دوره 1، شماره 1 - ( پاییز و زمستان 1404 )
جلد 1 شماره 1 صفحات 67-57 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mirhashemi S M, Yavari G, Asadi H. (2026). Marketing Development of Horticultural Products by Knowledge-Based Neuromarketing and Examining Factors Affecting Online Customers of the Gaz Laziz Website. Economy and Food Security. 1(1), 57-67. doi:10.61882/efs.2025.36
URL: http://efs.sanru.ac.ir/article-1-36-fa.html
URL: http://efs.sanru.ac.ir/article-1-36-fa.html
میرهاشمی سید مسیح، یاوری غلامرضا، اسدی هرمز.(1404). توسعه بازاریابی محصولات باغی به وسیله بازاریابی عصبی دانش بنیان و بررسی فاکتورهای موثر بر مشتریان آنلاین تارنمای گاز لذیذ اقتصاد و امنیت غذایی 1 (1) :67-57 10.61882/efs.2025.36
1- دانشگاه پیام نور، استان البرز، واحد کرج، کرج، ایران
2- گروه اقتصاد، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران
3- موسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
2- گروه اقتصاد، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد، ایران
3- موسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران
چکیده: (1741 مشاهده)
چکیده مبسوط
مقدمه و هدف: بازاریابی عصبی به بازاریابان کمک میکند تا رفتار مصرفکنندگان را در سطح عمیقتری درک کنند. این امر میتواند به آنها در شناسایی عواملی که بر تصمیمگیری خرید مصرفکنندگان تأثیر میگذارد، کمک کند. استفاده از این روش نوین بازاریابی بهوسیله اصول علمی به بهینه شدن فرایند بازاریابی کمک میکند. این امر میتواند منجربه افزایش اثربخشی تبلیغات، افزایش نرخ تبدیل و بهبود تجربه مشتری شود. با کمک بازاریابی عصبی، این امکان فراهم می شود که خواستههای مشتریان هدف را مشخص کرد و تشخیص داد که چه ادعاهای متمایزی میتوان داشت تا محصول خود را بهعنوان بهترین گزینه برای برآورده کردن این نیازها قرار دهید. هدف بعدی این است که به مشتریان بالقوه نشان داده شود که انتخاب کالا یا خدمات به سود قابل توجهی منجر میشود؛ نکته اصلی این است که تنها کاریکه باید انجام داد یک ارزش را به اشتراک گذاشت. توجه مشتری را باید به یک سود بزرگ برای تامین نیاز مشتری بالقوه جلب کرد. حتی اگر بهترین فناوری یا بهترین راه حل را در اختیار داشت، ممکن است مصرف کنندگان بالقوه لزوماً تجارت با بازاریابان را انتخاب نکنند، اما یافتههای جدید در تحقیقات نشان میدهند که ارتباط با تصمیمگیرنده واقعی در مشتری (مغز قدیم) کارایی فرد را در برقراری ارتباط با یک ایده یا فروش یک محصول افزایش میدهد. این تکنیک میتواند به بازاریابان کمک کند تا هزینههای بازاریابی خود را کاهش دهند. این امر میتواند با کمک به آنها در شناسایی استراتژیهای بازاریابی مؤثرتر و کاهش نیاز به آزمایشهای متعدد انجام شود.
مواد و روشها: این پژوهش بر روی مشتریان محصولات باغی در سایت گاز لذیذ شهرستان کرج، استان البرز در نیمه اول سال 1400 انجام شد. در این تحقیق برای آگاهی از مبانی نظری و ادبیات تحقیق از مطالعه کتابخانه ای و همچنین برای کسب اطلاعات و دادهها از روش میدانی با استفاده از پرسشنامه الکترونیکی استفاده شد. در این تحقیق، جامعه هدف مشتریان یا خریداران آنلاین وبسایت گاز لذیذ بودند. اطلاعات لازم از 140 مصرف کننده آنلاین که بهروش نمونه گیری تصادفی انتخاب شده بودند به وسیله پرسشنامه جمعآوری شد. بهمنظور دستیابی به اهداف پژوهش از تحلیلهای توصیفی و استنباطی شامل مقیاس سروکوال، آزمون همبستگی، مدل تحلیل عاملی تاییدی و معادلات ساختاری و جهت تجزیه و تحلیل داده ها از نرم افزارهای Stata و Smart PLS استفاده شد. امتیاز مدل تحلیل عاملی تاییدی، تخمین مقدار عامل برای هر فرد بر اساس مدل و نمرات مشاهده شده فرد و روش رگرسیون است. تعیین عامل مدل تحلیل عاملی تاییدی، اندازه گیری میزان ارزیابی نمرات عامل، همبستگی بین امتیاز برآورد شده و امتیاز واقعی، از 0 تا 1 مناسب است. بهکار بردن نمرات عامل، افراد را بر اساس یک بُعد رتبه بندی نمود و با ایجاد صدک، مدل سازی معادلات ساختاری برای مطالعه روابط بین پیامدهای چندگانه که اغلب شامل متغیرهای پنهان هستند استفاده شد. تخمین و آزمایش اثرات مستقیم و غیر مستقیم در یک سیستم معادلات رگرسیون برایمتغیرهای پنهان بدون تأثیر خطای اندازه گیری و تخمین و آزمون نظریهها در مورد عدم وجود روابط بین متغیرهای پنهان استفاده گردید. مدل سروکوال روابط بین متغیرهای مستقل و وابسته را میتوان بهصورت زیر توصیف کرد تا تجزیه و تحلیل اضافی بر روی متغیرهای فرضی انجام شود.
