مقابله با چالش های مدل کسب و کار در بین المللی سازی SME از طریق دیجیتالی شدن

Tackling business model challenges in SME internationalization through digitalization

چکیده

1. مقدمه

2. مواد و روش ها

3. نتایج

4. بحث

5. نتیجه گیری و پیشنهادات

منابع

چکیده

     بسیاری از کسب وکارهای کوچک و متوسط (SMEها) بر آنند تا با متنوع سازی پیشنهادهای خود که متناسب با بازارهای جهانی هستند، تجارت خود را توسعه بخشند. با وجود این، بین المللی سازی دارای پیامدهایی برای همه ی جنبه های مدل تجاری یک شرکت است. اگرچه بین المللی سازی چالش های مدل تجاری بسیاری را پیش می آورد، تحول اخیر فن آوری دیجیتال یک تسهیل کننده ی کلیدی برای بین المللی سازی و تحول تجاری کارامد از نظر منابع است؛ یک نوآوری که SMEها آن را سازگار می بینند. بنابراین، هدف از این مقاله، تحلیل این موضوع است که چگونه دیجیتالی سازی می تواند در چیره شدن بر چالش های مدل تجاری مرتبط با بین المللی سازی SME کمک کند. این مقاله بر پایه ی مطالعه ی موردی اکتشافی 29 کسب وکار کوچک و متوسط استوار است که دارای یک راهبرد بین المللی سازی، و متعلق به مناطقی با جمعیت پراکنده در کشورهای فنلاند و سوئد هستند. برای تحلیل داده ها، کدهای مرتبه اول چالش های گوناگون مدل تجاری بین المللی سازی SME در موضوعات مرتبه دوم ادغام شده اند. گام پایانی تحلیل شامل تعیین ابعاد غالب و اصلی این چالش های مدل تجاری است. این مقاله چالش های مدل تجاری مرتبط با ایجاد، ارائه، و کسب ارزش در سراسر فرایند بین المللی سازی را شناسایی می کند. افرون بر این، یک چهارچوب تدوین می شود که فعالیت های دیجیتالی سازی را با چالش های مدل تجاری تطابق دهد. از آنجا که هیچ راه حل «همه منظوره ای» وجود ندارد، این مطالعه فعالیت های دیجیتالی سازی خاص را با چالش های مدل تجاری که SMEها هنگام اقدام برای فعالیت در بازارهای بین المللی رو به رو می شوند، انطباق می دهد. این یافته ها حائز اهمیت هستند چون آن ها دیجیتالی سازی را به فعالیت های اجراپذیری تفکیک می کنند که برای SMEها قابل مدیریت هستند.

بین المللی سازی SME
     حجم شایانی از پژوهش ها به بررسی این موضوع پرداخته اند که چگونه کسب وکارهای کوچک و متوسط (SMEها) طیفی از فرصت های تعبیه شده در بازارهای بین المللی را شناسایی و مورد بهره برداری قرار می دهند (لو و بیمیش، 2001). کالوف و بیمیش (1995) بین المللی سازی را به عنوان فرایند تطبیق دهی یک شرکت (شامل راهبرد، ساختار و منابع آن) به منظور فعالیت بین المللی تعریف کرده اند. در این تعریف، نه تنها پویایی و سرشت انقلابی بین المللی سازی لحاظ می شود بلکه جنبه های رفتاری و اقتصادی نیز در نظر گرفته می شوند. فعالیت در بازار بین-المللی فرصت های بسیاری در اختیار SMEها قرار می دهد، مانند دسترسی به بازارهای بزرگ تر، دسترسی به مزایای فن آورانه، ارتقای سطح فنی، کاهش ریسک، و دسترسی به مالیه (بردلی، می یر و گائو، 2006؛ سونیلا، 2019).

     مدیران و کارآفرینان می کوشند تا فرصت های موجود در بازارهای بین المللی را شناسایی کنند و از دسترسی به این بازارهای جهانی به عنوان یک ابزار راهبردی برای ارتقای رقابت پذیری و رشد تجاری خود بهره گیرند. مایه ی شگفتی نیست که عوامل اساسی در موفقیت بین المللی SMEها دارای اهمیت بالایی هم برای پژوهشگران و هم برای مالکان کسب وکار هستند (لاو و روپر، 2015؛ اورروبلات، پالاسیوس-مارکز و گارزون، 2020). زاهور، التباع، خان و وود (2020) پیشایندهای کلیدی را تحلیل کرده اند—به بیان دیگر، عواملی که زمینه سازی موفقیت بین-المللی SMEها هستند. بر پایه ی مصاحبه ی آنان، کاردانی کارآفرینانه، همکاری بینافردی یا بیناسازمانی، تعبیه-سازی رابطه ای، همکاری افقی یا عمودی، عدم قطعیت محیطی، و سرمایه ی سازمانی به عنوان پیشایندهای موفقیت بین المللی شناخته شدند. در اینجا، فعالیت های همیارانه همچون حاکمیت، سازوکار ها، قابلیت های مدیریت همکاری، و سرریز دانش، ممکن است به عنوان منشأ اصلی مزیت رقابتی عمل کنند و به عنوان عوامل میانجی و واسطه میان پیشایندها و موفقیت بین المللی SMEها ایفای نقش نمایند (ریم، اسجودین و پاریدا، 2019).

     بین المللی سازی SME در معرض چالش های محدودکننده ی متداولی است، مانند محدودیت منابع انسانی، مالی، و اطلاعاتی (روجرز، 1990؛ ولش و وایت، 1981)، فقدان مشروعیت در خارج (ساپینزا، اوتیو، جورج و زهرا، 2006)، و محدودیت های انعطاف پذیری کوتاه مدت (بردلی و همکاران، 2006). از همین رو، پایگاه منابع ضعیف شرکت احتمالاً تصمیم برای وارد شدن به بازارهای بین المللی را به طور ویژه ای برای یک مدیر یا یک کارآفرین چالش آمیز می کند. به رغم نقش استوار SMEها در توسعه ی اقتصادی و نقشی که کشورهای در حال توسعه در رشد تجارت جهانی ایفا می کنند، مطالعات اندکی درباره ی کوشش های بین المللی سازی انجام شده است (اشمیت و همکاران، 2020).

آنالیز تحول دیجیتال استعدادهای حسابداری سازمانی از منظر بلاک چین

Analysis of Digital Transformation of Enterprise Accounting Talents from the Perspective of Blockchain

1 مقدمه

2 الگوریتم پردازش داده های حسابداری هوشمند از دیدگاه بلاکچین

3 پنجره ی لغزشی CS-SCHT

4 تحلیل تحول دیجیتال قابلیت های حسابداری سازمانی از دیدگاه بلاکچین

5 نتیجه گیری

منابع

     این مقاله، در راستای بهبود تاثیر تحول دیجیتالی قابلیت های حسابداری سازمانی، متدهای هوشمند را ترکیب می کند تا تحول دیجیتالی قابلیت های حسابداری سازمانی را از دیدگاه بلاک چین صورت دهد. بعلاوه، این مقاله الگوریتم CS-SCHT پنجره ی لغزنده را به طور کامل بررسی می کند. بر اساس استنتاج نظری پنجره ی لغزنده ی CS-SCHT مبتنی بر کد خاکستری کرنل، الگوریتم بر بستر کامپیوتری اجرا می شود و زمان عملیات آزمایش می شود. بعلاوه، این مقاله کاربرد الگوریتم CS-SCHT پنجره ی لغزنده را در فیلترینگ تطبیقی بررسی می کند. نتایج تجربی حاکی از این است که فیلتر تطبیقی مبتنی بر الگوریتم CS-SCHT در مقایسه با الگوریتم DFT پنجره ی لغزنده، می تواند به نسبت سیگنال به نویز بالاتری دست پیدا کند. در پایان، این مقاله یک سیستم پردازش اطلاعات دیجیتال حسابداری هوشمند ارائه می دهد. پژوهش نشان می دهد که سیستم طرح شده در این مقاله می تواند نقش مهمی در تحول دیجیتالی قابلیت های حسابداری شرکتی از دیدگاه بلاکچین ایفا کند.

