Aboelmaged, M., & Mouakket, S. (2020). Modelos influyentes y determinantes en grandes investigaciones de análisis de datos: Un análisis bibliométrico. Procesamiento y gestión de la información, 57(4), 102234. https://doi.org/10.1016/j.ipm.2020.102234.
Académico de Google
Akter, S., Bandara, R., Hani, U., Fosso Wamba, S., Foropon, C., & Papadopoulos, T. (2019). Analytics-based decision-making for service systems: A qualitative study and agenda for future research. Revista Internacional de Gestión de la Información, 4885-95. https://doi.org/10.1016/j.ijinfomgt.2019.01.020.
Académico de Google
Akter, S., & Fosso Wamba, S. (2019). Big data and disaster management: a systematic review and agenda for future research. Anales de Investigación Operativa, 283(1-2), 939-959. https://doi.org/10.1007/s10479-017-2584-2.
Académico de Google
Akter, S., Fosso Wamba, S., & Dewan, S. (2017). ¿Por qué el PLS-SEM es adecuado para el modelado complejo? Una ilustración empírica de gran calidad en el análisis de datos. Planificación y control de la producción, 28(11–12), 1011–1021. https://doi.org/10.1080/09537287.2016.1267411.
Académico de Google
Akter, S., Fosso Wamba, S., Gunasekaran, A., Dubey, R., & Childe, S. J. (2016). ¿Cómo mejorar el rendimiento de las empresas utilizando una gran capacidad de análisis de datos y la alineación de la estrategia empresarial? International Journal of Production Economics, 182113-131. https://doi.org/10.1016/j.ijpe.2016.08.018.
Académico de Google
Akter, S., & Fosso Wamba, S. F. (2016). Big data analytics in E-commerce: a systematic review and agenda for future research. Mercados electrónicos, 26(2), 173-194. https://doi.org/10.1007/s12525-016-0219-0.
Académico de Google
Akter, S., Michael, K., Uddin, M. R., McCarthy, G., & Rahman, M. (2020). Transforming business using digital innovations: the application of A.I., blockchain, cloud and data analytics. Anales de Investigación Operativa. https://doi.org/10.1007/s10479-020-03620-w.
Académico de Google
Alinaghian, L., Kim, Y., & Srai, J. (2020). Una perspectiva de incrustación relacional sobre las capacidades dinámicas: Una investigación fundamentada de las rutinas comprador-proveedor. Gestión de Marketing Industrial, 85(febrero de 2019), 110-125. https://doi.org/10.1016/j.indmarman.2019.10.003
Académico de Google
Aloysius, J. A., Hoehle, H., Goodarzi, S., & Venkatesh, V. (2018). Grandes iniciativas de datos en entornos de venta al por menor: Linking service process perceptions to shopping outcomes. Anales de Investigación Operativa, 270(1-2), 25-51. https://doi.org/10.1007/s10479-016-2276-3.
Académico de Google
Alshanty, A. M., & Emeagwali, O. L. (2019). Market-sensing capability, knowledge creation and innovation: El papel moderador de la orientación empresarial. Journal of Innovation & Knowledge, 4(3), 171-178. https://doi.org/10.1016/j.jik.2019.02.002.
Académico de Google
Arunachalam, D., Kumar, N., & Kawalek, J. P. (2018). Comprensión de las grandes capacidades de análisis de datos en la gestión de la cadena de suministro: Desentrañar los problemas, desafíos e implicaciones para la práctica. Investigación de Transporte Parte E: Revisión de Logística y Transporte, 114416-436. https://doi.org/10.1016/j.tre.2017.04.001.
Académico de Google
Barney, J. B. (1991). Recursos firmes y ventaja competitiva sostenida. Journal of Management, 1799-120. https://doi.org/10.1177/014920639101700108.
Académico de Google
Bayighomog Likoum, S. W., Shamout, M. D., Harazneh, I., & Abubakar, A. M. (2020). Market-Sensing Capability, Innovativeness, Brand Management Systems, Market Dynamism, Competitive Intensity, and Performance: an Integrative Review. Revista de la Economía del Conocimiento. https://doi.org/10.1007/s13132-018-0561-x.
