Mức độ sẵn sàng áp dụng phân tích dữ liệu lớn trong các tổ chức doanh nghiệp dựa trên khung lý thuyết TOE: Nghiên cứu tổng quan

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:16

Thêm vào BST

Báo xấu

10
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết tập trung nghiên cứu tổng quan về việc đánh giá mức độ sẵn sàng áp dụng phân tích dữ liệu lớn trong các tổ chức/doanh nghiệp, dựa trên khung lý thuyết TOE (Technological-Organizational-Environmental).

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Mức độ sẵn sàng áp dụng phân tích dữ liệu lớn trong các tổ chức doanh nghiệp dựa trên khung lý thuyết TOE: Nghiên cứu tổng quan

PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 MỨC ĐỘ SẴN SÀNG ÁP DỤNG PHÂN TÍCH DỮ LIỆU LỚN TRONG CÁC TỔ CHỨC-DOANH NGHIỆP DỰA TRÊN KHUNG LÝ THUYẾT TOE: NGHIÊN CỨU TỔNG QUAN Lê Thị Thu Trường Đại học Thương mại Email: lethithu@tmu.edu.vn Tóm tắt: Bài viết tập trung nghiên cứu tổng quan về việc đánh giá mức độ sẵn sàng áp dụng phân tích dữ liệu lớn trong các tổ chức/doanh nghiệp, dựa trên khung lý thuyết TOE (Technological-Organizational-Environmental). Bằng phương pháp nghiên cứu trắc lượng thư mục kết hợp phân tích nội dung và sử dụng phần mềm VOSviewer, bài viết đã tổng hợp một số mô hình và phương pháp đánh giá sự sẵn sàng áp dụng phân tích dữ liệu lớn, trong đó tập trung vào các yếu tố ảnh hưởng từ Công nghệ, Tổ chức, và Môi trường. Từ đó cung cấp một cái nhìn đa chiều về sự sẵn sàng áp dụng phân tích dữ liệu lớn bằng cách kết hợp nhiều yếu tố chứ không chỉ xem xét từ một góc độ cụ thể nào đó. Bên cạnh đó, nghiên cứu cũng phát hiện ra rằng, cần mở rộng khung lý thuyết TOE bằng cách tích hợp yếu tố mới như "nhận thức và kiến thức về phân tích dữ liệu lớn của nhân viên", nhằm nâng cao khả năng đánh giá sự sẵn sàng của tổ chức. Đồng thời, việc tổng hợp các xu hướng nghiên cứu hiện tại về phân tích dữ liệu lớn và TOE đã mang lại cái nhìn tổng quan về xu hướng phát triển của lĩnh vực này. Tóm lại, bài viết không chỉ giúp hiểu rõ về sự sẵn sàng áp dụng phân tích dữ liệu lớn trong tổ chức, mà còn đóng góp vào việc phát triển phương pháp đánh giá và mở rộng lý thuyết để phản ánh sự phức tạp của việc áp dụng phân tích dữ liệu lớn trong các tổ chức hiện nay. Từ khoá: Phân tích dữ liệu lớp, mức độ sẵn sàng áp dụng phân tích dữ liệu lớn, TOE. 1. Giới thiệu Dữ liệu lớn (Big data) đề cập đến tập hợp lớn dữ liệu có cấu trúc, bán cấu trúc hoặc phi cấu trúc, được lấy từ các nguồn tài nguyên khác nhau (Matthew & cộng sự, 2015). Do việc xử lý dữ liệu lớn vượt quá khả năng của các công cụ phần mềm thông thường (Yin & Kaynak, 2015), nên các tổ chức/doanh nghiệp phải đối mặt với các quyết định đầu tư vào công nghệ liên quan đến dữ liệu lớn. Tuy nhiên, dữ liệu lớn cũng đem lại rất nhiều lợi ích: Là một tài sản, dữ liệu lớn có thể “cải thiện khả năng cạnh tranh, đổi mới và hiệu quả trong các tổ chức” (Braganza & cộng sự, 2016). Thuật ngữ phân tích dữ liệu lớn bao gồm các kỹ thuật và công nghệ phân tích tiên tiến hoạt động trên dữ liệu lớn để có được thông tin chi tiết, nâng cao và cải thiện quá trình ra quyết định (Malaka & Brown, 2015). Chen & cộng sự (2016) cho rằng, phân tích dữ liệu lớn có “khả năng xử lý thông tin độc đáo mang lại lợi thế cạnh tranh cho các tổ chức” và được kỳ vọng sẽ cải thiện hiệu suất hoạt động của tổ chức (Kwon & cộng sự, 2014). Bắt nguồn sâu xa từ kinh doanh thông minh (BI), phân tích dữ liệu lớn “đánh thức” mối quan tâm đến toán học, thống kê và phân tích định lượng (Braganza & cộng sự, 2016), nhưng bổ sung thêm một số yêu cầu cụ thể. Vì mục tiêu của phân tích dữ liệu lớn là trả lời các câu hỏi 648
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 có tính cụ thể cao, các giải pháp của nó phải phù hợp với bối cảnh này, đòi hỏi kỹ năng phương pháp luận tốt (Debortoli & cộng sự, 2014). Năng lực của kinh doanh thông minh và phân tích dữ liệu lớn có thể được phân loại thành ba làn sóng, bao gồm: (1) được đặc trưng bởi nội dung có cấu trúc, dựa trên hệ quản trị cơ sở dữ liệu - DBMS (làn sóng thứ nhất), (2) dựa trên nền web, do người dùng tạo ra, nội dung phi cấu trúc (làn sóng thứ hai) và (3) dựa trên thiết bị di động và cảm biến (làn sóng thứ 3) (Chen & cộng sự, 2012). Khả năng của phân tích dữ liệu lớn có thể được hiểu là các khả năng động, đòi hỏi “sự kết hợp tinh tế giữa quản lý, tài năng và công nghệ” (Akter & cộng sự, 2016). Vì những khả năng này được điều chỉnh để phù hợp với câu hỏi chuyên biệt (Debortoli & cộng sự, 2014), chúng sẽ phù hợp với ngữ cảnh (Chen & cộng sự, 2016). Việc áp dụng phân tích dữ liệu lớn đòi hỏi đầu tư vào công nghệ với chi phí tốn kém, bởi công nghệ này đang thay đổi nhanh chóng và mang lại cơ hội mới để xử lý thông tin với tốc độ ngày càng cao. Nó yêu cầu đầu tư vào việc phát triển các kỹ năng phân tích, xác định cho một nhiệm vụ theo ngữ cảnh cụ thể và tăng cường thu thập, lưu trữ dữ liệu, quan tâm đến các vấn đề chất lượng dữ liệu, bảo mật CNTT và về quyền riêng tư. Những yếu tố này có mối liên hệ chặt chẽ với nhau và ảnh hưởng đến các quyết định áp dụng phân tích dữ liệu lớn theo những cách khác nhau. Việc nghiên cứu các phương pháp, quy trình và cách thức tiếp cận để áp dụng phân tích dữ liệu lớn một cách hiệu quả vào tổ chức/doanh nghiệp là một nhu cầu hết sức cần thiết. Có rất nhiều cách tiếp cận khác nhau, một trong số đó là dựa trên khung lý thuyết nền tảng TOE. Lý thuyết TOE thường được sử dụng để giải thích quá trình áp dụng công nghệ, để xem xét bối cảnh của quá trình ra quyết định, làm sáng tỏ ảnh hưởng của các yếu tố đối với việc áp dụng phân tích dữ liệu lớn bằng cách xác định các yếu tố ảnh hưởng nhất, do đó giúp ưu tiên các yếu tố này và khuyến khích đầu tư cho phù hợp (Schüll & Maslan, 2018). Vì thế, nghiên cứu này sẽ tập trung vào vấn đề sẵn sàng áp dụng phân tích dữ liệu lớn trong tổ chức-doanh nghiêp dựa trên khung lý thuyết TOE. 2. Tổng quan nghiên cứu về phân tích dữ liệu lớn và khung lý thuyết TOE 2.1. Phân tích dữ liệu lớn Có ý kiến cho rằng việc các tổ chức tiếp tục tạo ra dữ liệu từ nhiều nguồn khác nhau và ở các định dạng khác nhau sẽ tạo nên các tổ chức “giàu có” về tài nguyên dữ liệu. Tuy nhiên, bất chấp sự phong phú về dữ liệu, những dữ liệu này chỉ cung cấp ít giá trị trừ khi nó đã được xử lý bằng cách sử dụng kỹ thuật phân tích dữ liệu lớn thích hợp. Do đó, phân tích dữ liệu lớn đã trở thành một mối quan tâm chính của nhiều tổ chức, cả ở khu vực tư nhân và khu vực công vì họ mong đợi thông tin có được từ phân tích dữ liệu lớn sẽ giúp cải thiện năng suất, đáp ứng nhu cầu khách hàng, giảm chi phí hoạt động, cũng như có cơ hội mở rộng doanh nghiệp của họ. Để thực hiện điều này, việc lên kế hoạch cho các chính sách, chương trình và sáng kiến phân tích dữ liệu lớn là vô cùng quan trọng. Các tổ chức khi xem xét phân tích dữ liệu lớn cần hiểu và nắm vững các kỹ thuật và công nghệ phân tích dữ liệu lớn, đặc biệt là khi xử lý dữ liệu phi cấu trúc. Đối với những tình huống như vậy, tổ chức có thể cần thay đổi công nghệ và các phương pháp phân tích để quản lý dữ liệu. Những thay đổi này có thể là một thách thức đối với các tổ chức, ví dụ các trường đại học công lập chỉ có nguồn ngân sách CNTT hạn chế. Do đó, sự sẵn sàng áp dụng phân tích 649
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 dữ liệu lớn phải xem xét một số vấn đề về chính sách, kinh phí, nội bộ cấu trúc, công nghệ và cơ sở hạ tầng cùng những khía cạnh khác. Nghiên cứu của Kalema & Mokgadi (2017) phát hiện ra rằng, trong khi công nghệ là tiền đề của BDA thì nhận thức của nhân viên và kiến thức/kỹ năng (kinh nghiệm sử dụng công nghệ) đóng một vai trò quan trọng đối với sự sẵn sàng ứng dụng phân tích dữ liệu lớn. Theo nghiên cứu của Tengku Izhar & Mohd Shoid (2016), nhận thức và kiến thức của nhân viên có thể được đo lường bằng (1) mức độ kinh nghiệm sử dụng phân tích dữ liệu lớn, (2) mức độ tính hữu ích của phân tích dữ liệu lớn, và (3) mức độ hiệu quả của phân tích dữ liệu lớn. Tất cả các thành phần này sẽ giúp xác định được nhận thức và kiến thức về phân tích dữ liệu lớn cho nhân viên. Trong đó, có kinh nghiệm phân tích dữ liệu lớn bao gồm việc biết định nghĩa phân tích dữ liệu lớn, hiểu cách dữ liệu lớn được tạo ra và các loại dữ liệu lớn trong một tổ chức. Kinh nghiệm sử dụng phân tích dữ liệu là quan trọng để đánh giá mức độ nhận thức và kiến thức phân tích dữ liệu, vì kinh nghiệm có thể cung cấp cho nhân viên và tổ chức các chiến lược tốt hơn trong việc quản lý phân tích dữ liệu. Hơn nữa, mức độ hữu ích của phân tích dữ liệu lớn cũng rất quan trọng, vì nó giúp tổ chức hiểu được ý nghĩa của việc sử dụng dữ liệu lớn trong các hoạt động hàng ngày, đặc biệt là giúp người dùng đưa ra quyết định và mức độ ưu tiên cho từng công việc. Đánh giá mức độ sử dụng có thể thông qua việc xác định các khía cạnh về công cụ phân tích, phân tích dữ liệu và tối ưu hóa việc sử dụng dữ liệu trong quá trình ra quyết định. Đối với tính hiệu quả của phân tích dữ liệu lớn, điều quan trọng là xem xét việc sử dụng dữ liệu lớn đã được phân tích để nâng cao lợi nhuận của tổ chức, đặc biệt là về các khía cạnh đổi mới, cạnh tranh và năng suất (Ijab & cộng sự, 2019). 2.2. TOE Framework Lý thuyết công nghệ - tổ chức - môi trường (TOE) được mô tả trong cuốn sách “The processes of technological innovation” của Drazin (1991). Cuốn sách mô tả toàn bộ quá trình đổi mới - trải dài từ quá trình phát triển các đổi mới của kỹ sư và doanh nhân đến việc người dùng áp dụng và thực hiện các đổi mới đó trong bối cảnh của một doanh nghiệp. Khung lý thuyết TOE đại diện cho một phân đoạn của quá trình này – xem xét bối cảnh doanh nghiệp ảnh hưởng đến việc áp dụng và thực hiện các đổi mới như thế nào. Khung TOE là một lý thuyết cấp tổ chức, giải thích rằng ba yếu tố khác nhau trong bối cảnh của một doanh nghiệp ảnh hưởng đến quyết định áp dụng công nghệ mới. Ba yếu tố này là bối cảnh công nghệ, bối cảnh tổ chức và bối cảnh môi trường. Cả ba đều được cho là có ảnh hưởng đến sự đổi mới công nghệ. Theo Baker (2011), việc mở rộng các nghiên cứu đã chứng minh rằng mô hình TOE có khả năng ứng dụng rộng rãi và sở hữu khả năng có thể giải thích trên một số bối cảnh công nghệ, công nghiệp và quốc gia/văn hóa. Mô hình TOE được sử dụng để giải thích việc áp dụng các hệ thống liên tổ chức (Baker, 2011; Grover, 2007), kinh doanh điện tử (Ilin & cộng sự, 2017), trao đổi dữ liệu điện tử (EDI) (Kuan & Chau, 2001), hệ thống mở (Chau & Tam, 1997), hệ thống doanh nghiệp (Ramdani & cộng sự, 2009), và một loạt các ứng dụng của hệ thống thông tin nói chung. Mô hình TOE đã được sử dụng để giải thích việc áp dụng các đổi mới trong một loạt các ngành công nghiệp, bao gồm sản xuất (Zhu & cộng sự, 2006), chăm sóc sức khỏe (AlMuhayfith & Shaiti, 2020), dịch vụ bán lẻ, bán buôn và tài chính (Zhu & cộng sự, 2006). Hơn nữa, mô hình TOE đã được thử nghiệm trong bối cảnh Châu Âu, Châu Mỹ và Châu Á, cũng như ở cả các nước phát triển và đang phát triển (Zhu & cộng sự, 2006). Trong mỗi 650
