Uso de Big Data en contexto empresarial como herramienta para la toma de decisiones: una aproximación bibliométrica

Abstract

The digital transformation and the knowledge society have led organizations to generate internal changes and focus their efforts on providing a service and generating products, due to the importance of data and the need to use digital tools. The foregoing allows us to propose as an objective of this research, to analyze the variables that are part of big data in the business context. Es por esto, por lo que el Big data se ha convertido en una de las herramientas con mayor potencial para las organizaciones (Fugini et al., 2021). Big Data hace referencia a una gran cantidad de datos que se procesan para una mejor toma de decisiones (Bustamante & Guillén, 2017; Mayor-Ríos et al. 2019).

Headnote

La transformación digital y la sociedad del conocimiento ha llevado a las organizaciones a generar cambios internos y enfocar sus esfuerzos en la prestación de un servicio y la generación de productos, debido a la importancia que han tomado los datos y la necesidad del uso de herramientas digitales. Lo anterior, permite plantear como objetivo de esta investigación, analizar las variables que hacen parte del de Big Data en el contexto empresarial. Para lo anterior, se utiliza como metodología el análisis cienciométrico basado en la técnica de análisis bibliométrico. Como principal resultado se obtuvo que surgen recientemente algunos términos como sistemas de inteligencia de negocios, gestión del conocimiento y soporte de decisiones asociados al Big Data. Se concluye que el Big Data puede ser una herramienta de apoyo muy valiosa de uso transversal para las diferentes áreas de la organización debido a la gran variedad de aplicaciones que puede tener.

Palabras-clave: transformación digital, big data, análisis de datos.

The digital transformation and the knowledge society have led organizations to generate internal changes and focus their efforts on providing a service and generating products, due to the importance of data and the need to use digital tools. The foregoing allows us to propose as an objective of this research, to analyze the variables that are part of big data in the business context. For the above, the scientometric analysis based on the bibliometric analysis technique is used as a methodology. As a main result, it was obtained that some terms such as business intelligence systems, knowledge management and decision support associated with Big Data have recently emerged. It is concluded that Big Data can be a very valuable support tool for transversal use for the different areas of the organization due to the great variety of applications that it can have.

Resumen

Abstract

Keywords: digital transformation, big data, data analysis.

Pages: 570-585

1.Introducción

En los últimos años, debido al auge y la relevancia que se le ha dado a la sociedad del conocimiento en las diferentes economías, además de haberse convertido en la figura bajo la cual algunas empresas compiten, la información y los datos se han convertido en elementos valiosos para las organizaciones (Olszak & Mach, 2018; Uribe-Gómez & Quintero-Ramírez, 2017). Es por esto, por lo que el Big data se ha convertido en una de las herramientas con mayor potencial para las organizaciones (Fugini et al., 2021). El fomento de las ciudades inteligentes como posible factor que posibilita el desarrollo sostenible y dentro de estas la existencia de empresas inteligentes que permiten la convergencia de diferentes sistemas y procesos hace que la disponibilidad y el flujo de datos e información este cada vez más cercano y sea más necesario para las organizaciones (Xu & Duan, 2019).

Big Data hace referencia a una gran cantidad de datos que se procesan para una mejor toma de decisiones (Bustamante & Guillén, 2017; Mayor-Ríos et al. 2019). Aunque no existe un consenso claro sobre el término, Puyol (2015) indica que hace referencia a; el volumen masivo, la variedad y la velocidad que en la actualidad son características esenciales de la información y una de las razones que la hacen tan valiosa. Por otro lado, Big Data Analytics (BDA) se refiere al análisis de big data (ABD) para mejorar la ventaja competitiva en la toma de decisiones para obtener resultados comerciales o para crear nuevos modelos comerciales para empresas de todos los tamaños (Limpeeticharoenchot et al., 2022). Así, las tecnologías de BDA se están convirtiendo gradualmente en activos estratégicos para obtener conocimiento procesable para mejorar las eficiencias comerciales internas y externas (Sivarajah et al., 2020).