Académico de Google
Bloomberg. (2020). Se proyecta que el tamaño del mercado de datos y análisis de negocios llegará a 512.04 billones de dólares para el 2026. Obtenido el 9 de junio de 2020, del sitio web https://www.bloomberg.com/press-releases/2020-02-11/big-data-and-business-analytics-market-size-is-projected-to-reach-usd-512-04-billion-by-2026-valuates-reports.
Boone, C. A., Hazen, B. T., Skipper, J. B., & Overstreet, R. E. (2018). Un marco para investigar la optimización del rendimiento de las piezas de servicio con grandes datos. Anales de Investigación Operativa, 270(1), 65-74. https://doi.org/10.1007/s10479-016-2314-1.
Académico de Google
Day, G. S. (1994). The Capabilities of Market-Driven Organizations. Journal of Marketing, 58(4), 37-52. https://doi.org/10.1177/002224299405800404.
Académico de Google
Duan, Y., Cao, G., & Edwards, J. S. (2020). Understanding the impact of business analytics on innovation (Comprender el impacto de la analítica empresarial en la innovación). European Journal of Operational Research, 281(3), 673-686. https://doi.org/10.1016/j.ejor.2018.06.021.
Académico de Google
Dubey, R., Gunasekaran, A., Childe, S. J., Blome, C., & Papadopoulos, T. (2019a). Grandes datos y análisis predictivo y rendimiento de la fabricación: Integrando la teoría institucional, la visión basada en los recursos y la gran cultura de los datos. British Journal of Management, 30341-361. https://doi.org/10.1111/1467-8551.12355.
Académico de Google
Dubey, R., Gunasekaran, A., Childe, S. J., Bryde, D. J., Giannakis, M., Foropon, C., et al. (2019b). Gran trayectoria de análisis de datos e inteligencia artificial hacia el rendimiento operacional bajo los efectos de la orientación empresarial y el dinamismo ambiental: Un estudio de las organizaciones de fabricación. International Journal of Production Economics. https://doi.org/10.1016/j.ijpe.2019.107599
Académico de Google
Dubey, R., Gunasekaran, A., Childe, S. J., Luo, Z., Fosso Wamba, S., Roubaud, D., & Foropon, C. (2018). Examen de la función de los grandes datos y del análisis predictivo sobre el rendimiento de la colaboración en el contexto del comportamiento de consumo y producción sostenibles. Journal of Cleaner Production, 1961508-1521. https://doi.org/10.1016/j.jclepro.2018.06.097.
Académico de Google
Dubey, R., Gunasekaran, A., Childe, S. J., Roubaud, D., Fosso Wamba, S., Giannakis, M., & Foropon, C. (2019c). Gran análisis de datos y cultura organizativa como complementos de la confianza rápida y el rendimiento de la colaboración en la cadena de suministro humanitario. International Journal of Production Economics, 210(January), 120–136. https://doi.org/10.1016/j.ijpe.2019.01.023.
Académico de Google
Fornell, C., & Larcker, D. F. (1981). Evaluando modelos de ecuaciones estructurales con variables no observables y error de medición. Revista de Investigación de Mercados, 18(1), 39-50. https://doi.org/10.2307/3151312
Académico de Google
Fosso Wamba, S., Dubey, R., Gunasekaran, A., & Akter, S. (2020a). Los efectos del rendimiento de los grandes análisis de datos y la ambidexteridad de la cadena de suministro: El efecto moderador del dinamismo ambiental. International Journal of Production Economics. https://doi.org/10.1016/j.ijpe.2019.09.019
Académico de Google
Fosso Wamba, S., Gunasekaran, A., Akter, S., Ren, S. J., Dubey, R., & Childe, S. J. (2017a). Gran análisis de datos y rendimiento de la empresa: Efectos de las capacidades dinámicas ☆. Journal of Business Research, 70356-365. https://doi.org/10.1016/j.jbusres.2016.08.009.
Académico de Google
Fosso Wamba, S., Gunasekaran, A., Dubey, R., & Ngai, E. W. T. (2018). Gran análisis de datos en operaciones y gestión de la cadena de suministro. Anales de Investigación Operativa, 270(1-2), 1-4. https://doi.org/10.1007/s10479-018-3024-7.
Académico de Google
Fosso Wamba, S., Ngai, E.W.T., Riggins, F., & Akter, S. (2017b). Editorialista invitado. International Journal of Operations & Production Management, 37(1), 2-9. https://doi.org/10.1108/IJOPM-07-2016-0414.
