The effect of big data governance on financial technology in Jordanian commercial banks: The mediation role of organizational culture
Notice bibliographique
Résumé
Big data has become much more widely used in recent years, particularly in the banking sector. Banks have begun to use big data to enhance customer experience, optimize operations, and create novel products and services. This study investigates the effect of big data governance on financial technology in Jordanian commercial banks. The study focuses on the four dimensions of big data governance: strategy and planning, ethics and social responsibility, data quality and management, and infrastructure and architecture. Additionally, the study considers the mediating role of organizational culture in the relationship between big data governance and financial technology. Primary data were collected from 250 IT employees working in Jordanian commercial banks, and the data were analyzed using PLS-SEM. The study findings indicate that big data governance has a significant positive effect on financial technology in Jordanian commercial banks. Additionally, it has been discovered that organizational culture partially mediates the relationship between big data governance and financial technology, emphasizing the significance of creating a culture that encourages the efficient use of data in fintech. In the context of Jordanian commercial banks, this study presents empirical evidence for the connection between big data governance and financial technology. The results indicate that big data governance measures should be applied while taking organizational culture into account as a potential mediator of the effects on financial technology. This study offers guidance on how to successfully integrate big data governance policies in commercial banks to advance financial technology for bank managers and policymakers.
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 | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,006 | 0,002 |
| 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 ».