الگوریتم پردازش داده های حسابداری هوشمند از دیدگاه بلاکچین
     الگوریتم DFT لغزنده چند نقطه ای 2D. مطابق تصویر 1، DFT لغزنده دو بعدی به عنوان یک بسط دو بعدی از DFT لغزنده یک بعدی در نظر گرفته می شود. از یک پنجره ی مربعی با اندازه ی ثابت (M x M) استفاده می کند تا سیگنال ورودی دو بعدی را قطع کرده و تبدیل و لغزش افقی را ممکن کند به طوری که لغزش پنجره ی جدید و قبلی در جهت افقی یک نقطه ی سیگنال داشته باشند. تحول پنجره ی لغزنده بر سیگنال پنجره در قطع ثابت عمل می کند که به عنوان لغزش پنجره ای در اندازه ی ثابت در جهت افقی قابل مشاهده است. به دلیل اشتراک زیاد میان پنجره ها، سیگنال ها در پنجره ی جدید می توانند به سرعت از طریق محاسبه ی نتایج پنجره ی قبلی محاسبه شوند.

     یک تصویر دو بعدی در تصویر 1 نشان داده شده است. جدول خط مستقیمی که در تصویر نشان داده شده، از پنجره ی فعلی در قطع 8 در 8 حکایت درد و وضعیت پنجره ی لغزنده نیز با مختصات (x,y) انتهای پایینی پنجره نشان داده شده است. اگر sx,y مقدار پیکسل تصویر (x, y) باشد، پنجره ی لغزنده DFT در قطع M x M به این صورت تعریف می شود

پنجره ی لغزشی CS-SCHT
     طیف ترتیب توالی شبیه DFT است، ماتریس تحول CS-SCHT نسبتاً ساده است و عوامل ماتریس از مقادیر {1,-1,j,-j} تشکیل شده اند. بر خلاف SCHT، ضرایب تحول CS-SCHT دارای تقارن مزدوجی شبیه DFT هستند.

     CS-SCHT بسطی از SCHT است. از آنجاکه مقدار طرح تحول آن از همان تقارن مزدوج DFT برخوردار است، در بسیاری از عملیات ها می تواند جایگزین DFT (FFT) شود. عوامل ماتریس تحول آن شبیه SCHT هستند که به صورت زیر نیز قابل تعریف هستند

اثرات توانایی های پویا بر رضایت مشتری بواسطه دگرگونی دیجیتال در بخش خودرو

Impact of Dynamic Capabilities on Customer Satisfaction through Digital Transformation in the Automotive Sector

چکیده

1- مقدمه

2- مواد و روش ها

3- نتایج

4- بحث

5- نتیجه گیری

منابع

جدول S1. پرسشنامه قابلیت های پویا

جدول S2. بررسی متغیرهای رضایت

چکیده

     فن آوری از جنبه های گوناگونی بر تجارت تأثیر گذاشته است و از همین رو، بسیاری از شرکت ها انجام تغییر در ساختارهای و مدل های تجاری خود برای بهبود رضایت مشتری را لازم می دانند. هدف، کمیت سازی تأثیر قابلیت های پویا بر رضایت مشتری از طریق تحول دیجیتال در درون بخش خودروسازی بود. یک نمونه ی تصادفی متشکل از 42 پرسشنامه پیرامون 127 صنعت مورد بررسی طی بازه ی زمانی 2020-2019 در یک بافت پیش از کووید 19 گردآوری شد. یک مدل معادلات ساختاری (SEM) در دو مرحله به کار بسته شد. در مرحله ی نخست، دو مدل انعکاسی ساخته شد. در مرحله ی دوم، یک مدل معادلات ساختاری ارزیابی شد. نتایج به دست آمده در این مطالعه نشان داد که قابلیت های حس کردن، بهره گیری، و نوآوری به طور مناسبی در یک سازه به نام «قابلیت های پویا» دسته بندی می شوند. یک تأثیر مثبت قابلیت های پویا بر رضایت مشتری یافت شد. بنابراین، شرکت ها در این صنعت می بایستی بر ایجاد قابلیت های پویا برای بهبود رضایت مشتری تمرکز کنند. هنگامی که فرصت ها شناسایی شدند، مدیران از قابلیت آن ها بهره می گیرند تا دانش، نوآوری، بهبود فرایند، و تعریف راهبردها را دگرگون کنند و مورد بهره برداری قرار دهند و در نهایت دانش تازه را با دانش پیشین در هم آمیزند. تحول دیجیتال به شناسایی نیازهای واقعی برای مشتریان، تماس با آنان، و حل مشکلات آنان و نیز ارائه ی محصولات و خدمات از طریق پیش بینی کردن نیازهای آنان کمک کرده است.

