Notice bibliographique
Résumé
Purpose The purpose of this paper is to explore the impact of the Internet, and more specifically social media, on franchise business models. Design/methodology/approach A review of both franchising and Internet literatures enables the creation of a simple model that distinguishes between surface waves, highly visible innovations that influence a restricted set of franchise business models, and deep waves that have a broader and more long-lasting influence on all franchises. Findings The first Internet era had a surface wave, online selling, that impacted relatively few franchises, but the deep wave of the wide availability of information and training materials has had a broader and more sustained impact on franchise systems. Similarly, Web 2.0’s social element has created a surface wave, the shared economy for hotels and cars, that affects relatively few franchises, but the deep wave of user-rating Web sites and Apps promises to have a broader and more long-lasting influence. Research limitations/implications This paper enables researchers identify potential research topics, highlighting the need to determine the impact of social media on how consumers perceive quality and the influence this has on their ongoing behavior. Practical implications This paper helps practitioners understand how the Internet influences the competitive balance between franchised and non-franchised businesses. Hence, it will be of interest to any large organization that offers high quality decentralized products or services, as they typically either franchise or compete with franchised businesses. As well, for entrepreneurs considering investing in a franchise, this paper will help identify which business models are more sustainable in the face of Internet innovation. Originality/value The surface wave/deep wave model is a new approach to analyzing the long-term impact of the Internet on all decentralized businesses.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».