Digital Threads and IT Power: Decoding Their Combined Effect on Manufacturing Performance
Notice bibliographique
Résumé
This research aims to evaluate the impact of digital supply chain on that of organizational performance in the manufacturing industry with IT capabilities as mediating factor. Quantitative approach is utilized to conduct this research, using a snowball sampling approach, focusing on the five largest organizations that manufacture oil and gas. Overall, a sample of 170 Digital Supply Chain Managers is gathered to provide valuable insight with the help of an online survey questionnaire. Findings suggest that funding in continuous training, nurturing culture of innovation, enhancing cybersecurity measures, adopting advanced IT infrastructure and leveraging data analytics are crucial for maximizing the advantages of digital supply chains. The aforementioned strategies facilitate organizations to attain substantial progress in strategic agility, and operational efficiency; thereby, maintaining competitive advantage in a technology-driven corporate environment. The discussion highlights pivotal role of IT capabilities in elevating supply chain processes through AI and IoT which enhance predictive analytics, supports strategic planning, improves organizational performance and improve operational efficiency. Survey data analysis revealed a strong positive relationship between digital supply chains, organizational performance and IT capabilities. Regression analysis also validated the relationship, with an adjusted R square of 0.934, signifying a vigorous correlation. Besides, ANOVA results confirmed minimal variance, supporting the consistency of data. The analysis offer valuable insights and emphasize on the significance of integrating digital supply chain with modern IT capabilities so as to drive organizational success particularly for manufacturing organizations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».