Teknologi adalah kisah terbesar dalam dunia bisnis saat ini, dan big data –bersama media sosial, IoT, Blockchain– adalah salah satu cerita di dalamnya.
Dunia tak henti menghadapi tsunami data. Peranti multimedia dan individu dengan ponsel pintar dan situs jejaring sosial juga terus mendorong pertumbuhan data secara eksponensial. Data besar—kumpulan besar data yang dapat ditangkap, dikomunikasikan, dikumpulkan, disimpan, dan dianalisis—kini menjadi bagian dari setiap sektor dan fungsi ekonomi global. Data-data itu mencakup konten tekstual (yaitu terstruktur, semi-terstruktur serta tidak terstruktur), hingga konten multimedia (misalnya video, gambar, audio) pada berbagai platform (misalnya komunikasi mesin-ke-mesin, situs media sosial, jaringan sensor, jaringan sistem cyber-physical, dan IoT. Banyak kegiatan ekonomi modern, inovasi, dan pertumbuhan tidak dapat terjadi tanpa data.
Dalam beberapa dekade terakhir, munculnya data berjumlah besar telah secara drastis meningkatkan jumlah, variasi, dan kecepatan akses data yang dapat dikumpulkan dan dikelola perusahaan dalam proses pengambilan keputusan mereka. Hal itu mendorong perusahaan untuk mengembangkan kapabilitas mengelola big data analytics (BDA) untuk meningkatkan kinerja perusahaan. BDA menyediakan metode dan alat yang powerful untuk mengumpulkan, memproses, dan menganalisis sejumlah besar jejak data, memungkinkan organisasi untuk menghasilkan wawasan berharga dengan menyusun “jejak digital pelanggan mereka ke dalam gambaran yang komprehensif dari kehidupan sehari-hari individu”. Kecepatan, volume, dan variasi yang tinggi membedakan big data dan BDA, yang bergantung pada pembuatan, penyimpanan, dan penggunaan data ini.
Bagaimana big data analytics berperan dalam mendorong proses inovasi di perusahaan dalam perspektif dynamic capabilities, hingga pada akhirnya akan menciptakan keunggulan kompetitif berkelanjutan (sustainable competitive advantage/SDA)?
Sumber Keunggulan Kompetitif
BDA dianggap sebagai pengubah permainan (game changer) yang memungkinkan peningkatan efisiensi dan efektivitas bisnis karena potensi operasional dan strategisnya yang tinggi. Perusahaan dapat menggunakan big data untuk memfasilitasi proses inovasi produk, terutama dengan mempersingkat waktu ke pasar, meningkatkan adopsi produk pelanggan, dan mengurangi biaya. Perusahaan menghasilkan tiga jenis utama wawasan berbasis data, termasuk wawasan deskriptif, wawasan prediktif, dan wawasan preskriptif. Wawasan deskriptif berfokus pada pemahaman tentang apa yang telah terjadi di masa lalu. Untuk menghasilkan wawasan deskriptif, perusahaan terutama menggunakan data historis untuk mengidentifikasi pola dari pelaporan tren. Ini adalah jenis wawasan yang paling umum yang dihasilkan dalam perusahaan. Wawasan deskriptif membantu perusahaan untuk lebih memahami keadaan saat ini dari situasi bisnis dengan cara pengecualian, pola, dan perkembangan menjadi jelas dalam bentuk laporan.
BDA didefinisikan sebagai pendekatan holistik untuk mengelola, memproses, dan menganalisis dimensi terkait data 5 V (yaitu, volume, variety, velocity, veracity, dan value) untuk menciptakan ide yang dapat ditindaklanjuti untuk memberikan nilai berkelanjutan, mengukur kinerja, dan membangun keunggulan kompetitif. BDA secara luas didefinisikan sebagai kompetensi untuk memberikan wawasan bisnis menggunakan manajemen data, infrastruktur (teknologi) dan kemampuan bakat (personel) untuk mengubah bisnis menjadi kekuatan kompetitif.
