1 Understanding The Determinants-Converti FR

Abonnez-vous à DeepL Pro pour modifier ce document
Journal de la gestion des ressources de

Visitez www.DeepL.com/Pro pour en savoir plus.
l'information
Volume 31 - Numéro 4 - Octobre-Décembre
2018
Comprendre les déterminants de

l'adoption des grandes données
en Inde :
Une analyse des secteurs
manufacturiers et des services
Hemlata Gangwar, Institut de gestion d'entreprise de Pune, Pune, Inde
ABSTRACT
Cet article a cherché à identifier les moteurs de l'adoption des Big Data dans les secteurs de
l'industrie et des services en Inde. Une enquête par questionnaire a été utilisée pour collecter des
données auprès des organisations du secteur manufacturier et des services en Inde. Les données
ont été analysées à l'aide d'analyses factorielles exploratoires et de confirmation. Les hypothèses
pertinentes ont ensuite été dérivées et testées par l'analyse SEM. Les résultats ont révélé que les
facteurs suivants sont importants pour les deux secteurs : avantage relatif, compatibilité,
complexité, taille de l'organisation, soutien de la direction générale, pression concurrentielle,
soutien des fournisseurs, gestion des données et confidentialité des données. Des différences
statistiquement significatives entre les secteurs des services et de la fabrication ont été constatées.
En d'autres termes, l'importance relative des facteurs pour l'adoption des Big Data diffère entre les
secteurs. La seule exception est la complexité, qui a été jugée insignifiante en ce qui concerne le
secteur manufacturier. Les facteurs identifiés peuvent être utilisés pour faciliter les résultats de
l'adoption des Big Data dans les organisations.
KeywoRDS
Adoption des données, analyse des données, gestion des technologies, cadre des TDE
1. INTRoDUCTIoN
L'émergence des Big Data a changé la façon dont les organisations fonctionnent et sont en
concurrence. L'avènement des Big Data a déjà modernisé et modernisera encore de nombreux
domaines, notamment les entreprises, la recherche scientifique, l'administration publique, la
génomique, les soins de santé, l'ingénierie, la gestion des opérations, l'internet industriel, la
finance, etc. Les Big Data peuvent être définis comme une collection d'ensembles de données
massives et diverses nécessitant des techniques et des technologies avancées pour permettre la
capture, le stockage, la distribution, la gestion et l'analyse des informations (Gandomi et Haider
2015). En d'autres termes, il s'agit d'une collection d'ensembles de données énormes et complexes
qui rendent leur traitement difficile à l'aide des plateformes traditionnelles de traitement des
données. L'analyse des données massives (BDA) fait référence au processus et aux techniques
utilisés pour analyser des données massives afin d'en tirer une valeur.
Il est aujourd'hui pragmatique de reconnaître que les Big Data apportent de nombreuses
opportunités intéressantes, telles que l'augmentation de l'efficacité opérationnelle, l'amélioration
des orientations stratégiques, le développement d'un meilleur service à la clientèle, et
l'identification et le développement de nouveaux produits, services, clients et marchés. Cependant,
malgré ces avantages des Big Data, les faits suggèrent que toutes les entreprises ne se précipitent
pas pour adopter les Big Data, ou d'ailleurs la BDA (Kwon et al 2014). En tant que technologie
perturbatrice encore au stade naissant de son adoption, elle présente un écart en termes de
conformité à diverses normes spécifiques à l'industrie, et apporte
DOI : 10.4018/IRMJ.2018100101
Copyright © 2018, IGI Global. La copie ou la distribution sous forme imprimée ou électronique sans autorisation écrite de IGI Global est
interdite.
1
l'information
2018
un niveau élevé de risques et de coûts en raison d'un manque de compréhension globale et d'une
expérience approfondie de la technologie elle-même (Kwon et al. 2014 ; Oliveira et al. 2014).
L'objectif de cette étude est de comprendre les déterminants de l'adoption des Big Data au sein des
organisations.
La plupart des études antérieures sur les Big Data se sont concentrées uniquement sur les
questions techniques et opérationnelles (Chen et Zhang 2014 ; Lee et al., 2014). Seules quelques
études ont abordé l'adoption des Big Data d'un point de vue organisationnel. En fait, aucune étude
n'a mené une évaluation complète et satisfaisante des déterminants de l'adoption des Big Data.
Comme le montre la figure 1, son étude cherche donc à apporter plus de clarté en appliquant le cadre
technologique, organisationnel et environnemental (TOE) de Tornatzky et Fleischer (1990), mais en
combinaison avec deux autres constructions spécifiques à la sécurité des Big Data : la gestion des
données et les préoccupations relatives à la vie privée. En outre, les secteurs de l'industrie et des
services ont été pris en compte afin d'offrir une évaluation plus globale des déterminants de
l'adoption des Big Data.
Notre étude croit en l'importance d'évaluer systématiquement les déterminants de l'adoption
des Big Data. Tout d'abord, nous fournissons un aperçu de l'état de l'art de la recherche sur
l'adoption des Big Data. Nous décrivons ensuite les fondements théoriques de notre modèle de
recherche, et proposons des hypothèses vérifiables avant de présenter la méthodologie de
recherche empirique et les résultats. Nous terminons par une discussion des principaux résultats et
une brève description de certaines possibilités d'études futures.
2. CONTEXTE
2.1. Données importantes

Au cours des deux dernières décennies, la BDA est devenue un sujet important dans les milieux
universitaires et commerciaux. Le terme "Big Data" est utilisé pour décrire d'énormes quantités de
données non structurées qui nécessitent une analyse. Manyika et al. (2011) ont défini les Big Data
comme "la quantité de données juste au-delà de la capacité de la technologie à les stocker, les
gérer et les traiter efficacement". Selon Hashem et al. (2015), "les Big Data sont un ensemble de
techniques et de technologies qui nécessitent de nouvelles formes d'intégration pour découvrir de
grandes valeurs cachées dans de grands ensembles de données qui sont diverses, complexes et de
grande envergure". Les Big Data sont difficiles à stocker, à traiter et à analyser avec les
technologies de base de données traditionnelles (Zhong et al., 2016 ; Tao et al., 2017).
Selon le NIST (2015), les "Big Data" font référence aux ensembles de données qui sont
difficiles à traiter avec les approches traditionnelles en raison de quatre caractéristiques V : la
grande taille (Volume), les sources multiples (Variété), le débit élevé (Vitesse), et le changement
rapide des autres caractéristiques (Variabilité) de l'ensemble de données. Nous pouvons donc
distinguer les données de grande taille des données de taille normale en nous basant sur les quatre
"V" (Gandomi et
Figure 1. Le cadre élargi des TDE pour l'adoption des Big Data
2
l'information
2018
Haider 2014 ; Goes, 2014 ; Abbasi. et al. 2016 ; Wang et al. 2016). Big Data et ses quatre "V"
changent clairement la façon dont les organisations stockent et gèrent les données, et on peut donc
s'attendre à ce qu'ils aient un grand impact sur la chaîne de valeur de l'information disponible pour
les personnes, les processus et les technologies.
La BDA fait référence aux techniques, technologies, systèmes, méthodologies, outils et
applications qui permettent d'extraire les données commerciales essentielles des détails inutiles de
manière à faciliter la prise de décision plus rapide, plus efficace et plus efficiente (Gandomi et
Haider 2015 ; Mcafee et Brynjolfsson 2012). Ces approches combinent souvent l'analyse de texte,
l'analyse audio, l'analyse vidéo, l'analyse des médias sociaux et l'analyse prédictive. Si certaines
organisations de premier plan ont déjà activement adopté la BDA, de nombreuses autres hésitent
encore à le faire en raison de leur manque de compréhension et d'expérience.
2.2. Adoption de données importantes
De nombreuses études ont abordé les questions techniques et opérationnelles liées aux "Big Data",
notamment des questions telles que
• Créer de la valeur à partir de Big Data (Chen et al., 2014 ; Chen et Zhang 2014 ; Jagadish et al.,
2014) ;
• Cadres de traitement des données pour le stockage et l'analyse des données (Wu et al., 2014 ;
Chen et al., 2012) ;
• Questions liées à la transformation des données, à la qualité/hétérogénéité des données, à la
sécurité, au respect de la vie privée et à la conformité aux lois et règlements (Al-Shomrani et
al., 2017 ; Hu et Vasilakos 2016 ; Hashem et al., 2015 ; Kshetri, 2014 ; Bates et al., 2014).
Beaucoup moins d'études ont évalué l'adoption des Big Data d'un point de vue
organisationnel. Kwon et al. (2014) ont développé un modèle de recherche utilisant les théories de
la vue des ressources et de l'isomorphisme pour expliquer l'intention d'adoption de la BDA. Ils ont
conclu que la qualité des données et les avantages de l'utilisation des données sont les principaux
moteurs de l'adoption des Big Data. Sun et al. (2016) ont développé un cadre conceptuel pour
identifier les facteurs affectant l'adoption des Big Data par les organisations. Leur cadre n'est pas
très étendu. Il a été développé d'un point de vue théorique, basé sur l'analyse du contenu de la
littérature sur l'adoption des technologies de l'information. Chaurasia et Rosin (2017) ont examiné
l'applicabilité des Big Data dans les établissements d'enseignement supérieur. Leur méthodologie
qualitative a permis d'identifier quatre grands domaines d'application : le reporting et la conformité
; l'analyse et la visualisation ; la sécurité et l'atténuation des risques ; et l'analyse prédictive. Verma
et Bhattacharyya (2017) ont identifié les facteurs qui influencent l'utilisation et l'adoption des Big
Data dans le contexte des économies émergentes. Ils ont utilisé une étude exploratoire qualitative
utilisant des entretiens semi-structurés en face à face pour recueillir des données auprès de 22
entreprises en Inde. Contrairement à cette étude, ils n'ont pas pris en compte les questions de
gestion des données et de confidentialité.
Aucune étude antérieure n'a adopté une approche complètement holistique et empirique
pour valider le contexte technologique, le contexte organisationnel et la perspective du contexte
environnemental pour une utilisation efficace des Big Data. Ainsi, le travail présenté dans ce
document est nécessaire pour mieux expliquer et faciliter l'utilisation des Big Data au niveau
organisationnel. Cette étude étend le modèle TOE (Technology, Organization, and Environment)
en y incluant les aspects de sécurité (TOES). Elle différencie également l'importance relative des
facteurs d'adoption des Big Data dans les secteurs de l'industrie et des services. Dans le secteur des
services, le Big Data permet de nouvelles opportunités découlant des découvertes du Big Data.
Dans le secteur manufacturier, les Big Data peuvent améliorer les systèmes existants en réduisant
les coûts de développement et d'assemblage des produits et peuvent entraîner une réduction du
fonds de roulement (Mourtzis et al., 2016).
2.3. Modèles d'adoption
Il existe de nombreux modèles/théories de comportement d'adoption capables de décrire l'adoption
des technologies, et ce tant au niveau organisationnel qu'individuel. Il s'agit notamment de
• La théorie de la diffusion de l'innovation (IDT, Rogers, 1962, 1995 et 2003) ;

