The impact of <scp>Big Data Analytics</scp> on firm sustainable performance
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 This study evaluates the impact of Big Data Analytics (BDA) on firm sustainable performance (FSP). BDA is conceptualized as a dual construct comprising predictive and prescriptive analytics, while FSP is considered from a triple bottom line (TBL) perspective comprising the economic, social, and environmental lines of firm performance. The study relies exclusively on independent third‐party BDA and FSP data pertaining to 522 firms from the US S&P500 Index and the Canadian S&P500/TSX60 Index. The data is analyzed with ordinary least squares (OLS) regression, and the findings reveal, on aggregate, that BDA has a direct, positive, and significant effect on overall FSP. The results of the piecemeal analysis show that BDA is positively related to the economic, social, and environmental dimensions. Furthermore, our distinction between predictive and prescriptive analytics suggests that prescriptive analytics outperforms the FSP results obtained with predictive analytics moderately. The study insights provide strategic knowledge for firms seeking to leverage digitalization for enhanced corporate citizenship while boosting their digital capabilities. The impact of technology, especially Big Data, on sustainability, has gained traction in the literature, yet this is the first study to delve deeper into the detailed relationships between both constructs by deciphering and quantifying the impact of BDA components on the TBL.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle