استراتژی بازار یابی ,

یادگیری ماشینی در بازاریابی: مروری بر تحقیقات پیشین، چارچوب مفهومی و دستورالعمل پژوهشی
اریک وی.تی.ناگی، یوانیوان وو
دپارتمان مدیریت و بازاریابی، دانشگاه پلی تکنیک هنگ کنگ، چین
مدرسه¬ی اقتصاد و مدیریت، انستیتو تکنولوژی هاربین، چین

خلاصه
یادگیری ماشینی و هوش مصنوعی در بخش¬های مختلفی از صنعت، از جمله بازاریابی، در سال¬های اخیر به¬شکل قابل ملاحظه¬ای جلب توجه کرده¬اند. یادگیری ماشینی و هوش مصنوعی وعده¬ای بزرگ برای هوشمندسازی و کارآمدی بازاریابی هستند. در این پژوهش، مروری بر تحقیقات پیشین مطالعات مجلات دانشگاهی درباره¬ی یادگیری ماشینی در برنامه‌های کاربردی بازاریابی خواهیم داشت و چارچوبی مفهومی اراده می¬کنیم که ابزارها و فناوری-های اصلی یادگیری ماشینی را برجسته می¬کند که به¬عنوان پایه و اساس برنامه¬های یادگیری ماشینی در بازاریابی عمل می¬کند. از هفت اصل ترکیبی بازاریابی یعنی محصول، قیمت، تبلیغات، مکان، مردم، فرآیند و شواهد فیزیکی استفاده می‌کنیم تا این برنامه¬های کاربردی را از 140 مقاله تحلیل کنیم. ابزارهای یادگیری ماشینی مختلف (نوشته، صدا، تصویر، و واکاوی ویدیویی) و تکنیک‌هایی چون الگوریتم¬های یادگیری تقویتی، تحت نظارت و بدون نظارت پشتیبانی می¬شوند. برای برنامه‌ی کاربردی یادگیری ماشینی در توسعه بازاریابی چارچوب مفهومی دولایه¬ای ارائه خواهیم کرد. این چارچوب می¬تواند در خدمت پژوهش‌های آینده باشد و تصویری از توسعه برنامه‌های کاربردی یادگیری ماشینی در بازاریابی ارائه دهد.

واژگان کلیدی: یادگیری ماشینی، بازاریابی، مروری بر تحقیقات پیشین، چارچوب مفهومی، دستورالعمل پژوهشی
1.    معرفی
در سال‌های اخیر، توسعه‌ی گسترده‌ی فناوری اطلاعات و ارتباطات در بخش‌های عمومی و خصوصی ظهور یک فضای بازاریابی دیجیتال جدید را آغاز کرده است (میکلوسیک و همکاران، 2019؛ شاه و مورتی، 2021). با پیشرفت سریع فناوری اطلاعات، حجم عظیمی از داده‌های بازاریابی جمع‌آوری شده و برای ایجاد دیدگاهی معنادار استفاده می‌شود. برای یک تصمیم موثر شرکت‌ها نیاز دارند تا روش‌های داده‌محور را برای پردازش و تحلیل این ایده-ها به¬کار بگیرند. یادگیری ماشینی را می‌توان برای پیش‌بینی رفتار مصرف‌کننده و حمایت از تصمیم‌گیری بازاریابی با استخراج اطلاعات مفید از مقادیر زیادی از داده‌های تولیدشده به‌کار برد. در نتیجه، برنامه‌های کاربردی یادگیری ماشینی و هوش مصنوعی در زمینه‌ی بازاریابی توجه قابل ملاحظه‌ای را به خود جلب کرده¬اند.
میتشل (سال1997، ص2) یادگیری ماشینی را اینگونه توصیف می‌کند: «یک برنامه‌ی کامپیوتری که گفته می‌شود اگر عملکرد آن در وظایف، همانطور که اندازه‌گیری می‌شود، با تجربه بهبود یابد، از تجربه با توجه به دسته‌ای از وظایف و اندازه گیری عملکرد یاد می‌گیرد». یادگیری ماشینی را زیرمجموعه‌ای از هوش مصنوعی در نظر می‌گیرند (کومار و همکاران، 2021). توانایی آن در جستجوی الگوها در داده‌ها و امکان تصمیم‌گیری بهتر، توجه پژوهشگران و متخصصان را به خود جلب کرده است به‌گونه‌ای که در کارکردهای مختلف کسب و کار، از جمله بازاریابی (چن و همکاران 2017)، حسابداری (دینگ و همکاران، 2020)، امورمالی (یزدانی و همکاران، 2018) خدمات مشتریان (جین و کومار، 2020) به‌شکلی گسترده به‌کار گرفته شده است.
یادگیری ماشینی ابزاری قدرتمند است که برای داده کاوی استفاده شده، ساخت مدل تحلیلی را خودکار کرده و می‌توان از آن برای استخراج مجموعه‌های بزرگی از داده‌ها استفاده کرد. یادگیری ماشینی به بازاریابان این فرصت را می‌دهد که به بینش‌های جدید درمورد رفتار مصرف‌کننده دست پیدا کنند و عملکرد عملیات بازاریابی را بهبود بخشند (کوی و همکاران، 2006). تحقیقات نشان می¬دهد که چگونه از یادگیری ماشینی و هوش مصنوعی در بازاریابی استفاده می‌شود (برای مثال (آسکارزا، 2018؛ شاترجی و همکاران،2021؛ هوآنگ و راست، 2021)). چندین مطالعه بر درک فناوری‌های مختلف یادگیری ماشینی متمرکز شده اند که حامی استفاده از یادگیری ماشین در بازاریابی هستند (به عنوان مثال (هامبرگ و همکاران، 2020؛ العبدالرحمان و ویکتور، 2021)). علاوه بر این، تئوری‌های بازاریابی که به‌عنوان مبنای کاربردها عمل می‌کنند در چند مطالعه مورد بحث قرار گرفته‌اند (برای مثال، اوگنیو و همکاران، 2007؛ فنگ و هو، 2018)).
یادگیری ماشینی در بازاریابی تجاری و صنعتی رو به افزایش است. هیجن و همکاران (2020) با استفاده از مثال¬¬¬های با محوریت تحقیقات رفتاری، استراتژی¬هایی را در مورد اینکه چگونه روش‌های یادگیری ماشینی می‌توانند برای دانشمندان علوم رفتاری ارزشمند باشند را ارائه می‌کنند. داون پورت و همکاران (2020) چارچوبی چند بعدی را برای درک تاثیر هوش مصنوعی ارائه می‌کند که شامل سطح هوش، انواع وظایف و تعبیه هوش مصنوعی در ربات‌ها می‌شود. همچنین دستورالعمل پژوهشی را پیشنهاد می‌کنند که به چگونگی تغییر استراتژی‌های بازاریابی و رفتارهای مشتری در آینده می‌پردازد. راست (2020) آینده بازاریابی را با در نظر گرفتن فناوری‌های پیشرفته و تاثیرگذار (برای مثال، هوش مصنوعی، داده¬های بزرگ، اینترنت) که بازاریابی را متحول می‌کنند و در نتیجه باعث تعمیق روابط مشتری و اقتصاد خدمات می‌شود، بررسی می‌کند.
مروری سیستماتیک بر تحقیقات پیشین کاربردهای مبتنی بر یادگیری ماشینی در بازاریابی محدود است. هنوز مشخص نیست که چگونه انواع مختلف ابزارها و الگوریتم‌های یادگیری ماشینی در زمینه‌های مختلف بازاریابی به‌کار گرفته میشوند. در پژوهش حاضر، این شکاف در تحقیقات پیشین را برای هدایت تحقیقات آینده بررسی می‌کنیم. همچنین بررسی می‌کنیم که چگونه ابزارها و فناوری‌های مختلف یادگیری ماشینی حامی توسعه برنامه‌های کاربردی یادگیری ماشینی در بازاریابی هستند. براساس یافته‌های تحقیقات پیشین، یک چارچوب کاربردی بازاریابی مبتنی بر یادگیری ماشینی مفهومی دولایه پیشنهاد می‌شود. یادآوری این مقاله به شرح زیر سازماندهی شده است. بخش دو روش تحقیق را معرفی می‌کند. بخش سه مروری بر تحقیقات پیشین را ارائه می‎دهد. بخش چهار مقاله را با بحث در مورد محدودیت‌ها و مشارکت‌های آن به پایان می‌رساند. بخش پنج چشم انداز تحقیقات آتی را ارائه می‌دهد.