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 nghiên cứu, ba yếu tố công nghệ, tổ chức và môi trường đã được chứng minh là có ảnh hưởng đến cách một doanh nghiệp xác định nhu cầu, tìm kiếm và áp dụng công nghệ mới. Trong mỗi nghiên cứu thực nghiệm kiểm định theo khung lý thuyết TOE, các nhà nghiên cứu đã sử dụng các yếu tố có một chút sự khác nhau cho bối cảnh công nghệ, tổ chức và môi trường. Về bản chất, các nhà nghiên cứu đã đồng ý với Tornatzky & cộng sự (1990) rằng, ba bối cảnh TOE ảnh hưởng đến việc áp dụng, nhưng những nhà nghiên cứu này sau đó đã giả định rằng đối với mỗi công nghệ hoặc bối cảnh cụ thể đang được nghiên cứu, có một tập hợp các yếu tố hoặc biện pháp nhất định. Ví dụ, trong Zhu & cộng sự (2004), các tác giả cho rằng một yếu tố thích hợp trong bối cảnh công nghệ ảnh hưởng đến việc áp dụng kinh doanh điện tử là “sự sẵn sàng về công nghệ”. Tương tự, các tác giả này cho rằng “quy mô doanh nghiệp”, “phạm vi toàn cầu” và “nguồn lực tài chính” là những yếu tố thích hợp cần được nghiên cứu để hiểu bối cảnh tổ chức ảnh hưởng như thế nào đến việc áp dụng kinh doanh điện tử. Cuối cùng, “môi trường pháp lý” và “cường độ cạnh tranh” có liên quan khi các nhà nghiên cứu muốn hiểu bối cảnh môi trường ảnh hưởng như thế nào đến việc áp dụng kinh doanh điện tử. Mỗi sự đổi mới sẽ có các yếu tố khác nhau ảnh hưởng đến việc áp dụng chúng. Tương tự, các bối cảnh quốc gia/văn hóa khác nhau và các ngành khác nhau cũng sẽ có các yếu tố khác nhau. Do đó, các nghiên cứu khác nhau sẽ sử dụng các yếu tố khác nhau cho bối cảnh công nghệ, tổ chức và môi trường. Bảng 1 dưới đây liệt kê các yếu tố trong bối cảnh công nghệ, tổ chức và môi trường trong mỗi nghiên cứu thực nghiệm hiện có. Trong đó, dấu * biểu thị các yếu tố dự báo có ý nghĩa thống kê về việc áp dụng; chữ nghiêng biểu thị yếu tố không có ý nghĩa thống kê, các yếu tố còn lại biểu thị sự ảnh hưởng một phần. Ngoài ra, bảng này cũng xác định loại hoạt động đổi mới đang được nghiên cứu. Bảng 1. Tổng hợp các nghiên cứu thực nghiệm áp dụng TOE Nguồn tham khảo Các nhân tố trong Các nhân tố trong Các nhân tố trong và các hoạt động đổi bối cảnh công nghệ bối cảnh tổ chức bối cảnh môi mới trường Chau & Tam (1997) - Rào cản về nhận - Sự hài lòng với các - Môi trường không Open systems thức* hệ thống hiện có* chắc chắn - Lợi ích cảm nhận - Sự phức tạp của cơ - Nhận thức được tầm sở hạ tầng CNTT quan trọng của việc - Chính thức hóa quy tuân thủ các tiêu trình quản lý và phát chuẩn, khả năng triển hệ thống tương tác và tính liên kết Grover (1993) - Khả năng tương - Quy mô* - Vai trò của CNTT* Customer-based IOS thích* - Lập kế hoạch chiến - Quản lý rủi ro* - Độ phức tạp * lược* - Những đổi mới có - Lợi thế quan hệ - Cơ sở hạ tầng* thể điều chỉnh* (Relative advantage) - Hỗ trợ quản lý cấp - Chính sách công cao* nghệ - Vị trí của tổ chức* - Tương tác khách - Tập trung hóa hàng - Chính thức hóa - Xác định đối thủ - Hội nhập - Sức mạnh cạnh - Kế hoạch thực hiện tranh - Sức mạnh thông tin 651
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 - Quyền lực - Chiến lược chung - Mức độ trưởng thành - Hội nhập dọc Kuan & Chau (2001) - Lợi ích cảm nhận - Chi phí tài chính - Nhận thức áp lực EDI trực tiếp* cảm nhận * ngành* - Lợi ích cảm nhận - Năng lực kỹ thuật - Nhận thức áp lực gián tiếp cảm nhận * của chính phủ* Ramdani & cộng sự - Lợi thế quan hệ - Hỗ trợ quản lý cấp - Ngành (2009) (Relative cao* - Phạm vi thị trường Enterprise systems advantage)* - Sự sẵn sàng của tổ - Áp lực cạnh tranh - Khả năng tương chức - Hỗ trợ HTTT từ bên thích - Quy mô* ngoài - Sự phức tạp - Kinh nghiệm về - Có thể dùng thử* HTTT - Khả năng quan sát Thong (1999) - Lợi thế tạo mối liên - Quy mô kinh - Đối thủ cạnh tranh IS hệ của IS doanh* - Khả năng tương - Kiến thức IS của thích của IS nhân viên* - Mức độ phức tạp - Độ lớn của thông của IS tin - Sự đổi mới của CEO - Kiến thức IS của CEO Zhu & cộng sự - Năng lực công nghệ - Quy mô công ty - Áp lực cạnh tranh* (2003) (cấu trúc 2 bậc, bao - Phạm vi công ty - Sự sẵn sàng của E-business gồm cơ sở hạ tầng người dùng (cấu trúc CNTT, kỹ năng tương tác bao gồm sự Internet, bí quyết sẵn sàng của người kinh doanh điện tử)* dùng, sự mở rộng của Internet) - Thiếu sự sẵn sàng của đối tác Zhu & cộng sự - Tích hợp công - Quy mô công ty - Cường độ cạnh (2006) nghệ* - Phạm vi toàn cầu tranh E-business - Mức độ sẵn sàng về - Trở ngại quản lý - Môi trường pháp lý công nghệ Nguồn: Baker (2011) 2.3. Lý thuyết TOE và phân tích dữ liệu lớn Dưới đây là một số nghiên cứu về việc áp dụng phân tích dữ liệu lớn dựa trên khung TOE trong thời gian vừa qua. 652
