کلان داده و تاثیر آن بر دستیابی صنعت بانکداری ایران به مزیت رقابتی

فصلنامه مدیریت راهبردی در سیستم های صنعتی (مدیریت صنعتی سابق)

دوره 17، شماره 59، اردیبهشت 1401، صفحه 113-125   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/imj.2022.1937108.1668

نویسندگان

فواد کوهزادی¹؛ حسین قره بیگلو^{* 2}؛ حسین بوداقی خواجه نوبر³؛ یعقوب علوی متین⁴

¹دانشجوی دکترا، مدیریت،واحد عجب شیر،دانشگاه ازاد اسلامی،عجب شیر،ایران

²استادیار مدیریت،واحد عجب شیر،دانشگاه ازاد اسلامی ،عجب شیر،ایران

³استادیار گروه مدیریت،واحد تبریز، دانشگاه آزاد اسلامی ،تبریز، ایران

⁴استادیار گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران

چکیده

چکیده
افزایش حجم و پیچیدگی داده های دیجیتال و نقش آن بعنوان ابزاری برای پشتیبانی از کسب مزیت رقابتی برای بانک ها، نیاز به استفاده از ابزار و تکنیک های نوین در کسب ارزش داده، تحلیل و پردازش آن را افزایش داده است و در این شرایط دسترسی به جریان داده در مبادلات نوین مالی دشوارتر شده است و این امر ضرورت استفاده مدیران بانکی از راهبرد کلان داده در جهت حل چالش‌های مالی و بهره‌برداری از فرصت‌های پیش رو برای دستیابی به مزیت رقابتی پایدار دوچندان ساخته است. هدف پژوهش حاضر شناسایی اثرات راهبرد کلان داده بر دستیابی به مزیت رقابتی در صنعت بانکداری ایران است و از این رو در پژوهش حاضر تلاش شده تا مدل کلان داده با مدنظر قرار دادن مسائل اخلاقی و حریم شخصی مشتریان و تأثیرات آن‌ها در دستیابی به مزیت رقابتی در صنعت بانکداری ارائه گردد. فرضیه‌های مدل مذکور با استفاده از نظرات نمونه پژوهش، شامل مدیران عامل، مدیران و کارکنان فناوری اطلاعات و ارتباطات، مدیران و کارکنان بازاریابی 20 بانک از طریق پرسشنامه مورد ارزیابی قرارگرفته است و نتایج بدست آمده نشان از این دارد که بانک ها با بکارگیری راهبرد کلان داده به کسب مزیت رقابتی دست می‌یابند. بعلاوه، مسائل اخلاقی و حریم شخصی مشتریان بر رابطه راهبرد کلان داده با دستیابی به مزیت رقابتی تأثیر می‌گذارد.

کلیدواژه‌ها

کلان داده؛ کسب مزیت رقابتی؛ رعایت مسائل اخلاقی؛ حریم شخصی مشتری؛ صنعت بانکداری ایران

