A Model for Creating Organizational Value from Big Data Analytics

Subject Areas : Futurology

Ali Mirarab ^{1 *} , Seyedeh Leili Mirtaheri ² , Seyed Amir Asghari ³

1 - Department of Computer Engineering, Qom Branch, Islamic Azad University, Qom, Iran
2 - Department of Electrical and Computer Engineering, Kharazmi University, Tehran, Iran
3 - Department of Electrical and Computer Engineering, Kharazmi University, Tehran, Iran

Received: 2019-12-22 Accepted : 2021-10-13 Published : 2021-11-22

Keywords: value creation, Model, Big Data, Analytics,

Abstract :

Value creation is a major factor not only in the sustainability of organizations but also in the maximization of profit, customer retention, business goals fulfillment, and revenue. Value creation is a complex process, particularly when it involves the external and internal factors of the organization. When the value is intended to be created from Big Data scenarios, value creation entails being understood over a broader range of complexity. A question that arises here is how organizations can use this massive quantity of data and create business value? The present study seeks to provide a model for creating organizational value using Big Data Analytics (BDA). To this end, after reviewing the related literature and interviewing experts, the BDA-based organizational value creation model is developed. Accordingly, five hypotheses are formulated, and a questionnaire is prepared. Then, the respective questionnaire is given to the research statistical population (i.e., IT managers and experts, particularly those specializing in data analysis) to test the research hypotheses. Afterward, the relationships among the model variables are scrutinized using the structural equation modeling (measurement and structural models). The results of the study indicate that investigating the infrastructures of the Big Data Analytics, as well as the capabilities of the organization and those of Big Data Analytics is the initial requirement to create organizational value using BDA. Thereby, the Big Data Analytics strategy is formulated, and ultimately, the organizational value is created as well.

Full-Text:



ارائه مدلی برای خلق ارزش سازمانی با استفاده از تجزیه‌وتحلیل کلان‌داده

علی میرعرب¹ 

سیده لیلی میرطاهری² (نویسنده مسئول)

سید امیر اصغری³

چکیده

خلق ارزش یک عامل اصلی در پایداری و تعالی سازمان‌ها است که علاوه بر حداکثر سازی سود، حفظ مشتری، دستیابی به اهداف کسب‌وکار و ایجاد درآمد را به دنبال دارد. ایجاد ارزش یک فرآیند پیچیده است، به‌خصوص هنگامی‌که شامل عوامل بیرونی و درونی سازمان می‌شود. زمانی که این فرآیند بر روی سناریوهای کلان‌داده اعمال می‌شود، خلق ارزش باید در یک مقیاس پیچیدگی وسیع‌تری درک و شناخته شود. سؤالی که در اینجا مطرح می‌شود این است که سازمان‌ها از این حجم عظیم داده چگونه می‌توانند استفاده کنند و برای خود ارزش ایجاد کنند؟ پژوهش حاضر با هدف ارائه مدلی برای خلق ارزش سازمانی با تجزیه‌وتحلیل کلان‌داده طراحی و ارائه شده است. برای این منظور، با بررسی پیشینه تحقیق و مصاحبه با افراد متخصص و خبره، مدل خلق ارزش برای سازمان با تجزیه‌و‌تحلیل کلان‌داده طراحی و بر اساس آن، پنج فرضیه تعریف و برای آزمون آن‌ها پرسشنامه‌ای طراحی و در اختیار جامعه آماری تحقیق (مدیران و کارشناسان فناوری اطلاعات (به‌خصوص کارشناسان و مدیران تحلیل داده) قرار داده شد. با استفاده از مدل‌یابی معادلات ساختاری (مدل‌های اندازه‌گیری و ساختاری) روابط بین متغیرهای مدل بررسی شدند. نتایج نشان‌دهنده آن است که برای خلق ارزش سازمانی از تجزیه‌وتحلیل کلان‌داده لازم است ابتدا زیرساخت‌های تجزیه‌وتحلیل کلان‌داده و قابلیت‌های تجزیه‌وتحلیل کلان‌داده و سازمان بررسی شده و بر اساس آن راهبرد تجزیه‌وتحلیل کلان‌داده تدوین و در نهایت خلق ارزش سازمانی شکل‌دهی شود.

کلمات کلیدی: کلان‌داده، تجزیه‌و‌تحلیل، خلق ارزش، مدل

مقدمه

خلق ارزش یک عامل اصلی در پایداری و تعالی سازمان‌ها است که علاوه بر حداکثر سازی سود، حفظ مشتری، دستیابی به اهداف کسب‌وکار و ایجاد درآمد را به دنبال دارد. ایجاد ارزش یک فرآیند پیچیده است، به خصوص هنگامی‌که شامل عوامل بیرونی و درونی سازمان می‌شود. زمانی که این فرآیند بر روی سناریوهای کلان‌داده اعمال می‌شود، خلق ارزش باید در یک مقیاس پیچیدگی وسیع‌تری درک و شناخته شود. در دنیای کسب‌وکار، حجم عظیمی از داده‌های عملیاتی و مالی در میلیون‌ها منابع داده‌ای مختلف ذخیره شده است و سازمان‌ها حجم بسیار زیادی از داده‌ها را بررسی می‌کنند تا بتوانند واقعیت‌هایی را که قبلا نمی‌دانستند، بیابند (Nowling & Vyas, 2014). تجزیه‌وتحلیل کلان­داده به دنبال جمع‌آوری هوشمند داده‌ها و تبدیل آن­ها به مزیت کسب‌وکار است. تجزیه‌وتحلیل کلان‌داده که به عنوان کاوش کلان‌داده نیز شناخته می‌شود، فرایند کشف الگوهای عملی دانش از کلان‌داده‌ها است (Wu, Buyya, & Ramamohanarao, 2016). فرایند تجزیه‌وتحلیل کلان‌داده، سازمان‌ها را قادر به کشف الگوهای در حال تغییر دانش و بهینه‌سازی مدل‌های فرایند کسب‌وکار خود بر این اساس می‌کند. تجزیه‌وتحلیل کلان‌داده به سازمان‌ها در دستیابی به اهداف ارزش برای مشتری (V2C⁴) و ارزش برای سازمان (V2F⁵) کمک می‌کند زیرا به آن‌ها این امکان را می‌دهد تا عملیات کشف دانش را انجام دهند و مدل‌های فرایند کسب‌وکار داخلی و خارجی مرتبط با عملیات، طرح‌های بازاریابی و مدیریت منابع و نیروی کار را بهبود دهند (Verhoef, Kooge, & Walk, 2016). سوالی که در اینجا مطرح می‌شود این است که سازمان‌های از این حجم عظیم داده چگونه می‌توانند استفاده کنند و برای خود ارزش ایجاد کنند؟

بیان مساله

خلق ارزش یک مفهوم محوری در ادبیات تحقیقات مدیریت و سازمان چه در سطح خُرد (فردی، گروهی) و چه سطح کلان (نظریه‌سازمانی، مدیریت راهبردی) است. از دیدگاه مالی، گفته می‌شود که ارزش زمانی ایجاد می‌شود که یک کسب‌وکار درآمدی (بازگشت سرمایه) بیش از هزینه (هزینه سرمایه) کسب کند؛ اما بعضی تحلیلگران بر تعریف وسیع‌تر از "خلق ارزش" اصرار دارند که می‌تواند جدا از اقدامات مالی سنتی باشد. "روش‌های سنتی ارزیابی عملکرد سازمانی دیگر در اقتصاد امروز کافی نیست". برخی از کارشناسان، خلق ارزش را اولویت اول برای همه کارکنان و همه تصمیمات سازمان‌ها پیشنهاد می‌کنند. کن فاوارو در تفسیر ماراکون توضیح داد (Favaro, 1998): "اگر خلق ارزش خود را در ابتدا در راهِ درست قرار دهید، مدیران شما می‌دانند کجا و چگونه رشد می‌کنند؛ آن‌ها سرمایه را بهتر از رقبای خود بکار می‌برند و استعداد بیشتری را نسبت به رقبای توسعه خواهند داد." این قضیه به شما مزیت عظیمی در ایجاد توانایی برای دستیابی به رشد سودآور و طولانی‌مدت خواهد داد.

در طول 20 سال گذشته، داده‌ها در یک مقیاس بزرگ در شاخه‌های گوناگون افزایش‌یافته‌اند. بنا بر یک گزارش از شرکت بین‌المللی داده⁶ (IDC) در سال 2011، تمام حجم داده‌های تولیدشده و کپی‌‌شده در جهان 8‌‌.1 زِتا بایت (1.8ZB= 1021B) بوده است که نزدیک به 9 برابر ظرف 5 سال افزایش‌یافته است. چنین رقمی در آینده نزدیک، حداقل در هر 2 سال دو برابر خواهد شد. عبارت کلان‌داده، در اثر افزایش انفجاری داده‌های جهانی پدید آمده و به‌طور عمده برای توصیف چنین مجموعه داده‌‌های بسیار بزرگی مورداستفاده قرارگرفته است. کلان‌داده فرصت‌های جدیدی برای کشف ارزش‌های جدید ایجاد می‌کند، به ما کمک می‌کند تا درک عمیقی از ارزش‌های مخفی به دست آوریم و چالش‌های جدیدی مانند نحوه‌‌ی مدیریت و سازمان‌دهی کارآمد چنین داده‌هایی را به وجود می‌آورد. افزایش مداوم حجم داده‌‌های کسب‌وکار به تحلیل بی‌‌درنگ کارآمدتر نیاز دارد تا به‌طور کامل از پتانسیل آن استفاده شود و برای سازمان مزیت رقابتی ایجاد کند و ارزش‌‌های جدیدی را برای آن خلق کند.

