دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات60
تعداد شماره‌ها2,185
تعداد مقالات17,683
تعداد مشاهده مقاله54,324,984
تعداد دریافت فایل اصل مقاله28,433,631
نظریان جشن آبادی, جواد, رونقی, محمدحسین, علیمحمدلو, مسلم, ابراهیمی, ابوالقاسم. (1402). چهارچوب عوامل موثر بر بلوغ هوشمندی کسب‌ وکار. سامانه مدیریت نشریات علمی, 12(46), 1-39. doi: 10.22054/ims.2023.74305.2346
جواد نظریان جشن آبادی; محمدحسین رونقی; مسلم علیمحمدلو; ابوالقاسم ابراهیمی. "چهارچوب عوامل موثر بر بلوغ هوشمندی کسب‌ وکار". سامانه مدیریت نشریات علمی, 12, 46, 1402, 1-39. doi: 10.22054/ims.2023.74305.2346
نظریان جشن آبادی, جواد, رونقی, محمدحسین, علیمحمدلو, مسلم, ابراهیمی, ابوالقاسم. (1402). 'چهارچوب عوامل موثر بر بلوغ هوشمندی کسب‌ وکار', سامانه مدیریت نشریات علمی, 12(46), pp. 1-39. doi: 10.22054/ims.2023.74305.2346
نظریان جشن آبادی, جواد, رونقی, محمدحسین, علیمحمدلو, مسلم, ابراهیمی, ابوالقاسم. چهارچوب عوامل موثر بر بلوغ هوشمندی کسب‌ وکار. سامانه مدیریت نشریات علمی, 1402; 12(46): 1-39. doi: 10.22054/ims.2023.74305.2346

چهارچوب عوامل موثر بر بلوغ هوشمندی کسب‌ وکار

مطالعات مدیریت کسب و کار هوشمند
مقاله 1، دوره 12، شماره 46، آبان 1402، صفحه 1-39    اصل مقاله (2.01 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/ims.2023.74305.2346
نویسندگان
جواد نظریان جشن آبادی1؛ محمدحسین رونقی* 2؛ مسلم علیمحمدلو3؛ ابوالقاسم ابراهیمی4
1دانشجوی دکتری مدیریت، دانشگاه شیراز، شیراز، ایران
2دانشیار بخش مدیریت دانشگاه شیراز شیراز ایران نویسنده مسئول: mh_ronaghi@shirazu.ac.ir
3استاد بخش مدیریت، دانشگاه شیراز، شیراز، ایران
4دانشیار بخش مدیریت، دانشگاه شیراز، شیراز، ایران
چکیده
بلوغ هوشمندی کسب‌وکار، نتیجه‌ای از تکامل و پیشرفت فناوری و رویکردهای مدیریتی است که با استفاده از تکنولوژی‌های پیشرفته مانند هوش مصنوعی و تحلیل داده‌ها، به ارائه اطلاعات دقیق، تحلیل‌های پیش‌بینی و بهبود تصمیمات در سازمان‌ها کمک می‌کند. علی‌رغم بلوغ فنی که کارایی و عملکرد سازمان‌ها را در طول زمان بهبود می‌بخشد، هوشمندی کسب‌وکار فاصله زیادی تا تبدیل‌شدن به روند اصلی در سازمان‌ها دارد. باتوجه‌به پژوهش‌های متعدد در حوزه هوشمندی کسب‌وکار، هدف این پژوهش ارائه چارچوب عوامل مؤثر بر بلوغ هوشمندی کسب‌وکار با استفاده از رویکرد فراترکیب بود. به‌منظور رسیدن به چارچوبی جامع که دربرگیرنده همه عوامل بلوغ هوشمندی کسب‌وکار باشد، 221 پژوهش علمی مرور شدند. کدهای مربوطه با استفاده از تحلیل محتوا در روش فراترکیب استخراج شدند. مقوله‌ها با استفاده از روش مدل‌سازی ساختاری تفسیری جامع، سطح‌بندی شدند و تأثیرگذارترین آنها مشخص شدند. یافته‌ها نشان می‌دهند که در مجموع 93 کد استخراج شده که در 6 مقوله تقسیم شدند. این مقوله‌ها شامل عوامل سازمان و مدیریت، محیط، زیرساخت فناوری، منابع انسانی – دانش، مدیریت داده و تحلیل داده هستند. مقوله‌های زیرساخت فناوری، مدیریت داده و تحلیل داده در سطح سه قرار گرفتند و بیشترین تأثیر را بر بلوغ هوشمندی کسب‌وکار دارند.
