MétaCan
Menu
Retour à la cohorte
Enregistrement W3194331359 · doi:10.3390/jrfm14080388

Misfit? The Use of Metrics in Innovation

2021· article· en· W3194331359 sur OpenAlexvenueno aff
Ilse Svensson de Jong

Notice bibliographique

RevueJournal of risk and financial management · 2021
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueAccounting and Organizational Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPerformance indicatorProcess managementPerformance measurementKnowledge managementCommoditizationProcess (computing)BusinessOrganizational performanceComputer scienceMarketingEconomics

Résumé

récupéré en direct d'OpenAlex

Measuring innovation is a challenging but essential task to improve business performance. To tackle this task, key performance indicators (KPIs) can be used to measure and monitor innovation. The objective of this study is to explore how KPIs, designed for measuring innovation, are used in practice. To achieve this objective, the author draws upon literature on business performance in accounting and innovation, yet moves away from the functional view. Instead, the author focuses explicitly on how organizational members, through their use of KPIs in innovation, make sense of conflicting interpretations and integrate them into their practices. A qualitative in-depth case study was conducted at the innovation department of an organization in the process industry that operates production sites and sales organizations worldwide. In total, 28 interviews and complementary observations were undertaken at several organizational levels (multi-level). The empirical evidence suggests that strategic change, attributed to commoditization, affects the predetermined KPIs in use. Notably, these KPIs in innovation are used, despite their poor fit to innovation subject to commoditization. From a relational perspective, this study indicates that in innovation, KPIs are usually complemented by or supplemented with other information, as stand-alone KPIs exhibit a significant degree of incompleteness. In contrast to conventional studies in innovation and management accounting, this study explores the use of key performance indicators (KPIs) in innovation from an interpretative perspective. This perspective advances our understanding of the actual use of KPIs and uncovers the complexity of accounting and innovation, which involve numerous angles and organizational levels. Practically, the findings of this study will inform managers in innovation about the use of KPIs in innovation and the challenges individual organizational members face when using them. In innovation, KPIs appear to be subjective and used in unintended ways. Thus, understanding how KPIs are used in innovation is a game of reading between the lines, and these KPIs can be regarded as misfits.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,450
Score d'incertitude au seuil0,274

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
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 Opus0,019
Tête enseignante GPT0,203
Écart entre enseignants0,183 · 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'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

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetAccounting and Organizational ManagementTravaux en français237 207