Personnel capabilities and the quality of big data marketing analytics (BDMA)
Notice bibliographique
Résumé
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 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 | 0,004 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| 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 ».