کلیدواژه‌ها
هوشمندی کسب‌وکار؛ بلوغ؛ زیرساخت فناوری؛ تحلیل داده؛ فراترکیب
مراجع
  1. احمدی زاد، آ، ﻋﺒﺎﺳﯽ، ا، رحیم‌پور، م. (1395). الگوی سنجش هوشمندی کسب‌وکار در صنعت تلکام. فصلنامه مطالعات مدیریت راهبردی، 7 (28)، 281-267.
  2. آدینه، م.، حسن‌زاده، ع.، حسن‌زاده، م؛ و پور عزت، ع. (1401). واکاوی کارکرد هوشمندی کسب‌وکار در کتابخانه‌های دانشگاهی، تحقیقات کتابداری و اطلاع‌رسانی دانشگاهی، 56(2)؛ 14- 1.
  3. پوطی، ن، مرادی مخلص، ح، صالحی و حیدری، ج. (1397). مدلی برای انطباق سازمان‌های آموزشی با ملزومات هوشمندی کسب‌وکار. مطالعات مدیریت کسب‌وکار هوشمند، 6 (23)، 145-175.
  4. رضایی، ص، میرعابدینی، س‌ج و ابطحی، ع. (1397). عوامل مؤثر بر پیاده‌سازی هوشمندی کسب‌وکار در صنعت بانکداری ایران. مطالعات مدیریت کسب‌وکار هوشمند، 6(23)، 33-81.
  5. رنگ‌ریز، ح، افشاری، ن. (1395). مقایسه دیدگاه‌های مختلف درباره رابطه هوشمندی کسب‌وکار و مدیریت دانش. امواج دانش، 1(9)، 0-0.
  6. رونقی، م و دهقانی، م. (1399). ارائه چارچوب پذیرش گردشگری الکترونیک با استفاده از روش فراترکیب. گردشگری و توسعه، 9(4)، 49-61.
  7. رونقی، م و رونقی، م. (1393). ارائه مدل بلوغ هوشمندی کسب‌وکار در بین سازمان‌های ایرانی. رشد فناوری، 10(38)، 38-44.
  8. رئیسی‌وانانی، ا، گنجعلی‌خان‌حاکمی، ف. (1394). طراحی سیستم استنتاج فازی - عصبی انطباقی برای ارزیابی استقرار سیستم هوشمندی کسب‌وکار در صنعت تولید نرم‌افزار. مدیریت فناوری اطلاعات، 7(1)، 85-104.
  9. سعادتی، ز، تارخ، م. (1396). بررسی رویکرد تلفیقی در سیستم‌های هوش کسب‌وکار با تمرکز بر داده‌کاوی. سیاست‌نامه علم و فناوری، 07 (4)، 56-43.
  10. فلاح، م، کاظمی، ز. (1399). شناسایی پیشران‌های مؤثر بر موفقیت شرکت‌های دانش‌بنیان با تأکید بر نقش هوشمندی کسب‌وکار. نشریه علمی راهبردهای بازرگانی 16 (14)، 72-57.
  11. لیلی، آ و رنجبرفرد، م. (1398). مروری بر مدل‌های آمادگی هوش کسب‌وکار. رشد فناوری، 15(60)، 9-17.
  12. مانیان، ا، رونقی، م. (1394). ارائه چارچوب جامع پیاده‌سازی بازاریابی اینترنتی با استفاده از روش فراترکیب. مدیریت بازرگانی، 7(4)، 901-920.
  13. ملایی، ن و طهماسبی، ع. (1398). مدل پلتفرم داده بزرگ و نقش آن در کیفیت داده و هوشمندی کسب‌وکار. مدیریت بحران، 8 (ویژه‌نامه)، 61-72.
  14. منشی، م. (1400). تأثیر هوشمندی کسب‌وکار بر کارآفرینی سازمانی با نقش میانجی بلوغ مدیریت دانش (موردمطالعه: بانک تجارت استان تهران).مدیریت نوآفرینی، 1 (1)، 79-63.
  15. Adamik, A., Nowicki, M., & Puksas, A. (2022). Energy Oriented Concepts and Other SMART WORLD Trends as Game Changers of Co-Production—Reality or Future?. Energies, 15(11), 4112.
  16. Ahmad, S., Miskon, S., Alabdan, R., & Tlili, I. (2020). Towards sustainable textile and apparel industry: Exploring the role of business intelligence systems in the era of industry 4.0. Sustainability, 12(7), 2632.
  17. Alsibhawi, I. A. A., Yahaya, J. B., & Mohamed, H. B. (2023). Business Intelligence Adoption for Small and Medium Enterprises: Conceptual Framework. Applied Sciences, 13(7), 4121.
  18. Aparicio, G., Iturralde, T., & Rodríguez, A. V. (2023). Developments in the knowledge-based economy research field: a bibliometric literature review. Management Review Quarterly, 73(1), 317-352.
