Vous êtes sur la page 1sur 73

Abonnez-vous à DeepL Pro pour modifier ce document.

Visitez www.DeepL.com/Pro pour en savoir plus.

Voir les discussions, les statistiques et les profils des auteurs pour cette publication à l'adresse suivante : https://www.researchgate.net/publication/323773046

L'effet des grandes données et des analyses sur la performance des entreprises
: Une analyse économétrique tenant compte des caractéristiques de l'industrie

Article dans le Journal of Management Information Systems - mars 2018


DOI : 10.1080/07421222.2018.1451955

CITATIONS LIRE

72 9,432

3 auteurs :

Oliver Müller Maria Fay


Universität Paderborn Université du Liechtenstein
90 PUBLICATIONS 1 670 CITATIONS 7 PUBLICATIONS 87 CITATIONS

VOIR LE VOIR LE
PROFIL PROFIL

Jan vom Brocke


Université du Liechtenstein
488 PUBLICATIONS 8 460 CITATIONS

VOIR LE
PROFIL

Certains des auteurs de cette publication travaillent également sur ces projets connexes :

En quoi les initiatives d'innovation numérique sont-elles vraiment différentes ? Voir le projet

Design Science Research Methodology Voir le projet


Tout le contenu qui suit cette page a été mis en ligne par Oliver Müller le 15 mars 2018.

L'utilisateur a demandé l'amélioration du fichier téléchargé.


Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.

L'effet des grandes données et des analyses sur les

performances des entreprises : Une analyse

économétrique tenant compte des caractéristiques de

l'industrie

Oliver Müller
Université d'informatique de Copenhague, Rued Langgaards Vej 7, 2300
Copenhague, Danemark olmy@itu.dk

Maria Fay
Université du Liechtenstein, rue Prince Franz Josef, 9490 Vaduz, Liechtenstein
maria.fay@uni.li

Jan vom Brocke


Université du Liechtenstein, Fürst Franz Josef Strasse, 9490 Vaduz,
Liechtenstein jan.vom.brocke@uni.li

Résumé : L'émergence des grandes données a stimulé d'énormes investissements


dans les solutions d'analyse commerciale, mais les preuves empiriques fiables et à
grande échelle sur la valeur commerciale des grandes données et de l'analyse (BDA)
restent rares. Ce document présente les résultats d'une étude économétrique qui
analyse la direction, le signe et l'ampleur de la relation entre les BDA et la performance
des entreprises sur la base de mesures objectives des actifs des BDA. En utilisant un
ensemble unique de données de panel qui contient des informations détaillées sur les
solutions BDA détenues par 814 entreprises au cours de la période allant de 2008 à
2014, d'une part, et leurs performances financières, d'autre part, nous estimons la
relation entre les actifs BDA et la productivité des entreprises et constatons que les
actifs BDA en direct sont associés à une amélioration moyenne de 3 à 7 % de la
productivité des entreprises. Cependant, nous constatons également des différences
substantielles dans les rendements de la BDA lorsque nous considérons le secteur
dans lequel une entreprise opère : Alors que les entreprises des secteurs à forte
intensité informatique ou hautement compétitifs sont clairement capables d'extraire de
la valeur des actifs BDA, nous n'avons pas détecté d'amélioration mesurable de la
productivité pour les entreprises en dehors de ces groupes d'industries. Pris ensemble,
nos résultats fournissent des preuves empiriques solides de la valeur commerciale de
la BDA, mais mettent également en évidence d'importantes conditions limites.

Mots et phrases clés : Valeur commerciale des TI, analyse des données
importantes, performance des entreprises, productivité, analyse économétrique.

1
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.

1. Introduction

Au cours de la dernière décennie, une croissance sans précédent du volume, de la

variété et de la vitesse des données est apparue, un phénomène souvent appelé "big

data". Alors que pour la plupart des organisations, l'acquisition de données a toujours

été longue et coûteuse, de nombreuses entreprises sont aujourd'hui confrontées à un

déluge de données. La citation suivante d'Eric Schmidt, ancien PDG de Google, illustre

l'ampleur de la récente explosion des données : "Il y a eu cinq [E]xaoctets

d'informations créées entre l'aube de la civilisation et 2003, mais cette quantité

d'informations est maintenant créée tous les deux jours, et le rythme augmente" [21].

L'émergence de données volumineuses a accru la demande des organisations en

matière d'analyse commerciale, définie comme "l'utilisation extensive de données,

d'analyses statistiques et quantitatives, de modèles explicatifs et prédictifs et de gestion

factuelle pour guider les décisions et les actions" [18],

p. 7]. Une enquête menée par le Wall Street Journal [68] en collaboration avec Oracle

a révélé que 86 % des cadres interrogés considèrent que la capacité à tirer des

enseignements des données est l'un de leurs trois meilleurs professionnels. De même,

selon les études de Gartner

[26] et IBM [33], l'intelligence économique et l'analyse sont aujourd'hui la priorité des

DSI et la priorité technologique des directeurs financiers. IDC [34] a prédit que le

marché mondial des solutions de données et d'analyse commerciale de grande

envergure augmentera de plus de 50 % entre 2015 et 2019, passant de 122 milliards

de dollars à plus de 187 milliards de dollars. Et selon Gartner [25], plus de la moitié

des plus grandes organisations mondiales appliqueront des solutions analytiques

avancées à de grands ensembles de données d'ici 2018.

2
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.

En même temps, l'adoption de solutions analytiques pour extraire de la valeur des

données importantes, appelées ci-après "big data and analytics" (BDA), est associée

à des investissements financiers substantiels pour les entreprises. Par exemple, le

coût total de propriété sur trois ans pour

3
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
un système PureData d'IBM pour l'analyse1, un appareil de traitement des données

de grande taille, est estimé à 39 millions de dollars, et le coût total d'un cluster

Cloudera Hadoop comparable2 pour la même période s'élève à plus de 50 millions

de dollars [13].

Ces chiffres amènent à se demander si les investissements dans la BDA sont rentables

pour les entreprises, c'est-à-dire s'ils génèrent réellement une valeur commerciale. La

nécessité d'effectuer "des évaluations critiques et intensives de l'impact réel des grands

investissements dans les données et de leur utilisation, et de comprendre si et

comment on peut obtenir des avantages instrumentaux (tels que la performance et la

rentabilité) [...]" a également été récemment soulevée dans la littérature sur les

systèmes d'information par Abbasi et autres [1, p. xi]. Alors que la presse économique

et informatique s'imagine des entreprises qui ont transformé leurs activités ou même

des industries entières grâce à l'utilisation du BDA, les preuves scientifiques de la

valeur commerciale du BDA sont rares. Les preuves empiriques existantes proviennent

soit d'études de cas qualitatives qui examinent les opportunités et les défis de la BDA

[58, 64], soit d'enquêtes basées sur des mesures perceptuelles de la valeur

commerciale autodéclarées [44, 5, 54, 17], tandis que les études à grande échelle qui

s'appuient sur des mesures objectives des performances de l'entreprise, telles que la

productivité, sont rares. (Brynjolfsson et al. [12] et Tambe [62] sont des exceptions.)

Ces observations indiquent une lacune dans la littérature universitaire qu'un récent

rapport de l'OCDE [47, p.18] a également soulignée : "Alors que les preuves [de cas]

[...] suggèrent fortement un lien positif entre [l'innovation basée sur les données] et la

croissance de la productivité dans l'ensemble de l'économie, peu d'études empiriques

existent avec des estimations quantitatives solides".

4
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
Notre étude comble cette lacune en utilisant des méthodes économétriques pour

étudier la relation entre les actifs réels de la BDA et la performance des entreprises.

Nous avons compilé un ensemble unique de données de panel qui contient des

informations détaillées sur les solutions BDA détenues par 814

1
8 baies de serveurs et 1500 téraoctets de capacité de stockage
2
Cluster avec 750 nœuds

5
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
sur une période de sept ans, de 2008 à 2014. En combinant ces informations avec les

données de performance financière de la base de données Compustat, nous pouvons

estimer la direction, le signe et l'ampleur de la relation entre les actifs de la BDA et la

performance des entreprises.

Nous constatons que dans toutes les industries, la propriété d'actifs vivants de la BDA

est associée à une augmentation moyenne de la productivité d'environ 4,1 %, mais

nous ne pouvons que spéculer sur le sens de la causalité de cette relation. Lorsque

nous prenons en considération les caractéristiques de l'industrie, la causalité devient

plus claire et nous constatons que les actifs BDA en direct sont associés à des

améliorations substantielles de la productivité d'une entreprise - 6,7 % de gains de

productivité dans les industries à forte intensité informatique et 5,7 % dans les

industries compétitives. Pris ensemble, nos résultats fournissent des preuves

empiriques solides de la valeur commerciale de la BDA, mais mettent également en

évidence d'importantes conditions limites.

Le reste du document est organisé comme suit. Tout d'abord, nous passons en revue

la littérature sur la valeur commerciale de BDA et sur la mesure de l'impact des TI sur

les performances des entreprises. Ensuite, nous développons nos hypothèses clés et

décrivons en détail notre plan de recherche. Ensuite, nous présentons nos résultats

empiriques et discutons de leurs implications ainsi que de leurs limites. Le document se

termine par un bref résumé et des perspectives.

2. Contexte

2.1. Valeur commerciale des grandes données et des analyses

Pour comprendre le discours actuel sur la valeur commerciale de la BDA, il est utile
6
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
de rappeler en quoi cette catégorie de TI est différente des autres TI d'entreprise.

Déjà en 1971, Gorry et Scott Morton [27], dans leur article fondateur "A Framework

for Management Information

7
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
Le terme "systèmes" utilise la distinction entre les activités opérationnelles, de gestion

et de gestion stratégique, d'une part, et les problèmes structurés (ou programmés) et

non structurés (ou non programmés), d'autre part, pour distinguer différentes

catégories de systèmes d'information. Ils ont inventé le terme de systèmes d'aide à la

décision (SAD) pour désigner une catégorie de systèmes d'information destinés à aider

les personnes à prendre des décisions de gestion et des décisions stratégiques dans

des situations problématiques non structurées (par exemple, les ventes et la

planification de la production) et pour distinguer ces systèmes des systèmes

d'information destinés à soutenir des tâches opérationnelles structurées (par exemple,

l'entrée des commandes, la gestion des comptes) en vigueur à ce moment-là. Dans les

architectures informatiques des entreprises d'aujourd'hui, cette distinction se traduit

encore par la séparation des systèmes transactionnels, par exemple le progiciel de

gestion intégré (ERP), la gestion de la relation client (CRM) ou la gestion de la chaîne

d'approvisionnement (SCM), des systèmes analytiques, tels que les entrepôts de

données, les solutions d'exploration de données ou les tableaux de bord.