کلان‌داده رشته‌‌ای نسبتاً ناشناخته است و سازمان‌ها رفته‌رفته نیاز به آن را در کسب‌‌وکارهایشان درک می‌‌کنند. بااین‌حال، بسیاری از خود سؤال می‌‌کنند که آیا کلان‌‌داده می‌‌تواند ارزش واقعی ایجاد کند؟ و اگر بله، چگونه؟ زمانی که یک سازمان داده‌ها را تحت عنوان کلان‌داده تحلیل می‌‌کند و ازاین‌رو، در انجام تجزیه‌وتحلیل کلان‌داده موفق می‌‌شود کدام راه‌‌های خلق ارزش را می‌‌توانیم شناسایی کنیم؟ مدل خلق ارزش سازمانی با استفاده از تجزیه‌وتحلیل کلان‌‌داده چیست؟

 

شکل 1- عکس‌العمل سازمان‌ها در مورد کلان‌داده

با تحلیل پیشینه تحقیق موجود درباره تجزیه‌وتحلیل کلان‌‌داده، کاوش موارد مختلف موجود و اتصال این یافته‌‌ها با نظریه‌‌های خلق ارزش، تأثیر احتمالی کلان‌داده بر خلق ارزش سازمانی می‌تواند مشخص شود. بنابراین، مساله اصلی در این پژوهش یافتن مدل مفهومی خلق ارزش سازمانی با استفاده از تجزیه و تحلیل کلان‌داده است.

اهداف تحقیق

1.       ارائه مدلی برای خلق ارزش در سازمان با استفاده از تجزیه‌وتحلیل کلان‌‌داده

2.       شناسایی عوامل موثر بر خلق ارزش در سازمان با استفاده از تجزیه‌و‌تحلیل کلان‌‌داده

3.       شناسایی روابط بین عوامل موثر در خلق ارزش سازمانی با استفاده از تجزیه و تحلیل کلان‌داده

 

سوالات تحقیق

1.       خلق ارزش سازمانی با استفاده از تجزیه و تحلیل کلان‌داده از چه مدلی تبعیت می‌کند؟

2.       عوامل موثر بر خلق ارزش سازمانی با استفاده از تجزیه‌و‌تحلیل کلان‌داده کدامند؟

3.       روابط بین عوامل موثر در خلق ارزش سازمانی با استفاده از تجزیه‌و‌تحلیل کلان‌داده چگونه است؟

پیشینه تحقیق

وارون گرووِر و همکاران (Grover, Chiang, Liang, & Zhang, 2018) در مقاله‌ای با عنوان "خلق ارزش راهبردی کسب‌وکار از تجزیه‌وتحلیل کلان‌داده" بیان می‌کنند که علیرغم تبلیغ درباره کلان‌داده و تجزیه‌و‌تحلیل (کلان‌داده)، میزان موفقیت این پروژه‌ها و ارزش راهبردی خلق‌شده از این داده‌ها مشخص نیست. نویسندگان اذعان دارند بیشتر ادبیات مربوط به BDA بر روی چگونگی استفاده از آن برای بهبود قابلیت‌های تاکتیکی سازمانی متمرکز است، اما تحقیقات کمی تأثیر آن بر ارزش سازمانی را مورد بررسی قرار می‌دهند. به‌علاوه، محدودیت‌هایی در مورد چگونگی ایجاد ارزش راهبردی برای سازمان مشاهده می‌کنیم. بااین‌همه، موفقیت نهایی هر پروژه BDA در تحقق ارزش راهبردی کسب‌وکار است که به سازمان‌ها مزیت رقابتی می‌دهد. در این پژوهش، نویسندگان ارزش پیشنهادی BDA را با تعریف اجزای آن توصیف می‌کنند. گروور و همکاران با توسعه چارچوب‌های موجود ارزش فناوری اطلاعات، یک چارچوب ارزش BDA (شکل 2) پیشنهاد داده‌اند که این چارچوب را از طریق کاربردهای BDA در عمل نشان می‌دهند. سپس چارچوب با توجه به توانایی آن در مطالعه‌ی ساختارها و روابطی که بر خلق و تحقق ارزش BDA متمرکز است، مورد بحث قرار می‌گیرد. همچنین نویسندگان یک دیدگاه مبتنی بر مشکل از چارچوب ارائه داده‌اند که مشکلات در مؤلفه‌های BDA می‌تواند به سؤالات مدنظر تحقیق و زمینه‌های مطالعات آینده منجر شود. چارچوب این تحقیق می‌تواند به برنامه‌ریزی مهم تحقیقاتی برای BDA کمک کند که می‌تواند پژوهش و عمل را بر اساس استفاده مؤثر از منابع مورد هدف قرار دهد.

 

شکل 2- خلق ارزش توسط تجزیه‌و‌تحلیل کلان‌داده (Grover et al., 2018)

از طریق چارچوب پیشنهادی در این مقاله، نویسندگان استدلال کرده‌اند که استفاده موفق از کلان‌داده برای دستیابی به ارزش راهبردی کسب‌وکار آن نه‌تنها نیازمند سرمایه‌گذاری قابل‌توجه در زیرساخت داده و فناوری‌های تحلیلی است بلکه به تحلیلگران ماهر و موقعیت استراتژیک نیز نیاز دارد. کسب‌وکارها به ارزیابی نقش راهبردی تجزیه‌وتحلیل کلان‌داده و سرمایه‌گذاری در کیفیت داده، پیشرفته‌ترین ابزارها و افراد متخصص داده که فناوری‌های مرتبط و فرصت‌های کسب‌وکار مبتنی بر داده را درک می‌کنند، نیاز دارند. در ادامه نویسندگان چارچوب خود را به تعدادی از موارد استفاده در BDA اعمال کرده‌اند. به‌علاوه، نویسندگان برخی پیشنهاد‌های اصلی و پنج منطق نظری مختلف برای چارچوب‌بندی ریشه خلق ارزش از طریق BDA ارائه داده‌اند. با بیان چالش‌های کلیدی در تحقق ارزش استراتژیک از BDA، گرووِر و همکاران سؤال‌های پژوهشی مهمی پیشنهاد داده‌اند که به چالش‌های BDA پاسخ می‌دهد.

لیم و همکارانش (Lim et al., 2018) 9 عامل کلیدی شناسایی کرده‌اند که خلق ارزش مبتنی بر داده را در خدمات متمرکز بر اطلاعات (IIS⁷) مشخص می‌کند: (1) منبع داده، (2) جمع‌آوری داده، (3) داده، (4) تحلیل داده، (5) اطلاعات در منبع داده، (6) تحویل اطلاعات، (7) مشتری (کاربر اطلاعات)، (8) ارزش در استفاده از اطلاعات و (9) شبکه ارائه‌دهنده. این نه عامل از طریق تحقیقات عملی با صنعت و دولت، تحلیل استفاده از داده‌ها در 149 مورد IIS و بررسی مطالعات درباره استفاده از داده و خلق ارزش در خدمت شناسایی و تعریف شده‌اند. نویسندگان 6 تحقیق عملی را با همکاری صنعت و دولت انجام دادند که برای استفاده از کلان‌دادۀ خاص به منظور طراحی IISها در خودرو، حمل‌ونقل، بهداشت و درمان، سلامتی، مخابرات و صنایع IT هدف‌گذاری شده بودند. شش پروژه شامل تجزیه‌وتحلیل داده‌های واقعی است که توسط صنعت و دولت و مصاحبه با محققان و متخصصان مدیریت فناوری اطلاعات و خدمت، تولید شده است. تنوع در میان شش پروژه به دریافت بینش‌های چندگانه درباره خلق ارزش مبتنی بر داده کمک می‌کند.

 

شکل 3- چارچوب 9 عامل کلیدی خلق ارزش مبتنی بر داده در مدل IIS (Lim et al., 2018)

این مقاله کاربرد 9 عامل را از طریق نمونه‌هایی از شش پروژه و 149 مورد IIS نشان می‌دهد که در این تحقیق مورد تجزیه‌وتحلیل قرار گرفته‌اند. این عوامل نشان می‌دهد که IISها شامل جمع‌آوری داده از منابع خاص، ایجاد اطلاعات مفید از داده‌ها درباره منابع داده با استفاده از تحلیل داده و تحویل اطلاعات به کاربران برای کمک به آن‌ها در خلق ارزش است. 9 عامل برای توصیف اینکه چگونه ارائه‌دهنده و مشتری می‌توانند از طریق تبادل داده و اطلاعات، ارزش مشترک ایجاد کنند و همچنین توصیف و تمایز میان IISها مفید است. به طور خلاصه، 9 عامل به عنوان لنزهایی عمل می‌کنند که از طریق آن‌ها پتانسیل داده برای خلق ارزش ارزیابی می‌شود و نواحی اصلی طراحی در زمینه IISها شناسایی می‌شوند. کارهای منتشرشدۀ پیشین دربارۀ فعالیت‌ها و منابع خاص مرتبط با استفاده از داده صحبت کرده‌اند اما یک نمای یکپارچه از این فعالیت‌ها و منابع ارائه نکرده‌اند. یک چارچوب جامع برای توسعه و بهره‌برداری از IISها در اقتصادهای غنی از داده لازم است. نوآوری این مقاله، توسعۀ چنین چارچوبی برای درک و مدیریت طیف کاملی از داده تا ارزش در IISها است.

نویسندگان چارچوبی از عوامل ضروری به نام "زنجیره داده-ارزش" ارائه داده‌اند که خلق ارزش مبتنی بر داده را شکل می‌دهد. با این حال، عوامل تعیین‌کننده خلق ارزش مبتنی بر داده در IISها به‌خوبی شناخته نمی‌شوند؛ در واقع، علیرغم اهمیت موضوع مدیریت داده و اطلاعات برای نوآوری خدمت، مطالعات تجربی کمی در این باره وجود دارد. این تحقیق برای اولین بار سازوکارهای منحصربه‌فرد خلق ارزش مبتنی بر داده در IIS را مورد بررسی قرار داده و با ارائه یک چارچوب نظری آزمایش‌شده به صورت تجربی برای توصیف خلق ارزش مبتنی بر داده و استفاده موثر از داده، به نظریه کمک می‌کند. چارچوب 9 عاملی پیشنهادی، پیشینه‌ی مربوط به استفاده از داده و خلق ارزش در خدمت را تلفیق می‌کند.

ژنگ و گلیستر (Zeng & Glaister, 2018) در سال 2017 در مقاله‌ای با عنوان "خلق ارزش از کلان‌داده: نگاهی عمیق‌تر"، به بررسی تبدیل داده‌های بزرگ در سازمان‌ها به ارزش می­پردازد. این مقاله با ارائۀ چارچوب مفهومی جدیدی مبتنی بر شواهد کیفی، سهم مهمی در شناخت ما از مدیریت کلان­داده فراهم می­کند. تمرکز نویسندگان در این مقاله فرایند خلق ارزش از کلان­داده در سطح سازمان است که محققان رشته مدیریت توجه بسیاری کمی به آن داشته­اند. در این مقاله چهار جریان مرتبط با خلق ارزش به نام­های مدیریت منابع، دیدگاه مبتنی بر دانش، ساختار سازمان و همکاری شبکه­ای مورد بحث و بررسی قرار می­گیرد. در این تحقیق که به روش استقرایی انجام شده است، چندین مطالعه موردی به‌منظور ایجاد فرصت برای بررسی اطلاعات جمع­آوری شده و تقویت اعتبار، مورد بررسی قرار گرفته­اند. محققان 4 سازمان داده­محور را که سکوی راهبردی مناسبی دارند و در راهبرد­های خود موفق بوده­اند، مورد مطالعه قرار داده­اند.

 

شکل 4- چارچوب نظری خلق ارزش از کلان‌داده (Zeng & Glaister, 2018)

ژنگ و گلیستر داده­های تحقیق را از 4 منبع جمع­­آوری کرده­اند: (1) مصاحبه­های نیمه ساخت­یافته (2) گزارش­ها و یادداشت­های راهبردی (3) آرشیوهای گسترده مانند روزنامه­ها (4) پیگیری‌های غیر رسمی با ایمیل و تماس تلفنی. برای تحلیل داده­ها، نویسندگان مقاله ابتدا توصیفات درون-موردی انجام داده­اند که در آن مطالعات موردی براساس داده­ها و ساختار کلیدی است. سپس تحلیل بین-موردی انجام شده است که در آن به ساختارها و قالب­های مشابه در موارد پرداخته‌اند. با تکرار فرایندهای ذکرشده، نویسندگان به یک چارچوب نظری دست یافتند که در شکل 4 آمده است.

نتیجۀ اصلی و عمدۀ این مقاله، یک مدل فرایند استقرایی است که نه تنها فرآیند خلق ارزش از کلان­داده را نشان می دهد، بلکه بینش‌ها را به سازوکارها نیز تبدیل می‌کند که در توضیح اینکه چگونه برخی از سازمان‌ها نسبت به سایر سازمان‌ها در استخراج ارزش کلان­داده­ها عملکرد بهتری داشته اند، مورد استفاده قرار می‌گیرد. هدف از این مقاله، بررسی تبدیل کلان­داده در سازمان‌ها برای خلق ارزش است که در این مقاله با بررسی سه روند خلق ارزش (با استفاده از سازمان‌های چینی)، به تبدیل کلان­داده در سازمان‌ها به‌منظور خلق ارزش می­پردازد.

نتیجه کلی این مقاله توانایی مدیر برای دموکراتیزه کردن، زمینه‌سازی و آزمایش داده‌ها در فرآیند جمعی و ایجاد یک ساختار سازمانی برای رسیدن به یک پاسخ سریع به‌منظور اجرای داده‌ها است که تفاوت عمده‌ای در فرایند خلق ارزش ایجاد می‌نماید. یافته‌های این مقاله همچنین نشان می دهد که مدیران علاوه بر استفاده از اطلاعات داخلی سازمان‌ها می توانند با ارائه مجموعه‌ای از اطلاعات موجود در سازمان، به دنبال فرصت‌های خلق ارزش بالقوه با شرکای خارجی باشند. با داشتن توانمندی در شبکه داده‌ای متصل شده، یک سازمان می‌تواند قدرت نفوذ در مدیریت چنین شبکه گسترده‌ای داشته باشد.

ورهوف، کوگه و واک (Verhoef et al., 2016) در کتابی با عنوان "خلق ارزش با تجزیه‌وتحلیل کلان‌داده" در سال 2016 به بحث و بررسی درباره تجزیه‌وتحلیل کلان‌داده در بازاریابی پرداخته­اند. براساس عنوان کتاب، نویسندگان معتقدند که کلان­داده باید بازایابی را قادر به اتخاذ تصمیمات هوشمندانه­تر کند. نویسندگان دلیل ضروری برای خلق ارزش از کلان­داده را حرکت از اندازه­گیری­های جداگانه در تأثیرات سرمایه­گذاری­های بازاریابی به اندازه­گیری یکپارچه، دریافت اطلاعات و بینش­ها از منابع مستقل به محیطی یکپارچه و متمرکز برای دریافت اطلاعات، تجزیه­و­تحلیل میانگین تمام مشتریان به گروه­های هدف، تحلیل ثابت به بررسی و شرح برخط پیشرفت­ها و از نگاه به عقب به پیش­بینی می­دانند. بحث اصلی این کتاب مدل خلق ارزش کلان­داده است که در آن نشان می‌دهد داده ها به‌عنوان یک دارایی می‌توانند به وسیله قابلیت‌های کلان­داده تبدیل به بینش قدرتمند، تصمیم‌گیری هوشمندانه­تر و محصولات یا خدمات مبتنی بر اطلاعات شوند. نویسندگان کتاب بیان می­کنند براساس 6 دهه تجربه در تجزیه‌وتحلیل بازاریابی، عناصر متعددی را در مدل خلق ارزش کلان­داده مورد بحث و بررسی قرار داده‌اند. یکی از بزرگ‌ترین چالش­های کلان­داده این است که چگونه سازمان­ها با کلان­داده خلق ارزش کنند. برای غلبه بر این مهم نویسندگان مدلی را ارائه داده­اند که نشان می­دهد چگونه خلق ارزش محقق می­شود. همانطور که در شکل 5 ملاحظه می­کنید. این مدل شامل 4 جزء (1) دارایی­های کلان­داده (سرمایه‌گذاری منابع که سازمان در طول زمان انجام می­دهد) (2) قابلیت­های کلان­داده (3) تجزیه‌وتحلیل کلان­داده و (4) ارزش کلان­داده می­شود.