• La théorie de l'action raisonnée (TRA, Fishbein & Ajzen, 1975) ;
3
l'information
2018
• Le modèle d'acceptation de la technologie (TAM, Davis, 1989) ;
• Le cadre Technologie-Organisation-Environnement (TOE) (Tornatzky et Fleisher, 1990)
• La théorie du comportement planifié (TPB, Ajzen, 1991) ; et
• La théorie unifiée de l'acceptation et de l'utilisation de la technologie (UTAUT ; Venkatesh et al.,
2003).
Il est clair qu'au fil des ans, les chercheurs ont cherché à perfectionner les moyens de faciliter
l'adoption (Moore & Benbasat, 1991 ; Zhu et al., 2006a, 2006b). Par exemple, lorsque Tornatzky
et Fleischer (1990) ont proposé le cadre TOE, ils ont conservé les contextes Technologie et
Organisation proposés par la construction IDT de Rogers (1962), mais ont également ajouté un
contexte Environnemental, et ont ainsi considérablement étendu les contraintes et les opportunités
d'adoption technologique (Zhu et al., 2003). Par exemple, le cadre de l'ETO a été utilisé pour
différencier les adoptants des non-adoptants (Low et al., 2011), et Rui (2007) et Maduku et al.
(2016) l'ont utilisé pour identifier les caractéristiques intrinsèques des moteurs d'innovation dans le
contexte environnemental plus large de l'organisation qui les adopte. Le présent document franchit
une nouvelle étape en ajoutant les considérations de sécurité liées à la gestion et à la
confidentialité des données au cadre des TDE de Tornatzky & Fleischer (1990).
2.4. Cadre des orteils
Le contexte technologique du cadre des TPE fait référence aux technologies internes et externes
pertinentes pour l'organisation, déjà utilisées, ou disponibles sur le marché mais non utilisées
actuellement (Oliveira et al. 2014). Le contexte organisationnel fait référence à des mesures
descriptives telles que la taille de l'entreprise et la structure de gestion et d'organisation (Tornatzky
et Fleischer, 1990 ; Alsaad et al., 2017). Le contexte environnemental fait référence au marché
concurrentiel et réglementaire dans lequel les organisations mènent leurs activités (Tornatzky et
Fleischer, 1990 ; Oliveira et Martins, 2010 ; Alshamaila et al., 2012).
Afin de contribuer à l'extension du cadre des TEE, cette étude a recherché des études
antérieures sur les TEE dans des bases de données telles que Emerald, Ebsco Host, Science Direct
et SSRN. Les mots clés et combinaisons de mots clés utilisés comprenaient l'adoption de
technologies, les modèles d'adoption de technologies, le TOE, les technologies de l'information
(TI), l'internet, le commerce électronique, l'ERP, la RFID, l'EDI, le cloud computing, la gestion
des connaissances, le Green IT, les services web et la CRM. Les études les plus citées ont permis
de déterminer les plus démonstratives dans le contexte de la BDA.
Le tableau 1 résume les facteurs identifiés par l'approche.
2.4.1. Contexte technologique
L'élément technologique du cadre des TDE aide à déterminer si l'état de préparation technologique
de l'entreprise limitera ou facilitera l'adoption des Big Data. Il comprend cinq attributs
d'innovation qui, une fois réunis, influencent la probabilité d'adoption : Avantage relatif,
compatibilité, complexité, triabilité et observabilité (Rogers, 2003 ; Alsaad et al. 2017). Parmi ces
cinq attributs, l'avantage relatif, la compatibilité et la complexité ont été pris en compte dans cette
étude car ils ont été régulièrement cités dans la littérature comme les facteurs les plus importants
(Gangwar et al. ; Alshamaila et al.2012 ; Alsaad et al.2017 ; Hung et al. 2010 ; Tornatzky &
Klenin, 1982).
2.4.1.1. Avantage relatif
L'avantage relatif d'une innovation par rapport aux technologies existantes et aux autres alternatives
émergentes joue un rôle important dans son adoption. Rogers définit l'avantage relatif comme "la
mesure dans laquelle une technologie est perçue comme apportant un plus grand avantage aux
organisations". Le rôle important de l'avantage relatif est bien reconnu dans la littérature sur
l'adoption des TI (Wang et Wang 2016 ; Alshamaila et al.2012 ; Low et al. 2011 ; Ramdani et al.
2009 ; Tornatzky & Klenin, 1982). Ainsi, il est perçu que la probabilité d'adoption augmente
lorsque les organisations perçoivent un avantage relatif dans une innovation.
Les Big Data permettent aux organisations de réduire leurs coûts, d'améliorer leur prise de
décision et de proposer des offres plus compétitives. Il encourage également de nouvelles
stratégies et de nouveaux modèles commerciaux, ainsi qu'une plus grande transparence de
l'information. Bien que les outils BDA soient coûteux au départ, ils permettent également
d'accéder à des
4
l'information
2018
Tableau 1. Construction de modèles à partir du cadre des ETO dans les revues à comité de lecture
Modèle Variable dépendante/ Auteur
matière de sécurité
Top Mgmt. Support
Préoccupations en
Contexte
Compatibilité
Avantage relatif
l'entreprise
Complexité
Organisation
Disponibil
concurrentielle
Pression
Taille de
fournisseurs
commercial
Soutien aux
Partenaire
Pression
ité
TOE L'informatique Low et al., 2011 X X X X X X x X
Cadre dématérialisée
TOE L'informatique Gangwar et al. X X X X X X X
TOE L'informatique Lian et al., 2014 X X X X X X X
TOE L'informatique Alshamaila et al, X X X X X X X
Cadre dématérialisée 2012
TOE et IDT L'informatique Oliveira et al, X X X X X X X X
dématérialisée 2014
TOE et Rbv E - entreprises Oliveira et X X X
Martins, 2010
TOE E - entreprises Oliveira et X X X X X
Martins, 2010
TOE B2B Alsaad, 2017 X X X X X X X X
TOE Services web Lippert & X X X X
Govindarajulu,
2006
TOE Technologies de Bose et Luo, X X X

l'information et des 2011
communications
(TIC) vertes
TOE Système CRM Hung et al., 2010 X X X
TOE RFID Wang et al., 2010 X X X X X X X
TOE Gestion des Ramdani et al., X X X X X X X
connaissances et 2009
Systèmes d'entreprise
TOE Connaissances Wang et Wang, X X X X X X

système de gestion 2016
TOE Marketing mobile Maduku et al, X X X X X
adoption 2016
TOE Intelligence PUKLAVEC et X X X X X
économique al., 2014
quantité de données de manière intelligente et à grande vitesse, ce qui permet de mettre en place
une stratégie rentable à long terme (Murdoch et Detsky, 2013). La BDA offre aux organisations un
processus décisionnel basé sur les données et l'analyse, plutôt que sur l'expérience et l'intuition.
Une prise de décision mieux informée permet d'améliorer la rentabilité et l'efficacité (Waller et
Fawcett, 2013). La BDA offre également de plus grandes possibilités d'avoir un avantage
concurrentiel en rassemblant et en analysant les informations entre les organisations et les
industries pour en faire le "facteur distinctif". En outre, la BDA aide les organisations à comprendre
comment les autres perçoivent leurs produits. Ces informations permettent ensuite de développer
et d'améliorer de nouvelles versions de leurs produits et services. C'est pourquoi nous proposons :
• H1 : L'avantage relatif a un effet positif sur l'adoption des Big Data.
2.4.1.2. Compatibilité
Selon Rogers (2003), la compatibilité signifie "la mesure dans laquelle une innovation est perçue
comme conforme aux valeurs existantes, aux expériences passées et aux besoins des adoptants
potentiels". Le rôle de la compatibilité est largement reconnu dans la littérature sur l'adoption des
TI (Low et al., 2011 ; Gangwar et al,
5
l'information
2018
2015 ; Wang et al., 2010 ; Ramdani et al., 2009 ; Peng et al., 2012 ; Alsaad et al., 2017). La
compatibilité dépend de facteurs tels que la culture organisationnelle, les structures relationnelles,
les stratégies commerciales, les valeurs et préférences existantes, l'expérience passée, les pratiques
de travail établies, les besoins organisationnels, les capacités des systèmes d'information et les
employés. En outre, l'adoption des Big Data peut nécessiter des changements dans l'infrastructure
technologique et l'environnement de données existants, dans les processus et la culture
organisationnels, et dans les capacités et les compétences. Par exemple, la mise en place et le
soutien d'une infrastructure technologique pour l'adoption des Big Data nécessite l'accès à une
infrastructure évolutive pour le calcul, le stockage et la mise en réseau, ainsi que l'introduction et la
maîtrise de nouveaux logiciels BDA capables d'extraire des données de sources multiples. Il est
important de noter qu'une initiative Big Data doit rester compatible avec les processus et la culture
organisationnels existants tout en introduisant des changements dans les processus commerciaux.
Le soutien et l'engagement de la direction deviennent rapidement importants pour encourager une
culture de partage des connaissances et favoriser une dynamique d'innovation, d'expérimentation
et d'intégration. Ainsi, nous proposons que plus la stratégie "Big Data" est compatible avec
l'environnement existant, moins il faudra d'efforts pour
l'adopter avec succès :
• H2 : La compatibilité a un effet positif sur l'adoption des Big Data.
2.4.1.3. Complexité
Rogers définit la complexité comme "la mesure dans laquelle une innovation est perçue comme
relativement difficile à comprendre et à utiliser". On estime que plus une technologie est simple,
plus les chances de son adoption sont grandes (Alshamaila et al., 2012 ; Chaudhury et Bharati,
2008 ; Igbaria, et al., 1995). Cependant, la stratégie des grandes données peut représenter un défi
pour les entreprises qui n'ont pas d'expertise dans des domaines tels que Apache Hadoop, Apache
Spark, NoSQL, l'apprentissage machine et l'exploration de données, l'analyse statistique et
quantitative, SQL et la visualisation de données. Ces domaines concernent l'ingestion, le stockage,
la transformation, le déplacement, l'analyse et la visualisation des données. Pour gérer et atténuer
cette complexité, l'adoption des Big Data nécessite du personnel possédant les compétences
analytiques et statistiques nécessaires pour aider à gérer les projets Big Data et à évaluer de
manière significative comment les outils Big Data pourraient aider l'organisation. En pratique, les
organisations sont plus susceptibles d'adopter et d'utiliser la BDA si elle ne nécessite pas de
compétences techniques supplémentaires et de grands efforts pour la mettre en œuvre et l'utiliser.
L'hypothèse suivante est donc proposée :
• H3 : La complexité a un effet négatif sur l'adoption des Big Data.
2.4.2. Contexte organisationnel

