Answers are grounded in this paper and cite their sources.
Research on Big Data adoption, maturity, analytics capabilities and value creation often remains fragmented, limiting their articulation within a common organisational assessment. This study develops an integrated conceptual model “the Integrated Readiness-Adoption-Maturity (IRAM) model”, distinguishing Readiness, Adoption, Maturity and Value Creation. It aims to assess the relevance, clarity and representativeness of its measurement items and the coherence of its conceptual architecture. The French V1 instrument, comprising 49 items across 14 measurement domains, was reviewed by nine academic and professional experts, with a view to application in agri-food supply chains in Souss-Massa, Morocco. Items were rated on four-point scales; eight experts also assessed the conceptual architecture. Content validity indices were interpreted alongside qualitative comments. S-CVI/Ave values reached 0.980 for relevance, 0.968 for clarity and 0.980 for representativeness. Universal agreement was lower for clarity (S-CVI/UA = 0.776). The distinction between Readiness, Adoption and Maturity received the lowest global mean score (3.375/4), identifying a conceptual boundary requiring further examination. All 49 items were provisionally retained, with wording revisions. The study provides initial content validity evidence and proposes a measurement architecture connecting four distinct components of organisational Big Data transformation. Cognitive pretesting, pilot testing and psychometric validation remain necessary before diagnostic or benchmarking use. Résumé : Les recherches sur l’adoption du Big Data, la maturité, les capacités analytiques et la création de valeur restent souvent fragmentées, limitant leur articulation dans une évaluation organisationnelle commune. Cette étude développe un nouveau modèle conceptuel intégré (IRAM), distinguant préparation, adoption, maturité et création de valeur. Elle évalue la pertinence, la clarté et la représentativité des items et la cohérence de l’architecture conceptuelle. La version française V1, comprenant 49 items répartis en 14 domaines, a été évaluée par neuf experts académiques et professionnels, en vue d’une application aux chaînes logistiques agroalimentaires de Souss-Massa, au Maroc. Les items ont été notés sur des échelles en quatre points ; huit experts ont également évalué l’architecture conceptuelle. Les indices de validité de contenu ont été interprétés conjointement avec les commentaires qualitatifs. Les S-CVI/Ave atteignent 0,980 pour la pertinence, 0,968 pour la clarté et 0,980 pour la représentativité. L’accord universel est plus faible pour la clarté (S-CVI/UA = 0,776). La distinction entre préparation, adoption et maturité obtient la moyenne globale la plus faible (3,375/4), signalant une frontière conceptuelle à approfondir. Les 49 items ont été conservés provisoirement, avec des révisions de formulation. L’étude apporte des éléments initiaux de validité de contenu et propose une architecture de mesure articulant quatre composantes distinctes de la transformation organisationnelle par le Big Data. Un prétest cognitif, une étude pilote et une validation psychométrique restent nécessaires avant toute utilisation diagnostique ou comparative.
No takes yet. Share an insight, caveat, or question.
GHILALI et al. (2026) studied this question.
Synapse has enriched 10 related papers. Consider them for comparative context: