Proposed framework for innovative business intelligence for competitive advantage in small, medium and micro-organisations in the North West province of South Africa
Notice bibliographique
Résumé
Background: Innovative business intelligence enjoys popularity amongst mainly large organisations, particularly in the private sector. However, very limited studies have validated the impact of business intelligence in small, medium and micro-organisations (SMMEs), especially in a developing economy.Aim: To devise an innovative business intelligence as a competitive advantage model and to establish the impact of innovative business intelligence as a competitive advantage, as measured by success or growth and innovation in SMMEs in North West province, South Africa.Setting: Primary research was conducted amongst SMMEs owners or managers and employees in the North West province, South Africa.Methods: The final sample consisted of 12 SMME owners or managers and 394 other employees of SMMEs. The study used mixed methods and adopted a survey design. In-depth interviews and a structured questionnaire were used for data collection.Results: The study established that management support and internal environment commitment support the implementation of innovative business intelligence. Training and employee motivation are insignificant in enhancing innovative business intelligence as competitive advantage.Conclusion: Management of SMMEs must define clear goals and objectives, as well as support and provide education mechanisms for new technology advancement. The technology-acceptance model (TAM) of adoption is merely one of the key techniques SMMEs can employ to improve the implementation of business intelligence as a new technology instrument to promote quality decision-making and profitability.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».