Mapping the Sustainable Human-Resource Challenges in Southeast Asia’s FinTech Sector
Notice bibliographique
Résumé
The significance of human resources (HRs) has increased with the increasing awareness of sustainability issues and corporate social responsibility. However, the rapidly emerging financial technology (FinTech) sector still presents an HR challenge. Southeast Asia, which accounts for the highest adoption rate of mobile banking, has set new records regarding the number of transactions, as well as funding amount, in recent years. Moreover, borderless financial cooperation, coupled with in-demand tech talents, will rapidly boost the development of the region. Thus, this study explored the new opportunities as well as challenges of a new business model, FinTech, in Southeast Asia’s banking and enterprise sector in the post-COVID-19 era. It also examined how organizations can achieve sustainable development via the interaction of the new operating model with existing ones by developing relevant strategies in the context of the “new normal” working condition. By reviewing the literature on HR management (HRM), we proposed how banking and FinTech companies could supply tech talent with the relevant experience or engage in training projects before recruiting. Additionally, since organizations desire sustainability-minded employees, they offer flexible working arrangements and well-established reward policies that can create remote work performance and retention rates. Being committed to upskilling and reskilling global talent by offering talent mobility opportunities across the organization, as well as by fully embracing the creation of value for cross-cultural talent, companies can support their employees’ long-term career goals and maintain competitive strength. Finally, organizations must focus more on flexible adjustments and cross-domain communication for global talent. Forming strategic alliances with FinTech companies would be an alternative conduit that can ensure that regional laws comply with the local culture and national law, for bias and conflict reduction.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».