2.    روش تحقیق
2.1 جستجوی تحقیقات پیشین
این مطالعه مروری بر تحقیقات پیشین کاربردهای یادگیری ماشینی در بازاریابی و استفاده از ابزارها و فناوری‌ها برای توسعه برنامه‌های کاربردی یادگیری ماشینی را در بر دارد. رویکردی را که (ناگی و همکارن، 2009) ارائه کردند در جستجوی مقالات مرتبط در تحقیقات پیشین موجود دنبال کردیم. مقالات مرتبط در پایگاه‌های اطلاعاتی Science Citation index Expanded (SCIE) و Social Sciences Citation index (SSCI) که دو مجموعه‌ داده محبوب در پایگاه داده Web of Science Core Collection هستند را جستجو کردیم. پلتفرم Web of Science را انتخاب کردیم زیرا ابزار تحقیقاتی پرکاربردتری است که از قابلیت‌های جستجو و تجزیه و تحلیل مختلف استفاده می‌کند. علاوه بر این، SCIE و SSCI بیشتر تحقیقات پیشین داوری علوم اجتماعی و مدیریت با کیفیت بالا را پوشش می‌دهند (شارپلین و مابری، 1985) و مقالات مجلات داوری، خروجی‌های تحقیقاتی پیشرفته را نشان می‌دهند (نگای و وات، 2002). از رشته بازیابی زیر در SCIE و SSCI استفاده کردیم: TS= ( «یادگیری ماشینی» یا «شبکه عصبی» یا «هوش مصنوعی») و TS= ( «بازاریابی» یا «خرده فروشی»). در ابتدا مجموعی از 962 مقاله با پرس و جو در اول اکتبر 2021 بازیابی شد. پس از اولین مرحله‌ی انتخاب، 905 مقاله به‌دست آمد. در مرحله‌ی بعد، از آنجایی که این مطالعه با هدف بررسی کاربردهای یادگیری ماشینی در بازاریابی بر اساس ترکیب هفت بخش بازاریابی انجام شد، مقالاتی که به ترکیب هفت بخش بازاریابی و فناوری‌های یادگیری ماشینی مرتبط نبودند، حذف شدند. سپس نتایج طبقه بندی را بررسی کردیم. در نهایت 140 مقاله برای تحلیل شناسایی شد. شکل 1 و معیارهای انتخاب و فرآیند ارزیابی را نشان می‌دهد.

2.2 چارچوب مفهومی برای کاربردهای یادگیری ماشینی در بازاریابی
بر اساس یافته‌های تحقیقات پیشین و ماهیت فناوری یادگیری ماشینی مطالعه شده، یک چارچوب مفهومی دولایه برای کاربردهای یادگیری ماشینی در بازاریابی ارائه شد (شکل 2 را ببینید). این چارچوب ترکیبات بازاریابی که در آن یادگیری ماشینی به‌کار گرفته شده و ابزارهای کلیدی و الگوریتم‌هایی که برای پشتیبانی توسعه‌ی کاربردهای عمده بازاریابی استفاده شده را نشان می‌دهد. شکل 2 شامل دو بلوک/لایه است. بلوک بالایی کاربرد یادگیری ماشینی در بازاریابی را بر اساس ترکیبات هفت گانه‌ی بازاریابی نشان می‌دهد که شامل محصول (توصیه‌های محصول، مدیریت برندها و نشان تجاری و پیش‌بینی تصمیم خرید)، تبلیغات (مدیریت تبلیغات، پیش‌بینی تقاضا و پشتیبانی متنی)، افراد (پیش‌بینی ریزش، پیش‌بینی هدف، تعامل و تشخیص چهره)، قیمت، مکان، فرآیند و شواهد فیزیکی است. بلوک پایینی فناوری‌های یادگیری ماشینی را نشان می‌دهد که با طیف گسترده‌ای از ابزارهای یادگیری ماشینی (برای مثال، تجزیه و تحلیل متن، تجزیه و تحلیل صدا و تجزیه و تحلیل تصویر و ویدیو) و الگوریتم‌ها (مانند یادگیری تحت نظارت، یادگیری بدون نظارت و یادگیری تقویتی) احاطه شده است. بر اساس این چارچوب مفهومی، مقالات منتخب را برای تشخیص اینکه آیا با موضوع آن‌ها مرتبط است یا نهف مورد مطالعه قرار می‌دهند. بعدتر مقالات منتخب از نظر ابزارهای یادکیری ماشینی برای الگوریتم¬‌های استفاده شده برای پشتیبانی کاربردهای مبتنی بر یادگیری ماشینی در امتداد ترکیبات هفته‌گانه‌ی بازاریابی تجزیه و تحلیل و طبقه‌بندی می‌شوند (شکل 2 را ببینید).

2.3 چارچوب ترکیبات هفته‌گانه‌ی بازاریابی
مک کارتی (1964، ص 35) بیان می‌کند که: «ترکیبات بازاریابی ترکیبی از همه عوامل به دستور یک مدیر بازاریابی برای جلب رضایت بازار هدف است». او ترکیبات چهارگانه‌ی معروف بازاریابی را پیشنهاد می‌کند، یعنی محصول، قیممت، تبلیغ و مکان که فعالیت‌های بازاریابی را هدایت می‌کنند. پس از آن بوم و بیتنر (1981)، فرآیند، افراد و شواهد فیزیکی را به این چارچوب اضافه کردند و ترکیبات چهارگانه را به ترکیبات هفت‌گانه گسترش دادند. از آنجایی که ترکیبات هفت‌گانه‌ی بازاریابی جامع و مفصل هستند، در تحقیقات بازاریابی به‌شکل گسترده‌تری مورد پذیرش قرار گرفته اند (لو و لئونگ، 2018).
یادگیری ماشینی کاربردهای بازاریابی بی‌شماری دارد. چند مقاله پژوهشی گزارش می‌دهند که رویکردهای یادگیری ماشینی را می‌توان برای پیش‌بینی نتایج در فضاهای نوظهور (کوی و کری، 2005) و تعاملات مصرف کننده (میکلوسیک و همکاران، 2019) استفاده کرد. کاربردهای مختلفی از یادگیری ماشینی در بازاریابی را بر اساس ترکیبات هفت‌گانه‌ی بازاریابی ارائه می‌کنیم (جدول 1 را ببینید).

