دانلود ترجمه مقاله تاثیر قابلیت های تحلیل کلان داده ها بر نوآوری در مدل کسب و کار

1. مقدمه 2. پیشینه نظری و فرضیات 3. روش ها 4. نتایج تجربی 5. بحث و بررسی 6. نتیجه گیری

چکیده – قابلیت های تحلیل کلان داده ها، نشانگر ابزارهای بسیار مهم برای رقابت پذیری کسب و کار در بازارهای بسیار پویا می باشد. در همین ارتباط، این مطالعه با بهره گیری از دیدگاه قابلیت های پویا به تحلیل رابطه بین قابلیت های تحلیل کلان داده ها و نوآوری در مدل کسب و کار می پردازد. عقیده بر این است که جهت گیری کارآفرینی ( قابلیت پویای مرتبه بالاتر) میانجی تاثیر قابلیت های تحلیل کلان داده ها ( قابلیت پویای مرتبه پائین تر) است. مدل پیشنهادی توسط روش های مدل یابی معادلات ساختاری حدّاقل مربعات جزئی ( متقارن) و تحلیل مقایسه ای کیفی مجموعه فازی ( نامتقارن) با استفاده از داده های پیمایش حاصل از 253 شرکت در انگلستان ارزیابی گردید. یافته های ما نشان می دهد که قابلیت های تحلیل کلان داده ها دارای تاثیرات مثبت مستقیم و غیرمستقیم بر نوآوری در مدل کسب و کار است، درحالیکه جهت گیری کارآفرینی میانجی تاثیرات مثبت غیرمستقیم می باشد. این نتایج با اثبات این نکته که قابلیت های تحلیل کلان داده ها بر منطق و اهداف راهبردی شرکت تاثیرگذار است، و نَه اینکه وابسته به آنها باشد، و بدین ترتیب، نقش مهمی را در ارزش آفرینی برای شرکت ها و ذی نفعان آنها ایفا می کند، نوشتارهای مدیریت نوآوری درباره کلان داده ها را پُربار می سازد. مقدّمه توسعه اخیر پدید کلان داده ها، شرکت ها را واداشته است تا توجه خویش را بطور فزاینده ای بر مدیریت داده های داخلی و بیرونی متمرکز سازند تا از فرصت های نوین مناسب برای حفظ کردن مزیت رقابتی شان بهره برداری نمایند ( شان و همکاران، 2019) . کلان داده ها به عنوان " پیشتاز بعدی نوآوری، رقابت و بهره وری " تفسیر گردیده اند ( مانیکا و همکاران، 2011، ص. 1) . به طور مثال، شرکت ها با بهره گیری از کلان داده های ایجاد شده توسط مشتریان، فرصت اجرایی سازی نوآوری کاربر محور و نوآوری مبتنی بر کاربر را دارند ( ترابوچی و همکاران، 2018) . نوآوری کاربرمحور از تحلیل مشتریان برای بررسی کردن رفتارها، ارزیابی ها و نیازهایی که کاربران بطور مستقل در محیط آنلاین بروز می دهند با هدف ارتقا بخشیدن به تهیه محصولات جدید متناسب با انتظارات آنها استفاده می کند ( هوئی و همکاران، 2018) . از جانب دیگر، نوآوری مبتنی بر کاربر شرکت را ملزم می سازد تا محصولات جدید را در مشارکت با تَک تَک مشتریان تهیه کند تا بتواند ابتکارات هَم آفرینی ارزش را راه اندازی و اجرا نماید ( مارزی، سیامپی، دالّی، و دابیک، 2020؛ ژی، وو، ژیائو، و هو، 2016) . در هر دو مورد، بهره برداری از کلان داده ها با تضمین کردن یک فرآیند تکراری مشارکت بین شرکت ها و مشتریان، که اساس و مبنای یک چرخه پایدار ارزش آفرینی برای هر دوی آنها را نشان می دهد، ارزش راهبردی می یابد ( کونز و همکاران، 2017).

Big Data Analytics Capabilities (BDAC) represent critical tools for business competitiveness in highly dynamic markets. In this connection, by leveraging on the Dynamic Capabilities View (DCV) this study analyses the relationship between BDAC and Business Model Innovation (BMI). It argues that the impact of BDAC (a lower-order dynamic capability) on BMI is mediated by Entrepreneurial Orientation (EO; a higher-order dynamic capability). The proposed model is assessed by PLS-SEM (symmetric) and fuzzy-set Qualitative Comparative Analysis (asymmetric) methods using survey data from 253 UK firms. Our findings demonstrate that BDAC have both direct and indirect positive effects on BMI, with the latter being mediated by EO. These results enrich the innovation management literature on Big Data (BD) by showing that BDAC influence company strategic logics and objectives, rather than depending on them, thus playing a significant role in creating value for companies and their stakeholders. Introduction: The recent development of the Big Data (BD) phenomenon is leading companies to increasingly focus their attention on the management of internal and external data with the aim of seizing new opportunities suitable to sustain their competitive advantage (Shan et al., 2019). BD has been interpreted as “the next frontier for innovation, competition and productivity” (Manyika et al., 2011, p. 1). By leveraging on customer-generated BD, firms have, for instance, the opportunity to implement user-centred innovation and user-driven innovation (Trabucchi et al., 2018). The former deploys customer analytics to examine the behaviours, evaluations and needs independently manifested by users online with the aim of enhancing the development of new products tailored to their expectations (Hooi et al., 2018). On the other hand, user-driven innovation requires the company to develop new products in collaboration with individual customers in order to trigger and implement value co-creation initiatives (Marzi, Ciampi, Dalli, & Dabic, 2020; Xie, Wu, Xiao, & Hu, 2016). In both cases, BD utilisation assume strategic value in ensuring an iterative engagement process between firms and customers, which represents the foundation of a sustainable value generation cycle for both of them (Kunz et al., 2017).