دانلود رایگان مقاله بررسی ارزش کسب و کار تجزیه و تحلیل داده های بزرگ در شرکت های اروپایی

چکیده

           در زمینه مدیریت استراتژیک، قابلیت های پویا (DC) مانند چابکی سازمانی در جستجو برای مزیت رقابتی در نظر گرفته می شود. تحقیقات اخیر ادعا می کنند که تحقیقات ارزش کسب و کار IT نیازمند یک دیدگاه پویا تر است. خصوصا، زنجیره ارزش بزرگ تجزیه و تحلیل داده ها (BDA) هنوز بررسی نشده است. برای بررسی ارزش BDA، یک مدل مفهومی بر اساس دیدگاه مبتنی بر دانش و تئوری DC پیشنهاد شده است. برای بررسی تجربی این مدل، این تحقیق به بررسی طیف گسترده ای از 500 شرکت اروپایی و مدیران IT و کسب و کار آنها می پردازد. نتایج نشان می دهد که BDA می تواند ارزش تجاری را به چندین مرحله از زنجیره ارزش ارایه دهد. BDA می تواند چابکی سازمانی را از طریق مدیریت دانش و تاثیر آن در فرآیند و مزیت رقابتی ایجاد کند. همچنین، این مقاله نشان می دهد که چابکی می تواند تا حدی بین دارایی های دانش و عملکرد (سطح فرآیند و مزیت رقابتی) تاثیر می گذارد. این مدل 77.8٪ از تغییر در مزیت رقابتی را توضیح می دهد. مقاله حاضر همچنین مفاهیم نظری و عملی این مطالعه و محدودیت های مطالعه را ارائه می دهد.

1. مقدمه

           در عصر داده های بزرگ، شرکت ها در هر بخش نیاز به مقابله با مقدار زیادی داده، دارند. داده های موجود در مقادیر زیاد می توانند بینش های ارزشمند و مزیت رقابتی را در صورت داشتن منابع فناوری و سازمانی مناسب از آنها ارائه دهند (مورابیتو، 2015). اخیرا، چندین تن از افراد دانشگاهی و کارشناسان بر نیاز به درک چگونگی، چرایی و زمان ارزشمند بودن برنامه های تجزیه تحلیل داده های بزرگ(BDA) برای شرکتها به منظور کسب مزیت رقابتی تأکید کرده اند(عباسی، سارکر و چیانگ، 2016؛ اگروال و دهار، 2014؛ کورت ریل اولیویرا و رایو، 2014؛ لاوال و همکاران.، 2011). اگر چه فناوری های BDA به عنوان «چیز بزرگ بعدی برای نوآوری» (به عنوان مثال منبع بالقوه ارزش تجاری و مزیت رقابتی) شناخته شده است، زنجیره ارزش BDA همچنان نسبتا ناشناخته باقی می ماند و نیازمند بررسی بیشتر است. هیچ تحقیق تجربی وجود ندارد که ارزیابی کند که چگونه BDA می تواند ارزش کسب و کار (عباسی و همکاران ، 2016)، ایجاد ارتباط بین دارایی دانش، چابکی سازمانی و عملکرد (سطح فرآیند و مزیت رقابتی)را به ارمغان بیاورد (کورت ریل و دیگران، 2014). بنگاههایی که BDA را در فعالیتهای تجاری خود تزریق می کنند، می تواند با تاثیر5٪در تولید و سودآوری 6٪بر همتایان خود پیشی بگیرند (بارتون ، 2012). به همین دلیل، شرکت های اروپایی به شدت خواهان سرمایه گذاری در فن آوری تجزیه و تحلیل داده های بزرگ هستند (ساس، 2013؛ شارما ، میساس و مانکان هالی، 2014). با این وجود، این سرمایه گذاری تنها زمانی می تواند ارزشمند باشد، که سازمان ها از تکنولوژی و منابع سازمانی مناسب برای دستیابی به مزیت رقابتی استفاده کنند (منیکتا و همکاران.، 2011a). 

