ppnc

1. Paper 6:
Big data analytics and firm
performance: Findings from a mixed-
method approach

2. Bố cục
1. Introduc tion
2. Background and research framework
3. Method
4. Findings
5. Discussion

3. A B S T R A C T
Mặc dù ngày càng có nhiều công ty tung ra các sáng kiến dữ liệu lớn, nhưng vẫn còn hạn
chế về cách các công ty chuyển tiềm năng của những công nghệ đó thành giá trị kinh
doanh.
Bài báo này dựa trên lý thuyết phức tạp và điều tra các cấu hình của tài nguyên và các yếu
tố theo ngữ cảnh dẫn đến tăng hiệu suất từ các khoản đầu tư phân tích dữ liệu lớn.
Theo cách tiếp cận phương pháp hỗn hợp bằng cách sử dụng dữ liệu khảo sát từ 175 giám
đốc thông tin và nhà quản lý CNTT làm việc tại các công ty Hy Lạp và 3 nghiên cứu điển
hình để chỉ ra rằng tùy thuộc vào ngữ cảnh, các nguồn phân tích dữ liệu lớn có ý nghĩa
khác nhau khi xem xét mức tăng hiệu suất.

4. 1.
Introduction
Tiền đề chính mà
phân tích dữ liệu
lớn được xây
dựng như thế
nào?
Hạn chế của các
nghiên cứu trước
đây
Sự cần thiết của
nghiên cứu này
Cấu trúc để thực
hiện bài báo

5. Tiền đề để xây dựng bài báo
• Tiền đề chính mà phân tích dữ liệu lớn được
xây dựng dựa trên đó là bằng cách phân tích
khối lượng lớn dữ liệu phi cấu trúc từ nhiều
nguồn, có thể tạo ra những hiểu biết sâu sắc có
thể hành động giúp các công ty chuyển đổi hoạt
động kinh doanh của họ và đạt được lợi thế
cạnh tranh
• Mặc dù có nhiều hứa hẹn từ phân tích dữ liệu
lớn, nhưng đã có ít nghiên cứu trước đây về
cách các tổ chức cần được cấu trúc để tạo ra giá
trị kinh doanh từ các khoản đầu tư đó và hiểu
biết hạn chế về tác động qua lại của các yếu tố
thúc đẩy tăng hiệu suất

6. Hạn chế của các nghiên cứu trước đây:
• Hầu hết các báo cáo cho đến nay về giá trị
của phân tích dữ liệu lớn đến từ nghiên cứu
trường hợp riêng lẻ, không dựa trên kết quả
thực nghiệm từ các phân tích quy mô lớn và
thiếu hiểu biết lý thuyết
• Một số còn cho rằng dữ liệu lớn gây hại hơn
là giúp ích
• Các nghiên cứu thực nghiệm về chủ đề này
vẫn còn khá khan hiếm.
• Cách các tổ chức nên tiếp cận sáng kiến dữ
liệu lớn như thế nào vẫn là một câu hỏi lớn

7. Sự cần thiết của nghiên cứu này
Nhấn mạnh tầm quan trọng của việc đào sâu vào toàn bộ các khía cạnh xung quanh
phân tích dữ liệu lớn
Các công ty phải có được và phát triển sự kết hợp giữa dữ liệu, công nghệ, con
người và nguồn lực tổ chức để tạo ra một khả năng khó bắt chước và chuyển giao
Ngoài ra, công việc thực nghiệm theo hướng này dựa trên tiền đề rằng các tài
nguyên phân tích dữ liệu lớn có tầm quan trọng như nhau, bất kể bối cảnh
Việc hiểu các tài nguyên phân tích dữ liệu lớn cốt lõi mà các công ty nhận ra giá trị
khác biệt ngày càng quan trọng khi ngày càng có nhiều công ty đầu tư mạnh vào các
công nghệ như vậy và đi sâu vào việc ra quyết định dựa trên dữ liệu

8. Cấu trúc bài báo
2.
• Lý thuyết phân tích dữ liệu lớn và giá trị
kinh doanh
• Tóm tắt kiến thức hiện tại và nêu ra những
lỗ hổng cần giải đáp
• Giới thiệu khung nghiên cứu và phác thảo
quan điểm lý thuyết
3.
• Cách tiếp cận nghiên cứu tổng thể
• Phương pháp nghiên cứu
• Mô tả phương pháp thu thập dữ liệu
4.
• Kết quả phân tích fsQCA
• Kết quả 3 case studies
5.
• Thảo luận những phát hiện
• Ý nghĩa lý thuyết và thực tiễn
• Những hạn chế và hướng nghiên
cứu trong tương lai