یافتهها: بر اساس آزمون آلفای کرونباخ، این ضریب که روایی و پایایی کل پرسشنامه تحقیق را نشان میدهد، 0/87 برآورد شد که نشان دهنده قابل قبول بودن پایایی مرکب است و این قابلیت اطمینان مدل را تایید میکند. ضریب تعیین برآورد شده نشان میدهد که متغیرهای مطلوبیت محتوای آنلاین، مطلوبیت خدمات آنلاین و کیفیت سیستمهای آنلاین توانستند تغییرات متغیر وابسته رضایت مشتری را پیش بینی و توجیه کنند. ضریب تعیین مربوط به تأثیر کیفیت سیستم آنلاین بر مطلوبیت خدمات (0/29) نشان میدهد که متغیر کیفیت بهینه سیستم آنلاین میتواند 29 درصد از تغییرات متغیر را بسته به مطلوبیت خدمات پیشبینیکند. با توجه به نتایج، میزان کیفیت خدمات مجازی (محتوا، رابط کاربری وب سایت) با تامین نیاز مشتری در فروشگاه اینترنتی رابطه کاربردی و مستقیم دارد. میزان عملکرد مناسب سامانه آنلاین بر مطلوبیت خدمات آنلاین ارائه شده توسط وبسایت گاز لذیذ مستقیماً بر سطح کیفیت ارائه خدمات به مشتریان تأثیر میگذارد. همچنین، نتایج پژوهش نشان دادند که تأثیر متغیرهای توضیحی تحصیلات، وضعیت تأهل و جنسیت بر متغیرهای رضایت مشتری در سایت گاز لذیذ مثبت و از نظر آماری معنادار بود. اما تأثیر متغیر سن بر متغیر رضایت مندی منفی بود بهاین معنا که با افزایش هر سال سن مشتری بهدلیل آشنایی کم با تکنولوژی و اینترنت، میزان رضایت مندی کاهش مییابد.
نتیجهگیری: توصیه میشود که سیستمهای پاسخ خودکار ایمیل و پیامرسانها در وبسایتها و همچنین انجمنها فعال شوند تا مدیران وبسایت از فعالیت های کسانیکه خرید کردهاند بهسرعت مطلع شوند. همچنین برای مؤلفه اعتماد از پیامهاییدر سایت ها استفاده شود که به مشتریان تضمین دهد و مشخصات محرمانهشان فاش نشود. برایکنترل و هدفمند کردن بازاریابی و توسعه رضایتمندی و فروش نیاز است که از تکنولوژی بازاریابی عصبی برای ارتقاء سطح اثرگذاری مطلوبیت اطلاعات، عملکرد خدمات، و پشتیبانی از عملکرد سیستم فروش استفاده شود.
نوع مطالعه: پژوهشي |
موضوع مقاله:
اقتصاد و بازاریابی دیجیتال کشاورزی و منابع طبیعی
دریافت: 1404/5/10 | پذیرش: 1404/9/4
دریافت: 1404/5/10 | پذیرش: 1404/9/4
فهرست منابع
1. Amory, A. (2014). Tool-mediated authentic learning in an educational technology course: A designed-based innovation. Interactive Learning Environments, 22(4), 497-513. [DOI:10.1080/10494820.2012.682584]
2. Augenblick, N., & Nicholson, S. (2009). Choice fatigue: The effect of making previous choices on decision making. April. Typescript.