Fosso Wamba, S., Queiroz, M. M., & Trinchera, L. (2020b). Dynamics between blockchain adoption determinants and supply chain performance: Una investigación empírica. International Journal of Production Economics, 229(septiembre de 2019), 107791. https://doi.org/10.1016/j.ijpe.2020.107791.
Académico de Google
Gandomi, A., & Haider, M. (2015). Más allá de la publicidad: Grandes conceptos de datos, métodos y análisis. International Journal of Information Management, 35(2), 137–144. https://doi.org/10.1016/j.ijinfomgt.2014.10.007.
Académico de Google
Grant, R. M. (1991). The resource-based theory of competitive advantage: Implications for strategy formulation. California Management Review, 33(3), 114-135. https://doi.org/10.2307/41166664.
Académico de Google
Gregor, S., Martin, M., Fernandez, W., Stern, S., & Vitale, M. (2006). The transformational dimension in the realization of business value from information technology. Journal of Strategic Information Systems, 15(3), 249-270. https://doi.org/10.1016/j.jsis.2006.04.001.
Académico de Google
Guha, S., & Kumar, S. (2018). Surgimiento de la investigación de grandes datos en la gestión de operaciones, sistemas de información y atención sanitaria: Contribuciones pasadas y futura hoja de ruta. Gestión de la producción y las operaciones, 27(9), 1724-1735. https://doi.org/10.1111/poms.12833
Académico de Google
Gupta, M., & George, J. F. (2016). Hacia el desarrollo de una gran capacidad de análisis de datos. Información y gestión, 53(8), 1049-1064. https://doi.org/10.1016/j.im.2016.07.004.
Académico de Google
Gupta, S., Altay, N., & Luo, Z. (2019). Grandes datos en la gestión de la cadena de suministro humanitario: una revisión y nuevas direcciones de investigación. Anales de Investigación Operativa, 283(1), 1153-1173. https://doi.org/10.1007/s10479-017-2671-4.
Académico de Google
Hair, J. F., Jr., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2017). Un manual de modelización de ecuaciones estructurales de mínimos cuadrados parciales (PLS-SEM) (2ª ed.). Thousand Oaks: Publicaciones Sage.
Académico de Google
Hair, J. F. Jr., Risher, J. J., Sarstedt, M., & Ringle, C. M. (2019). Cuándo usar y cómo reportar los resultados del PLS-SEM. European Business Review, 31(1), 2-24. https://doi.org/10.1108/EBR-11-2018-0203.
Académico de Google
Hair, J. F. Jr., Sarstedt, M., Hopkins, L., & Kuppelwieser, G., V (2014). Modelización de ecuaciones estructurales de mínimos cuadrados parciales (PLS-SEM): Una herramienta emergente en la investigación de negocios. European Business Review, 26(2), 106-121. https://doi.org/10.1108/EBR-10-2013-0128.
Académico de Google
Hallikainen, H., Savimäki, E., & Laukkanen, T. (2020). Fomentar las ventas B2B con análisis de datos de los clientes. Gestión de la comercialización industrial, 8690-98. https://doi.org/10.1016/j.indmarman.2019.12.005.
Académico de Google
Hassna, G., y Lowry, P. B. (2018). Gran capacidad de datos, agilidad de los clientes y rendimiento de la organización: Una perspectiva de capacidad dinámica. En Conferencia de las Américas sobre Sistemas de Información 2018: Disrupción digital, AMCIS 2018(Diciembre).
Hazen, B.T., Skipper, J.B., Boone, C.A., y Hill, R.R. (2018). Back in business: investigación de operaciones en apoyo de grandes análisis de datos para operaciones y gestión de la cadena de suministro. Anales de Investigación Operativa, 270(1), 201-211. https://doi.org/10.1007/s10479-016-2226-0.
Académico de Google
Helfat, C. E., & Peteraf, M. A. (2009). Understanding dynamic capabilities: Progreso en la senda del desarrollo. Organización estratégica, 7(1), 91-102. https://doi.org/10.1177/1476127008100133.