9. 2.1.Phân tích dữ liệu lớn và giá trị kinh doanh:
• Phân tích dữ liệu lớn được coi là tiền đề cho sự đổi
mới, cạnh tranh và năng suất.
• Phân tích dữ liệu lớn có thể tạo điều kiện thuận lợi cho
việc ra quyết định tốt hơn, cảm nhận các cơ hội và mối
đe dọa mới nổi, đồng thời cung cấp thông tin chi tiết.
• Các khía cạnh và thách thức về tổ chức:
Đạt được giá trị từ phân tích dữ liệu lớn đòi hỏi phải có sự
phổ biến tổ chức tập trung và khả năng phân tích dữ liệu lớn
trên toàn công ty.
Khả năng của một công ty trong việc sử dụng hiệu quả công
nghệ và tài năng để thu thập, lưu trữ và phân tích dữ liệu để
tạo ra cái nhìn sâu sắc.

10. 2.2. Khuôn khổ nghiên cứu
Khung nghiên cứu để phân tích dữ liệu lớn và giá trị kinh doanh:
5 thách thức chính mà các tổ chức phải đối mặt: dữ liệu, công nghệ, quy trình, con người và
tổ chức.
Khung nghiên cứu được trình bày với 7 bộ cấu trúc thông qua biểu đồ Venn: hiệu suất (biến phụ
thuộc), nhân tố nguyên nhân (6 bộ) và điều kiện bối cảnh.
Quan điểm dựa trên nguồn lực và sự trưởng thành về các nguồn lực hữu hình, vô hình và liên
quan đến con người là những thành phần chính trong việc thúc đẩy giá trị kinh doanh.

11. 2.3. Quan điểm lý thuyết
Nghiên cứu hiện tại dựa trên lý thuyết phức tạp xem các tổ chức như các hệ thống thích ứng
phức tạp, tự tổ chức và phát triển để thích nghi với môi trường của họ.
1. Không có điều kiện tiền
đề đơn lẻ nào là đủ hoặc
cần thiết để mô tả điểm số
cao trong một kết quả.
2. Một số cấu hình phức
tạp của các điều kiện tiền
đề có thể chỉ ra điểm cao
trong một điều kiện kết
quả.
3. Các trường hợp trái
ngược xảy ra khi điểm
thấp trong một tiền đề duy
nhất có thể được liên kết
với cả điểm cao và điểm
thấp trong một điều kiện
kết quả.
4.Sự bất cân xứng về nguyên nhân có thể xảy ra, nghĩa là các
mô hình nhân quả chính xác cho điểm cao của một điều kiện kết
quả không phải là tấm gương đối lập với các mô hình cho điểm
thấp.

12. 4.3.3. Ethics and legislation
(Đạo đức và pháp luật)
Lý thuyết phức tạp xem các yếu tố thông qua một
lăng kính tổng thể phải được xem xét đồng thời,
làm cho nó phù hợp với các nghiên cứu liên quan
đến bối cảnh.
Việc triển khai phân tích dữ liệu lớn trong tổ chức
rất phù hợp với lăng kính của lý thuyết phức tạp
khi nhiều tác nhân, đối tượng, quy trình và các
yếu tố ngữ cảnh tương tác định hình giá trị kinh
doanh được thực hiện.
Tương tác giữa các thành phần của các hệ thống
phức hợp làm phát sinh các thuộc tính nổi bật
không thể hiểu đầy đủ bằng cách kiểm tra các
thành phần riêng lẻ.
Lý thuyết phức tạp đã đạt được sự nổi bật trong
nhiều lĩnh vực vì nó xem xét các yếu tố 1 cách
đồng thời
Sự phù hợp của lý thuyết phức tạp

13. 3. Phương pháp nghiên cứu
Bài báo sử dụng phương pháp nghiên cứu hỗn
hợp để phân tích các nhân tố liên quan đến tài
nguyên dữ liệu lớn kết hợp với các nhân tố bối
cảnh của công ty để tăng hiệu quả và đạt được
hiệu suất cao của công ty.
Phương pháp định lượng
Phương pháp định tính

14. Mục tiêu của việc chọn phương
pháp nghiên cứu
 Xác định sự kết hợp của các nhân tố quan trọng trong việc thúc đẩy
hiệu suất từ các phân tích dữ liệu lớn trong các ngữ cảnh khác nhau
 Khám phá các mối quan hệ đặc trưng cho các cấu hình này

15. 3.1.Nghiên cứu định lượng:
Phương pháp khảo sát
Bài báo sử dụng phương pháp khảo sát bằng cách xây dựng dựa trên
các đối tượng đã được khảo sát trong các công trình nghiên cứu trước
đó - những công trình góp quan trọng cho sự thành công của phân tích
dữ liệu lớn (McAfee et al., 2012; Mikalef et al., 2018)
Tác giả xây dựng kích thước mẫu khảo sát dựa trên bài nghiên cứu của
(Vidgen et al., 2017) để phân tích tầm quan trọng của các nhân tố trong việc
thúc đẩy giá trị kinh doanh.
Xác định được hạn chế của các nghiên cứu trước đây chỉ dừng ở bước khám
phá nhưng chưa có nghiên cứu thực nghiệm

16. 3.2. Nghiên cứu định lượng:
Phương pháp khảo sát
• “We utilized a 7-point Likert scale” - sử dụng thang đo
Likert 7 điểm, nghiên cứu thử nghiệm với 17 công ty,
Những người trả lời này sau đó đã được liên lạc qua
điện thoại và hỏi về chất lượng của các câu hỏi và được
mời đưa ra các đề xuất nhằm cải thiện sự rõ ràng và
trình bày của công cụ khảo sát.
• Sử dụng một danh sách gửi thư của khoảng 1500
Giám đốc Thông tin và các nhà quản lý CNTT có trụ
sở tại Hy Lạp.
• Thời gian thu thập trong khoảng thời gian khoảng 3
tháng (tháng 4 năm 2017–tháng 7 năm 2017) và thời
gian hoàn thành khảo sát trung bình là 14 phút. Tổng
cộng, 193 công ty đã hoàn thành khảo sát, với 175
công ty đưa ra câu trả lời (bảng 1)
• Kiểm tra khả năng sai lệch của phản hồi muộn bằng
cách so sánh phản hồi sớm (hai tuần đầu tiên) và phản
hồi muộn (hai tuần trước) trên các cấu trúc chính của
nghiên cứu

17. Kết quả của nghiên cứu định lượng:
Phương pháp khảo sát
• Để xác định xem có nguy cơ sai lệch
phương pháp trong mẫu của chúng tôi
hay không, chúng tôi đã làm theo
hướng dẫn của Podsakoff, MacKenzie,
Lee và Podsakoff (2003) và tiến hành
một số phân tích. mọi phân tích sẽ
được thực hiện ở cấp độ tổng hợp chỉ
dành cho mục đích nghiên cứu
• Kết quả: Về kích thước mẫu, 175 câu
trả lời đã hoàn thành vượt quá yêu cầu
đối với các cấu trúc biến tiềm ẩn đòi
hỏi số lượng chỉ số hình thành lớn nhất
gấp mười lần được sử dụng để đo
lường một cấu trúc ( Hair, Ringle, &
Sarstedt, 2011 ).
• Hơn nữa, không giống như các kỹ
thuật thống kê thông thường, fsQCA
khắc phục các hạn chế liên quan đến
cỡ mẫu ( Mas-Verdú, Ribeiro-Soriano,
& Roig-Tierno, 2015 ).
• Do đó, các phân tích fsQCA đều có kết
luận như nhau đối với các mẫu nhỏ
hoặc lớn, làm cho nó trở thành một
công cụ thích hợp cho nhiều loại
nghiên cứu ( Fiss, 2011; Navarro,
Llinares, & Garzon, 2016 ; Woodside,
2012 ).

18. 3.3. Measurements (Đo lường)
• Phụ lục A: Cung cấp bản tóm tắt các thang đo được sử dụng

19. 3.3. Measurements (Đo lường)
• Dữ liệu ( DATA ) đã được vận hành như một cấu trúc theo thứ tự đầu tiên được hình thành. Các
mục của cấu trúc được phát triển để nắm bắt mức độ mà một tổ chức có quyền truy cập vào dữ liệu
lớn, phi cấu trúc và chuyển động nhanh cũng như mức độ tích hợp dữ liệu nội bộ và dữ liệu bên
ngoài của tổ chức ( Gupta & George, 2016 ).
• Công nghệ ( TECH ) được phát triển như một cấu trúc theo thứ tự đầu tiên được hình thành bao
gồm năm mục. Cấu trúc xác định liệu một tổ chức có sở hữu các công nghệ lưu trữ dữ liệu cần
thiết, công cụ trực quan hóa dữ liệu và cơ sở hạ tầng phân tích dữ liệu nguồn mở và dựa trên đám
mây bổ sung khác hay không ( Gupta & George, 2016 ; Vidgen et al., 2017 ).

20. 3.4 . Measurement Model - Mô hình đo lường
Tác giả đã thực hiện một loạt phân tích thông qua gói phần mềm SmartPLS 3. ( Ringle, Wende, &
Becker, 2015 ). Kết quả đã được trình bày trong Bảng 2 và Phụ lục B

21. Measurement Model
( Mô hình đo lường)
Để đánh giá mức độ phù hợp của các chỉ số hình
thành, trước tiên tác giả đã kiểm tra trọng số và tầm
quan trọng của các hạng mục đối với cấu trúc được
chỉ định của chúng.
Kiểm tra tính hội tụ, kiểm tra độ phù hợp của các cấu
trúc, kiểm tra tỷ trọng của từng cấu trúc.
Các mục của tất cả các cấu trúc bậc nhất có tác động
tích cực và rất có ý nghĩa. Để kiểm tra tính hợp lệ của
các mục của cấu trúc hình thành, tác giả đã làm theo
các hướng dẫn được đề xuất bởi MacKenzie,
Podsakoff và Podsakoff (2011) và Vom Brocke et
al. (2014) và tính toán hệ số thỏa đáng của Edwards
(2001) (R 2
a ). Để làm như vậy, tác giả đã tổng hợp
các mối tương quan bình phương giữa các mục hình
thành và cấu trúc hình thành tương ứng của chúng, sau
đó chia tổng cho số lượng chỉ báo.

22. 3.5. Nghiên cứu định tính:
Phương pháp phỏng vấn
sâu
 Tác giả thu thập dữ liệu thông qua các cuộc phỏng vấn bán cấu trúc
(là phỏng vấn dựa theo danh mục các câu hỏi hoặc các chủ đề cần đề
cập đến) với nhân viên công ty mà những nhân viên này là nhân tố chủ
chốt để thực hiện các giải pháp nâng cao hiệu quả công ty.
 Mục đích của các nghiên cứu điển hình này là để bổ sung cho phân
tích định lượng và cung cấp thêm chiều sâu về các giải pháp xuất
hiện.

23. • Tác giả đã tiến hành 3 nghiên cứu tình huống
trong các tổ chức tư nhân để quan sát hiện tượng
các khả năng phân tích dữ liệu lớn xuất hiện như
thế nào trong môi trường kinh doanh thực tế, sự
khác nhau như thế nào tùy thuộc vào một số
điều kiện bên trong và bên ngoài
• Dữ liệu được thu thập trong khoảng thời gian 2
tháng thông qua các cuộc phỏng vấn. Hạn chế là
thông tin thu thập được khá chủ quan, vì nó bắt
nguồn từ những người trả lời trong công ty. thu
thập dữ liệu từ các nguồn dữ liệu chính và phụ
cho mỗi công ty. Hướng dẫn phỏng vấn và các
câu hỏi tương ứng có thể được tìm thấy
trong Phụ lục D
Nghiên cứu định tính:
Phương pháp phỏng vấn

24. 4. Findings: Phương pháp nghiên cứu
định tính sử dụng tập mờ (fsQCA)
Để xác định sự kết hợp nào của các tài nguyên phân tích dữ liệu lớn là quan trọng
nhất trong việc đạt được hiệu suất cho các công ty hoạt động trong các bối cảnh
khác nhau, nghiên cứu này sử dụng phương pháp fuzzy-set Qualitative Comparative
Analysis (fsQCA) - Phương pháp phân tích so sánh định tính sử dụng tập mờ.

25. 4.1. Calibration (Hiệu chuẩn)
• Bước đầu tiên của phân tích fsQCA là hiệu
chỉnh các biến phụ thuộc và biến độc lập
thành tập mờ hoặc tập rõ: Biến phụ thuộc:
hiệu suất; Biến độc lập: dữ liệu, công nghệ, kỹ
năng quản lý và kỹ thuật, thực tiễn về cấu
trúc, quan hệ và thủ tục, văn hóa...
• Để hiệu chỉnh các biến liên tục thành các tập
mờ, chúng tôi đã làm theo phương pháp
do Ragin (2009) đề xuất .

26. 4.2. Fuzzy set qualitative comparative analysis (fsQCA)
Phương pháp nghiên cứu định tính sử dụng tập mờ (fsQCA)
• Các tác giả đã dựa vào phần mềm fsQCA 3.0 ( Ragin, 2009 )
• Phân tích fsQCA mang lại 2 loại giải pháp: giải pháp trung gian và giải pháp tiết kiệm
• Kết quả phân tích (fsQCA) đối với hiệu quả hoạt động của công ty ở mức độ cao được
trình bày trong Bảng 4.
• Các vòng tròn màu đen (●) biểu thị sự hiện diện của một tình trạng, trong khi các vòng
tròn gạch chéo (⊗) cho biết không có tình trạng đó (Ragin, 2008), các khoảng trống là
một dấu hiệu của một tình huống không quan tâm, Trong các giải pháp của nghiên cứu
hiện tại không tồn tại các yếu tố ngoại vi.

27. - 2 giải pháp đầu tiên đưa ra một số điểm tương đồng vì chúng
đề cập đến các công ty hoạt động trong bối cảnh năng động
cao và không có sự không đồng nhất bao gồm các công ty
trong các ngành như hàng tiêu dùng, truyền thông, vận tải và
công nghiệp: Giải pháp 1 tương ứng với các doanh nghiệp lớn,
trong khi giải pháp 2 dành cho Doanh nghiệp vừa và nhỏ.
- Giải pháp 3 và 4 tương ứng với điều kiện có độ không đảm
bảo cao hơn. Cụ thể, giải pháp 3 trình bày nguồn lực cốt lõi
cho các doanh nghiệp lớn hoạt động trong điều kiện năng động
và thù địch cao. Ở giải pháp 3, tầm quan trọng của công nghệ
thấp hơn so với ở giải pháp 1 và 2, vì nó không được coi là
yếu tố cốt lõi để đạt được hiệu suất. Giải pháp 4 chỉ ra rằng đối
với các doanh nghiệp vừa và nhỏ, hoạt động trong điều kiện
năng động và không đồng nhất cao, sẽ xuất hiện một mô hình
tương tự về các nguồn lực cốt lõi. Kỹ năng quản lý là rất quan
trọng, cũng như nguồn dữ liệu và kỹ năng kỹ thuật.
- Các phát hiện cung cấp hỗ trợ cho ý tưởng rằng các kết hợp
khác nhau của tài nguyên phân tích dữ liệu lớn đóng vai trò
quan trọng hơn hoặc thấp hơn tùy thuộc vào bối cảnh ứng
dụng và các điều kiện đặc trưng cho chúng
- Phân tích cho thấy rằng có bốn giải pháp thay thế dẫn đến
hiệu suất cao.

28. 4.3. Case studies
Để khám phá thêm cách thức phân
tích dữ liệu lớn được tận dụng để
tạo ra giá trị trong các bối cảnh khác
nhau, tác giả đã điều tra các tổ chức
với các đặc điểm khác nhau
Hiểu cách các yếu tố được kiểm tra trong
nghiên cứu định lượng kết hợp với nhau và
động lực phát triển giữa chúng trong việc
đạt được hiệu suất đạt được (Venkatesh et
al.,2013) Những yếu tố này xuất hiện thông
qua các nghiên cứu điển hình được nhóm
lại thành: (1) chiến lược phân tích dữ liệu
lớn, (2) quán tính của tổ chức và (3) đạo
đức và luật pháp.

