual factors on consumer attitudes about mobile phone applications: A study of smartphone users among undergraduate students of Isfahan University. Modern marketing research, 26, 1-20.
(in Persian)
Mandegari, A., Nematizadeh, S. & Heydari, A. (2023). Identifying Factors Affecting the Acceptance of Mobile Marketing Activities by Customers Using a Meta-Synthesis Approach. International Journal of Digital Content Managment, 4(7).
Merisavo, M., Kajalo, S., Karjaluoto, H., Virtanen, V., Salmenkivi, S., Raulas, M. & Leppäniemi, M. (2007). An empirical study of the drivers of consumer acceptance of mobile advertising. Journal of interactive advertising, 7(2), 41-50.
Motahari, M. & Fakhri, F. (2018). The attitude of smartphone users towards mobile advertising. The fifth international conference on management, accounting and economic development. Georgia. (in Persian)
Munawar, S., Qureshi, A. M. & Muhammad, F. S. (2022). Take it on the Chin! Advertising Acceptance on Mobile Platforms-A Review of Literature. Market Forces, 17(1), 121-162.
Murillo-Zegarra, M., Ruiz-Mafe, C. & Sanz-Blas, S. (2020). The effects of mobile advertising alerts and perceived value on continuance intention for branded mobile apps. Sustainability, 12(17), 6753.
Norouzi, H., Osanlou, B. & Saleh Gohari, A. (2024). Examining the Impact of Cognitive and Emotional Factors on Consumer Behavioral Responses in Online Behavioral Advertising. Journal of Business Management, 16(1), 1-33. https://doi.org/10.22059/JIBM.2023. 352929.4511 (in Persian)
Nwagwu, W. E. & Famiyesin, B. (2016). Acceptance of mobile advertising by consumers in public service institutions in Lagos, Nigeria. The Electronic Library, 34(2), 265-288.
Osinga, E. C., Zevenbergen, M. & van Zuijlen, M. W. (2019). Do mobile banner ads increase sales? Yes, in the offline channel. International Journal of Research in Marketing, 36(3), 439-453.
Palamidovska-Sterjadovska, N., Prodanova, J. & Ciunova-Shuleska, A. (2024). Why do customers value m-banking apps? A stimulus-organism-response perspective. Spanish Journal of Marketing-ESIC.
Pang, H., Qiao, Y. & Zhang, K. (2024). Modeling pathway linking mobile social media intensity to attitude towards electronic word-of-mouth and engagement: The significant role of social trust and perceived homophily. Technological Forecasting and Social Change, 198, 123023.
Ripley, B.D. (1996). Pttern recognition and neural network, Cambridge: Cambridge University Press.
Rodríguez-López, M. E., Higueras-Castillo, E., Rojas-Lamorena, Á. J. & Alcántara-Pilar, J. M. (2024). The future of TV-shopping: predicting user purchase intention through an extended technology acceptance model. Technological Forecasting and Social Change, 198, 122986.
Roshanzamir, M., Alizadehsani, R., Roshanzamir, M., Shoeibi, A., Gorriz, J. M., Khosravi, A. & Acharya, U. R. (2023). Using Data Mining Techniques to Analyze Facial Expression Motion Vectors. In International Conference on the Dynamics of Information Systems: 1-19. Cham: Springer Nature Switzerland.
Safaie, N., Hamidi, H. & Vali, M. (2023). A Framework for Analysis of Predictors of Mobile-marketing Use by Expanding Unified Theory of Acceptance and Use of Technology and Artificial Neural Networks. International Journal of Engineering, 36(5), 1012-1022.
Salimi Fard, Kh. & Pourdehghan, A. (2016). Identifying and ranking the factors affecting the attitude towards mobile advertising, using fuzzy hierarchical analysis. Brand Management, 3(2), 133-160.‎ (in Persian)
Sari, D. K., Games, D. & Edista, N. F. (2024). An Evaluation of the Use of YouTube Advertisements in. In Proceedings of the International Conference on Entrepreneurship, Leadership and Business Innovation (ICELBI 2022) (Vol. 269, p. 138). Springer Nature.
Schultz, C. D. & Kumar, H. (2024). ARvolution: Decoding consumer motivation and value dimensions in augmented reality. Journal of Retailing and Consumer Services, 78, 103701.
Sharma, A., Dwivedi, Y. K., Arya, V. & Siddiqui, M. Q. (2021). Does SMS advertising still have relevance to increase consumer purchase intention? A hybrid PLS-SEM-neural network modelling approach. Computers in Human Behavior, 124, 106919.
Sigurdsson, V., Menon, R. V., Hallgrímsson, A. G., Larsen, N. M. & Fagerstrøm, A. (2018). Factors affecting attitudes and behavioral intentions toward in-app mobile advertisements. Journal of Promotion Management, 24(5), 694-714.
Siyal, A. W., Chen, H., Shah, S. J., Shahzad, F. & Bano, S. (2024). Customization at a glance: Investigating consumer experiences in mobile commerce applications. Journal of Retailing and Consumer Services, 76, 103602.
Taleghani, M. & Khalkhalirad, M. (2015). Factors affecting the adoption of mobile marketing. The fifth national conference on management and accounting. Tehran: Iran. (in Persian)
Toribio, H. M. F., Enrique, P. M. L., Enrique, P. C. L., Nilton, A. V. E., Manuel, L. R. Z., Luis, U. O. F. & Noemí, A. S. (2023). Analysis of Business Intelligence Strategies in SMEs using Neural Networks. Migration Letters, 20(S7), 1083-1094.
Van der Waldt, D.L.R., Rebello, T.M. & Brow, W.J. (2009). Attitudes of young consumers towards SMS advertising. African Journal of Business Management, 3(9), 444-452.
Wang, S., Chen, S. & Nah, K. (2024). Exploring the Mechanisms Influencing Users’ Willingness to Pay for Green Real Estate Projects in Asia Based on Technology Acceptance Modeling Theory. Buildings, 14(2), 349.
مدیریت بازرگانی
دوره 17، شماره 3
1404
صفحه 64-101

فایل ها

هم رسانی

ارجاع به این مقاله

آمار