MétaCan
Menu
Retour à la cohorte
Enregistrement W2766494105 · doi:10.5465/ambpp.2016.12676abstract

Social Media for Product Life Cycle Management of SMEs: Multiple Case Studies

2016· article· en· W2766494105 sur OpenAlexaff
Jeremi Roch, Elaine Mosconi

Notice bibliographique

RevueAcademy of Management Proceedings · 2016
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueKnowledge Management and Sharing
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésCompetitor analysisBusinessSocial mediaMarketingOrder (exchange)Product (mathematics)Product lifecycleNew product developmentService (business)Competitive advantageService providerKnowledge managementComputer science

Résumé

récupéré en direct d'OpenAlex

SMEs evolve in a highly competitive environment, where firms' survival depends on their ability to differentiate themselves from competitors and provide greater value for customers. This study focuses on how social media tools can enable SMEs to collaborate with external parties, such as customers, partners, and suppliers, to generate value throughout their products' life cycles. Social media tools can be very beneficial for SMEs, as they are familiar tools to customers, they allow firms to reach an increased amount of current and potential customers, and are inexpensive. This research uses a multiple case studies design, in order to understand how SMEs currently use social media to collaborate with these external actors, and aims at identifying where improvement is necessary. Six cases have been used from diversified industries of tangible products, intangible products, and services. Results illustrate that SMEs do not actively use social media tools to collaborate for innovation purposes during the initial phases of the product life cycle. Rather, they use them for marketing, customer service support, and business development activities in the later phases of the product life cycle. Findings suggest a need for further guidelines as to how social media can be integrated to support innovation activities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,629
Score d'incertitude au seuil0,734

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,095
Tête enseignante GPT0,364
Écart entre enseignants0,268 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations1
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAcademy of Management ProceedingsMême sujetKnowledge Management and SharingTravaux en français237 207