MétaCan
Menu
Retour à la cohorte
Enregistrement W4391259657 · doi:10.54097/wqxqzg03

Analysis of How Enterprises Can Improve Market Competitiveness in the Context of Digital Transformation - Take Amazon as an Example

2024· article· en· W4391259657 sur OpenAlexaff
Jiaqi Liu, Xuanyu Wang

Notice bibliographique

RevueHighlights in Business Economics and Management · 2024
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueE-commerce and Technology Innovations
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésMultinational corporationLeverage (statistics)Digital transformationBusinessBusiness modelContext (archaeology)Amazon rainforestMarketingE-commerceIndustrial organizationComputer science

Résumé

récupéré en direct d'OpenAlex

Multinational companies have emerged as the primary driving force behind the global economic integration trend. With the advancement of digital tools and technologies, there has been a significant increase in people's demand for digital services and experiences. This shift in consumer behaviour has created a pressing need for multinational companies to embrace digital transformation to meet these evolving needs and further stimulate economic development. One crucial aspect of this transformation is cross-border e-commerce, which plays a vital role in the strategies of multinational companies. As a successful example, Amazon has effectively undergone this transformation and is a model for others. By analyzing Amazon's experience using the 4P marketing model and data analysis, valuable insights and suggestions can be provided to companies seeking digital transformation. This will enable them to adapt to the changing digital landscape, enhance their global competitiveness, and thrive in the dynamic and interconnected global market. With the right strategies and implementation of digital tools, companies can leverage the power of technology to expand their reach, improve customer experiences, and drive sustainable growth in the digital era.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,975
Score d'incertitude au seuil0,459

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
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 Opus0,016
Tête enseignante GPT0,212
Écart entre enseignants0,196 · 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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHighlights in Business Economics and ManagementMême sujetE-commerce and Technology InnovationsTravaux en français237 207