ผลกระทบของศักยภาพวิทยาการวิเคราะห์ข้อมูลขนาดใหญ่ต่อผลการดำเนินงาน : งานวิจัยเชิงประจักษ์ในประเทศไทย
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้ศึกษาความสัมพันธ์ระหว่างศักยภาพการวิเคราะห์ข้อมูลขนาดใหญ่กับผลการดำเนินงานขององค์กร โดยประยุกต์ใช้ทฤษฎีฐานทรัพยากรเพื่อแสดงให้เห็นถึงการสร้างความได้เปรียบทางการแข่งขันผ่านการพัฒนาศักยภาพเชิงกลยุทธ์ การวิจัยนี้เก็บข้อมูลจากบริษัทจดทะเบียนในตลาดหลักทรัพย์แห่งประเทศไทย จำนวน 198 ราย คิดเป็นอัตราการตอบกลับร้อยละ 26.94 โดยใช้แบบสอบถามที่ผ่านการตรวจสอบซึ่งผ่านการตรวจสอบคุณภาพด้านความตรงเชิงเนื้อหา (IOC: 0.9333-0.9895) และความเที่ยง (Cronbach's Alpha: 0.9643-0.9655) วิเคราะห์ข้อมูลด้วยเทคนิคสมการโครงสร้างกำลังสองน้อยที่สุดบางส่วน (Partial Least Squares Structural Equation Modeling – PLS SEM) โดยใช้แบบจำลองตัวแปรแฝงลำดับที่สามผ่านวิธี Disjoint Two-Stage Approach ผลการวิเคราะห์พบความสัมพันธ์เชิงบวกอย่างมีนัยสำคัญระหว่างศักยภาพวิทยาการวิเคราะห์ข้อมูลขนาดใหญ่ และผลการดำเนินงานขององค์กร ผลการศึกษาชี้ให้เห็นว่าศักยภาพวิทยาการวิเคราะห์ข้อมูลขนาดใหญ่สามารถสนับสนุนผลการดำเนินงานทั้งด้านการตลาดและด้านการบริหาร ช่วยส่งเสริมผลการดำเนินงานได้อย่างมีประสิทธิภาพ สอดคล้องกับแนวคิดฐานทรัพยากรซึ่งให้ความสำคัญกับทรัพยากรที่โดดเด่นและยากต่อการเลียนแบบในการสร้างความได้เปรียบเชิงแข่งขันที่ยั่งยืน
งานวิจัยนี้มีส่วนสนับสนุนวรรณกรรมด้านการวิเคราะห์ข้อมูลขนาดใหญ่ ด้วยหลักฐานเชิงประจักษ์จากบริษัทจดทะเบียนในประเทศไทย ซึ่งผู้บริหารสามารถใช้ประโยชน์จากการวิทยาการวิเคราะห์ข้อมูลขนาดใหญ่ เพื่อสร้างความได้เปรียบเชิงการแข่งขันและการเจริญเติบโตอย่างยั่งยืน ทั้งนี้ การวิจัยในอนาคตอาจขยายขอบเขตไปยังบริบททางภูมิศาสตร์และอุตสาหกรรมที่หลากหลาย โดยเฉพาะในกลุ่มวิสาหกิจขนาดกลางและขนาดย่อม รวมถึงศึกษาบทบาทของเทคโนโลยีที่เกิดใหม่ เช่น ปัญญาประดิษฐ์และระบบอัตโนมัติในกระบวนการธุรกิจ
Article Details
เอกสารอ้างอิง
กัลยา วานิชย์บัญชา. (2564). การวิเคราะห์สถิติขั้นสูงด้วย SPSS for Windows. พิมพ์ครั้งที่ 15. กรุงเทพฯ : โรงพิมพ์แห่งจุฬาลงกรณ์มหาวิทยาลัย.
ฉันธะ จันททะเสนา. (2563). วิธีรายงานผลการศึกษาของตัวแปรสร้างระดับที่สองของ PLS-SEM. จุฬาลงกรณ์ธุรกิจปริทัศน์, 42(3), 39-67.
มนตรี พิริยะกุล. (2556). การวิเคราะห์ตัวแบบสมการโครงสร้าง ชนิด Second order model. วารสารวิทยาการจัดการสมัยใหม่ คณะวิทยาการจัดการมหาวิทยาลัยราชภัฏลําปาง, 6(1).
Akhtar, P., Frynas, J. G., Mellahi, K., & Ullah, S. (2019). Big Data‐Savvy Teams’ Skills, Big Data‐Driven Actions and Business Performance. British Journal of Management, 30(2), 252–271. https://doi.org/10.1111/1467-8551.12333
Akter, S., Wamba, S. F., Gunasekaran, A., Dubey, R., & Childe, S. J. (2016). How to improve firm performance using big data analytics capability and business strategy alignment? International Journal of Production Economics, 182, 113–131.
Apte, S., & Petrovsky, N. (2016). Will blockchain technology revolutionize excipient supply chain management? Journal of Excipients and Food Chemicals, 7(3), 76–78.
