کد مقاله : 202007278336 بازدید : 14912 صفحه: 1 - 18

نوع مقاله: پژوهشی

گروه‌بندی همسان یادگیرندگان در محیط یادگیری الکترونیکی به کمک روش خوشه¬بندی شورایی

محورهای موضوعی :

1 - مدیریت فنّاوري اطلاعات، گروه مدیریت، دانشگاه تربیت مدرّس، تهران، ایران
2 - فنّاوري اطلاعات، دانشکده فنی و مهندسی، دانشگاه تربیت مدرّس، تهران، ایران

تاریخ دریافت : 1398/06/19 تاریخ پذیرش : 1398/06/19 تاریخ انتشار : 1399/04/28

کلید واژه: یادگیری الکترونیکی, گروه¬بندی یادگیرندگان, خوشه¬بندی, سبک یادگیری, رویکرد شورایی,

چکیده مقاله :

یادگیری الکترونیکی به عنوان روشی نوین در امر آموزش و یادگیری در طی سالیان اخیر مورد استقبال فراوانی قرار گرفته است. اکثر سامانه های یادگیری الکترونیکی، صرف نظر از تفاوت های فردی یادگیرندگان محتوای آموزشی مشابهی را برای همة یادگیرندگان ارائه می دهند در حالی که در آموزش های مبتنی بر وب، علاوه بر افزایش فرصت یادگیری باید به ارتقای بازدهی یادگیری نیز توجه شود. سامانه های یادگیری تطبیقی برای ارائة محتوای تطبیق پذیر با هر یادگیرنده، نیازمند گروه بندی یادگیرندگان با علایق مشابه است و برای تحقق این هدف، می توان از سبک های یادگیری یادگیرندگان بهره گرفت. گروه-بندی خودکار یادگیرندگان در این محیط به کمک روش های خوشه بندی امکان پذیر است. به دلیل متفاوت بودن نتایج روش های خوشه بندی در تکرارهای مختلف، در این پژوهـش از روش خوشه بندی شورایی برای ترکیـب نـتایج خوشـه بندی پنـج روش FCM، K-means، KNN , SVM و medoids-K برای گروه بندی یادگیرندگان در محیط یادگیری الکترونیکی استفاده شده است. نتایج ارزیابی تجربی روش خوشه‌بندی پیشنهادی بر اساس سه شاخص «دیویس – بولدین»، « خلوص و تجمع» و « واریانس » نشان می‌دهد که این روش، کاهش هزینة محاسباتی و دقت و سرعت بیشتری نسبت به سایر روش‌های متداول در شناسایی گروه‌ها داشته است.

چکیده انگلیسی:

Despite the individual differences of learners such as their abilities, goals, knowledge, learning styles and backgrounds, most of the electronic learning systems has presented an equal learning content for all of the learners. This is happening while producing a specialized content for the individuals. Increasing appliances of artificial memory in teaching the adaptation learning systems will require recommended teaching methods which are appropriate to the learner’s individual differences. In order to grouping learners based on their learning styles in their own similar groups, we are presenting a new method in this text. This method is mainly about combining the result of clustering methods which is certainly reducing choosing an unreliable method. Meanwhile it is preventing method`s complication which is because of using simpler and more useful clustering algorithms that subsequently will cause a better result and it may happen due to the fact that different methods will overlap each other’s defections. In this article we are using Felder- Silverman learning style which consist of 5 dimensions: processing (active-reflective) , input (visual-verbal) , understanding (sequential-global) , perception (sensing-intuitive) and organization (inductive-deductive). Firstly, proper behavioral indicators to different learning style dimension of Silverman-Feedler will recognize and then based on these behaviors learners will be able to be groups by one of these 5 methods. In the case of evaluating the proposed method, utilizing the c++ programming electronic teaching period information is necessary. Learner members of experiment environment were 98 ones which were extracting the expressed indicators connected to their network behaviors in 4 dimensions of Perception , process , input and understanding of Felder- Silverman model. On the other hand students were asked to fill the questionnaire forms and their learning styles were calculated between 0-11 and then based on the behavioral information they were being grouped. We are using 5 clustering grouping methods : k-means , FCM , KNN , K-Medoids and SVM to produce ensemble clustering in generation step and co-occurrence samples or majority votes were used in Integration step. Evaluating the results will require the followings : Davies-bouldin index , Variance index , and gathering purity index. Due to the fact that the expressed methods are not able to indicate automatically the best cluster, clustering 3,4,5,6,7 clusters were using this method. And with calculating Davies-bouldin index the best cluster in each method were selected. In FCM each data were contributed to the cluster which has the most dependence to that . Numerical results of Davies-bouldin index have shown that ensemble clusters have the exact accumulation clusters among the others. Clustering variance in different size is indicating that ensemble clustering has the most accumulation and the least dispersion and also purity-gathering results has shown that proposed grouping method has the ability to gather learners with the similar style in each cluster and has a better efficiency compared to the others. So with this idea while maintaining simplicity, more accurate results based on the Davies-bouldin index , Variance index , and gathering purity index is obtained. Due to the importance of high accuracy and high speed and low computational complexity in the clustering methods, instead of a more complex approach, combining the weaker and easier clustering methods, better and more accurate results reached.

منابع و مأخذ:

1. Samadi.M. (2011) Study of Felder and Solomon Psychometric Properties Questionnaire of Learning Styles. Journal of New Educational Approaches. Volume 6 , Number 1 (13);pp 39-60 [in Persian]
2. Romiszowski, A. J. (2004) "How's the e-learning baby? Factors leading to success or failure of an educational technology innovation," Educational Technology-Saddle Brook Then Englewood Cliffs NJ-, vol. 44, pp. 5-27.
3. Maseleno A., Sabani N., Huda M, Ahmad. R , Jasmi . K.A and Basiron. B. (2018). Demystifying Learning Analytics in Personalised Learning. International Journal of Engineering & Technology. Vol. 7, pp. 1124-1129.
4. Chen S. and Zhang, J. (2008). "The adaptive learning system based on learning style and cognitive state," in Knowledge Acquisition and Modeling, 2008. KAM'08. International Symposium on, pp. 302-306.
5. Schleith, D, Widener, M.J.,Kim C ,.Liu. L (2018). Assessing the delineated commuter sheds of various clustering methods. Journal of Computers, Environment and Urban Systems. Vol 71, pp 81-87.
6. Popat S. K. and Emmanuel, M (2014). "Review and Comparative Study of Clustering Techniques," International Journal of Computer Science and Information Technologies, vol. 5, pp. 805-812.
. Huang, Y.-P. Lu, C.-C. Chang, T.-W. and. Horng, M.-S (2007). "An intelligent approach to detecting the bad credit card accounts," in Proceedings of the 25th conference on Proceedings of the 25th IASTED International Multi-Conference: artificial intelligence and applications, pp. 220-225.
8. Shakhnarovich, G, Indyk. P, and Darrell, T. (2006). Nearest-neighbor methods in learning and vision: theory and practice.
9. Gravenhorst, R. M. (2007). "Student learning styles and academic performance in a non-traditional anatomy course," Journal of Dance Education, vol. 7, pp. 38-46.
10. Honey P. and Mumford, A. (1989). Learning styles questionnaire: Organization Design and Development, Incorporated.
11. Kolb A. and Kolb, D. A. (2012) ."Kolb’s learning styles," in Encyclopedia of the Sciences of Learning, ed: Springer, pp. 1698-1703.
12. Felder R. M. and Silverman, L. K. (1988). "Learning and teaching styles in engineering education," Engineering education, vol. 78, pp. 674-681.
13. Essalmi, F. . Ayed, L. J. B ,Jemni, M. and Graf, S (2010). "A fully personalization strategy of E-learning scenarios," Computers in Human Behavior, vol. 26, pp. 581-591.
14. رضايي محمدصادق, منتظر غلامعلي. گروه بندي همگن يادگيرندگان الکترونيکي بر اساس رفتار شبکه اي آنان. نشریه فناوری اطلاعات و ارتباطات ایران، سال ششم شماره ۲۱ (پاییز و زمستان ۱۳۹۳)
15. Truong, HM (2016). Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities .Journal of Computers in Human Behavior. Vol 55, pp 1185-1193.
16. Sabitha ,A.S, Mehrotra D. and Bansal. A. (2017). An ensemble approach in converging contents of LMS and KMS. Journal of Education and Information Technologies. Vol 22, pp 1673–1694.
17. Abellán J. and .Castellano, JG. (2017). A comparative study on base classifiers in ensemble methods for credit scoring. Journal of Expert Systems with Applications. Vol 73 , pp 1-10.
18. Fred, A. (2001). "Finding consistent clusters in data partitions," in Multiple classifier systems, ed: Springer , pp. 309-318.
19. Vega-Pons S. and Ruiz-Shulcloper, J. (2011). "A survey of clustering ensemble algorithms," International Journal of Pattern Recognition and Artificial Intelligence, vol. 25, pp. 337-372.
20. Davies D. L. and Bouldin, D. W. (1979). "A cluster separation measure," Pattern Analysis and Machine Intelligence, IEEE Transactions on, pp. 224-227.
21. Zheng, Q. Ding, J. Du, J. and Tian, F. (2007). "Assessing method for e-learner clustering," in Computer Supported Cooperative Work in Design, CSCWD 2007. 11th International Conference on, 2007, pp. 979-983.
22. Halkidi, M. Batistakis, Y. and Vazirgiannis, M. (2001). "On clustering validation techniques," Journal of Intelligent Information Systems, vol. 17, pp. 107-145.
23. Olson, D. L., & Delen, D. (2008). Advanced data mining techniques p. 138 (1st ed.). Springer.
24. Lokaiczyk, R , Faatz,A, Beckhaus,A and Goertz,M.(2007). Enhancing Just-in-Time E-Learning Through Machine Learning on Desktop Context Sensors. International and Interdisciplinary Conference on Modeling and Using Context.pp 330-341.
25. Lykourentzou, I *. Giannoukos,I . Nikolopoulos,V . Mpardis,G . Loumos, V. (2009). Dropout prediction in e-learning courses through the combination of machine learning techniques. Journal of Computers & Education Vol 53. pp 950–965.
26. He ,Y . Hui, SC . Quan,TT.(2009). Automatic summary assessment for intelligent tutoring systems. Journal of Computers & Education . Vol 53 . pp 890–899.
27. Kotsiantis.S . Patriarcheas. K , Xenos.M .(2010). A combinational incremental ensemble of classifiers as a technique for predicting students’ performance in distance education. Journal of Knowledge-Based Systems. Vol 23 .pp 529–535.
28. Moreira-Matias.L . Mendes-Moreira.J . Gama.J and Brazdil.P.(2012). Text Categorization Using an Ensemble Classifier Based on a Mean Co-association Matrix. pp. 525–539.
29. Sai.A . Sabitha1 & Mehrotra1. D & Bansal.A. (2016). An ensemble approach in converging contents of LMS and KMS. Journal of Education and Information Technologies Vol 22(4) .