3. تجزیه و تحلیل تحقیقات پیشین
3.1 محصول
محصول مولفه‌ای مهم از ترکیبات هفته‌گانه‌ی بازاریابی است. تحقیقات پیشین موجود از فناوری‌های یادگیری ماشینی برای تجزیه و تحلیل فعالیت‌های بازاریابی مرتبط با محصول، از جمله توصیه‌های محصول، مدیریت برندها و نشان تجاری و پیش‌بینی تصمیم خرید استفاده می‌کند. این کاربردها در اطلاعات زیر توصیف شده اند.

3.1.1 توصیه محصول
مصرف‌کنندگان با پیشرفت در فناوری اطلاعات و چشم‌انداز پررونق خرید آنلاین، به حجم عظیمی از اطلاعات محصول دسترسی پیدا کرده اند. تعیین محصولات یا خدمات مناسب از طریق حجم بالای اطلاعات بر مصرف‌کنندگان تاثیر می‌گذارد. همزمان با آن، عصر داده‌های بزرگ شرکت‌ها را قادر می‌سازد تا داده‌های زمان واقعی را به‌دست آورند. توصیه‌های محصول به‌شکلی فزاینده شخصی شده اند (چئونگ و همکاران، 2003). پزوهشگران چگونگی بهبود عملکرد سیستم‌های توصیه از دیدگاه‌های مختلف را بررسی کرده اند. آن‌ها توصیه‌های مرتبط و به‌موقع (العبدالرحمان و ویکتور، 2021)، مشکلات رتبه بندی ترجیحی مصرف‌کنندگان یا رتبه‌بندی محصولات (چئونگ و همکاران، 2003)، موتورهای جستجوی سفر (قوس و همکاران، 2012) استحکام توصیه‌های مشترک (اوماهونی و همکارن، 2004)، علایق کاربران (وی و همکاران، 2005) و درک شنونده از بیان موسیقی (لپا و همکاران، 2020) را بررسی می‌کنند.
دیگر پژوهشگران به توصیه‌های مبتنی بر ویژگی‌های مشتری علاقه‌مند شده اند؛ برای مثال، طراحی استراتژی‌های مبتنی بر توصیه با توجه به کیفیت مشتریان جدید مراجعه‌کننده به وب‌سایت CASبایزهای سلسله مراتبیACK (بالستار و همکاران، 2019)، توصیه محصولات یا خدمات به مشتریان ویترین فروشگاه‌های اینترنتی با توجه به جمعیت‌شناسی یا رفتار خرید گذشته (کیم و همکاران، 2001؛ اسماعیل پور و همکاران، 2012) و ارائه توصیه‌های شخصی به مشتریان بر اساس آنچه افراد مشابه با سابقه‌ی مشابه دارند (قاضی و همکاران، 2020) و ترجیحات خریداران با استفاده از زمان واقعی در ویدیوهای فروشگاه (لو و همکاران، 2016).

3.1.2 مدیریت برند و نشان تجاری
از آنجایی که برندها و نشان تجاری نقش مهمی در بازاریابی ایفا می‌کنند و ارزش ویژه برند و رقابت جهانی را افزایش می‌دهند (تراپی و همکاران، 2020)، پژوهشگران به مدیریت برند و علامت تجاری علاقه‌مند هستند.
برخی پژوهشگران عکس‌هاس برند منتشرشده در رسانه‌های اجتماعی را بررسی می‌کنند تا وفاداری به برند (کیسر و همکاران، 2020) را پیش‌بینی کرده و نحوه نمایش برندها (لیو و همکاران، 2020) را اندازه گیری می‌کنند. علاوه بر محتوای تصویری یک برند، پژوهشگران محتوای متنی یک برند را برای تجزیه و تحلیل شهرت برند (دوکانج و همکاران، 2019)، پاسخ دهان به دهان ارزشمند دنیای الکترونیک (EWOM) برندها (ورمیر و همکاران، 2019)، ظرفیت و حجم مربوط به برند (کوبلر و همکاران، 2020)، رقابت برند (تیرونیلای و تلیس، 2014) و ویژگی‌های شخصیتی برند (چن و همکاران، 2015) را بررسی می‌کنند. کارپینتو و رومانو (2020) بر دامنه‌ی جستحوی برند تمرکز می‌کنند تا وب‌سایت‌های تجارت الکترونیکی موجود در لیست جستجوی برند و وب‌سایت‌های تقلبی را شناسایی کنند که برای اقدامات هدفمند ضدجعل مفید است.
برای نشان تجاری، تراپی و همکاران (2020) مدل‌های ارزیابی تشابه علامت تجاری پیشرفته را توسعه می‌دهد که شباهت‌های املایی، تلفظی و تصویری را به منظور محافظت از نشان تجاری پوشش می‌دهد.

 
شکل 1 – معیار انتخاب و چارچوب ارزیابی

کاربرد یادگیری ماشینی در بازاریابی
1)    محصول
•    توصیه محصول
•    مدیریت برند و نشان تجاری
•    پیش بینی تصمیم خرید    2)    تبلیغ
•    مدیریت تبلیغات
•    پیش بینی تقاضا
•    ربات گفتگو    3)    افراد
•    پیش بینی ریزش
•    پیش بینی هدف
•    مشارکت
•    تشخیص چهره    4)    قیمت
5)    مکان
6)    فرآیند
7)    شواهد فیزیکی