  19. Ariyarathna, K., & Peter, S. (2019). Business analytics maturity models: a systematic review of literature. Focus, 3(10), 4-20.
  20. Arunachalam, D., Kumar, N., & Kawalek, J. P. (2018). Understanding big data analytics capabilities in supply chain management: Unravelling the issues, challenges and implications for practice. Transportation Research, 114, 416-436.
  21. Asimakou, T. (2017). Time for innovation: Concurrent and conflicting metaphors of time in a knowledge MNC. Time & Society, 26(1), 113-134.
  22. Badgujar, A. D., Kadam, S. S., Zambare, M. M., & Kulkarni, S. R. (2022). A comparative study: Business intelligence tools. International Journal of Research in Engineering, Science and Management, 5(1), 116-118.
  23. Batra, D. (2022). Antecedents of Organizational Agility During Business Uncertainty in Noninformation Technology Sectors. Journal of Database Management (JDM), 33(1), 1-22.
  24. Benkhider, N., & Meziani, M. (2021). Digital transformation process based-technology infrastructure and employee training evidence from World Bank. Recherchers economiques manageriales, 15(1), 537-552.
  25. Bhatiasevi, V., & Naglis, M. (2020). Elucidating the determinants of business intelligence adoption and organizational performance. Information development, 36(1), 78-96.
  26. Brooks, P., El-Gayar, O., & Sarnikar, S. (2015). A framework for developing a domain specific business intelligence maturity model: Application to healthcare. International Journal of Information Management,35(3), 337-345.
  27. Calitz, A., Bosire, S., & Cullen, M. (2018). The role of business intelligence in sustainability reporting for South African higher education institutions. International Journal of Sustainability in Higher Education,19(7), 1185-1203.
  28. Canós‐Darós, L. (2013). An algorithm to identify the most motivated employees. Management Decision, 51(4), 813-823.
  29. Chanda, D. (2019). AI Based Data Architecture Impact Analysis. In Proceedings of 32nd International Conference on (Vol. 63, pp. 53-62).
  30. Chuah, M. H., & Wong, K. L. (2011). A review of business intelligence and its maturity models. African journal of business management, 5(9), 3424-3428.
  31. Darwiesh, A., El-Baz, A. H., Tarabia, A. M. K., & Elhoseny, M. (2022). Business Intelligence for Risk Management: A Review.  J. Bus. Oper. Res, 6 (1), 16-27.
  32. Fu, H. P., Chang, T. H., Teng, Y. H., Liu, C. H., & Chuang, H. C. (2022). Critical Factors Considered by Companies to Introduce Business Intelligence Systems. Axioms, 11(7), 338.
  33. Godlewska, M. (2018). Smart Document-Centric Processing of Human Oriented Information Flows. Computing and Informatics, 37(3), 673-692.
  34. Golestanizadeh, M., Sarvari, H., Cristofaro, M., & Chan, D. W. (2023). Effect of Applying Business Intelligence on Export Development and Brand Internationalization in Large Industrial Firms. Administrative Sciences, 13(2), 27.
  35. Gudas, S. (2009). Enterprise knowledge modelling: domains and aspects. Technological and economic development of economy, (2), 281-293.
  36. Gudfinnsson, K., Strand, M., & Berndtsson, M. (2015). Analyzing business intelligence maturity. Journal of Decision Systems, 24(1), 37-54.
  37. Halper, F., & Stodder, D. (2014). TDWI analytics maturity model guide. TDWI research, 1-20.
  38. Harison, E. (2012). Critical success factors of business intelligence system implementations: Evidence from the energy sector. International Journal of Enterprise Information Systems (IJEIS), 8(2), 1-13.
  39. Hausladen, I., & Schosser, M. (2020). Towards a maturity model for big data analytics in airline network planning. Journal of Air Transport Management,82, 101721.
  40. Hernández-Julio, Y. F., Hernández-Royett, J., Nieto-Bernal, W., & Romero-Prieto, J. E. (2021). Business intelligence maturity models: opportunities and recomendations for future reinvestigation-A systematic literature review-Part 2. Aglala, 12(1), 95-113.
  41. Hilbert, M. (2022). Digital technology and social change: the digital transformation of society from a historical perspective. Dialogues in clinical neuroscience, 22 (2) 189-194.
  42. Jahantigh, F. F., Habibi, A., & Sarafrazi, A. (2019). A conceptual framework for business intelligence critical success factors. International Journal of Business Information Systems, 30(1), 109-123.
  43. Khrisat, R. M., Khaddam, A. A., & Abusweilem, M. A. (2023). The role of using big data in predicting customer behaviour: the intermediary role of business intelligence in Jordanian telecommunications companies (a field study). International Journal of Business Information Systems, 42(1), 23-42.