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Bảng 2. Tổng hợp một số nghiên cứu về việc áp dụng phân tích dữ liệu lớn dựa trên khung TOE Nguồn tham khảo Nội dung trọng tâm Phương pháp nghiên cứu (Debortoli & cộng sự, 2014) Năng lực và kỹ năng về BI và Khai phá văn bản của các phân tích dữ liệu lớn quảng cáo tuyển dụng (Agrawal, 2015) Áp dụng phân tích dữ liệu lớn Thu thập dữ liệu (từ 106 trong các công ty ở Trung doanh nghiệp) Quốc và Ấn Độ (Malaka & Brown, 2015) Thách thức của việc áp dụng Nghiên cứu diễn giải, nghiên phân tích dữ liệu lớn cứu điển hình của một tổ chức (Dal-woo & cộng sự, 2015) Ảnh hưởng của lợi ích cảm Khảo sát bằng bảng hỏi nhận, sự sẵn sàng về tài online chính, năng lực hệ thống thông tin và áp lực ngành với việc áp dụng phân tích dữ liệu lớn (Chen & cộng sự, 2016) Tiền đề chính của việc sử Dữ liệu khảo sát (161 công ty dụng phân tích dữ liệu lớn ở có trụ sở tại Hoa Kỳ) cấp độ tổ chức và ảnh hưởng Lĩnh vực: quản lý chuỗi cung đến việc tạo ra giá trị ứng (Salleh & Janczewski, 2016) Các vấn đề về bảo mật và Khảo sát bảng hỏi trực tuyến quyền riêng tư liên quan đến ẩn danh việc áp dụng phân tích dữ liệu lớn Nguồn: Schüll & Maslan (2018) Chen & cộng sự (2016) đã xác định hai hạn chế của khung lý thuyết TOE. Hạn chế đầu tiên là giả định về mô hình, rằng các yếu tố bối cảnh ảnh hưởng trực tiếp đến quyết định áp dụng đổi mới công nghệ. Họ cho rằng việc lý tưởng hóa quá trình ra quyết định như một quá trình hoàn toàn hợp lý không thể đúng trong thực tế. Hạn chế thứ hai là các yếu tố bối cảnh có thể ảnh hưởng đến quyết định này theo những cách không được đề cập trong khung TOE. Do đó, nên kết hợp khung TOE với một hoặc nhiều mô hình lý thuyết. Ngoài ra, khung lý thuyết TOE cung cấp một cái nhìn tổng quan về các yếu tố bối cảnh đối với việc áp dụng phân tích dữ liệu lớn, nhưng muốn áp dụng phân tích dữ liệu lớn để mang lại lợi thế cạnh tranh thì TOE không chỉ ra được. Bởi khả năng phân tích dữ liệu lớn mang lại có thể cải thiện hoạt động của công ty và thích ứng với những thách thức của môi trường hỗn loạn. Vì thế, việc cần bổ sung thêm các khung lý thuyết khác lại càng cần thiết. Tuy nhiên, bên cạnh những hạn chế trên, thì việc áp dụng phân tích dữ liệu lớn dựa trên khung lý thuyết TOE vẫn là giải pháp phù hợp nhất đối với các tổ chức hiện nay. 3. Phương pháp nghiên cứu Trong bài viết này, tác giả đã sử dụng phương pháp phân tích trắc lượng thư mục kết hợp phân tích nội dung để đánh giá tổng quan về mức độ áp dụng phân tích dữ liệu lớn và khung lý thuyết TOE. Bằng cách tìm kiếm trên cơ sở dữ liệu Scopus với từ khoá: "Big Data Analytics" AND "TOE", những từ khoá này xuất hiện ở một trong các phần: Tiêu đề, tóm tắt hoặc từ khoá của các bài nghiên cứu. Kết quả thu được 48 bài báo phù hợp. Để tiến hành phân tích trắc lượng thư mục, tác giả đã sử dụng phần mềm VOSviewer. Công 653
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 cụ này được sử dụng để xác định các xu hướng dựa trên phân tích sự xuất hiện của từ khóa. VOSviewer cho phép thể hiện một cách trực quan các xu hướng nghiên cứu trong lĩnh vực này. Sau đó, tác giả tiến hành phân tích nội dung một số tài liệu điển hình để tìm hiểu về các tiêu chí đánh giá mức độ sẵn sàng áp dụng phân tích dữ liệu lớn trong các tổ chức và doanh nghiệp. 4. Kết quả nghiên cứu 4.1. Xu hướng nghiên cứu về phân tích dữ liệu lớn và TOE Từ đầu vào là bộ dữ liệu thu thập được, tác giả sử dụng phần mềm VOSviewer phân tích về xu hướng xuất hiện cùng nhau của các bộ từ khoá, kết qủa thu được như hình 1 dưới đây. Hình 1: Kết quả phân tích xu hướng nghiên cứu về phân tích dữ liệu lớn và TOE Nguồn: Tác giả tổng hợp từ phần mềm VOSviewer Có thể nhận thấy nổi bật lên 6 cụm, thể hiện 6 xu hướng nghiên cứu chính, bao gồm: • Cụm 1 (Màu vàng): Liên quan đến phân tích dữ liệu lớn và các lý thuyết/ phương pháp tiếp cận thường được áp dụng khi triển khai phân tích dữ liệu lớn trong các doanh nghiệp, ngành nghề bao gồm: TOE (Technological-Organizational-Enviromental), lý thuyết khuếch tán đổi mới (Diffusion of Innovations theory), tích cận theo phương pháp giải thích tuần tự (Sequential explanatory approach). • Cụm 2 (Màu xanh dương): Thể hiện các yếu tố ảnh hưởng đến sự sẵn sàng triển khai phân tích dữ liệu lớn trong doanh nghiệp/tổ chức bao gồm: Sự hỗ trợ từ lãnh đạo cấp cao (Top management support), từ yếu tố môi trường (aspect of the environment), từ phía tổ chức (organisational) • Cụm 3 (Màu đỏ): Tập trung vào vấn đề phân tích dữ liệu (data analytics) và các thuật toán trong phân tích dữ liệu như: Phân lớp (Classsification), lựa chọn thuộc tính (attribute selection, feature selection), Naive Bayes,... • Cụm 4 (Màu xanh lá cây): Tập trung vào vấn đề dữ liệu lớn ứng dụng trong các ngành nghề (commercial bank), các quốc gia phát triển (developing countries). • Cụm 5 (Màu xanh nhạt): Liên quan đến các vấn đề mô hình trong tổ chức (organizational model) khi áp dụng công nghệ mới. 654
