See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/344037255

Percepção dos usuários em relação aos chatbots em um ambiente de mobile-

commerce

Conference Paper · September 2020

CITATIONS READS

0 69

3 authors:

Norberto Almeida de Andrade Giuliano Carlo Rainatto

Universidade Anhembi Morumbi Senac São Paulo
33 PUBLICATIONS   20 CITATIONS    33 PUBLICATIONS   27 CITATIONS   

SEE PROFILE SEE PROFILE

Genésio Renovato da Silva Neto

Universidade Nove de Julho
12 PUBLICATIONS   9 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

School Management View project

Opções de Financiamento da Inovação: Uma visão do pequeno e médio empresário View project

All content following this page was uploaded by Giuliano Carlo Rainatto on 02 September 2020.

The user has requested enhancement of the downloaded file.

 IX Encontro de Estudos em Estratégia - 3Es 2020
IX Encontro
Evento on-line - 1º e 2de
de Estudos em -Estratégia
setembro de 2020 - -3Es
ISSN 2177-2452 versão2020
online
Evento on-line - 1º e 2 de setembro de 2020
ISSN 2177-2452 - versão online

Percepção dos usuários em relação aos chatbots em um ambiente de mobile-commerce

Autoria
Norberto Almeida de Andrade – norberto.andrade@fatec.sp.gov.br
Doutorando em Design pela Universidade Anhembi Morumbi
Sócio Fundador do Instituto de Inovação Schumpeter – institutois.com.br

Giuliano Carlo Rainatto - Giulianorainatto@yahoo.com.br

Professor da Universidade Mauá, SENAC e Avaliador do MEC pela Universidade Federal do Espírito Santo
Sócio Fundador do Instituto de Inovação Schumpeter – institutois.com.br

Genésio Renovato da Silva Neto - genesiorenovato@yahoo.com.br

Prog de Pós-Grad em Admin/Mestr e Dout Acadêmico - PPGA/UNINOVE - Universidade Nove de Julho
Prog de Mestr Acadêmico em Admin - PPGA/FMU - Centro Universitário das Faculdades Metropolitanas Unidas

Resumo
Em nosso mundo modernizado, a inteligência artificial (IA) está crescendo rapidamente e as
organizações implementam tecnologias inteligentes continuamente. Conjugado aos chatbots,
a Inteligência Artificial (IA) é vista como um elemento crítico na transformação digital e tem
o poder de remodelar e transformar completamente a maneira como os clientes se
comunicam com as organizações, no entanto, existem poucas investigações empíricas sobre
o impacto que os chatbots têm sobre seus usuários. Neste cenário este artigo investiga a
implementação de interações heurísticas, linguagem e antropomórficos em aplicativos de
chatbot, usando um projeto de pesquisa experimental 2x3 com vídeos de mobile-commerce.
O estudo explora até que ponto as heurísticas relacionadas aos chatbots podem influenciar a
percepção de confiança, satisfação e intenção de compra. Assim, organizações,
desenvolvedores, designers e profissionais de marketing devem se concentrar na escolha de
uma aparência semelhante ao humano, bem como dicas de linguagem antropomórfica, a fim
de aumentar a satisfação e uma melhor experiência geral do usuário.
 IX Encontro de Estudos em Estratégia - 3Es 2020
Evento on-line - 1º e 2 de setembro de 2020 - ISSN 2177-2452 - versão online

Percepção dos usuários em relação aos chatbots em um ambiente de mobile-

commerce

RESUMO

Em nosso mundo modernizado, a inteligência artificial (IA) está crescendo rapidamente

e as organizações implementam tecnologias inteligentes continuamente. Conjugado aos
chatbots, a Inteligência Artificial (IA) é vista como um elemento crítico na
transformação digital e tem o poder de remodelar e transformar completamente a
maneira como os clientes se comunicam com as organizações, no entanto, existem
poucas investigações empíricas sobre o impacto que os chatbots têm sobre seus
usuários. Neste cenário este artigo investiga a implementação de interações heurísticas,
linguagem e antropomórficos em aplicativos de chatbot, usando um projeto de pesquisa
experimental 2x3 com vídeos de mobile-commerce. O estudo explora até que ponto as
heurísticas relacionadas aos chatbots podem influenciar a percepção de confiança,
satisfação e intenção de compra. Assim, organizações, desenvolvedores, designers e
profissionais de marketing devem se concentrar na escolha de uma aparência
semelhante ao humano, bem como dicas de linguagem antropomórfica, a fim de
aumentar a satisfação e uma melhor experiência geral do usuário.