Le cadre "automatiser/informer" de Zuboff [69] explique comment l'informatique

transactionnelle et analytique affecte différemment les performances de l'entreprise. Le

cadre fait la distinction entre l'informatique destinée à automatiser les opérations en

augmentant la continuité et le contrôle des processus de travail et l'informatique

destinée à informer les décideurs en créant des informations qui améliorent la

compréhensibilité des processus de travail d'une organisation. Alors que Zuboff a

comparé le premier type de systèmes à la chaîne de montage automatisée de Ford,

qui était censée remplacer le travail humain par des machines, elle a fait valoir que le

second type de systèmes peut "créer une compréhension différente et potentiellement

plus pénétrante, complète et perspicace de l'entreprise [qui,] à son tour, peut servir de
8
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
catalyseur pour une amélioration et une innovation significatives dans la production et

la fourniture de biens et de services, renforçant ainsi la position concurrentielle de

l'entreprise" [69, p. 9]. Selon ce point de vue,

Les systèmes transactionnels (par exemple, ERP) visent principalement à améliorer


l'efficacité des

9
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
les processus commerciaux, tandis que les systèmes analytiques (par exemple, BDA)

permettent aux gestionnaires d'explorer de nouvelles innovations en matière de

processus, de produits et de services.

Depuis la création du premier DSS dans les années 1960, les systèmes d'information

analytique ont connu plusieurs vagues d'évolution, allant du traitement par lots de

données numériques structurées provenant de sources internes à l'entreprise et

utilisant des technologies telles que les bases de données relationnelles, le langage

SQL (Structured Query Language) et les générateurs de rapports, au traitement en

temps réel de données non structurées provenant de médias sociaux ou de réseaux de

capteurs et utilisant des technologies telles que les bases de données NoSQL

distribuées, l'informatique en mémoire, l'apprentissage machine et les outils de

visualisation interactifs [1, 15]. Mais ce ne sont pas seulement les types de données et

les technologies qui ont changé, mais aussi la chaîne de valeur de l'information, c'est-

à-dire la manière dont ces technologies sont exploitées par les gestionnaires pour

extraire les connaissances des données et soutenir la prise de décision [1]. Alors que

les applications de Business Intelligence (BI) des années 1990 visaient à fournir à la

direction un ensemble cohérent de mesures pour évaluer les performances passées et

actuelles de l'entreprise, les applications BDA d'aujourd'hui permettent aux analystes,

aux gestionnaires et aux spécialistes des données d'explorer, de découvrir et de

prévoir [18, 1]. Ainsi, comme les technologies de communication et de collaboration ont

transformé les premiers DSS, les derniers développements en matière de données et

d'analyse "donnent naissance à une nouvelle catégorie d'artefacts informatiques de

données" [1, p.viii].

Les premières données quantitatives suggèrent que la BDA conduit à des

10
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
améliorations mesurables des performances des entreprises. Les études

quantitatives existantes peuvent être divisées en gros en études de marché et en

études universitaires appliquant des méthodes économétriques.

La plupart des études de la première catégorie ont été publiées dans la presse

économique ou proviennent de recherches parrainées par l'industrie. Par exemple,

Davenport et Harris [18] ont montré une

11
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
corrélation positive entre l'intensité de l'utilisation des analyses et les taux de croissance

annuels d'une entreprise, sur la base d'une enquête menée auprès de 32 entreprises.

De même, une enquête menée par IBM [36] auprès de près de 3 000 cadres a révélé

que les organisations les plus performantes utilisent l'analyse cinq fois plus que les

moins performantes. Des résultats similaires ont été rapportés par de grandes sociétés

de conseil comme Accenture [2] et Bain & Company [65].

Les études économétriques vont au-delà de la simple analyse corrélationnelle et

utilisent des plans de recherche qui tentent de contrôler les effets de confusion et

d'assurer une interprétation causale des associations entre les variables d'entrée et de

sortie. Ces méthodes sont utilisées depuis de nombreuses années pour étudier la

valeur commerciale des systèmes informatiques transactionnels, tels que les systèmes

ERP, CRM et SCM [48, 32, 28, 4, 19].

Les premières études économétriques sur l'impact des systèmes d'analyse sur la

performance des entreprises sont antérieures à l'ère de la BDA et se sont concentrées

sur le DSS (35) et le BI (22). Bien qu'elles aient constaté un impact positif de ces

solutions sur la performance organisationnelle, elles ont en même temps souligné

l'importance de prendre en compte les modérateurs contextuels, tels que les secteurs

industriels, dans l'analyse [22].

Une autre étude économétrique importante dans ce domaine est celle de Brynjolfsson

et al (12), qui a étudié la relation entre la prise de décision basée sur des données et

des analyses commerciales - c'est-à-dire la prise de décision basée sur des données -

et la performance des entreprises. Les auteurs ont interrogé 179 grandes entreprises

sur leurs pratiques commerciales, telles que l'utilisation des données pour la prise de

décision commerciale ou pour la création de nouveaux produits et services, et ont

12
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
combiné ces données avec les données financières de la base de données Compustat.

En utilisant plusieurs modèles économétriques de la productivité, de la rentabilité et de

la valeur marchande des entreprises, ils ont montré que "les entreprises qui adoptent la

DDD ont une production et une productivité qui sont de 5 à 6 % supérieures à ce que

13
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
seraient attendus compte tenu de leurs autres investissements et de l'utilisation des

technologies de l'information" (p. 1).

Enfin, l'étude économétrique menée par Tambe [62] a examiné la relation entre la

répartition des grandes compétences en matière de données et la performance des

entreprises. En particulier, Tambe a utilisé la base de données de compétences

LinkedIn pour mesurer les investissements des entreprises dans les compétences à

données importantes (notamment Hadoop) et vérifier si ces investissements étaient

associés à une plus grande productivité de l'entreprise. Les résultats ont indiqué que

"les investissements Hadoop des entreprises étaient associés à une croissance de la

productivité plus rapide de 3 %, mais uniquement pour les entreprises a) disposant

d'actifs de données importants et b) dans des réseaux de travail caractérisés par des

investissements Hadoop agrégés importants" (p. 1).

En résumé, il existe des arguments conceptuels bien fondés et un petit nombre de

preuves empiriques, mais émergentes, de la valeur commerciale de la BDA.

Cependant, les études empiriques existantes sont soit antérieures à l'ère des grandes

données (c'est-à-dire qu'elles se concentrent sur la valeur commerciale DSS ou BI),

soit s'appuient sur des enquêtes autodéclarées ou des variables de substitution (par

exemple, les compétences BDA rapportées sur les réseaux sociaux) pour quantifier la

valeur commerciale de la BDA. À notre connaissance, notre étude est la première

étude économétrique qui utilise des données primaires pour opérationnaliser la BDA

au moyen d'actifs réels de la BDA, ce qui nous permet d'obtenir des estimations plus

objectives de la valeur commerciale de la BDA. La section suivante aborde les défis

méthodologiques de la quantification de cette valeur commerciale.

2.2. Mesurer l'impact des TI sur la performance des entreprises


14
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.

L'impact des TI et des investissements en TI (variable d'entrée ou indépendante) sur

la performance des entreprises (variable de sortie ou dépendante) a été largement

étudié en utilisant diverses approches méthodologiques. La méta-analyse de

Sabherwal et Jeyaraj [51] a identifié 303

des études empiriques publiées de 1990 à 2013, et Schryen [55] a identifié 327 recherches

15
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
les documents relatifs à la valeur commerciale des technologies de l'information.

Cependant, seule une poignée de ces études ont examiné l'impact des systèmes BDA

ou de leurs prédécesseurs (c'est-à-dire BI, DSS) [20, 22, 35]. Dans la section

suivante, nous nous concentrerons donc sur un éventail plus large d'études sur la

valeur commerciale des TI afin d'identifier l'approche la plus adaptée à nos objectifs et

à la conception de la recherche.

Du côté des intrants, les premières études ont opérationnalisé la variable indépendante

des investissements informatiques d'une entreprise avec des mesures très agrégées,

telles que les dépenses informatiques (pour le matériel, les logiciels, le personnel, etc.),

les actifs informatiques techniques (par exemple, le nombre de PC et de serveurs) ou

les actifs informatiques humains (par exemple, le nombre d'employés informatiques).

Ce n'est que récemment que des études ont commencé à se pencher sur des mesures

plus désagrégées et sur des actifs informatiques spécifiques [55]. Les systèmes ERP

ont été l'actif informatique spécifique le plus fréquemment étudié, et l'analyse

documentaire de Mangin et al. [43], qui porte sur 54 articles publiés entre 1999 et 2014,

a révélé que la plupart des études ont fait état d'un impact positif des systèmes ERP

sur les performances des entreprises après leur mise en œuvre, en particulier dans les

grandes entreprises sur une longue période. En plus du courant de recherche qui s'est

concentré sur les systèmes ERP, des impacts positifs sur la performance ont été

constatés pour les systèmes CRM [27, 4], les systèmes SCM [19, 4], et la gestion des

connaissances

(KM) [23].

En ce qui concerne la production, la mesure la plus couramment utilisée pour évaluer

les performances des entreprises est la productivité multifactorielle [55, 51]. En

16
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
général, les chercheurs ont associé une mesure de la production de l'entreprise (par

exemple, les ventes ou la valeur ajoutée) aux facteurs d'entrée de l'entreprise, tels que

le capital, le travail et les matériaux. La forme fonctionnelle la plus couramment utilisée

pour cette relation dans la littérature est la fonction de production Cobb-Douglas, qui,

en plus des facteurs de production classiques que sont le capital, le travail et les

matériaux, peut inclure d'autres facteurs d'entrée, tels que les actifs informatiques, et

dont les coefficients résultants peuvent être interprétés comme les effets marginaux de

17
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
ces facteurs de production sur la productivité des entreprises. Alors que les

premières études qui ont utilisé cette approche pour estimer l'effet des TI sur la

productivité des entreprises n'ont pas produit d'effets positifs (ce qui a conduit à la

création du terme "paradoxe de la productivité des TI"), la littérature plus récente a

surtout fait état d'effets positifs des TI sur la productivité [10, 11, 41, 55, 57].

