Big data analytics and international market selection: An exploratory study
Notice bibliographique
Résumé
A great deal of information is available on international trade flows and potential markets. Yet many exporters do not know how to identify, with adequate precision, those markets that hold the greatest potential. Even if they have access to relevant information, the sheer volume of information often makes the analytical process complex, time-consuming and costly. An additional challenge is that many exporters lack an appropriate decision-making methodology, which would enable them to adopt a systematic approach to choosing foreign markets. In this regard, big-data analytics can play a valuable role. This paper reports on the first two phases of a study aimed at exploring the impact of big-data analytics on international market selection decisions. The specific big-data analytics system used in the study was the TRADE-DSM (Decision Support Model) which, by screening large quantities of market information obtained from a range of sources identifies optimal product‒market combinations for a country, industry sector or company. Interviews conducted with TRADE-DSM users as well as decision-makers found that big-data analytics (using the TRADE-DSM model) did impact international market-decision. A case study reported on in this paper noted that TRADE-DSM was a very important information source used for making the company’s international market selection decision. Other interviewees reported that TRADE-DSM identified countries (that were eventually selected) that the decision-makers had not previously considered. The degree of acceptance of the TRADE-DSM results appeared to be influenced by TRADE-DSM user factors (for example their relationship with the decision-maker and knowledge of the organization), decision-maker factors (for example their experience and knowledge making international market selection decisions) and organizational factors (for example senior managements’ commitment to big data and analytics). Drawing on the insights gained in the study, we developed a multi-phase, big-data analytics model for international market selection.
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 | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».