Palavras-chave: Chatbots; Inteligência Artificial; Mobile-Commerce

Introdução

O mobile commerce (comércio móvel), também conhecido como m-commerce,

é o uso de dispositivos portáteis sem fio, como telefones celulares e tablets, para realizar
transações comerciais on-line, incluindo a compra e venda de produtos, serviços
bancários on-line e contas a pagar (Tong, Luo & Xu, 2019).
Sterne (2017) define chatbots como uma aplicação de um programa de
inteligência artificial que imita conversas com os usuários. Os campos de aplicação dos
chatbots são múltiplos.
Os clientes têm a oportunidade de se comunicar 24 horas por dia, 7 dias por
semana, independentemente do horário de trabalho ou de horário comercial. Assim, as
empresas podem economizar em custos com pessoal, mas ainda podem oferecer
serviços ao cliente. O uso de chatbots oferece aos consumidores a oportunidade de obter
suporte ao cliente, obter recomendações personalizadas e clicar em comprar nos
aplicativos de mensagens (Zarouali et al., 2018).
Portanto, nesta pesquisa, serão examinados os efeitos da aparência do chatbot,
ou seja, um ser humano, uma pessoa animada e um logotipo organizacional do
Magazine Luiza. O chatbot Magazine Luiza, ou também conhecida como Lu, foi criada
pela rede varejista para ajudar no atendimento ao público e melhorar a agilidade nos
processos de pós-venda (Hofacker, Malthouse & Sultan, 2016).
Consequentemente, o objetivo desta pesquisa é formulado nas seguintes
questões de pesquisa:
 IX Encontro de Estudos em Estratégia - 3Es 2020
Evento on-line - 1º e 2 de setembro de 2020 - ISSN 2177-2452 - versão online

QP1: Até que ponto a aparência do chatbot influencia a confiança, a satisfação e

a intenção de compra?

QP2: Até que ponto a linguagem robótica / humana influencia a confiança, a

satisfação e a intenção de compra?

QP3: Até que ponto os efeitos de uma aparência de chatbot na confiança,

satisfação do cliente e intenção de compra dependem da linguagem robótica / humana
usada para a interação?

QP4: Até que ponto os efeitos da aparência do chatbot e da linguagem robótica/

humana na confiança, satisfação e intenção de compra são mediados pela confiança?

Esta pesquisa está dividida em várias seções. Primeiramente, o capítulo dois

descreve um arcabouço teórico com as variáveis dependentes (confiança, satisfação,
intenção de compra) e independentes (aparência do chatbot, linguagem) desta pesquisa.

2. Referencial Teórico

Apenas alguns estudos empíricos foram executados sobre a aparência humana de

um chatbot e seu efeito antropomórfico (Van den Broeck, Zarouali, & Poels, 2019).
Por esse motivo, esta pesquisa explora os aspectos dos recursos visuais
antropomórficos mais de perto e usa uma imagem humana, uma pessoa humana
animada e um logotipo em um ambiente de mobile-commerce. Com base nos resultados
das seções anteriores, as seguintes hipóteses foram formuladas:

H1: A percepção de (a) confiança, (b) satisfação e (c) intenção de compra é

maior quando as pessoas são confrontadas com um chatbot usando uma imagem
humana em comparação com pessoas que usam um chatbot com uma imagem animada
ou logotipo organizacional.