BDA juga dimaknai sebagai kombinasi dari proses dan alat, termasuk yang didasarkan pada analisis prediktif, statistik, penambangan data, kecerdasan buatan, dan pemrosesan bahasa alami, sering diterapkan pada kumpulan data besar dan mungkin tersebar untuk mendapatkan wawasan yang tak ternilai bagi meningkatkan pengambilan keputusan perusahaan. BDA telah dimanfaatkan untuk membantu proses bisnis di berbagai bidang, misalnya arsitektur, teknik, dan konstruksi, manajemen rantai pasok, telekomunikasi, industri fashion, social media analytics, hingga industri luar angkasa.
Menurut riset, semakin banyak perusahaan mencirikan diri mereka sebagai berbasis data, semakin baik kinerja mereka pada ukuran objektif hasil keuangan dan operasional. Secara khusus, perusahaan yang menempati posisi sepertiga teratas pada industri mereka dalam hal penggunaan data untuk pengambilan keputusan, rata-rata 5% lebih produktif dan 6% lebih menguntungkan dibanding pesaing mereka. Perbedaan kinerja ini tetap kuat setelah memperhitungkan kontribusi tenaga kerja, modal, layanan yang dibeli, dan investasi TI tradisional.
Dapat disimpulkan big data adalah aset informasi bervolume tinggi, berkecepatan tinggi, dan beragam yang menuntut bentuk pemrosesan informasi yang hemat biaya dan inovatif untuk meningkatkan wawasan dan pengambilan keputusan.
Dari perspektif tersebut, pendekatan Resource-Based View (RBV) dapat memberikan kerangka kerja kepada organisasi untuk investasi mereka di dalamnya untuk menciptakan nilai. Teori RBV perusahaan dapat menjelaskan sejauh mana solusi BDA berkontribusi pada penciptaan keunggulan kompetitif. Pandangan berbasis sumber daya telah menjadi fokus dalam arena pengembangan kompetensi dan kapabilitas perusahaan. Sejumlah perusahaan terkemuka telah memperoleh keunggulan kompetitif yang berkelanjutan dengan mengembangkan (developing) dan memanfaatkan (leveraging) sumber daya dan kemampuan yang unik. Perusahaan mencapai keunggulan kompetitif dengan membangun kemampuan, yang pada gilirannya diciptakan dengan menggabungkan dan menyebarkan beberapa sumber daya tingkat perusahaan. Big data adalah salah satu sumber daya tersebut, yang diperlukan tetapi tidak cukup untuk membuat kemampuan BDA. Dengan kata lain, data besar sendiri tidak mungkin menjadi sumber keunggulan kompetitif, karena semua perusahaan (dengan ukuran yang sebanding) kemungkinan akan mengumpulkan kumpulan data dari berbagai sumber.
Sumber dari keunggulan dapat ditemukan dalam kemampuan manajemen untuk mengkonsolidasikan teknologi dan keterampilan produksi seluruh perusahaan ke dalam kompetensi yang memberdayakan bisnis individu untuk beradaptasi dengan cepat terhadap peluang yang berubah. Sebuah perusahaan membutuhkan perpaduan unik dari sumber daya keuangan, fisik, manusia, dan organisasi untuk menciptakan kemampuan, yang akan sulit untuk ditandingi oleh pesaing. Selain itu, perusahaan perlu terus menerus mengkonfigurasi ulang sumber daya mereka sesuai dengan kondisi pasar yang berubah. Namun, untuk melakukannya, sangat penting bagi perusahaan untuk menyadari berbagai sumber daya yang diperlukan untuk membangun kapabilitas BDA.
