Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Evaluating Knowledge Anchors in Data Graphs Against Basic Level Objects Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Design of a Small and Medium Enterprise Growth Prediction Model Based on Web Mining

verfasst von : Yiea-Funk Te, Irena Pletikosa Cvijikj

Erschienen in: Web Engineering

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Small and medium enterprises (SMEs) play an important role in the economy of many countries. Still, due to the highly turbulent business environment, SMEs experience more severe challenges in maintaining and expanding their business. To support SMEs at improving their competitiveness, researchers recently turned their focus on applying web mining (WM) to build growth prediction models. WM enables automatic and large-scale collection and analysis of potentially valuable data from various online platforms, thus bearing a great potential for extracting SME growth factors, and enhancing existing SME growth prediction models. This study aims at developing an automated system to collect business-relevant data from the Web and predict future growth trends of SMEs by means of WM and machine learning (ML) techniques.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel CSQuaRE: Approach for Quality Control in Crowdsourcing
Nächstes Kapitel Intelligent End User Development Platform Towards Enhanced Decision-Making
Literatur
1.
Antlová, K.: Motivation and barriers of ICT adoption in small and medium-sized enterprises. E+M Ekonomie Manage. 22(2), 140–154 (2009)
2.
Antlová, K., Popelínsky, L., Tandler, L.: Long term growth of SME from the view of ICT competencies and web presentations. E+M Ekonomie Manage. 14(4), 125 (2011)
3.
4.
Fantazzini, D., Figini, S.: Random survival forests models for SME credit risk measurement. Methodol. Comput. Appl. Probab. 11(1), 29–45 (2009)MathSciNetCrossRefMATH
5.
Hastie, T., Tibshirani, R., Friedman, J., Franklin, J.: The elements of statistical learning: data mining, inference and prediction. Math. Intell. 27(2), 83–85 (2005)
6.
Li, Y., Arora, S., Youtie, J., Shapira, P.: Using web mining to explore Triple Helix influences on growth in small and mid-size firms. Technovation (2016)
7.
Lin, S.H., Ho, J.M.: Discovering informative content blocks from Web documents. In: Proceedings of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 588–593. ACM (2002)
8.
Lippitt, G.L., Schmidt, W.H.: Crises in a developing organization. Harvard Bus. Rev. 45, 102–112 (1967)
9.
Malarvizhi, R., Saraswathi, K.: Web content mining techniques tools & algorithms-a comprehensive study. Int. J. Comput. Trends Technol. (IJCTT) 4(8), 2940–2945 (2013)
10.
Morinaga, S., Yamanishi, K., Tateishi, K., Fukushima, T.: Mining product reputations on the web. In: Proceedings of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 341–349. ACM (2002)
11.
OECD: Small and medium-sized enterprises. In: Turkey Issues and Policies. Organization for Economic Cooperation and Development. OECD Press (2004)
12.
O’Farrell, P.N., Hitchens, D.M.: Alternative theories of small-firm growth: a critical review. Environ. Plann. A 20(10), 1365–1383 (1988)CrossRef
13.
Ozgulbas, N., Koyuncugil, A.S.: Risk Classification of SMEs by Early Warning Model Based on Data Mining. World Acad. Sci., Eng. Technol., Int. J. Soc., Behav., Educ., Econ., Bus. Ind. Eng. 6(10), 2649–2660 (2012)
14.
Post, H.A.: Building a Strategy on Competencies. Long Range Plan. 30(5), 733–740 (1997)CrossRef
15.
Saini, S., Pandey, H.M.: Review on web content mining techniques. Int. J. Comput. Appl. 118(18), 33 (2015)
16.
Scott, M., Bruce, R.: Five stages of growth in small business. Long Range Plan. 20, 45–52 (1987)CrossRef
17.
Steinmetz, L.L.: Critical stages of small business growth: When they occur and how to survive them. Bus. Horiz. 12(1), 29–36 (1969)MathSciNetCrossRef
18.
Thorleuchter, D., Van Den Poel, D.: Predicting e-commerce company success by mining the text of its publicly-accessible website. Expert Syst. Appl. 39(17), 13026–13034 (2012)CrossRef
19.
West, D.: Neural network credit scoring models. Comput. Oper. Res. 27(11), 1131–1152 (2000)CrossRefMATH
20.
Wong, B.K., Lai, V.S., Lam, J.: A bibliography of neural network business applications research: 1994–1998. Comput. Oper. Res. 27, 1045–1076 (2000)CrossRefMATH
21.
Worthington, C., Britton, I.: The Business Environment. Financial Times, Harlow (2006)
22.
Zhang, G., Hu, M.Y., Patuwo, B.E., Indro, D.C.: Artificial neural networks in bankruptcy prediction: General framework and cross-validation analysis. Eur. J. Oper. Res. 116(1), 16–32 (1999)CrossRefMATH
Metadaten
Titel
Design of a Small and Medium Enterprise Growth Prediction Model Based on Web Mining
verfasst von
Yiea-Funk Te
Irena Pletikosa Cvijikj
Copyright-Jahr
2017
Buch
Web Engineering

Print ISBN: 978-3-319-60130-4

Electronic ISBN: 978-3-319-60131-1

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-60131-1_48