De esta manera, el BDA está empoderando a las organizaciones y remodelando los mercados (JIWAT & Zhang, 2022). Sin embargo, BDA se basa en varias tecnologías y requiere una gran inversión en varios campos, como tecnología de la información (TI), bases de datos, gobierno de datos, ciencia de datos y visualización de datos (Limpeeticharoenchot et al., 2022), lo cual puede hacer compleja su implementación y su gestión. A pesar de lo anterior, algunos estudios afirman que el avance e implementación de este tipo de herramientas en las organizaciones es vital, esto debido a que las organizaciones son cada vez más digitales y, como resultado, se genera un gran volumen de datos en sus cadenas de suministro (Dolgui et al., 2019). Entre algunas de las características que tiene el Big Data es que permite llevar a cabo análisis predictivos, dado que permite identificar tendencias en el comportamiento de los datos lo cual, ayuda a las organizaciones a reducir costos y crear productos nuevos productos y servicios más rápido a partir de la identificación de las cambiantes necesidades de los clientes (Dubey et al., 2019).

Debido a lo anterior, uno de los motivos por los que el BDA ha recibido tanta atención por parte de las empresas, es porque estas se encuentran invirtiendo cada vez más en tecnologías emergentes relacionadas con este tipo de aplicaciones que como la Inteligencia Artificial les permite obtener una ventaja competitiva notoria (Dubey et al., 2020). Es por esto por lo que algunos autores afirman que el análisis de big data revoluciona la forma en que las empresas operan y hacen negocios (Mikalef et al., 2021). Aunque el análisis de big data o BDA se encuentra entre las innovaciones digitales más cruciales, muy pocas empresas estaban explotando su verdadero potencial con fines estratégicos hasta hace poco (Ross et al., 2013), centrando principalmente el uso de Big Data en; Internet de las cosas, ciudades inteligentes, sistemas de construcción inteligente, ropa y accesorios, monitoreo del sistema de salud, entornos de aprendizaje, gestión de datos científicos, gestión de la experiencia del cliente, entre otros (Shah, 2022). Es por lo anterior que surge la pregunta ¿Cuáles son los factores y variables tendencia que hacen parte del uso de big data en el contexto empresarial?

Por consiguiente, el objetivo de esta investigación fue analizar las variables que hacen parte del uso de big data en el contexto empresarial por medio de un análisis bibliométrico. Para lo anterior, se lleva a cabo una metodología basada en el análisis cienciométrico que permite la identificación de factores de cantidad y calidad en la productividad académica relacionada al tema de investigación. Para comprender lo anterior, el documento se estructura de la siguiente manera; inicialmente se detalla brevemente la metodología implementada para el desarrollo de la investigación, luego se presentan los resultados obtenidos y finalmente se presentan las conclusiones obtenidas a partir de los resultados presentados.

2.Metodología

Con el fin de identificar algunas de las variables que hacen parte del uso de Big Data en el contexto empresarial y dar respuesta al interrogante planteado en la introducción, se llevó a cabo un análisis cienciométrico basado en las técnicas bibliométricas. Basados en la metodología PRISMA, esta metodología permite hacer un análisis de cantidad y calidad respecto a las publicaciones académicas realizadas en el tema de estudio (Zupic & Čater, 2015). De este modo, mediante la aplicación de la revisión cuantitativa de la literatura utilizando técnicas bibliométricas sobre palabras clave, resúmenes y títulos se obtuvo un conjunto de datos completo a partir de los resultados de las consultas de la base de datos de Scopus (Skute et al., 2019).

Este tipo de metodologías enfocadas en la identificación de tendencias en la literatura, se caracterizan por proporcionar datos puntuales y fidedignos, dado que se trata de procesos sistemáticos y precisos que permiten reducir el sesgo en los resultados obtenidos (Binda & Balbastre, 2013). Para lo anterior, se utilizaron los siguientes términos clave en la búsqueda en los campos de título, palabras clave y resumen; "Big Data", "Big Data Analytics", "business", "organizations", "company", de esta manera se garantizó que no se filtraran documentos que no corresponden al tema de interés.

Finalmente, se incluyeron también en los criterios de inclusion y exclusion filtros por área de conocimiento, dónde solo se tuvieron en cuenta aquellas publicaciones en el área de las ciencias económicas y administrativas y en el área de ingenierías. La temporalidad de las publicaciones objeto de estudio fue de 2013 a 2022, dónde se debe tener en cuenta que para este último año aún se encuentra en curso por lo cual los resultados obtenidos para este no son definitivos. Teniendo en cuenta lo anterior, se obtuvieron en total 174 publicaciones en el tema de Big Data en el contexto empresarial en el rango de los años comprendidos entre 2013 y 2022.