Gupta & Geroge (2016) membagi sumber daya yang dibutuhkan untuk membangun kemampuan BDA, yang didefinisikan sebagai kemampuan perusahaan untuk merakit, mengintegrasikan, dan menyebarkan sumber daya spesifik data besar berdasarkan teori berbasis sumber daya (RBT) perusahaan, yaitu kemampuan TI masa lalu dan pekerjaan terbaru dalam big data. Sumber daya ini kemudian dikategorikan ke dalam jenis berwujud (tangible), keterampilan manusia, dan tidak berwujud (intangible) (Lihat Gambar 1).
Sementara pandangan berbasis pengetahuan (knowledge-based view/KBV) menegaskan bahwa pencarian yang disengaja untuk melampaui praktik terbaik saat ini adalah akar dari inovasi untuk keberlanjutan. KBV akan mendorong pencarian purposive untuk perbaikan —menjelajahi lingkungan eksternal untuk kemungkinan perubahan tambahan, misalnya. Dalam jangka panjang, pengertian yang lebih radikal, KBV akan mencari kemungkinan perubahan transformatif dalam metode, bahan, pendekatan, fitur produk dan kemampuan perusahaan: jenis hal yang dapat mengubah tidak hanya perusahaan, tetapi juga industrinya.
Mendorong Inovasi
Dunia digital dan BDA adalah sumber inovasi baru yang kuat. Berinvestasi dalam BDA dapat mendukung proses inovasi dan menyediakan sumber inovasi baru. sejauh pembuat keputusan akan memiliki lebih banyak informasi tentang kebutuhan pasar di “digital” dan “dunia nyata-tradisional” dan akan melihat perspektif “dorongan teknologi” dan “tarikan permintaan” secara integratif.
Faktor kunci keberhasilan dalam proses inovasi produk menggunakan mahadata terkait dengan percepatan proses inovasi, koneksi pelanggan, dan pengembangan ekosistem inovasi. BDA dapat mendorong proses inovasi melalui pengembangan ide-ide yang disruptif yang mampu memodelkan, menyampaikan, dan memengaruhi permintaan pasar. BDA secara bersamaan merupakan pencapaian inovasi dan premis untuk pengembangan lebih lanjut dan peluang baru. Kecepatan BDA dapat mengatasi dikotomi antara sumber-sumber inovasi dan menghilangkan kemungkinan untuk menggambarkan batas-batas yang ketat antara teknologi dan kebutuhan pasar.
Kemampuan baru diperlukan untuk menutup kesenjangan antara dua dunia. Perusahaan harus mengembangkan aktivitas manajerial yang menciptakan dinamika kapabilitas berkaitan dengan penginderaan dengan berfokus pada “ruang” baru dari hubungan perusahaan-pengguna/pelanggan untuk mengidentifikasi dan menilai peluang yang ada pada batas antara dunia dan antara bagian dalam dan luar perusahaan. Analisis data besar dapat memainkan peran kunci dalam mengidentifikasi dan membentuk peluang di persimpangan antara investasi dalam aktivitas penelitian dan pembelajaran tentang kebutuhan pelanggan.
Penelitian ilmiah tentang inovasi, khususnya, secara tradisional menyandingkan pandangan yang menekankan peran input sains dan teknologi (yaitu perspektif “didorong oleh teknologi” atau “technology push“) dan yang menyoroti pentingnya pasar dan fitur yang digerakkan oleh pengguna (yaitu perspektif “didorong oleh pasar” atau “demand-pull“). Dari perspektif “dorongan (push) teknologi”, analitik data besar adalah bagian dari keluarga besar teknologi digital, dan proses inovasi semakin mengandalkan teknologi ini. Sebaliknya, dari perspektif “demand-pull“, para ahli menyoroti peran data besar dalam memahami kebutuhan pelanggan dengan lebih baik dan dalam proses inovasi perusahaan.
