ASSESSING THE IMPACT OF ARTIFICIAL INTELLIGENCE ON VISUAL MARKETING MANAGEMENT
Notice bibliographique
Résumé
The growing role of the visual content in the internet has made visual marketing as a highly significant strategic position in the contemporary marketing management. At the same time, the evolution of Artificial Intelligence (AI) has enabled organizations to analyze, customize, and streamline the marketing efforts in visuals on a platform and scale never before attempted or achieved. The paper discusses the AI application in visual marketing management by examining the ways that the AI capabilities have transformed strategic planning, content creation, personalization, monitoring, and optimization of visual campaigns. The research that is founded on the overall assessment of academic literature and formulated analytical theories frames AI as the empowering management attribute, but not the technology application. Consequently, based on the analysis, one can mention that the visual marketing processes are supported by the use of computer vision, predictive analytics, and generative AI in data-driven decision-making, the real-time performance measurement, and the continuous learning processes. The paper also provides the assessment of whether visual marketing can be affected by AI or not and induce the short-term performance indicators, such as engagement and conversion rates, and the long-term brand equity indicators, such as brand recall and consumer trust. In addition, the study describes the managerial and ethical issues regarding the AI adoption, including data privacy, algorithmic bias, transparency and human control. The current research contributes an analytical value to the management of AI-based visual marketing by combining strategic, operational, and governance strategies. The findings may be applicable to researchers and specialists who are interested in referring to AI as the basis of effective and responsible visual marketing in online services that are more competitive.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».