Aste, T., Tasca, P., & Di Matteo, T. (2017). Blockchain technologies: The foreseeable impact on society and industry. Computer, 50(9), 18–28.
Aydiner, A. S., Tatoglu, E., Bayraktar, E., & Zaim, S. (2019). Information system capabilities and firm performance: Opening the black box through decision-making performance and business-process performance. International Journal of Information Management, 47, 168–182.
Becker, J.-M., Klein, K., & Wetzels, M. (2012). Hierarchical latent variable models in PLS-SEM: Guidelines for using reflective-formative type models. Long Range Planning, 45(5–6), 359–394.
Bharadwaj, A. S. (2000). A resource-based perspective on information technology capability and firm performance: An empirical investigation. MIS Quarterly, 169–196.
Brettel, M., Mauer, R., Engelen, A., & Küpper, D. (2012). Corporate effectuation: Entrepreneurial action and its impact on R&D project performance. Journal of Business Venturing, 27(2), 167–184. https://doi.org/10.1016/j.jbusvent.2011.01.001
Bromwich, M., & Bhimani, A. (1989). Management accounting: Evolution not revolution (1. publ). Chartered Institute of Management Accountants.
Chae, H.-C., Koh, C. E., & Prybutok, V. R. (2014). Information technology capability and firm performance: Contradictory findings and their possible causes. MIS Quarterly, 38(1), 305–326.
Chenhall, R. H. (2012). Developing an organizational perspective to management accounting. Journal of Management Accounting Research, 24(1), 65–76.
Chenhall, R. H., & Euske, K. J. (2007). The role of management control systems in planned organizational change: An analysis of two organizations. Accounting, Organizations and Society, 32(7–8), 601–637.
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.
Cohen, J. (2013). Statistical power analysis for the behavioral sciences. routledge. https://www.taylorfrancis.com/books/mono/10.4324/9780203771587/statistical-power-analysis-behavioral-sciences-jacob-cohen
Ehrbar, A. (1998). EVA: The real key to creating wealth. Wiley.
Garmaki, M., Boughzala, I., & Wamba, S. F. (2016). The effect of Big Data Analytics Capability on Firm Performance. PACIS, 301. https://core.ac.uk/download/pdf/301369542.pdf
Ghasemi, R., Habibi, H. R., Ghasemlo, M., & Karami, M. (2019). The effectiveness of management accounting systems: Evidence from financial organizations in Iran. Journal of Accounting in Emerging Economies, 9(2), 182–207.
Gordon, L. A., & Narayanan, V. K. (1984). Management accounting systems, perceived environmental uncertainty and organization structure: An empirical investigation. Accounting, Organizations and Society, 9(1), 33–47.
Govindarajan, V., & Gupta, A. K. (1985). Linking control systems to business unit strategy: Impact on performance. Accounting, Organizations and Society, 10(1), 51–66.
Gupta, M., & George, J. F. (2016). Toward the development of a big data analytics capability. Information & Management, 53(8), 1049–1064.
Hair, J. F., Ringle, C. M., & Sarstedt, M. (2011). PLS-SEM: Indeed a Silver Bullet. Journal of Marketing Theory and Practice, 19(2), 139–152.
Johnson, H. T., & Kaplan, R. S. (1991). Relevance lost: The rise and fall of management accounting. Harvard Business School Press.
Kiron, D., Prentice, P. K., & Ferguson, R. B. (2014). The analytics mandate. MIT Sloan Management Review, 55(4), 1.
LaValle, S., Lesser, E., Shockley, R., Hopkins, M. S., & Kruschwitz, N. (2010). Big data, analytics and the path from insights to value. MIT Sloan Management Review. https://sloanreview.mit.edu/article/big-data-analytics-and-the-path-from-insights-to-value/
Mahoney, T. A., Jerdee, T. H., & Carroll, S. J. (1965). The Job(s) of Management. Industrial Relations: A Journal of Economy and Society, 4(2), 97–110.
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Hung Byers, A. (2011). Big data: The next frontier for innovation, competition, and productivity. http://dln.jaipuria.ac.in:8080/jspui/bitstream/123456789/14265/1/mgi_big_data_full_report.pdf
Mata, F. J., Fuerst, W. L., & Barney, J. B. (1995). Information technology and sustained competitive advantage: A resource-based analysis. MIS Quarterly, 487–505.
Mata, J., & Portugal, P. (2000). Closure and divestiture by foreign entrants: The impact of entry and post-entry strategies. Strategic Management Journal, 21(5), 549–562.
McAfee, A., Brynjolfsson, E., Davenport, T. H., Patil, D. J., & Barton, D. (2012). Big data: The management revolution. Harvard Business Review, 90(10), 60–68.
McGuire, T., Manyika, J., Chui, M., Manyika, J., & Chui, M. (2012). Why Big Data Is the New Competitive Advantage| Ivey Business Journal. Aug-2012.
