Факторы успеха в использовании больших данных как нового экономического ресурса

Цель: Цель состоит в выделении важнейших факторов, которые определяют способность предприятия успешно использовать большие данные в качестве нового экономического ресурса.

Метод или методология проведения работы: Методической основой исследования является аналитическая структура ресурсно-ориентированного подхода, которая применяется для определения важнейших факторов организационного потенциала для использования больших данных в экономической деятельности, с классификацией по блокам внутрифирменных факторов организационного потенциала и по двум иерархическим уровням (общеорганизационному и индивидуальному). Исследование построено на первичной информации, полученной путем опроса в форме полуструктурированных интервью менеджеров и специалистов компаний-пионеров внедрения больших данных.

Результаты работы: На основе анализа научных публикаций и выделения в их рамках позитивных и нормативных подходов к концептуализации больших данных конкретизировано понятие «большие данные» как экономический ресурс. Выделены атрибуты больших данных как экономического ресурса и обосновано первостепенное значение, которое имеет их разнородность, позволяющая фильтровать информацию о подсистемах сложной экономической системы – современного предприятия – которую невозможно получить из традиционных источников экономической информации. Путем систематизации первичной информации о проектах внедрения больших данных в экономическую деятельность зарубежных компаний и с применением аналитической структуры ресурсно-ориентированного подхода определены ключевые концептуальные факторы организационного потенциала предприятия для использования больших данных и их взаимосвязи. Данные ключевые внутрифирменные факторы сформировались в результате революции в информационных технологиях, но являются лишь необходимым условием преобразования процедуры анализа для принятия управленческих решений на предприятии. Как показывают результаты исследования, достаточным условием является ряд нематериальных ресурсов и организационных способностей, важнейшая из которых – способность согласовывать обработку и анализ данных. Указанная способность, в системе с другими ключевыми способностями организационного уровня, позволяет интегрировать технологии анализа и обработки данных с одной стороны, и индивидуальные компетенции работников – с другой.

Выводы: Выводы представленного исследования ориентированы на ученых, изучающих проблемы становления информационно-сетевой экономики, и практических работников отечественных компаний, реализующих или предполагающих использовать большие данные в экономической деятельности. В практическом плане главный вывод, который следует учитывать при внедрении аналитики больших данных в экономическую деятельность, состоит в том, что задача успешного использования больших данных имеет организационно-экономический, а не технический характер. Основой организационного потенциала предприятия по использованию больших данных являются информационные ресурсы, человеческий капитал, корпоративная культура и связанные с ними системы (технологии) обработки и анализа данных.

1. Sejahtera F., Wang W., Indulska M., Sadiq S. Enablers and Inhibitors of Effective Use of Big Data: Insights from a Case Study / Proceedings of PACIS 2018 – 22nd Pacific Asia Conference on Information Systems. Ed. Tanabu M., Senoo D. Yokohama. 2018. URL: https://aisel.aisnet.org/pacis2018/27

2. Big Data Executive Survey 2016. An Update on the Adoption of Big Data in the Fortune 1000. Boston: New Vantage Partners LLC., 2016. 16 p. URL: https://newvantage.com/wp-content/uploads/2016/01/BigData-Executive-Survey-2016-Findings-FINAL.pdf

3. Клейнер Г.Б. Системная парадигма и системный менеджмент // Российский журнал менеджмента. 2008. 3(6). C. 27–50. URL: https://rjm.spbu.ru/article/view/475/406392

4. Бахенская М.В. Интеллектуальный капитал организации: методологические подходы к определению // Вестник СПбГУ. 2011. Сер. 12. Вып. 3. С. 280–285. URL: https://cyberleninka.ru/article/n/intellektualnyykapital-organizatsii-metodologicheskie-podhody-kopredeleniyu

5. Эдвинсон Л., Мелоун М. Интеллектуальный капитал. Определение истинной стоимости компании // Новая постиндустриальная волна на Западе. Антология / под ред. В.Л. Иноземцева. М.: Academia, 1999. 640 с.

6. Брукинг Э. Интеллектуальный капитал: ключ к успеху в новом тысячелетии: пер. с англ.; под ред. Л.Н. Ковалик. СПб.: Питер, 2001. 288 с.

7. Руус Й., Пайк С., Фернстрем Л. Интеллектуальный капитал: практика управления: пер. с англ.; под ред. В.К. Дерманова. М.: Высшая школа менеджмента, 2010. 436 с.

8. Стюарт Т. Богатство от ума: Деловой бестселлер: пер. с англ. В.А. Ноздриной. Минск: Парадокс, 1998. 352 с.

