DOI: https://doi.org/10.1057/s41599-025-04361-6
تاريخ النشر: 2025-03-10
المؤلف: Aglaya Batz وآخرون
الموضوع الرئيسي: البيانات الضخمة وذكاء الأعمال
نظرة عامة
تقدم هذه الورقة البحثية نظرة شاملة على دمج التعلم الآلي (ML) ضمن الأعمال والإدارة، مع تسليط الضوء على إمكانياته التحويلية عبر مجالات مختلفة. تتناول الدراسة ثلاثة أسئلة رئيسية: تنظيم المشهد الفكري للتعلم الآلي في أبحاث الأعمال، التطبيقات الرئيسية للتعلم الآلي في إدارة الأعمال، والاعتبارات الاستراتيجية للشركات للاستفادة الفعالة من التعلم الآلي. من خلال تحليل التواجد المشترك لأكثر من 9,399 وثيقة تمت مراجعتها من قبل الأقران، يحدد المؤلفون خمسة عشر مجموعة موضوعية تصنف الأدبيات، مما يوفر موردًا قيمًا للشركات التي تهدف إلى دمج التعلم الآلي في عملياتها. تكشف النتائج أنه بينما تم اعتماد التعلم الآلي في مجالات مثل المالية، والتسويق، وإدارة الموارد البشرية، لا تزال التحديات قائمة، بما في ذلك الفجوة الرقمية، ومشكلات البنية التحتية، ومخاوف الأمان.
تؤكد الخاتمة على ضرورة اتباع نهج دقيق في اعتماد التعلم الآلي، داعيةً إلى دمج تدريجي بدلاً من تغييرات مفاجئة في الهياكل القائمة. يُشجع المديرون على التركيز على احتياجات صناعتهم المحددة والتوازن بين الطموح والواقعية لتعزيز الإنتاجية دون إزاحة الموظفين. كما تدعو الورقة إلى مزيد من البحث في الأداء المقارن لخوارزميات التعلم الآلي مقابل النماذج الاستدلالية، وتحديات البنية التحتية، والجدوى الاقتصادية لحلول التعلم الآلي. بالإضافة إلى ذلك، تبرز أهمية معالجة الفجوة الرقمية، لا سيما بالنسبة للمؤسسات الصغيرة والمتوسطة (SMEs)، وتؤكد على الدور الحاسم للتفاعلات البشرية في تطوير وتطبيق خوارزميات التعلم الآلي. بشكل عام، توفر الدراسة خارطة طريق للبحوث المستقبلية والتنفيذ العملي الذي يمكن أن يدفع الابتكار والنمو المستدام عبر القطاعات.
مقدمة
تستعرض مقدمة هذه الورقة البحثية تطور وأهمية التعلم الآلي (ML) ضمن السياق الأوسع للذكاء الاصطناعي (AI). تم صياغة المصطلح بواسطة آرثر صموئيل في عام 1959، حيث يسهل التعلم الآلي تطوير خوارزميات محددة للمشكلات تمكّن الحواسيب من التعلم بشكل مستقل من البيانات، مما يمثل تحولًا عن طرق البرمجة التقليدية. تبرز الورقة التطبيقات المتنوعة للتعلم الآلي عبر مجالات مختلفة من إدارة الأعمال، بما في ذلك إدارة سلسلة التوريد، وإدارة العمليات التجارية، والزراعة، والرعاية الصحية، وإدارة المخاطر، مع الاعتراف أيضًا بالقيود الموجودة في الأدبيات، مثل الفجوات في فهم السياقات التجارية والتحديات في التعلم العميق.
يهدف المؤلفون إلى سد فجوة ملحوظة من خلال تقديم تصنيف شامل لتطبيقات التعلم الآلي عبر جميع مجالات إدارة الأعمال، حيث ركزت الدراسات السابقة بشكل أساسي على مجالات معينة. يقترحون تحليل المنشورات العلمية باستخدام تحليل الكلمات المشتركة لرسم المشهد الفكري للتعلم الآلي في الأعمال والإدارة. من المتوقع أن يكشف التحليل عن 15 مجموعة متميزة من تطبيقات التعلم الآلي، والتي سيتم دمجها في خمسة مواضيع كبرى: المالية، وإدارة علاقات العملاء، ودعم اتخاذ القرار، والابتكار والسياسة العامة، وإدارة البيانات والاستدامة، مما يساهم في تقديم رؤى قيمة لكل من البحث الأكاديمي والتنفيذ العملي في هذا المجال.
الطرق
في هذا القسم، يحدد المؤلفون نهجهم المنهجي للتحقيق في العلاقة بين التعلم الآلي (ML) وحقول الأعمال والإدارة من خلال تحليل الكلمات المشتركة. يعتمد هذا الأسلوب على الافتراض بأن الكلمات الرئيسية التي يختارها المؤلفون في الأوراق الأكاديمية تعكس بدقة الموضوعات الأساسية لأبحاثهم (Callon et al., 1991). تسترجع الدراسة الأدبيات بشكل منهجي من قاعدة بيانات SCOPUS، التي تشمل مجموعة شاملة من المقالات والأوراق البحثية التي تمت مراجعتها من قبل الأقران والتي نُشرت منذ عام 2000، بإجمالي 9,399 وثيقة. تركز عملية البحث على التعلم الآلي والمفاهيم ذات الصلة مثل التعلم المعزز، والتعلم المراقب وغير المراقب، والتعلم العميق، من بين أمور أخرى.
تشمل البيانات المجمعة معلومات ببليوغرافية أساسية مثل أسماء المؤلفين، والكلمات الرئيسية، والانتماءات، والعناوين، والملخصات، وعدد الاقتباسات، والمراجع، المخزنة في ملفات CSV. من الجدير بالذكر أن التحليل يكشف عن زيادة كبيرة في المنشورات المتعلقة بالتعلم الآلي في الأعمال والإدارة، حيث تم نشر أكثر من نصف المقالات المسترجعة (5,077) منذ عام 2018، مما يشير إلى اتجاه متزايد في هذا المجال البحثي. يشير المؤلفون إلى التطبيقات المبكرة للتعلم الآلي في السياحة والمالية، مما يبرز السياق التاريخي لدراستهم ويضع الأساس لاستكشاف تأثير التعلم الآلي في هذه المجالات.
النتائج
يقدم قسم النتائج خريطة تواجد مشترك للكلمات الرئيسية، تكشف عن 15 مجموعة متميزة ضمن الأدبيات، يمثل كل منها منطقة بحث محددة. تشمل هذه المجموعات مواضيع مثل تقييم الأسواق المالية، وتوقعات السلاسل الزمنية، وتحليل الشبكات المعقدة، والتحديات في تحليل البيانات بسبب جائحة COVID-19. يبرز التحليل الترابطات بين الكلمات الرئيسية، مما يشير إلى تواجدها المشترك في ورقة واحدة على الأقل تم استرجاعها.
تركز المجموعة 1 (C1) على تطبيق تقنيات التعلم الآلي (ML) في الأسواق المالية، مع عرض خوارزميات مثل تحليل التمييز الخطي (LDA)، وتحليل الفئات الكامنة، ومشغل الانكماش والاختيار الأدنى (LASSO)، التي تحل تدريجياً محل الطرق الاقتصادية التقليدية مثل ARIMA وGARCH. من الجدير بالذكر أن التعلم الآلي تم تطبيقه للتنبؤ بالديناميات قصيرة المدى في أسواق العملات المشفرة، مما يساعد في تحسين المحفظة. تركز المجموعة 2 (C2) على تقنيات التعلم الآلي لتوقع السلاسل الزمنية، والتي تعتبر حاسمة لتوقع التقلبات في مقاييس الأعمال المتأثرة بالعوامل الاقتصادية الكلية. تشمل الأطر الرئيسية في هذه المجموعة شبكات الذاكرة طويلة وقصيرة المدى (LSTM)، والشبكات العصبية التلافيفية (CNNs)، والشبكات التنافسية التوليدية (GANs)، حيث تعتبر GANs فعالة بشكل خاص في اكتشاف الشذوذ في بيانات السلاسل الزمنية. تظل الخوارزميات التقليدية مثل تحسين سرب الجسيمات (PSO) والخوارزميات الجينية (GAs) ضرورية لمهام التوقع المختلفة.