متن کامل:

فصلنامة علمي- پژوهشي

فناوري اطلاعات و ارتباطات ایران

سال یازدهم، شمارههای 39و40، بهار و تابستان 1398

صص:91 -108

$E:\E Drive\logo\iicta Logo0.JPG$

بررسی تاثیر استفاده از انواع استراتژیهای بازاریابی در شبکه‌های اجتماعی بر جلب اعتماد مشتریان شورایی

* فرزانه میلانی ** سیدجعفر زنوزی

* کارشناس ارشد مدیریت بازرگانی- بازاریابی دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ایران

** استادیار گروه مدیریت بازرگانی دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ایران

تاریخ دریافت: 12/05/ 1398 تاریخ پذیرش: 10/04/1399

چكيده

هدف از پژوهش حاضر، بررسي تاثير استفاده از انواع استراتژی‌های بازاریابی در شبکه‌های اجتماعی بر جلب اعتماد مشتریان می‌باشد. بازاريابي از طريق شبكه‌هاي اجتماعي فرصت‌هاي مناسبي را براي شركت‌ها بوجود آورده تا مشتريان زيادي را به طرف خود جذب كنند. از چالش‌های پیش روی بازاریابی در این شبکه‌ها می‌توان به جلب اعتماد و جذب مشتریان اشاره کرد. لذا برای ایجاد مزیت رقابتی لازم است شرکت‌ها استراتژی‌های مناسبی را برای جلب اعتماد مشتریان در این شبکه‌ها بکار گیرند. جامعه آماری این پژوهش شامل تمامی کاربران ایرانی عضو سایت‌های شبکه‌های اجتماعی است که تحت تاثیر تبلیغات شرکت‌ها قرار می‌گیرند. حجم نمونه آماری نیز با روش نمونه‌گیری گلوله برفی 446 نفر است. روش پژوهش، توصیفی پیمایشی بوده و ابزار گردآوری داده‌ها پرسشنامه می‌باشد. برای آزمون فرضیه‌های پژوهش از روش حداقل مربعات جزئی (PLS) و نرم‌افزار SmartPLS 3 استفاده شده است. نتایج بدست آمده نشان می‌دهد که هر چهار متغیر، استراتژی‌های بازاریابی مبادله‌ای، رابطه‌ای، پایگاه داده و مبتنی بر دانش در شبکه‌های اجتماعی تاثیر معنی‌داری بر جلب اعتماد مشتریان دارند. البته این تأثیر در استراتژی مبادلهای منفی است که به معنی رابطه معکوس بین این نوع استراتژی و اعتماد مشتریان میباشد. نتایج پژوهش حاکی از آن است که بازاریابی مبتنی بر دانش دارای بیشترین تأثیر مثبت بر جلب اعتماد مشتریان میباشد.

واژه‌های کلیدی: استراتژی‌های بازاریابی، شبکه‌های اجتماعی، اعتماد مشتریان، بازاریابی الکترونیکی.

1- مقدمه

شبکه‌های اجتماعی یکی از بزرگترین تحولات اینترنت در قرن ۲۱ می‌باشد که به عنوان رسانه جدید از بازاریابی مستقیم هر ساله اهمیت خود را هم برای کاربران و هم برای بازاریابانی که آنها را در طرح رسانه‌ای خود جا می‌دهند بیشتر می‌کنند [1]. در سال 2020 تعداد کاربران شبکه‌های اجتماعی در سراسر جهان همچنان رو به رشد است که از 3 میلیارد نفر عبور کرده و پیش‌بینی

می‌شود تا سال 2023، تقـریباً 80 درصـد از جمـعیت آنـلاین، حـداقل ماهـانه از

نویسنده عهدهدار مکاتبات : سیدجعفر زنوزی j.zonoozi@gmail.com

شبکه‌های اجتماعی بازدید کنند [2]. با توجه به مخاطبان گسترده بالقوه موجود که ساعت‌های زیادی را صرف استفاده از این شبکه‌ها می‌کنند، بازاریابان به عنوان کانال بازاریابی از این بستر استقبال می‌کنند [3]. در واقع، به نظر می‌رسد که شبکه‌های اجتماعی راه ارتباطی جدید و کم هزینه‌تری برای تعامل بیشتر و شخصی‌سازی با مشتریان هدف داشته باشند. این امر به نوبه خود، به شرکت‌ها کمک می‌کند تا در مقایسه با استفاده از ابزارهای سنتی بازاریابی، فعالیت‌های بازاریابی خود را به صورت کارآمدتر و موفقیت‌آمیز انجام دهند [4، 5].

در تعاملات انسانی، اعتماد همیشه یک فاکتور مهم در مبادلات توام با ریسک بوده است. همچنین در ادبیات شبکه‌های اجتماعی آنلاین اشاره شده است که اعتماد یک متغیر مهم در روابط است [6، 7] و مهم‌ترین عامل در به دست آوردن وفاداری مشتری در کسب‌و‌کارهای آنلاین در نظر گرفته می‌شود، از آنجایی که مسائل حریم خصوصی و امنیت موانع عمده کانال‌های اینترنتی هستند. بدون اعتماد، مشتریان اطلاعات شخصی خود را به فروشندگان نخواهند داد. در واقع، اعتماد حتی در خریدهایی با ریسک کمتر، از فروشندگان آنلاینی که شناخته شده هستند نیز بسیار مهم است [8]. اعتماد می‌تواند تعامل بین فروشنده و خریدار را تسهیل کند، فرصت‌هایی را برای شرکت‌های آنلاین فراهم می‌کند تا به اهداف خود برسند و تاثیر مثبتی نیز بر قصد خرید مشتریان دارد [9، 10]. مطالعات بسیاری بر اهمیت اعتماد در شبکه‌های اجتماعی، تجارت اجتماعی ¹ و تجارت الکترونیکی² تاکید کرده‌اند [5، 7، 9، 10، 11، 12، 13، 14، 15، 16]. با توجه به اینکه فرصت بزرگی برای تبلیغات در شبکه‌های اجتماعی به روی بازاریاب‌ها و شرکت‌های تولیدی باز شده است، لذا برای بهره‌گیری بهینه از بستر شبکه‌های اجتماعی، لازم است استراتژی‌های مناسبی را برای جلب اعتماد و جذب مشتریان در این شبکه‌ها بکار گیرند. در این پژوهش به دنبال بررسی این موضوع خواهیم بود که آیا استفاده از انواع استراتژی‌های بازاریابی در شبکه‌های اجتماعی بر جلب اعتماد مشتریان می‌تواند موثر باشد.

1- مبانی نظری و پیشینه پژوهش

1-2- اعتماد

بسیاری از پژوهشگران، بسته به موضوع تخصصی خود، اعتماد را به گونه‌اي خاص تعریف کرده‌اند [17]. تعریفی از اعتماد که مورد توافق اکثریت است توسط مایر و همکارانش ارائه شده است که بیان می‌کند اعتماد ''تمایل یک طرف به قرار گرفتن در معرض آسیب پذیری اقدامات طرف دیگر بر اساس این انتظار که طرف مورد اعتماد اقدامی خاص را که برای اعتماد‌کننده اهمیت دارد برای او انجام خواهد داد صرف نظر از توانایی نظارت و کنترل طرف اعتماد‌کننده بر اعتماد‌شونده" است [18]. آسیب‌پذیری در وضعیت آنلاین با توجه به ماهیت اینترنت برجسته می‌شود. از آنجایی که اینترنت اجازه نمی‌دهد تا مصرف‌کننده دامنه مشابهی از نشانه‌های ذاتی که در خرید فیزیکی سنتی انجام می‌گیرد گردآوری کند، ریسک درک شده بیشتر است و در نتیجه ارزیابی اعتماد توسط مصرف‌کننده باید صورت گیرد [19]. اعتماد به معنای آن است که "فرد می‌تواند به قول یا وعده دیگری اتکا کند و طرف مقابل در شرایط غیر قابل پیش‌بینی، با حسن نیت عمل خواهد کرد" [9].

ویژگی‌های اعتماد آنلاین

ونگ و ایموریان در سال 2005، چهار ویژگي براي اعتماد بیان کرده‌اند. این مفاهیم ویژه عبارتند از:

اعتمادكننده و اعتمادشونده³: در هر ارتباط مبتني بر اعتماد، دو طرف خاص وجود دارند، اعتمادكننده و اعتمادشونده. این دو نقش اعتماد، مي‌تواند بر عهدة یك فرد، یك شركت و یا حتي یك محصول قرار گیرد. در دنیای آنلاین، دو طرف اعتمادکننده و اعتمادشونده برای برقراری روابط مبتنی بر اعتماد ضروری هستند، اما بر موجودیت‌های خاصی اشاره دارند. در فضاي مجازي بر خلاف محیط واقعي، اعتمادكننده، مشتري و یا كسي است كه از طریق وبسایت به انجام تجارت الكترونیكي مي‌پردازد و در مقابل، اعتمادشونده، وبسایت موردنظر یا فروشندگان وبسایت می‌باشد.

آسیب‌پذیري⁴: اعتماد، شامل قبول آسیب‌پذیري توسط اعتمادكننده است. به علت پیچیدگي و ریسك فراوان موجود در تجارت الكترونیك، فروشندگان مي‌توانند به شیوه‌ای غیر قابل پیش‌بینی در اینترنت رفتار كنند. خریداران و مصرف‌كنندگان نیز اغلب در مورد ریسك موجود در هنگام استفاده از وبسایت و نیز ریسك موجود در هنگام تراكنش آنلاین نامطمئن مي‌باشند. حتي زماني كه مصرف‌كنندگان اینترنتي تنها به بررسي وبسایت پرداخته و از آن خریدي نمي‌كنند باز هم داده و اطلاعات به صورت اتوماتیك از فعالیت‌هاي آنها جمع‌آوري شده كه بعدها مي‌تواند مورد سوء استفاده قرارگیرد و یا بدون آگاهی یا رضایت آنان توزیع شود.

