MétaCan
Menu
Retour à la cohorte
Enregistrement W4244924776 · doi:10.4018/978-1-4666-2922-6.ch017

Social and Cultural Challenges in ERP Implementation

2012· book-chapter· en· W4244924776 sur OpenAlexaboutno aff
Sapna Poti, Sanghamitra Bhattacharyya, T.J. Kamalanabhan

Notice bibliographique

RevueIGI Global eBooks · 2012
Typebook-chapter
Langueen
DomaineBusiness, Management and Accounting
ThématiqueERP Systems Implementation and Impact
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnterprise resource planningContext (archaeology)Knowledge managementAdaptation (eye)Information and Communications TechnologyChange management (ITSM)AccountabilityBusinessPublic relationsPolitical scienceMarketingPsychologyComputer scienceGeography

Résumé

récupéré en direct d'OpenAlex

This paper studies the differential practices of change management in organizations of western origin and compares it with the best practices prevalent in Indian organizations, with special emphasis on social and cultural challenges faced in these countries. Since Enterprise Resource Planning (ERP), as part of an information and communication technology (ICT) initiative, is frequently associated with organization change and transformation in relation to its adaptation, it has been used as the context in this study. The impact of social factors and cultural challenges on change management processes and elements are compared and contrasted using multiple case studies from USA, Canada, European (Western/Eastern) and Indian organizations who have adopted ERP technologies. The conceptual framework highlights cultural and social factors that affect ERP implementation, and offers suggestions to researchers to empirically test these influences using sophisticated analytical methods and develop change strategies and practices in response to these challenges. Further, it also draws attention to the need for a contemporary, result-oriented, quantitatively measurable framework of change management at the individual and enterprise levels. It is expected that such an approach would result in better buy-in from all stakeholders in terms of increased accountability.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,989
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,107
Tête enseignante GPT0,344
Écart entre enseignants0,237 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIGI Global eBooksMême sujetERP Systems Implementation and ImpactTravaux en français237 207