TS. Dương Thị Hoàn, Hoàng Quang Huy, Đào Thị Ngọc Mai, Hạ Thiên Trang
Trường Kinh tế, Đại học Công nghiệp Hà Nội
Email: hoanduonghaui102@gmail.com
Tóm tắt
Thông qua kết quả khảo sát đối với 212 chủ doanh nghiệp, các nhà quản lý cấp cao và nhân viên tại các doanh nghiệp nhỏ và vừa (DNNVV) tại Hà Nội, kết quả nghiên cứu cho thấy, các yếu tố Cảm nhận về tính hữu ích, Cảm nhận về rủi ro, Trình độ học vấn, Kinh nghiệm làm việc, Đào tạo và Khả năng cảm nhận có tác động đáng kể đến ý định Áp dụng phân tích dữ liệu lớn (BDA) của các doanh nghiệp. Kết quả của nghiên cứu mang lại giá trị thực tiễn cho các nhà quản lý doanh nghiệp, giúp họ hiểu rõ các rào cản cũng như động lực thúc đẩy quá trình chuyển đổi số bằng BDA. Đồng thời, nghiên cứu cũng cung cấp cơ sở khoa học cho các nhà hoạch định chính sách trong việc xây dựng các chương trình hỗ trợ DNNVV tiếp cận và triển khai công nghệ BDA.
Từ khóa: phân tích dữ liệu lớn, doanh nghiệp nhỏ và vừa, mô hình TAM
Summary
Through a survey of 212 business owners, senior managers, and employees at small and medium-sized enterprises in Hanoi, the research results show that the factors of Perceived Usefulness, Perceived Risk, Education, Work Experience, Training, and Perception Ability have a significant impact on the intention to apply Big Data Analytics (BDA) of enterprises. The research results provide practical value for business managers, helping them understand the barriers as well as the motivations for promoting the digital transformation process using BDA. At the same time, the research also provides a scientific basis for policymakers to build support programs for small and medium-sized enterprises to access and deploy BDA technology.
Keywords: big data analytics, small and medium-sized enterprises, TAM model
GIỚI THIỆU
Trong bối cảnh nền kinh tế số phát triển mạnh mẽ, các doanh nghiệp tại Hà Nội đang phải đối mặt với nhiều thách thức trong việc chuyển đổi số. Phân tích dữ liệu lớn được xem là công cụ quan trọng giúp doanh nghiệp tận dụng thông tin để đưa ra quyết định kinh doanh chiến lược. Tuy nhiên, mức độ sẵn sàng và ý định áp dụng BDA vẫn chưa rõ ràng đối với các doanh nghiệp nhỏ và vừa (Gartner, 2015). Theo khảo sát của Bean (2021) về tình trạng áp dụng dữ liệu lớn và trí tuệ nhân tạo (AI), 96% doanh nghiệp cho rằng việc triển khai các công nghệ này là một thách thức lớn. Đặc biệt, các doanh nghiệp nhỏ thường gặp khó khăn trong việc tích hợp BDA vào hệ thống quản lý do thiếu nguồn lực về công nghệ, nhân sự và tài chính (Mahesh và cộng sự, 2018). Nghiên cứu trước đây cũng chỉ ra rằng những rào cản về văn hóa doanh nghiệp, sự không chắc chắn về giá trị mang lại, cùng với những rủi ro liên quan đến quyền riêng tư và bảo mật thông tin là các yếu tố quan trọng ảnh hưởng đến quyết định áp dụng BDA (Lunde và cộng sự, 2019). Chính vì vậy, nghiên cứu này tập trung vào việc xác định các yếu tố tác động đến ý định áp dụng BDA tại các doanh nghiệp nhỏ và vừa ở Hà Nội, từ đó đề xuất các giải pháp nhằm hỗ trợ doanh nghiệp khai thác hiệu quả công nghệ này.
CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU
Tổng quan nghiên cứu
Sự phát triển mạnh mẽ của các nền tảng mạng xã hội, thương mại điện tử, công cụ tìm kiếm và các công nghệ số mới đã dẫn đến sự gia tăng đáng kể về dữ liệu lớn (Big Data - BD). Điều này đã tạo điều kiện cho các doanh nghiệp thu thập và xử lý dữ liệu với 3 đặc điểm chính của BD: Đa dạng (variety), Tốc độ (velocity) và Khối lượng lớn (volume). Đa dạng (Variety) đề cập đến nhiều loại dữ liệu khác nhau mà các hệ thống phân tích truyền thống khó có thể xử lý, bao gồm dữ liệu có cấu trúc, dữ liệu bán cấu trúc và dữ liệu phi cấu trúc. Tốc độ (Velocity) thể hiện tốc độ nhanh chóng của việc tạo và phân tích dữ liệu theo thời gian thực. Khối lượng lớn (Volume) đề cập đến lượng dữ liệu khổng lồ mà doanh nghiệp thu thập và cần xử lý để tìm ra thông tin có giá trị.
Big Data Analytics (BDA) tích hợp các kỹ thuật phân tích nâng cao để tạo ra các mô hình thông qua các quy trình mô hình hóa có cấu trúc trên các tập dữ liệu lớn. Vòng đời phát triển của các ứng dụng BDA bao gồm tiếp nhận dữ liệu, xử lý dữ liệu, mô hình hóa dữ liệu phân tích, chuẩn bị thông tin chi tiết và xuất dữ liệu. Các công nghệ dữ liệu lớn tiên tiến trong cả lĩnh vực thương mại và mã nguồn mở đang hỗ trợ quá trình tổ chức áp dụng BDA. Theo định nghĩa của Côrte-Real, Oliveira và Ruivo (2016): "BDA là thế hệ công nghệ và kiến trúc mới, được thiết kế để khai thác giá trị kinh tế từ khối lượng dữ liệu khổng lồ và đa dạng, bằng cách cho phép thu thập, khám phá và phân tích dữ liệu với tốc độ cao". Trong nghiên cứu này, BDA được định nghĩa là một khả năng bao gồm con người, quy trình và công nghệ để xử lý các tập dữ liệu lớn, nhằm khám phá thông tin chi tiết, mối quan hệ và giá trị hữu ích. BDA là một công nghệ mang tính đột phá, hỗ trợ các tổ chức nâng cao năng lực dự báo, tối ưu hóa vận hành và tăng cường khả năng cạnh tranh trên thị trường.
Hiện nay, nhiều nghiên cứu đã tập trung vào việc áp dụng BDA trong các DNNVV. Nghiên cứu của Ajimoko (2018) đã phân tích các tiêu chí quan trọng để áp dụng phân tích dữ liệu lớn dựa trên 3 mô hình: lý thuyết khuếch tán đổi mới (Diffusion of Innovation - DOI), mô hình chấp nhận công nghệ (Technology Acceptance Model - TAM) và mô hình Công nghệ - Tổ chức - Môi trường (TOE). Kết quả nghiên cứu đã phân loại các tiêu chí quan trọng thành hai nhóm: yếu tố nội bộ và yếu tố bên ngoài. Trong đó, yếu tố nội bộ bao gồm các yếu tố công nghệ và tổ chức, đóng vai trò quan trọng trong việc quyết định áp dụng BDA, trong khi các yếu tố bên ngoài liên quan đến nhà cung cấp và môi trường có mức độ ảnh hưởng thấp hơn.
Tương tự, Mangla và cộng sự (2020) đã sử dụng phương pháp mô hình phương trình cấu trúc (SEM) để phân tích tác động của BDA đối với hiệu suất dự án trong ngành sản xuất. Kết quả cho thấy việc ứng dụng BDA có tác động tích cực đến hiệu suất của doanh nghiệp thông qua chín yếu tố, bao gồm năng lực vận hành dự án, trách nhiệm xã hội, công nghệ môi trường, mua sắm xanh và quản lý tri thức dự án. Ngoài ra, nghiên cứu của Nasrollahi, Ramezani và Sadraei tại Iran cũng chỉ ra rằng BDA có thể giúp DNNVV cải thiện hiệu suất kinh doanh. Cụ thể, nghiên cứu này xác định 12 yếu tố quan trọng ảnh hưởng đến việc áp dụng BDA, bao gồm hiệu suất xã hội, hiệu suất kinh tế và hiệu suất vận hành. Trong một nghiên cứu gần đây, Maroufkhani và cộng sự đã xác định bảy yếu tố quan trọng ảnh hưởng đến quyết định áp dụng BDA trong DNNVV tại Iran, bao gồm sự hỗ trợ của lãnh đạo cấp cao, tính quan sát được, khả năng thử nghiệm, sự không chắc chắn và mất an toàn, độ phức tạp, sự hỗ trợ bên ngoài và mức độ sẵn sàng của tổ chức. Kết quả nghiên cứu cho thấy việc áp dụng BDA có thể nâng cao hiệu suất kinh doanh của DNNVV.
Tại Hàn Quốc, Park và cộng sự (2019) đã tiến hành nghiên cứu để xác định các yếu tố quan trọng ảnh hưởng đến quyết định áp dụng BDA. Kết quả cho thấy các yếu tố này có thể được chia thành 3 nhóm chính: Yếu tố công nghệ, Yếu tố tổ chức và Yếu tố môi trường.
Tại Malaysia, Loh và Teoh (2021) đã tập trung vào nghiên cứu việc áp dụng BDA trong bối cảnh đại dịch Covid-19 nhằm giúp các doanh nghiệp DNNVV cải thiện hiệu suất và vượt qua các thách thức trong giai đoạn giãn cách xã hội. Nghiên cứu này đã xác định các yếu tố công nghệ quan trọng có thể khuyến khích các doanh nghiệp DNNVV tại Malaysia áp dụng BDA một cách hiệu quả.
Khung lý thuyết
Nghiên cứu sử dụng mô hình Chấp nhận công nghệ (Technology Acceptance Model - TAM) được đề xuất bởi Davis (1989), nhằm giải thích và dự đoán hành vi chấp nhận công nghệ của người dùng trong nhiều lĩnh vực khác nhau. TAM cho rằng quyết định chấp nhận một hệ thống công nghệ bị ảnh hưởng bởi hai yếu tố chính: Nhận thức về sự hữu ích (Perceived Usefulness - PU) và Nhận thức về sự dễ sử dụng (Perceived Ease of Use - PEOU). Mô hình TAM đã được mở rộng và ứng dụng rộng rãi trong nghiên cứu về phân tích dữ liệu lớn (Madhlangobe, 2018). Trong bối cảnh các doanh nghiệp nhỏ và vừa (DNNVV), TAM có thể giúp xác định các yếu tố ảnh hưởng đến ý định áp dụng phân tích dữ liệu lớn (Big Data Analytics - BDA).
Các giả thuyết và mô hình nghiên cứu
Dựa trên Mô hình chấp nhận công nghệ mở rộng (Technology Acceptance Model - TAM), tác giả xây dựng mô hình nghiên cứu như Hình 1 cùng các giả thuyết nhằm làm sáng tỏ mối quan hệ giữa các biến thể này trong bối cảnh áp dụng Phân tích dữ liệu lớn tại các doanh nghiệp. Cụ thể là:
H1: Cơ sở hạ tầng có tác động tích cực đến Nhận thức về sự dễ sử dụng (IN → PEU).
H2: Cơ sở hạ tầng có tác động tích cực đến Nhận thức về sự hữu ích (IN → PU) trong bối cảnh Phân tích dữ liệu lớn.
H3: Nhận thức về sự dễ sử dụng có tác động tích cực đến Ý định sử dụng (PEOU → IOU) trong bối cảnh Phân tích dữ liệu lớn.
H4: Nhận thức về sự hữu ích có tác động tích cực đến Ý định sử dụng (PU → IU) trong bối cảnh Phân tích dữ liệu lớn.
Hình 1: Mô hình nghiên cứu đề xuất
![]() |
Nguồn: Nhóm tác giả đề xuất |
Phương pháp nghiên cứu
Đối tượng khảo sát chính trong nghiên cứu này là chủ doanh nghiệp và các nhà quản lý cấp cao của DNNVV tại Hà Nội cùng với các nhân viên trong công ty của họ. Khảo sát được thực hiện trực tuyến qua email gửi đến các nhà quản lý và nhân viên DNNVV tại Hà Nội, kèm theo thư giới thiệu nghiên cứu. Số lượng bảng khảo sát phân phối: 300 bảng khảo sát được gửi đi, trong đó 226 phản hồi được thu về. Sau khi kiểm tra điều kiện tham gia, 212 bảng khảo sát hợp lệ được sử dụng trong nghiên cứu.