Le contexte organisationnel fait référence aux caractéristiques de l'entreprise qui facilitent ou
limitent l'adoption et la mise en œuvre d'une innovation. Il comprend généralement son état de
préparation en termes de degré de centralisation et de formalisation de sa structure de gestion, de
son comportement de soutien à la direction, et de sa taille, petite ou grande. Les ressources dont
dispose l'entreprise jouent également un rôle, par exemple la disponibilité ou la pénurie de capital
humain et financier, la profondeur de l'expertise technologique et le degré de maillage des liens
d'échange d'informations entre les employés (Tornatzky et Fleisher, 1990 ; Kuan et Chau, 2001 ;
Zhu et al., 2006a ; Low et al., 2011). La préparation organisationnelle, la taille de l'entreprise et le
soutien de la direction sont toutefois les facteurs les plus importants pour l'adoption des Big Data
(Wang et al., 2010).
2.4.2.1. Préparation organisationnelle
L'état de préparation organisationnelle peut être défini comme la capacité et la volonté de mettre à
disposition les ressources technologiques, financières et humaines nécessaires (Zhu et al., 2006a).
Les ressources technologiques font référence à la possession des bons outils et plates-formes
techniques, des bases de données et des logiciels, ainsi que des normes de données architecturales
pour le stockage, la transformation et l'analyse des grandes données. Les ressources financières
désignent la capacité à
6
l'information
2018
payer l'installation ou la mise à niveau des systèmes d'information de l'entreprise et prendre en
charge les dépenses courantes pendant leur cycle d'utilisation et de maintenance. Les ressources
humaines fournissent les connaissances et les compétences nécessaires à la mise en œuvre des
initiatives liées aux grandes données. Les "Big Data" ne peuvent faire partie de la chaîne de valeur
que si l'organisation dispose d'un personnel adéquat. En fin de compte, les entreprises qui ont une
bonne préparation organisationnelle sont probablement mieux préparées à l'adoption des Big Data,
comme dans l'hypothèse suivante :
• H4 : La préparation organisationnelle a un effet positif sur l'adoption des Big Data.
2.4.2.2. Taille de l'organisation

La taille d'une organisation se réfère au nombre d'employés dans une organisation. C'est l'un des
déterminants de l'adoption des technologies les plus couramment étudiés (Lee et Xia, 2006 ;
Jeyaraj et al., 2006 ; Oliveira et Martinm 2010 ; Gangwar et al., 2015). Pourtant, la littérature
indique que l'orientation de la contribution de la taille de l'organisation à l'adoption de l'initiative
varie. Certaines études empiriques indiquent qu'il existe une relation positive entre les deux
variables (Bose et Luo, 2011 ; Wang et autres, 2010 ; Low et autres, 2011 ; Hsu et autres, 2006 ;
Pan et Jang, 2008 ; Premkumar et autres, 1997 ; Zhu et autres, 2003 ; et Ramdani et autres, 2009).
D'autres signalent une corrélation négative (Zhu et al., 2006a, 2006b ; Zhu et Kraemer, 2005). En
général, il semble que les grandes organisations ont une plus grande capacité à absorber les risques
et sont donc plus innovantes. Mais les petites organisations peuvent également se montrer très
innovantes car elles sont encore suffisamment souples pour s'adapter rapidement à l'évolution des
exigences opérationnelles (Olivera et Martin, 2010 ; Zhu et Kraemer, 2005). Dans le cas
spécifique de l'adoption des Big Data, nous nous attendons toutefois à ce que les grandes
organisations disposent d'une expertise informatique plus approfondie et donc d'un plus grand
appétit pour le risque. C'est pourquoi nous postulons :
• H5 : La taille de l'organisation a un effet positif sur l'adoption des Big Data.
2.4.2.3. Soutien à la haute direction

Le soutien de la haute direction se réfère au degré de compréhension de l'importance stratégique
de l'innovation en matière de SI et à la mesure dans laquelle elle est impliquée dans les activités de
SI (Miller et Toulouse, 1986 ; Gangwar et Date, 2016). Les cadres supérieurs doivent fournir la
vision nécessaire et le climat d'autorité pour surmonter les obstacles et la résistance au
changement, et démontrer un engagement à créer un environnement accueillant pour l'innovation
(Alsaad et al., 2017 ; Wang et Wang, 2016 ; Wang et al., 2010 ; Jang, 2010 ; Ramdani et al., 2009 ;
et Toe et al., 2009). Le soutien de la haute direction est essentiel pour l'adoption des Big Data car il
faut aborder et résoudre les questions d'alignement organisationnel, de gestion du changement, de
réingénierie des processus opérationnels, de coordination et de communication (Wang et Wang,
2016). C'est ce que nous proposons :
• H6 : Le soutien de la haute direction a un effet positif sur l'adoption des Big Data.
2.4.3. Contexte environnemental

Le contexte environnemental dans le cadre des EOT fait référence à l'arène dans laquelle une
organisation mène ses activités. Il est important car il a un effet direct sur les processus
décisionnels de l'organisation. Il comprend des facteurs tels que les pressions opérationnelles
internes, la stabilité des partenaires commerciaux, le soutien des fournisseurs, les dépendances
commerciales, l'incertitude du marché, l'intensité des informations et des réseaux, et les
réglementations gouvernementales (Wang et al., 2010 ; Low et al., 2011 ; Alshamaila et al., 2012,
Gangwar et al., 2015). Parmi ces facteurs, ceux qui ont un impact plus direct sur l'adoption des Big
Data sont les pressions exercées par les concurrents de l'organisation et le soutien de leurs
fournisseurs (Alshamaila et al., 2012 ; Gangwar et al., 2015 ; Alsaad et al., 2017).
2.4.3.1. Pression concurrentielle
7
l'information
2018
Le rôle de la pression concurrentielle a été largement reconnu dans la littérature sur l'adoption des
TI (Low et al., 2011, Lian et al., 2014 ; Oliveira et Martins, 2010 ; Zhu et al., 2006 ; et Ramdani et
al., 2009). La pression concurrentielle peut être définie comme le degré de pression que l'entreprise
ressent de la part de ses concurrents au sein de son secteur (Zhu et Kraemer, 2005). Ramdani et al.
(2009) ont rapporté que lorsque la technologie renforce les positions concurrentielles, elle exerce
également une pression sur le besoin d'une organisation d'adopter de nouvelles technologies pour
mieux concurrencer sur un marché en évolution. L'adoption de grandes données peut par exemple
encourager une plus grande utilisation des capacités et une plus grande efficacité opérationnelle,
des prévisions plus précises grâce à une meilleure visibilité du marché et une meilleure prise de
décision grâce à l'accès à des données plus récentes (Oliveira et al., 2014 ; et Gandomi et Haider,
2015). C'est pourquoi nous affirmons :
• H7 : La pression concurrentielle a une influence positive sur l'adoption des Big Data.
2.4.3.2. Soutien aux vendeurs

Le soutien des fournisseurs est très important car de nombreux outils et technologies Big Data sont
open source, ce qui remet en question la disponibilité d'un soutien dédié aux fournisseurs
(Alshamaila et al., 2012). Les organisations peuvent certainement développer des capacités liées à
l'innovation en exploitant l'apprentissage expérientiel des plateformes open source. Néanmoins,
une assistance est nécessaire pour une conception technique et une résolution de problèmes
adéquates, une personnalisation réactive et une solution complète, ainsi que la disponibilité de
correctifs et d'améliorations. On peut donc en déduire que le soutien des fournisseurs peut
encourager ou décourager l'adoption des Big Data. Nous proposons donc l'hypothèse suivante :
• H8 : Le soutien des fournisseurs a une influence positive sur l'adoption des Big Data.
2.4.4. Préoccupations en matière de sécurité

Les quatre "V" de Big Data ont modifié le paysage opérationnel dans lequel les organisations
saisissent et stockent les données (Oliveira et Kranzlmüller 2012 ; Chen et Zhang 2014). Les "Big
Data" proviennent de la collecte et du traitement de quantités massives d'informations sous
différents formats provenant de sources disparates, y compris l'internet. Ainsi, l'intégrité des Big
Data est toujours remise en question, et avec elle, la sécurité. Les domaines à risque qui doivent
être pris en compte comprennent la propriété et la classification des données, la source et la raison
de la création des données, la représentativité du processus de collecte, la réutilisation des données
par rapport aux revendications de propriété intellectuelle, et la conformité avec les lois sur la
protection de la vie privée et la déclaration. Ces défis en matière de sécurité peuvent être classés en
deux grandes catégories : la gestion des données et la confidentialité des données.
2.4.4.1. Gestion des données
La gestion des grandes données est le processus qui consiste à assurer l'exactitude, la disponibilité,
l'accessibilité et la qualité de grandes quantités de données par une répartition adéquate des
personnes, la mise en œuvre de processus politiques pertinents et l'utilisation de technologies
appropriées. Il s'agit d'un assortiment de bonnes pratiques anciennes et nouvelles pour
l'administration, la gestion et la gouvernance de grands volumes de données. Al Nuaimi et ses
collaborateurs (2015) ont défini la gestion des grandes données comme le développement et
l'exécution d'architectures, de politiques, de pratiques et de procédures visant à garantir la
disponibilité, la convivialité, l'intégrité et la sécurité des données. Les problèmes de disponibilité
des données surviennent lorsque les données sont accessibles à un grand nombre d'utilisateurs et
d'applications, qui attendent tous des informations précises et opportunes à la demande. La
convivialité et l'intégrité des données pour la prise de décision peuvent être obtenues grâce à une
qualité élevée des données, basée sur le nettoyage régulier des données, l'intégration des données
entre les services, la normalisation des données spécifiques aux utilisateurs. Le passage aux
grandes données ajoute de nouvelles couches de complexité pour la sécurisation des données, et
influence ainsi la décision d'une organisation d'adopter des outils innovants. Il est clair qu'une
gestion adéquate des Big Data peut se traduire par une disponibilité, une fiabilité et une
accessibilité accrues des données utiles. Sur la base de cet argument, l'hypothèse suivante est
proposée :
8
l'information
2018
• H9 : La gestion des données a une influence positive sur l'adoption des Big Data.
2.4.4.2. Confidentialité des données

