نشریه کسب و کار در ورزش

نشریه کسب و کار در ورزش

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

راهنمای ثبت نام در سایت نشریه

راهنمای نویسندگان

تمپلیت ورد برای سابمیت مقاله

فایل اطلاعات وابستگی سازمانی نویسندگان

فرم تعارض منافع

نامه به سردبیر (تعهدنامه)

تهیه فایل پشتیبان در نرم‌افزار اندنوت

فهرست داوران 1400

راهنمای استفاده از Publons

فهرست داوران 1401

تدوین مدل نگاشتی شناختی فازی عوامل مؤثر بر تبلیغات شخصی سازی شده در صنعت کالاهای ورزشی

نوع مقاله : پژوهشی

نویسندگان

1 استادیار، گروه مدیریت ورزشی، دانشکده علوم ورزشی، دانشگاه ارومیه، ارومیه، ایران.

2 دکترای مدیریت ورزشی، گروه مدیریت ورزشی، دانشکده تربیت بدنی و علوم ورزشی، دانشگاه تبریز، تبریز، ایران.

چکیده

هدف: این پژوهش به تدوین مدل نگاشتی شناختی فازی عوامل مؤثر بر تبلیغات شخصی‌سازی شده در صنعت کالاهای ورزشی با استفاده از روش کیفی و نظریه زمینه‌ای بر اساس رویکرد گلیزر و مبتنی بر رویکرد نگاشتی شناختی فازی است.
روش‌: ابزار اصلی این پژوهش توصیفی-اکتشافی، مصاحبه نیمه ساختاریافته با افراد آگاه و خبره فعال در حوزه مورد نظر بود. نمونه‌گیری با استفاده از گلوله برفی برای انتخاب شرکت‌کنندگان از بین متخصصان بازاریابی ورزشی، برندهای ورزشی و صنعت ورزش و اساتید دانشگاه در رشته‌های مدیریت ورزشی، مدیریت بازرگانی، مدیریت فناوری که دارای ویژگی‌های مورد نظر بودند، انجام شد. پس از انجام 14 مصاحبه، داده‌های به دست‌آمده کدگذاری شد. پس از جمع‌بندی موضوعات مطرح شده توسط کارشناسان، 7 شاخص اصلی و 33 زیرشاخص در تبلیغات شخصی سازی شده در صنعت لوازم ورزشی به دست آمد. سپس بر اساس دانش صاحب‌نظران، روابط بین مفاهیم در قالب مدل نگاشتی شناختی فازی ترسیم شد. برای ترسیم مدل شناختی فازی و محاسبه شاخص‌های مربوطه از نرم‌افزارهای Excel، FCMapper  و FCM EXPERT  استفاده شد.
یافته‌ها: بر اساس نتایج، مدیریت ارتباط با مشتری بیشترین تأثیر را از سایر عوامل می‌پذیرد. همچنین، نتایج تحقیق نشان داد که مدیریت دانش مشتری بیشترین تأثیر را بر عوامل مدل شخصی‌سازی تبلیغات دارد. مدیریت ارتباط با مشتری، مشتریان خوشه‌بندی و مدیریت دانش مشتری به ترتیب دارای بالاترین درجه مرکزیت هستند. این بدان معنی است که آن‌ها بیشترین تأثیر را بر روی مدل دارند.
اصالت و ابتکار مقاله: در این مطالعه، به تدوین مدل نگاشتی شناختی فازی عوامل مؤثر بر تبلیغات شخصی‌سازی شده در صنعت کالاهای ورزشی بررسی شد که تاکنون مطالعه‌ای بر روی آن انجام نشده است.