H2: A percepção de (a) confiança, (b) satisfação e (c) intenção de compra é

maior quando as pessoas são confrontadas com um chatbot usando linguagem humana
em comparação com pessoas que usam um chatbot com linguagem robótica.

H3: A percepção de (a) confiança, (b) satisfação e (c) intenção de compra é

maior quando as pessoas são confrontadas com um chatbot usando uma imagem e
linguagem humana em comparação com as pessoas que usam um chatbot usando um
logotipo ou imagem animada com linguagem humana.

H4: A percepção de (a) confiança, (b) satisfação e (c) intenção de compra é

maior quando as pessoas são confrontadas com um chatbot usando linguagem robótica
com uma imagem animada ou logotipo em comparação com pessoas que usam um
chatbot com linguagem robótica e linguagem humana.

H5: Os efeitos da aparência do chatbot na (b) satisfação e (c) na intenção de

compra são mediados pela confiança.
 IX Encontro de Estudos em Estratégia - 3Es 2020
Evento on-line - 1º e 2 de setembro de 2020 - ISSN 2177-2452 - versão online

H6: Os efeitos da linguagem natural na (b) satisfação e (c) na intenção de

compra são mediados pela confiança.

H7: A linguagem modera o impacto da aparência do chatbot em (a) confiança,

(b) satisfação e (c) intenção de compra.

Metodologia

Para investigar o efeito da aparência do chatbot e da linguagem, esta pesquisa

realizou um design 2x3 (Wierenga & Van der Lans, 2017). As três condições diferentes
variam da aparência do chatbot, a saber, logotipo humano, animado e organizacional.
Esses são combinados com os dois fatores da linguagem robótica ou natural (King,
2019).
Os estímulos foram seis conversas diferentes na interface do chatbot do
Facebook. Seis interfaces de conversação diferentes foram criadas para este
experimento. Três fotos diferentes foram mostradas na conversa do chatbot.
Como Davenport et al, (2019) descobriu, os usuários preferem o sexo feminino
nas aparências de chatbot, apesar da maioria das animações ou logotipos das marcas
online. Portanto, as diferentes aparências do chatbot foram representadas como um (1)
humano, a segunda imagem (2) um humano animado e a terceira imagem simplesmente
usou o logotipo Magazine Luiza (3). As imagens usadas do chatbot são ilustradas na
figura 2.

Figura 2. Imagens para a aparência do chatbot

1) Imagem Humana 2) Chatbot Humanizada 3) Logo

Observando os resultados do teste ANOVA, indicam que há uma diferença

significativa entre o grupo humano e animado, p <0,001, e o grupo humano e logotipo p
<0,001. No entanto, o teste Post Hoc também revelou que não há diferença significativa
entre o grupo de animação e logotipo (p = 0,954). Os resultados confirmam a suposição
de que o chatbot usando uma imagem humana é percebido como mais humano que a
imagem animada e o logotipo do Magazine Luiza (Fávero & Belfiore, 2017).
Os resultados do teste t mostraram que houve diferenças significativas entre a
linguagem robótica (M = 2,44, DP = 0,91) e a linguagem humana (M = 1,84, DP =
 IX Encontro de Estudos em Estratégia - 3Es 2020
Evento on-line - 1º e 2 de setembro de 2020 - ISSN 2177-2452 - versão online

0,91), com t (222) = 5,52, p < 0,001. Esses resultados estatisticamente significativos
sugerem que os entrevistados reconheceram os dois estilos de linguagem diferentes no
estudo. No entanto, a diferença entre os dois valores médios dos grupos de linguagem
não é tão grande quanto o esperado (Wierenga & Van der Lans, 2017).

Entrevistados

Para este experimento, um total de 267 participantes preencheu o questionário.

No entanto, 43 questionários foram excluídos devido a respostas incompletas ou
participantes que não se enquadravam nos critérios desta pesquisa. Assim, o conjunto de
dados utilizado neste estudo é de 224 entrevistados.
A pesquisa on-line foi criada com a ferramenta Qualtrics e os vídeos de
interação do chatbot foram projetados com a ferramenta on-line botpreview. A pesquisa
do estudo principal foi distribuída por canais on-line, como email, mídias sociais
(Facebook, Instagram e WhatsApp), (Tong, Luo & Xu, 2019).