Mia, L., & Winata, L. (2014). Manufacturing strategy and organisational performance: The role of competition and MAS information. Journal of Accounting & Organizational Change, 10(1), 83–115. https://doi.org/10.1108/JAOC-10-2011-0048
Mikalef, P., Boura, M., Lekakos, G., & Krogstie, J. (2019). Big Data Analytics Capabilities and Innovation: The Mediating Role of Dynamic Capabilities and Moderating Effect of the Environment. British Journal of Management, 30(2), 272–298.
Mikalef, P., Framnes, V. A., Danielsen, F., Krogstie, J., & Olsen, D. (2017). Big data analytics capability: Antecedents and business value. https://www.academia.edu/download/96536026/301372903.pdf
Mikalef, P., Pappas, I. O., Krogstie, J., & Pavlou, P. A. (2020). Big data and business analytics: A research agenda for realizing business value. Information & Management, 57(1), 103237. https://doi.org/10.1016/j.im.2019.103237
Neely, A., Gregory, M., & Platts, K. (1995). Performance measurement system design: A literature review andresearch agenda. International Journal of Operations & Production Management, 15(4), 80–116. https://doi.org/10.1108/01443579510083622
Nimtrakoon, S., & Tayles, M. E. (2010). Contingency factors of management accounting practices in Thailand: A selection approach. Asian Journal of Accounting and Governance, 1(1), 51–78.
Quattrone, P. (2016). Management accounting goes digital: Will the move make it wiser? Management Accounting Research, 31, 118–122.
Redman, T. C. (2013). Data’s credibility problem. Harvard Business Review, 91(12), 84–88.
Ringle, C. M., Sarstedt, M., & Straub, D. W. (2012). Editor’s comments: A critical look at the use of PLS-SEM in" MIS Quarterly". MIS Quarterly, iii–xiv.
Ringle, C. M., Wende, S., and Becker, J.-M. (2024). "SmartPLS 4." Bönningstedt: SmartPLS, https://www.smartpls.com.
Ross, M. G., Russ, C., Costello, M., Hollinger, A., Lennon, N. J., Hegarty, R., Nusbaum, C., & Jaffe, D. B. (2013). Characterizing and measuring bias in sequence data. Genome Biology, 14(5), R51. https://doi.org/10.1186/gb-2013-14-5-r51
Sarstedt, M., Ringle, C. M., & Hair, J. F. (2022). Partial Least Squares Structural Equation Modeling. In C. Homburg, M. Klarmann, & A. Vomberg (Eds.), Handbook of Market Research (pp. 587–632). Springer International Publishing.
Saunders, M. N. K., Lewis, P., & Thornhill, A. (2019). Research methods for business students (Eighth Edition). Pearson.
Schreiber, J. B., Nora, A., Stage, F. K., Barlow, E. A., & King, J. (2006). Reporting Structural Equation Modeling and Confirmatory Factor Analysis Results: A Review. The Journal of Educational Research, 99(6), 323–338. https://doi.org/10.3200/JOER.99.6.323-338
Sheel, A., & Nath, V. (2019). Effect of blockchain technology adoption on supply chain adaptability, agility, alignment and performance. Management Research Review, 42(12), 1353–1374.
Stern, J. M., Shiely, J. S., & Ross, I. (2001). The EVA challenge: Implementing value-added change in an organization. Wiley.
Teece, D. J. (2014). The Foundations of Enterprise Performance: Dynamic and Ordinary Capabilities in an (Economic) Theory of Firms. Academy of Management Perspectives, 28(4), 328–352. https://doi.org/10.5465/amp.2013.0116
Ul-Hameed, W., Shabbir, M. S., Raza, A., & Salman, R. (2019). Remedies of low performance among Pakistani e-logistic companies: The role of firm’s IT capability and information communication technology (ICT). Uncertain Supply Chain Management, 7, 369–380.
Wamba, S. F., Dubey, R., Gunasekaran, A., & Akter, S. (2020). The performance effects of big data analytics and supply chain ambidexterity: The moderating effect of environmental dynamism. International Journal of Production Economics, 222, 107498. https://doi.org/10.1016/j.ijpe.2019.09.019
Wamba, S. F., Gunasekaran, A., Akter, S., Ren, S. J., Dubey, R., & Childe, S. J. (2017). Big data analytics and firm performance: Effects of dynamic capabilities. Journal of Business Research, 70, 356–365. https://doi.org/10.1016/j.jbusres.2016.08.009
Wixom, B., Ariyachandra, T., Goul, M., Gray, P., Kulkarni, U., & Phillips-Wren, G. (2011). The current state of business intelligence in academia. Communications of the Association for Information Systems, 29(1), 16.
Wu, J., Wang, J., Nicholas, S., Maitland, E., & Fan, Q. (2020). Application of big data technology for COVID-19 prevention and control in China: Lessons and recommendations. Journal of Medical Internet Research, 22(10), e21980.
Yasmin, M., Tatoglu, E., Kilic, H. S., Zaim, S., & Delen, D. (2020). Big data analytics capabilities and firm performance: An integrated MCDM approach. Journal of Business Research, 114, 1–15.
Zhao, Y., Wu, J., & Liu, C. (2014). Dache: A data aware caching for big-data applications using the MapReduce framework. Tsinghua Science and Technology, 19(1), 39–50.