رفتار ناشي از اعتماد⁵: اعتماد منجر به اقدامات و رفتارهایي مي‌شود كه اغلب همراه با ریسك‌پذیري است. شكل و نوع اقدام به موقعیت مورد نظر بستگي دارد و این رفتارها مي‌توانند محسوس و یا نامحسوس باشند. اعتماد مشتري در تجارت الكترونیكي مي‌تواند منجر به دو نوع اقدام از سوي مشتري شود. 1) خرید مجازي كه اغلب همراه با ارائة كارت اعتباري و اطلاعات شخصي است. 2) تماشاي فروشگاه‌هاي الكترونیكي. این اقدامات مي‌تواند منجر به نتایج مثبت براي فروشندگان الكترونیكي شود كه مي‌توان آن را فروش بالقوه دانست.

موضوعیت ذهني⁶: اعتماد موضوعي ذهني و بطور مستقیم مرتبط و تأثیرپذیر از تفاوت‌هاي شخصي و عوامل محیطي است. افراد مختلف نقش اعتماد را در سناریوهاي مختلف، متفاوت ارزیابي كرده و تلقي‌هاي گوناگوني از آن دارند. اعتماد در محیط مجازي نیز مانند اعتماد در محیط واقعي، مفهومي ذهني است. سطح اعتماد مورد نیاز براي ایجاد تراكنش‌های/ معاملات آنلاین با توجه به ویژگي‌هاي شخصي هر نفر متفاوت است همچنین انسان‌ها طرز تلقي‌هاي گوناگوني نسبت به فناوري دارند [17].

ابعاد و مولفه‌های اعتماد آنلاین

برخی از محققان اعتماد را به عنوان یک ساختار تک بعدی می‌بینند [20]؛ با این حال، در ادبیات ابعاد متعددی از اعتماد شناسایی شده است. جدول 1 مطالعات پیشین ابعاد اعتماد را نشان می‌دهد.

جدول 1- ابعاد اعتماد⁷

ابعاد شناسایی شده اعتماد	نویسندگان
صداقت، خیرخواهی، توانایی	لیانگ و همکاران⁸، 2020 [11]
صداقت، خیرخواهی، توانایی	یان و همکاران⁹، 2019 [12]
توانایی، خیرخواهی، صداقت، قابلیت پیش‌بینی	حاجلی و همکاران¹⁰، 2017 [9]
شایستگی، خیرخواهی، صداقت	الیویرا¹¹، 2017 [10]
شایستگی، توانایی، خیرخواهی، صداقت و درستکاری	گرابنر-کراتر و بیتر¹²، 2015 [13]
توانایی، خیرخواهی، صداقت، قابلیت پیش‌بینی	پالمر و هیو¹³، 2013 [14]
توانایی، خیرخواهی، صداقت، قابلیت پیش‌بینی	مک نایت و چروانی¹⁴، 2002 [21]
خیرخواهی	لارزلر و هاستون¹⁵، 1980 [20]

در شبکه‌های اجتماعی به علت نبود ارتباطات چهره به چهره به دست آوردن درک بیشتری از اعتماد ضروری است [11]. در واقع، اعتماد کاتالیزور تسهیل‌ کننده مهم تعامل اجتماعی و روابط بلندمدت است [22]. در این شبکه‌ها، مشتریان با تبلیغات، تصاویر/ فیلم‌ها/ اخبار، پیشنهادات و لایک‌های مرتبط با فروشندگان الکترونیکی روبرو می‌شوند. با این وجود، اعتماد در شبکه‌های اجتماعی می‌تواند میزان اتکا مشتری را به اعتبار محتویات و فعالیتهای فروشندگان الکترونیکی تعیین کند. در راستای طبقه‌بندی ابعاد اعتماد که توسط مک نایت و چروانی در سال ۲۰۰۲ [21] پیشنهاد شده است ابعاد اعتماد شامل توانایی¹⁶، خیرخواهی¹⁷، صداقت¹⁸ و قابلیت پیش‌بینی¹⁹ است.

توانایی- اشاره به سطح شایستگی درک شده افراد و یا شرکت‌ها برای انجام برخی رفتارهای مورد نظر است. در این زمینه، مشتری ارزیابی می‌کند که آیا فروشنده شایستگی‌ها، مهارت‌ها و تخصص لازم برای برآوردن نیازهای آنها و انجام مبادله موفقیت‌ آمیزی را دارد.

خیرخواهی- اشاره به برداشت اعتماد‌کننده به تلاش‌های اعتماد‌شونده و همچنین تمایل به دستیابی به برخی ارزش‌هایی که در یک رابطه بدون پاداش مطلوب هستند دارد. به عبارتی، نشان دادن حسن نیت جدا از انگیزه سود محوری است. در یک محیط مجازی، جامعه خیرخواه باید حداقل به طور فعال به سوالات مصرف‌کننده پاسخ دهند و فعالانه به دنبال یافتن نیازها و خواسته‌های اعضا باشند.

صداقت- به رفتار صالح اشاره دارد. در یک محیط مجازی، صداقت حاکی از انطباق ارزش‌ها، اصول و قوانین رایج پذیرفته شده است. صداقت به اعتقاد درک شده مشتریان از این که فروشنده مجازی صادقانه عمل خواهد کرد و پایبند به یک مجموعه اصول و استانداردهای‌ پذیرفته شده می‌باشد اشاره دارد.

قابلیت پیش‌بینی- اشاره به باور اعتماد‌کننده دارد که اعتماد‌شونده به معامله وعده داده شده و همچنین به سیاست‌ها و خط‌ مشی‌های تعامل پایبند است. قابلیت پیش‌بینی به شهرت درک شده فروشنده برای ارائه خدمات یکنواخت و پایدار اشاره دارد [21، 19، 9]. مبنای این پژوهش، 4 بعد شناسایی شده (توانایی، خیرخواهی، صداقت و قابلیت پیش‌بینی) است.

2-2- شبکه‌های اجتماعی

سایت‌های شبکه‌های اجتماعی را می‌توان به عنوان "خدمات مبتنی بر وب که امکان ایجاد پروفایل عمومی یا نیمه عمومی را برای افراد در سیستم محدود فراهم می‌کند، مجموعه ارتباطات با سایر کاربران در سیستم را نشان می‌دهد و لیست ارتباطات خود فرد و همچنین ارتباطات ایجاد شده توسط دیگران در سیستم را نشان می‌دهد" تعریف کرد [23]. تعریف دیگر شبکه‌های اجتماعی شامل سرویس الکترونیکی، اپلیکیشن، بستر یا سایت مورد استفاده افرادی که علاقه، اعتقادات، نگرش، فرهنگ، فعالیتها و روابط واقعی زندگی مشترک دارند است و همچنین استفاده از رسانه‌های اجتماعی به عنوان ابزاری برای ارتباط مستقیم، تعامل با سایر افراد و در نتیجه داشتن رابطه واقعی با آنها است [5]. محبوب‌ترین شبکه‌های اجتماعی شامل فیسبوک، مای اسپیس، لینکدین، توییتر و یوتیوب هستند.

چارچوب شبکه‌های اجتماعی، کاربران را به ارسال و اشتراک‌گذاری اطلاعات شخصی به عنوان بخشی از تعاملات اجتماعی تشویق می‌کنند [24]. شرکت‌ها باید این را در ذهن داشته باشند که سایت‌های شبکه‌های اجتماعی محلی است "... که در آن مشتریان بالقوه و بالفعل در حال تعامل هستند و نحوه تفکر آنها را شکل می‌دهند" [25].

شبکه‌های اجتماعی امکان ایجاد و حفظ ارتباط با خانواده، دوستان و شرکای کسب ‌و‌ کار را در یک محیط مجازی فراهم می‌کنند و همچنین به کاربران برای یافتن افراد دیگر با استفاده از واژه‌ها و تعاریف کلیدی کمک می‌کنند. سایت‌های شبکه‌های اجتماعی از سال 2004 به طور گسترده‌ای به شکل مشابه امروزی شناخته شده‌اند و بطور چشمگیری قابلیت اینترنت را تغییر داده‌اند. این شبکه‌ها پتانسیلی برای دسترسی مستقیم به مصرف‌کنندگان هستند و در یک محیط فردی و اجتماعی بدان معنی است که بازاریابان "مجبور" به تبلیغ در این رسانه جدید هستند [26]. جوامع شبکه‌های اجتماعی آنلاین افراد را دور هم جمع می‌کند. بنابراین، شرکت‌ها می‌توانند ارتباط موثرتری را با گروه‌های هدف مصرف‌کننده در جوامع شبکه‌های اجتماعی نسبت به انواع دیگر رسانه‌ها برقرار کنند [27].

3-2- استراتژی‌های بازاریابی الکترونیکی

استراتژی بازاریابی الکترونیکی، استراتژی است که از اینترنت و دیگر فناوری ارتباطی و اطلاعاتی دیجیتالی استفاده می‌کند. استفاده از اینترنت منجر به ظهور سایت‌های شبکه‌های اجتماعی شده است که به عنوان کانالی برای کسب‌و‌کار الکترونیکی برای تبلیغ محصولات و خدمات و یا عرضه استراتژی بازاریابی بکار می‌رود. بازاریابان همیشه به دنبال درک بهتر رفتار مشتریان خود هستند. شبکه‌های اجتماعی برای به دست آوردن اطلاعات بیشتر در مورد مصرف‌کنندگان بکار می‌رود چرا که این سایت‌ها حاوی ترجیحات کاربران هستند که برای شرکت‌هایی که به دنبال مشاهده و تعقیب روند رفتار مصرف‌کننده هستند مهم است [28].

به طور کلی بر اساس مطالعات و پژوهشات صورت گرفته در زمینه بازاریابی الکترونیکی می‌توان استراتژي‌هاي بازاریابی الکترونیکی را به چهار دسته اصلی تقسیم‌بندي نمود:

* استراتژی بازاریابی مبادله‌ای²⁰ [29، 30، 31، 32، 33، 34]

* استراتژی بازاریابی رابطه‌ای²¹ [29، 31، 33، 34، 35، 36]

* استراتژی بازاریابی پایگاه داده²² [30، 32، 33، 34]

* استراتژی بازاریابی مبتنی بر دانش²³ [31، 33، 34، 37]

مدل و فرضیات پژوهش

در راستای این تحقیق ما به دنبال این موضوع هستیم که آیا استراتژیهای مختلف بازاریابی در شبکههای اجتماعی بر جلب اعتماد مشتریان تأثیرگذار هستند، تا شرکت‌هایی که از این فضا برای تبلیغات استفاده می‌کنند بتوانند از این استراتژی‌ها بهره گیرند. در واقع در این تحقیق ما به دنبال افزایش اعتماد مشتریان برای تبلیغات در شبکه‌های اجتماعی هستیم. لذا فرضیه اصلی عبارتست از:

فرضیه اصلی- نوع استراتژی بازاریابی در شبکه‌های اجتماعی بر جلب اعتماد مشتریان تاثیر معنی‌داری دارد.