3. Hypothèses

Sharma et ses collaborateurs (56) ont conceptualisé le processus et les conditions

dans lesquelles les grandes données et analyses (BDA) peuvent créer de la valeur

commerciale. Les auteurs ont proposé que les effets de premier ordre de la BDA sont

sur les processus décisionnels et qu'une meilleure prise de décision peut, à son tour,

conduire à des améliorations de la performance organisationnelle, ce qui est conforme

à la littérature sur l'effet des systèmes d'aide à la décision sur les processus

organisationnels (par exemple, [35, 56, 46]).

Mithas et al (46) ont proposé une conceptualisation complémentaire de la voie entre

la capacité de gestion de l'information d'une entreprise et la performance

organisationnelle, en proposant que les capacités de gestion de l'information

soutiennent le développement de trois capacités organisationnelles importantes qui

peuvent conduire à une performance organisationnelle supérieure : la gestion des

clients, la gestion des processus et la gestion de la performance.

Dans leur étude de l'effet de la prise de décision fondée sur les données (DDD) sur la

performance de l'entreprise, Brynjolfsson et al (12), s'appuyant sur la théorie de

l'information et la vision de l'entreprise en matière de traitement de l'information, ont

proposé d'autres points de vue théoriques sur le sujet. Selon la théorie de l'information,

18
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
une information plus fine, moins bruyante, mieux répartie et disponible en plus grand

nombre devrait être davantage utilisée par les dirigeants dans les processus

décisionnels, ce qui devrait améliorer la qualité des décisions [8]. Leur deuxième

argument découle de la vision du traitement de l'information de l'entreprise, qui postule

que plus l'incertitude d'une tâche est grande, plus l'information doit être traitée entre les

décideurs dans

19
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
pour atteindre un niveau de performance donné [24]. L'une des stratégies permettant

de faire face à ce compromis consiste à accroître la capacité de traitement de

l'information de l'organisation en investissant dans des systèmes d'information

verticaux qui permettent aux gestionnaires de planifier et de replanifier fréquemment

les opérations commerciales en transmettant efficacement les informations du point

d'origine au point de décision [24].

Dans l'ensemble, les arguments théoriques exposés ci-dessus suggèrent que les

technologies qui améliorent la collecte des données et leur distribution efficace dans

une organisation, comme la BDA, devraient accroître l'utilisation de ces données dans

les processus décisionnels, ce qui, à son tour, devrait améliorer la qualité des décisions

et, en fin de compte, stimuler la productivité organisationnelle [12].

Cela nous amène à notre première hypothèse :

H1 : Les actifs de la BDA ont un impact positif sur la productivité des entreprises.

Les facteurs au niveau de l'industrie sont des variables contextuelles importantes qui

modèrent l'impact des TI sur la productivité de l'entreprise, et parmi elles, l'intensité

des TI d'une industrie - parfois appelée intensité d'information ou de données - qui

s'est avérée jouer un rôle essentiel [53, 31].

Cet argument peut être théoriquement fondé sur la littérature relative aux actifs

complémentaires [63]. Teece [63] a fait valoir que pour tirer profit d'une innovation

technologique, dans presque tous les cas, une entreprise doit utiliser l'innovation en

combinaison avec d'autres capacités ou actifs existants. Par exemple, une solution

BDA pour construire des modèles prédictifs ou visualiser de grands ensembles de

données nécessite d'autres actifs informatiques, comme des systèmes ERP ou CRM

20
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
transactionnels, qui peuvent servir de sources de données. Ces actifs informatiques

complémentaires sont génériques dans le sens où ils n'ont pas besoin d'être adaptés

à la solution BDA, et vice versa (en supposant que des interfaces standard existent

pour échanger des données entre les systèmes).

Un autre exemple d'atouts complémentaires est celui des scientifiques qui possèdent les
données

21
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
les connaissances et les compétences nécessaires pour utiliser les outils de la BDA

afin d'extraire des modèles et des tendances à partir de grandes quantités de

données. Ces actifs humains sont plus spécialisés, car ils nécessitent une formation et

une expérience pour utiliser efficacement les méthodes et les outils en question et

pour développer des complémentarités de tâches technologiques et informationnelles

afin de les appliquer de manière productive [40]. Ce besoin d'investissements dans les

ressources humaines semble particulièrement crucial dans le domaine de la BDA.

L'importance de disposer de scientifiques qualifiés dans le domaine des données a,

par exemple, été soulignée dans une étude récente du McKinsey Global Institute [44],

qui a constaté un écart de 50 à 60 % entre la demande de talents analytiques profonds

et l'offre de ces derniers d'ici 2018. De même, une étude réalisée par

PricewaterhouseCoopers en coopération avec le Business-Higher Education Forum et

Gallup [49] a révélé que 69 % des employeurs déclarent que d'ici 2021, ils préféreront

les candidats disposant de compétences en sciences des données et en analyse à

ceux qui n'en ont pas, mais que seuls 23 % des éducateurs déclarent que leurs

diplômés auront ces compétences.

Diverses études empiriques ont montré que la disponibilité d'actifs informatiques

technologiques et humains complémentaires au sein d'une entreprise ou de son

réseau (par exemple, un secteur ou une région géographique) est un modérateur

important de la valeur commerciale des TI [9] et, plus particulièrement, de la BDA. Par

exemple, Stiroh [59, 60] a montré que les entreprises qui sont des producteurs de TI

(par exemple, le matériel électronique, les machines et équipements industriels) ou de

gros utilisateurs de TI (par exemple, le commerce de gros, le transport et les services

publics, les services) ont bénéficié de gains de productivité liés aux TI beaucoup plus

importants au cours des dernières décennies que les autres industries (par exemple,
22
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
l'agriculture, l'exploitation minière, la construction). De même, l'analyse de Lee et Kim

[38] sur la documentation relative aux investissements en TI a révélé que les études

comportant des observations sur les industries à forte intensité d'information (par

exemple, les services financiers, les assurances, la vente au détail, les soins de santé)

font état d'un impact plus positif des investissements en TI sur la performance des

entreprises que celles des industries à faible intensité d'information.

les industries à forte intensité d'information (par exemple, la construction, certaines


industries manufacturières). Dans un

23
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
Une étude récente du Centre for Economics and Business Research (CEBR) [14] a

identifié les données d'une industrie et l'intensité des technologies de l'information

comme des facteurs modérateurs importants pour l'adoption de l'analyse des grandes

données et son potentiel d'augmentation de la productivité des entreprises. Enfin,

Tambe [62] a constaté dans son étude sur l'influence des investissements dans les

compétences en matière de données de grande taille sur la productivité des

entreprises que seules les entreprises des secteurs axés sur les données pouvaient

tirer une valeur commerciale des investissements dans les données de grande taille et

qu'il y avait un effet d'interaction positif entre l'investissement d'une entreprise dans les

compétences en matière de données de grande taille et le réservoir de compétences

en matière de données de grande taille disponible dans le secteur dans lequel

l'entreprise opère.

Pris ensemble, les arguments théoriques et les preuves empiriques exposés ci-dessus

suggèrent que les entreprises des secteurs où la disponibilité d'actifs informatiques

complémentaires est faible (c'est-à-dire à faible intensité informatique) peuvent

éprouver des difficultés à extraire une valeur commerciale des actifs de la BDA. Par

conséquent, nous formulons notre deuxième hypothèse comme suit :

H2 : L'effet des actifs de la BDA sur la productivité des entreprises est

plus important dans les industries à forte intensité de TI que dans les

autres industries.

Un deuxième facteur contextuel important au niveau de l'industrie qui modère l'impact

des TI sur les performances des entreprises est l'intensité de la concurrence [55].

Melville et ses collaborateurs (45) se sont appuyés sur deux fondements théoriques

pour expliquer le rôle de la pression concurrentielle dans l'extraction de la valeur

24
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
commerciale des TI.

Premièrement, il affirme que sous la pression de la concurrence, les entreprises

deviennent plus innovantes, par exemple en utilisant les actifs informatiques existants

(par exemple, BDA) pour permettre de nouveaux processus commerciaux (par

exemple, la prise de décision basée sur les données), ce qui, à son tour, augmente leur

productivité. La première partie de cet argument est soutenue par les conclusions de

l'analyse de Basole et al [7] sur 472 articles publiés entre 1977 et 2008 sur l'adoption

des innovations informatiques par les entreprises.

25
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
dans lesquelles ils ont constaté que, depuis plus de trente ans, la pression

concurrentielle figure parmi les trois principales caractéristiques externes qui

déclenchent les innovations en matière de TI. Dans le contexte de la BDA, l'argument

est également soutenu par les résultats empiriques de Malladi et Krishnan [42, p. 9], qui

ont montré qu'"une intensité concurrentielle industrielle plus élevée est positivement

associée à l'étendue de l'utilisation de l'intelligence économique et des analyses dans

les activités commerciales organisationnelles". La deuxième partie de l'argument suit la

même logique et est étayée par les mêmes preuves que l'hypothèse 1.

Deuxièmement, Melville s'appuie sur l'hypothèse de l'efficacité X, selon laquelle en

l'absence de pression concurrentielle, les entreprises ont tendance à accumuler du

mou et d'autres inefficacités tout en étant capables de rester en activité [45]. Cela

entraîne une diminution de l'efficacité des facteurs de production individuels, tels que le

capital, le travail et les technologies de l'information. Plusieurs études empiriques ont

fourni des preuves de cet argument (par exemple [37, 52, 39]). Par exemple, Melville et

ses collaborateurs (45) ont constaté que le produit marginal des technologies de

l'information est nettement inférieur dans les industries hautement compétitives et ont

proposé que "les industries moins compétitives utilisent les technologies de

l'information à des fins similaires [...] l'absence de pression concurrentielle conduit à

une utilisation moins efficace des technologies de l'information" (45, p. 233).