           در پاسخ به کمبود تحقیق در مورد این موضوع، این مطالعه تاثیر BDA را در زنجیره ارزش کسب و کار در یک زمینه اروپایی است که توسط آزمون تجربی یک چارچوب نظری جدید ، ادغام دو نظریه مدیریت استراتژیک (دیدگاه مبتنی بر دانش (KBV) و قابلیت های پویا (DC)) در سطح شرکت را بررسی می کند. این مقاله نه تنها تحقیقات BDA را از طریق انتقال، ادغام و بررسی فرضیه ها در زمینه های نوآوری و مدیریت فناوری اطلاعات گسترش می دهد، بلکه همچنین به پژوهش های DCو تجربیات پیشین و تاثیرات یک قابلیت پویا مشخص (چابکی سازمانی)در هنگام استفاده از فناوری BDA ، کمک می کند . این اولین مقاله است که تمام زنجیره ارزش BDA را در سطح شرکت بررسی می کند، مفاهیم مدیریت دانش، چابکی و عملکرد (سطح فرآیند و مزیت رقابتی) را مرتبط می کند. برای روشن شدن نقش چابکی بر عملکرد، این مقالات بررسی می کنند که آیا چابکی نقش یک میانجی دارایی دانش روی عملکرد (عملکرد فرآیند و مزیت رقابتی) دارد. این مطالعه به بررسی سه سوال تحقیق (RQs) زیر می پردازد: 

RQ1- قابلیتهای BDA برای ایجاد چابکی سازمانی چیست؟

RQ2- تاثیرات این قابلیت پویای ایجاد شده توسط BDA در مزایای رقابتی پایدار چیست؟

RQ3-آیا چابکی نقش یک میانجی دارایی های دانش روی عملکرد (عملکرد فرآیند و مزیت رقابتی) را داراست؟

           این مطالعه راهنمایی هایی برای مدیران و مجریان به منظور ارزیابی شرایطی که BDA می تواند ارزش کسب و کار را برایسازمان ها افزایش دهد، ارائه می دهد. مدیران و مجریان فناوری اطلاعات می توانند از ابزار ارزیابی برای بررسی تاثیر BDA بهره مند شوند. همچنین، این مقاله حامی ارزشمند ی برای توجیه سرمایه گذاری و ابتکارات BDA است. شرکت هایی که هنوز تصمیم به استفاده از این فناوری ها نداشته اند میتوانند دیدگاه های بالقوه ای را از قبیل اتخاذ و استفاده موثر از BDA بدست آورند. این تحقیق نشان می دهد که چگونه بهترین استفاده از دانش در سیستم BDA، به دست آوردن قابلیت های چابکی سازمانی است که منجر به مزیت رقابتی می شود. 

           در ادامه این مقاله دارای ساختار زیر است: بخش 2 مقدمه ای بر مفهوم BDA و زمینه های نظری برای ارزیابی ابتکارات BDA ارائه می دهد؛ بخش 3، مدل مفهومی و فرضیه ها را ارائه می دهد؛ بخش 4، روش شناسی را در بر می گیرد؛ و بخش 5 نتایج تجربی را نشان می دهد. در نهایت، مقاله بحث و نتیجه گیری از یافته ها را ارائه می دهد.

2. زمینه

2.1 تجزیه و تحلیل داده های بزرگ

          چن، چیانگ (چن ، چیانگ و استوری؛2012) اصطلاح تجزیه و تحلیل داده های بزرگ (BDA) را به عنوان فیلد مرتبط با هوش و تجزیه و تحلیل کسب و کار (BI و A)، با استفاده از فن آوری های BI و A که عمدتا مربوط به داده کاوی و تجزیه و تحلیل آماری است، تدوین کرد. نویسندگان BDA را "نسل جدیدی از فن آوری ها و معماری ها، تعریف می کنند که به لحاظ اقتصادی از حجم بسیار زیادی از داده های متنوع استخراج می گردند، با امکان ضبط، کشف و / یا تجزیه و تحلیل با سرعت بالا".(IDC، 2011). فن آوری های BDA بهبهبود برنامه های موجود، با ارائه تمرین های تجاری و متدولوژی هایی که مزیت رقابتی را به ارمغان می آورند، کمک می کند (Chen et al.، 2012؛ دون پورت ، 2006). جدیدترین ادبیات نشان می دهد که فضای زیادی برای تحقیقات بیشتر BDA وجود دارد (عباسی و همکاران., 2016; اگروال و دهر, 2014؛ اروالز, فوکواو اسواینه, 2016). در حال حاضر مطالعات علمی وجود دارد که نشان دهنده پذیرش و استفاده از BDA است (به عنوان مثال، (ملادی،2013؛ خو، فرانکویچ، ورامیرز، 2015؛ کوان، لی وشین ، 2014). با توجه به ارزش، اکثر مطالعات دانشگاهی BDA بر تحلیل ارزش کسب و کار از یک دیدگاه داده یا سیستم تمرکز می کنند (مثلا (لاواله و همکاران، 2011؛ کوون و همکاران، 2014). از دیدگاه مدیریت استراتژیک، تنها یک مقاله مفهومی به بررسی چگونگی تاثیر BDA بر فعالیت های بازاریابی می پردازد (اروالز و همکاران.، 2016).همانطور که شرکت ها نمی دانند چگونه ارزش کسب و کار را بدست آورند (بارتون ،2012 ؛ لا واله و همکاران 2011) ، بعضی از محققان (کورت ریل و همکاران، 2014؛ مالدی، 2013) نیز معتقدند که تحقیقات ارزش BDA کمیاب است و نیاز به فراتر از مراحل پس از تصویب به سمت رقابت دارد (اروالز و همکاران 2016؛ خو و همکاران ،2015). اگر چه رویکردهای متعددی ارزش فناوری اطلاعات را در سطوح فرایند و تأیید ارزیابی می کنند (شریئن (شریئن، 2013) را برای بررسی بازبینی کنید). این تحقیق، با بررسی تجربی از ارزش زنجیره ارزش کسب و کار BDA در شرکت های اروپایی، تحقیق ارزش کسب و کار کسب و کار را از دیدگاه مدیریت استراتژیک گسترش می دهد.