3. Dooley, R. (2011). Brainfluence: 100 ways to persuade and convince consumers with neuromarketing. John Wiley & Sons.
4. Garg, H., & Arora, R. (2018). Dual hesitant fuzzy soft aggregation operators and their application in decision- making. Cognitive Computation, 10, 769-789. [DOI:10.1007/s12559-018-9569-6]
5. Guo, Y., Luo, Y., He, J., & He, Y. (2022). Real-time deep learning-based market demand forecasting and monitoring. Computers and Electrical Engineering, 100, 107878. [DOI:10.1016/j.compeleceng.2022.107878]
6. Heo, W., Rabbani, A., Grable, J. E., & Roszkowski, M. (2022). The alpha and omega of financial risk‐tolerance assessment. Financial Planning Review, 5(1), 1138. [DOI:10.1002/cfp2.1138]
7. Jamshidi, O., Sobhani, S. M. J., Mokhber Dezfoli, A., & Hajimirrahimi, S. D. (2023). Strategic Analysis of the Development of Agricultural Businesses (Study of Karaj County). Journal of Entreneurship and Agriculture. [In Persian] [DOI:10.61186/jea.10.19.93]
8. Keunen, K., Van Elburg, R. M., Van Bel, F., & Benders, M. J. (2015). Impact of nutrition on brain development and its neuroprotective implications following preterm birth. Pediatric research, 77(1), 148-155. [DOI:10.1038/pr.2014.171]
9. Kononiuk, A., & Gudanowska, A. E. (2022). The application of the customized SERVQUAL model for career guidance training: Industry 4.0 challenges. Journal of Business Economics and Management, 23(4), 856-875. [DOI:10.3846/jbem.2022.16643]
10. Lee, G. G., & Lin, H. F. (2005). Customer perceptions of e‐service quality in online shopping. International Journal of Retail & Distribution Management, 33(2), 161-176. [DOI:10.1108/09590550510581485]
11. Makonnen, M. (2016). The determinants of customer satisfaction and retention in commercial bank of Ethiopia: Addis Ababa branches (Doctoral dissertation, St. Mary's University).
12. Marsh, H. W. (2023). Extending the reciprocal effects model of math self-concept and achievement: Long-term implications for end-of-high-school, age-26 outcomes, and long-term expectations. Journal of Educational Psychology, 115(2), 193. [DOI:10.1037/edu0000750]
13. Millsap, R. E. (2007). Structural equation modeling made difficult. Personality and Individual Differences, 42(5), 875-881. [DOI:10.1016/j.paid.2006.09.021]
14. Morris, N. (2009). Understanding digital marketing: marketing strategies for engaging the digital generation. Journal of Direct, Data and Digital Marketing Practice, 10(4), 384-387. [DOI:10.1057/dddmp.2009.7]
15. Nye, C. D. (2022). Reviewer resources: Confirmatory factor analysis. Organizational Research Methods, 10944281221120541. [DOI:10.1177/10944281221120541]
16. Oghazi, P., Karlsson, S., Hellström, D., & Hjort, K. (2018). Online purchase return policy leniency and purchase decision: Mediating role of consumer trust. Journal of Retailing and Consumer Services, 41, 190-200. [DOI:10.1016/j.jretconser.2017.12.007]
17. Palmer, J. W. (2002). Web site usability, design, and performance metrics. Information Systems Research, 13(2), 151-167. [DOI:10.1287/isre.13.2.151.88]
18. Renvoisé, P., & Morin, C. (2007). Neuromarketing: Understanding the buy buttons in your customer's brain. Harper Collins Leadership.
19. Saunders, C., & Fuller, D. (2015). The recovery of beauty: arts, culture, medicine. Springer. [DOI:10.1057/9781137426741]
20. Shirmohammadi, Y., & Choobdar, I. (2023). The Effect of Active and Reactive Strategies on Entrepreneurship and Improving the Performance of Agricultural Tourism Businesses. Journal of Entreneurship and Agriculture. 10(1), 27-40. [In Persian] [DOI:10.61186/jea.10.19.27]
21. Stefko, R., Tomkova, A., Kovalova, J., & Ondrijova, I. (2021). Consumer purchasing behaviour and neuromarketing in the context of gender differences. Journal of Marketing Research and Case Studies, 1(11). [DOI:10.5171/2021.321466]
22. Sürücü, L., Yikilmaz, İ., & Maslakçi, A. (2022). Exploratory Factor Analysis (EFA) in quantitative researches and practical considerations. Center for Open Science. https://econpapers. repec. org/paper/osfosfxxx/fgd4e. htm. [DOI:10.31219/osf.io/fgd4e]
23. Van den Berg, R., & De Langen, P. W. (2015). Assessing the intermodal value proposition of shipping lines: Attitudes of shippers and forwarders. Maritime Economics & Logistics, 17, 32-51. [DOI:10.1057/mel.2014.11]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