 

شکل 5- مدل خلق ارزش سازمانی با تجزیه‌وتحلیل کلان‌داده (Verhoef et al., 2016)

نکته حائز اهمیت این که از دیدگاه نویسندگان استفاده موفق از (کلان) داده نیازمند (1) داده خوب، (2) تعبیۀ قوی عملکرد تحلیلی در یک سازمان دارای مجموعه‌ای مناسب از قابلیت‌ها، (3) مهارت‌های تحلیلی قوی و تأثیرگذار و (4) تمرکز قوی بر ایجاد ارزش است. نویسندگان معتقدند با توجه به رشد اهمیت کلان­داده و پتانسیل اقتصادی آن و همچنین مشکلاتی که سازمان­ها در به‌کارگیری فرصت استفاده از کلان­داده دارند، نیاز اساسی به راهنمایی مدیران برای به خدمت گرفتن کلان­داده است. نویسندگان تلاش دارند با نوشتن این کتاب، مدیران را مهیای استفاده از کلان­داده کنند. همچنین آن­ها اعتقاد دارند با قدرت بالقوۀ تجزیه­و­تحلیل و کلان­داده می­توان نگاهی دقیق­تر و جزیی­تر به پیشرفت­های کلان­داده ارائه کرد. در طول این کتاب نویسندگان قصد دارند هم دانش علمی و هم بینش عملی را ترکیب کنند. پیشینۀ تحقیقاتی دانشگاهی بازاریابی از لحاظ الگوهای کاربردی و پیچیده برای ایجاد بینش بازاریابی و تصمیم‌گیری بسیار غنی است. با این حال، اغلب شکاف بین دانشگاهیان و عمل وجود دارد. در سراسر کتاب، هدف نویسندگان این است که این شکاف را با هدف تمرکز بر مسائل مدیریتی که موضوعات کلیدی را در تجزیه‌وتحلیل کلان­داده دنبال می‌کنند، کنار بگذارند. 

در پژوهشی دیگر پروفسور ریچارد ویجن (Vidgen, 2017) در تحقیقی با عنوان "مدیریت چالش‌ها در خلق ارزش از تجزیه‌و‌تحلیل کسب‌و‌کار" به بررسی اینکه چگونه سازمان‌ها از کلان­دادۀ روزافزون خود خلق ارزش می­کنند و همچنین به چالش­هایی که با آن روبرو هستند، می­پردازد. نویسندۀ مقاله برای مرور نقش دانشمندان داده و عملکرد تجزیه­و­تحلیل مطالعه موردی کیفی انجام داده است که منجر به دستیابی به درک عمیق­تر از نقش دانشمندان داده و بینشی به سمت تغییر مفاهیم برای سازمان­هایی که به دنبال خلق ارزش از داده­های خود هستند، می­شود. همانطور که در شکل 6 ملاحظه می­کنید، در این تحقیق چارچوبی برای مطالعۀ تغییر مفاهیم تبدیل‌شدن به سازمان داده­محور استفاده شده است. داده­ها در طول 4 ماه و از طریق مصاحبه با مدیر مسئول تجزیه­و­تحلیل کسب­و­کار در سه سازمان به دست آمده است. سه مطالعه موردی از سازمان­های بزرگ با یک گروه تجزیه‌وتحلیل کسب‌وکار رسمی و حجم داده­هایی که می­تواند بزرگ در نظر گرفته شود، انجام شده است. تحلیل موارد حول یک چارچوبی سازماندهی می­شود که در آن داده و خلق ارزش به وسیلۀ توانایی تجزیه‌وتحلیل کسب‌وکار سازمان به یکدیگر مرتبط می‌شوند. سپس این توانایی از طریق لنزهای اجتماعی فنی سازمان/مدیریت، فرآیند، مردم و فناوری مطالعه شده است.

 

شکل 6- چارچوب تحقیق (Vidgen, 2017)

از موارد بررسی‌شده 20 یافته کلیدی شناسایی شده است. در زمینه داده و خلق ارزش: 1- اطمینان از کیفیت داده 2- ایجاد سکوهای اعتمادسازی و مجوزها 3- ارائه ناشناس سازی مناسب 4- اشتراک ارزش با مولف داده­ها 5- ایجاد ارزش از طریق مشارکت داده­ها 6- ایجاد ارزش عمومی به میزان ارزش خصوصی 7- نظارت و برنامه­ریزی برای تغییرات در قوانین و مقررات

در سازمان و مدیریت: 8- ایجاد یک راهبرد تجزیه‌وتحلیل سازمان، 9- برنامه­ریزی برای تغییر سازمانی و فرهنگ، 10- ایجاد دانش عمیق دامنه، 11- ساختاربندی دقیق تیم تجزیه‌وتحلیل 12- مشارکت با موسسات دانشگاهی 13- ایجاد یک فرآیند تصویب اخلاقی، 14- ایجاد چابک پروژه‌های تجزیه‌وتحلیل 15- کاوش و بهره­برداری در پروژه‌های تجزیه‌وتحلیل

در فناوری: 16- استفاده از تجسم به‌عنوان داستان­سرایی، 17- زمانی که چشم‌انداز نامشخص است نسبت به ابزارها بدبین باشید (حفظ تمرکز بر ارزش)

در افراد و ابزارها: 18- ویژگی­های شخصی دانشمند داده (کنجکاو، متمرکز بر مشکل)، 19- دانشمند داده به‌عنوان شخص آماده‌به‌خدمت، 20-کسب و حفظ دانشمند داده از طریق کارهای چالش‌برانگیز

یافته­های این تحقیق می­توانند به این صورت خلاصه شوند: اول، داده و ارزش باید به صورت مشترک مدیریت و در نظر گرفته شوند. برای خلق ارزش، داده باید مدیریت شود (برای مثال: شناسایی، مجوزها، کیفیت) و ارزش باید با کسانی که داده را تولید می­کنند به اشتراک گذاشته شود. دوم، تجزیه‌وتحلیل کسب‌وکار یک پروژه فنی نیست که به واحد فناوری اطلاعات داده شود – یک طرح تحول کسب‌وکار است که به یک راهبرد، پشتیبانی مدیریت ارشد و تغییر مدیریت فعال و با دقت نیاز دارد. این نیست که بگوییم فناوری اطلاعات مهم نیست، بلکه یک عامل اساسی در روند تجزیه‌وتحلیل کسب‌وکار است و اساسا در فرایندها و شیوه های سازمان تعبیه شده است. سوم، تجزیه‌وتحلیل کلان­داده و علم داده نیاز به یک مدل فرآیند پروژه دارد، برای توسعه چابک نرم افزار یک نقشه شروع قوی ارائه می­کند. چهارم، سازمان نیاز به یک مدل تغییر برای راهبری پیاده­سازی یک راهبرد تجزیه‌وتحلیل کسب‌وکار دارد. پنج، دانشمندان داده نیاز به یک حس قوی کنجکاوی و جهت‌گیری حل مسئله و توانایی قراردادن ابزار و تکنیک ها در کنار هم با استفاده از آنچه که موجود است، یعنی یک فرایند برش زدن، دارند.

اندرسون و اِلف (Elf & Andersson, 2015) در سال 2015 در تحقیقی با عنوان "قدمی به‌سوی خلق ارزش از کلان­داده" به کشف اولین قدم­هایی که سازمان­ها می­توانند در ایجاد ارزش از کلان­داده بردارند، می­پردازند. هدف این تحقیق دست­یابی به درک عمیق­تری از پدیده کلان­داده و ارتباط آن با سازمان­ها است. نویسندگان اقدام به جمع­آوری و نظام­مند کردن داده­ها به بینش بزرگ­تری نسبت به آنچه پیشتر انجام شده است، می­کنند. در این تحقیق بیان شده است که خلق ارزش می­تواند هم در جریان­های درآمد بالاتر، جلوگیری از کاهش یا از دست دادن درآمد یا کاهش هزینه­ها باشد. این تحقیق به روش کیفی و با رویکرد استقرایی انجام شده است. مصاحبه­هایی با متخصصان کلان­داده و سازمان­هایی که با کلان­داده کار می­کنند انجام شده است. نتایج تجربی با یافته­های دانشگاهی از نظر راهبرد، تغییر سازمانی و مسائل اخلاقی سازمان با در نظر گرفتن داده­های مشتری مقابله شدند. همچنین نویسندگان برای بررسی درستی و صحت یافته­هایشان، تحقیقات خود را بر روی یک مطالعه موردی بررسی کرده­اند. مورد مطالعه سازمان E.ON Elnät است که مدت­های طولانی با داده کار کرده­­اند و مقدار عظیمی داده جمع­آوری کرده‌اند. در پایان نویسندگان راهکاری برای خلق ارزش از کلان‌داده ارائه داده­اند که در شکل 7 می­توان آن را مشاهده کرد.

 

شکل 7- مؤلفه‌های راهکار خلق ارزش کلان‌داده (Elf & Andersson, 2015)

نتایج این تحقیق بیان می­کند ورود به فاز پیاده­سازی کلان­داده می­تواند به‌عنوان یک تغییر سازمانی دیده شود که حمایت مدیران رده بالا، تیم­های با کارکرد متقابل و ارائه صلاحیت به‌منظور موفق شدن پیاده­سازی ضروری است. برای خلق ارزش، این موارد به‌عنوان پیش‌نیازهای راهکار کلان­داده تعریف شده­اند. به علاوه، مدیریت کلان­داده می­تواند از دو دیدگاه متفاوت ملاحظه شود: داخلی، تمرکز بر کارایی فرآیند یا خارجی، تمرکز بر دانش مشتری. در نهایت، سازمان­ها باید یک راهبرد اخلاقی را با توجه به استفاده از کلان­داده به‌کارگیرند تا مشتریان و کارکنان در اشتراک­گذاری و مدیریت داده­ها احساس امنیت کنند. درنتیجه، تجزیه‌وتحلیل فرآیند، تجزیه‌وتحلیل مشتری و راهبرد اخلاقی، ایجادکنندگان ارزش در زمینۀ تجزیه‌وتحلیل کلان­داده هستند. در این تحقیق، کشف شده است که سازمان­ها می­توانند از تجزیه‌وتحلیل کلان­داده ارزش خلق کنند به نحوی که آن­ها می­توانند راهکار خود را با تمرکز بر هر دو یا تجزیه‌وتحلیل فرآیند یا تجزیه‌وتحلیل مشتری، با هم با یک راهبرد اخلاقی، با توجه به اینکه آن‌ها یک ساختار سازمانی خاص دارند، اعمال کنند.

