Beyond success and failure: learning from execution of corporate entrepreneurial actions
Notice bibliographique
Résumé
Purpose This article aims to redefine the paradigm of evaluating corporate entrepreneurial actions, moving beyond the simplistic success/failure dichotomy. It underscores the importance of a nuanced understanding of the outcomes of such initiatives, emphasizing the need for organizations to learn from both their successes and failures. The focus is on fostering a learning organization culture, where strategic decision-making is enhanced through a comprehensive analysis of past entrepreneurial endeavors, thus ensuring long-term corporate health and growth. Design/methodology/approach The study is based on the analysis of the existing literature and illustrative real-world cases from prominent corporations. Findings The findings reveal that understanding the reasons behind the success or failure of strategic initiatives is crucial for sustainable corporate growth. The study highlights that mere success can be misleading without comprehending the underlying factors, just as failure can offer valuable lessons if properly analyzed. The 'Learning from Execution Matrix' facilitates this understanding, aiding corporations in fostering a culture of continuous improvement. The DIRS (Decomposition, Interpretation, Rewarding, Scaling) framework further helps in breaking down and scaling these learnings for broader application within the organization. Originality/value This article contributes to the field of strategic entrepreneurship by providing a novel framework for analyzing corporate entrepreneurial actions. The 'Learning from Execution Matrix' and the DIRS framework offer practical, actionable tools for managers and leaders, fostering a culture of learning and strategic adaptation. This approach is original in its emphasis on the nuanced understanding of both successes and failures, making it a valuable guide for corporations seeking sustained growth and innovation in a competitive business environment.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,029 |
| Communication savante | 0,013 | 0,020 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».