Pemahaman yang koheren masih kurang tentang bagaimana perusahaan dapat secara strategis menguasai proses inovasi dengan cara yang memperkuat basis teknologi mereka sekaligus memperluas permintaan pasar. Selain itu, wawasan baru dari studi yang menganalisis hubungan antara data besar dan proses inovasi harus mendukung jawaban atas pertanyaan seperti berikut: Kemampuan apa yang diperlukan untuk merangkul transformasi digital yang sukses berdasarkan pada analitik data besar? Kemampuan apa yang penting dalam pengembangan proses inovasi? Bagaimana dan sejauh mana transformasi digital mengubah proses inovatif perusahaan dalam hal produk dan layanan baru?
Tantangan
Ada sejumlah tantangan dalam transisi penggunaan big data maupun BDA yang harus dikelola jika perusahaan ingin mengelola perubahan dengan baik, yaitu kepemimpinan, talent management, teknologi, dan pengambilan keputusan. Para scholar juga menyarankan untuk berfokus pada kemampuan TI, yang didefinisikan sebagai “kemampuan perusahaan untuk memobilisasi dan menyebarkan sumber daya berbasis TI dalam kombinasi atau hadir bersama dengan sumber daya dan kemampuan lain”.
Dari sisi teknologi, besarnya data (volume) bukanlah tantangan besar karena dapat diselesaikan dengan menggunakan sistem komputasi yang efisien. Tantangan yang sebenarnya “adalah untuk berurusan dengan tipe data yang beragam (berbagai), persyaratan respons yang tepat waktu (kecepatan), dan ketidakpastian dalam data (kebenaran)”. Selain berurusan dengan data terstruktur tradisional, aplikasi harus dikembangkan untuk menangani data semi-terstruktur dan tidak terstruktur termasuk, misalnya, teks, gambar, video, dan suara.
Tantangan lain mengacu pada tanggapan yang tidak diterima pada waktu yang tepat. Ini mungkin karena kurangnya sumber yang diperlukan untuk mengumpulkan, menyimpan, dan menganalisis data besar tetapi dalam kerangka waktu tertentu. Selain itu, adalah tugas yang sulit untuk mengidentifikasi perbedaan antara data yang dapat diandalkan dan tidak dapat diandalkan karena ketidakpastian yang melekat pada data tidak dapat dikecualikan bahkan dengan menerapkan metode pembersihan data terbaik.
Analisis data dan tindakan berdasarkan informasi yang diperoleh adalah kunci untuk proses mendefinisikan dan memanfaatkan mahadata secara efektif. Tujuan akhir dari mengumpulkan dan menganalisis data adalah untuk mendorong pengambilan keputusan dan tindakan sambil menciptakan nilai di semua tingkat organisasi. Namun, organisasi sering terlambat dalam memanfaatkan data yang telah diperoleh. Rata-rata organisasi hanya menganalisis 0,5% dari data yang ada. Ini karena organisasi menganggap waktu sebagai salah satu sumber daya yang paling berharga dan, karenanya, waktu untuk mengambil keputusan, dengan mitigasi risiko (virus) yang tepat, merupakan elemen penting dalam BDA.
Dengan volume data yang begitu besar yang hampir belum dimanfaatkan, organisasi yang dapat berhasil menciptakan pengetahuan yang dapat ditindaklanjuti dengan waktu yang efektif dapat memperoleh keunggulan yang berbeda dibandingkan pesaing mereka (Lihat Gambar 2). Proses menafsirkan big data dalam konteks memerlukan transformasi informasi yang relevan kepada pengambil keputusan utama untuk mengambil tindakan berdasarkan pengetahuan yang diperoleh. Interpretasi data yang berwawasan dan tepat waktu sangat penting untuk keberhasilan organisasi.
Penerapan big data juga berkorelasi dengan penciptaan nilai, tetapi sangat bergantung pada konteks organisasi dan tindakan manajerial. Perusahaan tidak boleh fokus menangkap, menyimpan, dan menganalisis data melalui penerapan teknologi secara terpisah. Kepemimpinan yang kuat diperlukan dalam hal menetapkan dan mengkomunikasikan tujuan bisnis yang jelas. Kemampuan TI, proses bisnis, dan keterampilan analitis perlu diselaraskan dan disesuaikan dengan tujuan tersebut.