Pris ensemble, les arguments ci-dessus suggèrent qu'une forte concurrence (a)

augmente l'utilisation de la BDA, qui, selon l'hypothèse 1, stimule la productivité des

entreprises, et (b) conduit à une utilisation plus efficace de la BDA. Par conséquent,

nous définissons notre troisième hypothèse comme suit :

H3 : L'effet des actifs de la BDA sur la productivité des entreprises est plus

26
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
important dans les industries hautement compétitives que dans les autres

industries.

27
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.

4. Méthodes

4.1. Données

En coopération avec l'un des plus grands éditeurs de logiciels d'entreprise au monde,

nous avons recueilli un ensemble de données longitudinales uniques sur les actifs BDA

de ses clients. Ces actifs comprennent une large gamme de produits qui peuvent être

classés en trois catégories : (1) les technologies de base de données, (2) les solutions

d'exploration de données et d'apprentissage automatique, et (3) les outils de

visualisation et de présentation des données. La première catégorie de produits

comprenait, par exemple, des bases de données et des entrepôts de données

fonctionnant sur des appareils informatiques en mémoire à haute performance, à la fois

sur site et dans le nuage, ainsi que des outils de modélisation et de gestion des

données. Contrairement aux entrepôts de données traditionnels optimisés pour le

traitement de données numériques structurées en mode batch, ces technologies sont

également conçues pour traiter des données non structurées (par exemple, provenant

de médias sociaux) et en streaming (par exemple, provenant de réseaux senor). La

deuxième catégorie de produits comprend, par exemple, des solutions analytiques

avancées, notamment des algorithmes d'apprentissage automatique supervisé et non

supervisé pour l'analyse prédictive, la détection d'anomalies, l'exploration de textes ou

l'analyse de réseaux sociaux. La troisième catégorie de produits comprenait

principalement des solutions d'intelligence visuelle (par exemple, des tableaux de bord)

et des interfaces mobiles ou en libre-service pour les utilisateurs.

Nous avons fusionné ces données avec les données financières de la base de données

Compustat Global-Fundamentals Annual pour les entreprises qui sont cotées en bourse

aux États-Unis. Après avoir rejoint et nettoyé les ensembles de données, nous avons
28
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
obtenu un ensemble de données de panel équilibré contenant des données sur les

actifs de la BDA ainsi que les performances financières de 814 entreprises entre 2008

et 2014, soit un total de 5 698 observations par année d'entreprise. L'ensemble de

données contient des informations sur les entreprises qui ont adopté la BDA pendant la

période de notre étude (c'est-à-dire 2008-2014), qui avaient

déjà adopté avant 2008, et qui - à partir de 2014 - n'ont pas du tout adopté la BDA.

29
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
Cet ensemble de données offre des possibilités uniques d'étudier l'effet des actifs de

la BDA sur la performance des entreprises, car il contient un large échantillon de

sociétés et est entièrement basé sur des données objectives primaires comprenant

des observations à la fois transversales et longitudinales.

Le tableau 1 présente les définitions de nos principales variables d'intérêt. Les

variables binaires relatives aux actifs informatiques ont la valeur "0" les années

précédant la mise en service d'un système et la valeur "1" l'année de la mise en

service et toutes les années suivantes. Outre la collecte de données sur les systèmes

BDA, nous avons également recueilli des données sur les systèmes ERP, CRM et

SCM des entreprises afin de contrôler les actifs informatiques transactionnels des

entreprises. Pour tester l'hypothèse 2, nous avons adopté une classification de

l'intensité informatique des secteurs industriels tirée de Stiroh [59, 60], qui est basée

sur la part du stock de capital informatique dans le stock total de capital reproductible

d'une entreprise. Comme Stiroh [59, 60], nous avons considéré les industries dont la

part du stock de capital informatique est supérieure à la médiane comme des industries

à forte intensité en TI (c'est-à-dire le commerce de gros, les transports et les services

publics, y compris les télécommunications, les services, l'assurance financière et

l'immobilier, et la fabrication de biens durables). Pour tester l'hypothèse 3, nous avons

classé les industries en fonction de leur compétitivité en utilisant l'indice Herfindahl-

Hirschman (HHI), qui mesure la taille des entreprises par rapport à l'industrie dans

laquelle elles opèrent et indique donc le niveau de concurrence entre elles [50]. Selon

Cetorelli et Strahan [16] et Zwanziger et al. [70], nous classons les industries ayant un

IHH dans le vingt-cinquième centile inférieur de toutes les industries comme hautement

compétitives. (Un IHH faible indique un faible niveau de concentration et un niveau de

concurrence élevé).
30
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
Tableau 1 : Définition des variables

Variable Définition

Entreprise Identification unique de l'entreprise

Année Année d'observation

Industrie Code de l'industrie au niveau de la classification type des industries (CTI) à


deux chiffres

BDA Variable indicatrice binaire : 1 indique que l'entreprise dispose d'actifs BDA ;
sinon 0

ERP Variable indicatrice binaire : 1 indique que l'entreprise dispose d'actifs ERP ;
sinon 0

CRM Variable indicatrice binaire : 1 indique que l'entreprise dispose d'actifs CRM ;
sinon 0

SCM Variable indicatrice binaire : 1 indique que l'entreprise dispose d'actifs MCS ;
sinon, 0

Intensité des Variable indicatrice binaire : 1 indique que l'entreprise appartient à une
technologies de industrie à forte intensité de TI ; sinon, 0
l'information
Compétitivité Variable indicatrice binaire : 1 indique que l'entreprise est dans un secteur
concurrentiel, sinon 0

Le tableau 2 montre l'évolution du taux de diffusion de la BDA dans notre ensemble de

données au fil du temps et ventilé par groupes d'industries. En 2008, environ 61 % des

entreprises de notre panel avaient déjà des actifs BDA en direct et cette part est

passée à 79 % au cours des sept années d'observation. Lorsque l'on compare le taux

de diffusion entre les industries à forte intensité de TI et celles qui ne le sont pas, et

entre les industries compétitives et celles qui ne le sont pas, on ne constate que des

différences marginales.

31
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
Tableau 2 : Taux de diffusion de la BDA des entreprises dans le temps et par groupes d'industries

Taux de diffusion de la 2008 2009 2010 2011 2012 2013 2014


BDA
Globalement 0.61 0.68 0.70 0.73 0.75 0.77 0.79

Industries à forte intensité 0.62 0.68 0.72 0.74 0.76 0.77 0.79
de TI
Des industries 0.63 0.69 0.72 0.74 0.76 0.78 0.79
compétitives

Le tableau 3 montre la répartition des entreprises par groupes d'industries (voir la figure

1 en annexe pour une répartition par industries). Les statistiques montrent que notre

panel est principalement composé d'entreprises appartenant à des industries à forte

intensité informatique et compétitives, principalement dans le secteur manufacturier, ce

qui est probablement dû à notre stratégie de collecte de données qui était axée sur les

clients de l'un des plus grands fournisseurs de logiciels d'entreprise au monde.

Tableau 3 : Totaux et pourcentages des entreprises dans les groupes d'industries

Oui Non

Industries à forte intensité de TI 564 (69.3%) 250 (30.7%)

Des industries compétitives 579 (71.1%) 235 (28.9%)

Le tableau 4 donne un aperçu des variables d'entrée et de sortie nécessaires pour

estimer les fonctions de productivité, et le tableau 5 indique leurs coefficients de

corrélation. Toutes les données ont été extraites de la base de données Compustat

Global-Fundamentals Annual et ont ensuite été ajustées aux valeurs de 20103 à

l'aide des indices des prix à la production intérieure obtenus auprès de l'OCDE

(Organisation de coopération et de développement économiques).

32
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.

3 Les données actuelles de l'OCDE utilisent 2010 comme année de référence par défaut.

33
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
Tableau 4 : Statistiques descriptives des facteurs d'entrée et de sortie

Variable Moyenne Médiane SD Au Maximum


minimum
Ventes 15,083.06 3,088.80 39,216.03 0 528,972.00
(en millions de dollars US)

Travail 34.53 8.40 96.95 0 2,201.00


(en milliers
d'employés)

Capital 6,273.18 686.51 18,775.34 0 276,419.80


(en millions de dollars US)

Matériaux (en millions de 9,937.51 1,735.34 30,650.40 0 478,069.90


dollars US)

Tableau 5 : Corrélations entre les facteurs d'entrée et de sortie

1 2 3 4

1 Ventes 1.00

2 Travail 0.66 1.00

3 Capital 0.76 0.40 1.00

4 Matériel 0.98 0.60 0.72 1.00

4.2. Spécifications des modèles et des estimateurs

Comme indiqué à la section 2.2, nous appliquons des techniques développées dans la

littérature sur la valeur commerciale des TI pour quantifier l'effet des actifs de la BDA

sur la performance de l'entreprise. Bien qu'il existe un certain nombre d'approches pour

mesurer l'impact de l'informatique sur la performance de l'entreprise, nous utilisons le

cadre de la fonction de production Cobb-Douglas pour mesurer l'effet marginal de la

BDA sur la production de l'entreprise après avoir pris en compte les différents intrants

de l'entreprise (c'est-à-dire le travail, le capital, les matières, les actifs informatiques) et

les facteurs externes (c'est-à-dire l'industrie, l'année). Formellement, la spécification de

34
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
régression suivante est utilisée pour tester l'hypothèse 1 :

35
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
log(𝑆𝑎𝑙𝑒𝑠) = 𝛽0 + 𝛽1 log(𝐿𝑎𝑏𝑜𝑟) + 𝛽2 log(𝐶𝑎𝑝𝑖𝑡𝑎𝑙) + 𝛽3 log(𝑀𝑎𝑡𝑒𝑟𝑖𝑎𝑙𝑠) +

𝛽4𝐵𝐷𝐴 + 𝐶𝑜𝑛𝑡𝑟𝑜𝑙𝑠 + 𝜀

où les ventes sont mesurées en tant que ventes de l'entreprise, le travail est une

mesure de l'intrant de production en termes de travail humain et mesuré en nombre

d'employés, le capital est une mesure de l'intrant de production en termes de stock de

capital physique, les matières sont une mesure de l'intrant de production en termes de

dépenses de matières. La BDA est une variable fictive binaire indiquant si une

entreprise dispose d'actifs BDA. Les contrôles comprennent trois variables fictives

binaires contrôlant le niveau général des actifs informatiques non analytiques d'une

entreprise en indiquant si elle a adopté des systèmes d'entreprise transactionnels, à

savoir les systèmes ERP, CRM et SCM, et des variables indicatrices pour l'industrie et

l'année afin de tenir compte des différences structurelles entre les industries et des

chocs économiques à l'échelle de l'industrie.

