MétaCan
Menu
Retour à la cohorte
Enregistrement W3133316727 · doi:10.5539/ijms.v13n1p42

Organizational Challenges of Online Customer Co-Creation for Innovation: A Middle-Managers’ Perspective in the Italian Food Context

2021· article· en· W3133316727 sur OpenAlexvenueno aff
Carla Rossi

Notice bibliographique

RevueInternational Journal of Marketing Studies · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueService and Product Innovation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBusinessPerspective (graphical)Process (computing)Co-creationKnowledge managementContext (archaeology)MarketingProduct (mathematics)Qualitative researchMiddle managementOpen innovationSociologyComputer science

Résumé

récupéré en direct d'OpenAlex

In a nutshell, co-creation is described as a way to open up a company to the outside world, helping to generate product innovations and to update brand meanings. Drawing on the online community and co-creation literature, this paper aims at contributing to exploring the main intra-organizational challenges of online customer co-creation for innovation, from the viewpoint of middle managers. The intent is to broaden the existing conceptual understanding of the main internal factors hindering customer co-creation but also of the practices that could be adopted to best manage the related challenges. The study adopts a qualitative approach and is based on the results of eight in-depth, semi-structured interviews with digital and marketing managers, working closely with co-creation initiatives in the Italian food industry, with the aim of exploring intra-organizational challenges perceived by those who are directly involved in co-creation implementation. The results complement existing literature by 1) offering a more longitudinal vision of the implementation process—and the related internal hurdles, 2) identifying the most appropriate coping strategies and 3) formulating some hypothesis that could support an interpretative model of the capabilities needed to start the process and managing it in a strategic perspective.

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)0,005
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 enseignants0,799
Score d'incertitude au seuil0,576

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,071
Tête enseignante GPT0,337
Écart entre enseignants0,266 · 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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Marketing StudiesMême sujetService and Product InnovationTravaux en français237 207