L’impact de l’évolution des réseaux sociaux sur l’écart de compétences en marketing digital : enjeux et stratégies d’adaptation des entreprises
Notice bibliographique
Résumé
À l’ère de la transformation numérique, les réseaux sociaux redéfinissent en profondeur les pratiques marketing des entreprises. Leur évolution rapide génère toutefois de nouveaux défis, notamment l’émergence d’un fossé de compétences entre les exigences du marché et les capacités réelles des professionnels du secteur. Ce mémoire s’intéresse à l’impact de cette dynamique sur les entreprises, en analysant les difficultés rencontrées et les stratégies mobilisées par les gestionnaires pour combler cet écart. L’étude repose sur une approche qualitative menée auprès de dix gestionnaires situés au Québec et en Côte d’Ivoire, deux contextes socio-économiques contrastés, mais confrontés à des enjeux similaires en matière de marketing digital. Les résultats révèlent que les compétences techniques, analytiques et créatives sont perçues comme prioritaires, bien qu’inégalement maîtrisées selon les ressources disponibles, la culture organisationnelle et le rythme d’adaptation au changement. Cette recherche enrichit la littérature existante en actualisant le modèle de Royle et Laing (2014) et en introduisant une perspective comparative nord-sud encore peu explorée. Elle propose également des recommandations concrètes pour soutenir la formation continue, encourager l’agilité managériale et renforcer l’adaptation stratégique des entreprises dans un environnement numérique en constante mutation.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,009 |
| Communication savante | 0,011 | 0,006 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,001 |
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 ».