Requirements of Big Data-Driven Talent Management for Iranian public Organizations

Subject Areas : Human Capital Empowerment

masoud tavakkoli ¹ , Reza Shabannezhad Khas ^{2 *} , Seyyed Zabihollah Hashemi ³

1 - Ph.D Candidate, Faculty of Management and Accounting, Islamic Azad University, Qazvin Branch, Qazvin, Iran.
2 - Assistant Professor, Department of Educational Management, Faculty of Humanities, Islamic Azad University, Takestan Branch, Takestan, Iran.
3 - Assistant Professor, Department of Industrial Management, Faculty of Management, Islamic Azad University, Central Tehran Branch, Tehran, Iran

Received: 2025-08-15 Accepted : 2025-08-23 Published : 2025-09-23

Keywords: Requirements, Talent Management, Big Data, public Organizations,

Abstract :

Abstract

Background and Objective: Talent management is an important phenomenon that has received limited attention. Today, organizations have recognized the significance of attracting and retaining the best individuals, as this not only serves as a primary competitive advantage but also has a profound impact on organizational performance. Therefore, focusing on talent management as a key factor in organizational success. The main objective of this study is to examine the requirements of big data-driven talent management for Iranian public organizations.

Method: This study is classified as applied research in terms of its objective and descriptive in terms of methodology. The study population consists of articles, books, and academic theses published between 2006 and 2023 regarding big data-driven talent management. Various information sources were utilized to identify relevant studies. Accordingly, 57 studies conducted in this field were analyzed using the meta-analysis technique.

Findings: The results indicated that the requirements of talent management were categorized into three groups and fifteen indicators. These factors include the collection and transfer of data related to employee talent, the storage and management of data concerning employee talent, and the identification and prediction of data related to employee talents.

References:

ابیلی، خدایار، نارنجی ثانی، فاطمه، رحمتی، سارا، (1400)، ارزیابی الگوی مدیریت استعداد با تاکید بر فرآیندهای استعدادیابی و استعداد پروری، فصلنامه علمی مدیریت منابع در نیروی انتظامی، 9(1)، 66-29.
اسلامی، آذر، حقیقی، مسعود، پورصادق، ناصر، (1401)، طراحي مدل مديريت استعداد در بخش عمومي، مدیریت توسعه و تحول، شماره 48، 49-35.
حسن زاده دلوئی، اسداله، محمد داودی، امیر حسین، حسینی، محمد علی، جمالی، اختر. (1402). طراحی مدل توسعه جانشین پروری با رویکرد کیفی (مطالعه موردی: مدیران دانشگاه علوم پزشکی مشهد). فصلنامه مطالعات توسعه و مدیریت منابع، سال 1، شماره 3، شیراز، صص 1 – 14 .
راه پیما، امان الله و پیرزاد، علی (1403). بررسی تاثیر هوش مصنوعی بر عملکرد منابع انسانی و کیفیت زندگی حرفه ای کارکنان، فصلنامه مطالعات و توسعه منابع، 2(6) ، 69-80
محرابی، حمیدرضا، جهانیان، رمضان و سلیمی، مهتاب (1403) . شناسایی عوامل مدیریت استعداد دانشجویان با رویکرد توسعه پایدار و ارائه الگوی آن با روش تحلیل مضمون. فصلنامه مطالعات توسعه و مدیریت منابع، 2(8) ، 13-24 .
محفوظی، علی، لفظ فروشان، داود، قربانی، محمود، (1398)، طراحی مدل جامع مدیریت استعداد با رویکرد جانشین پروری در راستای توسعه بهره وری سازمانی با استفاده از روش معادلات ساختاری (مورد مطالعه: سازمان های دولتی)، مدیریت بهره وری، 12(48)، 275-249.
ملکی، محمدحسین، مرتضوی، سیدمرتضی، شیرویه پور، شهریار، زارع بهنمیری، محمدجواد، (1403)، نقش کلان داده در آینده صنعت بانکداری با رویکرد سناریونگاری، مطالعات مدیریت کسب و کار هوشمند، 12(47)، 313-275.
Shawang Halis, Syafiqah, Indiran, Logaiswari, Chen Fu, Abdullah Fahim, Noraindah, (2024), The Influence of Big Data Management Towards Big Data Decision-Making Capability in The Malaysian Public Sector, COMPENDIUM by paperASIA, 40 (4b): 2024 132.
Kazi, Kutubuddin, Liyakat, Sayyad, (2024), A Study HR Analytics Big Data in Talent Management, Research and Review: Human Resource and Labour Management, 4(1), 16-28. https://www.matjournals.co.in/index.php/RRHRLM/article/view/1830
Mattke, J., Maier, C., Reis, L., Weitzel, T., (2021), Bitcoin investment: a mixed methods study of investment motivations. European Journal of Information Systems 30 (3), 261–285. https://doi.org/10.1080/0960085X.2020.1787109
McKendrick J., (2021), AI Adoption Skyrocketed Over the Last 18 Months. Harvard Business Review. Available at: https://runway.airforce.gov.au/resources/link-article/ai-adoption-skyrocketed-over-last-18-months
Montero Guerra, Jos´e Manuel, Danvila-del-Valle, Ignacio, M´endez Suarez, Mariano, (2023), The impact of digital transformation on talent management, Technological Forecasting & Social Change 188, 122291. https://doi.org/10.1016/j.techfore.2022.122291
Nani, Albi, (2023), Valuing big data: An analysis of current regulations and proposal of frameworks, International Journal of Accounting Information Systems, 51, 100637. https://doi.org/10.1016/j.accinf.2023.100637
Santoso, Aditya, Efendi, Suryono, Nurwulandari, Andini, (2024), The Future of Big Data and Artificial Intelligence in Talent Management Practices: A Literature Review, nternational Journal of Economics and Management Sciences, 1(3), https://doi.org/10.61132/ijems.v1i3.132.
Saputra, Arnold, Wang, Gunawan, Zuopeng Zhang, Justin, Behl, Abhishek, (2021), The framework of talent analytics using big data, The TQM Journal, Vol. 34 No. 1, 2022, DOI:10.1108/TQM-03-2021-0089
- Sparrow, P. R., and H. Makram. (2015). “What Is the Value of Talent Management? Building value-driven processes within a talent management architecture, Human Resource Management Review, 25(3), 249-263. https://doi.org/10.1016/j.hrmr.2015.04.002