Configuring mobile app update strategy for growth: An empirical analysis of a landscape search model
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 This study attempts to discover effective strategies for mobile commerce applications (apps) to grow their consumer base by releasing app strategic updates. Drawing on the landscape search model from strategy research, this study conceptualizes mobile app update strategy as three interdependent decisions, i.e. what business elements are changed in an app strategic update, how substantial the changes are and when strategic updates are released relative to the competitive environment. Design/methodology/approach Using a field data set of 1,500 strategic updates of seven rival apps in the mobile travel market, this study integrated fuzzy set qualitative comparative analysis (fsQCA) with econometric analysis to analyze how app strategic update decisions interdependently influence app performance. Findings This study identified three effective and one ineffective mobile app update strategies from the mixed-method analysis, which verified the complex interdependency of app strategic update decisions. A general takeaway from these strategies is that a complex strategy problem on the mobile platform must be solved with respect to the constraints and capabilities of mobile technology. Originality/value This study moves beyond a linear view of the relationship between app update frequency and app performance and provides a holistic view of how and why app strategic update decisions mutually influence one another in their impact on app performance. This work makes contributions by identifying interdependency as a conceptual bridge between strategy and mobile app literature and developing an empirically testable version of the landscape search model.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 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 découle