مواد و روش ها
رویکرد فرضیه

     در آثار پیشین [7]، یک انتساب درست از 15 متغیر مشاهده شده به ابعاد حس کردن، بهره گیری، و نوآوری قابلیت-های پویا برآورد شد (جدول S1. پرسشنامه ی قابلیت های پویا و شکل 1).بر پایه ی چهارچوب نشان داده شده در شکل 1، که در آن انتساب متغیرهای مشاهده شده به ابعاد حس کردن، بهره گیری، و نوآوری صورت می گیرد، پرسش های پژوهشی زیر ارائه شدند: آیا ابعاد حس کردن، بهره گیری، و نوآوری را می توان زیر یک سازه با نام «قابلیت های پویا» دسته بندی کرد؟ آیا قابلیت های پویا به شکلی مثبت بر رضایت مشتری تأثیر گذاشتند؟ بنابراین، دو مدل سنجش و یک مدل معادلات ساختاری پیشنهاد شدند (شکل 2).

     فرضیه های پیشنهادی از طریق نظامی از مدل های معادلات ساختاری در دو مرحله ارائه شدند. در مرحله ی نخست، دو مدل انعکاسی (M1 و M2) ساخته شدند. در مرحله ی دوم، در فرضیه ی 1، یک مدل معادلات ساختاری ساخته شد که در آن روابط میان قابلیت های پویا (DynCap) و رضایت مشتری (CustSatis) ارزیابی شدند.پرسشنامه ی به کاررفته متغیرهای زیر را که مرتبط با رضایت مشتری هستند (جدول S2. مروری بر متغیرهای رضایت) گردآوری کرد.

     DT_CONTA . تا چه اندازه تحول دیجیتال ما را قادر ساخته تا نیازهای واقعی مشتریان را شناسایی کنیم؟ امروزه، روش های بازاریابی سنتی برای درک نیازهای مشتری کافی نیستند [70]. رفتار خرید و فروش مشتری به سرعت به سوی استفاده از فن آوری سیار، خرید آنلاین، ارزش آفرینی مشترک، و غیره تکامل یافته است، امری که منجر به تدوین مدل های تازه ای برای ارزیابی ماهیت نیاز مشتری شده است [71].

     DT_PROA_1 . تا چه اندازه تحول دیجیتال ما را قادر ساخته تا با مشتریان تماس بگیریم و مسائل را حل نمائیم؟ تحول دیجیتال بر دگرگون کردن تجربه ی مشتری، روابط، و فرایندها متمرکز شده است [49]. این همکاری با مشتری شالوده ی امروزی برای نوآوری است، و نیز یک سامانه ی کارامد برای قادر ساختن سازمان های موفق برای آگاهی یافتن از نیازهای مشتریان شان به منظور برآوردن نیازهای آنان و بهبود عملکرد است. موفقیت تحول دیجیتال به آفریدن ارزش مشتری و درک نیاز برای بهبود فرایندها و نه صرفاً خودکارسازی آن ها بستگی خواهد داشت [53].

پیش بینی خطر تبدیل دیجیتالی زنجیره تامین تولید بر اساس تجزیه و تحلیل اجزای اصلی و شبکه عصبی مصنوعی پسرو

Risk Prediction of Digital Transformation of Manufacturing Supply Chain Based on Principal Component Analysis and Backpropagation Artificial Neural Network

چکیده

1. مقدمه

2. مرور مطالعات پیشین

2.1 معانی ضمنی زنجیره تأمین تولید (MSC) دیجیتالی

2.2 عوامل محرک تحول دیجیتالی زنجیره تأمین تولید (MSC)

2.3 بحث درباره ریسک های تحول دیجیتالی زنجیره تأمین تولید (MSC)

3. مبانی نظری

3.1 نظریه تکنولوژی، سازمان، و محیط (TOE)

3.2 ریسک های زنجیره تأمین تولید (MSC) دیجیتالی

4. روش شناسی

4.1 تحلیل مؤلفه اصلی (PCA)