Académico de Google
Jha, A. K., Agi, M. A. N., & Ngai, E. W. T. (2020). Una nota sobre el desarrollo de la capacidad de análisis de grandes datos en la cadena de suministro. Sistemas de apoyo a la decisión. https://doi.org/10.1016/j.dss.2020.113382
Académico de Google
Kiron, D., Prentice, P. K., & Ferguson, R. B. (2014). El mandato analítico. MIT Sloan Management Review, 55, 1–25.
Académico de Google
Kock, N. (2019). De los compuestos a los factores: Cerrando la brecha entre el PLS y el modelado de ecuaciones estructurales basadas en la covarianza. Revista de Sistemas de Información, 29(3), 674-706. https://doi.org/10.1111/isj.12228.
Académico de Google
Kock, N., & Hadaya, P. (2018). Estimación del tamaño mínimo de la muestra en PLS-SEM: La raíz cuadrada inversa y los métodos exponenciales gamma. Revista de Sistemas de Información, 28, 227–261. https://doi.org/10.1111/isj.12131
Académico de Google
Krishnamoorthi, S., & Mathew, S. K. (2018). Business analytics and business value: Un estudio de caso comparativo. Información y gestión, 55(5), 643-666. https://doi.org/10.1016/j.im.2018.01.005.
Académico de Google
Lin, C., & Kunnathur, A. (2019). Orientaciones estratégicas, cultura del desarrollo y gran capacidad de datos. Revista de Investigación de Negocios, 105(Noviembre 2018), 49-60. https://doi.org/10.1016/j.jbusres.2019.07.016
Académico de Google
Liu, P., & Yi, S. (2018). Toma de decisiones de inversión y coordinación de una cadena de suministro de tres etapas considerando la Compañía de Datos en la era de los Grandes Datos. Anales de Investigación Operativa, 270(1), 255-271. https://doi.org/10.1007/s10479-018-2783-5.
Académico de Google
Malesios, C., Dey, P. K., & Abdelaziz, F. B. (2018). Medición del rendimiento de la sostenibilidad de la cadena de suministro de las pequeñas y medianas empresas mediante el uso de modelos de ecuaciones estructurales. Anales de Investigación Operativa. https://doi.org/10.1007/s10479-018-3080-z
Académico de Google
Manupati, V. K., Schoenherr, T., Ramkumar, M., Wagner, S. M., Pabba, S. K., & Singh, I. R. R. (2019). Un enfoque basado en la cadena de bloques para una cadena de suministro sostenible de varios quilates. International Journal of Production Research. https://doi.org/10.1080/00207543.2019.1683248
Académico de Google
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., & Byers, A. H. (2011). Grandes datos: The next frontier for innovation, competition, and productivity, technical report. Instituto Global McKinsey.
Mikalef, P., Boura, M., Lekakos, G., & Krogstie, J. (2019). Gran análisis de datos y rendimiento de la empresa: Hallazgos de un enfoque de método mixto. Journal of Business Research, 98(February), 261–276. https://doi.org/10.1016/j.jbusres.2019.01.044.
Académico de Google
Mikalef, P., Boura, M., Lekakos, G., & Krogstie, J. (2020a). Grandes capacidades de análisis de datos e innovación: El papel mediador de las capacidades dinámicas y el efecto moderador del medio ambiente. British Journal of Management, 30(2), 272-298. https://doi.org/10.1111/1467-8551.12343
Académico de Google
Mikalef, P., Krogstie, J., Pappas, I. O., & Pavlou, P. (2020b). Explorando la relación entre la gran capacidad de análisis de datos y el rendimiento competitivo: Las funciones de mediación de las capacidades dinámicas y operativas. Información y gestión, 57(2), 103169. https://doi.org/10.1016/j.im.2019.05.004.
Académico de Google
Mikalef, P., Pappas, I. O., Krogstie, J., & Giannakos, M. (2018). Grandes capacidades de análisis de datos: una revisión sistemática de la literatura y una agenda de investigación. Sistemas de información y gestión del comercio electrónico, 16(3), 547-578. https://doi.org/10.1007/s10257-017-0362-y.
Académico de Google
Mikalef, P., Pateli, A., & van de Wetering, R. (2020c). La flexibilidad de la arquitectura informática y la descentralización de la gobernanza informática como impulsores de las capacidades dinámicas y el rendimiento competitivo de las tecnologías de la información: El efecto moderador del entorno externo. European Journal of Information Systems, 00(00), 1-29. https://doi.org/10.1080/0960085X.2020.1808541.