فناوری یادگیری ماشینی
ابزارهای یادگیری ماشینی
تجزیه و تحلیل متنی    تجزیه و تحلیل صدا    تجزیه و تحلیل تصویر و ویدیو
الگوریتم یادگیری ماشینی
یادگیری تحت نظارت
نزدیک ترین همسایه K, بیز ساده, ماشین بردار پشتیبانی, شبکه های عصبی مصنوعی, جنگل تصادفی, XGboost, Gradiant bossted, نمودار درختی تصمیم, شبکه های عصبی پیچشی, شبکه های عصبی, Logistic regression,…
   یادگیری بدون نظارت
تخصیص دیریکله نهفته, تجزیه و تحلیل مولفه های اصلی, دسته بندیK-Means…    یادگیری تقویتی
یادگیری Q، multi-armed bandit، celular automata
شکل 2 – چارچوب مفهومی برای کاربرد یادگیری ماشینی در بازاریابی
3.1.3 پیش‌بینی تصمیم خرید
پیش‌بینی تصمیم خرید و رفتار مصرف‌کننده برای بازاریابی موثر شرکت مهم است. دانستن اینکه احتمال دارد چه کسی محصول را بخرد یا کدام محصولات محبوب هستند در تخصیص موثر منابع در دپارتمان بازاریابی و فروش کاربرد دارد (مارتینز و همکاران، 2020). سیستم‌های اطلاعاتی اخیر و فناوری پردازش داده شرکت‌ها را قادر می‌سازد تا سوابق معاملات در زمان واقعی در مورد رفتار خرید مشتریان را به شیوه‌ای مقرون به صرفه برای پیش‌بینی تصمیمات خریدشان ثبت کنند (پکر و همکاران، 2017).
بنابراین، این کاربرد علاقه‌ی بسیاری از پژوهشگران را جلب کرده است. آن‌ها یادگیری ماشینی و فناوری استخراج داده (داده کاوی) را به‌کار می‌گیرند تا ترجیحات (آراسو و همکران، 2020) یا تمایلات (قاتاشه و همکاران، 2020؛ مارتینز و همکاران، 2020) خرید مشتری را با تجزیه و تحلیل ویژگی‌های مشتریان، (لی و همکاران، 2019) حرکت مشتریان در فروشگاه‌ها و تعاملات‌شان با محصولات (ژانگ و همکاران، 2014؛ پائولانتی و همکاران، 2020)، تکرار خرید مشتریان (شوارتز و همکاران، 2014) و احتمال پاسخگویی مشتریان به تبلیغات (شین و چو، 2006) را پیش‌بینی کنند. دیگر پژوهشگران بر این مساله که کدام محصول را مشتری انتخاب می‌کند (وان وزل و پوتراست، 2007؛ هاوسر و همکاران (2010؛ بهه و همکاران، 2020) چه زمانی اقدام به خرید محصولات می‌کند (درومر و بکر، 2020) و ساختار بازار (گابل و همکاران، 2019) تمرکز می‌کنند.

3.2. قیمت
قیمت مولفه‌ای دیگر از ترکیبات هفت‌گانه‌ی بازاریابی است که توجه پژوهشگران به خود جلب کرده است. ولکن فلت و سیتومینگ (2020) تاثیر ساختارهای قیمت‌گذاری برنامه را بر ارزیابی محصول در رابطه با قاطعیت و احساسات بیان شده در بررسی‌ها بررسی می‌کنند. آن‌ها دریافتند که مدل قیمت‌گذاری بر احساسات مشتریان تاثیر نمی‌گذارد و حذف تعهدات پرداخت اولیه تاثیر مثبتی بر احساسات مصرف‌کننده دارد. کازاماتا و همکاران (2020) تفاوت قیمت ماه به ماه بین بازکنان حرفه‌ای و غیرحرفه‌ای در Airbبیز ساده را بررسی کردند. آن‌ها دریافتند که در فصل اوج کاری تفاوت قیمت وجود دارد و اگر سهم میزبان‌های حرفه‌ای به اندازه کافی بزرگ باشد، پلت‌فرم سود خود را افزایش می‌دهد.
برخی پژوهشگران بر پیش‌بینی قیمت در بازار برق متمرکز می‌شوند. سیوشی و تادیپارتی (2005،2008) بر بازار برق عمده‌ی ایالات متحده تمرکز می‌کنند تا چگونگی تغییرات قیمت را در محیط‌های مختلف اقتصادی بررسی کنند و تغییرات قیمت پویا برای تصمیم‌گیری موثر را درک کنند (سیوشی و تادیپارتی، 2008). یانگ و همکاران (2020) پیش‌بینی قیمت برق را مورد مطالعه قرار می‌دهند. آن‌ها مدل پیش‌بینی تازه‌ای ایجاد می‌کنند که مزایای پیش پردازش داده‌های تطبیقی، روش بهینه‌سازی پیشرفته، مدل مبتنی بر هسته‌ی اصلی و مدل استراتژی انتخاب مدل بهینه را ارائه می‌دهد که این مدل می‌تواند به پیش‌بینی موثرتر قیمت برق دست یابد.