کلیدواژه‌ها

مراجع
  1. Baek, T. H., & Morimoto, M. (2012). Stay Away From Me. Journal of Advertising, 41(1), 59-76. https://doi.org/10.2753/JOA0091-3367410105
  2. Ball, A. D., Coelho, P. S., & Vilares, M. J. (2006). Service personalization and loyalty. Journal of Services Marketing, 20(6), 391 - 403. https://doi.org/10.1108/08876040610691284
  3. Banini, G. A., & Bearman, R. A. (1998). Application of fuzzy cognitive maps to factors affecting slurry rheology. International Journal of Mineral Processing, 52(4), 233-244. https:// doi.org/10.1016/S0301-7516(97)00071-9
  4. Bose, R., & Sugumaran, V. (2003). Application of knowledge management technology in customer relationship management. Knowledge and Process Management, 10(1), 3-17. https://doi.org/10.1002/kpm.163
  5. De Keyzer, F., Dens, N., & De Pelsmacker, P. (2015). Is this for me? How Consumers Respond to Personalized Advertising on Social Network Sites. Journal of Interactive Advertising, 15(2), 124-134. https://doi.org/10.1080/15252019.2015.1082450
  6. Eden, C., Ackermann, F., & Cropper, S. (1992). The analysis of cause maps. Journal of Management Studies, 29(3), 309-324. https://doi.org/10.1111/j.1467-6486.1992.tb00667.x
  7. Evans, M. (1989). Consumer behaviour towards fashion. European Journal of Marketing, 23(7), 7-16. https://doi.org/10.1108/EUM0000000000575
  8. Feng, J., Li, H., Huang, M., Liu, S., Ou, W., Wang, Z., & Zhu, X. (2018, April 23-27). Learning to collaborate: Multi-scenario ranking via multi-agent reinforcement learning. Proceedings of the 2018 World Wide Web Conference, Lyon France. https://arxiv.org/ pdf/1809.06260.pdf
  9. Furnham, A. (2019). Advertising: The contribution of applied cognitive psychology. Applied Cognitive Psychology, 33(2), 168-175. https://doi.org/10.1002/acp.3458
  10. Garcia-Murillo, M., & Annabi, H. (2002). Customer knowledge management. Journal of the Operational Research Society, 53(8), 875-884. https://doi.org/10.1057/palgrave.jors. 2601365
  11. Geib, M., Kolbe, L. M., & Brenner, W. (2006). CRM collaboration in financial services networks: a multi‐case analysis. Journal of Enterprise Information Management, 19(6), 591-607. https://doi.org/10.1108/17410390610708481
  12. Hadian, H., Razavi, S. M. H., Boroumand, M. R., & Amirnejad, S. (2020). Strategies for Developing Economy of Iran’s Sports Industry. Annals of Applied Sport Science, 8(4), 0-0. https://doi.org/10.29252/aassjournal.843
  13. Harary, F., & Norman, R. Z. (1965, January 1). Structural Models: An Introduction to the Theory of Directed Graphs (1st ed.). John Wiley & Sons. https://www.amazon.com/Structural-Models-Introduction-Theory-Directed/dp/047135130X
  14. Hosseini, M., & Shabani, M. (2015). New approach to customer segmentation based on changes in customer value. Journal of Marketing Analytics, 3(3), 110-121. https://doi.org/10.10 57/jma.2015.10
  15. Jai, T.-M., Burns, L. D., & King, N. J. (2013). The effect of behavioral tracking practices on consumers’ shopping evaluations and repurchase intention toward trusted online retailers. Computers in Human Behavior, 29(3), 901-909. https://doi.org/10.1016/j.chb.2012.12.021
  16. Kandasamy, W. V., & Smarandache, F. (2003). Fuzzy cognitive maps and neutrosophic cognitive maps. Infinite Study. https://arxiv.org/ftp/math/papers/0311/0311063.pdf
  17. Keimasi, M., & Khoshnevis, M. (2021). Analyzing Customers' Behaviors with Approach of Measuring Visual Attention of Users to Websites Banner Advertising. Consumer Behavior Studies Journal, 8(1), 22-37. https://doi.org/10.34785/J018.2021.489