La confidentialité des données devient une préoccupation immédiate lorsque l'on héberge des
ensembles de données sur des serveurs tiers ou accessibles au public (Schadt et al., 2011). Le
maintien de la confidentialité dans les applications Big Data est nécessaire pendant l'acquisition, le
transport et l'utilisation des données. Elle exige l'application de politiques garantissant que les
informations personnelles sont collectées, partagées et utilisées de manière appropriée.
Malheureusement, les solutions de sécurité existantes qui ne sont pas liées aux Big Data ne sont
pas conçues pour gérer l'échelle, la vitesse, la variété et la complexité des Big Data. Les
organisations doivent donc intégrer des mesures supplémentaires et spécifiques de confidentialité
et de protection des données dans leurs processus et systèmes ordinaires de traitement des
données. L'assurance que la vie privée peut être préservée contribue à renforcer le sentiment de
sécurité et donc de confort face aux "Big Data", ce qui nous amène à l'hypothèse suivante :
• H10 : La confidentialité des données a une influence positive sur l'adoption des Big Data.
3. MÉTHODOLOGIE DE RECHERCHE
3.1. Mesure
Une enquête a été menée pour évaluer les constructions théoriques qui encadrent les Big Data et la
BDA. Un questionnaire a été élaboré sur la base de la littérature présentée dans le tableau 1. Le
questionnaire a été soumis à un processus de vérification avant d'être envoyé à 1 500 organisations
de fabrication et de services en Inde. Dans un premier temps, un pré-test a été réalisé avec un
panel d'experts comprenant deux chercheurs, deux professeurs locaux et un professeur externe. Le
questionnaire a été affiné en fonction des commentaires/suggestions formulés par ce panel pour le
pré-test de l'enquête. Ensuite, les auteurs ont sollicité les réactions de trois autorités bien connues
en matière de Big Data. Comme il n'y avait pas de préoccupations majeures, le questionnaire a été
considéré comme prêt pour la collecte de données.
Le questionnaire a été envoyé avec une lettre de présentation qui expliquait les objectifs de
l'étude et décrivait brièvement le concept de "Big Data". Le questionnaire comportait deux parties.
La première partie contenait des questions démographiques sur l'organisation. La seconde partie
comprenait des questions destinées à évaluer les dix facteurs dont l'étude a émis l'hypothèse qu'ils
influent sur l'adoption des Big Data. Pour être en accord avec les sources, les concepts (avantage
relatif, compatibilité, complexité, préparation de l'organisation, soutien de la direction générale,
pression de la concurrence, soutien des fournisseurs, confidentialité des données de gestion des
données) ont été mesurés à l'aide d'une échelle de Likert à cinq points allant de "pas du tout
d'accord" à "tout à fait d'accord". Les réponses ont été complétées par des professionnels de
l'informatique de haut et moyen niveau d'organisations qui étaient déjà en train d'adopter les Big
Data, ou qui se considéraient comme des adopteurs probables des Big Data. Les tableaux 3 et 4
présentent la taille des organisations en termes de nombre d'employés et les types d'industrie
auxquels appartiennent les organisations qui ont répondu. Le décompte montre que l'échantillon
est également réparti entre les catégories. Les données recueillies ont été présentées sous forme de
tableau dans un tableur. Le tableau 2 montre l'élaboration du questionnaire sur la base d'éléments
tirés de la littérature.
3.2. Données
Une version en ligne du questionnaire a été envoyée par courrier électronique aux responsables
des systèmes d'information de 1 500 entreprises de fabrication et de services en Inde. L'entreprise
et les coordonnées ont été obtenues auprès de la Chambre de commerce et d'industrie de Bombay
en Inde. Les données relatives à l'objet ont été recueillies entre novembre 2016 et juillet 2017. Afin
d'accroître la validité du contenu, nous avons demandé que l'enquête soit remplie par le personnel
ou les responsables informatiques de l'organisation en faisant valoir qu'ils sont mieux placés pour
comprendre les opérations informatiques actuelles et les tendances futures de leur organisation.
Dans un premier temps, 379 réponses valides ont été reçues. Un courrier électronique de suivi a
été envoyé dans un deuxième temps aux personnes
9
l'information
2018
Tableau 2. Élaboration du questionnaire sur la base d'éléments tirés de la littérature
Avantage relatif Sivarajah et al. (2016) ; Zhan et al. (2016) ; Chen et Zhang (2014), Oliveira et al.
(2014) ; Hazen et al. (2014) ; McAfee et Brynjolfsson (2012) ; Ifinedo (2011) ;
Schillewaert et al. (2005)
Compatibilité Zhu et al. (2006), Oliveira et al. (2014) ; Gangwar et al. (2015)
Complexité Chung et al. (2008) ; Barton et Court (2012) ; Chen et al. (2012) ; Gangwar et al.
(2015)
Préparation organisationnelle Gangwar et al. (2015) ; Lian et al. (2014) ; Ifinedo (2011)
Soutien à la haute direction Wang et al. (2010) ; Gangwar et al. (2015)
Taille de l'organisation Wang et al. (2010)
Pression concurrentielle Oliveira et al. (2014)
Soutien aux vendeurs Jain et al. (2016) ; Sun et al. (2014)
Gestion des données Tibor Koltay (2016) ; Nuaimi et al. (2015) ; Gandomi et Haider (2015)
Confidentialité des données Moura et Serrão (2016)
Intention d'adoption Wu (2011)
qui n'ont pas répondu à la première étape. Au cours de cette deuxième étape, 99 réponses valables
ont été obtenues, pour un total combiné de 478 réponses utilisables. Le taux de réponse global a
été de 31,86 %, ce qui est comparable à d'autres études d'ampleur similaire sur l'adoption des
technologies (McCole et Ramsey, 2005).
des réponses valables. 43,9 % provenaient du secteur manufacturier, et 56,1 % du secteur des
services. Nous avons effectué une série de tests statistiques pour détecter le biais de non-réponse en
comparant les réponses précoces aux réponses tardives en termes de réponses aux questions. Les
distributions de l'échantillon des deux groupes n'ont pas différé statistiquement, ce qui indique
l'absence de biais de non-réponse. Par conséquent, le biais de non-réponse ne semble pas être une
préoccupation.
3.3. Évaluation de la validité et de la fiabilité
Pour tester l'instrument, une étude pilote a été menée auprès de 34 entreprises, qui n'ont pas été
incluses dans l'enquête principale. L'analyse de fiabilité a révélé une valeur de 0,821 sur le site α
de Cronbach, ce qui est comparable aux fiabilités rapportées dans les études précédentes. La
validité de la construction a été évaluée à l'aide d'une analyse en composantes principales et d'une
rotation Varimax. Le résultat du test de Bartlett sur la sphéricité était de 0,000 et la valeur KMO
était de 0,686. Cette valeur est supérieure à 0,5, ce qui montre une mesure élevée de l'adéquation
de l'échantillonnage et garantit la factorisabilité des données. Les articles ont été sélectionnés sur
la base des critères suivants : (i) les articles ayant une charge de 0,50 ou plus ont été retenus ; (ii)
les articles ayant une charge inférieure à 0,50 ont été retirés ; et
(iii) les articles dont la charge dépasse 0,50 sur deux ou plusieurs composants ont été retirés. Sur
un total de 47 éléments, 3 d'entre eux ont été abandonnés dans l'analyse factorielle exploratoire. La
fiabilité des sous-échelles variait entre 0,620 et 0,947, et dépassait donc le niveau recommandé de
0,6. Les variables ont été regroupées en dix facteurs et représentaient ensemble 76,23 % de la
variance totale. Cette valeur de la variance totale explique que l'ensemble des facteurs extraits des
données expliquent l'intention d'adoption dans une très large mesure, et seulement dans une
moindre mesure, 23,77% de la variabilité de l'adoption des Big Data reste inexpliquée.
3.4. Analyse des facteurs de confirmation
Pour tester la stabilité de l'échelle, une analyse factorielle de confirmation a été utilisée sur
l'échantillon en utilisant la modélisation des équations structurelles (SEM). Un modèle de mesure
a été développé en utilisant les moindres carrés partiels (PLS). Les PLS peuvent être utilisés
lorsque les données sont distribuées normalement. Le test de Kolmogorov-Smirnov a montré
qu'aucun des éléments n'était distribué normalement (p < 0,001). La taille minimale de
l'échantillon a été obtenue à partir de la formule suivante : (1) dix fois le plus grand nombre
d'indicateurs formatifs utilisés pour
10
l'information
2018
Tableau 3. Catégorisation des réponses en fonction de la taille de l'organisation
Petit Nombre de salariés < 400 164

Moyen 400 ≤ nombre d'employés ≤ 800 137
Grand Nombre d'employés > 800 177
mesurent une construction ou (2) dix fois le plus grand nombre de chemins structurels dirigés vers
une construction latente particulière dans le modèle structurel (Hair et al., 2011). Notre échantillon
était composé de 478 entreprises, qui remplissent les conditions nécessaires pour utiliser le PLS.
Le logiciel Smart PLS a été utilisé pour l'analyse factorielle de confirmation et la vérification
des hypothèses. Nous avons effectué une analyse quantitative de l'échantillon complet afin
d'identifier les principaux déterminants de l'adoption des Big Data. Nous avons ensuite analysé les
sous-échantillons de données pour les secteurs de l'industrie et des services afin d'examiner
comment les déterminants varient d'une industrie à l'autre. Le résultat du modèle de mesure des
constructions est résumé dans les tableaux 5 et 6. La fiabilité composite de chaque construction est
supérieure à 0,7 pour l'échantillon complet, et les échantillons spécifiques aux industries suggèrent
des niveaux de fiabilité acceptables. Les variances moyennes extraites (EVA) étaient supérieures à
0,50 pour l'échantillon complet et les échantillons spécifiques aux industries. Tous les indicateurs
avaient une charge significative supérieure à 0,50 pour la valeur totale et la valeur spécifique à
l'industrie. Ainsi, les modèles de mesure pour les deux industries assurent une validité convergente.
La validité discriminante a été évaluée en comparant la corrélation entre les facteurs avec la
variance moyenne, qui a été extraite des facteurs individuels. Les tableaux 5 et 6 permettent de
déduire que la racine carrée de l'EAV est supérieure à la corrélation entre chacun des deux facteurs
; ce résultat confirme la validité discriminante du concept.
4. HyPoTheSeS TeSTing
Pour tester les hypothèses proposées, le modèle de mesure a été converti, comme le montre la
figure 2, en un modèle structurel en PLS. Les résultats ont été interprétés en utilisant les poids de
régression du tableau 6. Le tableau 7 présente les résultats du SEM.
L'avantage relatif a été jugé significatif lors de l'adoption, tant pour l'échantillon complet que
pour les échantillons spécifiques aux secteurs industriels. Par conséquent, la présente étude
soutient les études antérieures de Wang et Wang
Tableau 4. Catégorisation des réponses en fonction du type d'industrie
Secteur manufacturier
Machines électriques 44
Alimentation et boissons 53
Véhicules à moteur 37
Métaux de base (acier) 19
Produits chimiques 23
Textile et habillement 34
Secteur des services
Hôtel, banque, immobilier 89
Santé 76
Commerce 64
Information et communication 39
11
l'information
2018
(2016) et Oliveira et al. (2014) que l'avantage relatif était en effet le facteur déterminant le plus
influent de l'adoption des technologies. Cela concorde également avec les conclusions de Maduku
et al. (2016) qui ont constaté une relation positive d'avantage relatif pour l'adoption du marketing
mobile. Ces conclusions permettent en fait aux utilisateurs de reconnaître que les données de
grande taille peuvent certainement contribuer à l'efficacité et à l'efficience des organisations, et
que celles-ci sont donc plus susceptibles de mettre en œuvre et d'adapter les données de grande
taille.
La compatibilité s'est avérée être un facteur important pour faciliter l'adoption des Big Data,
tant pour l'échantillon complet que pour l'échantillon spécifique à l'industrie. La conclusion d'une
relation positive entre la compatibilité et l'adoption est en contradiction avec les études antérieures
de Grandon et Pearson (2004), Lin et Chen (2012), Alshamaila et autres (2012), Gangwar et autres
(2015), Wang et Wang (2016), Alsaad et autres (2017) et Maduku et autres (2016).
Il a été constaté que la complexité avait un effet négatif sur l'adoption pour l'ensemble de
l'échantillon et le secteur des services, mais qu'elle était insignifiante pour le secteur
manufacturier. Cette constatation est conforme à celle de Ramdani et al. (2009) ; Alshamaila et al.
(2012) ; Tsai et al. (2013) ; Gangwar et al. (2015) ; et Wang et Wang (2016). Les résultats
montrent qu'il n'y a pas de relation négative significative entre la complexité perçue et l'intention
d'adopter les Big Data pour le secteur des services. Ce résultat est conforme aux conclusions
antérieures de Low et al. (2011) et Maduku et al. (2016).
L'état de préparation des organisations n'a pas d'effet significatif sur la décision des
organisations d'adopter les Big Data à la fois pour l'échantillon complet et pour l'échantillon
spécifique à l'industrie. Cette conclusion est conforme à celle de Grandon et Pearson (2004) ;
Wang et al. (2010) ; Low et al. (2011).
Il a été constaté que la taille de l'organisation avait un effet positif sur l'adoption, tant pour
l'échantillon complet que pour l'échantillon spécifique au secteur. Les résultats sont similaires à
ceux de Lee et Xia (2006) ; Zhu et autres (2003) ; Teo et autres (2003) ; Lippert et Govindarajulu
(2006) ; et Hung et autres (2010).
Le soutien de la haute direction a montré une relation positive significative avec l'adoption de
Big Data, tant pour l'échantillon complet que pour l'échantillon spécifique à l'industrie.
L'importance du soutien de la haute direction est conforme aux études de Premkumar et Roberts
(1999), Lewis et autres (2003), Teo et autres (2009), Sila (2013) et Alsaad et autres (2017).
La pression concurrentielle a été soutenue quant à sa capacité à avoir un effet positif sur
l'adoption des Big Data, tant pour l'échantillon complet que pour les échantillons spécifiques aux
secteurs industriels. Les résultats sont semblables à ceux de Lin et Lin (2008) ; Oliveira et Martins
(2010) ; Low et al. (2011) ; et Alsaad et al. (2017).
Le soutien des fournisseurs a un effet significatif sur la décision d'une organisation d'adopter
les Big Data à la fois pour l'échantillon complet et pour l'échantillon spécifique à l'industrie. Les
résultats sont similaires à ceux de Gangwar. (2016) et Alshamaila et al. (2012).
L'adoption des Big Data est également influencée par la gestion des données sensibles. Cette
conclusion est conforme à celle de Gustin et al. (1995) ; Alshawi et al. (2010) et Gangwar et al.
(2015).
Il a également été constaté que la confidentialité des données avait un impact sur l'adoption
des Big Data, tant pour l'échantillon complet que pour l'échantillon spécifique à l'industrie. Cette
conclusion est conforme à celle d'Oliveira et al. (2014) et d'Alsaad et al. (2017).
5. DISCUSSIoN
Les avantages de l'adoption des Big Data et de la BDA que l'étude a cherché à identifier sont
notamment l'amélioration du processus décisionnel, la possibilité de réduire les coûts, la création
d'offres plus compétitives, la facilitation de la mise en œuvre de nouvelles stratégies et de nouveaux
modèles commerciaux, et l'offre de nouvelles opportunités commerciales. Les résultats de l'étude
montrent que l'avantage relatif a un impact positif sur l'adoption des Big Data, tant pour
l'échantillon complet que pour l'échantillon spécifique à l'industrie. La relation positive entre
l'avantage relatif et l'intention d'adoption indique que les organisations qui ont une perception
globale positive des avantages des Big Data sont susceptibles d'avoir une intention positive de les
adopter. L'avantage relatif de l'adoption des Big Data (et donc de la BDA) conduit à de meilleurs
résultats opérationnels, tels qu'un meilleur service à la clientèle, une plus grande efficacité
opérationnelle, une réduction des coûts d'exploitation et une amélioration de la
la stratégie et les plans d'entreprise.
12
l'information
2018
Tableau 5. Validité convergente
Facteu Indicateur Charges AVE CR Charges AVE CR Charges AVE CR

r s normalisées normalisées normalisées
pour pour pour
échantillon fabrication service
complet
Avantage relatif Ra1 0.782 0.668 0.934 0.7162 0.701 0.942 0.741 0.648 0.928
Ra2 0.745 0.7752 0.6844
Ra3 0.797 0.8388 0.8052
Ra4 0.890 0.8498 0.8691
Ra5 0.867 0.8331 0.866
Ra6 0.840 0.929 0.8713
Ra7 0.790 0.8793 0.8023
Compatibilité C1 0.593 0.571 0.836 0.6255 0.602 0.856 0.4895 0.508 0.789
C2 0.578 0.5983 0.5481
C3 0.570 0.6999 0.481
C4 0.514 0.5461 0.5842
C5 0.886 0.7817 0.9029
C6 0.877 0.8669 0.8433
Complexité Cpx1 0.855 0.58 0.78 0.7729 0.578 0.799 0.7138 0.529 0.737
Cpx2 0.573 0.5512 0.5662
Cpx3 0.596 0.7002 0.5988
Cpx4 0.537 0.6009 0.5511
Cpx5 0.562 0.5208 0.535
Cpx6 0.508 0.6192 0.5476
Préparation Ou1 0.817 0.731 0.915 0.7834 0.738 0.918 0.8206 0.73 0.915
organisationnelle
Ou2 0.853 0.8594 0.7974
Ou3 0.941 0.9337 0.86
Ou4 0.802 0.8329 0.75
Soutien de la direction Tp1 0.637 0.699 0.901 0.687 0.681 0.893 0.5511 0.654 0.879
générale
Tp2 0.836 0.8667 0.7544
Tp3 0.974 0.9692 0.9765
Tp4 0.863 0.7478 0.8886
Taille de l'organisation Os1 0.986 0.779 0.912 0.9712 0.844 0.942 0.9682 0.758 0.901
Os2 0.923 0.9696 0.9659
Os3 0.717 0.805 0.6358
Pression concurrentielle Cp1 0.786 0.729 0.889 0.6785 0.688 0.867 0.6784 0.562 0.787
Cp2 0.901 0.8669 0.6875
Cp3 0.871 0.9232 0.9148
Soutien aux vendeurs VS1 0.574 0.531 0.792 0.6375 0.514 0.744 0.5962 0.452 0.712
VS2 0.679 0.725 0.6668
VS3 0.708 0.6518 0.5969
Gestion des données Dm1 0.875 0.625 0.831 0.8662 0.654 0.849 0.8242 0.611 0.823
Dm2 0.847 0.8339 0.7641
Dm3 0.627 0.718 0.6377
Confidentialité des Dp1 0.860 0.712 0.881 0.8598 0.723 0.886 0.8103 0.675 0.862
données
Dp1 0.859 0.8941 0.8399
Dp1 0.812 0.7935 0.8138
Intention d'adoption Ad1 0.917 0.807 0.893 0.9071 0.824 0.903 0.9297 0.807 0.893
Ad2 0.879 0.8846 0.8852
Les effets marginaux étaient différents entre les industries manufacturières et les services.
L'avantage relatif est plus important dans le secteur des services ; la raison possible pourrait être
que dans le secteur manufacturier, les organisations sont plus informées des avantages perçus des
Big Data.
13
l'information
2018
Tableau 6. Corrélations inter-constructions
Direction générale
Relativement
Confidentialité
Compatibilité
Complexité
Organisation
Organisation
des données
Disponibil
Compétitif
Adoption
Intention
fournisseurs
Avantage
Pression
Soutien aux
soutien
Donn
Tail
ées
Gestion
le
ité
Adoption 1
Intention
Compétitif 0.1973 1
Pression
Compatibilité 0.2149 0.0509 1
Complexité 0.1798 0.0213 0.0342 1
Données 0.7539 0.1553 0.1501 0.08 1
Gestion
Confidentialité 0.8252 0.2824 0.1966 0.0749 0.161 1
des données
Organisation 0.053 0.0605 0.1896 0.1562 0.0553 0.0959 1
Disponibilité
Organisation 0.1702 0.0448 0.1777 0.0984 0.1021 0.0711 0.0349 1
Taille
Relativeme 0.2773 -0.2519 0.0222 0.0366 0.247 0.1488 0.0583 0.0438 1
nt
Avantage
Directio 0.1339 0.1343 0.0886 0.2164 0.0505 0.1242 0.0503 0.0764 0.0864 1
n générale
soutien
Vender 0.1896 0.2738 0.108 0.0995 0.098 0.2069 0.1077 0.1683 0.1622 0.09 1
Soutien
Figure 2. Le modèle structurel Smart PLS
14
l'information
2018
Tableau 7. Résultats du SEM
Construir Échantillon Fabrication Service

e
complet
Path T-Value Path T-Value Path T-Value
Coeff. Coeff. Coeff.
Avantage relatif -> Adoption 0.143 2.1825** 0.125 1.999** 0.134 2.001**
Compatibilité -> Adoption 0.133 3.0827*** 0.103 2.034** 0.146 2.283**
Complexité -> Adoption -0.198 2.3509** -0.122 1.0675 -0.21 3.356***
Préparation organisationnelle -> 0.128 1.336 0.121 1.456 0.128 1.088
Adoption
Soutien à la haute 0.111 2.421** 0.11 2.345** 0.122 2.872***
direction ->
Adoption
Taille de l'organisation -> Adoption 0.198 3.554*** 0.123 3.012*** 0.213 3.679***
Pression concurrentielle -> Adoption 0.154 3.172*** 0.145 2.346** 0.163 2.967***
Soutien aux fournisseurs - > Adoption 0.139 2.349** 0.114 1.998** 0.141 2.619***
Gestion des données-> Adoption 0.635 6.3819*** 0.6004 5.867*** 0.638 6.9019***
Protection des données -> Adoption 0.313 4.304*** 0.278 3.929*** 0.324 4.656***
* Signification à p < 0,10.
** Signification à p < 0,05.
*** Signification à p < 0,01.
La compatibilité entre les Big Data et l'architecture technologique existante, les techniques et
les pratiques de travail préférées d'une organisation s'est également avérée être un facteur influent
dans notre étude. Les organisations ont tendance à avoir une attitude positive et sont d'accord sur
l'innovation technologique lorsqu'il y a une bonne adéquation entre une innovation technologique
et les personnes, les processus et les pratiques de l'organisation dans son ensemble. L'adoption des
Big Data doit être compatible avec les politiques de l'organisation, l'environnement de
développement informatique et les besoins des entreprises (Lin et Chen, 2012).
Pour améliorer la compatibilité, les organisations doivent apporter les contributions
nécessaires pour rendre le système Big Data compatible avec les processus et les politiques
internes de l'organisation. D'autre part, les fournisseurs peuvent adapter les services Big Data aux
besoins de chaque organisation, ce qui implique qu'ils doivent comprendre les processus
commerciaux, les infrastructures informatiques et les cultures organisationnelles existants afin de
répondre aux paramètres de compatibilité des solutions Big Data. Ainsi, si les fonctions de Big
Data sont cohérentes avec les styles de travail, les données structurelles de format de données, les
besoins commerciaux et les pratiques des activités organisationnelles, une impression positive de
Big Data est susceptible de se produire, ce qui peut faciliter la mise en œuvre de Big Data à une
plus grande échelle et en masse.
Le secteur des services a révélé une importance relative plus élevée, statistiquement
significative, de la compatibilité pour l'adoption des Big Data par rapport au secteur manufacturier.
Une explication possible est que les entreprises du secteur des services ont des niveaux de
compatibilité plus élevés en termes d'infrastructure informatique existante, de pratiques et de
structure de l'organisation, de compétences et de connaissances requises pour travailler avec les
Big Data. Les gestionnaires du secteur manufacturier en particulier sont probablement désireux de
chercher à tirer parti des Big Data et du BDA pour réduire le gaspillage et les coûts et améliorer
l'efficacité.
Cette étude a décrit la complexité en termes d'efficacité du transfert de données, d'analyse des
données, de visualisation des données, etc. La complexité des Big Data par ses caractéristiques de
volume, de vitesse, de variété et de variabilité, est atténuée par les offres des fournisseurs de
services BDA conçues pour extraire des informations précieuses des Big Data. Il est donc
raisonnable de penser que moins la complexité de l'utilisation des Big Data est grande, plus la
probabilité de leur adoption et de leur utilisation est grande. La complexité a été un facilitateur
statistiquement insignifiant dans le secteur manufacturier mais pas dans le secteur des services.
Une explication possible est que les organisations manufacturières perçoivent la BDA comme un
outil complexe et intrusif qui n'est pas facile à intégrer dans leur
15
l'information
2018
déjà quantitativement complexe, la chaîne d'approvisionnement et la programmation de la
fabrication, ainsi que les processus logistiques de distribution des stocks (Zhong et al., 2015).
L'état de préparation organisationnelle n'a pas facilité l'adoption des Big Data de manière
statistiquement significative, tant pour l'échantillon complet que pour les échantillons spécifiques
aux secteurs industriels. Cela peut s'expliquer par le fait que les organisations qui adoptent les Big
Data peuvent avoir déjà effectué les changements technologiques sophistiqués nécessaires,
notamment en ce qui concerne le matériel, les logiciels et l'expertise générale. Une autre
explication possible pourrait être que lorsque les organisations croient déjà aux avantages d'une
technologie, elles sont en mesure de mieux gérer les compétences technologiques, financières et
informatiques spécialisées. Ainsi, la préparation de l'organisation peut ne pas influencer les phases
initiales de l'adoption des Big Data, mais seulement l'étendue de leur utilisation.
La taille de l'entreprise a été un facteur statistiquement significatif pour l'adoption des Big
Data dans l'échantillon complet ainsi que pour les échantillons spécifiques à l'industrie. Ce résultat
est conforme à la littérature existante. Elle suggère que les grandes entreprises disposent de plus de
ressources pour couvrir les coûts et qu'elles sont plus enclines à prendre des risques pour modifier
leurs processus, pratiques et politiques en raison d'une innovation technologique. Nos résultats
peuvent aider les gestionnaires à prédire la probabilité d'adoption des Big Data par un simple
moyen de mesurer la taille de leur organisation. Il n'y a pas de relation de taille entre la taille d'une
organisation et l'adoption des Big Data. Mais les gestionnaires doivent reconnaître les avantages et
les inconvénients de leur taille lorsqu'ils adoptent les Big Data.
Notre étude a fourni des preuves empiriques que le soutien de la direction générale est
significatif pour expliquer l'adoption des Big Data pour l'échantillon complet et l'échantillon
spécifique à l'industrie. Elle démontre un besoin de soutien en engageant des ressources
financières et organisationnelles, en développant les capacités des SI/TI, en réduisant les
résistances, en résolvant les conflits, en améliorant la communication, en convainquant les
employés et enfin en surmontant les obstacles à la mise en œuvre. L'adoption d'une technologie
doit se faire selon une approche descendante ; ce n'est qu'alors qu'ils prendront l'initiative d'adopter
une technologie en soi. Le soutien de la direction générale encourage et motive les gens à adopter
les Big Data et à utiliser la BDA, ce qui facilite la prise de décision.
Cette étude a déterminé que la pression concurrentielle est un facteur important pour
l'adoption des Big Data, tant pour l'échantillon complet que pour les échantillons spécifiques aux
secteurs industriels. Une concurrence plus acharnée tend à pousser les organisations à passer des
anciennes technologies aux données de grande taille sans investir suffisamment de temps pour
d'abord dissiper les hésitations en adoptant une approche d'innovation plus globale (Zhu et al.,
2006). En d'autres termes, plus la concurrence entre organisations similaires est grande, plus les
organisations sont susceptibles d'adopter les Big Data pour ne pas prendre de retard, voire pour
obtenir un avantage concurrentiel.
Les résultats indiquent également que l'adoption de Big Data est influencée par le soutien des
fournisseurs à la fois pour l'échantillon complet et pour les échantillons spécifiques aux secteurs
industriels. Le soutien des fournisseurs sous forme de renforcement, d'assistance, de partage
d'informations et de résolution de problèmes facilite l'adoption des Big Data au sein d'une
organisation.
La gestion des données s'est également avérée être un moteur important de l'adoption des Big
Data. Avec la gestion des données, la qualité des données d'offres peut être assurée par le profilage
des données, la normalisation des données, la gestion des données sémantiques et le pare-feu de la
qualité des données. Notre analyse indique que l'influence de la gestion des données sur l'adoption
des Big Data est statistiquement plus importante dans le secteur des services que dans celui de la
fabrication. Une explication possible est que les modifications des techniques de traitement de la
gestion des données sont plus simples à mettre en œuvre dans le secteur des services.
Il a été constaté que les préoccupations en matière de protection de la vie privée avaient un
effet négatif important sur l'adoption des Big Data, tant pour l'échantillon complet que pour les
échantillons spécifiques aux secteurs industriels. Pour protéger les Big Data des menaces à la vie
privée, il est important de mettre en œuvre des mécanismes de surveillance solides, des normes de
gestion de l'identité, ainsi qu'un cryptage et un contrôle d'accès visant à garantir la confidentialité
des Big Data. L'importance des préoccupations relatives à la protection de la vie privée dans le
secteur des services peut être due à la nature plus personnelle des données du secteur des services
par rapport à l'orientation du secteur manufacturier en matière d'ordonnancement des pièces et des
machines.
16
l'information
2018
6. CoNCLUSIoN
Le Big Data est une évolution importante des systèmes d'information. Il promet une capture
rentable d'une valeur informationnelle supplémentaire et opportune. Cette étude a cherché à
identifier les déterminants de l'adoption des Big Data en fonction des contextes technologique,
organisationnel, environnemental et sécuritaire des organisations des secteurs des services et de la
fabrication. Le contexte de sécurité comprenait deux concepts, la gestion des données et les
données.
Les résultats ont montré que l'avantage relatif, la compatibilité, la complexité, le soutien de la
direction générale, ainsi que la taille de l'entreprise, la pression concurrentielle, le soutien des
fournisseurs, la gestion des données et les préoccupations relatives à la protection de la vie privée
ont tous un effet direct sur l'adoption des Big Data et de la BDA par une entreprise.
En comparant les réponses des secteurs manufacturier et des services, nous avons établi des
différences statistiquement significatives entre les industries de services et les industries
manufacturières.
Les limites de l'étude comprennent un ensemble limité de dix facteurs, et donc un modèle
incomplet qui a laissé inexpliqué 23,77% de la variabilité de l'adoption des Big Data. L'étude est
également limitée par l'exclusion des non-adopteurs, car les seules réponses à l'enquête prises en
compte provenaient d'organisations qui avaient déjà adopté, ou étaient sur le point d'adopter, Big
Data et BDA. Une autre limite est que les résultats ont été obtenus dans un seul pays, l'Inde. Une
enquête empirique plus poussée dans différents pays est nécessaire, car il n'est peut-être pas
approprié de généraliser les résultats à d'autres pays développés et en développement. Les
recherches futures devraient valider ces résultats de l'étude dans d'autres contextes, y compris les
emplacements géophysiques des organisations interrogées.
7. IMPLICATIoNS
Les conclusions de cette étude sont importantes pour les gestionnaires, les fournisseurs de Big
Data et les chercheurs en tant qu'aide au développement de meilleures stratégies pour l'adoption
des Big Data et pour permettre la BDA. Elles fournissent des recommandations statistiquement
validées, importantes pour créer un environnement de mise en œuvre plus convivial pour
l'adoption des Big Data et la BDA. Le modèle proposé peut aider les organisations à évaluer leur
aptitude à adopter les Big Data et le BDA en les sensibilisant aux facteurs qui facilitent ou
entravent l'adoption des Big Data et du BDA.
17
l'information
2018
ReFeReNCeS
Abbasi, A., Sarker, S., & Chiang, R. H. L. (2016). Big Data Research In Information Systems : Toward An
Inclusive Research Agenda. Journal of the Association for Information Systems, 1(2), 3.
Ajzen, I. (1991). The Theory Of Planned Behavior. Organizational Behavior and Human Decision Processes,
50(2), 179-211. doi:10.1016/0749-5978(91)90020-T
Al Nuaimi, E., Al Neyadi, H., Mohamed, N., & Al-Jaroodi, J. (2015). Applications of Big Data To Smart Cities.
Journal of Internet Services and Applications, 6(1), 1-15. doi:10.1186/s13174-015-0041-5
Alsaad, A., Mohamad, R., & Ismail, N. (2017). The Moderating Role Of Trust In Business To Business Electronic
Commerce (B2B Ec) Adoption. Computers in Human Behavior, 68(1), 157-169. doi:10.1016/j.chb.2016.11.040
Alshamaila, Y., Papagiannidis, S., & Li, F. (2013). Adoption du Cloud Computing par les pme dans le nord-
est de l'Angleterre : un cadre à perspectives multiples. Journal of Enterprise Information Management, 26(3),
250-275. doi:10.1108/17410391311325225
Alshawi, S., Farouk, M., & Irani, Z. (2011). Facteurs organisationnels, techniques et de qualité des données
dans l'adoption de la rcm - le point de vue des PME. Industrial Marketing Management, 40(3), 376-383.
doi:10.1016/j.indmarman.2010.08.006
Barton, D., & Court, D. (2012). Faire travailler l'analyse avancée pour vous. Harvard Business Review, 90(1),
79-83. PMID:23074867
Bose, R., & Luo, X. (2012). Green It Adoption : A Process Management Approach. International Journal Of
Accounting and Information Management, 20(1), 63-77. doi:10.1108/18347641211201081
Chaudhury, A., & Bharati, P. (2008). It outsourcing adoption by small and medium enterprises : a diffusion
innovation approach. In Proceedings Of The Americas Conference On Information Systems (AMCIS) (pp. 14-
17).
Chen, C., & Zhang, C.-Y. (2014). Applications, défis, techniques et technologies à forte intensité de données : A
Survey On Big Data. Inf Sci, 275, 314-347. doi:10.1016/j.ins.2014.01.015
Chen, H., Chiang, R., & Storey, V. (2012). Business intelligence and analytics : from big data to big impact.
Management Information Systems Quarterly, 36(4), 1165-1188.
Chung, B. Y., Skibniewski, M. J., Lucas, H. C. Jr, & Kwak, Y. H. (2008). Analyse des facteurs de succès de la
mise en œuvre d'un système de planification des ressources de l'entreprise dans l'industrie de l'ingénierie-
construction. Journal of Computing in Civil Engineering, 22(6), 373-382. doi:10.1061/(ASCE)0887-
3801(2008)22:6(373)
Cukier, K. (2010, 25 février). The Economist, Data, Data Everywhere : Un rapport spécial sur la gestion de
l'information. The Economist. Extrait de Http://Www.Economist.Com/Node/15557443
Davis, F. D. (1989). Perception de l'utilité, de la facilité d'utilisation et de l'acceptation de la perspective de diffusion
par l'utilisateur.
Technovation, 28(3), 135-145.
Fishbein, M., & Ajzen, I. (1975). Croyance, attitude, intention et comportement : An Introduction to Theory
and Research. Reading, M. : Addison-Wesley.
Gandomi, A., & Haider, M. (2015). Au-delà du battage médiatique : concepts, méthodes et analyses de données
importantes. International Journal of Information Management, 35(2), 137-144.
doi:10.1016/j.ijinfomgt.2014.10.007
