Assessing digital capabilities for digital transformation—The <scp>MIND</scp> framework
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract With the rise in the advances and adoption of digital technologies and evolving business dynamics, we live in an era where many organisations are embarking on digital transformation. To stay relevant, however, organisations struggle to comprehensively outline the digital capabilities they have or need in relation to the digital transformation objectives they aim for. This struggle stems from the paucity of knowledge and practical guidance on how to assess the digital capabilities of organisations relative to their desired digital transformation goals. This paper presents a framework (MIND Framework) for assessing digital capabilities in four critical areas – Management (M), Infrastructure (I), Networking/Sourcing (N), and Development (D) – abstracted from prior literature. The framework assesses digital capability status in each area in relation to the organisation's stated digital transformation goals. MIND, which is an outcome of a multi‐year design science research project, helps organisations assess their current capability status and create a pathway for navigating from their current status to the desired transformation state. In this article, we describe an in‐depth application of the MIND framework in assessing the digital capabilities of an incumbent company in the digital transformation process. Based on this, we illustrate how the framework can provide valuable insights and attitudinal shifts in an organisation's digital transformation efforts. We further abstract from the case to demonstrate how the assessment of an organisation's digital capabilities can provide valuable insights and critical input for any organisation embarking on a digital transformation journey. We conclude with a detailed guideline on how organisations can apply the MIND framework in their transformation journey.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,025 | 0,045 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle