INVESTIGATING VALUE CREATION AND COMPETITIVE ADVANTAGE OF DIGITAL ECOSYSTEMS: NEXT-GENERATION COLLABORATION AND BIG DATA ENVIRONMENTS
Notice bibliographique
Résumé
Purpose- The purpose of this article is to examine the potential of digital ecosystems in creating value and providing a competitive advantage for businesses and industries. Additionally, it aims to provide an understanding of how digital ecosystems function within a big data environment. Methodology- This study presents a general understanding of digital ecosystems and big data by reviewing previous research and literature. Focusing on two critical advantages of digital ecosystems in creating value and providing a competitive advantage, the analysis is conducted using example companies such as Amazon, Apple, and UBER. Findings- Digital ecosystems emerge as complex and dynamic structures that enable value creation processes and collaboration among technology, businesses, and users. These structures significantly differ from traditional collaborative ecosystems by relying on digital technologies and platforms for value creation processes. A successful digital ecosystem is based on three main elements: platform, network effects, and market expectations. Big data is considered one of the fundamental components of digital ecosystems and has the potential to increase their effectiveness and value. Conclusion- Digital ecosystems allow businesses and industries to increase their productivity, gain a competitive advantage, and achieve sustainable growth. In particular, big data analytics can be used to optimize the performance and decision-making processes of digital ecosystems. Examples such as Amazon, Apple, and UBER demonstrate the potential of digital ecosystems in creating value and providing a competitive advantage. Therefore, it is crucial for businesses to adopt digital transformation and innovation to benefit from the advantages offered by digital ecosystems. Keywords: Digital ecosystems, big data, value creation, competition JEL Codes: L86, D46, D41
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 | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,010 | 0,015 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».