A novel framework of ERP implementation in Indian SMEs: Kernel principal component analysis and intuitionistic Fuzzy TOPSIS driven approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Over the years, organizations have witnessed a transformational change at global market place. Integration of operations and partnership have become the key success factors for organizations. In order to achieve inclusive growth while operating in a dynamic uncertain environment, organizations irrespective of the scale of business need to stay connected across the entire value chain. The purpose of this paper is to analyze Enterprise Resource Planning (ERP) implementation process for Small and Medium Enterprises (SMEs) in India to identify the key enablers. Exhaustive survey of existing literature as a part of secondary research work, has been conducted in order to identify the critical success factors and usefulness of ERP implementation in different industrial sectors initially and examines the impact of those factors in Indian SMEs. Kernel Principal Component Analysis (KPCA) has been applied on survey response to recognize the key constructs related to Critical Success Factors (CSFs) and tangible benefits of ERP implementation. Intuitionistic Fuzzy set theory based Technique of Order Preference by Similarity to Ideal Solution (TOPSIS) method is then used to rank the respective CSFs by mapping their contribution to the benefits realized through implementing ERP. Overall this work attempts to present a guideline for ERP adoption process in the said sector utilizing the framework built upon KPCA and Intuitionistic Fuzzy TOPSIS. Findings of this work can act as guidelines for monitoring the entire ERP implementation project.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle