DOI: https://doi.org/10.33050/itee.v2i2.593
تاريخ النشر: 2024-05-21
المؤلف: Mestiana Br. Karo وآخرون
الموضوع الرئيسي: طرق إحصائية وتطبيقاتها
نظرة عامة
تقدم الورقة نظرة شاملة على التحديات والفرص في علم البيانات، مع التركيز على طريقة تحليل المربعات الصغرى الجزئية (PLS)، وخاصة من خلال تطبيق SmartPLS. تبرز أهمية PLS في تحليل النماذج الهيكلية المعقدة، موضحة تطبيقاتها العملية وفوائدها في إدارة مجموعات البيانات المتنوعة. كما تتناول الدراسة العقبات المحتملة في تنفيذ PLS، بهدف تزويد الباحثين والممارسين برؤى لتحليل البيانات بشكل فعال واتخاذ قرارات مستنيرة.
في الاستنتاجات، توضح الأبحاث الترابطات بين استخدام البيانات (DU)، التحليلات التنبؤية (PA)، الابتكار المدفوع بالبيانات (DI)، أنظمة دعم القرار (DSS)، وحوكمة البيانات الأخلاقية (EDG). تكشف النتائج أن DU و PA ضروريان لتعزيز DI، مما يعزز بدوره DSS و EDG داخل المنظمات. ومن الجدير بالذكر أن معاملات المسار 0.283 لـ DU و 0.616 لـ PA تشير إلى مساهماتهما الكبيرة في DI، التي تؤثر إيجابياً على DSS و EDG بمعاملات 0.521 و 0.417، على التوالي. القوة التفسيرية القوية للنموذج، كما تشير إليها قيم R²، تؤكد على أهمية هذه البنى في دفع الأداء التنظيمي. تقترح الورقة أن الأبحاث المستقبلية يجب أن تستكشف متغيرات إضافية تؤثر على هذه العلاقات وأن تأخذ في الاعتبار الدراسات الطولية عبر صناعات ومناطق مختلفة لتعميق فهم الابتكار المدفوع بالبيانات وديناميات الحوكمة.
مقدمة
تسلط المقدمة الضوء على الزيادة الكبيرة في توليد البيانات من قبل المنظمات والأفراد، مما أعاد تشكيل مشهد المعلومات على مدى العقود الأخيرة. لقد أدت هذه الزيادة إلى رفع مستوى علم البيانات، الذي يركز على كشف الأنماط الخفية داخل البيانات لتعزيز عمليات اتخاذ القرار. يشمل علم البيانات أكثر من مجرد جمع البيانات وتخزينها؛ فهو يبرز استخراج رؤى قيمة من مجموعات البيانات الكبيرة. من بين المنهجيات المختلفة المستخدمة، يتم تحديد النمذجة الهيكلية كنهج فعال بشكل خاص لفهم العلاقات المعقدة بين المتغيرات داخل البيانات.
نقاش
يؤكد قسم النقاش في الورقة على أهمية SmartPLS (المربعات الصغرى الجزئية) كأداة تحليلية قوية في علم البيانات، وخاصة لإدارة النماذج الهيكلية المعقدة. يتم تسليط الضوء على SmartPLS لقدرتها على التعامل بفعالية مع مجموعات البيانات المتنوعة، متجاوزة التحديات المرتبطة بالتوزيعات غير الطبيعية وأحجام العينات الصغيرة. توضح الورقة التطبيقات العملية وفوائد SmartPLS، بينما تتناول أيضًا التحديات المحتملة في التنفيذ وآفاق المستقبل لطرق تحليل البيانات. تؤكد على الدور الحاسم لـ SmartPLS في نمذجة العلاقات بين المتغيرات، وهو أمر ضروري لاتخاذ قرارات مستنيرة في بيئة تزداد اعتمادًا على البيانات.