  44. Koolivand, A., Salehi, M., Arabzadeh, M., & Ghodrati, H. (2023). The relationship between knowledge-based economy and fraudulent financial reporting. Journal of Facilities Management, 21(1), 16-29.
  45. Lasi, H. (2013). Industrial intelligence-a business intelligence-based approach to enhance manufacturing engineering in industrial companies. Procedia CIRP,12, 384-389.
  46. Lukman, T., Hackney, R., Popovič, A., Jaklič, J., & Irani, Z. (2011). Business intelligence maturity: the economic transitional context within Slovenia. Information Systems Management, 28(3), 211-222.
  47. Manikam, S., Sahibudin, S., & Kasinathan, V. (2019). Business intelligence addressing service quality for big data analytics in public sector. Indonesian Journal of Electrical Engineering and Computer Science,16(1), 491-499.
  48. Mbima, D. and Tetteh, F.K. (2023), "Effect of business intelligence on operational performance: the mediating role of supply chain ambidexterity", Modern Supply Chain Research and Applications,5(1)28-49.
  49. Najmi, M., Sepehri, M., & Hashemi, S. (2010). The evaluation of Business Intelligence maturity level in Iranian banking industry. Industrial Engineering and Engineering Management.466-470.
  50. Niazi, H. (2019). Strategy, Action Plan, and Approaches for Business Intelligence in Banking and Mining. In Applying Business Intelligence Initiatives.305-325.
  51. Olszak, C. M. (2016). Toward better understanding and use of business intelligence in organizations. Information systems management,33(2),105-123.
  52. Parra, X., Tort-Martorell, X., Alvarez-Gomez, F.,& Ruiz-Viñals,C. (2022). Chronological Evolution of the Information-Driven Decision-Making Process. Journal of the Knowledge Economy, 1-32.
  53. Passlick, J., Grützner, L., Schulz, M., & Breitner, M. H. (2023). Self-service business intelligence and analytics application scenarios: A taxonomy for differentiation. Information Systems and e-Business Management,21(1),159-191.
  54. Powell, A. (2017). CABI's innovative use of technology, data, and knowledge transfer to reduce crop losses in the developing world. Food and Energy Security,6(3),94-97.
  55. Prieto Morales, R., Meneses Villegas, C., & Vega Zepeda, V. (2015). Análisis comparativo de modelos de madurez en inteligencia de negocio.  Revista chilena de ingeniería,23(3),361-371.
  56. Ragazou, K., Passas, I., Garefalakis, A., & Zopounidis, C. (2023). Business intelligence model empowering SMEs to make better decisions and enhance their competitive advantage. Discover Analytics,1(1),2.
  57. Ramos, C. M. (2022). Business Intelligence Approach and Sentiment Analysis as a Management Strategy Applied to Study Customer Satisfaction in the Hospitality Sector. In Advances in Tourism, Technology and Systems,2(1), 537-547.
  58. Ronaghi, M. H., & Feizi, K. (2013). The relationship between work ethics and intelligence among employees of international organizations in Iran. Journal of Ethics in Science and Technology, 8(2), 1-11.
  59. Sadiq-Bamgbopa, Y. S., Hinmikaiye, A., Aladenika, B., & Adewale, A. (2022). The Connection between Manpower Development, Business Process Performance and Business Intelligence Maturity in Nigeria.
  60. Sandelowski, M., & Barroso, J. (2003). Toward a metasynthesis of qualitative findings on motherhood in HIV‐positive women. Research in nursing & health, 26(2),153-170.
  61. Sinarasri, A., & Chariri, A. (2023). Business intelligence, management control systems and startup performance: Empirical study from Indonesia. International Journal of Applied Economics, Finance and Accounting, 16(2), 234-247.
  62. Skyrius, R., & Skyrius, R. (2021). Business intelligence technologies. Business Intelligence: A Comprehensive Approach to Information Needs, Technologies and Culture, 145-185.
  63. Srivastava, G., Venkataraman, R., & V, K. (2022). A review of the state of the art in business intelligence software. Enterprise Information Systems, 16(1), 1-28.
  64. Staniewski, M. (2008). The elements of Human Resources Management supporting knowledge management. Amfiteatru Economic, Special, Noiembrie, 283-291.
  65. Sushil, S. (2012). Interpreting the interpretive structural model. Global Journal of Flexible Systems Management, 13(2), 87-106.
  66. Thamir, A., & Theodoulidis, B. (2013). Business intelligence maturity models: Information management perspective. In Information and Software Technologies,198-221.
  67. Zimmer, L. (2006). Qualitative meta‐synthesis: a question of dialoguing with texts. Journal of advanced nursing, 53(3), 311-318.
آمار
تعداد مشاهده مقاله: 1,233
تعداد دریافت فایل اصل مقاله: 854


login