Gangwar, H., & Date, H. (2016). Comprendre l'adoption du cloud computing : A Model Comparison Approach.
Gestion des systèmes humains, 35(2), 13-26. doi:10.3233/HSM-150857
Gangwar, H., Date, H., & Ramaswamy, R. (2015). Understanding Determinants Of Cloud Computing
Adoption Using An Integrated Tam-Toe Model. Journal of Enterprise Information Management, 28(1), 107-
130. doi:10.1108/JEIM-08-2013-0065
Goes, P. (2014). Commentaires de l'éditeur : Big Data and Is Research. Management Information Systems
Quarterly, 38(2), 3-8.
Grandon, E., & Pearson, J. M. (2004). Adoption du commerce électronique : Perceptions des
directeurs/propriétaires de petites et moyennes entreprises au Chili. Communications de l'Association pour les
systèmes d'information, 13(1), 81-102.
18
l'information
2018
Gustin, C. M., Daugherty, P. J., & Stank, T. P. (1995). The Effects of Information Availability On Logistics
Integra. Journal of Business Logistics, 16(1), 1-13.
Hashema, I. (2015). The Rise of Big Data on Cloud Computing : Review and Open Research Issues. Systèmes
d'information, 47, 98-115.doi:10.1016/j.is.2014.07.006
Hazen, B. T., Boone, C. A., Ezell, J. D. et Jones-Farmer, L. A. (2014). Data quality for data science,
predictive analytics, and big data in supply chain management : an introduction to the problem and
suggestions for research and applications. International Journal of Production Economics, 154, 72-80.
doi:10.1016/j.ijpe.2014.04.018
Hsu, P. F., Kraemer, K. L., & Dunkle, D. (2006). Déterminants de l'utilisation du commerce électronique
dans les entreprises américaines. International Journal of Electronic Commerce, 10(4), 9-45.
doi:10.2753/JEC1086-4415100401
Hsu, P.-F., Ray, S., & Li-Hsieh, Y.-Y. (2014). Examen de l'intention d'adoption du cloud computing, du
mécanisme de tarification et du modèle de déploiement. International Journal of Information Management,
34(4), 474-488. doi:10.1016/j. ijinfomgt.2014.04.006
Huang, Z., Janz, B. D. et Frolick, M. N. (2008). A Comprehensive Examination Of Internet-Edi Adoption.
Gestion des systèmes d'information, 25(3), 273-286. doi:10.1080/10580530802151228
Hung, S. Y., Hung, W. H., Tsai, C. A., & Jiang, S. C. (2010). Critical Factors Of Hospital Adoption On Crm
System : Organizational and Information System Perspectives : Journal of. Decision Support Systems, 48(4),
592-603. doi:10.1016/j.dss.2009.11.009
Ifinedo, P. (2011). Une analyse empirique des facteurs influençant l'adoption des technologies Internet/E-
Business par les PME au Canada. International Journal of Information Technology & Decision Making,
10(4), 731-766. doi:10.1142/S0219622011004543
Igbaria, M., Guimaraes, T., & Davis, G. B. (1995). Tester les déterminants de la mise en œuvre des micro-
ordinateurs.
Revue de direction : An International Journal, 5(2), 87-114.
Jang, S.-H. (2010). Une étude empirique sur les facteurs influençant l'adoption et la mise en œuvre de la RFID.
Revue de direction : An International Journal, 5(2), 55-73.
Jeyaraj, A., Rottman, J. W., & Lacity, W. C. (2006). Un examen des prédicteurs, des liens et des biais dans la
recherche sur l'adoption de l'innovation en informatique. Journal of Information Technology, 21(1), 1-
23.doi:10.1057/palgrave.jit.2000056
Koltay, T. (2015). Data Literacy : In Search Of A Name and Identity. The Journal of Documentation, 71(2),
401-415. doi:10.1108/JD-02-2014-0026
Kuan, K. K. Y., & Chau, P. Y. K. (2001). A perception-based model for edi adoption in small businesses
using a technology-organization-environment framework. Information & Management, 38(8), 507-521.
doi:10.1016/ S0378-7206(01)00073-8
Kwon, O., Lee, N. et Shin, B. (2014). Gestion de la qualité des données, expérience d'utilisation des données
et intention d'acquisition de la BDA. International Journal of Information Management, 34(3), 387-394.
doi:10.1016/j.ijinfomgt.2014.02.002
Lee, G., & Xia, W. (2006). Organizational size and it innovation adoption : a meta-analysis. Information &
Management, 43(8), 975-985. doi:10.1016/j.im.2006.09.003
Lee, J., Kao, H.-A., & Yang, S. (2014). Service Innovation and Smart Analytics For Industry 4.0 and Big
Data Environment. Procedia Cirp, 16, 3-8.doi:10.1016/j.procir.2014.02.001
Lewis, W., Agarwal, R., & Sambamurthy, V. (2003). Sources d'influence sur les croyances concernant
l'utilisation des technologies de l'information : une étude empirique des travailleurs de la connaissance.
Management Information Systems Quarterly, 27(4), 657-678. doi:10.2307/30036552
Lian, J., Yen, D. et Wang, Y. (2014). Une étude exploratoire visant à comprendre les facteurs critiques qui
influencent la décision d'adopter le cloud computing dans un hôpital taïwanais. International Journal of
Information Management, 34(1), 28-36. doi:10.1016/j.ijinfomgt.2013.09.004
Lin, A., & Chen, N.-C. (2012). Le cloud computing en tant qu'innovation : perception, attitude et adoption.
International Journal of Information Management, 32(6), 533-540. doi:10.1016/j.ijinfomgt.2012.04.001
19
l'information
2018
Lin, H.-F., & Lin, S.-M. (2008). Determinants of e-business diffusion : a test of the technology diffusion
perspective. Technovation, 28(3), 135-145. doi:10.1016/j.technovation.2007.10.003
Lippert, S. K., & Govindarajulu, C. (2006). Antécédents technologiques, organisationnels et
environnementaux de l'adoption des services web. Antecedents to Web Services Adoption, 6(1), 146-158.
Low, C., Chen, Y., & Wu, M. (2011). Comprendre les déterminants de l'adoption du cloud computing.
Industrial Management & Data Systems, 111(7), 1006-1023. doi:10.1108/02635571111161262
Maduku, D. K., Mpinganjira, M., & Duh, H. (2016). Mobile marketing adoption intention by South African
SMES : A multi-perspective framework. International Journal of Information Management, 36(5), 711-723.
doi:10.1016/j.ijinfomgt.2016.04.018
Manyika, J., Chui, M., Brown, B. J., Bughin, J., Dobbs, R., Roxburgh, C. et Byers, A. H. (2012). Big Data :
The Next Frontier For Innovation, Competition, and Productivity. Institut mondial McKinsey.
Mcafee, A., & Brynjolfsson, E. (2012). Big Data : The Management Revolution. Harvard Business Review,
90(10), 60-68. PMID:23074865
Mccole, P., & Ramsey, E. (2005). Un profil des adoptants et des non-adoptants du commerce électronique
dans les entreprises de services professionnels des PME. Australasian Marketing Journal, 13(1), 36-48.
doi:10.1016/S1441-3582(05)70066-5
Miller, D., & Toulouse, J.-M. (1986). La personnalité du chef d'entreprise et la stratégie et la structure de
l'entreprise dans les petites entreprises. Science de la gestion, 32(11), 1389-
1409.doi:10.1287/mnsc.32.11.1389
Moore, G. C., & Benbasat, I. (1991). Développement d'un instrument pour mesurer les perceptions de
l'adoption d'une innovation en matière de technologie de l'information. Information Systems Research, 2(3),
173-191. doi:10.1287/isre.2.3.192
Moura, J., & Serrão, C. (2015). Security and Privacy Issues Of Big Data. Dans N. Zaman, M. Seliaman, M.
Hassan, & F. Marquez (Eds.), Handbook Of Research On Trends and Future Directions In Big Data and Web
Intelligence (pp. 20-52). Hershey, PA : Information Science Reference ;doi:10.4018/978-1-4666-8505-
5.ch002
Mourtzis, D., Vlachou, E., & Milas, N. (2016). Industrial Big Data As A Result Of Iot Adoption In Manufacturing.
Procedia Cirp, 55, 290-295. doi:10.1016/j.procir.2016.07.038
Murdoch, T., & Detsky, A. (2013). L'application inévitable des grandes données aux soins de santé. Journal
of the American Medical Association, 309(13), 1351-1352. doi:10.1001/jama.2013.393 PMID:23549579
Institut national des normes et de la technologie (NIST) (2015, 16 septembre). Publication spéciale 1500-1.
Oliveira, S. F., Fürlinger, K., & Kranzlmüller, D. (2012). Trends in Computation, Communication and
Storage and The Consequences For Data-intensive Science. Dans le cadre de la 14e conférence internationale
de l'IEEE sur le calcul et les communications à haute performance.
Oliveira, T., & Maria, M. F. (2010). Understanding e-business adoption across industries in european countries.
Gestion industrielle et systèmes de données, 110(9), 1337-1354. doi:10.1108/02635571011087428
Oliveira, T., & Martins, M. F. (2010). Firms patterns of e-business adoption : evidence for the European Union.
The Electronic Journal Information Systems Evaluation, 13(1), 47-56.
Opresnk, D., & Taisch, M. (2015). La valeur des grandes données dans la servisation. International Journal
of Production Economics, 165, 174-184. doi:10.1016/j.ijpe.2014.12.036
Pan, M.-J., & Jang, W.-Y. (2008). Déterminants de l'adoption de la planification des ressources d'entreprise
dans le cadre technologie-organisation-environnement : L'industrie des communications de Taïwan. Journal
of Computer Information Systems, 48(3), 94-102.
Peng, R., Xiong, L., & Yang, Z. (2012). Exploring tourist adoption of tourism mobile payment : an empirical
analysis. Journal of Theoretical and Applied Electronic Commerce Research, 7(1), 21-33.
doi:10.4067/S0718- 18762012000100003
Premkumar, G., Ramamurthy, K., & Crum, M. R. (1997). Déterminants de l'adoption de l'Edi dans l'industrie
des transports. European Journal of Information Systems, 6(2), 107-121. doi:10.1057/palgrave.ejis.3000260
Premkumar, G., & Roberts, M. (1999). Adoption des nouvelles technologies de l'information dans le
mécanisme de tarification des petites entreprises rurales, et mode de déploiement. International Journal of
Information Management, 34, 474-488.
20
l'information
2018
Ramdani, B., Kawalek, P., & Lorenzo, O. (2009). Prévision de l'adoption de systèmes d'entreprise par les
PME. Journal of Enterprise Information Management, 22(1/2), 10-24. doi:10.1108/17410390910922796
Rogers, E. M. (1962). Diffusion Of Innovations (1ère éd.). New York, NY : The Free Press.
Rogers, E. M. (2003). Diffusion Of Innovations (5e éd.). New York, NY : The Free Press.
Rui, G. (2007). Information Systems Innovation Adoption Among Organizations A Match-Based Framework
and Empirical Studies. Singapour : Université nationale de Singapour.
Schadt, E. (2012). L'évolution du paysage de la vie privée à l'ère des grandes données. Molecular Systems,
8(1), 612. PMID:22968446
Schillewaert, N., Ahearne, M. J., Frambach, R. T., & Moenaert, R. K. (2005). L'adoption des technologies de
l'information dans la force de vente. Industrial Marketing Management, 34(4), 323-336. doi:10.1016/j.
indmarman.2004.09.013
Sila, I. (2013). Facteurs affectant l'adoption des technologies de commerce électronique b2b. Recherche sur
le commerce électronique, 13(2), 199-236. doi:10.1007/s10660-013-9110-7
Srivastava, U., & Gopalkrishnan, S. (2015). Impact of BDA On banking sector : learning for Indian banks.
Procedia Computer Science, 50, 643-652. doi:10.1016/j.procs.2015.04.098
Tao, F., Cheng, J., Qi, Q., Zhang, M., Zhang, H. et Sui, F. (2017). Conception numérique de produits à double
usage, fabrication et service avec Big Data. Int. J. Adv. Manuf. Tech., 1-14.
Teo, H. H., Wei, K. K., & Benbasat, I. (2003). Prévision de l'intention d'adopter des liens interorganisationnels
: An Institutional Perspective. Management Information Systems Quarterly, 27(1), 19-49.
doi:10.2307/30036518
Teo, T. S. H., Lin, S. et Lai, K.-H. (2009). Adopters and Non-Adopters Of E-Procurement In Singapore : An
Empirical Study. Omega, 37(5), 972-987. doi:10.1016/j.omega.2008.11.001
Tornatzky, L. G., & Fleischer, M. (1990). Les processus de l'innovation technologique. Lexington, MA :
Lexington Books.
Tornatzky, L. G., & Klein, K. J. (1982). Innovation characteristics and innovation adoption-implementation :
a meta-analysis of findings. IEEE Transactions on Engineering Management, 29(1), 28-45. doi:10.1109/
TEM.1982.6447463
Tsai, M., Lai, K. et Hsu, W. (2013). Une étude des forces institutionnelles qui influencent l'intention d'adoption
de la RFID par les fournisseurs. Information & Management, 50(1), 59-65. doi:10.1016/j.im.2012.05.006
Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. (2003). User acceptance of information technology :
towards a unified view. Management Information Systems Quarterly, 27(3), 425-478. doi:10.2307/30036540
Waller, M. A., & Fawcett, S. E. (2013). Science des données, analyse prédictive et grandes données : une
révolution qui va transformer la conception et la gestion de la chaîne d'approvisionnement. Journal of
Business Logistics, 34(2), 77-84. doi:10.1111/ jbl.12010
Wang, G., Gunasekaran, A., Ngai, E. et Papadopoulos, T. (2016). BDA dans la logistique et la gestion de la
chaîne d'approvisionnement : certaines enquêtes pour la recherche et les applications. International Journal of
Production Economics, 176, 98-110. doi:10.1016/j.ijpe.2016.03.014
Wang, Y., & Wang, Y. (2016). Determinants of firms' knowledge management system implementation : an
empirical study. Computers In Human Behaviour, 64(1), 829-842. doi:10.1016/j.chb.2016.07.055
Wang, Y., Wang, Y., & Yang, Y. (2010). Understanding the determinants Of RFID adoption in the
manufacturing industry. Prévisions technologiques et changement social, 77(5),803-
815.doi:10.1016/j.techfore.2010.03.006
Zhan, Y., Tan, K. H., Li, Y., & Tse, Y. K. (2016). Exploiter la puissance des grandes données dans le
développement de nouveaux produits.
Annales de la recherche opérationnelle, 1-19.
Zhang, Y., Ren, S., Liu, Y., & Si, S. (2016). A BDA Architecture For Cleaner Manufacturing and Maintenance
Processes Of Complex Product. Journal of Cleaner Production, 142(2), 626-641.
21
l'information
2018
Zhong, R. Y., Huang, G. Q., Lan, S., Dai, Q. Y., Chen, X., & Zhang, T. (2015). A Big Data approach for
logistics trajectory discovery from RFID-enabled production data. International Journal of Production
Economics, 165, 260-272. doi:10.1016/j.ijpe.2015.02.014
Zhong, R. Y., Lan, S. L., Xu, C., Dai, Q. Y., & Huang, G. Q. (2016). La visualisation de la Rfid a permis
d'obtenir des données importantes sur la logistique de l'atelier dans la fabrication en nuage. International
Journal of Advanced Manufacturing Technology, 84(1), 5-16. doi:10.1007/s00170-015-7702-1
Zhu, K., Dong, S. T., Xu, S. X., & Kraemer, K. L. (2006b). Diffusion de l'innovation dans des contextes
mondiaux : déterminants de la transformation numérique post-adoption des entreprises européennes.
European Journal of Information Systems, 15(9), 601-616.doi:10.1057/palgrave.ejis.3000650
Zhu, K., Kraemer, K. et Xu, S. (2003). Adoption du commerce électronique par les entreprises européennes :
A Cross-Country Assessment of the Facilitators and Inhibitors. European Journal of Information Systems,
12(4), 251-268. doi:10.1057/palgrave.ejis.3000475
Zhu, K., & Kraemer, K. L. (2005). Variations post-adoption dans l'utilisation et la valeur du commerce
électronique par les organisations : Cross-Country Evidence From The Retail Industry. Information Systems
Research, 16(1), 61-84. doi:10.1287/ isre.1050.0045
Zhu, K., Kraemer, K. L., & Xu, S. (2006a). The process of innovation assimilation by firms in different
countries : a technology diffusion perspective on e-business. Management Science, 52(10), 1557-1576.
doi:10.1287/ mnsc.1050.0487
Hemlata Gangwar est professeur assistant à l'Institut de gestion des entreprises de Pune. Elle est membre de
l'Institut national d'ingénierie industrielle de Mumbai.
22