5. طراحی سیستم شاخص ارزیابی

5.1 کسب داده های نمونه

5.2 تحلیل مؤلفه اصلی (PCA)

6. طراحی و کاربرد مدل شبکه عصبی پسرو (BPNN) مبتنی بر تحلیل مؤلفه اصلی (PCA)

6.1 طراحی مدل شبکه عصبی پسرو (BPNN)

6.2 آموزش شبکه عصبی پسرو (BPNN)

6.3 شبیه سازی مدل

7. نتیجه گیری ها

منابع

چکیده

تحول دیجیتالی تولید، موضوع داغی در بین مدیران استراتژیک شرکت های تولیدی است. کلید تحویل دیجیتالی در دیجیتالی کردن زنجیره تأمین تولید (MSC) است. با این حال تحول دیجیتالی زنجیره تأمین تولید (MSC) کاملاً نامعلوم است و این نامعلومی به علت تغییرات پویا و پیچیده در گره ها و ساختار آن در پاسخ به تقاضای رو به رشد مشتریان و رقابت شدید در بازار است. برای پیشبرد تحول دیجیتالی زنجیره تأمین تولید (MSC)، مهم است که عوامل ریسک در زمینه تحول دیجیتالی را به صورت مؤثر شناسایی و پیش بینی کنیم. لذا من در این مقاله تلاش می کنم که به شرکت های تولیدی در چین کمک کنم به یک زنجیره تأمین تولید (MSC) دیجیتالی رو بیاورند. اول، منابع ریسک دیجیتالی کردن زنجیره تأمین تولید (MSC) را شناسایی می کنم، و آنها را به صورت یک سیستم شاخص ارزیابی برای تحول دیجیتالی زنجیره تأمین تولید (MSC) تعدیل می کنم. سپس تحلیل مؤلفه اصلی (PCA) را انجام دادم تا بُعد داده های اصلی را از طریق آشکارسازی سه مؤلفه اصلی کلیدی کاهش دهم و سپس پارامترهای مشخصه پیش بینی ریسک را انتخاب کردم تا ساختار شبکه عصبی را ساده سازم و سرعت و کارایی آموزش شبکه را بهبود دهم. بر این اساس، یک شبکه عصبی پسرو (BPNN) را برای پیش بینی ریسک ها در دیجیتالی کردن زنجیره تأمین تولید (MSC) ایجاد کردیم. نتایج آموزش دادن مدل بر مبنای برخی از داده ها نشان داد که مدل پیشنهادی شبکه عصبی پسرو (BPNN) تاثیر پیشگویانه خوبی دارد. به علاوه، من در یک سری آزمایشات، مدل خود را با مدل شبکه عصبی مصنوعی (ANN) سنتی مقایسه کردیم. این مقایسه نشان داد که مدل من از لحاظ پیش بینی ریسک، اثر بهتری نسبت به مدل سنتی دارد. نتایج همچنین نشان داد که سه مؤلفه اصلی انتخاب شده منطقی هستند و سیستم شاخص ارزیابی نیز ارزشمند می باشد. نتایج تحقیق من بینش های جدیدی را درباره تحول دیجیتالی آسان زنجیره تأمین تولید (MSC) ایجاد کرد.