Menurut Fosso Wamba et al., (2017), ada tiga dimensi yang dominan, yaitu manajemen, infrastruktur, dan kapabilitas personel. Perusahaan juga memerlukan kombinasi dari sumber daya berwujud, manusia, dan tidak berwujud tertentu untuk membangun kemampuan BDA. Sumber daya berwujud dapat diperoleh dari pasar, telah menekankan pentingnya sumber daya manusia dan tidak berwujud dalam menciptakan kemampuan organisasi. Yang tak kalah penting, budaya perusahaan adalah faktor organisasi yang signifikan yang berdampak pada adopsi dan implementasi big data. Dalam hal ini, tantangan yang biasanya dihadapi biasanya adalah munculnya resistensi dari para karyawan. Dalam tahap inisiasi, ada sedikit kebingungan dan keresahan di antara karyawan mengenai relevansi standar proses baru dan kemampuan analitis terkait. Namun dengan berlalunya waktu, dalam tahap pelembagaan, meskipun situasinya sedikit membaik, karyawan menemukan solusi yang memungkinkan mereka untuk menyesuaikan hanya sebagian dari proses spesifik dan kemampuan analitis. Akhirnya, setelah dirutinkan, karyawan merasa nyaman dalam situasi tersebut tetapi masih tidak sesuai dengan proses rantai pasokan yang baru dengan tepat.
Bahan Bacaan
Aamer, A. M., Putu, L., Yani, E., Made, I., & Priyatna, A. (2021). Data Analytics in the Supply Chain Management: Review of Machine Learning Applications in Demand Forecasting. OPERATIONS AND SUPPLY CHAIN MANAGEMENT, 14(1), 1–13.
Acharya, A., Singh, S. K., Pereira, V., & Singh, P. (2018). Big data, knowledge co-creation and decision making in fashion industry. International Journal of Information Management, 42, 90–101. https://doi.org/10.1016/j.ijinfomgt.2018.06.008
Akter, S., Fosso Wamba, S., Gunasekaran, A., Dubey, R., & Childe, S. J. (2016). How to improve firm performance using big data analytics capability and business strategy alignment? International Journal of Production Economics, 182, 113–131. https://doi.org/10.1016/j.ijpe.2016.08.018
al Hujran, O., Al-Debei, M. M., Al-Hujran, O., Wadi, R., Dahbour, R., & Al-Doughmi, M. (n.d.). Big Data: Opportunities and Challenges Smart Government View project The Big Data Revolution: Extending Enterprise Data Warehouses with Data Lakes and Business Intelligence with Data Science. Technologies View project Big Data: Opportunities and Challenges. https://www.researchgate.net/publication/281973148
Al-Jaafreh, A., & Fayoumi, A. (2017). The Role of Big Data Analytics in Innovation: A Study from The Telecom Industry Healthcare of the future: Designing systems for sustainable healthcare. View project Australasian Conference on Information Systems The Role of Big Data Analytics in Innovation: A Study from The Telecom Industry. https://www.researchgate.net/publication/321754170
Aloini, D., Latronico, L., & Pellegrini, L. (2021). The impact of digital technologies on business models. Insights from the space industry. Measuring Business Excellence. https://doi.org/10.1108/MBE-12-2020-0161
Bala, H., & Venkatesh, V. (2017). Reactions to IT-enabled Process Innovations in the Age of Data Analytics in Healthcare. In Business Process Management Journal (Vol. 23, Issue 3). https://ssrn.com/abstract=3681684https://ssrn.com/abstract=3681684
Barchiesi, M. A., & Fronzetti Colladon, A. (2021). Big data and big values: When companies need to rethink themselves. Journal of Business Research, 129, 714–722. https://doi.org/10.1016/j.jbusres.2019.10.046
Bharadwaj, A. S. (2000). A resource-based perspective on information technology capability and firm performance: An empirical investigation. MIS Quarterly: Management Information Systems, 24(1), 169–193. https://doi.org/10.2307/3250983