3.Resultados

Se presenta a continuación los resultados para el análisis de las 174 publicaciones obtenidas después de la aplicación de los filtros de inclusión y exclusión. Este análisis se hace de acuerdo con los indicadores de cantidad y calidad de las publicaciones obtenidas, resaltando dentro del análisis las publicaciones que cuentan con la mayor cantidad de citaciones para cada indicador.

Teniendo en cuenta lo observado en la Figura 1, los indicadores muestran un creciente interés en el tema en el año 2021, siendo este el más productivo con 28 publicaciones, seguido del 2019 con 27 publicaciones, donde en el año 2021 se enfocaron en, proponer un marco de gestión de datos optimizado utilizando análisis de Big data (ODM-BDA) para mejorar el análisis inteligente de la efectividad organizacional y la toma de decisiones dentro de una organización (Niu et al., 2021), así como, examinar las aplicaciones de Big data en los procesos de (inteligencia competitiva) IC dentro de las organizaciones, examinando cómo las organizaciones manejan el análisis de Big data. Esta investigación proporciona el contexto para desarrollar marcos de macrodatos y modelos de procesos para la IC dentro de las organizaciones (Ranjan y Foropon, 2021).

A diferencia del 2019 donde, sus principales estudios están basados en múltiples análisis de estudios de casos de proveedores que brindan soluciones y servicios basados en Big data, explorar la cuestión de cómo los proveedores utilizan y aprovechan Big data (Urbinati et al., 2019), además de abordar los procesos de toma de decisiones basados en análisis de Big data en organizaciones de atención médica, identificar análisis de Big data clave que pueden respaldar la toma de decisiones para los líderes de atención médica y presentar varias estrategias para mejorar la eficiencia a lo largo del ciclo de vida (Sousa et al., 2019).

Por otro lado, en la Figura 2, se observa que el autor con más publicaciones en la temática es Lixia Wang, quien cuenta con 3 publicaciones donde tiene como enfoque el Análisis de aplicaciones de grandes datos en la red eléctrica, luego uso la tecnología Hadoop para diseñar un gran sistema de datos adecuado para la toma de decisiones comerciales de la red eléctrica de acuerdo con las funciones de la plataforma de energía en un fondo (Wang et al., 2022). Así como, evaluar los factores que afectan la intención de su uso después de la aplicación del análisis Megadonts en la organización, dónde utiliza una forma de recopilar datos con herramientas de autenticación (Madhlangobe y Wang, 2018)

Joseph Aversa, cuenta con 2 artículos, donde examina la integración de Big data en organizaciones minoristas mediante el análisis de tres estudios de casos en profundidad de las organizaciones minoristas más importantes que operan en Canadá (Aversa et al., 2021). También, Aversa examina el estado actual y la trayectoria de Big data espacial y prácticas de toma de decisiones en el lugar de trabajo (BLDM) entre las grandes empresas canadienses (Aversa et al., 2020).

Con relación a la productividad por revista, en la figura 3 se observa que International Advances in Intelligent Systems and Computing es la revista líder en términos de productividad con 8 artículos publicados, estas publicaciones se enfocan en discutir la importancia de la gestión y el análisis de datos para el uso rentable de la inteligencia empresarial, big data, minería de datos, gestión de máquinas y datos (Yafooz et al., 2020). Además, estas publicaciones se enfocan en demostrar el papel de aplicar técnicas y herramientas de big data para respaldar la toma de decisiones comerciales (Jelonek et al., 2019).

Asimismo, Communications in Computer and Information Science, cuenta con 3 publicaciones, que se enfocan en describir un marco de estrategia de datos que diferencie los niveles de requisitos de Big data (Zhou y Piramuthu, 2021). Además de los marcos basados en datos, se proponen procesos para analizar datos y generar información procesal (Lu et al., 2018). Luego se tiene la revista International IEEE Access, con 3 publicaciones, donde se enfocan en realizar un análisis exploratorio de bases de datos de organizaciones en etapa inicial con poca información cuantitativa sobre eficiencia (Rodríguez-Ibáñez et al., 2019), también aplican la tecnología de análisis de big data para la toma de decisiones de información comercial inteligente y crean un modelo basado en el análisis de Big data (Ying y Liu, 2021).