9. Cox M., Ellsworth D. Managing Big Data for scientific visualization / Proceedings of ACM Siggraph, Ames: NASA. 1997. pp. 21–38. URL: https://www.researchgate.net/publication/238704525_Managing_big_data_for_scientific_visualization

10. Laney D. Data Management: Controlling Data Volume, Velocity, and Variety. Stamford: META group Inc., 2001. URL: http://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-DataManagement-Controlling-Data-Volume-Velocityand-Variety.pdf

11. Blazquez D., Domenech J. Big Data sources and methods for social and economic analyses // Technological Forecasting and Social Change journal. 2018. Vol. 130. pp. 99–113. URL: https://www.sciencedirect.com/science/article/pii/S0040162517310946

12. Ghoshal A., Larson E.C., Subramanyam R., Shaw M.J. The impact of business analytics strategy on social, mobile, and cloud computing adoption / Proceedings of the Thirty Fifth International International Conference on Information Systems, Auckland, New Zealand, December 14–17, 2014. URL: https://aisel.aisnet.org/icis2014/proceedings/ISStrategy/30/

13. Günther W.A., Rezazade Mehrizi M.H., Huysman M., Feldberg F. Debating big data: A literature review on realizing value from big data // The Journal of Strategic Information Systems (online). 2017. 3(26). pp. 191–209. URL: https://linkinghub.elsevier.com/retrieve/pii/S0963868717302615

14. Kouanou A.T., Tchiotsop D., Kengne R., Tansaa Z.D., Adele N.M., Tchinda R. An optimal big data workflow for biomedical image analysis // Technological Forecasting and Social Change. 2018. Vol. 130. pp. 99–113. URL: https://www.sciencedirect.com/science/article/pii/S0040162517310946?via%3Dihub

15. Manyika C.J., Miremadi M. Where Machines Could Replace Humans – and Where They Can’t (yet). N-Y.: McKinsey Quarterly, 2018. URL: https://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/where-machines-could-replacehumans-and-where-they-cant-yet

16. Big Data Executive Survey 2017. An Update on the Adoption of Big Data in the Fortune 1000. Boston: New Vantage Partners LLC., 2017. 16 p. URL: https://newvantage.com/wp-content/uploads/2017/01/ Big-Data-Executive-Survey-2017-ExecutiveSummary.pdf

17. Tallon P. Corporate Governance of Big Data: Perspectives on Value, Risk, and Cost // Computer. 2013. 6(46). pp. 32–39. URL: https://ieeexplore.ieee.org/document/6519236

18. Когденко В.Г., Мельник М.В. Современные тенденции в бизнес-анализе: исследование экосистемы компании, анализ информационной составляющей бизнес-модели, оценка возможностей роста // Экономический анализ: теория и практика. 2017. № 10(16). С. 1878–1897. https://doi.org/10.24891/ea.16.10.1878

19. Малиновская Н.В. Концепция множественности капиталов в интегрированной отчетности // Международный бухгалтерский учет. 2018. № 6(21). С. 700–713. https://doi.org/10.24891/ia.21.6.700

20. Луканина А.В. Анализ базовых категорий МСФО в рамках принципа приоритета содержания над формой // Международный бухгалтерский учет. 2016. № 2(19). С. 19–33

21. Ackoff R.L. From data to wisdom // Journal of Applied Systems Analysis. 1989. № 16(1). рp. 3–9

22. Rowley J. The wisdom hierarchy: representations of the DIKW hierarchy // Journal of Information Science. 2007. № 33(2). рp. 163–180. https://doi.org/10.1177/0165551506070706

23. Boisot M. Knowledge assets: Securing competitive advantage in the information economy. New York: Oxford University Press, 1998. 312 p.

24. LaValle S., Lesser E., Shockley R., Hopkins M. S., Kruschwitz N. Big Data, Analytics and the Path from Insights to Value // MIT sloan management review. 2013. № 2(21). рp. 20–31. URL: http://foresight.ifmo.ru/ict/shared/files/201309/1_9.pdf

25. McIver D., Lengnick-Hall C. The causal ambiguity paradox: Deliberate actions under causal ambiguity // Strategic Organization. 2017. № 16(3). рp. 304– 322. https://doi.org/10.1177/1476127017740081

26. Teece D., Pisano G., Shuen A. Dynamic Capabilities and Strategic Management // Strategic Management Journal. 1997. № 7(18). рp. 509–533. URL: https://onlinelibrary.wiley.com/doi/abs/10.1002/%28SICI%2910970266%28199708%2918%3A7%3C509%3A%3AAID-SMJ882%3E3.0.CO%3B2-Z

27. Gao J., Koronios A., Selle S. Towards a Process View on Critical Success Factors in Big Data Analytics Projects / Proceedings of Twenty-first Americas Conference on Information Systems, Puerto Rico. 2015. рp. 1–14. URL: https://pdfs.semanticscholar.org/247b/fe6fa3365d74bd98c2c460785d62c3d7 561d.pdf

28. Edvinsson L. Developing intellectual capital at Skandia // Long Range Planning Journal. 1997. № 3(30). рp. 366–373. https://doi.org/10.1016/S0024-6301(97)90248-X

29. Smith G.T. On Construct Validity: Issues of Method and Measurement // Psychological Assessment. 2005. № 4(17). рp. 296–408. URL: https://psycnet.apa.org/doiLanding?doi=10.1037%2F1040-3590.17.4.396

30. Given L.M. The Sage encyclopedia of qualitative research methods. Los Angeles: Sage Publications, 2008. 1014 p.