Brem, A., & Voigt, K. I. (2009). Integration of market pull and technology push in the corporate front end and innovation management-Insights from the German software industry. Technovation, 29(5), 351–367. https://doi.org/10.1016/j.technovation.2008.06.003
Bumblauskas, D., Nold, H., Bumblauskas, P., & Igou, A. (2017). Big data analytics: transforming data to action. Business Process Management Journal, 23(3), 703–720. https://doi.org/10.1108/BPMJ-03-2016-0056
Capurro, R., Fiorentino, R., Garzella, S., & Giudici, A. (2021). Big data analytics in innovation processes: which forms of dynamic capabilities should be developed and how to embrace digitization? European Journal of Innovation Management. https://doi.org/10.1108/EJIM-05-2021-0256
Chaurasia, S. S., & Verma, S. (2020). Strategic determinants of big data analytics in the AEC sector: a multi-perspective framework. Construction Economics and Building, 20(4), 63–81.
Dobusch, L., & Kapeller, J. (2018). Open strategy-making with crowds and communities: Comparing Wikimedia and Creative Commons. Long Range Planning, 51(4), 561–579. https://doi.org/10.1016/j.lrp.2017.08.005
Fosso Wamba, S., Akter, S., Edwards, A., Chopin, G., & Gnanzou, D. (2015). How “big data” can make big impact: Findings from a systematic review and a longitudinal case study. International Journal of Production Economics, 165, 234–246. https://doi.org/10.1016/j.ijpe.2014.12.031
Fosso Wamba, S., Gunasekaran, A., Akter, S., Ren, S. J. fan, Dubey, R., & Childe, S. J. (2017). Big data analytics and firm performance: Effects of dynamic capabilities. Journal of Business Research, 70, 356–365. https://doi.org/10.1016/j.jbusres.2016.08.009
Ghasemaghaei, M., & Calic, G. (2019). Does big data enhance firm innovation competency? The mediating role of data-driven insights. Journal of Business Research, 104, 69–84. https://doi.org/10.1016/j.jbusres.2019.07.006
Ghasemaghaei, M., Ebrahimi, S., & Hassanein, K. (2018). Data analytics competency for improving firm decision making performance. Journal of Strategic Information Systems, 27(1), 101–113. https://doi.org/10.1016/j.jsis.2017.10.001
Gupta, M., & George, J. F. (2016). Toward the development of a big data analytics capability. Information and Management, 53(8), 1049–1064. https://doi.org/10.1016/j.im.2016.07.004
Jelinek, M., & Bergey, P. (2013). Innovation as the strategic driver of sustainability: Big data knowledge for profit and survival. IEEE Engineering Management Review, 41(2), 14–22. https://doi.org/10.1109/EMR.2013.2259978
Keller, S. A., Koonin, S. E., & Shipp, S. (2012). Big Data and City Living: What Can it Do for Us. Significance, 9(4), 4–7. https://doi.org/10.1111/j.1740-9713.2012.00583.x
Lehrer, C., Wieneke, A., vom Brocke, J., Jung, R., & Seidel, S. (2018). How Big Data Analytics Enables Service Innovation: Materiality, Affordance, and the Individualization of Service. Journal of Management Information Systems, 35(2), 424–460. https://doi.org/10.1080/07421222.2018.1451953
Marino, K. E. (1993). Developing Consensus on Firm Competencies and Capabilities (Vol. 10, Issue 3). https://www.jstor.org/stable/4165337?seq=1&cid=pdf-
Matilda, S. (2016). Big data in social media environment: A business perspective. In Social Media Listening and Monitoring for Business Applications (pp. 70–93). IGI Global. https://doi.org/10.4018/978-1-5225-0846-5.ch004
Mcafee, A., & Brynjolfsson, E. (2012). HBR.ORG Spotlight on Big Data Big Data: The Management Revolution.