De acuerdo con lo observado en la Figura 4, China es el país donde más se publica, con 41 artículos, sus estudios examinan los factores que afectan la adopción de Big data por parte de las empresas chinas construyendo un sistema de índice basado en el modelo Motivación - Oportunidad - Habilidad (MOA) (Wang et al., 2018), además de discutir el impacto y los desafíos del fenómeno emergente Big Data en la innovación de las empresas de nuevos materiales, incluido Internet plus, el proyecto Material Genome, etc (Chen et al., 2020).

En segundo lugar, se encuentra Estados Unidos, con 19 publicaciones, donde sus estudios proponen una ontología de análisis de Big data y se presenta una arquitectura orientada a servicios de análisis de Big data (BASOA) y luego aplica BASOA a BI (Business Intelligence). El análisis de los datos recopilados muestra que el BASOA propuesto mejora el BI y es adecuado para las empresas (Sun et al., 2018). India en tercer lugar con 11 publicaciones, presenta investigaciones entre las que resaltan; un modelo arquitectónico propuesto y declaraciones conceptuales asociadas para administrar de manera efectiva proyectos comerciales en los escenarios de datos actuales (Ruchi y Srinath, 2018). También proponen como definir los requisitos de adopción de Big data para que las organizaciones puedan maximizar su valor empresarial a partir de la tecnología de la información (Lamba y Dubey, 2015).

Por otro lado, en lo observado en la Figura 5, los autores líderes en términos de impacto son Aleš Popovič, Ray Hackney, Rana Tassabehji y Mauro Castelli, cuentan con un artículo el cual ha sido citado 128 veces, donde el propósito de su estudio fue examinar el impacto de BDA en la gestión de operaciones del sector manufacturero, percibido como un contexto no investigado usando enfoques cualitativos interpretativos (Popovič et al., 2018).

Shiwei Sun, Casey G. Cegielski, Lin Jia y Dianne J. Hall, son los siguientes autores más citados en la temática, contando con una publicación que contiene 111 citaciones donde, en este estudio aplican los resultados de un análisis de contenido para desarrollar un marco y así identificar los principales factores que afectan la organización (Sun et al., 2018). Gloria Phillips-Wren y Lakshmi S. Iyer, cuentan con una publicación de 97 citaciones donde presentan un marco de análisis de Big Data que proporciona una vista de proceso de los componentes necesarios para el análisis de Big data de una organización (Phillips-Wren et al., 2015).

Así mismo, en la figura 6, la revista International Journal of Information Management, cuenta con 192 citaciones, de las cuales 90 provienen de una publicación, llevaron a cabo una revisión sistemática de los "grandes datos" en los estudios empresariales durante el periodo comprendido entre 2009 y 2014 (Frizzo-Barker et al., 2016).

Luego, la International Journal of Computer Information Systems es la segunda revista más citada con 176 citaciones, donde sus publicaciones más citadas se enfocan en Desarrollar un marco para aplicar los resultados del análisis de contenido identificando los factores clave que afectan la organización (Sun et al., 2018). En este trabajo, exploran cómo mejorar la inteligencia comercial (BI) con servicios de análisis de Big data (Sun, Sun y Strang, 2018). Information Systems Frontiers, es la tercera revista más citada con 128 citaciones, cuenta con 1 publicación sobre la temática de Big Data, indicando el impacto del Big Data Analytics en el rendimiento empresarial de alto valor empresarial (Popovič et al., 2018).

Conforme con los indicadores de calidad por país, se presenta la Figura 7 que relaciona los diez países con mayor impacto sobre la temática en la actualidad, teniendo a Estados Unidos como el país más citado, cuenta con 412 citaciones y su publicación más citada se enfoca en desarrollar un marco para aplicar los resultados del análisis de contenido y así identificar los factores clave que afectan a su organización (Sun et al., 2018).

En segundo lugar, está Reino Unido, cuenta con 210 citaciones donde su publicación más citada se enfoca en examinar el impacto de BDA en la gestión de operaciones del sector manufacturero, percibido como un contexto no investigado (Popovic et al., 2018). Taiwan, cuenta con 172 citaciones, es el tercer país más citado de la temática, en sus publicaciones más citadas se basan en revisar la literatura científica sobre "grandes datos" e "inteligencia comercial" y examina las tendencias en el desarrollo y la investigación (Liang y Liu, 2018).

