Knowledge Management Scientific Association مدیریت پویا و تحلیل کسب و کار 3041-8933 5 بهار 1405 1405 01 01 Presenting a Model Based on the Use of Artificial Intelligence Algorithms in Marketing for Small and Medium-Sized Enterprises in the Food Industry ارائه مدل بر پایه استفاده از الگوریتم‌های فناوری هوش مصنوعی در بازاریابی کسب‌وکارهای کوچک و متوسط صنایع غذایی 1 22 10.61838/dmbaj.291 FA جعفر طاهرزاده گروه مدیریت، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران حسن واحدی گروه مدیریت، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران سید حسین حسینی گروه مدیریت، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران مهدی صانعی گروه مدیریت، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران Journal Article 1404/05/02 <p><strong>Objective: </strong>The purpose of this study was to develop a comprehensive model based on XGBoost and DistilBERT artificial intelligence algorithms to identify, model, and explain the factors influencing AI adoption in marketing activities of food-industry small and medium-sized enterprises (SMEs) and to analyze customer behavior patterns.</p> <p><strong>Methodology: </strong>This study employed a mixed-methods design grounded in an interpretivist philosophy and an inductive approach. In the qualitative phase, semi-structured interviews were conducted with 12 managers and experts from the food industry and analyzed using the Attride-Stirling thematic analysis method. The analysis yielded 25 organizing themes grouped into technological infrastructure, human resources and knowledge, financial and economic resources, organizational factors, data and analytics, market factors, legal and ethical considerations, and strategic factors. In the quantitative phase, a researcher-developed Likert-scale questionnaire derived from the qualitative findings was administered to 384 food-industry managers and specialists. Following confirmation of data normality and instrument reliability, XGBoost was applied to numerical variables, whereas DistilBERT was used for textual data analysis.</p> <p><strong>Findings: </strong>The inferential results identified managerial acceptance, marketing personalization, and financial resources as the most influential determinants of AI adoption. The XGBoost model demonstrated strong predictive performance, achieving 92% accuracy, R² = 0.85, and RMSE = 1.23 while effectively prioritizing predictor importance. Furthermore, the DistilBERT model achieved 91% accuracy and an F1-score of 0.87 in customer behavior analysis and prediction based on textual data, outperforming alternative approaches in low-error prediction cases.</p> <p><strong>Conclusion: </strong>The integration of XGBoost and DistilBERT provides a localized and practically applicable framework for AI-driven marketing in food-industry SMEs. The proposed model enhances marketing decision-making, supports customer-centered strategy development, reduces marketing costs, improves conversion rates, and strengthens competitive advantage. Accordingly, investment in data infrastructure, managerial training, and collaboration with AI-focused technology firms are recommended to facilitate successful implementation.</p> <p><strong>هدف:</strong> هدف این پژوهش ارائه یک مدل جامع مبتنی بر الگوریتم‌های هوش مصنوعی XGBoost و DistilBERT برای شناسایی، مدل‌سازی و تبیین عوامل مؤثر بر به‌کارگیری فناوری هوش مصنوعی در بازاریابی کسب‌وکارهای کوچک و متوسط صنایع غذایی و تحلیل رفتار مشتریان در این حوزه بود. <strong>روش‌شناسی: </strong>این پژوهش با رویکرد آمیخته (کیفی–کمی) و بر مبنای فلسفه تفسیرگرایی و استدلال استقرایی انجام شد. در بخش کیفی، داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته با 12 نفر از مدیران و متخصصان صنایع غذایی گردآوری و با روش تحلیل مضمون آتراید-استرلینگ تحلیل شدند. در نتیجه، 25 مضمون سازمان‌دهنده در قالب ابعاد زیرساخت فناوری، منابع انسانی و دانشی، منابع مالی و اقتصادی، عوامل سازمانی، داده و تحلیل، عوامل بازار، عوامل قانونی و اخلاقی و عوامل استراتژیک استخراج شد. در بخش کمی، پرسشنامه‌ای مبتنی بر مضامین کیفی میان 384 مدیر و کارشناس صنایع غذایی توزیع شد. پس از تأیید نرمال بودن داده‌ها و پایایی ابزار، از الگوریتم XGBoost برای مدل‌سازی متغیرهای عددی و از DistilBERT برای تحلیل داده‌های متنی استفاده شد. <strong>یافته‌ها</strong><strong>:</strong><strong> </strong>نتایج نشان داد که پذیرش مدیریتی، شخصی‌سازی استراتژی‌های بازاریابی و دسترسی به منابع مالی از مهم‌ترین عوامل مؤثر بر پذیرش هوش مصنوعی در بازاریابی بودند. مدل XGBoost عملکرد مطلوبی در پیش‌بینی عوامل مؤثر نشان داد و با دقت 92 درصد، ضریب تبیین 0/85 و RMSE برابر با 1/23 توانست اهمیت نسبی متغیرها را رتبه‌بندی کند. همچنین مدل DistilBERT با دقت 91 درصد و مقدار F1 برابر با 0/87 در تحلیل داده‌های متنی و پیش‌بینی رفتار مشتریان عملکرد بالایی داشت و در نمونه‌های دارای خطای پایین برتری خود را نشان داد. <strong>نتیجه‌گیری</strong><strong>:</strong><strong> </strong>یافته‌های پژوهش نشان داد که تلفیق الگوریتم‌های XGBoost و DistilBERT می‌تواند چارچوبی بومی و کارآمد برای توسعه بازاریابی هوشمند در کسب‌وکارهای کوچک و متوسط صنایع غذایی فراهم آورد. این مدل ضمن بهبود کیفیت تصمیم‌گیری بازاریابی، امکان کاهش هزینه‌های بازاریابی، افزایش نرخ تبدیل مشتری و ارتقای مزیت رقابتی را فراهم می‌سازد. ازاین‌رو، سرمایه‌گذاری در زیرساخت‌های داده، آموزش مدیران و توسعه همکاری با شرکت‌های فعال در حوزه هوش مصنوعی برای پیاده‌سازی موفق این فناوری ضروری است.</p> https://dmbaj.org/index.php/dmba/article/download/291/305