مدل اولیه تحقیق

با توجه به بررسي پيشينه تحقيق و ساير تحقيقاتي كه در زمينۀ خلق ارزش با استفاده از تجزیه‌وتحلیل کلان‌داده انجام شده‌اند و نتايج حاصل از تحليل محتواي مصاحبه‌های كيفي مشارکت‌کنندگان در تحقيق حاضر، مدل اوليه تحقيق براي خلق ارزش با استفاده از تجزیه‌و‌تحلیل کلان‌داده به شرح شکل 8 ارائه شده است.

 

شکل 8-  مدل اولیه تحقیق برای خلق ارزش سازمانی با استفاده از تجزیه و تحلیل کلان‌داده

فرضیات تحقیق

با توجه به شکل شماره 8 فرضیات تحقیق به شرح ذیل می‌باشند:

فرضیه اول: زیرساخت تجزیه‌و‌تحلیل کلان‌داده رابطه مثبت و معنی‌داری با قابلیت‌های تجزیه‌و‌تحلیل کلان‌داده در ارتباط با خلق ارزش از تجزیه‌وتحلیل کلان‌داده دارد.

فرضیه دوم: قابلیت‌های تجزیه‌و‌تحلیل کلان‌داده رابطه مثبت و معنی‌داری با قابلیت‌های سازمان در ارتباط با خلق ارزش از تجزیه‌وتحلیل کلان‌داده دارد.

فرضیه سوم: قابلیت‌های تجزیه‌و‌تحلیل کلان‌داده رابطه مثبت و معنی‌داری با تجزیه‌و‌تحلیل کلان‌داده در ارتباط با خلق ارزش از تجزیه‌وتحلیل کلان‌داده دارد.

فرضیه چهارم: قابلیت‌های سازمان رابطه مثبت و معنی‌داری با خلق ارزش در ارتباط با خلق ارزش از تجزیه‌وتحلیل کلان‌داده دارد.

فرضیه پنجم: بين تجزیه‌و‌تحلیل کلان‌داده و خلق ارزش در ارتباط با خلق ارزش از تجزیه‌وتحلیل کلان‌داده رابطه مثبت و معنی‌داری وجود دارد.

جامعه آماری و نمونه آماری

جامعه آماري تحقيق حاضر مدیران (شامل مديران واحدها و معاونين مديران كل) و کارشناسان فناوری اطلاعات (به‌خصوص کارشناسان و مدیران تحلیل داده) شرکت ارتباطات زیرساخت، مرکز مدیریت حوزه‌های علمیه و دیجی‌کالا را در بر می‌گیرد. تعداد آن‌ها بر اساس آمار به‌دست‌آمده تا تاريخ انجام پژوهش تقریباً ٢٤٠نفر است. در تحقيق حاضر بر اساس جدول مورگان ١٤٨نفر از جامعه آماري مذكور به‌عنوان نمونه انتخاب شدند. از بين جامعه آماري بعد از سه مرتبه توزيع پرسشنامه به‌صورت حضوري و الكترونيكي، تعداد ١٢١ پرسشنامه قابل‌تحلیل حجمع‌آوری كه مبناي آزمون فرضيات تحقيق است.

روایی و پایایی

روايي تحقيق ميزان سازگاري پرسشنامه با اهداف را نشان ميدهد. پس از طراحي مدل اوليه بر اساس پيشينه تحقيق و تحليل مصاحبه‌های كيفي تحقيق حاضر؛ ابعاد، مؤلفه‌ها و شاخص‌های مدل براي ٥٠ نفر از خبرگان در اين زمينه ارسال شد؛ ١٩نفر از آن‌ها كه پرسشنامه‌های خود را عودت داده بودند؛ روايي هرکدام از سؤالات مورد سنجش قرار گرفت. همچنين بعد از اعمال بعضي از پیشنهاد‌های آن‌ها در طراحي نهايي پرسشنامه؛ پرسشنامه مذكور به روئيت اساتيد محترم راهنما و مشاور و تعداد ديگر از اساتيد مرتبط رسيد و با نظر آن‌ها پرسشنامه نهايي طراحي و در اختيار نمونه آماري تحقيق قرار داده شد.

جدول 1- پایایی متغیرهای مختلف پرسشنامه

متغیر	مقدار آلفای کرونباخ	تعداد سوالات
عوامل زیرساخت تجزیه‌و‌تحلیل کلان‌داده	0.92	20 سوال
عوامل قابلیت‌های تجزیه‌و‌تحلیل کلان‌داده	0.95	12 سوال
کل عوامل قابلیت‌های سازمان	0.91	19 سوال
کل عوامل تجزیه‌و‌تحلیل کلان‌داده	0.83	9 سوال
عوامل خلق ارزش از تجزیه‌وتحلیل کلان‌داده	0.91	10 سوال
کل پرسشنامه	0.90	70 سوال

پايايي با اين امر سر و كار دارد، كه ابزار اندازه گيري در شرايط يكسان تا چه اندازه نتايج يكساني بدست مي‌دهد. براي تعيين ميزان پايايي پرسشنامه تحقيق حاضر تعداد ٣٠ پرسشنامه بين اعضاي نمونه توزيع شد كه از بين آن‌ها ٢٦ عدد برگشت داده شدند و مبناي محاسبه پايايي پرسشنامه می‌باشند. مقدار آلفای كرونباخ محاسبه‌شده براي آنان عدد 90/0 محاسبه شده است. ازآنجایی‌که مقدار آلفاي كرونباخ به‌دست‌آمده بزرگ‌تر از 7/0 است، بنابراين می‌توان ادعا نمود كه آزمون از پايايي قابل قبولي برخوردار است. جدول 1 پايايي پرسشنامه تحقيق حاضر را به‌صورت تفصیلی‌تری نشان می‌دهد.

روش تجزیه و تحلیل داده‌ها

براي تجزیه‌وتحلیل داده‌های پژوهش از مدل يابي معادلات ساختاري كه يك روش تحليل چند متغيري بسيار كلي و نيرومند از خانواده رگرسيون چند متغيري است، استفاده شده است. اين روش به پژوهشگر امكان می‌دهد مجموعه‌ای از معادلات رگرسيون را به گونه هم‌زمان مورد آزمون قرار دهد. مدل يابي معادله ساختاري يك رويكرد جامع براي آزمون فرضيه‌هايي درباره روابط متغيرهاي مشاهده‌شده و مكنون است كه گاه تحليل ساختاري كوواريانس، مدل يابي علّي و گاه نيز ليزرل ناميده شده است (هومن، 1384، ص. 11).

مدل معادلات ساختاري به دو فاز كلي تحليل عاملي تائيدي و تحليل مسير تقسيم می‌شود. در قسمت اندازه‌گیری ارتباط نشانگرها يا همان سؤالات پرسشنامه با سازه‌ها (روابط بين متغيرهاي پنهان با متغيرهاي آشكار) مورد بررسي قرار می‌گیرد و در قسمت ساختاري ارتباط عامل‌های مورد بررسي با يكديگر (روابط بين متغيرهاي پنهان با متغيرهاي پنهان) جهت آزمون فرضيات مورد توجه هستند (كلانتري، 1388).

یافته‌های پژوهشی

شناخت ویژگی‌های جمعيت شناختي نمونه، ازاین‌جهت مفيد است كه به كمك آن مشخصات كلي جامعه موردبررسی و ویژگی‌های عمومي آن براي ساير محققان مشخص می‌شود. بعلاوه، اين شناخت باعث می‌شود در تعميم نتايج به جوامع ديگر، يا در طراحي سؤالات تحقيقات آتي براي جوامع ديگر از اين اطلاعات استفاده كنيم.

1.       جنسیت پاسخ‌دهندگان

جدول 2 توزيع فراواني جنسيت پاسخ‌دهندگان را نشان می‌دهد.

 

جدول 2- توزیع فراوانی جنسیت پاسخ‌دهندگان

جنسیت	فراوانی	درصد فراوانی	درصد تجمعی فراوانی
مرد	57	47.1	47.1
زن	49	40.5	87.6
نامشخص	15	12.4	100
کل	121	100

2.       سطح تحصیلات پاسخ‌دهندگان

جدول 3 توزيع فراواني سطح تحصيلات پاسخ‌دهندگان را نشان می‌دهد.