7.  نتیجه گیری ها

تحول دیجیتالی صنعت تولید چین یک پدیده جدید است و هیچ تجربه موجود نیست که بتوان چیزهایی را از آن یاد گرفت. بسیاری از شرکت های تولیدی سنتی در چین با مشکلات زیادی از لحاظ تکمیل سریع تحول دیجیتالی مواجه هستند که این تا حدودی به علت عدم قطعیت ها و ریسک های متعددی است که در حین تحول رخ میدهند. برای اجرای هموار تحول دیجیتالی در بین شرکت های تولیدی در چین، در این مقاله عوامل ریسک شرکت های تولیدی سنتی در تحول دیجیتالی را شناسایی کرده ام، مطالعات مرتبط را مرور نموده ام، و آنها را به صورت یک سیستم شاخص ارزیابی گردآوری کرده ام. سپس تحلیل مؤلفه اصلی (PCA) را انجام دادم تا عوامل ریسک اصلی تحول دیجیتالی را بر مبنای داده های بررسی استخراج کنم و از آنها برای آموزش و بهبود مدل پیش بینی ریسک شبکه عصبی پسرو (BPNN) استفاده کنم. نتایج شبیه سازی نشان میدهد که مدل پیش بینی شبکه عصبی پسرو (BPNN) پیشنهاد شده خیلی سودمند است. ترکیب ریسک موجود منطقی است. از بین سه مؤلفه اصلی کلیدی، سازگاری استراتژی ضعیف معنادارترین عامل می باشد. این عامل نه تنها پایداری زنجیره تأمین (SC) دیجیتالی را تضعیف می کند بلکه بر روی محیط عملیاتی نیز تأثیر می گذارد و توانایی مدیریت ریسک شرکت ها را هم تضعیف می کند. تحقیقات پیگیری، مدل پیش بینی ما را بیشتر بهبود می دهند. به عنوان مثال اندازه، تنوع، و کیفیت نمونه ها افزایش خواهند یافت؛ سیستم شاخص ارزیابی از طریق انجام آزمایش های بیشتر اعتبارسنجی خواهد شد و تعدیل خواهد شد تا کاربردپذیری آن برای سناریوهای دنیای واقعی افزایش یابد.

Abstract

Digital transformation of manufacturing is a hot topic among strategic managers of manufacturing companies. The crux of digital transformation lies in the digitalization of manufacturing supply chain (MSC). However, the digital transformation of the MSC is highly uncertain, owing to the dynamic and complex changes of its nodes and structure in response to growing customer demand and fierce market competition. To propel the MSC digital transformation, it is crucial to effectively identify and predict the risk factors in the course of digital transformation. Therefore, this paper attempts to help manufacturing companies in China to successfully switch to a digital MSC. Firstly, the risk sources of the MSC digitization were identified, and complied into an evaluation index system for the digital transformation of the MSC. Next, the principal component analysis (PCA) was performed to reduce the dimension of the original data by revealing the three key principal components, and then the characteristic parameters of risk prediction are selected, so as to simplify the structure of neural network and improve the speed and efficiency of network training. On this basis, a backpropagation neural network (BPNN) was constructed for predicting the risks in MSC digitization. The results of training the model based on some data show that the proposed BPNN model has a good predictive effect. Furthermore, our model was compared with the traditional artificial neural network (ANN) model on a test set. The comparison demonstrates that our model achieved better effect than the traditional model in risk prediction. The results also show that the selected three principal components are reasonable, and the evaluation index system is valuable. The research results provide new insights to the smooth digital transformation of the MSC.

7. Conclusions

The digital transformation of China’s manufacturing is a new phenomenon, with no experience to learn from. Many traditional manufacturing companies in China are faced with great difficulties in quickly completing the digital transformation, partly owing to the numerous uncertainties and risks that arise in the course of the transformation. For the smooth implementation of digital transformation among manufacturing companies in China, this paper identifies the risk factors of traditional manufacturing companies in digital transformation, referring to the relevant literature, and compiles them into an evaluation index system. Next, the PCA was carried out to extract the principal risk factors of digital transformation based on the survey data, and used to train and improve the BPNN risk prediction model. Simulation results show that the proposed BPNN prediction model is very useful. The risk composition is reasonable. Among the three key principal components, the weak strategy consistency is the most significant factor. This factor not only undermines the stability of the digital SC, but also affects the operating environment and weakens the risk management ability of companies. The follow-up research will further improve our prediction model. For example, the size, diversity, and quality of samples will be increased; the evaluation index system will be verified through even more tests, and adjusted to enhance its applicability to real-world scenarios.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پیش بینی خطر تبدیل دیجیتالی زنجیره تامین تولید بر اساس تجزیه و تحلیل اجزای اصلی و شبکه عصبی مصنوعی پسرو

Risk Prediction of Digital Transformation of Manufacturing Supply Chain Based on Principal Component Analysis and Backpropagation Artificial Neural Network

استراتژی بازار تحول آفرین: چگونگی ایجاد آشفتگی در بازارهای پایدار و استراتژی ها با دیجیتال سازی

Disrupting market strategy: How digitalization is causing upheaval to established markets and strategies