Tabela 2. Análise fatorial de validade

Item Fator

Fator 1: Aparência do Chatbot (α = .914) 1 2 3 4

A impressão da imagem do chatbot parecia viva. .81

A impressão da imagem do chatbot parecia .78

animada.
A impressão da imagem do chatbot parecia natural. .79
A impressão da imagem do chatbot parecia .71
interativa.
Minha impressão da imagem do chatbot parecia .81
natural.
Minha impressão da imagem do chatbot parecia .79
humana.
Minha impressão da imagem do chatbot parecia .83
realista.

Fator 2: Linguagem do Chatbot (α = .933) 1 2 3 4

Minha impressão da linguagem do chatbot parecia .85

natural.
Minha impressão da linguagem do chatbot parecia .85
humana.
Minha impressão da linguagem do chatbot parecia .85
realista.
Minha impressão da língua do chatbot parecia viva. .82
Minha impressão da linguagem do chatbot parecia .76
animada.
 IX Encontro de Estudos em Estratégia - 3Es 2020
Evento on-line - 1º e 2 de setembro de 2020 - ISSN 2177-2452 - versão online

Minha impressão da linguagem do chatbot parecia .80

natural.
Minha impressão da linguagem do chatbot parecia .69
interativa.

Fator 3: Confiança (α = .840) 1 2 3 4

O chatbot era confiável. .77

O chatbot era autêntico. .68
O chatbot era competente. .79
O chatbot era ágil. .79

Fator 4: Satisfação (α = .809) 1 2 3 4

Estou satisfeito com a interface do chatbot. .57

Minha escolha de fazer as perguntas do .63
chatbot para um produto foi sensata.
Estou satisfeito com a forma como o .70
chatbot me ajudou.

Fator 5: Intenção de Compra (α = .884) 1 2 3 4

É muito provável que compre via mobile. .76

Pretendo comprar um produto dentro .91

de 3 meses.

Pretendo comprar um produto dentro .90

de 6 meses.

Resultados

Neste estudo, seis condições diferentes foram projetadas para examinar a

influência das diferentes condições na variável dependente satisfação, intenção de
compra e confiança (embora essa variável tenha sido eliminada e não seja mais usada a
partir deste ponto), (Murphy & Dweck, 2016).
A MANOVA explorou as hipóteses sobre os efeitos das duas variáveis
independentes (aparência e linguagem do chatbot) nas duas variáveis dependentes
(satisfação e intenção de compra). Além disso, são elaborados os principais efeitos da
aparência visual, da linguagem e do chatbot na satisfação e na intenção de compra
(Marôco, 2018).
 IX Encontro de Estudos em Estratégia - 3Es 2020
Evento on-line - 1º e 2 de setembro de 2020 - ISSN 2177-2452 - versão online

Observando o primeiro efeito principal deste estudo, a linguagem chatbot, pode-

se afirmar que existe um efeito principal da linguagem chatbot, com Λ = 0,952, F (3,
216) = 3,625, p = 0,014. Além disso, o segundo efeito principal, aparência do chatbot,
tem o valor de significância de Λ = 0,945, F (6, 432) = 2,084, p = 0,054, o que significa
que não há efeito principal da aparência do chatbot. No entanto, o valor de p é quase
significativo (p = 0,054) e, portanto, será mais utilizado nesta análise e não será
eliminado, embora seja um resultado insignificante (Fávero & Belfiore, 2017).
Observando a interação dos dois efeitos principais, linguagem * aparência do
chatbot, indica que não há efeito de interação significativo entre os dois grupos, com Λ
= 0,961, F (6, 432) = 1,444, p = 0,197. As hipóteses desta pesquisa esperavam que a
linguagem variável moderasse o impacto da aparência do chatbot (Marôco, 2018).
No entanto, a tabela 3 mostra que não há efeito de interação significativo entre
as duas variáveis independentes e, portanto, não há efeito de moderação como era
esperado. Por esse motivo, o H7 deve ser rejeitado.

Tabela 3. Teste Multivariado; Estatística descritiva das variáveis independentes

Efeito Valor F Sig. Eta

Quadrado
Parcial
Grupo de lambda de .952 3.625 .014 .048
Linguagem Wilks
Grupo de lambda de .945 2.084 .054 .028
Chatbot Wilks
Grupo de lambda de .961 1443 .197 .020
Linguagem* Wilks
Grupo de
Chatbot

Conforme mostrado na tabela 4, foram medidos os efeitos entre as variáveis

independentes (aparência e linguagem do chatbot) e as variáveis dependentes
(satisfação, intenção de compra). Os resultados indicam que existe um efeito principal
entre linguagem e satisfação, com p = 0,033 (F = 4,612), e entre aparência e satisfação
do chatbot, com p = 0,016 (F = 4,192), (Wierenga & Van der Lans, 2017).
Os itens de satisfação deste estudo foram medidos com uma escala Likert de 5
pontos, variando de 1 = 'concordo totalmente' a 5 'discordo totalmente'. Os resultados de
Bonferroni da MANOVA revelam que há uma diferença entre os três grupos de chatbot
(humano, animação, logotipo). Os entrevistados da pesquisa ficaram mais satisfeitos
com a aparência de chatbot humano (M = 1,84, DP = 0,085), seguidos pela imagem
animada (M = 1,95, DP = 0,081) e, por último, o logotipo (M = 2,95, DP = 0,082) , com
F (2, 218) = 4,192, p = 0,016, (Fávero & Belfiore, 2017).
Os entrevistados deste estudo foram os mais satisfeitos com a linguagem
humana de um chatbot (M = 1,87, DP = 0,067) em comparação com a linguagem
robótica (M = 2,08, DP = 0,067), com F (1, 218) = 4,612, p = 0,033. . Portanto, a
hipótese de H2b pode ser confirmada de acordo com os resultados investigados
 IX Encontro de Estudos em Estratégia - 3Es 2020
Evento on-line - 1º e 2 de setembro de 2020 - ISSN 2177-2452 - versão online

(Marôco, 2018).
Na tabela 4, os resultados da intenção de compra mostram que não há efeito
principal entre a linguagem e a intenção de compra, com p = 0,137 (F = 2,223). Da
mesma forma, não há efeito principal entre a aparência do chatbot e a intenção de
compra, com p = 0,226 (F = 1,346), (Wierenga & Van der Lans, 2017).
No entanto, como não há efeito principal da aparência visual e da linguagem do
chatbot na intenção de compra, a hipótese H1c e H2c deve ser rejeitada (Fávero &
Belfiore, 2017).

Tabela 4 - Teste de efeitos entre sujeitos

Fonte Variáveis Dependentes df F Sig.

Grupo de Satisfação 1 4.612 .033
Linguagem
Intenção de Compra 1 2.246 .137

Grupo de Satisfação 2 4.192 .016

Chatbot
Intenção de Compra 2 1346 .262

Observando a interação entre os dois efeitos principais (lignuagem e aparência

do chatbot) na tabela 4, indica que não há efeito de interação significativo entre a
aparência do chatbot e a linguagem, com Λ = 0,961, F (6, 432) = 1.443, p = 0,197.
Além disso, a tabela 5 mostra que não há efeito de interação da linguagem de aparência
do chatbot * nas duas variáveis dependentes diferentes com p = 0,175 (F = 1,756) para
satisfação ep = 0,288 (F = 1,260), (Malhotra, 2015).
No entanto, como o efeito da linguagem de aparência do chatbot * nas variáveis
dependentes é insignificante, H3 e H4 precisam ser rejeitados (Fávero & Belfiore,
2017).

