The role of digital B2B platforms with industry 4.0 technological ecosystems(integration of cloud computing, artificial intelligence and internet of things) as a growth lever
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
This study investigates how digital business-to-business (B2B) platforms transform manufacturing industries through Industry 4.0 ecosystems and emerging digital technologies such as AI, Cloud Computing, and IoT. Employing methodological triangulation, the research provides comprehensive insights into platform-enabled digital transformation pathways through systematic literature review, case study analysis, and secondary data examination. The research applies the Technology-Organisation-Environment (TOE) framework to develop the Growth Lever Framework for Digital B2B Platforms, using Alibaba.com as a comprehensive case study. By analysing digital transformation mechanisms, the study reveals critical insights into the orchestration of global digital platforms as technological ecosystems. Key findings highlight the complex dynamics of digital platform evolution; Technological integration success is contingent upon platform governance structures, with users prioritising efficient supplier communication and comparison systems. Resource optimisation emerges as a critical mechanism, enabling manufacturers to strategically allocate digital transformation investments while maintaining operational capabilities. Significant regional variations emerge between emerging markets (Pakistan, Brazil, India) and developed markets (UK, Canada), revealing the profound impact of regulatory environments on platform success. The Growth Lever Framework and Digital Platform Ecosystem Technological Readiness Model (DPETRM) created within this study contribute theoretical perspectives by conceptualising how B2B platforms drive manufacturing transformation. By examining the interplay of technological capabilities, organisational structures, and environmental factors, the research offers strategic guidance for stakeholders navigating increasingly complex and emerging digital technological ecosystems.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 découle