MétaCan
Menu
Retour à la cohorte
Enregistrement W1493208902

An Empirical Study of BI-based Corporate Performance Management in North America and East Asia

2011· article· en· W1493208902 sur OpenAlexaff
Gregory Richards, William Yeoh, Shan Wang

Notice bibliographique

RevueJournal of the Association for Information Systems · 2011
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueBig Data and Business Intelligence
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésMultinational corporationBusinessEast AsiaProcess (computing)Empirical researchEmpirical evidenceBusiness intelligenceKnowledge managementProcess managementComputer scienceGeographyChinaFinance
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Managing corporate performance is an important yet challenging process. Recently, many enterprises have adopted businessintelligence (BI) tools to facilitate more effective corporate performance management. Based on a survey with 290organizations across North America and East Asia, this paper presents empirical evidence on the key benefits of and barriersto BI-based corporate performance management (CPM). The study reveals that the implementation of BI-based CPM facesmulti-dimensional challenges. Organizations in East Asia perceived higher CPM benefits as well as higher CPM barriers thantheir counterparts in North America. Cultural, economic and environmental differences between the two regions explain theseissues. The research findings offer important insights for multinational organizations that are planning or are in the process ofimplementing or reviewing their BI-based CPM, as well as for consulting companies that are assisting with CPMimplementation in different countries.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,223

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,003
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,088
Tête enseignante GPT0,278
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the Association for Information SystemsMême sujetBig Data and Business IntelligenceTravaux en français237 207