[论文解读] Trends and Challenges Towards an Effective Data-Driven Decision Making in UK SMEs: Case Studies and Lessons Learnt from the Analysis of 85 SMEs

Abdel‐Rahman H. Tawil, Muhidin Mohamed+3 more|arXiv (Cornell University)|May 24, 2023

Big Data and Business IntelligenceBusiness, Management and Accounting被引用 3

一句话总结

本研究调查了85家英国中小企业在数据驱动决策中的趋势与挑战，发现尽管数据科学在提升生产力和创新能力方面具有显著优势，但中小企业仍面临资金有限、技能缺口和数据质量问题等障碍。研究识别出若干关键推动因素，如分阶段数字化转型、员工技能提升以及外部支持，以帮助中小企业建立数据文化，并有效利用人工智能与分析技术。

ABSTRACT

The adoption of data science brings vast benefits to Small and Medium-sized Enterprises (SMEs) including business productivity, economic growth, innovation and jobs creation. Data Science can support SMEs to optimise production processes, anticipate customers' needs, predict machinery failures and deliver efficient smart services. Businesses can also harness the power of Artificial Intelligence (AI) and Big Data and the smart use of digital technologies to enhance productivity and performance, paving the way for innovation. However, integrating data science decisions into an SME requires both skills and IT investments. In most cases, such expenses are beyond the means of SMEs due to limited resources and restricted access to financing. This paper presents trends and challenges towards an effective data-driven decision making for organisations based on a case study of 85 SMEs, mostly from the West Midlands region of England. The work is supported as part of a 3 years ERDF (European Regional Development Funded project) in the areas of big data management, analytics and business intelligence. We present two case studies that demonstrates the potential of Digitisation, AI and Machine Learning and use these as examples to unveil challenges and showcase the wealth of current available opportunities for SMEs.

研究动机与目标

• 调查英国中小企业在采用数据驱动决策实践方面的当前趋势与挑战。
• 识别阻碍中小企业采用数据科学的障碍，如资金限制、技术技能缺乏以及数据质量差。
• 通过实际案例研究，探讨数字化、人工智能和机器学习如何有效融入中小企业运营。
• 提出中小企业可逐步建立数据能力的可行策略，包括员工技能提升和分阶段技术采纳。
• 强调政府、学术界和商业协会等外部利益相关方在知识共享与资金支持方面对中小企业建设可持续数据能力所起的作用。

提出的方法

• 对85家中小企业（主要位于英格兰西米德兰兹地区）开展深入案例研究，分析其真实世界的数据驱动实践。
• 收集并分析中小企业在数据收集、存储、管理与使用方面的实践数据，包括数据质量与治理方面的挑战。
• 在不同规模的过采样数据集（500–2000个实例）上评估机器学习模型（特别是决策树），以评估模型性能与超参数调优。
• 使用模型准确率与误差指标（例如，使用1500个过采样实例、树深21–30时误差为0.343）评估数据规模与树深对预测性能的影响。
• 整合来自中小企业的定性反馈与独立商业评估结果，以验证关于数据质量与模型可靠性的研究发现。
• 提出一个分阶段发展数据能力的框架，强调文化建设、培训与分阶段投资的重要性。

Figure 1: Open Static Datasets Distribution Across Major Themes by Six UK Cities

实验结果

研究问题

• RQ1 英国中小企业在数据驱动决策采纳方面的主要趋势与挑战是什么？
• RQ2 数据质量、样本大小与模型超参数如何影响中小企业在数据有限情况下的预测模型性能？
• RQ3 数字化、人工智能与机器学习在提升中小企业生产力与创新能力方面发挥何种作用？
• RQ4 中小企业可采取哪些策略以克服数据科学采纳过程中的财务、技术和文化障碍？
• RQ5 政府、学术界与商业协会等外部利益相关方如何支持中小企业建立可持续的数据能力？

主要发现

• 英国中小企业虽收集并存储业务数据，但往往缺乏有效分析数据以获取可操作洞察的技能。
• 随着决策树深度增加，模型准确率提升，并在最大深度21处趋于稳定，使用1500个过采样实例时，在深度21–30区间误差最低（0.343）。
• 小样本量（n < 100）与噪声数据是导致高模型误差的主要原因，证实了在预测建模中数据量有限带来的统计挑战。
• 尽管资源有限，中小企业在获得培训、分阶段投资与外部专业知识支持后，展现出强大的数据科学采纳潜力。
• 由于资金与技能限制，中小企业与大型企业之间仍存在显著的数字化采纳差距，尤其体现在员工人数10–49人的微小与小型企业中。
• 外部支持（如资金、知识共享与开放数据）被确认为帮助中小企业建立数据能力并实现长期数字化转型的关键因素。

Figure 2: Lifecycle of BDC project support for SMEs