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 • Cụm 6 (Màu tím): Tập trung vào khung lý thuyết TOE và các vấn đề liên quan đến áp dụng công nghệ mới trong tổ chức/doanh nghiệp như: Các quyết định kinh doanh (business decisions), lợi thế cạnh tranh (competitive advantage), điện toán đám mây (cloud computing), thuê tư vấn/nhà cung cấp công nghệ từ bên ngoài/gia công phần mềm (outsourcing). 4.2. Phân tích mức độ sẵn sàng áp dụng phân tích dữ liệu lớn trong các tổ chức-doanh nghiệp Mức độ sẵn sàng áp dụng phân tích dữ liệu lớn là một phần trong sự sẵn sàng về công nghệ của tổ chức, được hiểu là khám phá sự sẵn sàng của tổ chức để đón nhận những cải tiến mới, để cập nhật về nhu cầu thị trường. Do đó, bất kỳ thay đổi nào để có hiệu quả trong tổ chức cần phải có sự sẵn sàng của tập thể ở cấp độ cá nhân và tổ chức (Chanyagorn & Kungwannarongkun, 2011). Từ góc độ này, sự sẵn sàng của tổ chức đối với sự thay đổi là một cấu trúc đa cấp và nó có thể được quan sát nhiều hơn ở cấp độ cá nhân, nhóm, đơn vị, bộ phận hoặc tổ chức. Những cấp độ này là cần thiết cho việc lý thuyết hóa và đánh giá sự sẵn sàng của tổ chức. Rafferty & cộng sự (2013) lưu ý rằng sự sẵn sàng thay đổi của tổ chức không phải là một cấu trúc đa cấp tương đồng, nó có thể khác nhau ở các cấp độ phân tích và áp dụng sự đổi mới khác nhau. Hơn nữa, Moore (2014) quan sát thấy rằng lộ trình áp dụng dữ liệu lớn và các mô hình là những hướng dẫn cần thiết để áp dụng thành công các công nghệ dữ liệu lớn. Theo Halper & Krishnan (2013), các mô hình giúp tạo ra cấu trúc cho các dự án phân tích dữ liệu lớn, xác định nơi bắt đầu, cũng như hỗ trợ giám sát, quản lý tốc độ và tiến độ của dự án phân tích dữ liệu lớn. Ngoài ra, cung cấp các đánh giá tập trung vào lĩnh vực dữ liệu lớn để hướng dẫn phát triển các cột mốc quan trọng và tránh các sai sót (Braun, 2015). Trong một nghiên cứu toàn diện đánh giá và chuẩn hóa tám mô hình dữ liệu hiện có, Braun (2015) xác định hai mô hình hiệu quả nhất là giải quyết các khía cạnh của tổ chức, cơ sở hạ tầng, quản lý dữ liệu và quản trị là điều cần thiết để đánh giá mức độ trưởng thành. Các thứ nguyên này có liên quan đến các yếu tố ảnh hưởng đến mức độ sẵn sàng áp dụng phân tích dữ liệu lớn của tổ chức. Có khá nhiều mô hình được đề xuất để đánh giá mức độ sẵn sàng áp dụng phân tích dữ liệu lớn trong các tổ chức hiện nay. Trong đó có cách tiếp cận dựa trên việc khai thác nhiều yếu tố khác nhau trong tổ chức, có cách sử dụng khung lý thuyết TOE tập trung vào 3 góc nhìn chính là công nghệ, tổ chức và môi trường. Dưới đây là một số mô hình để đánh giá mức độ sẵn sàng áp dụng phân tích dữ liệu lớn trong một số nghiên cứu gần đây. Hình 2. Mô hình về sự sẵn sàng áp dụng phân tích dữ liệu lớn trong tổ chức Nguồn: Kalema & Mokgadi (2017) 655
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Kết quả của nghiên cứu được rút ra từ mô hình được trình bày ở hình 2 đã chỉ ra rằng, “quy mô và độ phức tạp” của tổ chức đóng một vai trò quan trọng trong việc chuẩn bị sẵn sàng áp dụng phân tích dữ liệu lớn. Đồng thời, “kỹ năng của nhân viên” cũng được đánh giá là có liên quan. Do đó, sự sẵn sàng có thể được coi là việc mọi người sẵn sàng thích ứng với những thay đổi bằng cách đảm bảo họ có thông tin, kỹ năng, kinh nghiệm và bộ công cụ phù hợp. Việc thực hiện tối ưu sự đổi mới công nghệ là điều tối quan trọng cho sự thành công của nó. Kết quả của nghiên cứu này chỉ ra rằng để thực hiện tối ưu, các bên liên quan phải thực hiện nhiệm vụ của mình một cách cẩn thận, có trách nhiệm và tham gia vào quá trình thay đổi. Những nhiệm vụ này bao gồm các hoạt động quản lý từ cấp cao, khách hàng, nhà cung cấp và nhân viên. Nhân viên phải có các kỹ năng và kinh nghiệm liên quan, nếu không, lãnh đạo cấp cao nên hỗ trợ họ bằng cách cung cấp các hoạt động đào tạo. Bên cạnh đó, sự sẵn sàng còn bao gồm việc trao đổi thông tin giữa những người có liên quan của một tổ chức để họ làm việc một cách thống nhất với nhau. Điều này là cần thiết, đặc biệt đối với các tổ chức ở các nước đang phát triển, hoạt động với nguồn lực hạn chế. Trong những trường hợp như vậy, nhà cung cấp có thể giảm tải các nhiệm vụ nằm ngoài năng lực cốt lõi của tổ chức và giúp tổ chức củng cố khả năng xử lý phân tích dữ liệu lớn hiện có. Hơn nữa, do những thách thức không đồng nhất, hiếm khi tìm thấy sự thay đổi công nghệ suôn sẻ, tuyến tính và theo chiều dọc trong các tổ chức của các nước đang phát triển. Do đó, đánh giá mức độ sẵn sàng cho bất kỳ sự đổi mới công nghệ nào cần kiểm tra tất cả các yếu tố liên quan từ cá nhân đến tổ chức cho đến toàn cầu. Những phát hiện của nghiên cứu này chỉ ra rằng các tổ chức ở các nước đang phát triển cần chú ý đến nhiều yếu tố và chấp nhận những thay đổi về tổ chức, quản lý và văn hóa nếu họ sẵn sàng và mong muốn khám phá lợi ích từ phân tích dữ liệu lớn. Chỉ có như vậy, họ mới có thể đạt được khả năng tạo ra lợi thế cạnh tranh mạnh mẽ (Kalema & Mokgadi, 2017). Hình 3. Mô hình đánh giá sự chấp nhận áp dụng phân tích dữ liệu lớn trong tổ chức theo khung lý thuyết TOE Nguồn: Schüll & Maslan (2018) Nghiên cứu của Schüll & Maslan (2018) xác định kỹ năng phân tích dữ liệu lớn và việc sử dụng dữ liệu nội bộ là những yếu tố có ảnh hưởng nhất, cả hai đều có mối tương quan chặt chẽ 656