Tabela 5 - Teste de efeitos entre sujeitos

Fonte Variáveis Dependentes df F Sig.

Grupo de Satisfação 2 1.756 .175
Linguagem*
Grupo de
Chatbot Intenção de Compra 2 1.260 .288

4.4 Visão Geral das Hipóteses

A Tabela 6 fornece uma visão geral das 7 hipóteses e se elas são ou não apoiadas
ou rejeitadas pelos resultados desta pesquisa.

Tabela 6 - Visão geral das hipóteses

Hipóteses Suportado
 IX Encontro de Estudos em Estratégia - 3Es 2020
Evento on-line - 1º e 2 de setembro de 2020 - ISSN 2177-2452 - versão online

A percepção de confiança é maior quando as pessoas são

H1a confrontadas com um chatbot usando uma imagem humana em Não
comparação com pessoas que usam um chatbot com uma
imagem animada ou logotipo organizacional.
A satisfação da percepção é maior quando as pessoas são
H1b confrontadas com um chatbot usando uma imagem humana em Sim
comparação com pessoas que usam um chatbot com uma
imagem animada ou logotipo organizacional.
A percepção da intenção de compra é maior quando as pessoas
H1c são confrontadas com um chatbot usando uma imagem humana Não
em comparação com pessoas que usam um chatbot com uma
imagem animada ou logotipo organizacional.
A percepção de confiança é maior quando as pessoas são
H2a confrontadas com um chatbot usando linguagem natural em Não
comparação com as pessoas que usam um chatbot com
linguagem semelhante à máquina.
A percepção de satisfação é maior quando as pessoas são
H2b confrontadas com um chatbot usando linguagem natural em Sim
comparação com as pessoas que usam um chatbot com
linguagem semelhante à máquina.
A percepção da intenção de compra é maior quando as pessoas
H2c são confrontadas com um chatbot usando linguagem natural em Não
comparação com as pessoas que usam um chatbot com
linguagem semelhante à máquina.
A percepção de satisfação é maior quando as pessoas são
H3a confrontadas com um chatbot usando uma imagem humana e Não
linguagem natural em comparação com pessoas que usam um
chatbot usando um logotipo ou imagem animada com
linguagem semelhante à humana.
A percepção de satisfação é maior quando as pessoas são
H3b confrontadas com um chatbot usando uma imagem humana e Não
linguagem natural em comparação com pessoas que usam um
chatbot usando um logotipo ou imagem animada com
linguagem semelhante à humana.
A percepção da intenção de compra é maior quando as pessoas
H3c são confrontadas com um chatbot usando uma imagem humana Não
e linguagem natural em comparação com pessoas que usam um
chatbot usando um logotipo ou imagem animada com
linguagem semelhante à humana.
A percepção de confiança é maior quando as pessoas são
H4a confrontadas com um chatbot usando linguagem robótica com Não
uma imagem animada ou logotipo em comparação com pessoas
que usam um chatbot com linguagem robótica e linguagem
humana.
A percepção de satisfação é maior quando as pessoas são
H4b confrontadas com um chatbot usando linguagem robótica com Não
uma imagem ou logotipo animado em comparação com pessoas
que usam um chatbot com linguagem robótica e linguagem
humana.
 IX Encontro de Estudos em Estratégia - 3Es 2020
Evento on-line - 1º e 2 de setembro de 2020 - ISSN 2177-2452 - versão online

Os efeitos da aparência do chatbot na satisfação são mediados

H5a pela confiança. Não

Os efeitos da aparência do chatbot na intenção de compra são

H5b mediados pela confiança. Não

Os efeitos da linguagem natural na satisfação são mediados

H6a pela confiança. Não

Os efeitos da linguagem natural na intenção de compra são

H6b mediados pela confiança. Não

A linguagem modera o impacto da aparência do chatbot na

H7a confiança. Não

A linguagem modera o impacto da aparência do chatbot na

H7b satisfação. Não

A linguagem modera o impacto da aparência do chatbot na

H7c intenção de compra. Não

Essas questões de pesquisa foram respondidas com um delineamento

experimental e sete hipóteses principais. Os achados relevantes mais importantes desta
pesquisa foram as duas hipóteses confirmadas de imagem e linguagem humanas,
levando a níveis mais altos de satisfação entre os usuários.