جدول 1 – کاربردهای یادگیری ماشینی مبتنی بر چارچوب ترکیبات هفته‌گانه‌ی بازاریابی
ترکیبات هفت‌گانه‌ی بازاریابی    کاربرد    مقالات (نام نویسنده، سال، نوع یادگیری ماشینی)
محصول    توصیه محصول    (العبدالرحکمان و ویکتور، 2021: به‌حداکثر رساندن انتظارات/نزدیک ترین همسایه k/نمودار درختی تصمیم‌گیری/یادگیری گروهی)؛ (چئونگ و همکاران، 2003: ماشین بردار پشتیبانی)؛ (قوس و همکاران، 2012: متن‌کاوی)؛ (اوماهونی و همکاران، 2004: نزدیک ترین همسایه k)؛ (وی و همکاران، 2005: یادگیری q)؛ لپا و همکاران، 2002: ماشین بردار پشتیبانی/جنگل تصادفی/تجزیه و تحلیل مولفه های اصلی)؛ بالستار و همکاران، 2019: شبکه های عصبی مصنوعی)؛ (کیم و همکاران، 2001: نمودار درختی تصمیم)؛ (قاضی و همکاران، 2020: شبکه بیزی)؛ اسماعیل پور و همکاران، 2012؛ celular automata)؛ (لو و همکاران، 2016: ماشین بردار پشتیبانی).
   مدیریت برند و نشان تجاری    (کایسر و همکاران، 2020: شبکه های عصبی مصنوعی)؛ (لیو و همکاران، 2020: شبکه های عصبی عمیق)؛ (دوکانج و همکاران، 2019: ماشین بردار پشتیبانی/بیز ساده/نزدیک ترین همسایه k)؛ (کولبر و همکاران، 2019: ماشین بردار پشتیبانی)؛ (تیرونیلای و تلیس، 2014: تخصیص دیریکله نهفته)؛ (چن و همکاران، 2015: تحلیل عاملی)؛ (کارپینتو و رومانو، 2020: بیز ساده/ماشین بردار پشتیبانی)؛ تراپی و همکاران، 2020: شبکه های عصبی پیچشی/word2vec).
   پیش‌بینی تصمیم خرید    (آراسو و همکاران، 2020: متن‌کاوی)؛ (قاتاشه و همکاران، 2020: شبکه های عصبی مصنوعی)؛ (مارتینز و همکاران، 2020: رگرسیون لجستیک/gradient boosting)؛ (يانگ و همکاران، 2014: بایزهای سلسله مراتبی)؛ (لی و همکاران، 2019: نمودار درختی تصمیم/بیز ساده)؛ (پاولانتی و همکاران، 2020: شبکه های عصبی پیچشی)؛ (شوارتز و همکاران، 2014: نمودار درختی تصمیم/مدل مارکوف پنهان)؛ (شین و چو، 2006: ماشین بردار پشتیبانی)؛ (بهه و همکاران، 2020: جنگل تصادفی)؛ (هاوسر و همکاران، 2010: روش‌های بایسیان)؛ (وان وزل و پوثارست، 2007: bagging/boosting)؛ (گابل و همکاران، 2019: sg model/تجزیه و تحلیل مولفه های اصلی).
قیمت        ولکنفلت و سیتومینگ، 2020: مدل موضوع)؛ (سیوشی و تادی پارتی، 2005: یادگیری سازگار)؛ (سیوشی و تادی پارتی، 2008: شبکه های عصبی/الگوریتم ژنتیک)؛ (کاساماتا و همکاران، 2020: یادگیری ماشینی دوبرابر)؛ (یانگ و همکاران، 2020: بادگیری افراطی مبتنی بر هسته).
تبلیغ    مدیریت تبلیغات    گودریچ و همکاران، 2015: تحلیل عاملی)؛ (شوارتز و همکاران، 2017: ماشین شانس چند اهرمه)؛ (لی و همکاران، 2018: رگرسیون لجستیک/بیز ساده/ماشین بردار پشتیبانی)؛ (پنگ و همکاران، 2020: یادگیری گروهی)؛ (سیموندز و همکاران، 2020: رگرسیون لجستیک)؛ (فن و چانگ، 2010: ماشین بردار پشتیبانی)؛ (فن و چانگ، 2011: متن‌کاوی)؛ (میرالز پچوان و همکاران، 2018: رگرسیون لجستیک)؛ (کوون برگ و همکاران، 2017: رگرسیون لجستیک)؛ (متز و همکاران، 2019: رگرسیون لجستیک)؛ (بی و همکاران، 2019: شبکه های عصبی عمیق)؛ (کپل و همکاران، 2014: رگرسیون لجستیک)؛ (کینگ و همکاران، 2015: بیز ساده/رگرسیون لجستیک/نمودار درختی تصمیم/ماشین بردار پشتیبانی)؛ (زو و همکاران، 2018: شبکه های عصبی)؛ (یانگ و همکاران، 2020: شبکه های عصبی)؛ (حیدر و همکاران، 2018: یادگیری گروهی)؛ (هو و همکاران، 2020: شبکه های عصبی پیچشی)؛ (کانی و همکاران، 2020: جنگل تصادفی)؛ (اسوانی و همکاران، 2018: معنای k)؛ (همکاران، 2021: شبکه های عصبی پیچشی)؛ (وانگ و همکاران، 2020: شبکه های عصبی پیچشی)؛ (لیانگ و همکاران، 2019: شبکه های عصبی پیچشی).
   پیش‌بینی تقاضا    (ان و همکاران، 2021: نمودار درختی تصمیم/جنگل تصادفی/gradient boosting)؛ (تانگ و دانگ، 2020: نمودار درختی تصمیم/gradient boosting)؛ (لیو و همکاران، 2016: تخصیص دیریکله نهفته/تجزیه و تحلیل مولفه های اصلی)؛ بسام زاده و غانم، 2017: شبکه بیزی)؛ ژانگ و همکاران، 2017: شبکه های عصبی پیچشی)؛ (کیم و همکاران، 2008: پشتیبانی از رگرسیون برداری)؛ (کومار و همکاران، 2020: شبکه های عصبی).
   ربات گفتگو    (وان دن بروک و همکاران، 2019: رگرسیون لجستیک)؛ لو و همکاران، 2019: رگرسیون لجستیک)؛ (زارولی و همکاران، 2018: رگرسیون)
مکان        (داناهر و همکاران، 2020: variational bayes)؛ (بهومیک و میترا، 2019: بیز ساده)؛ (لگیونا و همکاران، 2020: رگرسیون لجستیک/بیز ساده/جنگل تصادفی/ماشین بردار پشتیبانی).
افراد    پیش‌بینی ریزش    آسکارزا، 2018: جنگل تصادفی)؛ (شافر و رودریگز سانچز، 2020: ماشین بردار پشتیبانی/نزدیک ترین همسایه k/جنگل تصادفی)؛ (اولاه و همکاران، 2019: جنگل تصادفی/معنایk).
   پیش‌بینی هدف‌گذاری مشتری    (کوی و همکاران، 2006: شبکه بیزی)؛ (لسمان و همکاران، 2021: یادگیری گروهی)؛ (آمیر و همکاران، 2019: بیز ساده/رگرسیون لجستیک/جنگل تصادفی/j48)؛ (هسیه و همکاران، 2015: ماشین بردار پشتیبانی/adaboost)؛ (جئون و همکاران، 2020: شبکه های عصبی عمیق)؛ (ابرنتی و همکاران، 2008: شبکه های منظم سازی)؛ (فیور و همکاران، 2017: تجزیه و تحلیل مولفه های اصلی)؛ (لواسس و همکاران، 2015: ماشین بردار پشتیبانی)؛ (چن و همکاران، 2017: sparse ml)؛ (اوگینیو و همکاران، 2007: بایزهای سلسله مراتبی/رگرسیون لجستیک)؛ (دو و همکاران، 2020: تخصیص دیریکله نهفته)؛ (باکینکس و همکاران، 2007: جنگل تصادفی)؛ (چن و همکاران، 2020: جنگل تصادفی).
   مشارکت    (چنگ و هوآنگ، 2020: طبقه‌بندی کاوی)؛ (کیم و همکاران، 2015: بیز ساده/نمودار درختی تصمیم/شبکه های عصبی/ماشین بردار پشتیبانی)؛ (کوک و همکاران، 2015: ماشین بردار پشتیبانی)؛ (تاچاروگروج و ماتایومچان، 2019: بیز ساده/تخصیص دیریکله نهفته)؛ (پاناتو و همکاران، 2019: روش مارکو)؛ (لو و زو، 2019: ماشین بردار پشتیبانی/بیز ساده/تخصیص دیریکله نهفته)؛ (سری واستاوا و کالرو، 2019: تخصیص دیریکله نهفته)؛ (لی و ژانگ، 2020: تجزیه و تحلیل مولفه های اصلی/معنایk)؛ (ریو و همکاران، 2020: تخصیص دیریکله نهفته)؛ (چاترجی و همکاران، 2021: جنگل تصادفی/نمودار درختی تصمیم/xgboost/رگرسیون لجستیک)؛ (لیو و همکاران، 2019: شبکه های عصبی)؛ (یو و همکاران، 2019: الگوریتم تکرار ماتریس بدون نظارت)؛ (خورشید و همکاران، 2019: یادگیری گروهی)؛ (کاگنیا و روسو، 2017: ماشین بردار پشتیبانی)؛ (دونگ و همکاران: تخصیص دیریکله نهفته)؛ (هزیم و همکاران، 2018: xgboost)؛ راجاموهانا و یوماماهسواری، 2018: بیز ساده/نزدیک ترین همسایه k/svn)؛ (ژانگ و همکاران، 2016: ماشین بردار پشتیبانی/بیز ساده/نمودار درختی تصمیم/جنگل تصادفی)؛ (آرورا و همکاران، 2019: نزدیک ترین همسایه k/پشتیبانی از رگرسیون برداری)؛ (فنگ و هو، 2018: نمودار درختی تصمیم)؛ (فنگ و همکاران، 2020: شبکه های عصبی پیچشی/تخصیص دیریکله نهفته)؛ (مونتانس و همکاران، 2014: رگرسیون لجستیک)؛ (جونگ و جئونگ، 2020: نمودار درختی تصمیم/جنگل تصادفی/شبکه های عصبی/gradient boosting).
   تشخیص چهره    (سو و همکاران، 2020: ماشین بردار پشتیبانی/شبکه های عصبی پیچشی)؛ (یالکو و همکاران، 2020: شبکه های عصبی پیچشی)؛ (ماسوی و همکاران، 2020: پشتیبانی از رگرسیون برداری)؛ (الوارز پاتو و همکاران، 2021: شبکه های عصبی)؛ (رنیگیر بیلوزور و همکاران، 2021: شبکه های عصبی پیچشی)؛ (واهاب و همکاران، 2021: شبکه های عصبی پیچشی/نزدیک ترین همسایه k).
فرآیند    بخش‌بندی بازاریابی    (جیانگ و همکاران، 2015: دسته بندی)؛ (آهانی و همکاران، 2019: دسته بندی)؛ (نیلاشی و همکاران، 2019: تخصیص دیریکله نهفته)؛ (آهانی و همکاران، 2019: دسته بندی)؛ (فلورز لوپز و رامون جرونیمو، 2009: نمودار درختی تصمیم)؛ (باکلی و همکاران، 2014: مدل‌سازی موضوع)؛ (هویرو و همکاران، 2018: ماشین بردار پشتیبانی)؛ (کوهن و همکاران، 2020: شبکه های عصبی بازگشتی)؛ (جاگاباتولا و همکاران، 2018: دسته بندی)؛ (کوهل و همکاران: 2019: ماشین بردار پشتیبانی/جنگل تصادفی)؛ (تیموشنکو و هاوسر، 2019: شبکه های عصبی پیچشی)؛ (مصطفی، 2009: شبکه های عصبی)؛ (یو و همکاران، 2020: دسته بندی/معنایk).
   فرآیند برنامه‌ریزی    (اسمیرنو و هوچزرمیر، 2020: gradient boosting).
شواهد فیزیکی    بازاریابی محتوا    (پوئکز و همکاران، 2019: نزدیک ترین همسایه k)؛ (تساو و همکاران، 2019: متن کاوی)؛ (ریتولد و همکاران، 2020: مدل فضای ستاره)؛ (وازکوئز و همکاران، 2014: متن کاوی)؛ (کپل و همکاران، 2015: رگرسیون لجستیک)؛ (جاو و همکاران، 2021: ماشین بردار پشتیبانی)؛ (سالمینن و همکاران، 2019: جنگل تصادفی/نزدیک ترین همسایه k/شبکه های عصبی).

