Business-to-business referral as digital coopetition strategy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Based on theories related to coopetition, the purpose of this paper is to examine the patterns of business-to-business digital referrals inscribed in businesses’ digital content. Design/methodology/approach A complete industry-wise digital data set is formed by extracting digital referrals in all the content pages. The authors outline how digital referrals are strategically used among peer businesses in the peer-to-peer digital network and in the augmented digital network, taking into consideration geographical framing and physical distance. Findings The authors reveal how geographical framing and physical distance influence peer-to-peer referral patterns in the digital space. Quite counter-intuitively, businesses are more likely to give digital referrals for peers residing in the same region, as well as for peers located in closer proximity. Further, results from the augmented digital network show that peer businesses in closer proximity exhibit greater strategic similarity in their digital referring strategy. Research limitations/implications The findings extend the understanding of business-to-business coopetition to the digital space and suggest that geographical framing and physical distance can induce reciprocated relationships between peers by offering each other digital referrals. Practical implications The findings shed light on the formation of a business-to-business digital coopetition strategy using digital referral marketing. Originality/value This study highlights the impact of digital referrals in business-to-business relationship management, especially in the digital coopetition context.
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.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| 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 | 0,001 |
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.
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 découle