جدول 3- توزیع فراوانی سطح تحصیلات پاسخ‌دهندگان

سطح تحصیلات	فراوانی	درصد فراوانی	درصد تجمعی فراوانی
کارشناس	71	58.7	58.7
کارشناسی ارشد	38	31.4	89.1
دکتری	7	5.8	94.9
نامشخص	5	4.1	100
کل	121	100

3.       پست سازمانی پاسخ‌دهندگان

جدول 4 توزيع فراواني پست سازمانی پاسخ‌دهندگان را نشان می‌دهد.

جدول 4- توزیع فراوانی پست سازمانی پاسخ‌دهندگان

پست سازمانی	فراوانی	درصد فراوانی	درصد تجمعی فراوانی
کارشناس	76	62.8	62.8
مدیر	38	31.4	94.3
نامشخص	7	5.7	100
کل	121	100

4.       حجم داده مورداستفاده برای انجام فعالیت‌ها

جدول 5 توزیع فراوانی حجم داده مورداستفاده برای انجام فعالیت‌های پاسخ‌دهندگان را نشان می‌دهد.

جدول 5- توزیع فراوانی حجم داده مورداستفاده برای انجام فعالیت‌ها

حجم داده مورداستفاده	فراوانی	درصد فراوانی	درصد تجمعی فراوانی
بین 1 تا 10 گیگابایت	20	16.5	16.5
بین 10 تا 100 گیگابایت	28	23.1	39.6
بین 100 گیگ تا 1 ترابایت	40	33.1	72.7
بیش از 1 ترابایت	30	24.8	97.5
نامشخص	3	2.5	100
کل	121	100

5.       تجربه پاسخ‌دهندگان در استفاده از تجزیه‌وتحلیل داده

جدول 6 توزیع فراوانی تجربه پاسخ‌دهندگان در استفاده از تجزیه‌وتحلیل داده را نشان می‌دهد.

جدول 6 - توزیع فراوانی تجربه پاسخ‌دهندگان در استفاده از تجزیه‌وتحلیل داده

تجربه در استفاده از BDA	فراوانی	درصد فراوانی	درصد تجمعی فراوانی
دارم	39	32.2	32.2
ندارم	71	58.6	9
نامشخص	11	9.1	100
کل	121	100

6.       میزان آشنایی پاسخ‌دهندگان با تجزیه‌وتحلیل کلان‌داده

جدول 7 توزیع فراوانی میزان آشنایی پاسخ‌دهندگان با تجزیه‌وتحلیل کلان‌داده را نشان می‌دهد.

جدول 7- توزیع فراوانی میزان آشنایی پاسخ‌دهندگان با تجزیه‌وتحلیل کلان‌داده

میزان آشنایی با BDA	فراوانی	درصد فراوانی	درصد تجمعی فراوانی
کمتر از متوسط	46	38	38
در حد متوسط	57	47.1	85.1
بیشتر از متوسط	8	6.6	91.7
نامشخص	10	8.3	100
کل	121	100

7.       میزان آشنایی پاسخ‌دهندگان با روش‌های خلق ارزش سازمانی

جدول 8 توزیع فراوانی میزان آشنایی پاسخ‌دهندگان با ارزش سازمانی را نشان می‌دهد.

جدول 8- توزیع فراوانی میزان آشنایی پاسخ‌دهندگان با روش‌های خلق ارزش سازمانی

میزان آشنایی با خلق ارزش سازمانی	فراوانی	درصد فراوانی	درصد تجمعی فراوانی
کمتر از متوسط	40	33.1	33.1
در حد متوسط	60	49.6	82.7
بیشتر از متوسط	11	9.1	91.7
نامشخص	10	8.3	100
کل	121	100

مدل‌های اندازه‌گیری یا تحلیل عاملی تاییدی

پژوهشگر مدل اندازه‌گيري را تدوين مي‌كند تا رابطه بين متغيرهاي پنهان و متغيرهاي آشكار را تعريف كند. در روش شناسي مدل معادلات ساختاري، ابتدا لازم است تا روايي سازه مورد مطالعه قرار گيرد تا مشخص شود نشانگرهاي انتخاب شده براي اندازه‌گيري سازه‌هاي مورد نظرخود از دقت لازم برخوردار هستند. براي اين منظور از تحليل عاملي تائيدي استفاده مي‌شود. روش محاسبه به اين صورت است كه اگر بار عاملي هر نشانگر با سازه خود داراي مقدار بيشتر از 0,5 باشد در اين صورت اين نشانگر از دقت لازم براي اندازه‌گيري آن سازه يا صفت مكنون برخوردار است (قاسمي، 1388، صص. 222-223). جدول شماره 9 نتايج تحليل عاملي تاييدي مربوط به سازه هاي موثر بر خلق ارزش سازمانی با استفاده از تجزیه‌و‌تحلیل کلان‌داده همراه با شاخص‌هاي اندازه‌گيري آن را نشان مي‌دهد. همانگونه كه در جدول مذكور مشاهده مي شود بار عاملي اكثر نشانگرها بيشتر از0,8 است و اين نشان‌دهنده آن است كه نشانگرها از دقت لازم براي اندازه‌گيري سازه‌هاي مرتبط برخوردارند.

 

 

 

 

جدول 9- نتایج مدل اندازه‌گیری عوامل موثر بر خلق ارزش سازمانی با استفاده از تجزیه‌و‌تحلیل کلان‌داده

سازه پژوهش	علامت در مدل	بار عاملی	t-value
زیرساخت تجزیه‌وتحلیل کلان‌داده (BDAI)	منابع کلان‌داده (BDAIRE)	0.84	9.51
	جمع‌آوری کلان‌داده (BDAIC)	0.88	10.79
	مدیریت کلان‌داده (BDAIM)	0.86	9.55
	حریم خصوصی و اصول اخلاقی (BDAIPE)	0.90	8.83
	امنیت کلان‌داده (BDAIS)	1.04	11.13
	قوانین و مقررات (BDAIR)	0.73	7.19
قابلیت‌های تجزیه‌وتحلیل کلان‌داده (BDAC)	افراد (COO)	0.64	6.78
	سازمان (MAN)	0.94	8.06
	فرایند (AGI)	0.92	8.56
	سیستم (CUL)	0.83	8.05
	فناوری (REG)	0.84	8.24
قابلیت‌های سازمان (ORGC)	انعطاف‌پذیری (PE)	0.88	9.81
	مشارکت (OR)	0.83	9.53
	مدیریت (PR)	1.00	8.36
	چابکی (SYS)	0.88	11.59
	فرهنگ سازمانی (TECH)	0.92	9.53
	قوانین و مقررات (FLE)	0.87	8.87
تجزیه‌وتحلیل کلان‌داده (BDA)	راهبرد (STR)	0.82	5.76
	مدل (MOD)	0.84	5.97
	روش (METH)	0.80	4.90
	ابزار (TOOL)	0.82	5.76

مدل ساختاری (مدل تحلیل مسیر)

در مدل معادله ساختاري نشان می‌دهیم كه متغيرهاي پنهان چگونه با يكديگر مرتبط هستند. پژوهشگر مدل معادله ساختاري را تدوين می‌کند تا روابط مشخصي ميان متغيرهاي پنهان را نشان دهد و آن را به‌وسیله ترسيم جهت پیکان‌ها به تصوير می‌کشد (قاسمي، 1388، ص. ٢٢٥). درواقع براي بررسي فرضيات تحقیق از اين مدل استفاده می‌کنیم.

در تحقيق حاضر نيز پس از طي مراحل تصديق مدل‌های اندازه‌گیری و محاسبات روايي سازه و تشخيصي در اين مرحله می‌توان به آزمون روابط بين سازه‌هاي پژوهش پرداخت. به اين منظور مدل موردنظر در نرم‌افزار ليزرل پياده شده است.

جدول 10 شاخص‌های برازش مدل عمومي تحقيق را نشان می‌دهد. ملاحظه می‌گردد مدل ازنظر شاخص‌های تناسب در وضعيت نسبتاً مناسبي است.

جدول 10- شاخص‌های برازش مدل عمومي تحقيق

IFI	CFI	AGFI	GFI	P-Value	RMSEA	X2/df	df	X2
0.97	0.97	0.79	0.79	0.000	0.09	2.06	138	285.26

 شکل 9 مدل عمومی تحقیق در حالت ضرایب استاندارد را نشان می‌دهد.

 

Chi-Square = 285.26, df=138, P-value=0.00000, RMSEA=0.094

شکل 9- مدل عمومي تحقيق (تحليل مسير) در حالت ضرایب استاندارد

شکل 10 مدل عمومي تحقيق (تحليل مسير) در حالت معنی‌داری را نشان می‌دهد.

 

Chi-Square = 285.26, df=138, P-value=0.00000, RMSEA=0.094

شکل 10 مدل عمومي تحقيق (تحليل مسير) در حالت معنی‌داری

بررسی فرضیات مدل

جدول 11 نتايج آزمون فرضيات تحقيق را به‌صورت خلاصه نشان می‌دهد.

