Notice bibliographique
Résumé
Purpose Knowledge‐intensive firms are growing in importance yet there are few tools to help managers to analyze and improve their performance, which this paper aims to describe. Design/methodology/approach This paper builds on Michael Porter's strategic frameworks for industrial firms. It outlines how his frameworks, in particular the five forces and value chain, need to be modified if they are to be effectively applied to knowledge‐intensive firms. Findings Managers of knowledge‐intensive firms need to use the old tools in new ways, if they are to improve their business models and ultimately increase their profitability. Practical implications The paper outlines ways for managers of knowledge‐intensive firms to improve their firm's performance. First, managers using a revised five forces can improve their value capture by reducing bargaining power of its experts, making outsourcing of expert services more attractive, or improving their reputational status. Second, the paper outlines a continuum of business models and suggests that the appropriate choice of business model depends on the firm's problem‐solving expertise, its target clients, desired risk level and aspirations. The paper elaborates on the business model by examining choices surrounding the scope of the firm's problem‐solving activities, suggesting that these allow the firm to find profitable niches. Originality/value This is one of the first attempts to develop strategic tools that managers of knowledge‐intensive firms can used to increase their firm's profitability.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,035 |
| Communication savante | 0,020 | 0,039 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».