Académico de Google
Mishra, D., Gunasekaran, A., Papadopoulos, T., & Childe, S. J. (2018). Big Data and supply chain management: a review and bibliometric analysis. Anales de Investigación Operativa, 270(1-2), 313-336. https://doi.org/10.1007/s10479-016-2236-y.
Académico de Google
Moqbel, M., & Kock, N. (2018). Revelando el lado oscuro de las redes sociales: Consecuencias personales y laborales de la adicción a las redes sociales. Información y gestión, 55(1), 109-119. https://doi.org/10.1016/j.im.2017.05.001.
Académico de Google
Morgan, N. A., Slotegraaf, R. J., & Vorhies, D. W. (2009). Linking marketing capabilities with profit growth. International Journal of Research in Marketing, 26(4), 284–293. https://doi.org/10.1016/j.ijresmar.2009.06.005.
Académico de Google
Nam, D., Lee, J., y Lee, H. (2019). Uso de la analítica de negocios en CRM: Una red nomológica desde la competencia en informática hasta el rendimiento del CRM. International Journal of Information Management, 45233-245. https://doi.org/10.1016/j.ijinfomgt.2018.01.005.
Académico de Google
Newbert, S. L. (2007). Empirical research on the resource-based view of the firm: an assessment and suggestions for future research. Revista de gestión estratégica, 28(2), 121-146. https://doi.org/10.1002/smj.573.
Académico de Google
Nunnally, J. C. (1978). Teoría psicométrica (2ª ed.). Nueva York: McGraw-Hill, Ed.
Académico de Google
Peng, D. X., & Lai, F. (2012). Uso de mínimos cuadrados parciales en la investigación de la gestión de operaciones: Una guía práctica y un resumen de las investigaciones anteriores. Revista de Gestión de Operaciones, 30(6), 467-480. https://doi.org/10.1016/j.jom.2012.06.002
Académico de Google
Phillips-Wren, G., & Hoskisson, A. (2015). Un viaje analítico hacia los grandes datos. Journal of Decision Systems, 24(1), 87-102. https://doi.org/10.1080/12460125.2015.994333.
Académico de Google
Pinsonneault, A., & Kraemer, K. (1993). Survey research methodology in management information systems: Una evaluación. Journal of Management Information Systems, 10(2), 75-105. https://doi.org/10.1080/07421222.1993.11518001
Académico de Google
Prasad, N., Gopalakrishnan, N., & Roger, N. (2020). Gestión de las operaciones de ayuda humanitaria mediante el análisis de grandes datos de satélites: el caso de las inundaciones de Kerala. Anales de Investigación Operativa. https://doi.org/10.1007/s10479-020-03593-w.
Académico de Google
Prasad, S., Zakaria, R., y Altay, N. (2018). Big data in humanitarian supply chain networks: a resource dependence perspective. Anales de Investigación Operativa, 270(1), 383-413. https://doi.org/10.1007/s10479-016-2280-7.
Académico de Google
Queiroz, M. M., y Telles, R. (2018). Gran análisis de datos en la cadena de suministro y la logística: un enfoque empírico. International Journal of Logistics Management, 29(2), 767-783. https://doi.org/10.1108/IJLM-05-2017-0116.
Académico de Google
Queiroz, M. M., Wamba, F., Machado, S., & Telles, R. (2020). Smart production systems drivers for business process management improvement: Un marco integrador. Revista de Gestión de Procesos Empresariales. https://doi.org/10.1108/BPMJ-03-2019-0134
Académico de Google
Raguseo, E., y Vitari, C. (2018). Inversiones en grandes análisis de datos y rendimiento de empresas: una investigación empírica de los efectos directos y mediadores. International Journal of Production Research, 56(15), 5206–5221. https://doi.org/10.1080/00207543.2018.1427900.
Académico de Google
Rapp, A., Trainor, K. J., & Agnihotri, R. (2010). Performance implications of customer-linking capabilities: Examen del papel complementario de la orientación al cliente y la tecnología de gestión de las relaciones con los clientes. Journal of Business Research, 63(11), 1229–1236. https://doi.org/10.1016/j.jbusres.2009.11.002.
Académico de Google
Ringle, C. M., Wende, S., y Becker, J.-M. (2015). SmartPLS 3. Boenningstedt: SmartPLS GmbH. Obtenido de https://www.smartpls.com.
