When Wrong Is Right: Leaving Room for Error in Innovation Measurement
Notice bibliographique
Résumé
To date, measuring innovation has not been an exact science. As in many areas of organizational life, errors in measuring innovation are a recurring fact. Innovation researchers and practitioners alike have become increasingly interested in understanding the occurrence of organizational errors and how these errors affect innovation and its measurement. This empirical study aims to address this under-explored area by utilizing a qualitative in-depth case study at the innovation department of an organization with production sites and sales organizations worldwide. A total of 28 semi-structured interviews at several organizational levels were conducted, with innovation managers, project managers, senior managers, and staff. Based on the findings in this case study, three explanations are presented on how organizational errors occur when using innovation KPIs (key performance indicators). The first explanation can be connected to the increasing complexity of innovation and its intangible nature. Another explanation can be traced to the difference between innovation strategy and innovation KPIs. Lastly, room for organizational errors can be related to the multitude of individuals and organizational levels involved in innovation and its measurement. The implications for practitioners are that innovation KPIs are not precise metrics but should be seen as estimates with organizational errors. Whether or not these innovation KPIs can be used as tools to turn innovation into competitive advantages largely depends on whether wrong is right. Future research should focus on the metrics that are implemented and actually in use, as this future path would highlight the function and dysfunction that organizational errors in innovation KPIs can have.
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 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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 | 0,000 |
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.
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».