سینا صابری

این مطالعه با هدف بررسی چگونگی تأثیر فناوری های IoT بر افزایش کارایی، شفافیت، و انعطاف پذیری زنجیره های تأمین در کسب وکارهای نوپا و شناسایی مزایا و چالش های مربوطه انجام شده است. روش تحقیق کیفی اتخاذ شده و شامل مصاحبه های نیمه ساختاریافته با ۲۲ شرکت کننده از شرکت های نوپای مختلف فعال در عملیات زنجیره تأمین بود. تجزیه و تحلیل داده ها از طریق تحلیل مضمونی برای شناسایی مضامین و مفاهیم کلیدی انجام شد. یافته های تحقیق نشان می دهد که فناوری های IoT به طور قابل توجهی به بهبود کارایی، شفافیت، و انعطاف پذیری در زنجیره های تأمین کمک می کنند. علاوه بر این، ادغام IoT با فناوری بلاکچین اعتماد و امنیت را در زنجیره های تأمین افزایش می دهد. با این حال، نگرانی های مهمی در مورد امنیت داده ها و حریم خصوصی به عنوان چالش های عمده شناسایی شدند. این مطالعه به این نتیجه می رسد که فناوری های IoT پتانسیل قابل توجهی برای ارائه مزیت های رقابتی به کسب وکارهای نوپا در عملیات زنجیره تأمین خود دارند. مدیریت مؤثر چالش های امنیتی و حفظ حریم خصوصی برای به حداکثر رساندن مزایای ادغام IoT ضروری است.

هدف: این مطالعه به بررسی تاثیر داده های بزرگ بر استراتژی های توسعه محصول در استارتاپ ها می پردازد و بر روی نحوه تاثیرگذاری آن بر نوآوری، عملکرد عملیاتی، و رقابت پذیری بازار تمرکز دارد. این تحقیق کیفی از مصاحبه های نیمه ساختاریافته با مدیران و کارشناسان مختلف از استارتاپ هایی که فعالانه از داده های بزرگ در عملیات خود استفاده می کنند، بهره برده است. طراحی مطالعه امکان درک عمیقی از کاربردهای عملی، چالش ها، و فرصت های ارائه شده توسط داده های بزرگ در زمینه استارتاپ ها را فراهم آورد. سه مقوله اصلی شناسایی شدند: «استراتژی های توسعه محصول»، «چالش های استفاده از داده های بزرگ»، و «فرصت های ناشی از داده های بزرگ». هر مقوله شامل چندین زیرمجموعه بود، از جمله تحلیل بازار، نوآوری در محصول، تعامل با مشتری، مدیریت چالش های داده ای، دقت و امنیت داده ها، بینش های جدید مشتریان، بهینه سازی محصول، و توسعه محصول جدید. مطالعه به این نتیجه رسید که داده های بزرگ نقش حیاتی در افزایش نوآوری و رقابت پذیری استارتاپ ها از طریق ارائه بینش های ارزشمند برای توسعه محصول و استراتژی های بازار دارد. با این حال، استارتاپ ها با چالش هایی در زمینه مدیریت داده ها، دقت و امنیت مواجه هستند که باید برای استفاده کامل از پتانسیل داده های بزرگ، مورد توجه قرار گیرند.