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 với hỗ trợ quản lý. Điều này giúp tổ chức/doanh nghiệp xác định được rằng, cần ưu tiên cao cho việc phát triển kỹ năng phân tích dữ liệu lớn khi phân bổ các khoản đầu tư cho việc áp dụng phân tích dữ liệu lớn. Cảm nhận về mức độ cạnh tranh để thực hiện phân tích dữ liệu lớn và rủi ro bất lợi trong cạnh tranh (nếu phân tích dữ liệu lớn không được thông qua) có ảnh hưởng mạnh mẽ đến việc áp dụng phân tích dữ liệu lớn, điều này không cần bàn cãi. Tuy nhiên, áp lực thị trường mặc dù được cho là sẽ có ảnh hưởng nhất định đến việc áp dụng phân tích dữ liệu lớn, tuy nhiên kết quả lại không như vậy. Vì thế, cần nghiên cứu thêm để xác nhận kết quả hoặc áp dụng các cấu trúc và biến số khác để kiểm định lại. Ngoài ra, cũng không tìm thấy bằng chứng về mối liên hệ giữa việc áp dụng phân tích dữ liệu lớn và hiệu quả hoạt động của doanh nghiệp, vì thế, yếu tố thời gian kể từ khi áp dụng phân tích dữ liệu lớn sẽ cần được xem xét. Một mô hình tiếp theo cũng sử dụng TOE để đánh giá sự sẵn sàng của tổ chức trong việc áp dụng phân tích dữ liệu lớn, tuy nhiên sự mở rộng trong mô hình này là có thêm yếu tố “Nhận thức và kiến thức về phân tích dữ liệu lớn của nhân viên” được đưa vào để đánh giá bên cạnh 3 yếu tố truyền thống đã được đề cập trước đó. Hình 4. Mô hình về sự sẵn sàng áp dụng phân tích dữ liệu lớn trong tổ chức Nguồn: Ijab & cộng sự (2019) Trong mô hình ở hình 4, các tác giả đánh giá sự sẵn sàng áp dụng phân tích dữ liệu lớn của các tổ chức bằng 4 yếu tố chính: • Nhận thức và kiến thức của nhân viên về phân tích dữ liệu lớn được thể hiện thông qua kinh nghiệm, cũng như hiệu quả sử dụng phân tích dữ liệu lớn của họ, và những điều này sẽ ảnh hưởng mạnh mẽ đến mức độ sẵn sàng áp dụng phân tích dữ liệu lớn của tổ chức. • Từ góc độ công nghệ, cơ sở hạ tầng công nghệ và kỹ năng của các nhân viên trong tổ chức sẽ tác động đến mức độ sẵn sàng áp dụng phân tích dữ liệu lớn của tổ chức. • Từ góc độ tổ chức, sự kết hợp của lãnh đạo cấp cao, khuôn khổ chính sách và pháp lý đầy đủ, cấu trúc thể chế phù hợp, các chính sách và thủ tục quản lý hợp lý, nhu cầu cao về dữ 657
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 liệu lớn và đủ tài chính trong tổ chức sẽ tác động đến sự sẵn sàng áp dụng phân tích dữ liệu lớn của tổ chức. • Từ góc độ môi trường, sự tham gia tốt với các bên có năng lực cao với phân tích dữ liệu lớn và sẵn sàng hỗ trợ từ bên ngoài sẽ tác động đến sự sẵn sàng áp dụng phân tích dữ liệu lớn của tổ chức. Tất cả các giả định trên trên đều được xác định là phù hợp sau khi tiến hành phỏng vấn sâu tại một trường đại học công lập. Bên cạnh các mô hình sử dụng lý thuyết TOE, còn có một cách nhìn khác khi vẽ mô hình phân cấp các yếu tố ảnh hưởng theo các cấp độ khác nhau như hình 5 dưới đây. Hình 5. Cấu trúc phân cấp đánh giá mức độ sẵn sàng áp dụng dữ liệu lớn trong tổ chức Nguồn: Ramezani & Nasrollahi (2020) Với việc sử dụng mô hình phân cấp này, bên cạnh các yếu tố truyền thống, những yếu tố khác cũng được quan tâm như: Quy trình xử lý, tài chính, các bên liên quan, lợi ích mang lại, đặc trưng, kỹ năng, quản lý, văn hoá và sự hiểu biết. Mô hình này chỉ ra rằng, có rất nhiều khía cạnh cần phải quan tâm và xem xét kỹ lưỡng khi đánh giá mức độ sẵn sàng áp dụng phân tích dữ liệu lớn vào các tổ chức/ doanh nghiệp, đặc biệt là ở các nước đang phát triển. 5. Thảo luận và kết luận Bài viết đã tập trung nghiên cứu tổng quan về mức độ sẵn sàng ứng dụng phân tích dữ liệu lớn trong tổ chức/doanh nghiệp dựa trên khung lý thuyết TOE. Dữ liệu lớn mang lại nhiều lợi ích cho các tổ chức/doanh nghiệp nhưng đồng thời cũng đòi hỏi họ phải đầu tư vào công nghệ. Phân tích dữ liệu lớn nhấn mạnh sự kết hợp giữa toán học, thống kê, và phân tích định lượng để cung cấp thông tin chi tiết và hỗ trợ các quyết định kinh doanh. Thông qua việc phân tích trắc lượng thư mục bằng phần mềm VOSviewer đã chỉ ra 6 vấn đề chính liên quan đến phân tích dữ liệu lớn và TOE, bao gồm các vấn đề như lý thuyết tiếp cận, yếu tố ảnh hưởng, phân 658
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 tích dữ liệu, ứng dụng trong ngành nghề và các quốc gia phát triển, mô hình tổ chức, và việc áp dụng công nghệ mới trong tổ chức. Bên cạnh đó, việc nghiên cứu nội dung một số tài liệu điển hình cho thấy rằng, sự sẵn sàng áp dụng phân tích dữ liệu lớn đòi hỏi đầu tư kỹ thuật, phát triển kỹ năng phân tích, quản lý dữ liệu, cũng như cần quan tâm đến chất lượng, bảo mật, và quyền riêng tư. Sự sẵn sàng này được đánh giá qua nhiều yếu tố như quy mô tổ chức, độ phức tạp, kỹ năng nhân viên, và sự tham gia của các bên liên quan. Các mô hình đánh giá mức độ sẵn sàng thường sử dụng khung lý thuyết TOE, tập trung vào công nghệ, tổ chức, và môi trường. Kết quả nghiên cứu chỉ ra rằng “quy mô và độ phức tạp của tổ chức” có mức độ ảnh hưởng lớn, cùng với kỹ năng của nhân viên. Đồng thời, cần chú ý đến quản lý, chính sách, và sự hỗ trợ từ bên ngoài để tối ưu hóa sự đổi mới công nghệ và tận dụng lợi thế cạnh tranh. Ngoài ra, quá trình nghiên cứu sự sẵn sàng áp dụng phân tích dữ liệu lớn của tổ chức-doanh nghiệp nói chung và áp dụng lý thuyết TOE nói riêng cũng phát hiện ra một số vấn đề khá thú vị: • Sự ảnh hưởng của các yếu tố đến sự sẵn sàng áp dụng phân tích dữ liệu lớn trong các tổ chức là không đồng nhất. Hầu hết các nhóm nhân tố lớn như: Công nghệ, tổ chức, môi trường và nhân viên đều có ảnh hưởng. Nhưng các yếu tố cấp dưới của các nhóm lại có ảnh hưởng khác nhau trong mỗi nghiên cứu. • Yếu tố về môi trường thường có ảnh hưởng ít nhất trong 