Big data for small and medium-sized enterprises (SME): a knowledge management model
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
Purpose Big data has raised challenges and opportunities for business, the information technology (IT) industry and research communities. Nowadays, small and medium-sized enterprises (SME) are dealing with big data using their limited resources. The purpose of this paper is to describe the synergistic relationship between big data and knowledge management (KM), analyze the challenges and IT solutions of big data for SME and derives a KM model of big data for SME based on the collected real-world business cases. Design/methodology/approach The study collects eight well-documented cases of successful big data analytics in SME and conducts a qualitative data analysis of these cases in the context of KM. The qualitative data analysis of the multiple cases reveals a KM model of big data for SME. Findings The proposed model portrays the synergistic relationship between big data and KM. It indicates that strategic use of data, knowledge guided big data project planning, IT solutions for SME and new knowledge products are the major constructs of KM of big data for SME. These constructs form a loop through the causal relationships between them. Research limitations/implications The number of cases used for the derivation of the KM model is not large. The coding of these qualitative data could involve biases and errors. Consequently, the conceptual KM model proposed in this paper is subject to further verification and validation. Practical implications The proposed model can guide SME to exploit big data for business by placing emphasis on KM instead of sophisticated IT techniques or the magnitude of data. Originality/value The study contributes to the KM literature by developing a theoretical model of KM of big data for SME based on underlying dimensions of strategic use of data, knowledge guided big data project planning, IT solutions for SME and new knowledge products.
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) | 0,001 | 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 | 0,002 | 0,003 |
| 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