قدرت شرکت های نوپا فناورانه

مدلی استراتژیک برای آینده

چکیده

تحول آفرینی دیجیتالی و پیشرفت های فناورانه در حال افزایش صنایع و بازارگاه ها در اطراف دنیا هستند. مدتی زیادی نیست که مدیران نمی توانند قدرت قابل تغییر دنیای دیجیتالی را در کسب و کار یا استراتژی رد کنند یا نادیده بگیرند. کسانی که فناوری دیجیتالی را پذیرفته اند برتری ماهرانه ای نسبت به رقیبان خود دارند. با این وجود سعی بر تغییر استراتژی کسب و کار به منظور پذیرش فرآیندها و تکنولوژی های جدید، برای هر سازمانی مشکل قابل توجهی می باشد. با ارتقاء و پیشرفت فناوری بر مشکلات نیز افزوده می شود، به عبارت دیگر سازمانی هایی که با سرعت کمتری خود را با فناوری های جدید وفق می دهند، عقب می مانند. سادگی فرآیندها و رویکردی انعطاف پذیر به منظور وفق پذیری با فناوری، راه حلی برای محافظت از مزیت استراتژیک می باشد.

برمن و دلزل-پاین (2018)، چهار ایده را شناسایی کرده اند تا زمانی که استراتژی سازمانی را بروزرسانی می کنند از آن ها بهره ببرند:
1. بدانند که استراتژی تئوری نمی باشد – آروین گری با ایده ها ضروری می باشد؛ بیاموزند تا سریع شکست بخورند و سعی و تلاش کنند؛ یا بر ایده هایی که کشش را نشان می دهند بیافزایند؛
2. درباره اینکه چه کسی صاحب اختیار استراتژی است و در توسعه سازمان مشارکت دارد تجدیدنظر کنند – کارمندان را در فرآیند های تصمیم گیری به کار گیرند، به خصوص کسانی که دانشی در زمینه بازار و پویایی فناوری دارند مانند شرکای با تجربه کسب و کار؛
3. از ارزش ها پیروی کنند – بر نوآوری ارزش تمرکز کنند، همانند دارایی هایی که به دلیل پتانسل موجود برای به کارگیری فعلا مورد بحث قرار نمی گیرند؛
4. و آینده را تصور کنند – بر تجدید ساختار دیجیتالی تیکه کنند تا بتوانند با آن کار کنند و ملزومات آینده مشتریان را با استفاده از رویکرد بیرونی و داخلی پیش بینی کنند.

Abstract

Digital disruption and technological breakthroughs are upending industries and marketplaces around the world. It is no longer the case that executives can ignore or refute the transformative power of the digital world on business or strategy. Those that adopt digital technology are granted a tactical advantage over their competitors. Yet it is a significant hurdle for any organization to attempt to alter business strategy to adopt new technology and processes. Increasing this problem is the speed at which digital technology develops, meaning organizations that are slow to adopt new technologies can be left behind quickly. Streamlining of processes and a flexible approach to technological adoption is key to maintaining a strategic advantage.

Berman and Dalzell-Payne (2018) have identified four concepts to consider when attempting to modernize organizational strategy: 1. recognize that strategy isn’t theory – experimentation with ideas is essential, learning to try and fail fast, or scale up ideas that show traction; 2. rethink who “owns” strategy and who participates in development – involve employees in decision-making processes, particularly those who have knowledge of the market and technology dynamics, as well as experienced business partners; 3. follow the value – focus on value innovation, as often assets are not being monetized because the potential to do so hasn’t been considered; and 4. and reconceive the future – embrace Digital Reinvention in order to work with and for customers to anticipate their future needs, using and outside-in approach.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

استراتژی بازار تحول آفرین: چگونگی ایجاد آشفتگی در بازارهای پایدار و استراتژی ها با دیجیتال سازی

Disrupting market strategy: How digitalization is causing upheaval to established markets and strategies

اندیشه‌ ای بر تحول الگوی کسب و کار و اجتماعی ناشی از دیجیتالی‌ شدن و تحلیل ابر داده: دستور کار پژوهش

Reflections on societal and business model transformation arising from digitization and big data analytics: A research agenda

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

دیجیتالی‌ شدن و آنالیز ابر داده و تحول طرح بیزینس

Reflections on societal and business model transformation arising from digitization and big data analytics: A research agenda

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.