مراجع

1. Ansari, M., Rahmani, H. Rahmani, K., Pasbani, M., Askari, M.A (2013). Presenting a conceptual model of the effect of knowledge management implementation success on gaining competitive advantage in small and medium banks. Journal of Business Management, 5(1), 21-40.
2. Arora, S., Singha, K., and Sahney, S. (2017). Understanding consumer’s showrooming behaviour: Extending the theory of planned behaviour. Asia Pacific Journal of Marketing and Logistics, 29(2), 409-431.‏
3. Bradlow, E. T., Gangwar, M., Kopalle, P., and Voleti, S. (2017). The Role of Big Data and Predictive Analytics in Retailing. Journal of Retailing, 93(1), 79–95. https://doi.org/10.1016/j.jretai.2016.12.004
4. Cukier, K. and Mayer-Schoenberger, V. (2013). The rise of big data: How it's changing the way we think about the world. Foreign Aff, 92, 28.‏
5. Dhar, Subhankar, and Upkar, Varshney. (2011), “Challenges and Business Models for Mobile Location-based Services and Advertising,” Communications of the ACM, 54 (5), 121–8.
6. Dittrich, David, and Erin, Kenneally. (2012), the Menlo Report: Ethical Principles Guiding Information and Communication Technology Research, US Department of Homeland Security.
7. Eggers, F. (2010). Grow with the flow: entrepreneurial marketing and thriving young firms. International Journal of Entrepreneurial Venturing, 1(3), 227. https://doi.org/10.1504/IJEV.2010.031024
8. Erevelles, S., Fukawa, N., and Swayne, L. (2016). Big Data consumer analytics and the transformation of marketing. Journal of Business Research, 69(2), 897–904.
9. Fong, Nathan M., Zheng Fang and Xueming Luo. (2015). Geo-Conquesting: Competitive Locational Targeting of Mobile Promotions. Journal of Marketing Research, 52 (October (5)), 726–35.
10. Grewal, D., Roggeveen, A. L., and Nordfält, J. (2017). The Future of Retailing. Journal of Retailing, 93(1), 1–6.
11. Hofacker, C. F. Malthouse, E. C. and Sultan, F. (2016). Big Data and consumer behavior: imminent opportunities. Journal of Consumer Marketing, 33(2), 89–97.
12. Hui, Sam K. Eric T. Bradlow and Peter S. Fader (2009), “Testing Behavioral Hypotheses Using an Integrated Model of Grocery Store Shopping Path and Purchase Behavior,” Journal of Consumer Research, 36 (3), 478–93.
13. Kilcourse, B., and Rosenblum, P. (2014). Retail Analytics Moves to the Frontline. USA: Retail Systems Research.
14. Kopalle, Praveen K. P.K., Kannan, Lin Bao Boldt and Neeraj Arora (2012), “The Impact of Household Level Heterogeneity in Reference Price Effectson Optimal Retailer Pricing Policies,” Journal of Retailing, 88 (1), 102–14.
15. Kumar, V., Anand, A., and Song, H. (2017). Future of Retailer Profitability: An Organizing Framework. Journal of Retailing, 93(1), 96–119.
16. Li, H., and Kannan, P. K. (2014). Attributing conversions in a multichannel online marketing environment: An empirical model and a field experiment. Journal of Marketing Research, 51(1), 40-56.
17. Manyika, J., Chui, M. Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., and Byers, A. H. (2011). Big data: The next frontier for innovation, competition, and productivity.‏
18. Mckinsey, M. G. I. (2011). Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute.
19. Motamarri, S., Akter, S., and Yanamandram, V. (2017). Does big data analytics influence frontline employees in services marketing? Business Process Management Journal, 23(3), 623–644.
20. Newvantage Partners. (2012). Big Data Executive Survey: Creating a Big Data Environment to Accelerate Business Value [Online]. NewVantage Partners LLC. Available:http://newvantage.com/wp-content/uploads/2012/12/NVP-Big-Data-Survey-Accelerate-Business-Value.pdf
21. Newvantage Partners. (2014). Big Data Executive Survey 2014: An Update on the Progress of Big Data in the Large Corporate World [Online]. Boston: NewVantage Partners LLC. Available: http://newvantage.com/wp-content/uploads/2014/12/Big-Data-Survey-2014-Summary-Report-110314.pdf
22. Ostrom, A. L., Parasuraman, A., Bowen, D. E. Patricio, L., and Voss, C. A. (2015). Service research priorities in a rapidly changing context. Journal of Service Research, 18(2), 127-159.‏
23. Rapp, Adam, Thomas L. Baker, Daniel G. Bachrach, Jessica Ogilvie and Lauren Skinner Beitelspacher. (2015). Perceived Customer Showrooming Behaviorand the Effect on Retail Salesperson Self-efficacy and Performance. Journal of Retailing, 91 (2), 358–69.
24. Rust, R. T., and Huang, M. H. (2014). The service revolution and the transformation of marketing science. Marketing Science Journal, 33(2), 206-221.‏
25. Shapiro, Carl and Hal R., Varian, (2013). Information Rules: A Strategic Guide to the Network Economy, Harvard Business Press.
26. Shibata, T. and Kurachi, Y. (2015). Big data analysis solutions for driving innovation in on-site decision making. Fujitsu Scientific and Technical Journal, 51, 33-41.
27. Verhoef, Peter C., Scott A., Neslin and Björn Vroomen, (2007). Mul-tichannel Customer Management: Understanding the Research-shopperPhenomenon. International Journal of Research in Marketing, 24 (2), 129–48.
28. Wilder, K. M., Collier, J. E., and Barnes, D. C. (2014). Tailoring to customers’ needs: Understanding how to promote an adaptive service experience with frontline employees. Journal of Service Research, 17(4), 446-459.‏
29. Yang, M., and Gabrielsson, P. (2017). Entrepreneurial marketing of international high-tech business-to-business new ventures: A decision-making process perspective. Industrial Marketing Management, 64, 147–160.