ارائه مدل بر پایه استفاده از الگوریتم‌های فناوری هوش مصنوعی در بازاریابی کسب و کارهای کوچک و متوسط صنایع غذایی

چکیده

در دنیای رقابتی صنایع غذایی، کسب‌وکارهای کوچک و متوسط با چالش‌های بازاریابی مانند محدودیت منابع، رقابت شدید و نیاز به شخصی‌سازی مواجه‌اند. فناوری هوش مصنوعی با قابلیت تحلیل داده‌های کلان و پیش‌بینی رفتار مشتریان، پتانسیل تحول‌آفرینی دارد، اما فقدان چارچوب‌های بومی برای پیاده‌سازی آن در این کسب‌وکارها، شکاف جدی ایجاد کرده است. هدف این پژوهش ارائه مدلی جامع مبتنی بر الگوریتم‌های XGBoost و DistilBERT برای بهینه‌سازی استراتژی‌های بازاریابی  SMEهای صنایع غذایی است. سؤالات کلیدی شامل شناسایی عوامل مؤثر بر پذیرش AI، مدلسازی آن‌ها با XGBoost، تحلیل رفتار مشتریان با DistilBERT و مقایسه دقت مدل‌ها می‌شود.

روش پژوهش ترکیبی (کیفی-کمی) با رویکرد تفسیرگرایانه و استقرایی است. در بخش کیفی، از تحلیل مضمون آتراید-استرلینگ بر مصاحبه‌های نیمه‌ساختاریافته با ۱۲ خبره (مدیران و کارشناسان) استفاده شد تا ۲۵ مضمون سازمان‌دهنده (مانند زیرساخت‌های فناوری، منابع انسانی و عوامل مدیریتی) استخراج گردد. در بخش کمی، پرسشنامه لیکرت بر ۳۸۴ مدیر/کارشناس توزیع شد. نرمال بودن داده‌ها (05/0Sig>)، پایایی (آلفا>78/0) و تحلیل توصیفی (میانگین 45/3- 25/4) تأیید گردید. مدلسازی با XGBoost برای عوامل عددی و DistilBERT برای داده‌های متنی انجام شد.

یافته‌ها نشان داد عوامل کلیدی پذیرش AI عبارتند از: پذیرش مدیریتی (میانگین 25/4)، شخصی‌سازی (25/4) و منابع مالی (65/3). مدل XGBoost با دقت %92، 85/0=R² و 23/1 RMSE=عوامل را اولویت‌بندی کرد (پذیرش مدیریتی2/15=gain). مدل DistilBERT  با دقت %91 و 87/0=F1  رفتار مشتریان را از داده‌های متنی تحلیل نمود (پذیرش: توجه=65/0). DistilBERT در خطاهای پایین (۱۴۵ نمونه<3/0) برتر بود.

مدل پیشنهادی با تلفیق XGBoost (برای پیش‌بینی عددی) و DistilBERT (برای تحلیل متنی)، چارچوبی بومی ارائه می‌دهد که SMEها را قادر می‌سازد استراتژی‌های بازاریابی هدفمند طراحی کنند، هزینه‌ها را ۱۵-۲۵٪ کاهش دهند و نرخ تبدیل را افزایش دهند. پیشنهادات شامل آموزش مدیریتی، سرمایه‌گذاری در داده‌ها و همکاری با استارتاپ‌های AI است. این مدل شکاف محلی را پر کرده و به رشد رقابتی SMEها در بازار پویای صنایع غذایی کمک می‌کند.