Por otro lado, por medio de este análisis bibliométrico se pudo identificar la estructura de la literatura científica en términos de cooperación y colaboración de los principales autores en investigaciones sobre el uso o aplicaciones del Big data en el contexto empresarial y cómo esa red creada se consolida en un periodo específico de tiempo. En ese sentido, se observa en la Figura 8. una primera asociación aproximadamente a partir del año 2018, compuesta por autores como Zeng J., Pathan Z.H., Salam S., Shahzad K., y Yang M., quienes se asociaron para identificar los factores que inciden en la adopción de Big data por parte de las empresas del contexto chino (Wang et al., 2018).

Este último autor, también se ha asociado con Wang I., quien es el principal autor en términos de cooperación investigativa, quien a su vez se ha asociado con Madhlangobe W., en investigaciones que también evalúan los factores de intención de uso de Big Data Analytics utilizando un método de encuesta para recopilar datos utilizando herramientas IS validadas existentes (Madhlangobe y Wang, 2019). Por otro lado, se encuentran asociaciones más recientes, como la presentada entre los autores Wang N., Li W., y Hu B. quienes en 2022 cooperaron científicamente para el diseño de un sistema de plataforma de Big Data que sirve como mecanismo de toma de decisiones empresariales, para organizaciones del sector eléctrico en China (Wang et al., 2022). Resulta relevante observar que si bien se generó una primera red de autores que se interesaron en el tema, Wang I. fue el autor que generó conexión entre estas diferentes redes aproximadamente en 2020 y fue quién promovió el crecimiento de la red, al convertirse en el nodo de investigaciones en el tema.

El estudio bibliométrico permitió establecer una comparación entre la vigencia y la frecuencia de las palabras clave a partir de un plano cartesiano donde, el eje X mide la frecuencia de las palabras clave, es decir, la cantidad de veces que se ha usado, mientras que el eje Y mide el año promedio de uso de cada una de ellas. En ese sentido, a partir de la Figura 9, se tiene que el Cuadrante 4 posiciona los conceptos decrecientes, al ubicarse entre los más frecuentes, pero menos vigentes o de menor año promedio de uso. En este último cuadrante, se tienen los términos "Data management" (gestión de datos), "Analytics" (analítica) y "Data mining" (minería de datos).

El cuadrante 3 posiciona los conceptos menos frecuentes y menos vigentes de la temática, lo que les resta protagonismo pero no importancia para futuras agendas investigativas, donde se tienen conceptos como "Design Science Research" (Investigación en ciencias del diseño), "Knowledge management" (Gestión del conocimiento), "Data scientist" (científico de datos), "Data quality" (calidad de la información), entre otros conceptos.

Se tiene también el cuadrante 2, donde se encuentran los conceptos que si bien no están entre los más frecuentes en la temática, se posicionan entre los más vigentes, por lo que se les categoriza como palabras clave emergentes en el campo investigativo del uso de Big data para el contexto empresarial, encontrando términos como "Supply chain management" (Gestión de la cadena de suministro), "Hadoop", "Industry 4.0" (Industria 4.0) y "Cluster analysis" (Análisis de clúster).

Finalmente, se tiene el cuadrante 1, donde se encuentran los términos más importantes en el campo de investigación, en términos de frecuencia y vigencia, lo que les permite considerarse conceptos crecientes para la literatura científica. En este cuadrante se tienen los conceptos de "Machine Learning" (Aprendizaje automático), "Data analysis" (Análisis de datos) y "Artificial Intelligence" (Inteligencia artificial), que son los tres conceptos que, según Yafooz et al. (2020), permiten hablar de lo que hoy se conoce como inteligencia empresarial o Business Intelligence.

4.Conclusiones

Aunque la generación de investigaciones relacionadas a Big Data se viene dando desde el año 2013, es en el año 2016 dónde surge un alto interés por saber más sobre las diferentes aplicaciones del Big Data en el contexto empresarial. Lo anterior, surge de la mano con la llegada de la cuarta revolución industrial, dónde se da la transformación tecnológica y la convergencia de las diferentes herramientas de las tecnologías de la información y la comunicación (TIC), dónde el análisis de datos debido al surgimiento IoT, Machine Learning e Inteligencia Artificial inicia su inmersión en las diferentes organizaciones como lo muestran las publicaciones de Lixia Wang.

Por otro lado, el hecho de que la mayoría de las publicaciones se han estado realizando en la revista International Advances in Intelligent Systems and Computin, da cuenta de la relevancia del uso y análisis de los datos para las organizaciones, los cuales toman un papel cada vez más protagónico en la toma estraegica de decisiones en las empresas, motivo por el cual, el análisis de Big Data se ha incluido en los diferentes sistemas de información para la gestión y transaccionales.

