MétaCan
Menu
Retour à la cohorte
Enregistrement W2899225985 · doi:10.5267/j.uscm.2018.7.004

Integration between open records and target cost to effectively manage supply chain costs

2018· article· en· W2899225985 sur OpenAlexvenueno aff
Azhar Ghailan Marhoon, Hayder Kareem Salim, Shaymaa Abdul Husein Abdul Kadhim

Notice bibliographique

RevueUncertain Supply Chain Management · 2018
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueData Quality and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSupply chainBusinessChain (unit)Supply chain risk managementComputer scienceRisk analysis (engineering)Operations managementSupply chain managementProcess managementMarketingService managementEconomics

Résumé

récupéré en direct d'OpenAlex

During the past few years, there have been tremendous attempts among various companies to implement the principles of supply chain management to increase their capabilities. Reduction in supply chain cost is an important element to support competitive advantage. However, to manage the cost of supply chain, managing target and order costs is essential. Reduction in both target cost and order cost is crucial to maintain reasonable supply chain cost, which directly influences the competitive advantage. Thus, the primary objective of this study is to support competitive advantage by the help of integration between target cost and order cost. To achieve this, quantitative research technique was adopted based on a survey technique and 300 questionnaires were distributed among the managerial employees of supply chain companies in Iraq. While analyzing the data through Smart PLS 3, it was revealed that any reduction in target cost and order cost could decrease the overall supply chain cost and this helps to sustain competitive advantage. Therefore, supply chain cost plays the mediating role to enhance competitive advantage through integration of the target cost and the order cost. Finally, this study is beneficial for supply chain companies to enhance competitive advantage through reduction in supply chain cost.

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)0,014
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,848
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0140,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0030,005
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,002

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 Opus0,082
Tête enseignante GPT0,385
Écart entre enseignants0,303 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
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

Citations3
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUncertain Supply Chain ManagementMême sujetData Quality and ManagementTravaux en français237 207