3 yếu tố của khung lý thuyết TOE. • Khung lý thuyết TOE không đủ toàn diện để đánh giá sự sẵn sàng áp dụng phân tích dữ liệu lớn trong các tổ chức, vì thế cần kết hợp thêm các khung lý thuyết khác để có sự đánh giá chính xác và tổng quát hơn. • Chưa tìm ra bằng chứng chứng minh sự tác động của phân tích dữ liệu lớn đến hiệu quả hoạt động của tổ chức. Điều này có thể là do thời gian thực hiện phân tích dữ liệu lớn chưa đủ dài để đưa ra các đánh giá. Đây có thể là một hướng nghiên cứu thú vị trong thời gian tới. Đề xuất giải pháp với tổ chức-doanh nghiệp muốn áp dụng phân tích dữ liệu lớn Đánh giá tổ chức-doanh nghiệp: • Tổ chức-doanh nghiệp nên thực hiện các cuộc đánh giá toàn diện về cơ sở hạ tầng công nghệ, quản lý dữ liệu, và các quy trình hiện có để xác định mức độ sẵn sàng trong việc áp dụng phân tích dữ liệu lớn. • Nắm bắt được quy mô và độ phức tạp của tổ chức-doanh nghiệp mình, cũng như mức độ sẵn có của nguồn lực. Đánh giá công nghệ: • Xác định các công nghệ phù hợp và các công cụ phân tích dữ liệu lớn mà tổ chức có thể sử dụng. • Đánh giá tính khả thi và hiệu quả của việc đầu tư vào công nghệ mới hoặc cải thiện công nghệ hiện có. Đánh giá nhân viên: • Đánh giá kỹ năng hiện có của nhân viên trong lĩnh vực phân tích dữ liệu và công nghệ liên quan. • Cung cấp hoạt động đào tạo và phát triển kỹ năng cho nhân viên để nâng cao sự hiểu biết và khả năng thực hiện phân tích dữ liệu lớn. 659
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Đánh giá Môi trường: • Xem xét các yếu tố về môi trường như văn hóa tổ chức, sự hỗ trợ từ lãnh đạo và các bộ phận khác, cũng như các yếu tố pháp lý và đạo đức liên quan đến quản lý và bảo mật dữ liệu. Kết hợp các khung lý thuyết: • Tổ chức nên xem xét việc kết hợp khung lý thuyết TOE với các khung lý thuyết khác như khung lý thuyết TAM (Technology Acceptance Model) hoặc khung lý thuyết TAM-TOE để có cái nhìn tổng quan và chính xác hơn về mức độ sẵn sàng và tiếp nhận công nghệ. Nghiên cứu thêm về hiệu quả hoạt động: • Tổ chức có thể tiến hành nghiên cứu để đo lường và đánh giá cụ thể về cách mà việc áp dụng phân tích dữ liệu lớn ảnh hưởng đến hiệu quả hoạt động của họ. • Nghiên cứu có thể tập trung vào các lĩnh vực cụ thể hoặc thời gian thực hiện phân tích dữ liệu lớn để có cái nhìn chi tiết hơn về tác động của công nghệ này. Thông qua những kết quả này, các tổ chức-doanh nghiệp nói chung và ở Việt Nam nói riêng, có thể xem xét ưu nhược điểm của từng phương pháp, lựa chọn cách đánh giá phù hợp nhất với doanh nghiệp của mình để có thể tìm ra phương án tối ưu trong quá trình xác định mức độ sẵn sàng áp dụng phân tích dữ liệu lớn. 660
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 TÀI LIỆU THAM KHẢO Agrawal, K. (2015), 'Investigating the determinants of Big Data Analytics (BDA) adoption in emerging economies', Academy of Management Proceedings, 2015, 11290-11290. https://doi.org/10.5465/AMBPP.2015.11290abstract Akter, S., Fosso Wamba, S., Gunasekaran, A., Dubey, R. & Childe, S. (2016), 'How to improve firm performance using big data analytics capability and business strategy alignment?', International Journal of Production Economics, 182, 113–131. https://doi.org/10.1016/j.ijpe.2016.08.018 AlMuhayfith, S. & Shaiti, H. (2020), 'The Impact of Enterprise Resource Planning on Business Performance: With the Discussion on Its Relationship with Open Innovation', Journal of Open Innovation: Technology, Market, and Complexity, 6(3), 87. https://doi.org/https://doi.org/10.3390/joitmc6030087 Baker, J. (2011), The Technology–Organization–Environment Framework, In, 231-245. https://doi.org/10.1007/978-1-4419-6108-2_12. Braganza, A., Brooks, L., Nepelski, D., Ali, M. & Moro, R. (2016), 'Resource management in big data initiatives: Processes and dynamic capabilities', Journal of Business Research, 70. https://doi.org/10.1016/j.jbusres.2016.08.006 Braun, H. T. (2015), 'Evaluation of Big Data Maturity Models – A Benchmarking Study to Support Big Data Maturity Assessment in Organizations', Chanyagorn, P. & Kungwannarongkun, B. (2011), 'ICT Readiness Assessment Model for Public and Private Organizations in Developing Country', International Journal of Information and Education Technology, 99-106. Chau, P. Y. K. & Tam, K. Y. (1997), 'Factors Affecting the Adoption of Open Systems: An Exploratory Study', MIS Q., 21, 1-24. Chen, H., Chiang, R. & Storey, V. (2012), 'Business Intelligence and Analytics: From Big Data to Big Impact', Mis Quarterly, 36, 1165-1188. https://doi.org/10.2307/41703503 Chen, Y., Chen, H., Gorkhali, A., Lu, Y., Ma, Y. & Li, L. (2016), 'Big data analytics and big data science: A survey', Journal of Management Analytics, 3, 1-42. https://doi.org/10.1080/23270012.2016.1141332 Dal-woo, N., Dong-woo, K. & SoungHie, K. (2015, 5-8 Jan. 2015), 'Process of Big Data Analysis Adoption: Defining Big Data as a New IS Innovation and Examining Factors Affecting the Process', 2015 48th Hawaii International Conference on System Sciences, https://doi.org/10.1109/HICSS.2015.569. Debortoli, S., Müller, O. & Brocke, J. v. (2014), 'Comparing Business Intelligence and Big Data Skills: A Text Mining Study Using Job Advertisements', Business & Information Systems Engineering. Drazin, R. (1991), 'The processes of technological innovation', The Journal of Technology Transfer, 16(1), 45-46. https://doi.org/10.1007/BF02371446 Grover, V. (1993), 'An Empirically Derived Model for the Adoption of Customer‐based Interorganizational Systems*', Decision Sciences, 24, 603-640. 661