La tendencia en el uso de Big Data, se observa hacia la cadena de suministro, dónde la transformación digital es la combinación y uso de machine learning, inteligencia artificial y análisis de datos con el fin de optimizar los diferentes procesos tanto de gestión como organizacionales y de producción para mejorar los resultados y la competitividad de las organizaciones por medio del uso de este tipo de herramientas. Además, del surgimiento de nuevas aplicaciones del Big Data en aspectos como la gestión del conocimiento para las organizaciones, el desarrollo de sistemas de inteligencia de negocios y sistemas para el soporte de decisiones, los cuales serán de gran soporte la gestión del negocio.

Finalmente, el análisis realizado permite dar respuesta a la pregunta de investigación dónde se puede identificar entre las variables y factores involucrados como la computación en la nube, la minería de datos y la analítica son términos que si bien aún son muy utilizados en investigaciones en el contexto empresarial ya no son términos tan vigentes, mientras que el aprendizaje de máquinas, la inteligencia artificial y la analítica de datos están tomando mayor relevancia en este tipo de investigaciones. Además, se puede observar como el análisis de cluster, Hadoop, la industria 4.0 y la gestión de la cadena de suministro se abren paso en la investigación de uso de herramientas para análisis de grandes datos en el contexto empresarial y como se pueden abrir paso para futuras investigaciones tomando estas variables como futuras líneas de investigación.

References

Referencias

Aversa, J., Hernandez, T., & Doherty, S (2021). Incorporating big data within retail organizations: A case study approach. Journal of retailing and consumer services, 60, 102447. https://doi.org/10.1016/j.jretconser.2021.102447

Aversa, J., Hernández, T., & Doherty, S (2020). Big Data Espacial y Toma de Decisiones de Localización de Empresas: Oportunidades y Desafíos. En : Vaz, E (eds) Regional Intelligence. Springer, Cham. https://doi.org/10.1007/978-3-030-36479-3_11

Binda, N. U., & Balbastre-Benavent, F. (2013). Investigación cuantitativa e investigación cualitativa: buscando las ventajas de las diferentes metodologías de investigación. Revista de Ciencias económicas, 31(2), 179-187.

Bustamante, N. B., & Guillén, S. T. (2017). Un acercamiento al Big Data y su utilización en comunicación. Mediaciones Sociales, 16. https://doi.org/10.5209/MESO.58112

Chen, Z., Shi, J., & Zheng, B (2020). Research on innovation mode of new material enterprises under the background of big data. In Journal of Physics: Conference Series (Vol. 1629, No. 1, p. 012046). IOP Publishing. https://iopscience.iop.org/ article/10.1088/1742-6596/1629/1/012046/meta

Dolgui, A., Ivanov, D., Sethi, S. P., & Sokolov, B. (2019). Scheduling in production, supply chain and Industry 4.0 systems by optimal control: fundamentals, state-of-the-art and applications. International Journal of Production Research, 57(2), 411-432. https://doi.org/10.1080/00207543.2018.1442948

Dubey, R., Gunasekaran, A., & Childe, S. J. (2019). Big data analytics capability in supply chain agility. Management Decision, 57(8), 2092-2112. https://doi.org/10.1108/ MD-01-2018-0119

Dubey, R., Gunasekaran, A., Childe, S. J., Bryde, D. J., Giannakis, M., Foropon, C., Roubaud, D., & Hazen, B. T. (2020). Big data analytics and artificial intelligence pathway to operational performance under the effects of entrepreneurial orientation and environmental dynamism: A study of manufacturing organisations. International Journal of Production Economics, 226(October 2019), 107599. https://doi.org/10.1016/j.ijpe.2019.107599

Frizzo-Barker, J., Chow-White, P. A., Mozafari, M., & Ha, D (2016). An empirical study of the rise of big data in business scholarship. International Journal of Information Management, 36(3), 403-413. https://doi.org/10.1016/j.ijinfomgt.2016.01.006

Fugini, M., Finocchi, J., & Locatelli, P. (2021). A Big Data Analytics Architecture for Smart Cities and Smart Companies. Big Data Research, 24, 100192. https://doi.org/10.1016/j.bdr.2021.100192