انواع استراتژی‌های بازاریابی الکترونیکی

استراتژی بازاریابی مبادله‌ای

بازاریابی مبادله‌ای، استراتژی کسب‌و‌کاری است که بر معاملات فروش فردی متمرکز است و بر به حداکثر رساندن کارایی و حجم معامله فروش فردی تاکید دارد تا گسترش روابط طولانی‌مدت با مشتری [30]. در این نوع استراتژی رابطه بین فروشنده و خریدار یک طرفه است، به طوری که فروشنده نقش فعال و مشتری نقش منفعل را در فرایند اعمال می‌کند. در این استراتژی، شرکت، کالا‌ها و خدمات تولیدي را به بازار ارائه می‌دهد و خریداران بدون برقراري تقریبا هیچگونه تماس شخصی به صورت پیوسته اقدام به تامین نیازمندیهای خود از بازار می‌نماید. تمرکز اصلی بازاریابی بر محصول یا برند و آمیخته بازاریابی²⁴ (محصول/ خدمت، قیمت، ترفیع و توزیع) می‌باشد. در این نوع بازاریابی، تمرکز بر ترفیع فروش و تلاش برای جذب مشتریان جدید بیشتر است [32]. افق زمانی این استراتژی کوتاه‌مدت است و تاکید کمی بر خدمات به مشتریان دارد. به‌طور کلی، در این نوع استراتژی روابط مشتری و شرکت بسیار کم است. این به این دلیل است که ارتباط با مشتریان کم و بنابراین، تعهد مشتری نسبت به برند نیز رضایت‌بخش نیست [29].

با توجه به مطالب بیان شده، در این پژوهش تاثیر استفاده از استراتژی بازاریابی مبادله‌ای در شبکه‌های اجتماعی بر جلب اعتماد مشتریان بررسی خواهد شد. با توجه به این امر فرضیه نخست این پژوهش به شرح زیر است:

فرضیه 1. استراتژی بازاریابی مبادله‌ای در شبکه‌های اجتماعی تاثیر معنی‌داری بر جلب اعتماد مشتریان دارد.

استراتژی بازاریابی رابطه‌ای

با خلاصه کردن طیف گسترده‌ای از تعاریف بازاریابی رابطه‌ای که می‌توان در ادبیات یافت شاید بتوان بازاریابی رابطه‌ای را این‌گونه بیان کرد، بازاریابی رابطه‌ای؛ شناسایی و ایجاد، حفظ و افزایش و همچنین در صورت لزوم، خاتمه دادن به روابط سودمند با مشتریان و سایر ذینفعان است، به طوری که اهداف طرفین محقق گردد و این امر با تبادل متقابل و تحقق وعده‌ها انجام می‌شود [35]. بازاریابی رابطه‌ای شامل کلیه فعالیت‌های بازاریابی در جهت ایجاد، توسعه و حفظ مبادلات رابطه‌ای موفق است. روابط آنلاین شامل مبادلات رابطه‌ای بین مشتری و شرکت است که به واسطه فناوری اینترنت انجام می‌شوند و در یک محیط غیر چهره به چهره (به عنوان مثال، تعاملات انسان با فناوری) صورت می‌گیرد. ویژگی‌های تعیین‌کننده که روابط آنلاین را از روابط آفلاین متمایز می‌کند شامل فاصله جغرافیایی، استقلال زمانی، در دسترس بودن گزینه جهانی و سطح بالاتری از ناشناس بودن، و همچنین یک محیط غنی از داده‌ها است [36].

در واقع، تمرکز بازاریابی رابطه‌ای، شناسایی و حفظ بلند‌مدت مشتریان است به دلیل اینکه حفظ و جلب رضایت مشتریان موجود نسبت به جذب مشتریان جدید سودآورتر است. این استراتژی به جای مبادلات اقتصادی یا اطلاعاتی، بر روابط بین خریدار و فروشنده به صورت فردی تاکید دارد. استراتژی بازاریابی رابطه‌ای بلند‌مدت است و بر کیفیت ارائه خدمات به مشتریان تاکید دارد که منجر به حفظ مشتری می‌شود [29].

در این پژوهش تاثیر استفاده از استراتژی بازاریابی رابطه‌ای در شبکه‌های اجتماعی بر جلب اعتماد مشتریان بررسی خواهد شد. با توجه به این امر فرضیه دوم پژوهش به این صورت شکل می‌گیرد:

فرضیه 2. استراتژی بازاریابی رابطه‌ای در شبکه‌های اجتماعی تاثیر معنی‌داری بر جلب اعتماد مشتریان دارد.

استراتژی بازاریابی پایگاه داده

بازاریابی پایگاه داده "شکلی از بازاریابی مستقیم است که از پایگاه‌های داده مشتریان موجود و بالقوه برای ایجاد ارتباطات شخصی به منظور ترویج محصول یا خدمات برای اهداف بازاریابی استفاده می‌کند" [38]. همچنین بازاریابی پایگاه داده را می‌توان به عنوان "استفاده از پایگاه داده مشتریان به منظور افزایش بهره‌وری بازاریابی از طریق کسب، حفظ و توسعه مشتریان به طور موثر تعریف کرد" [39].

بازاریابی پایگاه داده توسط مجموعه‌ای از ابزارهای اطلاعاتی و تکنولوژیکی ایجاد شده است و هدف آن کسب اطلاعات (بخصوص اقتصادی) در مورد مشتریان و استفاده از آن به منظور افزایش سود، جلب رضایت مشتریان و کسب وفاداری بیشتر است [32]. ایجاد و مدیریت موثر پایگاه داده مشتری، رویکرد شخصی به هر مشتری را امکان پذیر می‌سازد. بازاریابی پایگاه داده منبع مزیت رقابتی است. شرکت به ویژه در بازاریابی پایگاه داده دامنه وسیعی از اطلاعات در مورد مشتریان را داراست و بر این اساس می‌تواند بهترین خدمات یا محصولات را ارائه و امکان ترویج موثر محصولات و یا خدمات به مشتریان را نسبت به رقبا فراهم کند [1].

لذا در این پژوهش تاثیر استفاده از استراتژی بازاریابی پایگاه داده در شبکه‌های اجتماعی بر جلب اعتماد مشتریان مورد بررسی قرار می‌گیرد. با توجه به این امر فرضیه سوم پژوهش عبارت است از:

فرضیه 3. استراتژی بازاریابی پایگاه داده در شبکه‌های اجتماعی تاثیر معنی‌داری بر جلب اعتماد مشتریان دارد.

استراتژی بازاریابی مبتنی بر دانش

در این استراتژی، شرکت سعی می‌کند روابط بلند‌مدت دو جانبه سودمند با مشتریان ایجاد کند و از پروفایل مشتریان استفاده کند. زمانی که شرکتی بتواند یک پایگاه اطلاعاتی قوی از مشتریان، رقبا و سایر شرایط و متغیرهای محیطی ایجاد نموده و بتواند با استفاده از این پایگاه اطلاعاتی، با مشتریان خود رابطه یک به یک برقرار نماید، دارای استراتژی بازاریابی مبتنی بر دانش می باشد. در شرکت‌هايی که از استراتژي مبتنی بر دانش در بازاریابی استفاده می‌کنند، قوانین بازاریابی به طور مستمر مورد بازنگري واقع شده و تحت تاثیر پیشرفت فناوري می‌باشد. استراتژی شرکت، جذب مشتریان جدید توام با حفظ مشتریان موجود بوده و شرکت تعامل بالا و قابل توجهی با مشتریان آگاه خود دارد، مشتریان به صورت فردي نگریسته می‌شوند و محصولات سفارشی است [31].

هوشمندي اصطلاح کلیدي در بازاریابی مبتنی بر دانش می‌باشد. هوشمندي بازاریابی²⁵ فرآیند شناخت و درك رقبا و قرار گرفتن یک گام بالاتر از آنان از طریق جمع‌ آوري اطلاعات قابل کاربرد در مورد رقبا و بکارگیری آن در برنامه‌ریزي استراتژیک کوتاه و بلند‌مدت می‌باشد [40، 41].

داده کاوی²⁶ مفهوم دیگری است که در بازاریابی مبتنی بر دانش مطرح می‌شود. داده کاوی اغلب به کشف دانش در پایگاه داده که فرایند استخراج اطلاعات جالب توجه و یا الگوهایی از داده در پایگاه داده‌های بزرگ است اشاره دارد [41]. بازاریابی مبتنی بر دانش، داده و مدل محور است که از ابزارها و روش‌های داده کاوی پیشرفته برای کشف دانش از پایگاه داده‌های مبادلاتی و مشتری استفاده می‌کند. در کل، این امر منجر به برقراری ارتباط کارا و اثربخش با خریداران بالقوه و افزایش سود می‌شود. رویکرد مهم برای بازاریابی مبتنی بر دانش، درک مشتری و الگوهای رفتاری آنهاست. این امر به ویژگی‌های مبادله‌ای مانند خریدهای اخیر، تعداد دفعات خرید، اندازه خرید، شناسایی گروه‌های مشتری و پیش‌بینی خرید نیاز دارد [24]. تکنیک‌های بسیاری برای استخراج داده‌ها وجود دارد و رایج‌ترین آنها، شبکه‌های عصبی مصنوعی²⁷، درخت تصمیم²⁸ و روش نزدیکترین همسایه²⁹ می‌باشد. استفاده از تکنیک‌های داده کاوی به تصمیم‌گیرندگان کمک خواهد کرد تا در مورد ترجیحات و نیازهای مشتریان آگاهی یابند [37].

بر این اساس در این پژوهش تاثیر استفاده از استراتژی بازاریابی مبتنی بر دانش در شبکه‌های اجتماعی بر جلب اعتماد مشتریان بررسی می‌شود. با توجه به این امر فرضیه چهارم پژوهش به شرح زیر است:

فرضیه 4. استراتژی بازاریابی مبتنی بر دانش در شبکه‌های اجتماعی تاثیر معنی‌داری بر جلب اعتماد مشتریان دارد.