2.2 یافته های نظری

           بسیاری از مطالعات در دهه های اخیر ارزش کسب و کار IT و مزایای رقابتی را با استفاده از دیدگاه مبتنی بر منابع (RBV)بررسی می کند (باروا، کریبل ، و ماکو هایای، 1995؛ بهارادواج، 2000، ماتا، فارست، و بارنی، 1995؛ مل وایل، کرامرو قورباخانی ، 2004؛ رایفو، اولیورا و نتو ،2015؛ سو و مارکوس، 1995؛ ژوو و کرامر، 2005). محدودیت های RBV استفاده از نظریه های دیگر مانند DC و KBV را تشویق می کند (آرند و برومیلی، 2009؛ وانگ و احمد، 2007). همانطور که نظریه DC، سطح دوم است که تفکر مبتنی بر دانش را پشتیبانی می کند (پتیگرو، توماس،و وایتینگتون ، 2001)، این مطالعه ترکیبی از این نظریه ها است. KBV به بررسی پتانسیل تردید برای دستیابی به رقابت در یک بازار پویا می پردازد، اما تنها تئوری DC می تواند مشکل حفظ مزیت رقابتی را در محیط های آشفته حل کند (گرانت،1996؛ ولبردا، 1996).

 2.2.1تئوری دیدگاه دانش بنیان

           KBV معتقد است که منابع دانش آگاهانه منحصر به فرد و بی نظیر هستند و عملکرد اصلی این شرکت، استفاده از آنها در نتایج مثبت است (گرانت، 1996؛ ناناکا، 1995). دارا بودن منابع دانش، پایه های اصلی شرکت را برای اصلاح یا بازسازی پایگاه های منابع و ایجاد توانایی های پویا (وو، 2006)، مانند چابکی سازمانی، فراهم می کند. شرکت هایی که سطح بالایی از دانش و مشارکت کارکنان را دارند می توانند مهارت لازم را برای ایجاد تغییرات در منابع موجود و تصمیم گیری در مورد اقدامات لازم برای اجرای این تغییرات را تعیین کنند (نیوز و هالر، 2014). نظریه KBV می تواند به مفهوم سازی اثرات عملکرد سرمایه گذاری فناوری اطلاعات کمک کند (پاولو و دیگران 2005). مطالعات مدیریت از این نظریه استفاده می کند (به عنوان مثال (نیواس وهالر، 2014)، همانند مطالعات در زمینه های فناوری اطلاعات (به عنوان مثال، شر و لی، 2004) برای درک نقش مدیریت دانش در ایجاد DC. در فن آوری های BDA، خو، فرانک ویک (خو و همکاران، 2015) به دنبال درک روابط بین تجزیه و تحلیل بازاریابی سنتی، BDA، و موفقیت محصول جدید است. مقاله حاضر اولین باری است کهبه صورت تجربی KBV را آزمایش می کند تا نقش BDA را در ایجاد چابکی درک کند.

Abstract

          In the strategic management field, dynamic capabilities (DC) such as organizational agility are considered to be paramount in the search for competitive advantage. Recent research claims that IT business value research needs a more dynamic perspective. In particular, the Big Data Analytics (BDA) value chain remains unexplored. To assess BDA value, a conceptual model is proposed based on a knowledge-based view and DC theories. To empirically test this model, the study addresses a survey to a wide range of 500 European firms and their IT and business executives. Results show that BDA can provide business value to several stages of the value chain. BDA can create organizational agility through knowledge management and its impact on process and competitive advantage. Also, this paper demonstrates that agility can partially mediate the effect between knowledge assets and performance (process level and competitive advantage). The model explains 77.8% of the variation in competitive advantage. The current paper also presents theoretical and practical implications of this study, and the study's limitations.