3.3. تبلیغ
تحقیقات پیشین موجود فناوری یادگیری ماشینی را به‌کار می‌گیرند تا فعالیت‌های بازاریابی مرتبط با تبلیغات، از جمله مدیریت تبلیغات، پیش‌بینی تقاضا و ربات گفتگو را تجزیه و تحلیل کنند. کاربردها در اطلاعات زیر توصیف شده اند.

3.3.1 مدیریت تبلیغات
اخیرا تبلیغات آنلاین برای تبلیغ به سرعت توسعه یافته است. پژوهشگران می‌خواهند بدانند که چگونه تاثیر تبلیغات را بهبود بخشند و نرخ کلیک را پیش‌بینی کنند که مولفه‌های مهمی از پلت‌فرم تبلیغات آنلاین هستند (بای و همکاران، 2019).
برخی پژوهشگران تاثیر ویژگی‌های تبلیغاتی قابل مشاهده‌ (گودریچ و همکاران، 2015؛ شوارتز و همکاران، 2017؛ لی و همکاران، 2018؛ پنگ و همکاران، 2020) و استفاده از برند قبلی (سیمندز و همکاران، 2020) را بررسی می‌کنند؛ علایق شخصی فوری وبلاگ‌نویسان را کشف می‌کنند (فان و چانگ، 2010؛2011)؛ تکنیک ریز هدف‌گذاری را در پاسخ مستقیم بهینه می‌کنند (میرالز پچوان و همکاران، 2018) و اثرات جذابیت‌های تبلیغاتی (موونبرگ و همکاران، 2017؛ ماتز و همکاران، 2019)، توسعه داستان (کوئسن بری و کولسن، 2019) و اطلاعات تصویری (لی و همکاران، 2019) را تجزیه و تحلیل می‌کنند تا تاثیرات تبلیغات را ارتقا دهند. دیگر پژوهشگران روش‌های متفاوتی از یادگیری ماشینی برای کلیک‌ها از طریق پیش‌بینی تبلیغات آنلاین به‌کار می‌گیرند (کاپل و همکاران، 2015؛ کینگ و همکاران، 2015؛ زو و همکاران، 2018؛ بای و همکاران، 2019؛ یانگ و همکاران، 2020).
تبلیغات کلاهبرداری یکی دیگر از جنبه‌های تبلیغاتی است که توجه قابل ملاحظه‌ای را به خود جلب کرده است. پژوهشگران از فناوری یادگیری ماشینی استفاده می‌کنند تا تبلیغات جعلی را با اعمال نفوذ انعطاف‌پذیری به سرورهای تبلیغاتی مختلف (حیدر و همکاران، 2020) نمودارهای ناهمگن وزن‌دار جدید (هو و همکاران، 2020)، ویژگی‌های قوی در برابر فرار مهاجم (کانی و همکاران، 2020)، دیدگاهی از تجزیه و تحلیل رسانه‌های اجتماعی و محاسبات الهام گرفته از طبیعت (اسوانی و همکاران، 2018)، یادگیری مبتنی بر توجه داده‌های خودرسانه‌ای (وانگ و همکاران، 2020؛ هو و همکاران، 2021) و ویژگی‌های معنایی در مقالات بازاریابی محتوا (لیانک و همکاران، 2019) شناسایی کنند.

3.2.2 پیش‌بینی تقاضا
پیش‌بینی دقیق تقاضا و فروش در فعالیت‌های تبلیغاتی بسیار مهم است زیرا چنین اطلاعاتی را می‌توان برای تنظیم توزیع منابع بازاریابی استفاده کرد. توسعه‌ فناوری اطلاعات حجم زیادی از داده‌های مصرف‌کننده را ایجاد کرده که بسیاری از پژوهشگران را بر آن داشته تا نحوه استفاده از روش‌های یادگیری ماشینی را برای پیش‌بینی دقیق تقاضا یا فروش بررسی کنند.
در صنعت فیلم و تلویزیون، پژوهشگران تعداد مخاطبین فیلم در هفته‌ی اول اکران، (ان و همکاران، 2021)، مجموع فروش فیلم (تانگ و دانگ، 2020) و استقبال مخاطب از برنامه‌های تلویزیونی (لیو و همکاران، 2016) را پیش‌بینی می‌کنند. در صنعت برق، بسام زاده و غانم (2017) تقاضای برق در ساختمان‌های مسکونی را پیش‌بینی می‌کند. در صنعت هتلداری ژانگ و همکاران (2017)، تقاضای دارایی AIRBبیز ساده را با استفاده از یک الگوریتم طبقه‌بندی و تصویر مقایس‌پذیر پیش‌پیش بینی کرد. علاوه بر این، کیم و همکاران (2008) بر یک مدل پاسخ برای تخمین خرید پاسخ‌دهندگان برای بازریابی تمرکز می‌کنند. کومر و همکاران (2020) یک مدل مبتنی بر شبک عصبی پس از انتشار را برای پیش بینی تقاضا با استفاده از تقاضای پیشین و داده‌های فروش پیشنهاد می‌کنند.