ویژگی‌های استراتژی‌های بازاریابی در شبکه‌های اجتماعی با توجه به مطالعات صورت گرفته در جدول 2 ارائه شده است.

[1] social commerce

[2] electronic commerce

[3] Trustor and trustee

[4] Vulnerability

[5] Produced actions

[6] Subjective matter

[7] Trust dimensions

[8] Leong et al.

[9] Yeon et al.

[10] Hajli et al.

[11] Oliveira et al.

[12] Grabner-Kräuter & Bitter

[13] Palmer & Huo

[14] McKnight & Chervany

[15] Larzelere & Huston

[16] Ability

[17] Benevolence

[18] Integrity

[19] Predictability

[20] Transactional Marketing Strategy

[21] Relationship Marketing Strategy

[22] Database Marketing Strategy

[23] Knowledge-Based Marketing Strategy

[24] 4P (product/service, price, promotion & place)

[25] Marketing intelligence

[26] Data mining

[27] Artificial neural networks

[28] Decision trees

[29] The nearest-neighbor method

جدول 2. ویژگی‌های استراتژی‌های بازاریابی در شبکه‌های اجتماعی

استراتژی ویژگی	مبادله‌ای	رابطه‌ای	پایگاه داده	مبتنی بردانش
تمرکز	محصول	ارتباطات میان فردی نزدیک بر اساس تعهد و اعتماد	اطلاعات	دانش
طرف‌های درگیر	شرکت و خریداران در بازار کل	شرکت و خریداران فردی (رابطه دو طرفه)	شرکت و خریداران در یک بازار هدف خاص	شرکت، خریداران و سایر شرکت‌ها
توازن قدرت	فروشنده فعال - خریداران منفعل	شرکت و خریدار متقابلا فعال و سازگار	فروشنده فعال - خریداران کمتر منفعل	شرکت و خریداران فعال و سازگار
هدف مدیریتی	جذب مشتری (جلب رضایت مشتری به سود)	تعامل با مشتری	شناخت مشتری	کسب دانش از مشتری
تمرکز تصمیم‌گیری	محصول / برند و 4Ps	روابط بین مشتریان و شرکت‌ها	محصول/ برند و مشتریان (در یک بازار هدف)	محصول/ برند و مشتریان (در یک بازار هدف) و فناوری اطلاعات
تمرکز بازاریابی	فروش	ذهن مشتری	رفتار مشتری	ذهن بازار (هوش رقابتی)
هدف از بکارگیری در بازاریابی	کاهش هزینه‌ها	ایجاد ارتباط با مشتریان	جمع آوری اطلاعات مشتریان	ایجاد سیستم بازاریابی هوشمند
عامل مزیت رقابتی	معاملات / حجم فروش و جذب مشتریان جدید، هزینه محصول/ خدمت می‌باشد	حفظ مشتریان موجود، رضایت مشتری، خلاقیت، روابط نزدیک و دراز مدت، سازگاری، قرار دادن مشتری در مرکز سازمان	کسب اطلاعات صحیح، رضایت مشتری در بلند‌مدت	مبادلات، جذب مشتریان جدید و همچنین حفظ مشتریان موجود، رضایت مشتری، روابط نزدیک با مشتریان، نوآوری
تعاملات با مشتری	پایین	بالا	پایین	بالا و قابل توجه
ارتباطات بازاریابی	شرکت با بازار کل	شرکت با تک تک مشتریان	شرکت با بخش‌های بازار	شرکت با تک تک مشتریان
نوع ارتباط	غیرشخصی	چهره به چهره، غیر شخصی	شخصی	شخصی
گوشه‌های بازار	گوشه‌های بازار قابل شناسایی نیست	گوشه‌های بازار به آسانی قابل شناسایی است	گوشه‌های بازار به آسانی قابل شناسایی است	گوشه‌های بازار به طور کلی بزرگ است، همچنین این گوشه‌ها به راحتی قابل شناسایی هستند
هزینه تبلیغات	بسیار بالا	بالا	پایین	پایین
توسعه محصول	بازاریابی محرک توسعه محصول است	روابط بین شرکت‌ها محرک توسعه محصول است	گردآوری اطلاعات صحیح، محرک توسعه محصول است	سیستم‌های اطلاعاتی و بازاریابی محرک توسعه محصول است
دیدگاه شرکت درمورد رفتار مشتری	مشتریان رفتار اقتصادی دارند	مشتریان رفتار اجتماعی دارند	مشتریان رفتار پیچیده دارند	مشتریان آگاه و هوشمند هستند

با توجه به ادبیات و فرضیه‌های پژوهش، مدل مفهومی پژوهش در شکل 1 نشان داده شده است.

شکل 1. مدل مفهومی پژوهش

1- روش تحقیق

این پژوهش بر مبنای هدف، کاربردی و بر مبنای نحوه گردآوری داده‌ها، پژوهش توصیفی - پیمایشی و از نوع پژوهش همبستگی می‌باشد. جامعه آماری این پژوهش تمامی کاربران ایرانی عضو سایت‌های شبکه‌های اجتماعی (اینستاگرام، تلگرام، واتس اپ) است که تحت تاثیر تبلیغات شرکت‌ها قرار می‌گیرند. با توجه به گستردگی جامعه آماری، از روش نمونه‌گیری غیراحتمالی گلوله برفی استفاده شده است و حجم نمونه آماری 446 نفر است. نمونه انتخابی تحقیق، کاربرانی بوده‌اند که توالی خرید گاهی به بالا (خرید بیشتر از 3 بار در سال) داشته‌اند. پرسشنامه آنلاین در قالب مقیاس 5 امتیازی لیکرت طراحی شده است. این پژوهش مربوط به بازه زمانی بهار و تابستان 1395 می‌باشد. در این پژوهش، جهت تعیین روایی پرسشنامه از روش اعتبار محتوا و برای سنجش پایایی از ضریب آلفای کرونباخ استفاده شده است. مقدار آلفای کرونباخ به دست آمده در این پژوهش از 7/0 بیشتر بوده و بر این اساس پایایی پرسشنامه تایید می‌گردد. جدول 3 نتایج محاسبه ضرایب آلفای کرونباخ متغیرهای پژوهش را نشان می‌دهد.

جدول 3- نتایج محاسبه ضرایب آلفای کرونباخ متغیرهای پژوهش

متغیرها			تعداد نمونه	آلفای کرونباخ
اعتماد	ابعاد	توانایی	20	907/0
		خیرخواهی	20	881/0
		صداقت	20	882/0
		قابلیت پیش‌بینی	20	728/0
استراتژی‌های بازاریابی در شبکه‌های اجتماعی	انواع	استراتژی مبادله‌ای	20	869/0
		استراتژی‌های رابطه‌ای	20	846/0
		استراتژی پایگاه داده	20	730/0
		استراتژی مبتنی بر دانش	20	800/0
کل پرسشنامه			20	952/0

1. تحلیل داده‌ها و يافتههاي پژوهش

در این پژوهش جهت تعیین نرمال بودن توزیع متغیرها از آزمون کولموگروف – اسمیرنوف استفاده شده است. نتایج آزمون کولموگروف – اسمیرنوف در جدول 4 برای هریک از متغیرهای پژوهش آورده شده است.

جدول 4. آزمون کولموگروف- اسمیرنوف برای متغیرهای پژوهش

	اعتماد	مبادله‌ای	رابطه‌ای	پایگاه داده	مبتنی بر دانش
تعداد داده ها	446	446	446	446	446
مقدار آماره Z	466/3	349/4	650/4	727/4	891/3
سطح معنی داری (Sig)	000/0	000/0	000/0	000/0	000/0

با توجه به اینکه مقدارSig برای همه متغیرهای پژوهش کمتر از 05/0 است، لذا نمی‌توان فرض نرمال بودن توزیع مربوط به این متغیرها را پذیرفت. در نتیجه برای انجام آزمون‌های مربوط به این متغیرها از آزمون‌های ناپارامتریک استفاده شده است.

1-4- آزمون فرضیات پژوهش

با توجه به اینکه مدل پژوهش حاضر، روابط بین چندین متغیر پنهان (متغیرهای اصلی پژوهش) را بطور همزمان اندازه‌گیری می‌کند، بنابراین به منظور تحلیل داده‌ها و آزمون فرضیات از مدل‌سازی معادلات ساختاری استفاده شده است. از آنجا که فرض نرمال بودن توزیع برای اکثر متغیرهای پژوهش حاضر برقرار نبود، لذا در این پژوهش برای کسب نتایج دقیق‌تر، برای آزمون مدل مفهومی پژوهش، از روش پی ال اس¹ که یک تکنیک مدل‌سازی مسیر واریانس محور است و امکان بررسی نظریه و سنجه‌ها را به طور همزمان فراهم می‌سازد استفاده شده است [43]. محاسبات مربوط به تحلیل داده‌ها و آزمون فرضیات بوسیله نرم‌افزار اسمارت پی ال اس² صورت گرفته است. در این روش دو مدل مورد بررسی قرار می‌گیرد: 1) مدل بیرونی³ که برای بررسی روابط میان شاخص‌ها (سؤالات پژوهش) با متغیرهای اصلی مربوط به خود استفاده می‌شود که در واقع معادل همان مدل اندازه‌گیری در روش‌های کوواریانس محور است. 2) مدل درونی⁴ که بخـش ساخـتاری مدل را می‌سنـجد و بـرای بررسی روابط میان متغیرهای پنهان (متغیرهای اصلی) که

فرضیات پژوهش از روابط میان آنها شکل می‌گیرد، بکار

می‌رود.

مدل بیرونی (اندازه‌گیری). برای بررسی مدل اندازه‌گیری از آزمون‌های روایی همگرا⁵ و و روایی تشخیصی⁶ استفاده می‌شود [44]. سه معیار اصلی که با آن روایی همگرا برای مدل اندازه‌گیری می‌تواند مورد سنجش قرار گیرد عبارتند از: 1. برای بررسی پایایی (همسانی درونی) هر یک از گویه‌ها، بارهای عاملی محاسبه شده در بخش اندازه‌گیری مدل بیشتر از 5/0 باشد. 2. مقادیر محاسبه شده برای پایایی ترکیبی⁷ (CR) (برای همه سازه‌ها) در اینجا متغیرهای پنهان بایستی بیشتر از مقدار معیار 7/0 باشد. پایایی ترکیبی به این معنا است که بین پاسخ دهندگان مختلف مورد مطالعه برداشت یکسانی از سوالات وجود داشته است. 3. میانگین واریانس استخراج شده⁸ (AVE)، برای سازه‌های پژوهش بایستی بالاتر از مقدار معیار 5/0 باشد [43، 44].