Pour tester les hypothèses 2 et 3, nous augmentons la fonction de production avec des

variables fictives binaires indiquant si une entreprise est dans une industrie à forte

intensité de TI (ITI) et/ou compétitive (COMP) ainsi qu'avec des termes d'interaction

entre la BDA et l'ITI et/ou la COMP :

log(𝑆𝑎𝑙𝑒𝑠) = 𝛽0 + 𝛽1 log(𝐿𝑎𝑏𝑜𝑟) + 𝛽2 log(𝐶𝑎𝑝𝑖𝑡𝑎𝑙) + 𝛽3 log(𝑀𝑎𝑡𝑒𝑟𝑖𝑎𝑙𝑠) +

𝛽4𝐵𝐷𝐴 + 𝛽5𝐼𝑇𝐼 + 𝛽6𝐶𝑂𝑀𝑃 + 𝛽7𝐵𝐷𝐴 x 𝐼𝑇𝐼 + 𝛽8𝐵𝐷𝐴 x 𝐶𝑂𝑀𝑃 + 𝐶𝑜𝑛𝑡𝑟𝑜𝑙𝑠 + 𝜀

Nous utilisons trois méthodes de régression pour estimer les coefficients des modèles

ci-dessus. Premièrement, nous utilisons la régression par les moindres carrés

ordinaires (MCO) avec des erreurs-types de robustesse des grappes afin de tenir

compte des observations répétées des mêmes entreprises au fil du temps et de

l'hétéroscédasticité potentielle. Ensuite, nous utilisons un estimateur à effets fixes (FE)


36
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
avec des erreurs standard robustes aux grappes pour contrôler tout facteur invariant

dans le temps lié aux entreprises individuelles qui pourrait biaiser les résultats (en

tenant compte du biais des variables omises pour ces facteurs). Enfin, nous utilisons

une régression à effets fixes par les moindres carrés à deux degrés (2SLS) avec des

erreurs types robustes aux grappes

37
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
les erreurs standard, les variables instrumentales (IV) et les effets fixes (FE) pour éviter

les problèmes potentiels d'endogénéité. Une source bien connue d'endogénéité dans

les études économétriques sur la valeur des entreprises informatiques est la causalité

inverse, une situation dans laquelle la production détermine un ou plusieurs des

intrants, et non l'inverse. Par exemple, les entreprises ayant une productivité élevée

peuvent accumuler des ressources inutilisées qu'elles peuvent décider d'investir dans

l'acquisition de nouvelles technologies innovantes, telles que la BDA. Une autre source

potentielle d'endogénéité est le biais de simultanéité, c'est-à-dire le biais qui survient

lorsque deux ou plusieurs variables sont déterminées simultanément par les mêmes

facteurs omis [4]. Par exemple, si des chocs externes positifs non observés sur la

production d'une entreprise (par exemple, en raison d'une demande

exceptionnellement élevée pour ses produits ou de l'embauche d'un nouveau personnel

hautement qualifié) surviennent au cours d'une période d'observation, ils peuvent

simultanément accroître la productivité de l'entreprise et ses investissements dans les

actifs de la BDA. Dans de telles situations, les actifs BDA de l'entreprise seraient

positivement corrélés avec la productivité, mais les actifs BDA ne seraient pas la cause

des gains de productivité. Pour résoudre ces problèmes, nous traitons la variable BDA

ainsi que les variables de contrôle pour les systèmes ERP, CRM et SCM comme étant

endogènes et utilisons les taux de diffusion moyens de ces systèmes dans l'industrie

d'une entreprise pour une année donnée comme variables instrumentales pour corriger

les biais potentiels.

5. Résultats

Les principaux résultats concernant les estimations4 de l'impact de la BDA - ainsi que

du capital, du travail et des matériaux5 - sur la production des entreprises sont

38
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
présentés dans le tableau 6. Comme la fonction de production Cobb-Douglas mesure

la relation entre les entrées et la production d'une entreprise, et en raison de la

transformation logarithmique de la variable de production, le coefficient de la BDA

4
Tous les calculs ont été effectués dans Stata et R (paquet PLM) et ont donné des résultats cohérents.
5
Les coefficients estimés pour le capital, le travail et les matériaux sont d'une ampleur comparable aux
valeurs indiquées dans la littérature correspondante (par exemple [29, 30, 61])

39
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
La variable factice peut être interprétée comme le pourcentage de changement de

productivité associé à la possession d'actifs de la BDA [4, 30].

Pour tester l'hypothèse 1, nous estimons l'effet général des actifs de la BDA en utilisant

trois estimateurs différents. Dans la colonne 1, nous examinons l'impact des actifs de la

BDA en utilisant une régression des moindres carrés ordinaires (MCO) regroupés avec

des erreurs-types de robustesse des grappes. Les résultats montrent une relation

positive et significative entre les actifs BDA et la productivité de l'entreprise, ce qui

suggère que les actifs BDA vivants sont associés à une augmentation de 4,1 % de la

productivité de l'entreprise. La colonne 2 montre les résultats de l'estimation du même

modèle à l'aide d'un estimateur à effets fixes (FE), qui contrôle les facteurs

supplémentaires invariants dans le temps au niveau de l'entreprise. Le coefficient de la

variable BDA reste significatif et positif et est de la même ampleur (3,8 %) que dans le

modèle précédent. Enfin, la colonne 3 montre les résultats de l'utilisation d'une

régression des moindres carrés à deux degrés avec variables instrumentales et effets

fixes (2SLS/IV avec FE). Dans ce modèle, nous traitons la variable BDA ainsi que les

variables de contrôle pour les actifs informatiques non analytiques d'une entreprise

(c'est-à-dire ERP, CRM, SCM) comme endogènes et utilisons le pourcentage moyen

d'adoptants de BDA, ERP, CRM et SCM dans le secteur d'activité d'une entreprise

comme instruments pour contrôler les biais potentiels découlant de la causalité inverse

ou des variables omises. 6 L'ampleur de l'estimation du coefficient de la variable BDA

diminue considérablement et devient non significative, ce qui indique que les résultats

des MCO et de l'EF doivent être interprétés avec prudence et que le sens de la

causalité entre la BDA et la productivité de l'entreprise dans ces modèles reste

incertain. Par conséquent, nos preuves empiriques ne soutiennent pas entièrement le

modèle H1.
40
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.

6
Pour tous les 2SLS/IV avec modèles FE, nous avons effectué des tests de Hausman montrant que les
variables BDA, ERP, CRM et SCM souffraient en fait d'endogénéité et des tests de Weak Instruments
garantissant que les variables instrumentales sont suffisamment fortement corrélées avec les variables
BDA, ERP, CRM et SCM pour agir comme des instruments valides.

41
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
La colonne 4 montre les résultats de l'estimation d'un modèle 2SLS/IV avec FE pour

tester l'hypothèse 2 (Dans la suite, nous ne ferons état que des résultats des

estimations 2SLS/IV avec FE, car ils sont en mesure de traiter les problèmes potentiels

d'endogénéité). L'effet principal des actifs BDA sur la productivité des entreprises

devient insignifiant, mais nous constatons une relation positive significative entre les

actifs BDA et la productivité pour les entreprises opérant dans les industries à forte

intensité de TI. Les résultats suggèrent une productivité supérieure de 6,7 % pour les

entreprises ayant des actifs BDA vivants dans les industries à forte intensité de TI, ce

qui, comparé aux modèles des colonnes 1 et 2, représente une augmentation

substantielle de l'ampleur. Comme l'estimateur 2SLS/IV est capable de contrôler

l'endogénéité, nous pouvons être plus confiants dans l'interprétation de ces

associations en tant que relations de cause à effet entre les actifs BDA et la

performance de l'entreprise, fournissant ainsi un soutien empirique pour H2. Les

entreprises des industries à forte intensité informatique semblent tirer un profit

substantiel des actifs BDA en direct, tandis que les entreprises qui ne sont pas des

industries à forte intensité informatique semblent ne pas être en mesure d'extraire des

augmentations de productivité mesurables des actifs BDA.

Dans la colonne 5, nous examinons l'impact de la BDA sur la productivité des

entreprises dans les industries hautement compétitives (hypothèse 3). Là encore,

l'estimation du coefficient pour l'effet principal des actifs de la BDA est non significative

et le coefficient du terme d'interaction est significatif et positif. La comparaison de l'effet

de la BDA sur la productivité des entreprises des industries hautement compétitives

avec l'effet des entreprises des industries à forte intensité de TI montre qu'il est

légèrement plus faible (5,7 %), mais toujours nettement plus important que les

estimations obtenues en faisant la moyenne sur l'ensemble des industries (H1). Là


42
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
encore, ces résultats indiquent que les actifs BDA en direct sont associés à une

productivité plus élevée pour les entreprises des industries hautement compétitives,

tandis que pour les entreprises des industries non compétitives, aucun impact

mesurable ne peut être observé.

Par conséquent, les résultats soutiennent le H3.

43
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
Il est difficile de démêler les effets modérateurs de l'intensité en TI (H2) et de la

compétitivité (H3) de l'industrie sur la valeur commerciale de la BDA, car de

nombreuses industries importantes de notre échantillon sont à la fois à forte intensité

en TI et très compétitives (par exemple, les industries manufacturières). La colonne 6

montre les résultats de la prise en compte simultanée de l'effet des deux variables de

contexte. Les estimations des coefficients pour les deux termes d'interaction

diminuent en magnitude et ne sont statistiquement significatives qu'au niveau de 11%

(pour l'intensité en TI) et de 24% (pour la compétitivité). En considérant ces résultats

en combinaison avec les résultats des colonnes 4 et 5, il est probable que les

estimations de coefficients plus faibles peuvent être expliquées par la puissance

statistique réduite de l'analyse lorsque la complexité du modèle de régression

augmente.

