The impact of perceived knowledge on marketing agility in the context of big data: role of deployment level
Notice bibliographique
Résumé
Purpose Against the backdrop of dynamic capabilities theory, this research examines the relationship between knowledge and marketing agility in the context of big data marketing analytics (BDMA). The relevant knowledge constructs under investigation are business/marketing, relational, technological and technology management. The level of BDMA deployment is also examined to determine its impact on these relationships. Design/methodology/approach A survey was used to gather data from marketing professionals working in firms with at least limited experience in big data (BD) deployment in the United States and Canada. The results were analyzed using partial least squares structural equation modeling (PLS-SEM) with a sample of 236 responses. Findings The results indicate that marketing professionals perceived the knowledge and marketing agility constructs differently than the previous research on IT professionals. The knowledge construct was perceived as a two-dimensional construct consisting of broad knowledge skills and specific technical knowledge skills. Only the broad knowledge skills construct was significantly related to the marketing agility construct, with progressively high predictive validity and relevance when the deployment of BDMA progresses. Originality/value The paper's originality stems from the different conceptualizations of the knowledge and marketing agility constructs due to the use of a novel sample of marketing professionals in this study. The research also contributes to the dynamic capabilities theory by emphasizing the critical role of vital knowledge when aiming to enhance marketing agility.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».