[1] Partial Least Squares

[2] SmartPLS

[3] Outer model

[4] Inner model

[5] Convergent validity

[6] Discriminant validity

[7] Composite Reliability (CR)

[8] Average Variance Extracted (AVE)

جدول 5- مقادیر محاسبه شده برای نشانگرهای هر سازه در قالب مدل اندازه گیری

سازه	علامت نشانگر	بار عاملی	عدد معنی‌داری (T)	پایایی ترکیبی (CR)	مقدار میانگین واریانس استخراج شده (AVE)	ضریب تعیین (R2)
اعتماد	q1	873/0	609/70	963/0	706/0	613/0
	q2	848/0	587/52
	q3	833/0	687/51
	q4	874/0	992/71
	q5	870/0	688/69
	q6	836/0	192/57
	q7	812/0	789/49
	q8	836/0	250/60
	q9	906/0	748/109
	q10	787/0	977/33
	q11	756/0	154/28
مبادله‌ای	q12	669/0	893/19	933/0	780/0	-
	q13	942/0	096/185
	q14	944/0	023/150
	q15	947/0	595/161
رابطه‌ای	q16	924/0	739/104	952/0	869/0	-
	q17	931/0	262/139
	q18	943/0	604/192
پایگاه داده	q19	914/0	228/89	913/0	778/0	-
	q20	821/0	239/34
	q21	907/0	819/112
مبتنی بر دانش	q22	919/0	954/115	948/0	859/0	-
	q23	934/0	489/127
	q24	927/0	270/147

همانطور که در جدول 5 ملاحظه می‌شود، مقدار معنی‌داری کلیه نشانگرها دارای مقدار t بالاتر از 96/1 است. لذا این نشانگرها، ساختارهای عاملی مناسبی را جهت اندازه‌گیری ابعاد مورد مطالعه در مدل پژوهش فراهم می‌آورند. از طرفی مقادیر محاسبه شده برای بارهای عاملی شاخص‌های مشاهده شده، بیشتر از حداقل مقدار معیار 5/0 است، مقادیر محاسبه شده برای پایایی ترکیبی (CR)، بیشتر از حداقل مقدار معیار در نظر گرفته شده 7/0 بوده و مقادیر محاسبه شده برای میانگین واریانس استخراج شده همه متغیرهای پژوهش بیشتر از 5/0 است، در نتیجه با توجه به مقادیر معیار در نظر گرفته شده و مقادیر محاسبه شده می‌توان گفت که مدل اندازه گیری پژوهش حاضر دارای روایی همگرا می‌باشد و ضریب تعیین (R2) برابر با 613/0 است. مقدار شاخص برازش مدل 699/0 محاسبه شد که از مقدار 5/0 بزرگتر شده است و نشان از برازش مناسب مدل دارد. به بیان ساده‌تر داده‌های این پژوهش با ساختار عاملی و زیربنای نظری تحقیق برازش مناسبی دارد و این بیانگر همسو بودن سوالات با سازه‌های نظری است.

در پژوهش حاضر برای بررسی روایی مدل اندازه‌گیری، از روایی تشخیصی نیز استفاده شد. روایی تشخیصی بیانگر درجه‌ای است که در آن، شاخص‌های مشاهده شده مربوط به هر سازه (سوالات پرسشنامه مربوط به هر متغیر پژوهش) فقط سازه‌های مربوط به خود را می‌سنجند [45]. در بررسی روایی تشخیصی سازه‌ها دو ملاک مورد بررسی قرار می‌گیرد: الف) بررسی بار تقاطعی گویه‌ها، ب) بررسی همبستگی بین متغیرهای پنهان.

الف) برای بررسی روایی تشخیصی از جدول بارهای عاملی متقاطع¹، که از خروجی نرم افزار اسمارت پی ال اس قابل محاسبه است، استفاده شد. برای این کار میزان همبستگی هر نشانگر با تمام سازه‌های دیگر مدل محاسبه شد که مقادیر همبستگی باید برای سازه انتخابی پژوهش، بیشتر از سایر سازه‌ها باشد. لذا هر نشانگر باید بیشترین همبستگی را فقط با سازه خود نشان دهد و با سایر سازه‌ها نیز کمترین همبستگی را داشته باشد.

[1] Cross Loadings

جدول 6- بررسی روایی تشخیصی از طریق بارهای عاملی متقاطع

	اعتماد	مبادله ای	رابطه ای	پایگاه داده	مبتنی بر دانش
q1	873/0	491/0-	593/0	522/0	596/0
q2	848/0	537/0-	633/0	534/0	668/0
q3	833/0	514/0-	620/0	492/0	612/0
q4	874/0	559/0-	614/0	542/0	601/0
q5	870/0	564/0-	618/0	542/0	600/0
q6	836/0	530/0-	568/0	455/0	608/0
q7	812/0	500/0-	566/0	394/0	640/0
q8	836/0	497/0-	589/0	498/0	633/0
q9	906/0	583/0-	675/0	564/0	689/0
q10	787/0	538/0-	617/0	587/0	559/0
q11	756/0	491/0-	580/0	509/0	550/0
q12	359/0-	669/0	505/0-	435/0-	377/0-
q13	627/0-	942/0	701/0-	525/0-	616/0-
q14	590/0-	944/0	698/0-	537/0-	608/0-
q15	599/0-	947/0	740/0-	547/0-	651/0-
q16	664/0	643/0-	924/0	665/0	735/0
q17	668/0	707/0-	931/0	608/0	745/0
q18	690/0	759/0-	943/0	604/0	755/0
q19	526/0	533/0-	597/0	914/0	494/0
q20	371/0	303/0-	419/0	821/0	359/0
q21	655/0	617/0-	696/0	907/0	669/0
q22	665/0	587/0-	727/0	560/0	919/0
q23	656/0	561/0-	742/0	520/0	934/0
q24	712/0	655/0-	751/0	592/0	927/0

بررسی جدول بارهای عاملی متقاطع (جدول 6) بیانگر قابل قبول بودن روایی تشخیصی مدل پژوهش است. چون مقادیر همبستگی مربوط به نشانگرها، بیشترین مقدار همبستگی را فقط با سازه خود دارند و با بقیه سازه‌ها مقدار همبستگی کمتری دارند.

ب) برای بررسی همبستگی بین متغیرهای پنهان از جدول معیار فورنل و لارکر (جدول 7) استفاده شده است

جدول 7- بررسی همبستگی بین متغیرهای پنهان (معیار فورنل و لارکر)

استراتژی مبتنی بر دانش	استراتژی پایگاه داده	استراتژی رابطه‌ای	استراتژی مبادله‌ای	اعتماد
				840/0	اعتماد
			883/0	629/0-	استراتژی مبادله‌ای
		932/0	755/0-	723/0	استراتژی رابطه‌ای
	882/0	671/0	578/0-	611/0	استراتژی پایگاه داده
927/0	602/0	799/0	650/0-	732/0	استراتژی مبتنی بر دانش

جدول 7 به بررسی ضرایب همبستگی و روایی تشخیصی می‌پردازد. اعداد روی قطر اصلی ماتریس ریشه دوم میانگین واریانس تبیین شده (AVE) را نشان می‌دهد. لازمه تایید روایی تشخیصی بیشتر بودن مقدار ریشه دوم میانگین واریانس تبیین شده از تمامی ضرایب همبستگی متغیر مربوطه با باقی متغیرها است. همان طور که در جدول مشخص است، مقدار ریشه دوم شاخص میانگین واریانس تبیین شده، برای تمامی متغیرها، از همبستگی آن متغیر با سایر متغیرها بیشتر می‌باشد. پایین قطر اصلی ضرایب همبستگی پیرسون نشان داده شده‌اند. ضریب مثبت نشان‌دهنده رابطه‌ی مثبت و ضریب منفی نشان‌دهنده رابطه منفی و معکوس بین دو متغیر می‌باشد.

مدل ساختاری. فرضیات پژوهش در قالب آزمون اسمارت پی ال اس مورد بررسی قرار گرفتند. با در نظر گرفتن نتایج حاصل از بررسی روابط میان متغیرهای مستقل و وابسته با استفاده از ضریب محاسبه شده، می‌توان به بررسی معنی‌داری اثرات میان متغیرهای پژوهش بر یکدیگر که در واقع فرضیات از روابط میان آنها شکل می‌گیرند، پرداخت. با توجه به شکل (2) که بیانگر نمودار در وضعیت بارهای عاملی روابط بین متغیرها و شکل (3) که بیانگر نمودار در وضعیت اعداد معنی‌داری روابط بین متغیرهای پژوهش است به بررسی فرضیات پژوهش می‌پردازیم.

شکل 2- مدل پژوهش در وضعیت بارهای عاملی

شکل 3- مدل پژوهش در وضعیت اعداد معنی‌داری (T)

در جدول 8، خلاصه نتایج مربوط به نمودارهای 2 و 3 ارائه گردیده است.

جدول 8- خلاصه نتایج مربوط به بارهای عاملی و معنی‌داری بخش ساختاری مدل

نتیجه	مقدار T	بار عاملی	روابط بین متغیرها
قبول فرضیه	040/2	124/0-	اعتماد مشتریان ....... استراتژی بازاریابی مبادله‌ای
قبول فرضیه	868/2	213/0	اعتماد مشتریان ....... استراتژی بازاریابی رابطه‌ای
قبول فرضیه	276/4	167/0	اعتماد مشتریان ....... استراتژی بازاریابی پایگاه داده
قبول فرضیه	945/6	380/0	اعتماد مشتریان ....... استراتژی بازاریابی مبتنی بر دانش

2-4- بررسی نتایج حاصل از آزمون فرضیات پژوهش

H1: استراتژی بازاریابی مبادله‌ای در شبکه‌های اجتماعی تاثیر معنی‌داری بر جلب اعتماد مشتریان دارد.

نتایج بدست آمده نشان می‌دهد که این اثر دارای مقدار بار عاملی 124/0- می‌باشد و با توجه به اینکه مقدار T برای این رابطه (040/2) بیشتر از 96/1 محاسبه شده است، لذا در سطح اطمینان 95 درصد، تأثیر استراتژی بازاریابی مبادله‌ای در شبکه‌های اجتماعی بر جلب اعتماد مشتریان معکوس و معنی‌دار است.