44
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
Tableau 6 : Estimations de la productivité

Variable dépendante : log(Sales)

2SLS/IV 2SLS/IV 2SLS/IV 2SLS/IV


OLS FE
avec FE avec FE avec FE avec FE

(1) (2) (3) (4) (5) (6)

log(Capital) 0.090*** 0.127*** 0.127*** 0.128*** 0.128*** 0.129***

(0.015) (0.029) (0.029) (0.029) (0.029) (0.029)

log(Travail) 0.296*** 0.472*** 0.472*** 0.471*** 0.471*** 0.470***

(0.024) (0.043) (0.043) (0.043) (0.043) (0.043)

log(Matériel) 0.667*** 0.442*** 0.442*** 0.443*** 0.442*** 0.443***

(0.023) (0.035) (0.035) (0.035) (0.035) (0.035)

BDA 0.041** 0.038* 0.016 -0.031 -0.023 -0.047

(0.020) (0.021) (0.022) (0.032) (0.031) (0.037)

BDA x ITI 0.067* 0.053

(0.034) (0.033)

BDA x COMP 0.057* 0.039

(0.035) (0.033)

Des mannequins de Oui Oui Oui Oui Oui Oui


l'industrie ?
Des mannequins de Oui Oui Oui Oui Oui Oui
l'année ?
Les mannequins des Oui Oui Oui Oui Oui Oui
actifs informatiques ?
Observations 5,698 5,698 5,698 5,698 5,698 5,698

R2
0.977 0.791 0.790 0.790 0.790 0.790

R2
ajustée 0.977 0.755 0.755 0.754 0.754 0.754

Notes : Les erreurs types robustes sont regroupées sur les entreprises comme indiqué entre parenthèses. Les actifs
informatiques factices comprennent les ERP, CRM et SCM. Toutes les estimations 2SLS/IV utilisent comme variables
instrumentales le pourcentage moyen d'adoptants de la BDA, de l'ERP, de la CRM et de la GCL dans le secteur d'activité d'une
entreprise pour une année donnée.

*p<0,1 ; **p<0,05 ; ***p<0,01

45
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.

6. Discussion

Ce document est l'un des premiers à quantifier l'impact des actifs techniques de la BDA

sur la productivité pour un échantillon large et diversifié d'entreprises. Bien que des

études antérieures (par exemple [12, 62]) aient fourni les premières preuves

empiriques de l'impact positif de la BDA sur la performance des entreprises, notre

étude est, à notre connaissance, la première qui repose entièrement sur des mesures

objectives des actifs de la BDA, plutôt que sur des mesures perceptuelles ou des

approximations autodéclarées. En outre, notre étude est la première à fournir des

indications détaillées sur les différences de valeur commerciale de la BDA selon les

secteurs d'activité. Par conséquent, la principale contribution de notre travail est qu'il

ajoute des preuves empiriques à grande échelle, fiables et différenciées à l'ensemble

des connaissances émergentes sur la valeur commerciale de la BDA.

Les résultats de nos MCO et EF pour l'hypothèse 1 indiquent que lorsque l'on fait la

moyenne sur l'ensemble des industries, les actifs de la BDA sont associés à une

augmentation de 4 % de la productivité de l'entreprise. Cette estimation se situe dans la

gamme des effets que d'autres études économétriques sur la valeur commerciale de la

DDD [12] ou les investissements dans les compétences en matière de données

importantes [62] ont trouvés, ce qui confère de la crédibilité à nos conclusions et aux

leurs. Toutefois, les résultats non significatifs obtenus par la régression de l'ESLS/IV

avec FE suggèrent que nous devons être prudents lorsque nous interprétons ces

relations comme un effet causal et que nos estimations peuvent être biaisées en raison

d'une causalité inverse ou de variables omises. Par conséquent, sur la base de nos

résultats, les recherches futures devraient continuer à examiner la causalité entre la

BDA et la performance des entreprises. Une approche prometteuse pourrait consister à

46
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
combiner des mesures des actifs de la BDA avec des données sur les pratiques

décisionnelles fondées sur des données afin de modéliser la chaîne de valeur de

l'information à un niveau plus fin, en commençant par la collecte et l'extraction de

connaissances à partir de données importantes via les actifs de la BDA, puis en

passant par l'utilisation réelle de ces connaissances dans la prise de décision pour

améliorer la performance de l'entreprise. En outre, il pourrait également être utile de

prendre en considération d'autres performances de l'entreprise

47
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
que la productivité. Comme Hitt et al. l'ont noté, les fonctions de production sont un

"cadre de mesure à court terme" (p. 80) et certaines entreprises ou industries

pourraient ne pas tirer de bénéfices à court terme de la BDA, mais plutôt des bénéfices

à moyen et long terme. Ou bien les bénéfices peuvent avoir une nature plus intangible

(par exemple, plus de flexibilité opérationnelle, une connaissance plus approfondie des

clients) et requièrent des approches de mesure uniques pour être détectés. Par

conséquent, une autre orientation de la recherche future consiste à trianguler et à

étendre nos conclusions en utilisant différents instruments de mesure.

Lors de la vérification des hypothèses 2 et 3, nous avons constaté des différences

majeures dans les rendements de la BDA entre les industries : Alors que les actifs BDA

vivants dans les entreprises des industries à forte intensité informatique augmentent la

productivité de 6,7 %, nous n'avons trouvé aucun impact mesurable de la productivité

des actifs BDA pour les entreprises en dehors de ce groupe, ce qui soutient l'hypothèse

2. De même, nous avons constaté des gains de productivité associés à la BDA de 5,7

% pour les entreprises des industries hautement compétitives et aucun impact

mesurable sur la productivité pour les entreprises n'appartenant pas à ces industries, ce

qui soutient l'indicateur H3. Les deux estimations ont été obtenues en utilisant 2SLS/IV

avec des modèles FE qui contrôlent la causalité inverse et les variables omises. Par

conséquent, lorsque nous nous concentrons sur ces sous-groupes d'industries, nous

pouvons être plus confiants dans l'interprétation des corrélations observées comme des

relations de cause à effet. Nos conclusions relatives à l'intensité des TI confirment les

résultats obtenus par Tambe [62], qui a constaté que seules les entreprises disposant

d'un important capital de données et d'un accès aux marchés du travail avec de

grandes compétences en matière de données sont en mesure de tirer profit de gros

investissements dans les données. Ces résultats peuvent probablement s'expliquer par
48
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
le fait que les solutions BDA nécessitent des actifs et des capacités informatiques

complémentaires, tels que des systèmes d'entreprise transactionnels ou des

scientifiques spécialisés dans les données, qui peuvent fournir les données et les

compétences nécessaires pour extraire des connaissances de ces données. En ce qui

concerne la compétitivité de l'industrie, notre étude est la première à examiner son effet

modérateur sur le processus d'extraction de la valeur commerciale des grandes

entreprises.

données. Il semble que la BDA permette aux entreprises sur des marchés très concentrés
d'éliminer

49
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
par exemple en automatisant les tâches décisionnelles de routine, et de concevoir des

produits et des services qui offrent une valeur supérieure au client et se distinguent de

la concurrence, par exemple en les rendant plus intelligents grâce à des données et

des algorithmes [67].

Dans l'ensemble, notre analyse des différences de valeur de la BDA selon les secteurs

devrait motiver les recherches futures à étudier empiriquement d'autres modérateurs au

niveau des secteurs, tels que la nature de la proposition de valeur (par exemple, produit

contre service, matériel contre immatériel, physique contre numérique), le type de

marchés (par exemple, B2B contre B2C) ou les différents canaux de distribution (par

exemple, en ligne contre brique et mortier).

Nos conclusions ont également d'importantes implications en matière de gestion.

Dans l'ensemble, elles suggèrent que la BDA est un investissement productif et que

les rendements qui peuvent être obtenus sont plus lucratifs que pour de nombreux

autres types d'actifs informatiques [59, 60]. Toutefois, avant de décider d'investir dans

des actifs BDA, les gestionnaires doivent prendre en compte les spécificités du

secteur dans lequel ils opèrent, car nos conclusions suggèrent que seules les

entreprises des secteurs à forte intensité informatique et/ou très complets connaissent

des améliorations de productivité mesurables qui peuvent être associées à la BDA.

En quantifiant l'ampleur de ces améliorations, notre étude peut informer les décideurs

dans la préparation des analyses de rentabilité calculant les coûts et les avantages

des actifs BDA avant de prendre des décisions d'investissement.

7. Limitations

Comme c'est le cas pour toute étude économétrique, notre conception de la

recherche présente certaines limites. Sur le plan méthodologique, nos conclusions


50
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
peuvent potentiellement être minées par une multitude de facteurs interdépendants

qui influencent la productivité des entreprises, et dont nous n'avons pas pu tenir

compte dans les spécifications de notre modèle. Bien que nous ayons utilisé la

régression de variables instrumentales pour résoudre les problèmes potentiels

d'endogénéité, il faut être prudent avec

l'interprétation de la relation entre les actifs de la BDA et la productivité comme un facteur


causal

51
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
car il est difficile de contrôler la précédence temporelle et les explications alternatives

dans une étude d'observation. En outre, il existe un certain nombre de limites liées à

notre ensemble de données. Tout d'abord, notre ensemble de données ne comprend

que les entreprises qui sont cotées en bourse aux États-Unis. Bien que notre choix

d'échantillonnage ait été justifié par la disponibilité de données sur les performances

financières, il limite la généralisation de nos conclusions aux moyennes et grandes

entreprises qui agissent sur les marchés mondiaux. Deuxièmement, nous n'avons

enquêté que sur les entreprises qui ont adopté les solutions BDA d'un fournisseur

particulier. Bien que ce fournisseur soit l'un des leaders mondiaux des systèmes

d'entreprise, il convient de veiller à transférer nos conclusions vers des solutions BDA

provenant d'autres fournisseurs ou basées sur d'autres architectures techniques (par

exemple, des solutions open-source pour le traitement distribué de grandes données,

comme Hadoop). Troisièmement, nos modèles n'incluent pas de variables décalées

pour tester les décalages dans l'effet des actifs BDA sur la productivité des entreprises.

L'introduction de décalages temporels entraîne une diminution du nombre

d'observations dans un ensemble de données de panel, ce qui, dans notre cas, a

conduit à une réduction substantielle de la puissance statistique de nos modèles de

régression. L'analyse des décalages temporels à l'aide d'ensembles de données plus

importants pourrait donc constituer une autre piste de recherche.

