You are entitled to access the full text of this documentEnhancing innovation performance through digital platform capability and big data analytics: Evidence from Indonesia’s telecommunications industry
Notice bibliographique
Résumé
Digital transformation has encouraged companies to optimize their digital platform capabilities and big data analytics as strategic resources in creating innovation excellence. This study aims to examine the influence of Digital Platform Capability (DPC) and Big Data Analytics Capability (BDAC) on Innovation Performance (IP) in the telecommunications industry in Indonesia. Data was collected from 331 managerial respondents through a survey and analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM) with SmartPLS 4. The results show that both DPC (β = 0.316; T = 5.282; P < 0.001) and BDAC (β = 0.484; T = 8.033; P < 0.001) have a significant positive effect on IP. These findings emphasize the importance of companies' ability to manage digital platform integration and utilize big data analytics to strengthen innovation performance. Theoretically, this study expands on the Resource-Based View (RBV) and Dynamic Capability View (DCV) by emphasizing the role of DPC and BDAC as dynamic resources that support innovation. The practical implications suggest that telecommunications companies need to develop integrated digital strategies, strengthen their analytical infrastructure, and foster a data-driven culture to enhance their competitiveness.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,009 | 0,010 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,177 | 0,068 |
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 source (Gemma direct ou Codex distillé), 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 ».