3.3.3 ربات گفتگو
ربات گفتگو که توسط یادگیری ماشینی و هوش مصنوعی (لئو و همکاران، 2019) تقویت می‌شوند یکی از جدیدترین نوآوری‌ها در بازاریابی و کسب و کار است. پشتیبانی آنلاین چت «یک برنامه کامپیوتری است که با کمک سیستم مکالمه مبتنی بر متن زبان انسان را شبیه‌سازی می‌کند (زومستین و هاندرتمارک، 2018). برای تقلید مکالمات بین فردی طراحی شده‌اند که با درجه بالایی از شخصی‌سازی مشخص می‌شوند (لترن و گلاواس، 2017).»
وان دن بروک و همکاران (2019) تاثیر تبلیغات پشتیبانی آنلاین متن را با بررسی اینکه آیا و چگونه درک مفید و سودمندی یک ربات گفتگو مشاوره‌شده در فیس‌بوک را مطالعه می‌کنند. پلت‌فرم پیام‌رسان بر مزاحمت درک‌شده از تبلیغات آغازشده ربات گفتگو در مراحل بعدی تاثیر می‌گذارد. زارولی و همکاران (2018) تعیین کننده‌های شناختی و عاطفی را که بر تاثیرگذاری ربات‌های گفتگو تاثیر می‌گذارند را به‌واسطه‌ی یک مدل CAT سازگار در فیس‌بوک برای برندها آزمایش می‌کنند. لو و همکاران (2019) دریافتند که اگرچه ربات‌های گفتگو فاش نشده به اندازه کارگران ماهر در خرید مشتری موثر هستند، افشای ربات‌های گفتگو قبل از مکالمه مشتری ماشینی نرخ خرید را کاهش می‌دهد. نگای و همکاران (2021) یک معماری سیستم عامل مکالمه مبتنی بر دانش هشمند را برای پشتیبانی خدمات مشتری در فروش و بازاریابی تجارت الکترونیک پیشنهاد می‌کنند. این سیستم در یک محیط واقعی ساخته شده است و فناوری‌های مختلفی از جمله ربات خزنده وب، پردازش زبان طیبیعی، پایگاه‌های دانش و هوش مصنوعی را در خود جای داده است.

3.4. مکان
مکان به کانال‌های بازاریابی در ترکیبات هفت‌گانه بازاریابی اشاره دارد. پژوهشگران متوجه تاثیر مکان در فعالیت‌های بازاریابی شده اند. داناهر و همکاران (2020) فروش آنلاین و حضوری سه برند خرده‌فروش در دسته پوشاک را بررسی کردند و گروه قابل توجهی از مشتریان را نشان می‌دهند که از چندین برند و هر دو کانال خرید می‌کنند. آن‌ها سه حالت از هزینه‌های تبلیغات (ایمیل، کاتالوگ و جستجوی پرداخت شده) را نشان می‌دهند که می‌توانند بر خرید آنلاین و حضوری تاثیر بگذارند. بهومیک و میترا (2019) بر نزدیکی جغرافیایی متمرکز می‌شوند تا محبوبیت کسب و کار در رسانه‌های اجتماعی مبتنی بر محل را پیش‌بینی کنند. آن‌ها دو نوع مصرف‌کننده را تعریف می‌کنند که از یک کسب و کار محلی و خارجی دیدن می‌کنند و متوجه می‌شوند که مشتریان محلی نقش‌ عمده‌ای در شکل دادن به محبوبیت کسب و کار شهرهای محلی دارند. علاوه بر این، لیگونا و همکاران (2020) نشان می‌دهند که مدل انتساب ابزاری است که برای ارزیابی بازده سرمایه‌گذاری کانال‌های مختلف و بررسی تاثیر ویژگی‌های کلیدی مسیرهای کاربر بر مدل‌های انتساب استفاده می‌شود.

3.5. افراد
افراد به مشتریانی اطلاق می‌شود که محصولات یا خدمات و سایر مشتریان در محیط خدمات را خریداری می‌کنند (رفیق و احمد، 1995). تحقیقات پیشین موجود فناوری یادگیری ماشینی را به‌کار می‌گیرند تا فعالیت‌های بازاریابی مرتبط با افراد از جمله، پیش‌بینی ریزش، هدف‌گذاری پیش‌بینی مشتری و مشارکت را تجزیه و تحلیل کنند.

3.5.1 پیش‌بینی ریزش
مدیریت ریزش اولویتی بزرگ برای بیشتر کسب و کارها است و پیش‌بینی ریزش نقشی مهم در برنامه‌های مدیریت ریزش ایفا می‌کند (آسکارزا، 2018). پیش‌بینی ریزش مشتری بر علاقه‌ی پژوهشگران افزوده است.
آسکارزا (2018) بررسی می‌کند که آیا هدف قراردادن این افزاد در مدل‌های پیش‌بینی ریزش با استفاده از روش‌های یادگیری ماشینی واقعا بهینه است یا خیر. هدف‌گذاری مشتریانی که در معرض بالاترین ریسک ریزش هستند لازم و ضروری نیست (آسکارزا 2018). شرکت‌ها باید مشتریانی را هدف قرار دهند که تمایل آن‌ها به ریزش در پاسخ به مداخلات کاهش یابد (آسکارزا 2018). شافر و سانچز (2020) روشی را پیشنهاد و آزمایش کردند تا با استفاده از سوابق معاملات ماهانه‌ی مشتری در یک کسب و کار به کسب و کار حفظ مشتری را پیش‌بینی کنند. آن‌ها دریافتند که تکنیک‌های یادگیری ماشینی حاضر می‌توانند به‌شکلی دقیق پیش‌بینی کنند که کدام مشتری از دست خواهد رفت. اولا و همکاران (2019) بر بخش مخابرات (ارتباط از راه دور) متمرکز می‌شوند و مدل پیش‌بینی ریزشی را پیشنهاد می‌کنند تا مشتریانی که متمایل به ریزش هستند را شناسایی کرده و عوامل ریزش مشتری را بررسی کنند.