Enfin, notre étude s'est concentrée sur les actifs techniques de la BDA, c'est-à-dire la

propriété des licences de matériel et de logiciel, et n'a pas explicitement mesuré

d'autres types d'actifs de la BDA, tels que les ressources humaines ou les capacités

de gestion liées à la BDA [55]. Bien que les effets de ces derniers types d'actifs sur les

performances des entreprises aient été étudiés dans d'autres études [12, 62], les

recherches futures devraient viser à quantifier simultanément la valeur commerciale

52
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
des actifs techniques, humains et de gestion des BDA.

8. Outlook

Le marché des solutions BDA est l'un des marchés informatiques qui connaît la

croissance la plus rapide, et bien que les entreprises de tous les secteurs d'activité

réalisent des investissements substantiels dans le BDA, l'organisme de

53
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
Les preuves empiriques de l'impact positif de la BDA sur la performance

organisationnelle ne font qu'émerger. Dans ce contexte, notre étude apporte une

contribution substantielle à l'ensemble des connaissances sur la valeur commerciale

des TI et l'analyse commerciale en ajoutant des preuves empiriques fiables et à grande

échelle de l'effet positif des actifs de la BDA sur la productivité des entreprises, tout en

mettant également en évidence les variables au niveau du secteur qui peuvent limiter la

capacité des entreprises à tirer profit de la BDA. Le fait que toutes les entreprises de

notre échantillon n'ont pas montré des effets immédiats et mesurables de la BDA sur la

productivité incite également à poursuivre les recherches sur la valeur commerciale de

la BDA. Outre l'étude d'autres conditions au niveau du secteur, les chercheurs devraient

étudier la valeur commerciale de divers types d'actifs de la BDA, tels que les actifs

infrastructurels, transactionnels, informationnels et stratégiques de la BDA [66]. En

outre, certaines fonctions organisationnelles peuvent bénéficier davantage de la BDA

que d'autres. Par exemple, des recherches ont suggéré que la plupart des entreprises

mettent en œuvre la BDA pour soutenir les processus commerciaux orientés vers le

client [53, 6, 3].

9. Références

1. Abbasi, A., Sarker, S., et Chiang, R. H. Big data research in information systems :

Toward an inclusive research agenda. Journal of the Association for Information

Systems, 17, 2 (février 2016), i - xxxii.

2. Accenture. Gagner grâce à l'analyse. 2016 (disponible sur

www.accenture.com/us- en/~/media/Accenture/next-gen/hp-analytics/pdf/Accenture-

Linking-Analytics-to-High- Performance-Executive-Summary.pdf).

54
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
3. Acker, O., Gröne, F., Blockus, A., et Bange, C. In-memory analytics-strategies for

real-time CRM. Journal of Database Marketing & Customer Strategy Management, 18,

2 (juillet 2011), 129-136.

55
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
4. Aral, S., Brynjolfsson, E., et Wu D.J. Qu'est-ce qui est arrivé en premier,

l'informatique ou la productivité ? Le cycle vertueux de l'investissement et de

l'utilisation des systèmes d'entreprise. Actes de la Conférence internationale sur les

systèmes d'information, Milwaukee (décembre 2006), 1-22.

5. Asadi Someh, I., et Shanks, G. How Business Analytics Systems Provide Benefits

and Contribute to Firm Performance ? Actes de la Conférence européenne sur les

systèmes d'information, Münster (mai 2015), 1-16.

6. Bange, C., Grosser, T., et Janoschek, N. Big Data Use Cases : Réaliser la

monétisation des données. Étude de recherche du BARC, juillet 2015 (disponible sur

barc- research.com/research/big-data-use-cases-2015/).

7. Basole, R. C., Seuss, C. D., et Rouse, W. B. Adoption de l'innovation informatique

par les entreprises : La découverte de connaissances par l'analyse de textes. Decision

Support Systems, 54, 2 (janvier 2013), 1044-1054.

8. Blackwell, D. Comparaisons équivalentes d'expériences. The Annals of

Mathematical Statistics, 24, 2 (juin 1953), 265-272.

9. Bloom, N., Sadun, R., et Van Reenen, J. Les Américains font mieux : Les

multinationales américaines et le miracle de la productivité. American Economic

Review, 102, 1 (février 2012), 167- 201.

10. Brynjolfsson, E., et Yang, S. Information technology and productivity : a review of

the literature. Advances in Computers, 43 (janvier 1996), 179-214.

11. Brynjolfsson, E., et Hitt, L. M. Paradoxe perdu ? Preuve au niveau de l'entreprise

sur les rendements des dépenses en systèmes d'information. Management Science,

56
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
42, 4 (avril 1996), 541-558.

57
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
12. Brynjolfsson, E., Hitt, L. M., et Kim, H. H. La force du nombre : Comment la prise

de décision fondée sur les données affecte-t-elle la performance des entreprises ?

Rapport technique. 22 avril 2011 (disponible sur ssrn.com/abstract=1819486)

13. Groupe Cabot Partners. Analyse coûts-avantages : Comparaison entre le système

PureData d'IBM et les implémentations Hadoop pour l'analyse structurée. Avril 2015

(disponible sur tdwi.org/~/media/81023B6D9E3F4C9C870378E6FCD42227.PDF).

14. CEBR. Équité des données. Déverrouiller la valeur des grandes données.

Rapport pour le SAS. Avril 2017 (disponible sur https://www.cebr.com/wp-

content/uploads/2013/03/1733_Cebr_Value-of- Data-Equity_report.pdf)

15. Chen, H., Chiang, R. H., et Storey, V. C. Business intelligence and analytics :

Des données importantes à un impact important. MIS Quarterly, 36, 4 (décembre

2012), 1165-1188.

16. Cetorelli, N., et Strahan, P. E. Finance as a barrier to entry : La concurrence

bancaire et la structure de l'industrie sur les marchés locaux américains. The Journal of

Finance, 61, 1 (février 2006), 437-461.

17. Côrte-Real, N., Oliveira, T., et Ruivo, P. (2016). Évaluation de la valeur

commerciale des Big Data Analytics dans les entreprises européennes. Journal of

Business Research. Article sous presse (disponible à l'adresse :

dx.doi.org/10.1016/j.jbusres.2016.08.011)

18. Davenport, T. H., et Harris, J. G. Competing on analytics : La nouvelle science

de la victoire. Boston : Harvard Business Press, 2007.

19. Dehning B., Richardson V.J., et Zmud R.W. The Financial Performance Effects of

58
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
IT-Based Supply Chain Management Systems in Manufacturing Firms. Journal of

Operations Management, 25, 4 (juin 2007), 806-824.

59
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
20. De Oliveira, M. P. V., McCormack, K., et Trkman, P. Business analytics in supply

chains - The contingent effect of business process maturity. Systèmes experts avec

applications, 39, 5 (avril 2012), 5488-5498.

21. Einav, L., et Levin, J. The Data Revolution and Economic Analysis. Rapport

technique. Innovation Policy and the Economy, 14 (juin 2014), 1-24.

22. Elbashir, M. Z., Collier, P. A., et Davern, M. J. Measuring the effects of business

intelligence systems : La relation entre le processus commercial et la performance

organisationnelle. International Journal of Accounting Information Systems, 9, 3

(septembre 2008), 135-153.

23. Feng, K., Chen, E.T., et Liou, W. Implementation of knowledge management

systems and firm performance : an empirical investigation. Journal of Computer

Information Systems, 45, 2 (janvier 2005), 92-104.

24. Galbraith, J. R. Conception de l'organisation : Une vue du traitement de

l'information. Interfaces, 4, 3 (mai 1974), 28-36.

25. Gartner. Magic Quadrant for Advanced Analytics Platforms. 9 février 2016

(disponible sur www.gartner.com/doc/reprints?id=1-2YEIILW&ct=160210&st=sb).

26. Gartner. Magic Quadrant for Business Intelligence and Analytics Platforms.

4 février 2016 (disponible sur www.gartner.com/doc/reprints?id=1-

2XYY9ZR&ct=160204&st=sb).

27. Gorry, G. A., et Scott Morton, M. S. A framework for management information

systems. Cambridge : Massachusetts Institute of Technology, 1971.

60
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
28. Hendricks, K. B., Singhal, V. R., et Stratman, J. K. The impact of enterprise

systems on corporate performance : A study of ERP, SCM, and CRM system

implementations. Journal of Operations Management, 25, 1 (janvier 2007), 65-82.

29. Hitt, L. M., et Brynjolfsson, E. Productivité, rentabilité des entreprises et surplus du

consommateur : trois mesures différentes de la valeur des technologies de

l'information. MIS Quarterly, 20, 2 (juin 1996), 121-142.

30. Hitt, L. M., Wu D. J., et Zhou, X. Investment in enterprise resource planning :

Mesures de l'impact sur les entreprises et de la productivité. Journal of

Management Information Systems, 19, 1 (été 2002), 71-98.

31. Hu, Q., et Quan, J.J. Evaluer l'impact des investissements informatiques sur la

productivité : Une analyse causale au niveau de l'industrie. International Journal of

Information Management, 25, 1 (février 2005), 39-53.

32. Hunton, J. E., Lippincott, B., et Reck, J. L. Enterprise resource planning systems :

comparing firm performance of adopters and nonadopters. International Journal of

Accounting Information Systems, 4, 3 (septembre 2003), 165-184.

33. IBM. L'essentiel du DSI : aperçu de l'étude mondiale sur les directeurs de

l'information - résumé. New York, NY : IBM Global Services, 2011.

34. IDC. Prévisions de recettes mondiales pour les données et l'analyse commerciale

187 milliards de dollars en 2019, selon IDC. Communiqué de presse. 23 mai

2016 (disponible sur www.idc.com/getdoc.jsp?containerId=prUS41306516).

61
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
35. Kohli, R., et Devaraj, S. Contribution of institutional DSS to organizational

performance : evidence from a longitudinal study. Decision Support Systems, 37, 1

(avril 2004), 103-118.

36. LaValle, S., Lesser, E., Shockley, R., Hopkins, M. S., et Kruschwitz, N. Big data,

analytics and the path from insights to value. MIT Sloan Management Review, 52, 2

(hiver 2011), 21-31.

37. Lee, B., et Menon, N. M. La valeur des technologies de l'information à travers

différentes optiques normatives. Journal of Management Information Systems, 16, 4

(mars 2000), 99-119.