 

جدول 11- نتایج آزمون فرضیات تحقیق

فرضیه	ضریب استاندارد	T-Value	نتیجه آزمون
فرضیه اول: بين زیرساخت تجزیه‌و‌تحلیل کلان‌داده و قابلیت‌های تجزیه‌و‌تحلیل کلان‌داده در ارتباط با خلق ارزش از تجزیه‌وتحلیل کلان‌داده رابطه مثبت و معنی‌داری وجود دارد.	0.79	8.11	تأیید فرضیه
فرضیه دوم: بین قابلیت‌های تجزیه‌و‌تحلیل کلان‌داده و قابلیت‌های سازمان در ارتباط با خلق ارزش از تجزیه‌وتحلیل کلان‌داده رابطه مثبت و معنی‌داری وجود دارد.	0.41	5.01	تأیید فرضیه
فرضیه سوم: بين قابلیت‌های تجزیه‌و‌تحلیل کلان‌داده و تجزیه‌و‌تحلیل کلان‌داده در ارتباط با خلق ارزش از تجزیه‌وتحلیل کلان‌داده رابطه مثبت و معنی‌داری وجود دارد.	0.62	6.88	تأیید فرضیه
فرضیه چهارم: بين قابلیت‌های سازمان و خلق ارزش در ارتباط با خلق ارزش از تجزیه‌وتحلیل کلان‌داده رابطه مثبت و معنی‌داری وجود دارد.	0.88	11.22	تأیید فرضیه
فرضیه پنجم: بين تجزیه‌و‌تحلیل کلان‌داده و خلق ارزش در ارتباط با خلق ارزش از تجزیه‌وتحلیل کلان‌داده رابطه مثبت و معنی‌داری وجود دارد.	0.45	7.40	تأیید فرضیه

 

فرضیه اول: بين زیرساخت تجزیه‌و‌تحلیل کلان‌داده و قابلیت‌های تجزیه‌وتحلیل کلان‌داده رابطه مثبت و معنی‌داری وجود دارد.

با توجه به اينكه عدد معنی‌داری بين دو متغير زیرساخت تجزیه‌و‌تحلیل کلان‌داده و قابلیت‌های تجزیه‌وتحلیل کلان‌داده 8.12 است، بنابراين ازنظر مشارکت‌کنندگان تحقيق حاضر زیرساخت تجزیه‌و‌تحلیل کلان‌داده تأثیر مثبت و مستقيمي بر قابلیت‌های تجزیه‌وتحلیل کلان‌داده در راستاي خلق ارزش سازمانی با استفاده از تجزیه‌وتحلیل کلان‌داده دارند.

ضريب استاندار بين عوامل زیرساخت تجزیه‌و‌تحلیل کلان‌داده و قابلیت‌های تجزیه‌وتحلیل کلان‌داده 0.79 است و معني آن اين است كه 79 درصد تغييرات قابلیت‌های تجزیه‌وتحلیل کلان‌داده در راستاي خلق ارزش سازمانی با استفاده از تجزیه‌وتحلیل کلان‌داده منتج از زیرساخت تجزیه‌و‌تحلیل کلان‌داده است. با توجه به اينكه متغيرهاي زیرساخت تجزیه‌و‌تحلیل کلان‌داده (منابع کلان‌داده، جمع‌آوری کلان‌داده، مدیریت کلان‌داده، حریم خصوصی و اصول اخلاقی، امنیت کلان‌داده و قوانین و مقررات) درواقع به‌عنوان پیش‌شرط‌های اساسي در هرگونه تغيير و تحولي در راستای خلق ارزش سازمانی با استفاده تجزیه‌وتحلیل کلان‌داده هستند. از طرف ديگر با توجه به اينكه سازمان‌های مختلف درواقع بخش‌های مختلف و کسب‌وکارهای متفاوتی دارند كه هم خودشان با هم رابطه دارند و هم ارباب‌رجوع آن‌ها ممكن است براي انجام كاري واحد، هم‌زمان به هماهنگي چندين بخش نياز داشته باشد، فراهم بودن زیرساخت تجزیه‌وتحلیل کلان‌داده براي آن‌ها در راستاي خلق ارزش با استفاده از تجزیه‌وتحلیل کلان‌داده، بسيار مهم و حياتي است. مثلاً دولت از اين سيستم‌ها حمايت نمايد و يا اينكه زیرساخت‌های فناوري اطلاعات و ارتباطات در جامعه فراهم شود.

فرضیه دوم: بين قابلیت‌های تجزیه‌وتحلیل کلان‌داده و قابلیت‌های سازمان رابطه مثبت و معنی‌داری وجود دارد.

با توجه به اينكه عدد معنی‌داری بين دو متغير قابلیت‌های تجزیه‌وتحلیل کلان‌داده و قابلیت‌های سازمان ٥.٠١ است، بنابراين ازنظر مشارکت‌کنندگان تحقيق حاضر قابلیت‌های تجزیه‌وتحلیل کلان‌داده تأثیر مثبت و مستقيمي بر قابلیت‌های سازمان در راستاي خلق ارزش سازمانی با استفاده از تجزیه‌وتحلیل کلان‌داده دارند.

ضريب استاندار بين قابلیت‌های تجزیه‌وتحلیل کلان‌داده و قابلیت‌های سازمان 0.41 است و معني آن اين است كه 41 درصد قابلیت‌های سازمان در راستاي خلق ارزش سازمانی با استفاده از تجزیه‌وتحلیل کلان‌داده منتج از قابلیت‌های سازمان است.

اين فرضيه را می‌توان همانند فرضيه بالا تفسير نمود، زیرا تا زماني كه قابلیت‌های تجزیه‌وتحلیل کلان‌داده فراهم نباشند مثلاً توسعه مهارت‌های تحلیل داده، تغییر‌پذیری سیستم‌های کلان‌داده با تغییرات سازمان و حتي به‌کارگیری فناوری‌های روز در تجزیه‌وتحلیل کلان‌داده، قابلیت‌های سازمان شکوفا نمی‌شود و بی‌اثر هستند.

فرضیه سوم: بين قابلیت‌های تجزیه‌وتحلیل کلان‌داده و تجزیه‌وتحلیل کلان‌داده رابطه مثبت و معنی‌داری وجود دارد.

با توجه به اينكه عدد معنی‌داری بين دو متغير قابلیت‌های تجزیه‌وتحلیل کلان‌داده و تجزیه‌وتحلیل کلان‌داده 6.88 است، بنابراين ازنظر مشارکت‌کنندگان تحقيق حاضر، قابلیت‌های تجزیه‌وتحلیل کلان‌داده تأثیر مثبت و مستقيمي بر تجزیه‌وتحلیل کلان‌داده در راستاي خلق ارزش سازمانی با استفاده از تجزیه‌وتحلیل کلان‌داده دارند.

ضريب استاندار بين قابلیت‌های تجزیه‌وتحلیل کلان‌داده و تجزیه‌وتحلیل کلان‌داده 0.62 است و معني آن اين است كه 62 درصد تغييرات تجزیه‌وتحلیل کلان‌داده در راستاي خلق ارزش سازمانی با استفاده از تجزیه‌وتحلیل کلان‌داده منتج از قابلیت‌های تجزیه‌وتحلیل کلان‌داده است. بنابراين می‌توان این‌گونه تفسير نمود كه، با مناسب شدن شرايط و ویژگی‌های قابلیت‌های تجزیه‌وتحلیل کلان‌داده (نظير استفاده از متخصصان کلان‌داده، ارائه برنامه زمانی و دید کلی از مراحل فرایند تجزیه‌وتحلیل، انعطاف‌پذیری سیستم‌های تحلیل کلان‌داده و...)، سازمان‌ها به‌منظور خلق ارزش سازمانی، اقدام به به‌کارگیری تجزیه‌وتحلیل کلان‌داده خواهند نمود.

فرضیه چهارم: بين قابلیت‌های سازمان و خلق ارزش سازمانی رابطه مثبت و معنی‌داری وجود دارد.

با توجه به اينكه عدد معنی‌داری بين دو متغير قابلیت‌های سازمان و خلق ارزش سازمانی 11.22 است، بنابراين ازنظر مشارکت‌کنندگان تحقيق حاضر قابلیت‌های سازمان تأثیر مثبت و مستقيمي بر خلق ارزش سازمانی در خلق ارزش سازمانی با استفاده از تجزیه‌وتحلیل کلان‌داده دارد.

ضريب استاندار بين قابلیت‌های سازمان و خلق ارزش سازمانی 0.88 است و معني آن اين است كه 88 درصد تغييرات خلق ارزش سازمانی در خلق ارزش سازمانی با استفاده از تجزیه‌وتحلیل کلان‌داده، وابسته به قابلیت‌های سازمان است.

اين مسئله با همه نظریه‌های مديريت در زمينۀ برنامه‌ریزی مناسبت دارد. چراکه در مديريت تأکید می‌شود براي رسيدن به اهداف موردنظر قبل از هر كاري بايد قابلیت‌های سازمان مورد بررسی و برنامه‌ریزی قرار گیرد، در خلق ارزش سازمانی، سازمان مدیریت، اهداف، فرهنگ و قوانین و مقررات موردنظر براي خلق ارزش سازمانی را شناسايي و مورد تحليل قرار می‌دهد تا بتواند ارزش‌های مناسبی را برای سازمان ایجاد کند.