1. Introduction

           In the era of Big Data, firms in every sector are required to deal with a huge amount of data. Data in vast amounts can offer invaluable insights and competitive advantage if the right technological and organizational resources support them (Morabito, 2015). Recently, several academics and practitioners have stressed the need to understand how, why, and when Big Data Analytics (BDA) applications can be a valuable resource for companies to gain competitive advantage (Abbasi, Sarker, & Chiang, 2016; Agarwal & Dhar, 2014; Corte Real, Oliveira, & Ruivo, 2014; LaValle et al., 2011). Although BDA technologies have been recognized as the “next big thing for innovation” (i.e., a potential source of business value and competitive advantage), the BDA value chain remains relatively unexplored and needs further investigation. No empirical research exists assessing how BDA can bring business value (Abbasi et al., 2016), establishing a linkage between knowledge assets, organizational agility, and performance (process-level and competitive advantage) (Corte Real et al., 2014). Firms that inject BDA in their business operations can surpass their peers by 5% in productivity and 6% in profitability (Barton, 2012). For that reason, European firms are investing heavily in BDA technologies (SAS, 2013; Sharma, Mithas, & Kankanhalli, 2014). Nevertheless, this investment can only be valuable if organizations use the appropriate technology and organizational resources to achieve competitive advantage (Manyika et al., 2011a).

          In response to the scarcity of research on this subject, this study examines the impact of BDA on the business value chain in a European context by empirically testing a new theoretical framework that merges two strategic management theories (Knowledge Based View (KBV) and dynamic capabilities (DC)) at firm-level. Not only does this paper extend BDA research by transposing, merging, and examining hypotheses in IT innovations and management fields, but also contributes to DC research by empirically assessing the antecedents and impacts of a specific dynamic capability (organizational agility), when using BDA technologies. This is the first paper that studies the entire BDA value chain at firm-level, linking concepts of knowledge management, agility, and performance (process-level and competitive advantage). To clarify the role of agility on performance, this papers tests if agility is a mediator of knowledge assets on performance (process-level performance and competitive advantage). The study explores the following three research questions (RQs):

RQ1 – What are the BDA enablers for the creation of organizational agility?

RQ2 – What are the impacts of this dynamic capability created by BDA on sustainable competitive advantage?

RQ3 – Is agility a mediator of knowledge assets on performance (process-level performance and competitive advantage)?

          This study offers guidance for executives and managers to assess the conditions under which BDA can add business value to organizations. Managers and IT executives can benefit from an evaluation instrument to assess the impact of BDA. Also, this paper provides valuable support to justify BDA investments and initiatives. Firms that have not yet decided to adopt these technologies can obtain a view of potential gains from adopting and effectively using BDA. This research demonstrates how best to leverage the knowledge embedded in BDA systems, acquiring organizational agility capabilities that lead toward competitive advantage.

         The remainder of this paper has the following structure: Section 2 provides an introduction to the BDA concept and a theoretical background to assess BDA initiatives; Section 3 presents the conceptual model and the hypotheses; Section 4 outlines the methodology; and Section 5 shows the empirical results. Finally, the paper presents a discussion and the conclusions from the findings.

2. Background

2.1. Big Data Analytics

         Chen, Chiang (Chen, Chiang, & Storey, 2012) coined the term Big Data Analytics (BDA) as a related field of business intelligence & analytics (BI&A), referring to the BI&A technologies that mostly concern data mining and statistical analysis. Authors define BDA as “a new generation of technologies and architectures, designed to economically extract value from very large volumes of a wide variety of data, by enabling high velocity capture, discovery and/or analysis.” (IDC, 2011). BDA technologies allow firms to improve existing applications by offering business-centric practices and methodologies that provide a competitive advantage (Chen et al., 2012; Davenport, 2006). The latest literature indicates that there is much room for further BDA research (Abbasi et al., 2016; Agarwal & Dhar, 2014; Erevelles, Fukawa, & Swayne, 2016). There are already academic studies that reflect the adoption and use of BDA (e.g., (Malladi, 2013; Xu, Frankwick, & Ramirez, 2015; Kwon, Lee, & Shin, 2014)). Regarding value, most BDA academic studies focus on analyzing business value from a data or system perspective (e.g., (LaValle et al., 2011; Kwon et al., 2014)). From the strategic management perspective only one conceptual paper explores how BDA affects several marketing activities (Erevelles et al., 2016). The remaining literature addresses industry primarily (LaValle et al., 2011; Russom, 2011). As firms do not know how to capture business value (Barton, 2012; LaValle et al., 2011), some scholars (Corte Real et al., 2014; Malladi, 2013) argue that BDA value research is scarce and needs to extend beyond post-adoption stages toward competitiveness (Erevelles et al., 2016; Xu et al., 2015). Although numerous approaches assess IT Value at the process and firm levels (see Schryen (Schryen, 2013) for a review), this study extends IT business value research from the strategic management perspective, by empirically assessing the BDA business value chain in European firms.