  18. Khodakarami, F., & Chan, Y. E. (2014). Exploring the role of customer relationship management (CRM) systems in customer knowledge creation. Information & Management, 51(1), 27-42. https://doi.org/10.1016/j.im.2013.09.001
  19. Kim, J. W., Lee, B. H., Shaw, M. J., Chang, H.-L., & Nelson, M. (2001). Application of Decision-Tree Induction Techniques to Personalized Advertisements on Internet Storefronts. International Journal of Electronic Commerce, 5(3), 45-62. https://doi.org/ 10.1080/10864415.2001.11044215
  20. Kokkinos, K., Lakioti, E., Papageorgiou, E., Moustakas, K., & Karayannis, V. (2018). Fuzzy cognitive map-based modeling of social acceptance to overcome uncertainties in establishing waste biorefinery facilities. Frontiers in Energy Research, 6, 112. https:// doi.org/10.3389/fenrg.2018.00112
  21. Kończak, J. (2021). Sports themes in advertising. Journal of Physical Education and Sport, 21, 1179-1184.
  22. Kosko, B. (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24(1), 65-75. https://doi.org/10.1016/S0020-7373(86)80040-2
  23. Kosko, B. (1993). Adaptive inference in fuzzy knowledge networks. In D. Dubois, H. Prade, & R. R. Yager (Eds.), Readings in Fuzzy Sets for Intelligent Systems (pp. 888-891). Morgan Kaufmann. https://www.sciencedirect.com/science/article/pii/B9781483214504500936
  24. Meng, W., Ding, R., Chung, S. P., Han, S., & Lee, W. (2016, February 16, 21-24). The Price of Free: Privacy Leakage in Personalized Mobile In-Apps Ads. The Network and Distributed System Security (NDSS), San Diego, CA, USA. https://wenke.gtisc.gatech. edu/papers/ndss16_mobile_ad.pdf
  25. Mouratiadou, I., & Moran, D. (2007). Mapping public participation in the Water Framework Directive: A case study of the Pinios River Basin, Greece. Ecological Economics, 62(1), 66-76. https://doi.org/10.1016/j.ecolecon.2007.01.009
  26. O'Donnell, K., & Cramer, H. (2015, May 18-22). People's perceptions of personalized ads. Proceedings of the 24th International Conference on World Wide Web, Florence, Italy. http://www2015.thewebconf.org/documents/proceedings/companion/p1293.pdf
  27. Özesmi, U., & Özesmi, S. L. (2004). Ecological models based on people’s knowledge: a multi-step fuzzy cognitive mapping approach. Ecological Modelling, 176(1), 43-64. https:// doi.org/10.1016/j.ecolmodel.2003.10.027
  28. Papageorgiou, E. I., Markinos, A., & Gemptos, T. (2009). Application of fuzzy cognitive maps for cotton yield management in precision farming. Expert Systems with Applications, 36(10), 12399-12413. https://doi.org/10.1016/j.eswa.2009.04.046
  29. Park, K. S., & Kim, S. H. (1995). Fuzzy cognitive maps considering time relationships. International Journal of Human-Computer Studies, 42(2), 157-168. https://doi.org/10. 1006/ijhc.1995.1007
  30. Pihl, P. (2006). An Analysis of the Sports Equipment Industry and One of Its Leading Companies, Head, NV [Master Thesis, Business Administration, Management, and Operations, Liberty University]. Lynchburg, Virginia, United States. https://digitalcommons. liberty.edu/cgi/viewcontent.cgi?article=1176&context=honors
  31. Rajagopal, S. (2011). Customer data clustering using data mining technique. International Journal of Database Management Systems, 3(4), 1-11. https://doi.org/10.5121/ijdms.2011.3401
  32. Ran, F., & Zhang, X. (2011). Financial competitiveness evaluation on sporting goods listed enterprises: A China study. African Journal of Business Management, 5(17), 7404-7409. https://doi.org/10.5897/AJBM11.137
  33. Rodriguez-Repiso, L., Setchi, R., & Salmeron, J. L. (2007). Modelling IT projects success: Emerging methodologies reviewed. Technovation, 27(10), 582-594. https://doi.org/10. 1016/j.technovation.2006.12.006
