Maturity model for the information-driven SME

Abstract

Purpose: This article presents a maturity model for the evaluation of the information-driven decision-making process (DMP) in small and medium enterprises. This model is called "Simplified Holistic Approach to DMP Evaluation (SHADE)". The SHADE model is based in the "Circumplex Hierarchical Representation of the Organization Maturity Assessment" (CHROMA) framework for characterizing the information-driven DMP in organizations Design/methodology/approach: The CHROMA-SHADE provides a competency evaluation methodology regarding the SME's use of data for making better-informed decisions. This model groups the main factors influencing the information-driven DMP and classifies them into five dimensions: data availability, data quality, data analysis and insights, information use and decision-making. It addresses these dimensions systematically, delivering a framework for positioning the organization from an uninitiated to a completely embedded stage. The assessment consists of interviews based on a standardized open-ended questionnaire performed to key company personnel followed by an analysis of the answers and their scoring performed by an expert evaluator. Findings:The results of its application indicate this model is well adapted to the SMEs resulting useful for identifying strengths and weaknesses, thereby providing insights for prioritizing improvement actions. Originality/value:The CHROMA-SHADE model follows a novel, holistic approach that embraces the complexities inherent in a multiplicity of factors that, at the technological and management level, converge to enable more objective and better-supported decisions to be made through the intelligent use of information.

Znanstveno-raziskovalni izzivi na poti digitalne preobrazbe

“…Za zagotovitev celovite ocene podatkovne zrelosti organizacije moramo podatkovno zrelost obravnavati z vidika več dejavnikov oziroma kriterijev, kot so na primer kakovost podatkov (Günther et al, 2019;Loshin, 2011;Ryu et al, 2006), varnost podatkov (Spruit & Pietzka, 2015a), zasebnost podatkov (Guangming idr., 2017;Marchildon et al, 2018), podatkovna kultura (Kiron et al, 2013;Sternkopf & Mueller, 2018), uporaba digitalnih tehnologij, s katerimi organizacija zajema in analizira svoje podatke (Parra et al, 2019;Peña et al, 2018), upoštevanje razvitosti podatkovne arhitekture (Guangming et al, 2017;Ulrich, 2010) in druge. Podatkovne zrelosti tako ne moremo oceniti le z upoštevanjem enega kriterija ali dejavnika, ampak skozi prizmo več posameznih, zato jo moramo obravnavati kot večkriterijski problem.…”

“…Za lažji vpogled in oceno stanja uporabe podatkov, njihovega izkoriščanja in upravljanja so se poleg modelov za oceno digitalne zrelosti (Chanias & Hess, 2016;Igartua et al, 2018;Schumacher et al, 2016; pričeli razvijati tudi modeli za oceno podatkovne zrelosti (Heredia-Vizcaíno & Nieto, 2019;Parra et al, 2019;Ryu et al, 2006;Sternkopf & Mueller, 2018), s pomočjo katerih lahko identificiramo posamezne dejavnike podatkovne zrelosti. Kljub stalnemu razvoju modelov podatkovne zrelosti je med pregledom literature še vedno zaznati pomanjkanje modelov, ki bi bili usmerjeni v mala in srednje velika podjetja, kot ugotavljata (Begg & Caira, 2012).…”

“…Kot navaja Peng (2018) v preglednem prispevku, je leta 2014 bil objavljen model zrelosti upravljanja podatkov ki predstavlja referenčni okvir za nadaljnji razvoj modelov podatkovne zrelosti. Iz tabele 1 je razvidno, da se modeli nanašajo na različne vidike, kot je na primer vidik upravljanja podatkov (Gumain et al, 2017), vidik podatkovne pismenosti (Sternkopff in Mueller, 2018), vidik upravljanja matičnih podatkov (Spruit in Pietzka, 2015) ali pa so namenjeni velikim podjetjem (Parra et al, 2019), velikim podatkom (Comuzzi in Patel, 2016) in podobno.…”

“…Pomemben dejavnik predstavlja uporaba tehnologij, s katerimi lahko podjetje upravlja s podatki, ter opredelitev strategije. Kot ugotavljajo (Coleman et al, 2016;Moonen et al, 2019;Parra et al, 2019;Peña et al, 2018;Pillay & van der Merwe, 2021) iz svojih modelov, je pri ocenjevanju podatkovne zrelosti pomembno predvsem vodstvo oziroma njegova podpora, skozi katero se razvija podatkovna kultura podjetja. Vodstvo je tisto, ki mora za uresničitev napredovanja podatkovne zrelosti sprejemati odločitve na podlagi podatkov in ne zgolj na podlagi intuicije (Parra et al, 2019;Pillay & van der Merwe, 2021;Windt et al, 2019).…”

“…Kot ugotavljajo (Coleman et al, 2016;Moonen et al, 2019;Parra et al, 2019;Peña et al, 2018;Pillay & van der Merwe, 2021) iz svojih modelov, je pri ocenjevanju podatkovne zrelosti pomembno predvsem vodstvo oziroma njegova podpora, skozi katero se razvija podatkovna kultura podjetja. Vodstvo je tisto, ki mora za uresničitev napredovanja podatkovne zrelosti sprejemati odločitve na podlagi podatkov in ne zgolj na podlagi intuicije (Parra et al, 2019;Pillay & van der Merwe, 2021;Windt et al, 2019). Kot pomembna dejavnika sta poleg že omenjenih revizija in poročanje (Cosic et al, 2012;Marchildon et al, 2018) ter ustvarjanje vrednosti s podatki (Gandhi et al, 2018;Hanafizadeh & Harati Nik, 2020).…”