The impact of business intelligence through knowledge management
Notice bibliographique
Résumé
Competition among companies has intensified during the last few decades and hence monitoring the organization’s environment has become a priority. Monitoring the internal and external environments involves collecting, retrieving, managing, and disseminating large volumes of data and information. Companies are able to handle these complex tasks very efficiently through knowledge management (KM). A valuable tool of KM is business intelligence (BI), that is, the set of coordinated actions of research, treatment, and distribution of information that can help support the company’s competitiveness. This study aims to evaluate BI and quantitatively demonstrate its impact on the competitiveness of an organization. It proposes a methodology and applies it to a multinational food processing company to determine the influencing elements in BI and measure their impacts on the organization’s competitiveness. This study identified four variables of BI that are likely to have an impact on the competitiveness of the company: the search for information, the treatment of information, the utility of information, and information security. To collect the required data, this study developed a survey with five categories, namely, research, utility, treatment, security, and competitiveness, and the collected data were analyzed using second-order partial least square-structural equation modeling in SmartPLS 3. This study found that research, utility, treatment, and security have positive correlations with BI, and that the strength of the relationship between BI and each variable is significant. Furthermore, the results show that the BI elements can explain over 38 percent of the variation in the competitiveness of the company.
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 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 | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,007 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,006 |
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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».