Jelonek, D., Stępniak, C., Ziora, L (2019). The Meaning of Big Data in the Support of Managerial Decisions in Contemporary Organizations: Review of Selected Research. In: Arai, K., Kapoor, S., Bhatia, R (eds) Advances in Information and Communication Networks. FICC 2018. Advances in Intelligent Systems and Computing, vol 886. Springer, Cham. https://doi.org/10.1007/978-3-030-03402-3_24

JIWAT, R., & Zhang, Z. (Leo). (2022). Adopting big data analytics (BDA) in businessto-business (B2B) organizations - Development of a model of needs. Journal of Engineering and Technology Management - JET-M, 63(February), 101676. https://doi.org/10.1016/j.jengtecman.2022.101676

Lamba, H. S., Dubey, S. K (2015). Analysis of requirements for big data adoption to maximize IT business value. In 2015 4th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO)(Trends and Future Directions) (pp. 1-6). IEEE. https://doi.org/10.1109/ICRITO.2015.7359268

Liang, T. P., & Liu, Y. H (2018). Research landscape of business intelligence and big data analytics: A bibliometrics study. Expert Systems with Applications, 111, 2-10.

Limpeeticharoenchot, S., Cooharojananone, N., Chavarnakul, T., Charoenruk, N., & Atchariyachanvanich, K. (2022). Adaptive Big Data Maturity Model using Latent Class Analysis for Small and Medium Businesses in Thailand. Expert Systems with Applications, 206(May), 117965. https://doi.org/10.1016/j.eswa.2022.117965

Madhlangobe, W., & Wang, L. (2018). Assessment of factors influencing intent-to-use Big Data Analytics in an organization: pilot study. In 2018 IEEE 20th International Conference on High Performance Computing and Communications; IEEE 16th International Conference on Smart City; IEEE 4th International Conference on Data Science and Systems (HPCC/SmartCity/DSS) (pp. 1710-1715). IEEE. https://doi.org/10.1109/HPCC/SmartCity/DSS.2018.00277

Mayor-Ríos, J. A., Pacheco-Ortiz, D. M., Patiño-Vanegas, J. C., & Ramos-y-Yovera, S. E. (2019). Análisis de la integración del Big Data en los programas de contaduría pública en universidades acreditadas en Colombia. Revista CEA, 5(9), 53-76. https://doi.org/10.22430/24223182.1256

Mikalef, P., van de Wetering, R., & Krogstie, J. (2021). Building dynamic capabilities by leveraging big data analytics: The role of organizational inertia. Information and Management, 58(6), 103412. https://doi.org/10.1016/j.im.2020.103412

Niu, Y., Ying, L., Yang, J., Bao, M., & Sivaparthipan, C. B (2021). Organizational business intelligence and decision making using big data analytics. Information Processing & Management, 58(6), 102725. https://doi.org/10.1016/j.ipm.2021.102725

Olszak, C., & Mach-Król, M. (2018). A Conceptual Framework for Assessing an Organization's Readiness to Adopt Big Data. Sustainability, 10(10), 3734. https://doi.org/10.3390/su10103734

Phillips-Wren, G., Iyer, L. S., Kulkarni, U., & Ariyachandra, T (2015). Business Analytics in the Context of Big Data: A Roadmap for Research. Communications ofthe Association for Information Systems, 37, pp-pp. https://doi.org/10.17705/1CAIS.03723

Popovič, A., Hackney, R., Tassabehji, R., & Castelli, M. (2018). The impact of big data analytics on firms' high value business performance. Information Systems Frontiers, 20(2), 209-222. https://doi.org/10.1007/s10796-016-9720-4

Puyol, J. (2015). Aproximación jurídica y económica al Big Data (Tirant Lo Blanch, Ed.).

Ranjan, J., & Foropon, C (2021). Big data analytics in building the competitive intelligence of organizations. International Journal of Information Management, 56, 102231. https://doi.org/10.1016/j.ijinfomgt.2020.102231

Rodriguez-Ibanez, M., Munoz-Romero, S., Soguero-Ruiz, C., Gimeno-Blanes, F. -., & Rojo-Alvarez, J. L. (2019). Towards organization management using exploratory screening and big data tests: A case study of the spanish red cross. IEEE Access, 7, 80661-80674. doi:10.1109/ACCESS.2019.2923533

Ross, J. W., Beath, C. M., & Quaadgras, A. (2013). You may not need big data after all. Harvard Business Review, 91(12).

