Научный журнал

Вестник Алтайской академии экономики и права

Print ISSN 1818-4057

Online ISSN 2226-3977

Перечень ВАК

Введение

В настоящее время наблюдается экспоненциальный рост данных о нашей деятельности, производимых обществом. Эти данные распространяются, например, на мобильные телефоны, на все транзакции, осуществляемые с помощью интернета, на интернет вещей, социальные сети, умную одежду и т.д. Фирмы, способные переводить эти данные о клиентах в информацию, поступающую в режиме реального времени, приобретают существенное конкурентное преимущество. Данные пользователей позволяют фирмам знать, когда именно клиенты пользуются их продукцией, а также лучшее время для проведения рекламных акций и то, как можно улучшить отношение к бренду. Фирмы, использующие аналитику больших данных (BDA) [20], смогут практически в режиме реального времени обрабатывать огромные массивы данных и стать лидерами рынка.

Процесс получения ценной информации в стремительно меняющейся среде данных был детально описан Agrawal, Bernstein, & Bertino [1]: применение компаниями BDA включает в себя два основных процесса: управление данными и аналитику данных. BDA – это процесс извлечения из данных ценности за счет нахождения скрытых закономерностей, способствующих принятию решений на основе данных.

BDA улучшает процесс принятия решений за счет применения методов и программного обеспечения, доступных бесплатно и обладающих открытым кодом. Из этого вытекает два вопроса. Первый: что влияет на их внедрение? Второй: почему во множестве компаний BDA до сих пор так и не применяется? Большая часть литературы по аналитики больших данных посвящена техническим аспектам, связанным с этой экосистемой: разработка прикладного программного обеспечения, интеллектуальный анализ данных, аналитическая обработка данных, прогнозирование, предписания, статистическое моделирование. Вопрос внедрения BDA внутри компаний исследован мало [7], [10], [16], [28].

В данном исследовании, основанном на модели единой теории принятия и использования технологии (UTAUT) [27], рассматривается воздействие, оказываемое двумя новыми переменными – нежеланием пользоваться и осознанным риском – на внедрение BDA. Во втором разделе статьи описаны теоретические основы предложенной модели. Третий раздел описывает использованную нами методологию. В четвертом разделе анализируются результаты, полученные в результате применения модели к выборке компаний. И наконец, мы делаем основные теоретические и практические выводы, а также указываем на недостатки нашего исследования.

Цель исследования – объяснить, каким образом компании внедряют и применяют эту новую технологию, и понять проблемы, возникающие при реализации для того, чтобы дать рекомендации практикующим специалистам. Вот почему мы проводим различие между компаниями, применяющими и не применяющими эту технологию, и ищем различные факторы, влияющие на ее принятие и применение.

Материал и методы исследования

В наш опрос, проведенный в период с сентября по октябрь 2017 г посредством электронной почты и телефона, вошли 199 ответов генеральных директоров и руководителей различных направлений, таких как отделов кадров, финансов, маркетинга, сбыта. Была выполнена предварительная проверка опроса с участием 5 руководителей, вызвавшихся на добровольной основе, и нескольких экспертных исследователей. Они заполнили анкету и оставили отзывы на вопросы. В таблице 1 мы приводим компании респондентов согласно их доходам и секторам.

Таблица 1

Компании из выборки согласно их доходам и сектору деятельности

Для концепций UTAUT мы адаптировали к BDA шкалы, взятые из работы [27]. Нежелание пользоваться измерялось с помощью шкалы, предложенной Bhattacherjee и Hikmet [12], а осознанный риск – с помощью шкалы, взятой у Featherman и Pavlou [12]. Во всех случаях использовались шкалы Лайкерта, состоящие из семи пунктов.

Для оценки структурной модели мы применяли метод частичных наименьших квадратов (PLS) [14], используя статистическую компьютерную программу Smart PLS 3.2.3 [25]. Чтобы избежать систематической погрешности измерения или систематической погрешности метода (CMB) в исследуемой выборке, мы следовали рекомендациям Буртон-Джоунс [8]. Также мы придерживались мнения Podsakoff, MacKenzie, Lee, & Podsakoff [23], MacKenzie, Podsakoff, & Podsakoff [21]; Podsakoff, MacKenzie, & Podsakoff [24] и Kock & Lynn [19]. Поскольку исследование сосредоточено на CMB и PLS для моделей структурных уравнений, мы придерживались Кока [18] и добавили не относящиеся к теме вопросы, чтобы создать новую скрытую переменную с этими индикаторами и другими переменными в качестве антецедентов. Эта переменная CMB выступает в качестве зависимой переменной для всех остальных в модели. Оцениваемые с помощью этого метода факторы, увеличивающие дисперсию, должны быть ниже 3.3 для подтверждения отсутствия CMB в выборке.

Результаты исследования и их обсуждение

Самой комплексной моделью принятия технологии является модель UTAUT [27]. Эта модель объединяет прошлые модели и теории для того, чтобы проанализировать внедрение и принятие технологии. Предложенная нами модель включает четыре независимых переменных, взятых из модели UTAUT: 1) ожидаемая эффективность, которая измеряет уровень ожидаемой пользы от применения компанией технологии; 2) ожидаемые трудозатраты, которые измеряют предполагаемую легкость применения технологии; 3) влияние общества, которое измеряет, как люди относятся к тому, что друзья и члены семьи считают, что им следует пользоваться технологией; 4) благоприятствующие условия – насколько, по мнению потребителей, будут доступны ресурсы и поддержка для формирования поведения. Модель позволяет включать различные переменные-модераторы, которые влияют на ключевые элементы модели.

К элементам модели UTAUT мы добавили нежелание пользоваться и осознанный риск. Нежелание пользоваться состоит в отрицательной реакции на изменение или внедрение новой системы [17]. Осознанный риск представляет собой потенциальные убытки в результате внедрения новой технологии или информационной системы [12].

Мы предлагаем несколько гипотез, основанных на расширенной модели UTAUT для принятия и использования аналитики больших данных в компаниях: 1) ожидаемая эффективность положительно влияет на поведенческое намерение использовать BDA; 2) ожидаемые трудозатраты, или легкость пользования, положительно влияют на поведенческое намерение использовать BDA; 3) влияние общества оказывает положительное влияние на поведенческое намерение использовать BDA; 4) нежелание пользоваться оказывает негативное влияние на поведенческое намерение использовать BDA; 5) предполагаемый риск оказывает негативное воздействие на поведенческое намерение использовать BDA; 6) благоприятствующие условия оказывают положительное влияние на поведенческое намерение использовать BDA; 7) благоприятствующие условия оказывают положительное влияние на применение BDA; 8) побуждение использовать BDA оказывает положительное влияние на ее применение.

Мы проанализировали надежность элементов с помощью составных показателей надежности и Альфы Кронбаха. Во всех случаях значения наших индикаторов превышали 0,7 – как и было предположено Nunnally (1978). Мы обеспечили конвергентную валидность, проанализировав среднюю извлеченную дисперсию. Все значения превышали пороговое 0.5, предложенное Straub, Detmar, Boudreau и Gefen [26]. Эти индикаторы, приведенные в таблице 2, соответствуют требованиям.

Затем мы оценили дискриминантную валидность модели измерения двумя способами. Сначала мы провели тест Форнелла–Ларкера [3]. Результаты приведены в таблице 3.

Значения R2 для концепций второго порядка (поведенческое намерение и пользовательское поведение) приведены в таблице 4

Таблица 2

Составная надежность и конвергентная валидность

Таблица 3

Дискриминантная валидность (тест Форнелла–Ларкера)

Таблица 4

R2 модели

Для оценки структурной модели мы проанализировали значения коэффициентов направлений и объяснили дисперсию эндогенных переменных (R2). Коэффициенты направлений показывают интенсивность отношений между независимыми и зависимыми переменными. Мы применили метод бутстреп с 5000 образцов, чтобы определить надежность коэффициентов направлений, как показано в таблице 5.

Таблица 5

Оценки структурной модели (коэффициенты направлений)

***p<0.001; **p<0.01; *p<0.05. (выполнение бутстрепа с 5,000 подвыборок и односторонним тестом).

Значительная связь с коэффициентами направлений и значением p выделены полужирным шрифтом.

Мы рассчитали показатель SRMR (стандартизированный среднеквадратичный остаток) для того, чтобы оценить соответствие модели. Полученное значение – 0,065 – оказалось меньше порогового, предложенного Henseler и соавторами [15], что говорит о хорошем соответствии модели. Модель объясняет 47.85% дисперсии в использовании и 54.6% – в поведенческом намерении (см. таблицу 4); оба значения превышают минимальный уровень 10%, рекомендованный Falk и Miller [11].

Результаты подтверждают большинство гипотез, за исключением Г5 (осознанный риск) и Г2 (ожидаемые трудозатраты). Коэффициенты подтверждаемых гипотез являются статистически значимыми на уровне 1%. Хотя ожидаемая эффективность является статистически значимой на уровне 5%, мы обнаружили обратную зависимость, возникшую из-за подавляющего воздействия [11], вызванного новой зависимостью между благоприятствующими условиями и поведенческим намерением, вследствие чего Г2 может быть отвергнута. Что касается влияния, то мы убеждаемся, что благоприятствующие условия больше всего воздействуют на поведенческое намерение; второе место по влиянию, которое оказывают благоприятствующие условия, приходится на применение. Ожидаемая эффективность вносит второй по значимости вклад в поведенческое намерение, а на первом месте по влиянию на применение находится поведенческое намерение. Отметим также, что коэффициент влияния поведенческого намерения на применение является значимым на уровне 0,1%. Коэффициент воздействия нежелания пользоваться на поведенческое намерение является значимым и отрицательным.

Мы также рассчитали Q2 Stone-Geisser для оценки прогностического потенциала модели [13]. Результаты приведены в таблице 6.

Таблица 6

Прогнозирование скрытых переменных

Мы пришли к выводу, что модель имеет прогностическую значимость, поскольку значения Q2 в таблице 9 больше нуля.

Мы рассмотрели возможность наличия неоднородности в выборке. Следуя Becker, Rai, Ringle и Völckner [4], мы провели сегментацию скрытых классов PLS-POS, а также сегментацию скрытых классов FIMIX. Мы не обнаружили никаких различий в группах с апостериорной сегментацией.

Затем мы опробовали несколько априорных сегментаций с другими критериями: например, размер компании, применение больших данных, сфера деятельности, – не обнаружив в результате никаких различий между этими подвыборками. Однако мы нашли разницу в поведении в компаниях, когда спросили об уровне зрелости в освоении BDA. Мы использовали широко применяющуюся шкалу, предложенную Paulk, Curtis, Chrissis и Weber [22], в которой имеется пять уровней: начальный, повторный, определяемый, управляемый и оптимизирующий. Мы отнесли компании, которые еще не освоили BDA или находятся на первых двух уровнях, к первому сегменту, а те, что находятся на трех последних уровнях, – ко второму сегменту. Как показано в таблице 7 для первого сегмента и в таблице 8 – для второго, между этими двумя сегментами и целой выборкой существуют значительные различия (см. табл. 5).

Таблица 7

Первый сегмент. Оценочные показатели структурных моделей (коэффициенты направлений)

***p<0.001; **p<0.01; *p<0.05. (выполнение бутстрепа с 5,000 подвыборок и односторонним тестом).

Значительная связь с коэффициентами направлений и значением p выделены полужирным шрифтом.

Таблица 8

Второй сегмент. Оценочные показатели структурных моделей (коэффициенты направлений)

***p<0.001; **p<0.01; *p<0.05. (выполнение бутстрэпа с 5,000 подвыборок и односторонним тестом).

Значительная связь с коэффициентами направлений и значением p выделены полужирным шрифтом.

Мы выполнили тест ANOVA и подтвердили наличие существенных различий между подвыборками. В компаниях, где не пользовались или только начинали пользоваться (первый сегмент), все отношения были значимыми, за исключением воздействия осознанного риска и прогнозируемых трудозатрат на поведенческое намерение. Благоприятствующие условия и ожидаемая эффективность оказывали самое сильное влияние на поведенческое намерение и обладали высокими уровнями значимости. Коэффициенты нежелания пользоваться и воздействия общества были также большими и значимыми. Среди пользователей и активных пользователей (второй сегмент) значимых отношений не наблюдалось, за исключением воздействия благоприятствующих условий на поведенческое намерение. Оно оказалось самым сильным воздействием среди всех отношений в данном исследовании. Любопытно, что ожидаемая эффективность оказалась не значимой.

