MétaCan
Menu
Retour à la cohorte
Enregistrement W7015731617

Two faces of decomposability in organizational search: evidence from singles vs. albums from the music industry 1995-2015

2023· article· en· W7015731617 sur OpenAlexfundno aff

Notice bibliographique

RevueLondon Business School Research Online (London Business School) · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueInnovation and Knowledge Management
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of SurreyYork UniversityUniversità BocconiUniversity of WashingtonHong Kong University of Science and TechnologyHarvard Business SchoolUniversity of MinnesotaKorea Advanced Institute of Science and TechnologyUniversity of Wisconsin-MadisonUniversity of ConnecticutOhio State University
Mots-clésSet (abstract data type)PopularityInvestment (military)ImperfectFace (sociological concept)SoftwareMusic industryInvestment decisionsProductivity
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Abstract Research Summary This study proposes that decomposability may generate a trade-off in search. This study compares a decomposed search (i.e., producing and evaluating a decomposed module) and an integrated search (i.e., producing and evaluating a full-scale product). While the former can allow firms to experiment with more alternatives than can the latter, it may be more vulnerable to imperfect evaluation because a larger number of promising alternatives could be omitted after the initial evaluation. The reason for this is that not only do more alternatives face an unlucky draw in their initial evaluation but also a decomposed search may lead firms to set a higher performance target for giving a second-chance opportunity. I test this theory and mechanisms by comparing singles (i.e., decomposed modules) and albums (i.e., full-scale products) in the music industry. Managerial Summary This study highlights a hidden cost of experimentation-oriented practices: an increased chance of terminating investment in promising business options (e.g., resources, technologies, and new business projects) after initial small-scale experimentation. A growing number of technological innovations (e.g., software development kits, cloud computing, and e-commerce platforms) have enabled firms to experiment with new business options by producing modules rather than full-scale products. These innovations benefit management practices for experimentation, such as lean start-up or design thinking, and have thus gained popularity among practitioners. This study suggests that while producing and evaluating a module enables firms to experiment with more options, it may increase the chance of terminating investment in promising business options because firms may set a higher performance target for subsequent investment after initial small-scale experimentation.

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)0,006
score de la tête « metaresearch » (Gemma)0,020
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Bibliométrie, Communication savante, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,020
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,030
Études des sciences et des technologies0,0010,001
Communication savante0,0020,004
Science ouverte0,0030,003
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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 Opus0,128
Tête enseignante GPT0,360
Écart entre enseignants0,232 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLondon Business School Research Online (London Business School)Même sujetInnovation and Knowledge ManagementTravaux en français237 207