1 Understanding The Determinants-Converti FR

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

1 Understanding The Determinants-Converti FR

Transféré par

Droits d'auteur :

Formats disponibles

Abonnez-vous à DeepL Pro pour modifier ce document

Journal de la gestion des ressources de

Comprendre les déterminants de

2.1. Données importantes

• La théorie de la diffusion de l'innovation (IDT, Rogers, 1962, 1995 et 2003) ;

Modèle Variable dépendante/ Auteur

TOE Technologies de Bose et Luo, X X X

TOE Connaissances Wang et Wang, X X X X X X

• H1 : L'avantage relatif a un effet positif sur l'adoption des Big Data.

• H2 : La compatibilité a un effet positif sur l'adoption des Big Data.

• H3 : La complexité a un effet négatif sur l'adoption des Big Data.

2.4.2. Contexte organisationnel

• H4 : La préparation organisationnelle a un effet positif sur l'adoption des Big Data.

2.4.2.2. Taille de l'organisation

• H5 : La taille de l'organisation a un effet positif sur l'adoption des Big Data.

2.4.2.3. Soutien à la haute direction

2.4.3. Contexte environnemental

2.4.3.2. Soutien aux vendeurs

2.4.4. Préoccupations en matière de sécurité

2.4.4.2. Confidentialité des données

Petit Nombre de salariés < 400 164

Tableau 4. Catégorisation des réponses en fonction du type d'industrie

Facteu Indicateur Charges AVE CR Charges AVE CR Charges AVE CR

Figure 2. Le modèle structurel Smart PLS

Construir Échantillon Fabrication Service

Vous aimerez peut-être aussi