Факторы, влияющие на внедрение компаниями аналитики больших данных
Автор: Чижов С.А., Суйц В.П.
Журнал: Вестник Алтайской академии экономики и права @vestnik-aael
Рубрика: Экономические науки
Статья в выпуске: 6-1, 2021 года.
Бесплатный доступ
Учитывая происходящее каждые два года удвоение общего количества данных, их низкую стоимость обработки и хранения, для компаний становится актуальным внедрение аналитики больших данных в качестве инструмента, обеспечивающего конкурентное преимущество. Так почему, при наличии бесплатного программного обеспечения, некоторые компании не смогли внедрить эти технологии? Для того чтобы получить ответ на этот вопрос, мы расширили модель единой теории принятия и использования технологий (UTAUT), адаптированной к условиям аналитики больших данных, добавив к ней две переменных: нежелание пользоваться и осознанный риск. Используя степень внедрения этих технологий, мы разделили компании на применяющие и не применяющие аналитику больших данных (BDA). Оценка структурных моделей производилась с помощью метода частичных наименьших квадратов (PLS). Результаты показывают, что значимость хорошей инфраструктуры перевешивает трудности, с которыми компании сталкиваются при ее внедрении. И хотя компании, планирующие пользоваться большими данными, ожидают хороших результатов, текущие пользователи оценивают их эффективность скромнее.
Большие данные, поведение намерения, единая теория принятия и использования технологий, нежелание пользоваться, осознанный риск
Короткий адрес: https://sciup.org/142229335
IDR: 142229335 | DOI: 10.17513/vaael.1735
Список литературы Факторы, влияющие на внедрение компаниями аналитики больших данных
- Agrawal D., Bernstein P., Bertino E. Challenges and opportunities with Big Data 2011-1. Purdue University, Cyber center technical reports. 2011. [Electronic resource]. URL: https://core.ac.uk/download/pdf/4971223.pdf (accessed: 24.05.2021).
- Alharbi S.T. Trust and acceptance of cloud computing: A revised UTAUT model. Proceedings. International Conference on Computational Science and Computational Intelligence. CSCI. 2014. P. 131-134.
- Barclay D., Higgins C., Thompson R. The Partial Least Squares (PLS) approach to causal modelling: Personal computer adoption and use as an illustration // Technology Studies. 1995. Vol. 2. № 2. P. 285-309.
- Becker J.-M., Rai A., Ringle C.M., Völckner F. Discovering unobserved heterogeneity in structural equation models to avert Validity threats // MIS Quarterly. 2013. Vol. 37. № 3. P. 665-694.
- Bhattacherjee A., Hikmet N. Physicians’ resistance toward healthcare information technology: A theoretical model and empirical test // European Journal of Information Systems. 2007. Vol.16. № 6. P. 725-737.
- Bozan K., Parker K., Davey B. A closer look at the social influence construct in the UTAUT Model: An institutional theory based approach to investigate health IT adoption patterns of the elderly. Proceedings of the Annual Hawaii International Conference on System Sciences. 2016. P. 3105-3114.
- Brünink L. Cross-functional Big Data integration: Applying the UTAUT model. University of Twente. 2016. [Electronic resource]. URL: http://essay.utwente.nl/71098/1/Brunink_MA_BMS.pdf (accessed: 24.05.2021).
- Burton-Jones A. Minimizing method bias through programmatic research // MIS Quarterly. 2009. Vol. 33. № 3. P. 445-471.
- Cabrera-Sánchez J.-P., Villarejo-Ramos Á.-F. Factores que afectan a la adopción del Big Data como instrumento de marketing en las empresas españolas. XXVIII Jornadas Luso-Espanholas de Gestâo Científica. 2018. 13 p.
- Demoulin N.T.M., Coussement K. Acceptance of text-mining systems: The signaling role of information quality // Information & Management. 2018. Vol. 57. № 1.
- Falk R.F., Miller N.B. A primer for soft modeling. Akron, OH: University of Akron Press. 1992. 103 p.
- Featherman M.S. & Pavlou P.A. Predicting e-services adoption: A perceived risk facets perspective // International Journal of Human Computer Studies. 2003. Vol. 59. № 4. P. 451-474.
- Gefen D., Rigdon E.E., Straub D. An update and extension to SEM guidelines for administrative and social science research // MIS Quarterly. 2011. Vol. 35. № 2. P. 3-14.
- Hair J.F., Sarstedt M., Ringle C.M., Mena J.A. An assessment of the use of partial least squares structural equation modeling in marketing research // Journal of the Academy of Marketing Science. 2012. Vol. 40. № 3. P. 414-433.
- Henseler J., Ringle C.M., Sarstedt M. A new criterion for assessing discriminant validity in variance-based structural equation modeling // Journal of the Academy of Marketing Science. 2014. Vol. 43. № 1. P. 115-135.
- Huang T.C.K., Liu C.C., Chang D.C. An empirical investigation of factors influencing the adoption of data mining tools // International Journal of Information Management. 2012. Vol. 32. № 3. P. 257-270.
- Kim H.-W., Kankanhalli A. Investigating user resistance to information systems implementation: A status quo bias perspective // MIS Quarterly. 2009. Vol. 33. № 3. P. 567-582.
- Kock N. Common method bias in PLS-SEM: A full collinearity assessment approach // International Journal of E-Collaboration. 2015. Vol. 11. № 4. P. 1-10.
- Kock N., Lynn G.S. Lateral collinearity and misleading results in variance-based SEM: An illustration and recommendations // Journal of the Association for Information Systems. 2012. Vol. 13. № 7. P. 546-580.
- McAfee A., Brynjolfsson E. Big Data: The management revolution // Harvard Business Review. 2012. Vol. 90. № 10. P. 61-68.
- MacKenzie S.B., Podsakoff P.M., Podsakoff N.P. Construct measurement and validation procedures in MIS and behavioral research: Integrating new and existing techniques // MIS Quarterly. 2011. Vol. 35. № 2. P. 293-334.
- Paulk M.C., Curtis B., Chrissis M.B., Weber C.V. Capability maturity model, version 1.1 // IEEE Software. 1993. Vol. 10. № 4. P. 18-27.
- Podsakoff P.M., MacKenzie S.B., Lee J.-Y., Podsakoff N.P. Common method biases in behavioral research: A critical review of the literature and recommended remedies // Journal of Applied Psychology. 2003. Vol. 88. № 5. P. 879-903.
- Podsakoff P.M., MacKenzie S.B., Podsakoff N.P. Sources of method bias in social science research and recommendations on how to control it // Annual Review of Psychology. 2012. Vol. 63. P. 539-569.
- Ringle C.M., Wende S., Becker J.M. SmartPLS. “SmartPLS 3.” Boenningstedt: SmartPLS GmbH. Hamburg, Germany. 2015.
- Straub D., Boudreau M., Gefen D. Validation guidelines for IS positivist research // Communications of the Association for Information Systems. 2005. Vol. 13. № 24. P. 380-427.
- Venkatesh V., Morris M.G., Davis G.B., Davis F.D. User acceptance of information technology: Toward a unified view // MIS Quarterly. 2003. Vol. 27. № 3. P. 425-478.
- Verma S., Bhattacharyya S.S., Kumar S. An extension of the technology acceptance model in the big data analytics system implementation environment // Information Processing and Management. 2018. Vol. 54. № 5. P. 791-806.