فرضیه پنجم: بين تجزیه‌وتحلیل کلان‌داده و خلق ارزش سازمانی رابطه مثبت و معنی‌داری وجود دارد.

با توجه به اينكه عدد معنی‌داری بين دو متغير تجزیه‌وتحلیل کلان‌داده و خلق ارزش سازمانی 7.40 است، بنابراين ازنظر مشارکت‌کنندگان تحقيق حاضر، تجزیه‌وتحلیل کلان‌داده تأثیر مثبت و مستقيمي بر خلق ارزش سازمانی دارد. ضريب استاندار بين تجزیه‌وتحلیل کلان‌داده و خلق ارزش سازمانی 0.45 است و معني آن اين است كه 45 درصد تغييرات خلق ارزش سازمانی، وابسته به تجزیه‌وتحلیل کلان‌داده است.

بحث و نتیجه‌گیری

با توجه به گسترش و افزایش روزافزون داده‌ها و محبوبیت کلان‌داده و تجزیه‌وتحلیل کلان‌داده، برای خلق ارزش سازمانی از تجزیه‌وتحلیل کلان‌داده، سازمان‌ها باید مسائل مرتبط با داده‌های عملیاتی و مالی، شرایط بازار، حوزه کسب‌وکار، نوع بینش، تحلیل مشتری، نوآوری محصول و خدمت، مدیریت زنجیره تأمین و عملکرد، مدیریت مخاطره، نوع تجزیه‌وتحلیل، راهبرد تجزیه‌وتحلیل کلان‌داده، حفظ حریم خصوصی و داده، یکپارچگی داده‌ها و سایر عوامل مختلف را بررسی کنند. همان‌گونه كه در ادبيات موضوع نيز اشاره شد، خلق ارزش با استفاده از تجزیه‌و‌تحلیل کلان‌داده ريشه در عوامل مختلفی دارد. بر اساس مدل تحقيق، علاوه بر اثرات زیرساخت تجزیه‌وتحلیل کلان‌داده، قابلیت‌های تجزیه‌وتحلیل کلان‌داده و قابلیت‌های سازمان كه موردمطالعه قرار می‌گیرند، تأثیر اين عوامل بر تجزیه‌وتحلیل کلان‌داده نيز موردسنجش قرار می‌گیرد و درنهایت اثر مستقيم و غیرمستقیم همه اين عوامل با هم بر خلق ارزش با استفاده از تجزیه‌و‌تحلیل کلان‌داده مورد بررسي قرار می‌گیرد.

تحقيق حاضر با هدف ارائه مدلي براي خلق ارزش سازمانی با استفاده از تجزیه‌وتحلیل کلان‌داده طراحي شده است. براي رسيدن به هدف تحقيق ابتدا با استفاده از رويكرد كيفي ابعاد، مؤلفه‌ها، شاخص‌ها و درنهایت مدل مفهومي خلق ارزش سازمانی با استفاده از تجزیه‌وتحلیل کلان‌داده شناسايي شده است. سپس با استفاده از رويكرد كمي، با طراحي پرسشنامه‌ای مدل موردنظر در دنياي عمل (شرکت ارتباطات زیرساخت، مرکز مدیریت حوزه‌های علمیه و دیجی‌کالا) موردسنجش قرار گرفت. نتايج نشان می‌دهند كه خلق ارزش سازمانی با استفاده از تجزیه‌وتحلیل کلان‌داده فرايندي است كه با بررسی زیرساخت تجزیه‌وتحلیل کلان‌داده و شناسايي قابلیت‌های تجزیه‌وتحلیل کلان‌داده و سازمان شروع می‌شود و بر اساس آن تجزیه‌وتحلیل کلان‌داده سازمان طراحي و برنامه‌ریزی و درنهایت خلق ارزش بر اساس آن‌ها صورت می‌گیرد.

منابع

1.       كلانتري خ، ١٣٨٨، مدل‌سازي معادلات ساختاري در تحقيقات اجتماعي-اقتصادي،چاپ اول، تهران: نشر مهندسين مشاور طرح و منظر.

2.       قاسمی و، 1388، مدل سازی معادله ساختاری در پژوهش های اجتماعی با کاربرد Amos Graphics، چاپ اول، تهران: جامعه شناسان، 376 صفحه.

3.       هومن ح، ١٣٨٤، مدل يابي معادلات ساختاري با كاربرد نرم افزار ليزرل، چاپ اول، تهران: انتشارات سمت.

4.       Elf, J., & Andersson, K. (2015). One Step Towards Creating Value From Big Data-A Case Study on E. ON Elnät.

5.       Favaro, K. (1998). Put value creation first (if you want to grow your way to greatness). Marakon Commentary.

6.       Grover, V., Chiang, R. H. L., Liang, T.-P., & Zhang, D. (2018). Creating Strategic Business Value from Big Data Analytics: A Research Framework. Journal of Management Information Systems, 35(2), 388–423. https://doi.org/10.1080/07421222.2018.1451951

7.       Lim, C., Kim, K.-J. K.-H., Kim, M.-J., Heo, J.-Y., Kim, K.-J. K.-H., & Maglio, P. P. (2018). From data to value: A nine-factor framework for data-based value creation in information-intensive services. International Journal of Information Management, 39, 121–135. https://doi.org/https://doi.org/10.1016/j.ijinfomgt.2017.12.007.

8.       Nerur, S., Mahapatra, R., & Mangalaraj, G. (2005). Challenges of migrating to agile methodologies %J Commun. ACM. 48(5), 72-78. doi:10.1145/1060710.1060712.

9.       Nowling, R. J., & Vyas, J. (2014). A Domain-Driven, Generative Data Model for Big Pet Store. In 2014 IEEE Fourth International Conference on Big Data and Cloud Computing (pp. 49–55). https://doi.org/10.1109/BDCloud.2014.38

10.       Verhoef, P. C., Kooge, E., & Walk, N. (2016). Creating Value with Big Data Analytics: Making Smarter Marketing Decisions. Routledge.

11.       Vidgen, R., Shaw, S., & Grant, D. B. (2017). Management challenges in creating value from business analytics. European Journal of Operational Research, 261(2), 626–639.

12.       Wu, C., Buyya, R., & Ramamohanarao, K. (2016). Big Data Analytics = Machine Learning + Cloud Computing. CoRR, abs/1601.0.

13.       Zeng, J., & Glaister, K. W. (2018). Value creation from big data: Looking inside the black box. Strategic Organization, 16(2), 105–140. https://doi.org/10.1177/1476127017697510

 

A Model for Creating Organizational Value from Big Data Analytics

Ali Mirarab⁸

Seyedeh Leili Mirtaheri*⁹

Seyed Amir Asghari¹⁰

Abstract

Value creation is a major factor not only in the sustainability of organizations but also in the maximization of profit, customer retention, business goals fulfillment, and revenue. Value creation is a complex process, particularly when it involves the external and internal factors of the organization. When the value is intended to be created from Big Data scenarios, value creation entails being understood over a broader range of complexity. A question that arises here is how organizations can use this massive quantity of data and create business value? The present study seeks to provide a model for creating organizational value using Big Data Analytics (BDA). To this end, after reviewing the related literature and interviewing experts, the BDA-based organizational value creation model is developed. Accordingly, five hypotheses are formulated, and a questionnaire is prepared. Then, the respective questionnaire is given to the research statistical population (i.e., IT managers and experts, particularly those specializing in data analysis) to test the research hypotheses. Afterward, the relationships among the model variables are scrutinized using the structural equation modeling (measurement and structural models). The results of the study indicate that investigating the infrastructures of the Big Data Analytics, as well as the capabilities of the organization and those of Big Data Analytics is the initial requirement to create organizational value using BDA. Thereby, the Big Data Analytics strategy is formulated, and ultimately, the organizational value is created as well.

Keywords: Big Data, Analytics, Value Creation, Model

---

[1]  دانشجوی دکتری مدیریت فناوری اطلاعات، دانشگاه آزاد واحد قم، دانشکده فنی و مهندسی، [e-mail]

[2]  استادیار، دانشگاه خوارزمی، گروه آموزشی مهندسی برق و کامپیوتر، [e-mail]

[3]  استادیار، دانشگاه خوارزمی، گروه آموزشی مهندسی برق و کامپیوتر، [e-mail]

[4] - Value-to-Customer

[5] - Value-to-Firm

[6] - International Data Corporation - IDC

[7]  - Information Intensive Services

[8]  Department of Computer Engineering, Islamic Azad University, Qom Branch, Qom, Iran, [e-mail]

[9]  Department of Electrical and Computer Engineering, Kharazmi University, Tehran, Iran, [e-mail]

[10]  Department of Electrical and Computer Engineering, Kharazmi University, Tehran, Iran, [e-mail]

---