2.2. Theoretical foundation

          Many studies in recent decades investigate IT business value and competitive advantage using the resource-based view (RBV) (Barua, Kriebel, & Mukhopadhyay, 1995; Bharadwaj, 2000; Mata, Fuerst, & Barney, 1995; Melville, Kraemer, & Gurbaxani, 2004; Ruivo, Oliveira, & Neto, 2015; Soh & Markus, 1995; Zhu & Kraemer, 2005). The limitations of RBV encourage the use of other theories such as DC and KBV (Arend & Bromiley, 2009; Wang & Ahmed, 2007). As DC theory constitutes the second foundation that supports knowledge-based thinking (Pettigrew, Thomas, & Whittington, 2001), this study combines these theories. KBV explores a firm's potential to acquire competitiveness in a dynamic market context, but only DC theory can solve the problem of sustaining competitive advantage in turbulent environments (Grant, 1996; Volberda, 1996).

2.2.1. Knowledge Based View theory

        KBV states that a firm's knowledge resources are unique and inimitable and that the firm's primary function is to leverage them into productive outcomes (Grant, 1996; Nonaka, 1995). The possession of knowledge resources gives the firm basic foundations to renew or reconfigure its resource base and to build dynamic capabilities (Wu, 2006), such as organizational agility. Companies that have high levels of staff knowledge and involvement can more skillfully identify the need to make changes to existing resources and decide about the actions necessary to implement these changes (Nieves & Haller, 2014). KBV theory can help to conceptualize the performance effects of IT investments (Pavlou et al., 2005). Management studies use this theory (e.g., (Nieves & Haller, 2014)), as do studies in IT fields (e.g., (Sher & Lee, 2004)) to understand the role of knowledge management in the creation of DC. In BDA technologies, Xu, Frankwick (Xu et al., 2015) seek to understand the relationships among traditional marketing analytics, BDA, and new product success. The current paper is the first that empirically tests KBV to understand the role of BDA in the creation of agility.

چکیده

1. مقدمه

2. زمینه

2.1 تجزیه و تحلیل داده های بزرگ

2.2 یافته های نظری

2.2.1 تئوری دیدگاه دانش بنیان

2.2.2 تئوری قابلیت های دینامیک

3. مدل مفهومی

3.1 فرضیه ها

3.1.1 دارایی های دانش

3.1.2 چابکی سازمانی

3.1.3 نقش میانجی چابکی بر رابطه بین دارایی های دانش و عملکرد

3.1.4 مزیت رقابتی

3.1.5 کنترل

4. طرح پژوهش

4.1 اندازه گیری

4.2 داده

5. نتایج

5.1 مدل اندازه گیری 

5.2 مدل ساختاری

5.3 تست تأثیر میانجیگری

6. بحث

6.1 محدودیت ها و تحقیقات بیشتر

6.2 پیامدهای نظری

6.3 پیامدهای مدیریتی

6.4. پیامدهای تحقیقات کسب و کار

7. نتیجه گیری

منابع

Abstract

1. Introduction

2. Background

2.1. Big Data Analytics

2.2. Theoretical foundation

2.2.1. Knowledge Based View theory

2.2.2. Dynamic capability theory

3. Conceptual model

3.1. Hypothesis

3.1.1. Knowledge assets

3.1.2. Organizational agility

3.1.3. The mediating role of agility on the relationship between knowledge assets and performance

3.1.4. Competitive advantage

3.1.5. Controls

4. Research design

4.1. Measurement

4.2. Data

5. Results

5.1. Measurement model

5.2. Structured model

5.3. Mediating effect testing

6. Discussion

6.1. Limitations and further research

6.2. Theoretical implications

6.3. Managerial implications

6.4. Business research implications

7. Conclusions

References