Nhóm tác giả đã tạo một biểu mẫu Google Form để thực hiện khảo sát trực tuyến. Sau đó, đường dẫn đến biểu mẫu khảo sát được gửi qua email và các nền tảng mạng xã hội hoặc ứng dụng nhắn tin khác từ tháng 10-2024. Đây cũng là khoảng thời gian biểu mẫu được mở và chấp nhận phản hồi. Biểu mẫu khảo sát được thiết lập để mỗi email chỉ có thể gửi một phản hồi duy nhất nhằm đảm bảo dữ liệu không bị trùng lặp. Dữ liệu thu thập tham gia khảo sát chỉ được sử dụng độc quyền cho mục đích nghiên cứu. Toàn bộ quy trình được thực hiện nghiêm túc để đảm bảo tính bảo mật và sự tự nguyện của các đối tượng khảo sát. Các câu hỏi trong phần thang đo được thiết kế theo định dạng Likert 5 mức độ (từ 1 = Hoàn toàn không đồng ý đến 5 = Hoàn toàn đồng ý) để đo lường mức độ ảnh hưởng của từng yếu tố đối với ý định sử dụng công nghệ. Phân tích dữ liệu được thực hiện bằng các phần mềm thống kê SPSS và AMOS (Bài viết sử dụng cách viết số thập phân theo chuẩn quốc tế).
KẾT QUẢ NGHIÊN CỨU
Kiểm định độ tin cậy của thang đo Cronbach’s Alpha
Bảng 1: Kiểm định độ tin cậy của thang đo Cronbach’s Alpha
![]() |
Nguồn: Kết quả xử lý số liệu trên phần mềm SPSS |
Bảng 1 cho thấy, hệ số Cronbach’s Alpha > 0.8, chứng tỏ các biến quan sát có độ tin cậy cao. Cụ thể:
- Cơ sở hạ tầng (In): Cronbach’s Alpha = 0.889, cho thấy thang đo này có độ tin cậy rất cao. Các biến quan sát In1 - In5 có hệ số tương quan biến tổng trên 0.64, chứng tỏ tất cả các biến này đều đóng góp đáng kể vào thang đo.
- Nhận thức về sự dễ sử dụng (PEU): Cronbach’s Alpha = 0.846, cho thấy thang đo có độ tin cậy cao. Thang đo này phản ánh mức độ dễ sử dụng của công cụ Phân tích dữ liệu lớn đối với doanh nghiệp nhỏ và vừa. Nếu công nghệ càng dễ sử dụng, các doanh nghiệp càng có ý định áp dụng cao hơn, điều này phù hợp với Mô hình Chấp nhận Công nghệ (TAM) của Davis (1989).
- Nhận thức về sự hữu ích (PU): Cronbach’s Alpha = 0.834, thể hiện độ tin cậy tốt. Các biến quan sát PU1 - PU3 đều có hệ số tương quan biến tổng cao (>0.68). Kết quả này cho thấy doanh nghiệp nhỏ và vừa tại Hà Nội đánh giá cao lợi ích của BDA trong việc tối ưu hóa kinh doanh và ra quyết định dựa trên dữ liệu.
- Ý định sử dụng (Intent to Use - IU), Cronbach’s Alpha = 0.814, phản ánh độ tin cậy tốt.
Các biến IU1 - IU3 có hệ số tương quan biến tổng từ 0.623 - 0.786, đủ tiêu chuẩn để giữ lại trong mô hình. Kết quả này khẳng định ý định sử dụng Phân tích dữ liệu lớn của các doanh nghiệp nhỏ và vừa tại Hà Nội có mối liên hệ chặt chẽ với nhận thức về sự hữu ích và sự dễ sử dụng của công nghệ.