3.5.2 هدف‌گذاری پیش‌بینی مشتری
پیام‌های بازاریابی اگر به مشتری مناسب برسند، موثرترین خواهند بود (لسمن و همکاران، 2021). تخصیص منابع بازاریابی متفاوت به مصرف‌کنندگان مختلف برای شرکت مهم است. مطالعات زیادی هدف‌گذاری مشتریان را پیش‌بینی کرده و بازاریابی مستقیم را به‌کار می‌گیرند.
پژوهشگران هدف‌ قراردان مشتریان را از دیدگاه پاسخ مشتری (کوی و همکاران، 2006؛ لسمن و همکاران، 2021)، جنسیت ( هسیه و همکاران، 2015؛ آمیر و همکاران، 2019؛ جئون و همکاران، 2021)، ترجیحات (ابرنیتی و همکاران، 2008؛ لواسس و همکاران، 2015؛ فیور و همکاران، 2017)، عدم سازگاری (اوگنیو و همکاران، 2007؛ چن و همکاران، 2017؛ دو و همکاران، 2020) و تعهد و وفاداری (باکینکس و همکاران، 2007) پیش‌بینی می‌کنند. علاوه بر این، چن و همکاران، (2020) از یک آزمایش میدانی تصادفی برای بررسی بازاریابی مستقیم به مخاطب از طریق یادگیری ماشینی استفاده می‌کنند تا برنامه‌های بازاریابی مراقیت‌های بهداشتی شخصی را اجرا کنند.
تشخیص چهره برای بازاریابی هدفمند مهم است و توجه پژوهشگران را جلب می‌کند. ویژگی‌های صورت مانند رنگ، جنسیت، ظاهر، احساس و علامت‌های روی صورت را می‌توان با استفاده از فناوری یادگیری ماشینی از عکس‌های صورت بیرون کشید (مان و شاه، 2019). فناوری تشخیص چهره برای طبقه‌بندی افراد بر اساس ویژگی‌هایی که در صورت خود دارند استفاده می‌شود. این ویژگی‌ها برای درک ترجیحات مشتری چشمگیر هستند (سو و همکاران، 2020) و چنین اطلاعاتی برای بازاریابی تعاملی هدفمند استفاده می‌شوند.
سو و همکاران (2020) برای توسعه‌ی یک مدل جدید برای شخصی‌سازی خودکار توصیه‌های پوشاک از تجزیه و تحلیل حالات چهره استفاده می‌کنند. برای رسیدن به منافع چندگانه‌ی مصرف‌کنندگان، نویسندگان شدت حالات و مدت زمان آن را ترکیب می‌کنند که یادآوری توصیه را بهبود بخشند. یالکو و همکاران، (2020) یک سیستم مبتنی بر یادگیری عمیق برای نظارت بر منافع مشتری ارائه می‌کنند. آن‌ها از ویژگی‌های محلی مبتنی بر بخش با اطلاعات چهره کلی برای تشخیص قوی حالات چهره استفاده می‌کنند. ماسوی و همکاران، (2020) حالات چهره و پاسخ‌های فیزیولوژیک را به‌واسطه‌ی ویدیو‌های چهره تجزیه و تحلیل می‌کنند تا اثربخشی تبلیغات در محیط طبیعی و قصد خرید را تخمین بزنند. الوارزپاتو و همکاران یک سیستم تجزیه و تحلیل احساس جدید از جمله تشخیص احساس چهره را معرفی می‌کنند تا پذیرش مصرف‌کنندگان از نمونه‌های غذایی را پیش‌بینی کنند. رینیگر بیلوزور و همکاران، (2020) روشی را پیشنهاد کرد که حالات عاطفی خریداران را با تجسم ویژگی‌های منتخب املاک در بازار املاک مرتبط می‌کند. آن‌ها رتبه‌بندی اهمیت تعیین¬شده توسط احساسات ناخودآگاه صورت را تایید می‌کنند. از دیدگاه این روش، اب وهب و همکاران، (2020) یک شبکه عصبی پیچشی ترکیبی و مدل نزدیک‌ترین همسایه K برای تشخیص حالت چهره پیشنهاد می‌کند تا احساسات کاربران را تشخیص دهد. توانایی فناوری تشخیص چهره برای تعیین احساسات کاربر و تاثیر تصمیم خرید بخشی از استراتژی بازاریابی دیجیتال است که برای بازاریابی مهم است.

3.5.3 مشارکت
پلت‌فرم‌های رسانه اجتماعی، مانند فیس‌بوک، توییتر و اینستاگرام راه‌های جدیدی برای تعامل، ارتباط و مشارکت ایجاد کرده اند (هانا و همکاران، 2011). افراد تفکرات خود را منتشر می‎کنند و از گزینه‌ی «دوست داشتن»، «اشتراک‌گذاری» یا «نظر» برای تبادل اطلاعات به‌وسیله‌ی این پلت‌فرم‌ها استفاده می‌کنند (کوک و یو، 2013). سطح مشارکت می‌تواند اثربخشی تلاش‌های بازاریابی رسانه‌های اجتماعی شرکت‌ها را بسنجد (جونگ و جئونگ، 2020). حجم عظیمی از نظرات بیان شده در زمان واقعی، جذابیت زیادی به‌عنوان یک برنامه بازاریابی جدید دارد (ایکدا و همکاران، 2013). از این رو، مطالعات گسترده در مورد یادگیری ماشینی در مشارکت و تعامل انجام شده است.
از آنجایی که مشتریان ترجیح میدهند پس از مصرف، نظرات خود را برای به اشتراک گذاشتن تجربیات خود منتشرکنند، پژوهشگران نظرات مشتریان را در حوزه‌های مختلف و از دیدگاه‌های مختلف بررسی می‌کنند. آن‌ها بر نظرات فیلم‌ها (کیم و همکاران، 2015؛ چنگ و هوانگ، 2020)، مسافران (تاچاروگروج و ماتایومچان، 2019؛ کوک و همکاران، 2020) خرده فروشان مد (پانتانو و همکاران، 2019) و محصولات سلامتی، چاترجی و همکاران، 2021) و کارآمدی نظرات آنلاین (لو و زو، 2019؛ سریواستاوا و کالرو، 2019) تمرکز می‌کنند. دیگر پژوهشگران به تماشاگران، کسانی که پس از خرید نظری را منتشر نمی‌کنند (لی و ژانگ، 2020) و نظرات آشکارکننده توجه می‌کنند تا دیدگاه‌های جدیدی بیابند (ریو و همکاران، 2020).
با این وجود، هرچه تجارت الکترونیک توسعه می‌یابد، شیوع نظرات جعلی هم بیشتر می‌شود (وو و همکاران، 2020). نظرات جعلی، برای دستکاری شهرت محصول و تصمیمات خرید مشتری به‌کار می‌روند (یو و همکاران، 2019). بسیاری از پژوهشگران تلاش می‌کنند تا با استفاده از روش‌های یادگیری ماشینی (ژانگ و همکاران، 2016؛ راجاموهانا و یوماماهسواری، 2018؛ خورشید و همکاران، 2019؛ لیو و همکاران، 2019) مانند یک مدل جدید رابطه فرد-گروه-فروشنده (یو و همکاران، 2019)، کاراکترهای nگرمی (کاگنینا و روسو، 2017)، الگوریتم نمونه‌ای گیبز (دانگ و همکاران، 2018) و ویژگی‌های مبتنی بر آمار برای شناسایی (هزیم و همکاران، 2018) را شناسایی کنند.