McKinsey. (2011). Big data: The next frontier for innovation, competition, and productivity. http://www.mckinsey.com/mgi.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., & Dubey, R. (2017). A bibliographic study on big data: concepts, trends and challenges. Business Process Management Journal, 23(3), 555–573. https://doi.org/10.1108/BPMJ-10-2015-0149
Mishra, R., & Sharma, R. (2015). International Journal of Computer Science and Mobile Computing BIG DATA: OPPORTUNITIES AND CHALLENGES. In International Journal of Computer Science and Mobile Computing(Vol. 4, Issue 6). http://www.ijcsmc.com
Müller, S. D., & Jensen, P. (2017). Big data in the Danish industry: application and value creation. Business Process Management Journal, 23(3), 645–670. https://doi.org/10.1108/BPMJ-01-2016-0017
Nambisan, S., Lyytinen, K., Majchrzak, A., & Song, M. (2017). Digital Innovation Management: Reinventing Innovation Management Research in a Digital World. MIS Quarterly, 41(1), 223–238. https://doi.org/10.25300/MISQ/2017/41:1.03
Philip Chen, C. L., & Zhang, C. Y. (2014). Data-intensive applications, challenges, techniques and technologies: A survey on Big Data. Information Sciences, 275, 314–347. https://doi.org/10.1016/j.ins.2014.01.015
Prahalad, C., & Hamel, G. (1999). The Core Competence of the Corporation. In Knowledge and Strategy (pp. 41–59). Elsevier. https://doi.org/10.1016/b978-0-7506-7088-3.50006-1
Rabah, K., Research, M., & Nairobi, K. (2018). Enhancing Global Innovation Agenda http://www.thelakeinstitute.org The Lake Institute Convergence of AI, IoT, Big Data and Blockchain: A Review. In The Lake Institute Journal (Vol. 1, Issue 1). http://www.thelakeinstitute.org
Sivarajah, U., Kamal, M. M., Irani, Z., & Weerakkody, V. (2017). Critical analysis of Big Data challenges and analytical methods. Journal of Business Research, 70, 263–286. https://doi.org/10.1016/j.jbusres.2016.08.001
Teece, D. J. (2014). A dynamic capabilities-based entrepreneurial theory of the multinational enterprise. In Journal of International Business Studies (Vol. 45, Issue 1, pp. 8–37). https://doi.org/10.1057/jibs.2013.54
Teece, D. J. (2018). Dynamic capabilities as (workable) management systems theory. Journal of Management and Organization, 24(3). https://doi.org/10.1017/jmo.2017.75
Troilo, G., de Luca, L. M., & Guenzi, P. (2017). Linking Data-Rich Environments with Service Innovation in Incumbent Firms: A Conceptual Framework and Research Propositions. Journal of Product Innovation Management, 34(5), 617–639. https://doi.org/10.1111/jpim.12395
Wamba, S. F., Gunasekaran, A., Akter, S., Ren, S. J. fan, Dubey, R., & Childe, S. J. (2017). Big data analytics and firm performance: Effects of dynamic capabilities. Journal of Business Research, 70, 356–365. https://doi.org/10.1016/j.jbusres.2016.08.009
Westerman, G., Bonnet, Didier., & McAfee, Andrew. (2014). Leading digital: Turning Technology into Business Transformation.
Zhan, Y., Tan, K. H., Ji, G., Chung, L., & Tseng, M. (2017). A big data framework for facilitating product innovation processes. Business Process Management Journal, 23(3), 518–536. https://doi.org/10.1108/BPMJ-11-2015-0157
Dua Sisi 