29. 4.3.1. Big data
analytics strategy
( chiến lược phân tích
dữ liệu lớn)
• Chiến lược phân tích dữ liệu lớn đã được đề cập bao
gồm có lộ trình rõ ràng cho tương lai, phát triển chiến
lược từ trên xuống và có định hướng về cách phân tích
có thể cải thiện hoạt động kinh doanh
• Chiến lược phân tích dữ liệu lớn không quá rõ ràng
nhưng đã phát triển dần dần sau khi thử nghiệm dữ
liệu và chứng minh giá trị kinh doanh
• Phân tích dữ liệu lớn hiếm khi là động lực của chiến
lược kinh doanh và chủ yếu được sử dụng để cải thiện
sự thiếu hiệu quả trong hoạt động (những người được
hỏi nhấn mạnh rằng phân tích không được thảo luận
nhiều trong việc xây dựng chiến lược quản lý cấp
cao. )

30. • Có nhiều mức độ khác nhau của sức ì, mà trong nhiều
trường hợp bắt nguồn từ ban lãnh đạo cao nhất.
• Những người được hỏi nói rằng quản lý cấp cao đã vượt
qua những lo ngại của họ về việc đầu tư vào phân tích dữ
liệu lớn chủ yếu là do áp lực bắt chước vì một số người đi
trước trong ngành của họ đã làm như vậy.
• Các dạng quán tính khác đã xuất hiện trong sự hợp tác
giữa các bộ phận khi nói đến các dự án phân tích dữ liệu lớn.
các phòng ban có người quản lý trực tiếp riêng và có rất ít sự
phối hợp giữa các phòng ban là do Tâm lý tiêu cực và sợ mất
quyền kiểm soát
• Những phát hiện từ phân tích định lượng giúp xác định
những rào cản đó có thể được khắc phục bằng cách thiết lập
các kế hoạch quản trị dữ liệu lớn vững chắc, quy định cách
các bộ phận nên hợp tác và thiết lập vai trò và trách nhiệm.
4.3.2. Organizational inertia (quán tính tổ chức)

31. 4.3.3. Ethics and legislation
(Đạo đức và pháp luật)
Phải tuân theo Quy định bảo vệ dữ liệu chung
(GDPR). “ GDPR có thể được coi là một rào cản
khi đề cập đến việc lập hồ sơ người dùng thông
qua phân tích mạng xã hội .”
Những người được hỏi lưu ý rằng điều quan
trọng là các công ty không chỉ tuân thủ luật pháp
mà còn tuân theo các quy tắc đạo đức khi thu
thập, quản lý và phân tích dữ liệu
Điều quan trọng là các công ty phải xây dựng
hình ảnh như một thực thể đáng tin cậy để khách
hàng của họ đồng ý cung cấp dữ liệu và cho phép
họ tận dụng dữ liệu này một cách thích hợp và
theo những gì họ tin là cách tiếp cận đúng đắn về
mặt đạo đức

32. Kết quả
Việc kết hợp các nguồn lực khác nhau
đóng góp đáng kể cho hiệu quả hoạt
động của công ty tùy thuộc vào đặc
điểm của yếu tố bên ngoài cũng như
vào quy mô của công ty.
Nghiên cứu đã đóng góp về mặt thực nghiệm :
Giúp các nhà quản lý xây dựng được công cụ
đánh giá điểm mạnh và điểm yếu của tổ chức
mình trong đó các điểm mạnh có thể giúp bộc lộ
những khu vực kém phát triển hoặc chưa được
hỗ trợ nguồn lực

33. 5. Discussion
Tác giả dẫn dắt từ các bài nghiên
cứu cho rằng các tổ chức nên đầu
tư vào một số lĩnh vực chính nhất
định và thiết lập quy trình thực
tiễn cụ thể để ghi nhận giá trị từ
các khoản đầu tư vào big data.

34. • Mục tiêu của nghiên cứu này là để hiểu
liệu phân tích dữ liệu lớn có thể dẫn đến
bất kỳ giá trị kinh doanh có thể đo lường
nào hay không và để cô lập các tài nguyên
cốt lõi trong các bối cảnh khác nhau. Để
hoàn thành được mục tiêu nghiên cứu,
nhóm tác giả đã giả định tất cả các tổ
chức đều yêu cầu các tiếp cận giống nhau
khi triển khai phân tích big data để hỗ trợ
cho chiến lược kinh doanh.
• Bài viết sử dụng phương pháp nghiên cứu
hỗn hợp gồm định lượng và định tính để
chứng minh rằng có 4 nhóm công ty đại
diện cho các yếu tố cốt lõi trong việc đạt
được hiệu suất từ phân tích big data.

