Digital Business Models and Data Analytics: Essays on New Paradigms of Business Operations
Notice bibliographique
Résumé
How will data as a new production factor and the underlying data-oriented technological revolutions reshape business operations and human society? This thesis collects my early research endeavors toward this broad research agenda from two different perspectives: one regarding innovative business models built upon advanced digital technologies and their profound impacts on how companies and organizations manage other production factors (e.g., labor), and the other on methodologies and applications of data analytics, the building block for modern data-driven operations. I discuss my research agenda in greater detail and how my thesis work fits into this agenda in Chapter 1. Chapters 2 and 3 document my pursuit of the agenda from the first perspective mentioned above. Both chapters investigate labor issues brought forward by innovative on-demand service (“gig”) platforms such as Uber and DoorDash, which transform the paradigm of human resource management by giving workers complete flexibility in work schedules. In Chapter 2, “Worker Classification in On-Demand Economy,” I will join the recent policy debate on whether gig workers should be classified as independent contractors or employees. I will analyze the operations of an on-demand service platform given different worker classifications and their implications for workers’ welfare. I will discuss why being classified as independent contractors can be a good idea for gig workers, issues with current regulations, and policy alternatives with potential for Pareto improvement. In Chapter 3, “Customers’ Pro-Social Behaviours in On-Demand Economy,” I study customers’ tipping on gig platforms. By analyzing the Chicago ride-hailing and taxi datasets, I will demonstrate that social events such as anti-racism protests can help reverse the declining trend of tipping and discuss the mechanisms and limitations of such an effect. Theoretically, I will show that thanks to gig workers’ flexibility in work schedules, customers’ tipping may benefit both workers and themselves. Finally, Chapter 4, ‘‘Data Analytics for Event Evaluation,’’ studies methodologies for data analytics. I will develop a framework that enables companies and organizations to dynamically evaluate the impacts of specific events using their proprietary data. For applications, I will study an emergency room redesign project at a local hospital near Toronto.
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 | 0,010 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,028 |
| Communication savante | 0,016 | 0,041 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,006 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».