Data-driven operations and supply chain management: established research clusters from 2000 to early 2020
Notice bibliographique
Résumé
Despite the long-recognised importance of data-driven operations and supply chain management (OSCM) scholarship and practice, and the impressive development of big data analytics (BDA), research finds that firms struggle with BDA adoption, which suggests the existence of gaps in the literature. Therefore, we conduct this systematic literature review of journal articles on data-driven OSCM from 2000 to early 2020 to ascertain established research clusters and literature lacunae. Using co-citation analysis software and double-checking the results with factor analysis and multidimensional-scaling-based k-means clustering, we find six clusters of studies on data-driven OSCM, whose primary topics are identified by keyword co-occurrence analysis. Five of these clusters relate directly to manufacturing, which, in line with the existing literature, indicates the crucial role of production in OSCM. We highlight the evolution of these research clusters and propose how the literature on data-driven OSCM can support BDA in OSCM. We synthesise what has been studied in the literature as points of reference for practitioners and researchers and identify what necessitates further exploration. In addition to the insights contributed to the literature, our study is amongst the first efforts to deploy multiple clustering techniques to undertake a rigorous data-driven systematic literature review (SLR) of data-driven OSCM.
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 | 0,023 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,034 | 0,061 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».