Выводы

Наше исследование расширяет модель UTAUT для больших данных за счет введения новой переменной – нежелания пользоваться. Расширяя, мы способствуем обобщению модели и росту понимания того, каким образом происходит принятие технологий. Наша модель дополняет предыдущие исследования BDA за счет включения новой независимой переменной, нежелания пользоваться, в модель UTAUT и включения пользовательского поведения BDA в качестве результирующей переменной.

Наши результаты показывают, что поведенческое намерение использовать BDA в компаниях определяется четырьмя факторами. Первый, ожидаемая эффективность – осознание того, что овладение данной технологией поможет достичь хороших результатов, увеличивает внедрение. Второй, влияние общества, оказывает положительное воздействие на намерение использовать BDA, как было показано в предыдущих статьях [6]. Третий, благоприятствующие условия, предоставляемые компанией, поддержка и необходимые для пользования ресурсы, улучшают и поведенческое намерение, и использование [2]. И наконец, нежелание пользоваться снижает поведенческое намерение использовать BDA в компаниях, причем это воздействие сильнее, чем влияние общества.

Мы также обнаружили, что, хотя аналитика больших данных и кажется трудным для применения (ожидаемые трудозатраты), влияние, которое это впечатление оказывает на поведенческое намерение, незначительно и содержится в другом отношении: воздействие благоприятствующих условий на поведенческое намерение (упомянутый выше эффект подавления).

Таким образом, можно сказать, что полученные данные согласуются со всеми гипотезами модели UTAUT, за исключением 5 гипотезы (осознанный риск). Поскольку мы обнаружили, что она имеет значительное воздействие, мы предлагаем добавить к первоначальной модели нежелание пользоваться для лучшего объяснения принятия и использования BDA в компаниях.

Наконец, мы отмечаем различия в поведении между компаниями, которые не используют эти методы или только начинают использовать (первый сегмент), и компаниями, которые используют их уже в течение длительного времени (второй сегмент). В случае новичков или компаний, которые ими не пользуются, ожидаемая эффективность, влияние общества и благоприятствующие условия оказывают сильное положительное влияние на поведенческое намерение и пользовательское поведение; в то время как нежелание пользоваться имеет сильное отрицательное влияние на обе переменных. Среди пользователей и активных пользователей только благоприятствующие условия оказывают воздействие на поведенческое намерение, в то время как остальные отношения не являются значимыми. Это может указывать на то, что опытные пользователи знают, чего они могут достигнуть с помощью этих методов, поэтому единственное, что их заботит, – хорошие благоприятствующие условия; в то время как новичкам до сих пор не известны все возможности данной технологии, так что они принимают в расчет больше проблем.

Что касается профессиональных затруднений, то результаты показывают, что руководители полагают, что каждая технология имеет свою собственную кривую обучения и этот вопрос не влияет на ее внедрение, если ожидаются отличные результаты, как это обстоит в случае с большими данными [9]. Аналогично, если в компании есть необходимая инфраструктура, она ничего не теряет, испытывая технологию. В любом случае для того, чтобы нежелание пользоваться, все равно требуется четкая информация о ее преимуществах. Следовательно, мы рекомендуем руководителям сделать две вещи. Во-первых, им следует знать, что большая часть программного оборудования, связанного с этими технологиями, бесплатна и, если у них уже есть аппаратные средства, им надо протестировать ее. Во-вторых, до руководителей среднего звена должны быть доведены сведения о преимуществах использования больших данных, в том числе примеры компаний, которые их применяют в тех же сферах. Использование аналитики больших данных в компаниях может стать очень важным шагом вперед в управлении информацией для улучшения отношений с клиентами.

Модель UTAUT должна продолжать развиваться, чтобы лучше объяснять принятие новых технологий. Дальнейшее исследование больших данных должно стремиться определить эти переменные. Кроме того, представляется необходимым исследовать новые переменные-модераторы с целью анализа возможных воздействий, которые прежде не принимались в расчет.

Наконец, увеличение размера выборки позволит установить различия в поведении групп компаний, которые мы можем проанализировать с помощью метода апостериорно сегментации, такого как апостериорная сегментация – частичные наименьшие квадраты (POSPLS). Так что, если у нас будет бо́льшая выборка компаний, использующих (или намеревающихся использовать) большие данные, мы получим бо́льшую эффективность данной модели и более информативные результаты.