35. 5.1. Hàm ý nghiên cứu
Tác giả cho rằng phát hiện của bài
nghiên cứu bổ sung cho các nghiên
cứu trước theo. Tác giả khẳng định
lại những nghiên cứu trước đó và
đưa ra vấn đề mà các nghiên cứu đó
gặp phải là không tăng được hiệu
suất. Tác giả đưa ra ý kiến rằng chưa
có nhiều nghiên cứu thực nghiệm để
khẳng định phân tích big data sẽ làm
tăng cường hiệu suất.

36. 5.1. Hàm ý nghiên cứu
Tác giả đưa ra ý kiến rằng các kết hợp
khác nhau của các tài nguyên liên quan
đến big data có ý nghĩa lớn hơn hoặc nhỏ
hơn tùy thuộc vào bối cảnh chúng được sử
dụng. Tác giả khẳng định việc phân tích
big data không nên được coi là một kỹ
thuật duy nhất, mà phải kết hợp với chiến
lược kinh doanh của doanh nghiệp để tăng
hiệu suất.

37. 5.1. Hàm ý
nghiên cứu
Tác giả đưa ra những khác biệt giữa bài nghiên cứu của
mình với những nghiên cứu hiện có đó là các yếu tố khác
nhau phải được nhấn mạnh tùy thuộc vào bối cảnh kiểm
tra. Hầu hết các nghiên cứu trước đó đều không phân biệt
giữa các loại hình tổ chức khác nhau và bối cảnh mà họ
hoạt động. Tác giả đưa ra một số yếu tố dùng để phân tích
big data đó là quy mô, cơ cấu tổ chức, ngành cũng như sự
hỗ trợ của người quản lý hàng đầu.

38. 5.2 Ý nghĩa nghiên cứu
Tác giả đưa ra ý nghĩa của nghiên
cứu là phân tích dữ liệu lớn
không chỉ đơn thuần là đầu tư vào
công nghệ, thu tập lượng dữ liệu
khổng lồ và cho phép bộ phận
CNTT thử nghiệm các kỹ thuật
phân tích mới. Kết hợp với những
kết quả của các bài nghiên cứu đã
có để công ty phát triển khả năng
phân tích big data và nhận ra giá
trị gia tăng của doanh nghiệp sẽ
phải thực hiện vô số quy trình,
đòi hỏi sự cam kết của lãnh đạo
cao nhất và có kế hoạch rõ ràng.
(Hình 6)

39. 5.2 Ý nghĩa nghiên cứu
Tác giả cho rằng bài nghiên cứu có thể giúp các nhà
quản lý xây dựng một công cụ đánh giá được điểm
yếu, điểm mạnh của doanh nghiệp. (Hình 7)

40. 5.2 Ý nghĩa nghiên cứu
Tác giả đưa ra lời khuyên cho các
nhà quản lý rằng nên suy nghĩ kỹ
về thời gian cần thiết trước khi họ
mong đợi kết quả có thể đo lường
từ các khoản đầu tư vào big data.
Đồng thời tuyển dụng nhân viên
có kỹ năng quản lý và kỹ năng
cần thiết trong thời đại big data là
mối quan tâm của nhiều nhà điều
hành

41. 5.3 Hạn chế và những nghiên cứu trong tương lai
Thứ nhất, bài nghiên cứu chỉ dựa vào những
người trả lời là ban quản lý cấp cao , các nghiên
cứu trong tương lai có thể mở rộng phạm vi
nghiên cứu gồm tất cả những người lao động
Thứ hai, bài nghiên cứu chỉ phân tích tác động
của big data đến hiệu suất của công ty mà chưa
tính đến nhiều yếu tố quan trọng khác đặc biệt là
xem xét chi phí triển khai phân tích big data.
Thứ ba, bài nghiên cứu của mình tác giả có các
phân tích về khoảng thời gian mà các tổ chức cần
có được để sắp xếp, triển khai các tài nguyên
phân tích bog data để đạt được hiệu suất. Tác giả
đưa ra gợi ý cho bài nghiên cứu trong tương lai
theo cách tiếp cận theo chiều dọc.

42. THANK YOU
FOR LISTENING