MétaCan
Menu
Retour à la cohorte
Enregistrement W1608858831 · doi:10.1111/j.1540-5885.2010.00732.x

Market Vision and Market Visioning Competence: Impact on Early Performance for Radically New, High‐Tech Products<sup>*</sup>

2010· article· en· W1608858831 sur OpenAlexafffund
Susan Reid, Ulrike de Brentani

Notice bibliographique

RevueJournal of Product Innovation Management · 2010
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInnovation and Knowledge Management
Établissements canadiensConcordia UniversityBishop's University
Organismes subventionnairesConcordia University
Mots-clésCLARITYMarket orientationCompetence (human resources)High techNew product developmentBusinessCompetitive advantageStructural equation modelingEmpirical researchMarketingIndustrial organizationKnowledge managementEconomicsComputer scienceManagement

Résumé

récupéré en direct d'OpenAlex

Having the “right” market vision (MV) in new product scenarios involving high degrees of uncertainty has been shown to help firms achieve a significant competitive advantage, which can ultimately lead to superior financial results. Despite today's increased rate of radical innovation, and hence the importance of effective vision, relatively little research has been undertaken to improve our understanding of this phenomenon. The exploratory and empirical investigation undertaken herewith responds to this research gap by focusing on MV and its precursor, market visioning competence (MVC), for radically new, high-tech products. MV is a clear and specific mental model/image that organizational members have of a desired and important product-market for a new advanced technology, and MVC is a set of individual and organizational capabilities that enable the linking of advanced technologies to a future market opportunity. Based on samples of high-tech firms involved in early technology developments, the measurement study indicates that five factors comprise MV (i.e., clarity, magnetism, specificity, form, and scope) and that four factors underlie MVC (i.e., networking, idea driving, proactive market orientation, and market learning tools). Structural equation modeling is used to demonstrate that MVC significantly and positively impacts MV and that each of these constructs significantly and positively influences certain aspects of early performance (EP) in new product development. This is the first empirical study to develop a comprehensive set of scales to measure these constructs and then to combine them in a model by which to examine their interrelationships.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,028
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,028
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0030,001
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,011
Tête enseignante GPT0,255
Écart entre enseignants0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations84
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Product Innovation ManagementMême sujetInnovation and Knowledge ManagementTravaux en français237 207