MétaCan
Menu
Retour à la cohorte
Enregistrement W3159078732 · doi:10.1111/deci.12524

Retail inventory shrinkage, sensing weak security breach signals, and organizational structure

2021· article· en· W3159078732 sur OpenAlexaff
Hung‐Chung Su, Manus Rungtusanatham, Kevin Linderman

Notice bibliographique

RevueDecision Sciences · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSupply Chain Resilience and Risk Management
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésBusinessShrinkageGuard (computer science)Competition (biology)MarketingComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract Retail inventory shrinkage, resulting primarily from employee theft and shoplifting, costs retailers nearly $70 billion annually. With brick‐and‐mortar retailers today confronting increased competition and low future growth expectations, reducing inventory shrinkage is becoming even more critical to becoming profitable. This paper analyzes a unique dataset that combines both primary survey and objective archival data from a Fortune 500 retailer to test a theoretical model associating retail inventory shrinkage, the capacity of a retail store to sense weak security breach signals, centralization of decision making, and formalization of security breach management. The analysis builds on insights from high reliability organization theory and the literature on organizational structure. Results reveal that as a retail store increases its capacity to sense weak security breach signals, it observes decreases in store‐level inventory shrinkage, with this negative association amplified (dampened) when the retail store has formalized procedures and protocols for managing security breaches (has centralized decision making within the retail store). Moreover, while the establishment of formalized procedures and protocols for managing security breaches bolsters the capacity of a retail store to sense weak security breach signals, centralizing decision making has the opposite effect. Our findings contribute to the retail operations literature by introducing a new store‐level organizational capability to guard against theft‐based retail inventory shrinkage and by offering novel insights into how and why organizational structure at the level of a retail store deters or facilitates the capacity to sense weak security breach signals. From a practical perspective, these findings advise retailers to develop the capability to become aware of and to mitigate security breaches. Further, to support this capacity, retailers are urged to decentralize decision making to retail store personnel and to invest in formalizing procedures and protocols for managing security breaches in order to deter retail thefts that shrink retail store inventory.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,018
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,019
Tête enseignante GPT0,253
Écart entre enseignants0,235 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

Citations14
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDecision SciencesMême sujetSupply Chain Resilience and Risk ManagementTravaux en français237 207