Conclusão

O presente estudo foi desenvolvido para obter uma melhor compreensão dos
efeitos do uso de características humanas ou robóticas nas aparências e na linguagem do
chatbot no ambiente on-line. Além disso, foram explorados os efeitos da aparência e da
linguagem do chatbot na confiança, satisfação e compra no mobile-commerce.
A descoberta mais notável foi a de que os entrevistados estavam mais satisfeitos
com um chatbot, usando uma imagem e uma linguagem humanas. No entanto, a
implementação dessas dicas não aumenta a intenção de compra de acordo com os
resultados desta pesquisa. As organizações e os designers de chatbot devem buscar
pistas antropomórficas no desenvolvimento e implementação de chatbots para criar uma
melhor experiência para os usuários que interagem com os agentes inteligentes.

Referências

Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2019). How artificial intelligence
will change the future of marketing. Journal of the Academy of Marketing Science, 1-
19.
 IX Encontro de Estudos em Estratégia - 3Es 2020
Evento on-line - 1º e 2 de setembro de 2020 - ISSN 2177-2452 - versão online

Fávero, L. P., & Belfiore, P. (2017). Manual de análise de dados: estatística e

modelagem multivariada com Excel®, SPSS® e Stata®. Elsevier Brasil.

Hofacker, C. F., Malthouse, E. C., & Sultan, F. (2016). Big data and consumer
behavior: Imminent opportunities. Journal of Consumer Marketing, 33(2), 89-97.

Jonke, A. W., & Volkwein, J. B. (2018). From Tweet to Chatbot–Content Management

as a Core Competency for the Digital Evolution. In Digital Marketplaces
Unleashed (pp. 275-285). Springer, Berlin, Heidelberg.

King, K. (2019). Using Artificial Intelligence in Marketing: How to harness AI and

maintain the competitive edge. Kogan Page Publishers.

Kumar, V., Dixit, A., Javalgi, R. R. G., & Dass, M. (2016). Research framework,
strategies, and applications of intelligent agent technologies (IATs) in
marketing. Journal of the Academy of Marketing Science, 44(1), 24-45.

Luo, X., Tong, S., Fang, Z., & Qu, Z. (2019). Frontiers: Machines vs. Humans: The
Impact of Artificial Intelligence Chatbot Disclosure on Customer Purchases. Marketing
Science.

Malhotra, NK (2015). Pesquisa de mercado . Pearson Ed.

Marôco, J. (2018). Análise Estatística com o SPSS Statistics.: 7ª edição. ReportNumber,

Lda.

Murphy, M. C., & Dweck, C. S. (2016). Mindsets shape consumer behavior. Journal of
Consumer Psychology, 26(1), 127-136.

Shareef, M. A., Dwivedi, Y. K., & Kumar, V. (2016). Online Consumer Behavior and
Marketing. In Mobile Marketing Channel (pp. 1-24). Springer, Cham.

Sterne, J. (2017). Artificial intelligence for marketing: practical applications. John

Wiley & Sons.

Tong, S., Luo, X., & Xu, B. (2019). Personalized mobile marketing strategies. Journal
of the Academy of Marketing Science, 1-15.

Van den Broeck, E., Zarouali, B., & Poels, K. (2019). Chatbot advertising effectiveness:
When does the message get through?. Computers in Human Behavior, 98, 150-157.

Zarouali, B., Van den Broeck, E., Walrave, M., & Poels, K. (2018). Predicting
consumer responses to a chatbot on Facebook. Cyberpsychology, Behavior, and Social
Networking, 21(8), 491-497.

Wierenga, B., & Van der Lans, R. (Eds.). (2017). Handbook of marketing decision
models (Vol. 254). Springer.

View publication stats