المناقشة
تتناول قسم المناقشة في الورقة البحثية بناء مجموعة من الكلمات الرئيسية والتحليل اللاحق لتطبيقات التعلم الآلي (ML) في الأعمال والإدارة. في البداية، تم تنقيح مجموعة بيانات تحتوي على 22,103 كلمة رئيسية للمؤلفين إلى 1,162 كلمة رئيسية من خلال استبعاد المصطلحات الأقل تكرارًا وتوحيد الاختلافات. باستخدام برنامج VOSViewer، تم إنشاء مصفوفة تواجد مشترك، تكشف عن شبكة كلمات مشتركة تصور العلاقات بين الكلمات الرئيسية. حددت هذه الشبكة خمسة عشر مجموعة متميزة، يمثل كل منها منطقة تطبيق فريدة للتعلم الآلي، مثل تحسين التسويق، واتخاذ القرار الاستراتيجي، واستخراج الآراء.
تصنف المخطط الاستراتيجي الناتج من تحليل الكلمات المشتركة هذه المجموعات بناءً على مركزيتها وكثافتها، مما يوفر رؤى حول نضوجها وأهميتها. تُبرز المجموعات مثل تحسين التسويق والمبيعات (C4)، واستخراج الآراء والكلمة الإلكترونية (C8)، واتخاذ القرار الاستراتيجي (C6) كأكثر التطبيقات تقدمًا، مما يشير إلى تأثيرها الكبير واهتمام البحث المستمر بها. تؤكد النتائج على المشهد المتنوع للتعلم الآلي في الأعمال، مما يبرز دوره في تعزيز إدارة علاقات العملاء، وتحسين استراتيجيات التسويق، ودعم عمليات اتخاذ القرار المدفوعة بالبيانات.
DOI: https://doi.org/10.1057/s41599-025-04361-6
Publication Date: 2025-03-10
Author(s): Aglaya Batz et al.
Primary Topic: Big Data and Business Intelligence
Overview
This research paper section provides a comprehensive overview of the integration of machine learning (ML) within business and management, highlighting its transformative potential across various domains. The study addresses three key questions: the organization of the intellectual landscape of ML in business research, primary applications of ML in business administration, and strategic considerations for companies to effectively leverage ML. Through co-occurrence analysis of over 9,399 peer-reviewed documents, the authors identify fifteen thematic clusters that categorize the literature, offering a valuable resource for firms aiming to incorporate ML into their operations. The findings reveal that while ML has been adopted in areas such as finance, marketing, and human resource management, challenges persist, including the digital divide, infrastructure issues, and security concerns.
The conclusion emphasizes the necessity for a nuanced approach to ML adoption, advocating for gradual integration rather than abrupt changes to existing structures. Managers are encouraged to focus on their specific industry needs and to balance ambition with realism to enhance productivity without displacing employees. The paper also calls for further research into the comparative performance of ML algorithms versus heuristic models, infrastructure challenges, and the economic viability of ML solutions. Additionally, it highlights the importance of addressing the digital divide, particularly for small and medium-sized enterprises (SMEs), and underscores the critical role of human interactions in the development and application of ML algorithms. Overall, the study provides a roadmap for future research and practical implementations that can drive innovation and sustainable growth across sectors.
Introduction
The introduction of this research paper outlines the evolution and significance of Machine Learning (ML) within the broader context of artificial intelligence (AI). Coined by Arthur Samuel in 1959, ML facilitates the development of problem-specific algorithms that enable computers to learn autonomously from data, marking a shift from traditional programming methods. The paper highlights the diverse applications of ML across various domains of business administration, including supply chain management, business process management, agriculture, healthcare, and risk management, while also acknowledging existing limitations in the literature, such as gaps in understanding business contexts and challenges in deep learning.