Phân tích nhân tố khám phá (EFA)
Bảng 2: Kiểm định độ phù hợp của dữ liệu với phân tích nhân tố
![]() |
Nguồn: Kết quả xử lý số liệu trên phần mềm SPSS |
Bảng 2 cho thấy, hệ số KMO= 0.860 > 0.5; Sig của kiểm định Bartlett = 0.000
Bảng 3: Kết quả phân tích EFA
| Factor | |||
1 | 2 | 3 | 4 | |
In1 | .865 |
|
|
|
In3 | .812 |
|
|
|
In2 | .787 |
|
|
|
In5 | .774 |
|
|
|
In4 | .688 |
|
|
|
PEU1 |
| .812 |
|
|
PEU4 |
| .755 |
|
|
PEU3 |
| .737 |
|
|
PEU2 |
| .710 |
|
|
PU2 |
|
| .835 |
|
PU1 |
|
| .781 |
|
PU3 |
|
| .741 |
|
IU1 |
|
|
| .839 |
IU2 |
|
|
| .782 |
IU3 |
|
|
| .558 |
Extraction Method: Principal Axis Factoring. Rotation Method: Promax with Kaiser Normalization. | ||||
a. Rotation converged in 5 iterations. |
Nguồn: Kết quả xử lý số liệu trên phần mềm SPSS
Bảng 3 cho thấy, các biến quan sát được nhóm lại thành 4 nhân tố riêng biệt, phù hợp với các thang đo lý thuyết của nghiên cứu. Các biến trong từng nhóm đều có hệ số tải nhân tố (factor loading) > 0.5. Kết quả EFA xác nhận rằng, các biến đo lường có tính hội tụ và phân biệt rõ ràng, phù hợp với các khái niệm trong mô hình nghiên cứu. Cơ sở hạ tầng, Nhận thức về sự dễ sử dụng, Nhận thức về sự hữu ích và Ý định sử dụng đều có cấu trúc nhân tố rõ ràng, phù hợp với lý thuyết TAM và nghiên cứu trước đây.
Phân tích nhân tố khẳng định (CFA)
Phân tích CFA được áp dụng để đánh giá độ tin cậy, giá trị hội tụ và giá trị phân biệt của thang đo, đồng thời đánh giá độ phù hợp của dữ liệu với mô hình, thể hiện mức độ liên kết giữa các biến.
Bảng 4: Chỉ số độ phù hợp của mô hình (Model Fit Indices)
![]() |
Nguồn: Kết quả xử lý số liệu trên phần mềm SPSS |
Hình 2: Kết quả phân tích CFA
![]() |
Nguồn: Kết quả xử lý số liệu trên phần mềm SPSS |
Kết quả ở Bảng 4 và Hình 2 cho thấy, chỉ số Chi-square/df (CMIN/DF) = 1.095 0.95 chứng tỏ mô hình phản ánh mức độ giải thích tốt giữa các biến trong nghiên cứu; Chỉ số Root Mean Square Error of Approximation (RMSEA) = 0.021 0.05 điều này khẳng định RMSEA không có sai lệch đáng kể, đảm bảo độ tin cậy của mô hình nghiên cứu.
Kiểm định giả thuyết nghiên cứu và phân tích tác động bằng mô hình SEM
Bảng 5: Kết quả phân tích mô hình cấu trúc tuyến tính SEM
![]() |
Nguồn: Kết quả xử lý số liệu trên phần mềm SPSS |
Kết quả ở Bảng 5 cho thấy:
Ảnh hưởng của cơ sở hạ tầng đến nhận thức về sự dễ sử dụng (H1: In → PEU): Hệ số hồi quy chưa chuẩn hóa = 0.071; Hệ số chuẩn hóa = 0.09; P-value = 0.253 > 0.05 nên không có ý nghĩa thống kê. Như vậy cơ sở hạ tầng không có tác động đáng kể đến nhận thức về sự dễ sử dụng của BDA trong các doanh nghiệp nhỏ và vừa tại Hà Nội. Điều này có thể do các DNNVV chưa có đủ kinh nghiệm hoặc đào tạo để tận dụng cơ sở hạ tầng hiện có, hoặc có thể họ quan tâm nhiều hơn đến khả năng tiếp cận và hỗ trợ kỹ thuật hơn là bản thân hệ thống công nghệ.
Ảnh hưởng của cơ sở hạ tầng đến nhận thức về sự hữu ích (H2: In → PU): Hệ số hồi quy chưa chuẩn hóa = 0.047; Hệ số chuẩn hóa = 0.053; P-value = 0.504 > 0.05 nên không có ý nghĩa thống kê). Kết quả này cho thấy cơ sở hạ tầng không ảnh hưởng đáng kể đến nhận thức về sự hữu ích của BDA. Điều này có thể xuất phát từ thực tế rằng dù hạ tầng công nghệ có sẵn, nhưng nếu doanh nghiệp không hiểu rõ cách khai thác dữ liệu, họ sẽ không thấy được lợi ích thực sự của BDA.