Rumelt, R. P. (1984). Hacia una teoría estratégica de la empresa. En R. B. Lamb (Ed.), Gestión estratégica competitiva (pp. 556-570). Acantilados de Englewood: Prentice-Hall.
Académico de Google
See-To, E. W. K., & Ngai, E. W. T. (2018). Customer reviews for demand distribution and sales nowcasting: a big data approach. Anales de Investigación Operativa, 270(1), 415-431. https://doi.org/10.1007/s10479-016-2296-z.
Académico de Google
Stone, M. (1974). Cross-validatory choice and assessment of statistical predictions. Revista de la Real Sociedad de Estadística Serie B (Metodológica), 36(2), 111–147.
Académico de Google
Teece, D., y Pisano, G. (1994). The Dynamic Capabilities of Firms: an Introduction. Cambio industrial y corporativo, 3(3), 537-556. https://doi.org/10.1093/icc/3.3.537-a.
Académico de Google
Teece, D., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Revista de Gestión Estratégica, 18(7), 509–533. https://doi.org/10.1002/(SICI)1097-0266(199708)18:7<509::AID-SMJ882>3.0.CO;2-Z.
Académico de Google
Teece, D. J. (2007). Explicating dynamic capabilities: the nature and microfoundations of (sustainable) enterprise performance. Revista de Gestión Estratégica, 28(13), 1319-1350. https://doi.org/10.1002/smj.640.
Académico de Google
Tippins, M. J., & Sohi, R. S. (2003). I.T. Competencia y rendimiento de la empresa: ¿Es el aprendizaje organizativo un eslabón perdido? Revista de Gestión Estratégica, 24(8), 745-761. https://doi.org/10.1002/smj.337.
Académico de Google
Upadhyay, P., & Kumar, A. (2020). El papel intermediario de la cultura organizacional y el conocimiento analítico interno entre la capacidad de análisis de grandes datos y el desempeño de una empresa. International Journal of Information Management, 52(February), 102100. https://doi.org/10.1016/j.ijinfomgt.2020.102100.
Académico de Google
Vieira, A. A. C., Dias, L. M. S., Santos, M. Y., Pereira, G. A. B., & Oliveira, J. A. (2019). Simulación de una cadena de suministro de automóviles utilizando grandes datos. Computadoras e Ingeniería Industrial. https://doi.org/10.1016/j.cie.2019.106033
Académico de Google
Waller, M. A., y Fawcett, S. E. (2013). Ciencia de los datos, análisis predictivo y grandes datos: Una revolución que transformará el diseño y la gestión de la cadena de suministro. Journal of Business Logistics, 34(2), 77-84. https://doi.org/10.1111/jbl.12010.
Académico de Google
Wang, G., Gunasekaran, A., Ngai, E. W. T., & Papadopoulos, T. (2016). Gran análisis de datos en la logística y la gestión de la cadena de suministro: Ciertas investigaciones para la investigación y las aplicaciones. International Journal of Production Economics, 17698-110. https://doi.org/10.1016/j.ijpe.2016.03.014.
Académico de Google
Wang, N., Liang, H., Zhong, W., Xue, Y., & Xiao, J. (2012). ¿Estructuración de recursos o creación de capacidades? Un estudio empírico del valor comercial de la tecnología de la información. Journal of Management Information Systems, 29(2), 325-367. https://doi.org/10.2753/MIS0742-1222290211.
Académico de Google
Wang, Y., Kung, L. A., & Byrd, T. A. (2018). Gran análisis de datos: Comprensión de sus capacidades y beneficios potenciales para las organizaciones de salud. Previsión tecnológica y cambio social, 1263-13. https://doi.org/10.1016/j.techfore.2015.12.019.
Académico de Google
Wernerfelt, B. (1984). Una visión de la empresa basada en los recursos. Revista de Gestión Estratégica, 5(2), 171-180. https://doi.org/10.1002/smj.4250050207.
Académico de Google
Zhan, Y., Tan, K. H., Li, Y., & Tse, Y. K. (2018). Desencadenando el poder de los grandes datos en el desarrollo de nuevos productos. Anales de Investigación Operativa, 270(1-2), 577-595. https://doi.org/10.1007/s10479-016-2379-x.
Académico de Google
