Definition of innovation problems in organizations using data analysis tasks from hybrid sources: social networks and organizational databases
Notice bibliographique
Résumé
Nowadays, we can express the experience we have lived with the products we use. Most of the time, we interact with brands and let our likes and dislikes be seen on digital platforms, either by interacting with social networks, filling out satisfaction surveys, or registering requests, complaints, and claims. To get the value of all available customer data of the companies, in this article, we propose to study the data from different sources using an autonomic cycle of data analysis tasks to define innovation problems in an organization. The tasks of the autonomic cycle are filter the customer comments from different sources (e.g., from social networks, PCCS (petitions, complaints, claims, suggestions) systems of organizations, etc.), obtain their keywords, and analyze the patterns of the users to answer the questions of the 5W methodology (what, who, where, when and why?), to define innovation problems. Finally, this article analyzes a case study of a fashion company using its PCCS system and comments of Twitter, to identify useful information. Part of the information discovered was the reasons for customer returns, merchandise delivery problems, shipment failures, failure to respond timely to customers, among other things. With this information, the autonomic cycle is able to define customer and organization-oriented innovation problems, to respond to these identified problems.
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 | 0,015 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,018 | 0,017 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,010 | 0,011 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».