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Grover, V. (2007), 'An Empirically Derived Model for the Adoption of Customer-Based Interorganizational Systems', Decision Sciences, 24, 603-640. https://doi.org/10.1111/j.1540-5915.1993.tb01295.x Halper, F. & Krishnan, K. (2013), TDWI big data maturity model guide: Interpreting your assessmentscore https://tdwi.org/~/media/3BF039A2F7E1464B8290D8A9880FEC22.pdfma Ijab, M., Wahab, S., Mohamad Salleh, M. A. & Bakar, A. (2019), Investigating Big Data Analytics Readiness in Higher Education Using the Technology-Organisation- Environment (TOE) Framework. https://doi.org/10.1109/ICRIIS48246.2019.9073631 Ilin, V., Ivetić, J. & Simić, D. (2017), 'Understanding the determinants of e-business adoption in ERP-enabled firms and non-ERP-enabled firms: A case study of the Western Balkan Peninsula', Technological Forecasting and Social Change, 125, 206-223. https://doi.org/https://doi.org/10.1016/j.techfore.2017.07.025 Kalema, B. M. & Mokgadi, M. (2017), 'Developing countries organizations’ readiness for Big Data analytics', Problems and Perspectives in Management, 15, 260-270. https://doi.org/10.21511/ppm.15(1-1).2017.13 Kuan, K. & Chau, P. (2001), 'A Perception-Based Model for EDI Adoption in Small Businesses Using a Technology-Organization-Environment Framework', Information & Management, 38, 507-521. https://doi.org/10.1016/S0378-7206(01)00073-8 Kwon, O., Lee, N. & Shin, B. (2014), 'Data Quality Management, Data Usage Experience and Acquisition Intention of Big Data Analytics', International Journal of Information Management, 34. https://doi.org/10.1016/j.ijinfomgt.2014.02.002 Malaka, I. & Brown, I. (2015), 'Challenges to the Organisational Adoption of Big Data Analytics: A Case Study in the South African Telecommunications Industry', Research Conference of the South African Institute of Computer Scientists and Information Technologists, Matthew, R., Johnston, K. & Brian, D. (2015), 'The use of big data analytics in the retail industries in South Africa', African Journal of Business Management, 9, 688-703. https://doi.org/10.5897/AJBM2015.7827 Moore, D. (2014), 'Roadmaps and Maturity Models: Pathways toward Adopting Big Data', Rafferty, A. E., Jimmieson, N. L. & Armenakis, A. A. (2013), 'Change Readiness', Journal of Management, 39, 110 - 135. Ramdani, B., Kawalek, P. & Lorenzo, O. (2009), 'Predicting SMEs' adoption of enterprise systems', J. Enterprise Inf. Management, 22, 10-24. https://doi.org/10.1108/17410390910922796 Ramezani, J. & Nasrollahi, M. (2020), 'A Model to Evaluate the Organizational Readiness for Big Data Adoption', International Journal of Computers Communications & Control, 15. https://doi.org/10.15837/ijccc.2020.3.3874 Salleh, K. A. & Janczewski, L. J. (2016), 'Adoption of Big Data Solutions: A study on its security determinants using Sec-TOE Framework', International Conference on Information Resources Management, 662
PHÂN TÍCH ĐỊNH LƯỢNG CÁC VẤN ĐỀ KINH TẾ VÀ XÃ HỘI TRONG MÔI TRƯỜNG SỐ LẦN THỨ 3 Schüll, A. & Maslan, N. (2018), On the Adoption of Big Data Analytics: Interdependencies of Contextual Factors. https://doi.org/10.5220/0006759904250431 Tengku Izhar, T. A. & Mohd Shoid, M. S. (2016), 'A Research Framework on Big Data awareness and Success Factors toward the Implication of Knowledge Management: Critical Review and Theoretical Extension', International Journal of Academic Research in Business and Social Sciences, 6, 325-338. https://doi.org/10.6007/IJARBSS/v6-i4/2111 Thong, J. (1999), 'An Integrated Model of Information Systems Adoption in Small Businesses', J. of Management Information Systems, 15, 187-214. https://doi.org/10.1080/07421222.1999.11518227 Tornatzky, L. G., Fleischer, M. & Chakrabarti, A. K. (1990), The processes of technological innovation, Lexington Books Lexington, Mass., http://books.google.com/books?id=EotRAAAAMAAJ Yin, S. & Kaynak, O. (2015), 'Big Data for Modern Industry: Challenges and Trends [Point of View]', Proceedings of the IEEE, 103(2), 143-146. https://doi.org/10.1109/JPROC.2015.2388958 Zhu, K., Kraemer, K. & Xu, S. (2003), 'Electronic Business Adoption by European Firms: A Cross-Country Assessment of the Facilitators and Inhibitors', European Journal of Information Systems, 12, 251-268. https://doi.org/10.1057/palgrave.ejis.3000475 Zhu, K., Kraemer, K., Xu, S. & Dedrick, J. (2004), 'Information Technology Payoff in E- Business Environments: An International Perspective on Value Creation of E-Business in the Financial Services Industry', J. of Management Information Systems, 21, 17-54. https://doi.org/10.1080/07421222.2004.11045797 Zhu, K., Shutao, D., Sean, X. & Kraemer, K. (2006), 'Innovation diffusion in global contexts: Determinants of post-adoption digital transformation of European companies', European Journal of Information Systems, 15, 601-616. https://doi.org/10.1057/palgrave.ejis.3000650 663