H2: استراتژی بازاریابی رابطه‌ای در شبکه‌های اجتماعی تاثیر معنی‌داری بر جلب اعتماد مشتریان دارد.

نتایج بدست آمده نشان می‌دهد که این اثر دارای مقدار بار عاملی 213/0 می‌باشد و با توجه به اینکه مقدار T برای این رابطه (868/2) بیشتر از 96/1 محاسبه شده است، لذا در سطح اطمینان 95 درصد، تأثیر استراتژی بازاریابی رابطه‌ای در شبکه‌های اجتماعی بر جلب اعتماد مشتریان مستقیم و معنی‌دار است.

H3: استراتژی بازاریابی پایگاه داده در شبکه‌های اجتماعی تاثیر معنی‌داری بر جلب اعتماد مشتریان دارد.

نتایج بدست آمده نشان می‌دهد که این اثر دارای مقدار بار عاملی 167/0 می‌باشد و با توجه به اینکه مقدار T برای این رابطه (276/4) بیشتر از 96/1 محاسبه شده است، لذا در سطح اطمینان 95 درصد، تأثیر استراتژی بازاریابی پایگاه داده در شبکه‌های اجتماعی بر جلب اعتماد مشتریان مستقیم و معنی‌دار است.

H4: استراتژی بازاریابی مبتنی بر دانش در شبکه‌های اجتماعی تاثیر معنی‌داری بر جلب اعتماد مشتریان دارد.

نتایج بدست آمده نشان می‌دهد که این اثر دارای مقدار بار عاملی 380/0 می‌باشد و با توجه به اینکه مقدار T برای این رابطه (945/6) بیشتر از 96/1 محاسبه شده است، لذا در سطح اطمینان 95 درصد، تأثیر استراتژی بازاریابی مبتنی بر دانش در شبکه‌های اجتماعی بر جلب اعتماد مشتریان مستقیم و معنی‌دار است.

3-نتیجه‌گیری و پیشنهادها

هدف از این پژوهش بررسی تاثیر استفاده از انواع استراتژی‌های بازاریابی در شبکه‌های اجتماعی بر جلب اعتماد مشتریان بوده است. تحقیقات بسیاری در خصوص اعتماد و اهمیت آن در بستر شبکه‌های اجتماعی و تجارت الکترونیک انجام شده است اما با توجه به ادبیات علمی، شواهد و تحقیقاتی درباره استراتژی‌های بازاریابی در بستر شبکه‌های اجتماعی موجود نیست. اینکه چه استراتژی‌هایی در شبکه‌های اجتماعی که امروزه با سرعت فراوان و ضریب نفوذ گسترده زندگی مردم و کسب و کارهای مختلف را احاطه کرده کاربرد دارند و اعتماد مشتریان که موضوع با اهمیتی در بستر شبکه‌های اجتماعی و تعاملات آنلاین مطرح بوده و تاثیر مثبتی بر قصد خرید مشتریان و میزان تعاملات آنها می‌تواند داشته باشد با چه راهکارهایی می‌توان افزایش داد. بنابراین، این مطالعه به درک ما در این زمینه که کدام استراتژی‌های بازاریابی الکترونیکی به بهترین وجه می‌توانند اعتماد مشتریان در بستر شبکه‌های اجتماعی را تقویت کنند، کمک می‌کنند. شرکت‌ها نیز می‌توانند این استراتژی‌ها را پیاده‌سازی کنند. یافته‌های پژوهش نشان می‌دهد که استراتژی‌های بازاریابی مد‌نظر پژوهش (مبادله‌ای، رابطه‌ای، پایگاه داده، مبتنی بر دانش)، تاثیر معنی‌داری بر جلب اعتماد مشتریان در شبکه‌های اجتماعی دارند و همچنین نتایج بیانگر آن است که استراتژی بازاریابی مبتنی بر دانش بیشترین تاثیر و استراتژی بازاریابی مبادله‌ای کمترین تاثیر را بر جلب اعتماد و جذب مشتریان در شبکه‌های اجتماعی دارد. چرا که در استراتژی بازاریابی مبتنی بر دانش، شرکت‌ها سعی بر آن دارند تا علاوه بر استفاده از پایگاه داده مشتریان، با در نظر گرفتن رقبا و سایر شرایط و متغیرهای محیطی، روابط بلند‌مدت دوجانبه سودمند و همچنین تعامل بالا و قابل توجهی با مشتریان خود برقرار نمایند. برقراری روابط متقابل سودمند و تعاملات بالا با مشتریان در استراتژی بازاریابی مبتنی بر دانش، منجر به افزایش اعتماد مشتریان به فروشگاه‌های آنلاین فعال در شبکه‌های اجتماعی خواهد شد و برعکس در استراتژی بازاریابی مبادله‌ای، تعامل پایین با مشتریان و عدم برقراری ارتباط با مشتری و توجه صرف به حجم فروش بیشتر و کاهش هزینه منجر به کاهش اعتماد مشتریان خواهد شد، چرا که امروزه نیازهای ارتباطی و خلاقیت مشتریان در سطوح بالایی قرار دارد. بنابراین در این راستا پیشنهادات زیر در جهت جلب اعتماد و جذب مشتریان در شبکه های اجتماعی پیشنهاد می‌گردد:

با بررسی تاثیر استراتژی بازاریابی مبادله‌ای بر جلب اعتماد مشتریان پیشنهاد می‌شود که فروشگاه‌های آنلاین فعال در شبکه‌های اجتماعی، از این استراتژی برای جلب اعتماد مشتریان استفاده نکرده (با توجه به منفی بودن تاثیر) و سعی کنند در هنگام معرفی محصول، اطلاعات کامل‌تری درباره محصول ارائه داده و پاسخگوی سوالات مشتریان باشند، با مشتریان پس از انجام خرید تعامل مجدد برقرار کرده، تنها بر میزان فروش تمرکز نداشته و حفظ مشتریان نیز برای آنها با اهمیت باشد چرا که در اینصورت می‌توان اعتماد مشتریان را در شبکه‌های اجتماعی جلب کرد.

با بررسی تاثیر استراتژی بازاریابی رابطه‌ای بر جلب اعتماد مشتریان پیشنهاد می‌شود که فروشگاه‌های آنلاین فعال در شبکه‌های اجتماعی با توجه به تاثیر مثبت این استراتژی بر جلب اعتماد مشتریان، در بکارگیری آن به مواردی همچون ارتباطات میان فردی نزدیک براساس تعهد و اعتماد، ارائه محصولات مبتنی بر نیازهای مشتریان، تماس مجدد با مشتریان پس از انجام خرید و حفظ ارتباط با آنها توجه داشته تا بتوانند اعتماد مشتریان را جلب نمایند. برقراری و حفظ ارتباط با مشتری منجر به افزایش جلب اعتماد مشتریان خواهد شد.

با بررسی تاثیر استراتژی بازاریابی پایگاه داده بر جلب اعتماد مشتریان پیشنهاد می‌شود که فروشگاه‌های آنلاین فعال در شبکه‌های اجتماعی با بکارگیری استراتژی بازاریابی پایگاه داده (با توجه به تاثیر مثبت بر جلب اعتماد مشتریان) به جمع‌ آوری اطلاعات در خصوص مشتریان به عنوان مثال آنچه که برای مشتریان جالب و مهم است، نیازها، تمایلات، عادت‌ها و مقدار صرف هزینه مشتریان تمرکز داشته و به دنبال کسب رضایت آنها باشند تا بتوانند اعتماد مشتریان را جلب کنند.

با بررسی تاثیر استراتژی بازاریابی مبتنی بر دانش بر جلب اعتماد مشتریان پیشنهاد می‌شود که فروشگاه‌های آنلاین فعال در شبکه‌های اجتماعی با توجه به تاثیر مثبت این استراتژی بر جلب اعتماد مشتریان با استفاده از تکنیک‌های داده کاوی، نیازها و ترجیحات، سلایق و خواسته‌های مشتریان را شناسایی کرده، برای هر مشتری پروفایلی تشکیل دهند تا از تعداد دفعات خریداری محصول یا تعداد دفعات بازدید از فروشگاه، حجم خرید و میزان صرف هزینه مشتریان آگاهی داشته و گروه‌های بارز مشتریان را شناسایی کنند و در بکارگیری استراتژی بازاریابی مبتنی بر دانش به مواردی از قبیل روابط بسیار نزدیک و یک به یک با مشتری، سفارشی‌سازی و منطبق کردن محصول با نیاز مشتری و پاسخگویی بهتر از رقبا نسبت به نیازهای مشتریان، جذب مشتریان جدید توام با حفظ مشتریان موجود و تعامل بالا و قابل توجه با آنها توجه داشته و با برقراری روابط یک به یک و بلند‌مدت با مشتریان بتوانند اعتماد آنها را جلب نمایند.

با در نظرگرفتن این موضوع که تحقیقاتی در زمینه شناسایی استراتژی‌های بازاریابی کلیدی در بستر شبکه های اجتماعی انجام نشده، پیشنهاد می‌شود با توجه به نفوذ گسترده این شبکه‌ها در کسب و کارها و اهمیت آن، محققین آتی مطالعات بیشتری در این خصوص داشته باشند، از روش‌های جدیدتری مانند رویکرد هوش مصنوعی، شبکه عصبی و ... برای شناسایی این استراتژی‌ها و نیز بررسی عوامل موثر بر جلب اعتماد مشتریان در این بستر استفاده کنند. همچنین با توجه به اینکه در این تحقیق استراتژی‌های بازاریابی مبادله‌ای، رابطه‌ای، پایگاه داده و مبتنی بر دانش بر جلب اعتماد مشتریان در شبکه‌های اجتماعی بررسی گردید، محققین آتی می‌توانند استراتژی‌های دیگری که بر جلب اعتماد مشتریان در شبکه‌های اجتماعی تاثیر دارند را نیز مورد شناسایی قرار دهند. پیشنهاد می‌شود در مطالعات بعدی هر کدام از استراتژی‌های بازاریابی مبادله‌ای، رابطه‌ای، پایگـاه داده و مبتـنی بر دانـش را در صـنایع مخـتلف مورد

1. C-C. Wu, Y. Huang, and C-L. Hsu, “Benevolence trust: a key determinant of user continuance use of online social networks,” Information Systems and e-Business Management, 12(2), 189-211, 2014.

