MétaCan
Menu
Retour à la cohorte
Enregistrement W4415654810 · doi:10.1108/md-10-2024-2285

Personnel capabilities and the quality of big data marketing analytics (BDMA)

2025· article· en· W4415654810 sur OpenAlexaffabout
Matti Haverila, Jenny Carita Twyford, Caitlin McLaughlin, Malika Arora

Notice bibliographique

RevueManagement Decision · 2025
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueBig Data and Business Intelligence
Établissements canadiensMount Allison UniversityThompson Rivers University
Organismes subventionnairesnon disponible
Mots-clésQuality (philosophy)Big dataAnalyticsContext (archaeology)Sample (material)Marketing researchInformation qualityConstruct (python library)Sampling frame

Résumé

récupéré en direct d'OpenAlex

Purpose This paper examines the impact of personnel knowledge on the quality of big data marketing analytics (BDMA) against the backdrop of the knowledge-based theoretical framework. Design/methodology/approach This study employs a cross-sectional survey conducted among marketing professionals in companies that have reached at least the limited deployment level of BDMA. The sample (N = 236) comprised respondents from Canada or the United States. The data were analyzed using PLS-SEM. Findings Business and marketing knowledge emerged as the most crucial factor contributing to the quality of the BDMA, followed by technology management and relational knowledge. Technical knowledge was deemed unrelated to the quality of the BDMA. However, all knowledge constructs were necessary conditions for the quality of marketing analytics to manifest. The research model also indicated that the quality of BDMA was effectively measured through information quality (i.e. completeness, currency, format, and accuracy) and technology quality (i.e. reliability, adaptability, integration, and privacy). Originality/value This paper examines the quality of marketing analytics (MA) as a multi-dimensional higher-order construct and employs PLS-SEM to identify the essential components contributing to a system for high-quality BDMA based on the knowledge constructs of personnel in business/marketing, technical fields, technology management, and relational aspects. Furthermore, the sampling frame included marketing professionals rather than solely IT personnel, highlighting the differences in the provider/user context and potential perceptual variations. All identified knowledge constructs were found to be necessary conditions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,025
score de la tête « metaresearch » (Gemma)0,130
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,130

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0250,130
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,003
Communication savante0,0060,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,157
Tête enseignante GPT0,345
Écart entre enseignants0,188 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueManagement DecisionMême sujetBig Data and Business IntelligenceTravaux en français237 207