Ruchi, S., & Srinath, P. (2018, March). Big Data Platform for Enterprise project management digitization using Machine learning. In 2018 Second International Conference on Electronics, Communication and Aerospace Technology (ICECA) (pp. 1479-1484). IEEE. https://doi.org/10.1109/ICECA.2018.8474799

Shah, T. R. (2022). Can big data analytics help organisations achieve sustainable competitive advantage? A developmental enquiry. Technology in Society, 68(July 2021), 101801. https://doi.org/10.1016/j.techsoc.2021.101801

Sivarajah, U., Irani, Z., Gupta, S., & Mahroof, K. (2020). Role of big data and social media analytics for business to business sustainability: A participatory web context. Industrial Marketing Management, 86, 163-179. https://doi.org/10.1016/j. indmarman.2019.04.005

Skute, I., Zalewska-Kurek, K., Hatak, I., & de Weerd-Nederhof, P. (2019). Mapping the field: a bibliometric analysis of the literature on university-industry collaborations. Journal of Technology Transfer, 44(3), 916-947. https://doi.org/10.1007/s10961017-9637-1

Sousa, M.J., Pesqueira, A.M., Lemos, C. et al. (2019). Decision-Making based on Big Data Analytics for People Management in Healthcare Organizations. JMed Syst 43, 290. https://doi.org/10.1007/s10916-019-1419-x

Sun, S., Cegielski, C. G., Jia, L., & Hall, D. J (2018). Understanding the factors affecting the organizational adoption of big data. Journal of computer information systems, 58(3), 193-203. https://doi.org/10.1080/08874417.2016.1222891

Sun, Z., Sun, L., & Strang, K (2018). Big data analytics services for enhancing business intelligence. Journal of Computer Information Systems, 58(2), 162-169. https://doi.org/10.1080/08874417.2016.1220239

Uribe-Gómez, J. A., & Quintero-Ramírez, S. (2017). Aplicación de los modelos de simulación en entornos productivos bajo la metodología de teorías de las restricciones. Revista CEA, 3(6), 11-27. https://doi.org/10.22430/24223182.654

Urbinati, A., Bogers, M., Chiesa, V., & Frattini, F (2019). Creating and capturing value from Big Data: A multiple-case study analysis of provider companies. Technovation, 84, 21-36. https://doi.org/10.1016/j.technovation.2018.07.004

Wang, L., Yang, M., Pathan, Z. H., Salam, S., Shahzad, K., & Zeng, J (2018). Analysis of influencing factors of big data adoption in Chinese enterprises using DANP technique. Sustainability, 10(11), 3956. https://doi.org/10.3390/su10113956

Wang, N., Hu, B., Wang, D., Wang, L., & Li, W. (2022). Design of a big data platform system for power grid enterprise decision-making. In 2022 2nd International Conference on Consumer Electronics and Computer Engineering (ICCECE) (pp. 175-180). IEEE. https://doi.org/10.1109/ICCECE54139.2022.9712715.

Wang, N., Hu, B., Wang, D., Wang, L., & Li, W. (2022). Design of a big data platform system for power grid enterprise decision-making. In 2022 2nd International Conference on Consumer Electronics and Computer Engineering (ICCECE) (pp. 175-180). IEEE. https://doi.org/10.1109/ICCECE54139.2022.9712715

Xu, L. da, & Duan, L. (2019). Big data for cyber physical systems in industry 4.0: a survey. Enterprise Information Systems, 13(2), 148-169. https://doi.org/10.1080 /17517575.2018.1442934

Yafooz, W.M.S., Bakar, Z.B.A., Fahad, S.K.A., M Mithun, A (2020). Business Intelligence Through Big Data Analytics, Data Mining and Machine Learning. In: Sharma, N., Chakrabarti, A., Balas, V (eds) Data Management, Analytics and Innovation. Advances in Intelligent Systems and Computing, vol 1016. Springer, Singapore. https://doi.org/10.1007/978-981-13-9364-8_17

Ying, S., & Liu, H. (2021). The Application of Big Data in Enterprise Information Intelligent Decision-Making. IEEE Access, 9, 120274-120284. https://doi.org/10.1109/ACCESS.2021.3104147

Zhou, W., & Piramuthu, S. (2021). Big data: Does BIG matter for your business? doi:10.1007/978-981-16-0419-5_12

Zupic, I., & Čater, T. (2015). Bibliometric Methods in Management and Organization. Organizational Research Methods, 18(3), 429-472. https://doi.org/10.1177/1094428114562629