2. N. Hajli, J. Sims, A. H. Zadeh, and M-O. Richard, “A social commerce investigation of the role of trust in a social networking site on purchase intentions,” Journal of Business Research, 71, 133-141, 2017. http://dx.doi.org/10.1016/j.jbusres.2016.10.004.

3. T. Oliveira, M. Alhinho, P. Rita, and G. Dhillon, “Modelling and Testing Consumer Trust Dimensions in E-commerce,” Computers in Human Behavior, 2017. doi: 10.1016/j.chb.2017.01.050.

4. L-Y. Leong, T-S. Hewb, K-B. Ooic, A. Y-L. Chongd, “Predicting the antecedents of trust in social commerce – A hybrid structural equation modeling with neural network approach,” Journal of Business Research, 110, 24-40, 2020.

5. J. Yeon, I. Park, D. Lee, “What creates trust and who gets loyalty in social commerce,” Journal of Retailing and Consumer Services, 50, 138-144, 2019.

6. S. Grabner-Kräuter, and S. Bitter, “Trust in online social networks: A multifaceted perspective,” Forum for Social Economics, 44(1), 48-68, 2015. DOI:10.1080/07360932.2013.781517.

7. A. Palmer, and Q. Huo, “A study of trust over time within a social mediated environment,” Journal of Marketing Management, 29, 15-16, 1816-1833, 2013. DOI:10.1080/0267257X.2013.803143.

8. رحمانی، مرضیه، فتحیان، محمد، یعقوبی، سعید، "ارائه یک مدل مفهومی جهت شناسایی کیفیت خدمات الکترونیکی در فروشگاه‌های اینترنتی کشور"، فصلنامه علمی- پژوهشی فناوری اطلاعات و ارتباطات ایران، شماره‌های 29 و 30، صفحات 14-1، 1395.

9. مصممی، شیلا، مرادی، محمود، شاه بهرامی، اسدالله، "بررسی عوامل موثر بر موفقیت تجارت الکترونیک B2C از دیدگاه مدیریتی"، فصلنامه علمی- پژوهشی فناوری اطلاعات و ارتباطات ایران، شماره‌های 17 و 18، صفحات 72-57، 1392.

منابع

10. I. Gregurec, T. Vranesevic, and D. Dobrinic, “The importance of database marketing in social network advertising,” In Proceedings of the International Journal of Management Cases, 27th-29th April, (pp.165-172). University of Dubrovnik, Croatia: Access Press UK, 13(4), 2011.

11. emarketer.com. Available: https://www.emarketer.com/content/global-social-network-users.2020.

12. G. Appel1, L. Grewal, R. Hadi, and A. T. Stephen, “The future of social media in marketing,” Journal of the Academy of Marketing Science, 48, 79-95, 2020. https://doi.org/10.1007/s11747-019-00695-1.

13. A. Saxena, and Kh. Uday, “Advertising on Social Nework Sites: A Structural Equation Modelling Approach,” Vision, 17(1), 17-25, 2013.

14. A. Alalwan, N. P. Rana, Y. K. Dwivedi, and R. Algharabat, “Social media in marketing: A review and analysis of the existing literature,” Telematics and Informatics, 2017. http://dx.doi.org/10.1016/j.tele.2017.05.008.

15. J. Fogel, and E. Nehmad, “Internet social network communities: risk taking, trust, and privacy concerns,” Computers in Human Behavior, 25(1), 153-160, 2009.

16. اکبری، محسن، زاهدفر، کامران، ایاغ، زهرا، "درک اعتماد اولیه کاربران به شبکه‌های اجتماعی"، فصلنامه علمی- پژوهشی فناوری اطلاعات و ارتباطات ایران، شماره‌های 27 و 28، صفحات 94-81، 1395

بررسی قرار داده و استراتژی‌های متناسب با صنایع را شناسایی کنند و از آنجایی که در این پژوهش، بررسی انواع استراتژی‌های بازاریابی در سایت‌های شبکه‌های اجتماعی مطرح بوده، پیشنهاد می‌گردد در تحقیقات بعدی، بررسی استراتژی‌ها بصورت مطالعه موردی انجام گیرد.

environment,” Journal of Marketing Management, 29, 15-16, 1816-1833, 2013. DOI:10.1080/0267257X.2013.803143.

15. رحمانی، مرضیه، فتحیان، محمد، یعقوبی، سعید، "ارائه یک مدل مفهومی جهت شناسایی کیفیت خدمات الکترونیکی در فروشگاه‌های اینترنتی کشور"، فصلنامه علمی- پژوهشی فناوری اطلاعات و ارتباطات ایران، شماره‌های 29 و 30، صفحات 14-1، 1395.

16. مصممی، شیلا، مرادی، محمود، شاه بهرامی، اسدالله، "بررسی عوامل موثر بر موفقیت تجارت الکترونیک B2C از دیدگاه مدیریتی"، فصلنامه علمی- پژوهشی فناوری اطلاعات و ارتباطات ایران، شماره‌های 17 و 18، صفحات 72-57، 1392.

17. Y.D. Wang, and H.H. Emurian, “An Overview of Online Trust: Concepts, Elements, and Implications,” Computers in Human Behavior, 21(1), 105-125, 2005.

18. R. C. Mayer, J. H. Davis, and F. C. Schoorman, “An integrative model of organizational trust,” Academy of Management Review, 20(3), 709-734, 1995.

19. F. Tan, and P. Sutherland, “Online Consumer Trust: A Multi-Dimensional Model,” The Journal of Electronic Commerce in Organizations, 2(3), 40-58, 2004.

20. R. Larzelere, and T. Huston, “The dyadic trust scale: Toward understanding interpersonal trust in close relationships,” Journal of Marriage and the Family, 42, 595-604, 1980.

21. D. H. McKnight, and N. L. Chervany, “What trust means in E-commerce customer relationships,” International Journal of Electronic Commerce, 6(2), 35-59, 2002.

22. J.-J. Wu, Y.-H. Chen, and Y.-S. Chung, “Trust factors influencing virtual community members: A study of transaction communities,” Journal of Business Research, 63, 1025-1032, 2010.

23. d. Boyd, and N. B. Ellison, “Social Network Sites: Definition, History, and Scholarship,” Journal of Computer-Mediated Communication, 13(1), 210–230 , 2007.

24. M.G. Hoy, and G. Milne, “Gender differences in privacy-related measures for young adult Facebook users,” Journal of Interactive Advertising, 10(2), 28-45, 2010.

25. T. Fisher, “ROI in social media: A look at the arguments,” Journal of Database Marketing & Customer Strategy Management, 16(3), 189-195, 2009.

26. L. Kelly, G.F. Kerr, and D. Judy, “Avoidance of Advertising in Social Networking Sites: The Teenage Perspective,” Journal of Interactive Advertising, 10(2), 16-27, 2010.

27. G. Shen, J-S. Chiou, C-H. Hsiao, C-H. Wanga, and H-N. Li, “Effective marketing communication via social networking site: The moderating role of the social tie,” Journal of Business Research, 69(6), 2265-2270, 2015.

28. P. Chailom, “Antecedents and consequences of e-marketing strategy: evidence from e-commerce business in Thailand,” International Journal of Business Strategy, 12, 75-87, 2012.

29. T. Šonkova, & M. Grabowska, “Customer engagement: transactional vs. relationship marketing,” Journal of International Studies, 8(1), 196-207, 2015.

30. N. Shaik, and SH. Ritter, Social Media Based Relationship Marketing. IGI Global, Chapter 9, 119–139, 2011.

31. M. Zineldin, “Beyond relationship marketing: technologicalship marketing,” Marketing Intelligence & Planning, 18(1), 9-23, 2000.

32. R. J. Brodie, N. E. Coviello, R. W. Brookes, and V. Little, “Towards a Paradigm Shift in Marketing? An Examination of Current Marketing Practices,” Journal of Marketing Management, 13(5), 383-406, 1997.

33. سیدجوادین، سید رضا، اسفیدانی، محمدرحیم، آقازاده، هاشم، "بررسی استراتژی‌های بازاریابی در بازارهای الکترونیکی مورد مطالعه: شرکت‌های تولیدی برتر ایران"، فصلنامه پژوهشنامه بازرگانی، شماره ۴۲، صفحات 117-83، 1386.

34. H. Aghazadeh, and M.R. Esfidani, “Internet Marketing Strategies”, Iranian Economic Review, 12(1), 179-191, 2007.

35. A. Moretti, and A. Tuan, “Social media marketing and relationship marketing: revolution or evolution? A first step analysis,” sinergie, rivista di studi e ricerche, 93, 115-137, 2014.

36. L. Steinhoff, D. Arli, S. Weaven, and I. V. Kozlenkova, “Online relationship marketing,” Journal of the Academy of Marketing Science, 2018. https://doi.org/10.1007/s11747-018-0621-6.

37. T. Zatari, “Data mining in marketing,” International Journal of Scientific & Engineering Research, 5(10), 1223-1226, 2014.

38. B.C. Brown, How to Use the Internet to Advertise, Promote, and Market Your Business or Web Site – With Little or No Money. Atlantic Publishing Group, Ocala, Florida, 2006.

39. R.C. Blattberg, B. Kim, and S.A. Neslin, Database Marketing Analyzing and Managing Customers. Springer, New York, 2008

40. P. Kotler, and G. Armstrong,

Principles of Marketing. USA: Pearson Prentice Hall, 2011.

41. N. Gladson-Nwokah, and J. Gladson-Nwokah, “Strategic Use of Database Marketing for Marketing Decicion-Making,” Research Journal of Information Technology, 4(2), 27-37, 2012.

42. D. L. Olson, B. Chae, “Direct marketing decision support through predictive customer response modelling,” Decision Support Systems, 54, 443-451, 2012. DOI:10.1016/j.dss.2012.06.005.

43. C. Fornell, and D. F. Larcker, “Evaluating structural equation models with unobservable variables and measurement error,” Journal of marketing research, 18(1), 39-50, 1981.

44. A. C. Teo, G. W. H. Tan, K. B. Ooi, T. S. Hew, and K. T. Yew, “The effects of convenience and speed in m-payment,” Industrial Management & Data Systems, 115(2), 311-331, 2015.

45. T. Ramayah, and E. Rahbar, “Greening the environment through recycling: an empirical study,” Management of Environmental Quality: An International Journal, 24(6), 782-801, 2013.

اشتراک گذاری

آدرس مقاله

گروه‌بندی همسان یادگیرندگان در محیط یادگیری الکترونیکی به کمک روش خوشه¬بندی شورایی