38. Lee, S., et Kim, S. H. A lag effect of IT investment on firm performance.

Information Resources Management Journal, 19, 1 (janvier 2006), 43-69.

39. Leibenstein, H. Efficacité allocative vs. "Efficacité X". The American Economic

Review, 56, 3 (juin 1966), 392-415.

40. Lindbeck, A., et Snower, D. J. L'apprentissage multitâche et la réorganisation du

travail : De l'organisation tayloriste à l'organisation holistique. Journal of Labor

Economics, 18, 3 (juillet 2000), 353-376.

41. Mahmood, M.A., et Mann, G.J. Information Technology Investments and

Organizational Productivity and Performance : An Empirical Investigation. Journal of

Organizational Computing and Electronic Commerce, 15, 3 (janvier 1995), 185-202.

42. Malladi, S., et Krishnan, M. Determinants of Usage Variations of Business

Intelligence & Analytics in Organizations-An Empirical Analysis. Actes de la

Conférence internationale sur les systèmes d'information, Milan (décembre 2013),

62
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
1-22.

63
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
43. Mangin, P., Hovelaque, V., et Bironneau, L. Enterprise Resource Planning

contribution to firm performance : Une revue de la littérature des 15 dernières années.

Actes du Congrès International De Genie Industriel, Québec (octobre 2015), 1-10.

44. Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C. et

McKinsey Global Institute. De grandes données : La prochaine frontière pour

l'innovation, la concurrence et la productivité. Juin 2011 (disponible sur

www.mckinsey.com/business-functions/business- technology/our-insights/big-data-

thenext-frontier-for-innovation).

45. Melville, N., Gurbaxani, V., et Kraemer, K. The productivity impact of information

technology across competitive regimes : Le rôle de la concentration et du dynamisme

de l'industrie. Decision Support Systems, 43, 1 (février 2007), 229-242.

46. Mithas, S., Ramasubbu, N., et Sambamurthy, V. How Information Management

Capability Influence Firm Performance. MIS Quarterly, 35, 1 (mars 2011), 237-256.

47. OCDE. L'innovation fondée sur les données pour la croissance et le bien-être. Rapport
de synthèse intermédiaire.

Paris : Éditions de l'OCDE, 2014.

48. Poston, R., et Grabski, S. The impact of enterprise resource planning systems on

firm performance. Actes de la Conférence internationale sur les systèmes d'information,

Atlanta (décembre 2000), 479-493.

49. PriceWaterHouseCoopers. Investir dans les talents américains en matière de science


et d'analyse des données.

Business Higher Education Forum, avril 2017 (disponible sur

https://www.pwc.com/us/en/publications/assets/investing-in-america-s-dsa-talent-bhef-

et pwc.pdf).
64
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
50. Rhoades, Stephen A. L'index Herfindahl-Hirschman. Federal Reserve Bulletin,

79, 3 (mars 1993), 188-189.

51. Sabherwal, R., et Jeyaraj, A. Information Technology Impacts on Firm

Performance : An Extension of Kohli and Devaraj (2003), MIS Quarterly, 39,

4 (décembre 2015), 809-836.

52. Sathye, M. X-efficacité dans le secteur bancaire australien : Une étude empirique.

Journal of Banking & Finance, 25, 3 (mars 2001), 613-630.

53. Saunders, A. Les technologies de l'information ont-elles permis d'uniformiser les règles
du jeu ?

Wharton School, Université de Pennsylvanie, Philadelphie (2010). Document de

travail (disponible sur

dspace.mit.edu/bitstream/handle/1721.1/68967/773931578-

MIT.pdf?sequence=2#page=59).

54. Schroeck, M., Shockley, R., Smart, J., Romero-Morales, D., et Tufano, P.

Analytics : L'utilisation réelle des grandes données. Rapport exécutif. NY : IBM

Institute for Business Value, 2012.

55. Schryen, G. Revisiting IS Business Value Research : Ce que nous savons déjà,

ce qu'il nous reste à savoir et comment nous pouvons y parvenir. European Journal

of Information Systems, 22, 2 (mars 2013), 139-169.

56. Sharma, R., Mithas, S., et Kankanhalli, A. Transforming decision-making

processes : a research agenda for understanding the impact of business analytics

on organisations. European Journal of Information Systems, 23, 4 (juillet 2014), 433-

441.

65
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
57. Sircar, S., Turnbow, J. L., et Bordoloi, B. A framework for assessing the relationship

between information technology investments and firm performance. Journal of

Management Information Systems, 16, 4 (mars 2000), 69-97.

58. Sodenkamp, M., Kozlovskiy, I. et Staake, T. Gaining IS Business Value through Big

Data Analytics : A Case Study of the Energy Sector. Actes de la Conférence

internationale sur les systèmes d'information, Fort Worth (décembre 2015), 1-19.

59. Stiroh, K. J. Information technology and the US productivity revival : what do

the industry data say ? FRB of New York Staff Report. Janvier 2001 (disponible à

l'adresse papers.ssrn.com/sol3/papers.cfm?abstract_id=923623).

60. Stiroh, K. J. Investir dans les technologies de l'information : Les gains de

productivité pour les industries américaines. Current Issues in Economics and

Finance, 7, 6 (juin 2001), 1-6.

61. Tambe, P., Hitt, L. M., et Brynjolfsson, E. L'entreprise extravertie : Comment les

pratiques d'information externe affectent l'innovation et la productivité. Management

Science, 58, 5 (mai 2012), 843-859.

62. Tambe P. Big Data Investment, Skills, and Firm Value. Management Science, 60, 6

(juin 2014), 1452-1469.

63. Teece, D. J. Profiter de l'innovation technologique : Implications pour l'intégration, la

collaboration, l'octroi de licences et la politique publique. Research policy, 15, 6

(décembre 1986), 285- 305.

64. vom Brocke, J., Debortoli, S., Müller, O., et Reuter, N. How in-memory technology

can create business value : insights from the Hilti case. Communications de

66
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
l'Association for Information Systems, 34, 1 (janvier 2014), 151-167.

67
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
65. Wegener, R., et Sinha, V. The value of Big Data : Comment l'analyse

différencie les gagnants. Bain & Company, 2013 (disponible sur

www.bain.com/Images/BAIN%20_BRIEF_The_value_of_Big_Data.pdf)

66. Weill, P., et Broadbent, M. Leveraging the New Infrastructure : Comment les leaders

du marché capitalisent sur les TI. Boston : Harvard Business School Press, 1998.

67. Wixom, B.H., et Ross, J.W. How to Monetize Your Data. MIT Sloan Management,

janvier 2017 (disponible sur sloanreview.mit.edu/article/how-to-monetize your-data/)

68. WSJ. Custom Studios. Maîtrise des données : Le moteur mondial des recettes.

Oracle, CA, 2015 (disponible sur www.oracle.com/us/dm/global-executive-study-

2618506.pdf).

69. Zuboff, S. Automatiser/informer : les deux visages de la technologie intelligente.

Organizational Dynamics, 14, 2 (septembre 1985), 5-18.

70. Zwanziger, J., Melnick, G. A., et Bamezai, A. Costs and price competition in

California hospitals, 1980-1990. Health Affairs, 13, 4 (automne 1994), 118-126.

68
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.

10. Annexe

Figure 1 : Répartition des entreprises par branche d'activité (niveau SIC-1)

69
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
Oliver Müller est professeur associé au département informatique commerciale de
l'université informatique de Copenhague. Il est titulaire d'une licence et d'une maîtrise
en systèmes d'information ainsi que d'un doctorat de l'école de commerce et
d'économie de l'université de Münster. Dans ses recherches, Oliver étudie comment les
organisations créent de la valeur avec des données et des analyses (volumineuses),
par exemple en améliorant le jugement et la prise de décision, en soutenant la gestion
des connaissances ou en automatisant les processus commerciaux. Ses recherches
ont été publiées dans le Journal of the Association of Information Systems, l'European
Journal of Information Systems, le Management Information Systems Quarterly
Executive, l'European Journal of Operational Research, Decision Support Systems, et
plusieurs autres.

Maria Fay est candidate au doctorat en économie d'entreprise (gestion de l'information


et des processus) à l'université du Liechtenstein. Elle est titulaire d'une licence et d'une
maîtrise en informatique de gestion et travaille actuellement à sa thèse sur la relation
entre l'analyse avancée et la valeur commerciale. Maria a de l'expérience dans le
conseil en stratégie informatique et en innovation technologique, et ses recherches
actuelles portent sur les effets de l'adoption des technologies sur les performances et
la prise de décision des entreprises.

Jan vom Brocke est professeur de systèmes d'information, titulaire de la chaire Hilti de
gestion des processus d'entreprise, directeur de l'Institut des systèmes d'information et
vice-président de la recherche et de l'innovation à l'université du Liechtenstein. Ses
recherches se concentrent sur la gestion des processus d'entreprise et les aspects
connexes de l'innovation et de la transformation numériques. Il a publié, entre autres,
dans MIS Quarterly (MISQ), Journal of Management Information Systems (JMIS),
Journal of Information Technology (JIT), European Journal of Information Systems
(EJIS), Information Systems Journal (ISJ), Communications of the ACM (CACM), et
MIT Sloan Management Review (MIT SRM). Il a occupé divers postes de rédaction et
de direction dans le domaine de la recherche et de l'enseignement des systèmes
d'information.

70
Müller, O., Fay, M., vom Brocke, J. (2018)
L'effet des grandes données et des analyses sur les performances des entreprises : Une analyse économétrique
tenant compte des caractéristiques de l'industrie Accepté pour publication dans le Journal of Management
Information Systems. Version des auteurs.
Oliver Müller, IT University of Copenhagen, Department of Business IT, Rued
Langgaards Vej 7, 2300 Copenhague, Danemark, +45 72185069,
olmy@itu.dk

Maria Fay, Université du Liechtenstein, Institut des systèmes d'information, Fürst


Franz Josef Strasse, 9490 Vaduz, Liechtenstein, +423 2651300, maria.fay@uni.li

Jan vom Brocke, Université du Liechtenstein, Institut des systèmes d'information,


Fürst- Franz-Josef-Strasse, 9490 Vaduz, Liechtenstein, +423 2651300,
jan.vom.brocke@uni.li,

42

Voir les statistiques


de publication

Vous aimerez peut-être aussi