ترجمه مقاله بررسی تاثیر رضایت مشتری و عملکرد سازمانی – سال 2021
مشخصات مقاله:
عنوان فارسی مقاله:
مدیریت داده های بزرگ در صنعت خرده فروشی سنگاپور: بررسی تاثیر رضایت مشتری و عملکرد سازمانی
عنوان انگلیسی مقاله:
Managing big data in the retail industry of Singapore: Examining the impact on customer satisfaction and organizational performance
کلمات کلیدی مقاله:
تحلیل داده‌های بزرگ، مدیریت داده‌های بزرگ، عملکرد سازمانی، رضایت مشتری، صنعت خرده‌فروشی، سنگاپور
مناسب برای رشته های دانشگاهی زیر:
مدیریت
مناسب برای گرایش های دانشگاهی زیر:
بازاریابی، مدیریت کسب و کار، مدیریت بازرگانی، مدیریت عملکرد، مدیریت منابع انسانی
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. پیشینه تحقیق
1-2. داده‌های بزرگ
2-2. مدیریت داده‌های بزرگ در زمینه صنعت خرده‌فروشی
3-2. استراتژی‌ها (تکنولوژی محور)، رویکردها و روش‌های مدیریت داده‌های بزرگ در زمینه صنعت خرده فروشی
4-2. قابلیت‌های احتمالی صنعت خرده فروشی در تمرین مدیریت داده های بزرگ
5-2. تأثیر مدیریت داده‌های بزرگ بر عملکرد سازمانی و رضایت مشتریان
3. روش‌شناسی
1-3. فلسفه تحقیق
2-3. طرح تحقیق
3-3. روش‌ها و ابزارهای جمع‌آوری داده
4-3. جمعیت و نمونه‌گیری
5-3. روش تحلیل داده‌ها
4. یافته‌ها و بحث
1-4. آمار توصیفی
2-4. آنالیز سوال‌های تحقیق
5. نتایج
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Much of the research on big data analytics has been centered on technical or system development. Research has been carried out on the usage of big data analytics to understand customer relationships and experience, amongst others. Still, there is a lack of research in the retail industry considering big data management, examining the impact on customer satisfaction and organizational performance in the retail sector. Retailers explore analytics to gain a unified picture of their customers and operations across the store or online channels and make strategic decisions contributing to the growth of the retail industry. Thereof, this study has been conducted by majorly focusing on the Singapore retail industry to clarify the feasibility of big data management analytics. Quantitative research method was employed involving 500 participants from the retail industry of Singapore. The results of the study stated that amongst the different big data analytics utilized within the retail industry of Singapore, social media analytics had been majorly answered by the participants. Future researchers can study about the upcoming retail trends in Singapore and how the effects of big data analysis changed in the past few years and deal with the unexpected future recessions in the retail industry within Singapore.
1. Introduction
Several organizations suffer to maintain large sets of data and the related nontraditional data structures. Different factors of expanding data management skills of an organization and enhancing the portfolios in terms of data management software are also implemented for big data management. Such measures help in increasingly automating the operations of the organization, and the outcome of such processes is the big data management (BDM). The big data should be permanently placed within the data management system of organizations (Russom, 2011). The ability to access, analyze, and manage enormous data volumes besides the fast evolution of information architecture is increasingly critical for retailers who intend to improve business and performance efficiency. Although the key to success is suitable customer experience, operational efficiency, loyalty, and customer retention, the demand of anticipation is significant for the proficient management of inventory, cash, and overall profitability. While retailers grow and extend in the diverse market, the data type that is commonly managed has become more complex. However, the analysis of such complex data leads to a comprehensive understanding of the product’s path to profitability (Ernst and Young, 2014).
چکیده
تحقیقات در زمینه تحلیل داده‌های بزرگ عمدتاً بر روی توسعه تکنیکی یا سیستمی متمرکز بوده است که از این بین تحقیقات در مورد استفاده از تحلیل داده‌های بزرگ برای درک روابط مشتری و تجربه، بیشتر از سایر موارد انجام شده است. هنوز هم، خلأ پژوهشی در صنعت خرده‌فروشی با تمرکز بر مدیریت داده‌های بزرگ، بررسی تأثیر آن بر رضایت مشتری و عملکرد سازمانی در این بخش وجود دارد. خرده‌فروشان برای بدست آوردن تصویری یکپارچه از مشتریان و فعالیت‌هایشان در فروشگاه‌ها یا کانال‌های آنلاین تحلیل‌هایی را انجام می‌دهند و تصمیمات استراتژیکی در جهت رشد صنعت خرده‌فروشی می‌گیرند. از این رو، این مطالعه با تمرکز عمده بر صنعت خرده‌فروشی سنگاپور برای روشن شدن امکان تحلیل مدیریت داده‌های بزرگ صورت گرفته است. روش تحقیق کمی نیز با استفاده از 500 شرکت‌کننده در صنعت خرده‌فروشی سنگاپور انجام گردید. نتایج مطالعه نشان داد که در میان تحلیل‌های مختلف داده‌های بزرگ مورد استفاده در صنعت خرده‌فروشی سنگاپور، تحلیل‌های رسانه‌های اجتماعی به طور عمده توسط شرکت‌کنندگان پاسخ داده شده است. محققان بعدی می‌توانند روند آینده خرده‌فروشی در سنگاپور و چگونگی اثرات تغییر تحلیل داده‌های بزرگ در چند سال گذشته و مقابله با رکود اقتصادی غیر منتظره آینده این صنعت در سنگاپور را مورد مطالعه قرار دهند.
1. مقدمه
سازمان‌های متعددی با حفظ مجموعه بزرگی از داده‌ها و ساختار داده‌های غیر سنتی مرتبط درگیر هستند. اگرچه فاکتورهای مختلفی برای گسترش مهارت‌های مدیریت داده‌های سازمانی و افزایش سبدمالی از نظر نرم‌افزارهای مدیریت داده نیز برای مدیریت داده‌های بزرگ اجرا می‌شود. چنین اقداماتی به افزایش خودکار عملکردهای سازمانی کمک کرده و خروجی چنین فرآیندهایی مدیریت داده‌های بزرگ (BDM) میباشد. داده‌های بزرگ بایستی به‌طور دائم در سیستم مدیریت داده‌های سازمان‌ها قرار گیرند (Russom, 2011). قابلیت دسترسی، تجزیه و تحلیل و مدیریت حجم بزرگی از داده‌ها علاوه‌بر پیشرفت سریع معماری اطلاعات، برای خرده‌فروشانی که هدفشان بهبود کسب‌و کار و عملکردشان میباشد، اهمیت زیادی دارد. اگرچه رمز موفقیت در این امر، تجربه مناسب مشتری، بازده عملیاتی، وفاداری و حفظ مشتری میباشد، پیش‌بینی تقاضا برای مدیریت ماهرانه موجودی کالا، وجه نقد و سودآوری کلی اهمیت زیادی دارد. با توجه به آنکه خرده‌فروشان در بازارهای مختلفی فعالیت دارند، نوع داده‌ای که معمولاً مدیریت می‌شود پیچیده‌تر می‌گردد. با این حال، تجزیه و تحلیل این داده‌های پیچیده منجر به درک جامعی از مسیر محصول به سودآوری می‌شود (Ernst & Young, 2014).