Ảnh hưởng của nhận thức về sự dễ sử dụng đến ý định sử dụng (H3: PEU → IU): Hệ số hồi quy chưa chuẩn hóa = 0.559; Hệ số chuẩn hóa = 0.521; P-value
Ảnh hưởng của nhận thức về sự hữu ích đến ý định sử dụng (H4: PU → IU): Hệ số hồi quy chưa chuẩn hóa = 0.438; Hệ số chuẩn hóa = 0.457; P-value
Hình 3: Mô hình cấu trúc tuyến tính SEM
![]() |
Nguồn: Kết quả từ phân tích dữ liệu |
Các chỉ số đánh giá mức độ phù hợp của mô hình trong kết quả SEM ở Hình 3 đều cho thấy, mô hình có độ phù hợp tốt với dữ liệu thực tế, cụ thể: Chi-square/df = 1.470 0.95 là phù hợp; GFI = 0.929 > 0.90 phù hợp; TLI = 0.967 > 0.95 mô hình có độ phù hợp; PCLOSE = 0.587 > 0.05 không có sai lệch đáng kể. Như vậy, mô hình có độ phù hợp với dữ liệu thực tế, đảm bảo tính chính xác trong việc kiểm định các giả thuyết về ý định sử dụng BDA trong doanh nghiệp.
Thảo luận
Kết quả phân tích mô hình cấu trúc tuyến tính SEM trong nghiên cứu này cho thấy, có sự khác biệt trong mức độ ảnh hưởng của các yếu tố đến ý định sử dụng phân tích dữ liệu lớn tại các DNNVV ở Hà Nội. Cụ thể, 2 giả thuyết H1 (Cơ sở hạ tầng → Nhận thức về sự dễ sử dụng) và H2 (Cơ sở hạ tầng → Nhận thức về sự hữu ích) không được hỗ trợ (p-value > 0.05), cho thấy cơ sở hạ tầng công nghệ không có tác động đáng kể đến nhận thức của doanh nghiệp về mức độ dễ sử dụng và tính hữu ích của phân tích dữ liệu lớn. Điều này có thể xuất phát từ thực tế rằng, dù cơ sở hạ tầng công nghệ tại các doanh nghiệp nhỏ và vừa đã được cải thiện, nhưng doanh nghiệp vẫn gặp khó khăn trong việc tiếp cận và tận dụng công nghệ phân tích dữ liệu lớn do thiếu nguồn lực hoặc kỹ năng chuyên môn.
Tuy nhiên, các giả thuyết H3 (Nhận thức về sự dễ sử dụng → Ý định sử dụng) và H4 (Nhận thức về sự hữu ích → Ý định sử dụng) được xác nhận với giá trị p-value
Những phát hiện này tương đồng với nghiên cứu của Mansori (2023), khi ông cũng chỉ ra rằng, cơ sở hạ tầng không có ảnh hưởng đáng kể đến ý định sử dụng công nghệ, nhưng nhận thức về sự dễ sử dụng và sự hữu ích lại có tác động mạnh mẽ đến việc chấp nhận công nghệ tại tổ chức. Điều này cho thấy, để thúc đẩy ứng dụng phân tích dữ liệu lớn trong các doanh nghiệp nhỏ và vừa, cần tập trung vào việc nâng cao trải nghiệm người dùng, cải thiện khả năng tiếp cận và cung cấp các công cụ hỗ trợ giúp doanh nghiệp dễ dàng triển khai công nghệ này hơn.
KẾT LUẬN VÀ HÀM Ý
Kết luận
Kết quả nghiên cứu cho thấy, các yếu tố Cảm nhận về tính hữu ích, Cảm nhận về rủi ro, Trình độ học vấn, Kinh nghiệm làm việc, Đào tạo và Khả năng cảm nhận có tác động đáng kể đến ý định Áp dụng BDA của các doanh nghiệp.
Hàm ý
Các hàm ý sau đây được đề xuất để cải thiện mức độ chấp nhận và ứng dụng công nghệ này:
Nâng cao cơ sở hạ tầng công nghệ: Các DNNVV nên đầu tư vào nâng cấp cơ sở hạ tầng công nghệ, đặc biệt là việc triển khai hệ thống mạng nội bộ, phần mềm phân tích dữ liệu hiện đại, và các nền tảng điện toán đám mây để lưu trữ và xử lý dữ liệu. Việc tăng cường năng lực công nghệ này sẽ giúp doanh nghiệp dễ dàng tiếp cận và triển khai các công cụ phân tích dữ liệu lớn, đồng thời nâng cao nhận thức về tính hữu ích của công nghệ trong vận hành doanh nghiệp
Đào tạo và nâng cao nhận thức cho doanh nghiệp: Nhận thức về sự dễ sử dụng đóng vai trò quan trọng trong việc quyết định áp dụng công nghệ. Do đó, các chương trình đào tạo chuyên sâu về phân tích dữ liệu lớn cần được triển khai nhằm giúp nhân sự của doanh nghiệp làm quen với công nghệ, hiểu được giá trị của dữ liệu và biết cách khai thác dữ liệu để ra quyết định. Các khóa đào tạo này có thể được tổ chức dưới dạng hội thảo, khóa học trực tuyến hoặc chương trình cố vấn từ chuyên gia.
Xây dựng môi trường khuyến khích đổi mới: Các nhà quản lý doanh nghiệp cần tạo ra một môi trường làm việc khuyến khích sự đổi mới và ứng dụng công nghệ. Việc tạo điều kiện để nhân viên tham gia vào các dự án thử nghiệm, nghiên cứu tình huống thực tế về phân tích dữ liệu lớn có thể giúp họ thấy rõ lợi ích của công nghệ này và tăng cường ý định sử dụng.
Hợp tác với các tổ chức hỗ trợ doanh nghiệp: Các DNNVV có thể tìm kiếm sự hỗ trợ từ các tổ chức chính phủ, các trung tâm nghiên cứu và các đơn vị cung cấp giải pháp công nghệ nhằm giảm chi phí triển khai phân tích dữ liệu lớn. Chính sách hỗ trợ từ nhà nước, như ưu đãi thuế, quỹ đầu tư công nghệ hay các chương trình hợp tác công - tư, sẽ giúp doanh nghiệp vượt qua rào cản tài chính và kỹ thuật khi áp dụng công nghệ mới.
Tích hợp phân tích dữ liệu vào chiến lược kinh doanh: Để tối ưu hóa lợi ích từ phân tích dữ liệu lớn, các DNNVV cần tích hợp công nghệ này vào chiến lược kinh doanh, từ quản lý khách hàng, tối ưu hóa chuỗi cung ứng đến phân tích tài chính. Điều này giúp doanh nghiệp không chỉ tiếp cận công nghệ một cách chiến lược mà còn nâng cao khả năng cạnh tranh trong bối cảnh kinh tế số./.
Tài liệu tham khảo
1. Ajimoko, O. J. (2018), Considerations for the Adoption of Cloud-based Big Data Analytics in Small Business Enterprises, The Electronic Journal Information System Evaluation, 21, 63-79.
2. Chun-Hong Loh, Ai-Ping Teoh (2021), The Adoption of Big Data Analytics Among Manufacturing Small and Medium Enterprises During Covid-19 Crisis in Malaysia, Conference: Ninth International Conference on Entrepreneurship and Business Management.
3. Davis, F. D. (1989), Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology, MIS Quarterly, 13(3), 319-340.
4. Jong-Hyun Park, Yun Kim (2019), Factors Activating Big Data Adoption by Korean Firms, Journal of Computer Information Systems, 61(3), 1-9.
5. Madhlangobe, W. (2018), Assessment of Factors Influencing Intent-to-Use Big Data Analytics in an Organization: A Survey Study, Doctoral Dissertation, Nova Southeastern University.
6. Mangla, S. K., Raut, R., Narwane, V. S., Zhang, Z., Priyadarshinee, P. (2020), Mediating effect of big data analytics on project performance of small and medium enterprises, Journal of Enterprise Information Management, 34(1), 168-198.
7. Mansori, S. (2023), The Use of the Technology Acceptance Model on the Employees of the General Administration of the University of Derna, Master’s Thesis, Ankara Science University.
8. Venkatesh, V., Davis, F. D. (2000), A Theoretical Extension of the Technology Acceptance Model: Four Longitudinal Field Studies, Management Science, 46(2), 186-204.
9. Venkatesh, V., Thong, J. Y., Xu, X. (2008). Consumer Acceptance and Use of Information Technology: Extending the Unified Theory of Acceptance and Use of Technology, MIS Quarterly, 36(1), 157-178.
10. Venkatesh, V., Morris, M. G., Davis, G. B., Davis, F. D. (2003). User Acceptance of Information Technology: Toward a Unified View, MIS Quarterly, 27(3), 425-478.
Ngày nhận bài: 09/02/2025; Ngày phản biện: 27/02/2025; Ngày duyệt đăng: 17/3/2025 |