The authors aim to fill a notable gap by providing a comprehensive taxonomy of ML applications across all fields of business administration, as previous studies have primarily focused on specific areas. They propose to analyze scientific publications using co-word analysis to map the intellectual landscape of ML in business and management. This approach will address three key research questions: the organization of ML research themes, the primary applications of ML in business, and strategic considerations for effective ML integration. The analysis is expected to reveal 15 distinct clusters of ML applications, which will be consolidated into five major macro-topics: finance, customer relationship management, decision-making support, innovation and public policy, and data management and sustainability, thereby contributing valuable insights for both academic research and practical implementation in the field.
Methods
In this section, the authors outline their methodological approach to investigating the relationship between machine learning (ML) and the fields of Business and Management through co-word analysis. This method relies on the assumption that the keywords chosen by authors in academic papers accurately reflect the core themes of their research (Callon et al., 1991). The study systematically retrieves literature from the SCOPUS database, which includes a comprehensive collection of peer-reviewed articles and conference papers published from 2000 onwards, totaling 9,399 documents. The search focuses on ML and related concepts such as reinforced learning, supervised and unsupervised learning, and deep learning, among others.
The data collected includes essential bibliographic information such as author names, keywords, affiliations, titles, abstracts, citation counts, and references, stored in CSV files. Notably, the analysis reveals a significant increase in publications related to ML in Business and Management, with over half of the retrieved articles (5,077) published since 2018, indicating a growing trend in this research area. The authors reference early applications of ML in tourism and finance, highlighting the historical context of their study and setting the stage for further exploration of ML’s impact in these domains.
Results
The results section presents a co-occurrence map of keywords, revealing 15 distinct clusters within the literature, each representing a specific area of research. These clusters include topics such as financial markets assessment, time-series forecasting, complex network analysis, and challenges in data analysis due to the COVID-19 pandemic. The analysis highlights the interconnections between keywords, indicating their co-occurrence in at least one retrieved paper.
Cluster 1 (C1) focuses on the application of machine learning (ML) techniques in financial markets, showcasing algorithms like Linear Discriminant Analysis (LDA), Latent Class Analyses, and Least Absolute Shrinkage and Selection Operator (LASSO), which are increasingly replacing traditional econometric methods such as ARIMA and GARCH. Notably, ML has been applied to predict short-term dynamics in cryptocurrency markets, aiding portfolio optimization. Cluster 2 (C2) emphasizes ML techniques for time-series forecasting, which are crucial for predicting fluctuations in business metrics influenced by macroeconomic variables. Key frameworks in this cluster include Long Short-Term Memory (LSTM) networks, Convolutional Neural Networks (CNNs), and Generative Adversarial Networks (GANs), with GANs being particularly effective for anomaly detection in time series data. Traditional algorithms like Particle Swarm Optimization (PSO) and Genetic Algorithms (GAs) remain essential for various forecasting tasks.
Discussion
The discussion section of the research paper elaborates on the construction of a keyword pool and the subsequent analysis of machine learning (ML) applications in business and management. Initially, a dataset of 22,103 author keywords was refined to 1,162 keywords by excluding less frequent terms and standardizing variations. Utilizing VOSViewer software, a co-occurrence matrix was created, revealing a co-word network that visualizes the relationships between keywords. This network identified fifteen distinct clusters, each representing a unique application area of ML, such as marketing optimization, strategic decision-making, and opinion mining.
The strategic diagram generated from the co-word analysis categorizes these clusters based on their centrality and density, providing insights into their maturity and relevance. Clusters such as marketing and sales optimization (C4), opinion mining and electronic Word of Mouth (C8), and strategic decision-making (C6) are highlighted as the most advanced applications, indicating their significant impact and ongoing research interest. The findings underscore the diverse landscape of ML in business, emphasizing its role in enhancing customer relationship management, optimizing marketing strategies, and supporting data-driven decision-making processes.