AI-genererad bild - stadsmiljö med träd, hus, dator etc

AI-genererad bild

Studieområde:

Big Data Analytics and Firm Productivity

- A Literature Review

Under det senaste decenniet har företag gjort betydande investeringar i att skaffa den teknologi och de mänskliga resurser som krävs för att fullt ut kunna nyttja kapaciteten hos big data analytics (BDA). Den här rapporten är en systematisk litteraturgenomgång av 94 studier publicerade under de senaste tio åren. Rapporten är skriven på engelska med svensk sammanfattning.

Rapporten, Big Data Analytics and Firm Productivity, sammanfattar den aktuella forskningen och är uppdelad i tre huvuddelar:

  • Den första delen belyser den begreppsmässiga utvecklingen av big data (stordata) och big data analytics (stordataanalys; BDA) samt definierar och avgränsar begreppen och dess egenskaper från andra närliggande begrepp såsom artificiell intelligens.
  • Den andra delen redogör för den empiriska evidensen för hur BDA påverkar företagens produktivitet och andra relevanta indikatorer, samt genom vilka kanaler denna påverkan uppstår. Studierna har baserats antingen på objektiv eller subjektiv självrapporterade data.
  • Den tredje delen lyfter policyimplikationer för att underlätta investeringar och användning av BDA inom svenskt näringsliv utifrån ett individ-, företags- och branschperspektiv.

Läs även en kort intervju med författaren, professonr Patrick Mikalef

Ur sammanfattningen

Stordata (eng. big data) utgör en allt viktigare insatsvara i företags strävan efter ökad produktivitet, effektivitet och konkurrenskraft. Genom teknologiska framsteg såsom ökad processorkraft och lagringskapacitet, snabbare och mer omfattande nätverk samt utveckling av sensorer som kan mäta och överföra data i realtid, har tillgången av stordata ökat markant det senaste decenniet. Men för att företag ska kunna kapitalisera på stordatans potential så krävs även en förmåga att genom olika verktyg och tekniker hantera och analysera stordata – stordataanalys, eller big data analytics på engelska, nedan kallat BDA. BDA möjliggör ett mer datadrivet beslutsfattande i företags strategiska och operationella verksamhet, vilket på olika sätt kan öka företagens produktivitet.

Under det senaste decenniet har allt fler företag insett värdet i stordata och investerat i teknisk infrastruktur och humankapital för att öka sin BDA-kapacitet. I takt med att antalet företag som implementerar BDA ökar, har även antalet studier ökat för att undersöka hur företag använder BDA och dess påverkan på produktivitet samt andra viktiga indikatorer som marknadsandel, marknadsposition, effektivitetsvinster, finansiell utveckling, kundnöjdhet och innovation inom produkter och tjänster.

Vad kännetecknar big data och BDA?

I början av 2010-talet populariserades det datavetenskapliga begreppet big data för att beskriva data som var för stora och/eller för komplexa för att hanteras eller analyseras genom konventionella bearbetningsmetoder. Stordata i sig är en obearbetad råvara och för att vara lämplig för analys menar forskningen att den måste uppvisa hög volym, hastighet, variation och tillförlitlighet (eng. the four ”Vs”: volume, velocity, variety och veracity).

BDA syftar till att analysera och extrahera kunskap och information från stordata genom olika analytiska tekniker och metoder. Målet med BDA är att upptäcka samband, mönster, trender och annan användbar information för att möjliggöra bättre beslutsfattande. BDA bygger vidare på tidigare metoder såsom affärsanalys och datautvinning, men utgör ett nytt paradigm av digital transformation som innefattar nya teknologier, tekniker, färdigheter, processer och tankesätt. BDA är teknik- och metodoberoende där ingen särskild typ av verktyg eller metod dikterar vad som konstituerar BDA. Denna egenskap skiljer BDA från exempelvis artificiell intelligens (AI), som syftar till att skapa intelligenta system som kan lära sig av erfarenhet för att utföra uppgifter som traditionellt kräver mänsklig intelligens. Trots att BDA och AI tjänar olika syften kompletterar de varandra; BDA använder sig ofta av AI-tekniker, såsom maskininlärningsalgoritmer, för att upptäcka mönster och utvinna kunskap från stora datamängder. Å andra sidan tränas och utvecklas AI-modeller genom att använda omfattande datamängder via BDA.

Publicerad:

test

Håll dig uppdaterad, prenumerera på vårt nyhetsbrev