Value creation through big data application process management: the case of the oil and gas industry
Notice bibliographique
Résumé
Purpose The purpose of this study is twofold: to investigate the role of big data in firms’ co-knowledge and value creation and to understand the underlying drivers behind value creation through big data in the oil and gas industry by underscoring the role of firms’ capabilities, trends and challenges. Design/methodology/approach Following an inductive approach, semi-structured interviews were conducted with senior managers and analysts working in oil and gas companies across eight countries. The data collected from these key informants were then analysed using the qualitative data analysis software ATLAS.ti. Findings Value creation through big data is an important factor for enhancing performance. It has a positive impact on both tangible (organisational performance) and intangible (societal) aspects depending on the context. Oil and gas companies understand the importance of big data to creating value in their operations. However, implementing and using big data has been problematic. In this study, a framework was developed to show that factors such as the shortage of data experts, poor data quality, the risk of cyber-attacks and unsupportive organisational cultures impede its implementation and utilisation. Research limitations/implications The findings from this study have implications for managers and executives implementing big data and creating value across various data-intensive industries. The research findings, are contextual, however, and should be applied cautiously. Originality/value This study contributes to the value creation literature in the big data context. The findings identify the key areas to be considered for the effective implementation and utilisation of big data in the oil and gas sector. This study addresses a broad but under-explored issue (i.e. knowledge creation from big data and its implementation) and strengthens the academic debate within this research stream.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,011 | 0,008 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».