علاوة على ذلك، تناقش الورقة الآثار الأوسع لاستخدام البيانات (DU)، التحليلات التنبؤية (PA)، الابتكار المدفوع بالبيانات (DI)، أنظمة دعم القرار (DSS)، وحوكمة البيانات الأخلاقية (EDG). تؤكد أن DU و PA الفعالة هي أساسيات لتعزيز DI، مما يعزز بدوره DSS و EDG. تكشف النتائج عن الاعتماد المتبادل القوي بين هذه البنى، مع معاملات مسار كبيرة تشير إلى أن DU و PA تسهمان بشكل ملحوظ في DI، الذي بدوره يؤثر إيجابياً على DSS و EDG. تدعو الدراسة إلى أبحاث مستقبلية لاستكشاف متغيرات إضافية قد تؤثر على هذه العلاقات وتقترح أن الدراسات الطولية قد توفر رؤى حول التأثيرات طويلة الأجل لهذه البنى على الأداء التنظيمي.
DOI: https://doi.org/10.33050/itee.v2i2.593
Publication Date: 2024-05-21
Author(s): Mestiana Br. Karo et al.
Primary Topic: Statistical Methods and Applications
Overview
The paper provides a thorough overview of the challenges and opportunities in Data Science, emphasizing the Partial Least Squares (PLS) analysis method, particularly through the SmartPLS application. It highlights the significance of PLS in analyzing complex structural models, showcasing its practical applications and benefits in managing diverse datasets. The study also addresses potential obstacles in implementing PLS, aiming to equip researchers and practitioners with insights for effective data analysis and informed decision-making.
In the conclusions, the research elucidates the interconnections among Data Utilization (DU), Predictive Analytics (PA), Data-driven Innovation (DI), Decision Support Systems (DSS), and Ethical Data Governance (EDG). The findings reveal that DU and PA are essential for fostering DI, which subsequently enhances DSS and EDG within organizations. Notably, path coefficients of 0.283 for DU and 0.616 for PA indicate their significant contributions to DI, which positively affects DSS and EDG with coefficients of 0.521 and 0.417, respectively. The strong explanatory power of the model, as indicated by R² values, underscores the importance of these constructs in driving organizational performance. The paper suggests that future research should explore additional variables influencing these relationships and consider longitudinal studies across various industries and regions to deepen understanding of data-driven innovation and governance dynamics.
Introduction
The introduction highlights the substantial increase in data generation by organizations and individuals, which has reshaped the information landscape over recent decades. This surge has elevated the field of Data Science, which focuses on uncovering hidden patterns within data to enhance decision-making processes. Data Science encompasses more than just data collection and storage; it emphasizes the extraction of valuable insights from extensive datasets. Among the various methodologies employed, structural modeling is identified as a particularly effective approach for understanding the intricate relationships between variables within the data.
Discussion
The discussion section of the paper emphasizes the significance of SmartPLS (Partial Least Squares) as a powerful analytical tool in Data Science, particularly for managing complex structural models. SmartPLS is highlighted for its ability to effectively handle diverse datasets, overcoming challenges associated with non-normal distributions and small sample sizes. The paper outlines the practical applications and benefits of SmartPLS, while also addressing potential implementation challenges and future prospects for data analysis methods. It underscores the critical role of SmartPLS in modeling relationships between variables, which is essential for informed decision-making in an increasingly data-driven environment.
Furthermore, the paper discusses the broader implications of Data Utilization (DU), Predictive Analytics (PA), Data-driven Innovation (DI), Decision Support Systems (DSS), and Ethical Data Governance (EDG). It establishes that effective DU and PA are foundational for fostering DI, which subsequently enhances DSS and EDG. The findings reveal strong interdependencies among these constructs, with significant path coefficients indicating that DU and PA contribute notably to DI, which in turn positively influences DSS and EDG. The study calls for future research to explore additional variables that may affect these relationships and suggests that longitudinal studies could provide insights into the long-term impacts of these constructs on organizational performance.