  34. Sajid, S. I. (2016). Social media and its role in marketing. Business and Economics Journal, 7(1). https://doi.org/10.4172/2151-6219.1000203
  35. Sarlab, R., & Seyed Ameri, M. (2021). The Effect of Exchange Rate Volatility on Trade Balance Sports Sector in Selected Countries in the MENA. Sport Management Studies, 12(64), 17-32. https://doi.org/10.22089/smrj.2020.8573.2930
  36. Savić, Z., Ranđelović, N., Stojanović, N., Stanković, V., & Šiljak, V. (2018). The sports industry and achieving top sports results. Facta Universitatis, Series: Physical Education and Sport, 15(3), 513-522. https://doi.org/10.22190/FUPES1703513S
  37. Schumann, J. H., von Wangenheim, F., & Groene, N. (2014). Targeted online advertising: Using reciprocity appeals to increase acceptance among users of free web services. Journal of Marketing, 78(1), 59-75. https://doi.org/10.1509/jm.11.0316
  38. Song, H. S., Kyeong Kim, J., & Kim, S. H. (2001). Mining the change of customer behavior in an internet shopping mall. Expert Systems with Applications, 21(3), 157-168. https:// doi.org/10.1016/S0957-4174(01)00037-9
  39. Stryczek, M. (2011). Aksjologia sportu. Katolicki Uniwersytet Lubelski Jana Pawła II. Wydział Teologii. Katedra.
  40. Turban, E., King, D., Lee, J. K., Liang, T. P., & Turban, D. (2010). Electronic Commerce 2010: A Managerial Perspective. Prentice Hall. https://books.google.com/books?id=Qg RuPwAACAAJ
  41. Ur, B., Leon, P. G., Cranor, L. F., Shay, R., & Wang, Y. (2012, July 11-13). Smart, useful, scary, creepy: perceptions of online behavioral advertising. The eighth symposium on usable privacy and security, Washington, United States. https://www.cylab.cmu.edu/_files/ pdfs/tech_reports/CMUCyLab12007.pdf
  42. van Vliet, M., Flörke, M., Varela-Ortega, C., Çakmak, E., Khadra, R., Esteve, P., D’agostino, D., Dudu, H., Bärlund, I., & Kok, K. (2017). FCMs as a common base for linking participatory products and models. In Environmental modeling with stakeholders (pp. 145-169). Springer. https://publications.jrc.ec.europa.eu/repository/handle/JRC95999
  43. Vesanen, J., & Raulas, M. (2006). Building bridges for personalization: A process model for marketing. Journal of Interactive Marketing, 20(1), 5-20. https://doi.org/10.1002/dir.20052
  44. Yan, J., Liu, N., Wang, G., Zhang, W., Jiang, Y., & Chen, Z. (2009, April 20-24). How much can behavioral targeting help online advertising?. Proceedings of the 18th international conference on World wide web, Madrid, Spain. https://citeseerx.ist.psu.edu/viewdoc/ download?doi=10.1.1.215.1473&rep=rep1&type=pdf
  45. Zhao, X., Gu, C., Zhang, H., Yang, X., Liu, X., Liu, H., & Tang, J. (2021, February 2-9). Dear: Deep reinforcement learning for online advertising impression in recommender systems. The Thirty-Fifth AAAI Conference on Artificial Intelligence.  https://www.semantic scholar.org/paper/DEAR%3A-Deep-Reinforcement-Learning-for-Online-in-Zhao- Gu/9 4e91560da6e649c2d5eda9e989526697ee3e885
  46. Zhu, Y.-Q., & Chang, J.-H. (2016). The key role of relevance in personalized advertisement: Examining its impact on perceptions of privacy invasion, self-awareness, and continuous use intentions. Computers in Human Behavior, 65, 442-447. https://doi.org/ 10.1016/j.chb.2016.08.048
  47. Ziyadin, S., Doszhan, R., Borodin, A., Omarova, A., & Ilyas, A. (2019). The role of social media marketing in consumer behaviour. E3S Web of Conferences.  https://www.e3s-conferences. org/articles/e3sconf/pdf/2019/61/e3sconf_itese18_04022.pdf
نشریه کسب و کار در ورزش
دوره 1، شماره 2 - شماره پیاپی 2
تابستان و پاییز 1400
تیر 1400
صفحه 213-230
فایل ها
هم رسانی
ارجاع به این مقاله
آمار