Hybrid Feature-Based Critical Success Factors in Cloud Enterprise Resource Planning Through Artificial Neural Networks and Random Forest
Notice bibliographique
Résumé
Cloud enterprise resource planning (CERP) systems are widely adopted to enhance operational efficiency.However, in a global context, ERP implementation failure rates remain notably high, ranging from 67% to 90%.If left unaddressed, they will hinder sustainable economic growth and industrial transformation.To address this issue, this study adopts a structured approach by identifying critical success factors (CSFs) based on key performance indicators (KPIs) using the Delphi method and Dempster-Shafer combination method.The resulting dataset integrates multi-stage CSFs and their associated KPI performance and weight values, forming a hybrid feature set that captures interrelated implementation factors.The effectiveness of each implementation stage is assessed through user feedback scores categorized as satisfactory (>4), below satisfactory (3.0-3.9), and failure (<3.0).To evaluate the predictive capability of this hybrid dataset, both artificial neural network (ANN) and random forest (RF) models were applied separately.Each model was trained and tested independently to identify which algorithm achieves higher prediction accuracy for implementation outcomes.The findings indicate that RF significantly outperforms ANN, with an accuracy of 0.849 compared to 0.765.Additionally, confusion matrix, ROC, and AUC analyses further confirm RF's superior predictive capability.Through this research, the identification of CSFs through qualitative analysis or statistical modelling, combined with the integration of machine learning techniques, ultimately improving assessment classification for CERP implementation.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».