L’apport d’internet aux petites entreprises (PE) touristiques dans la construction de leur positionnement stratégique : le cas des hébergeurs
Bibliographic record
Abstract
La diffusion des TIC chez les PE demeure faible (Eurostat 2010) et pourtant, parmi les applications IT, Internet est pour les PE une source d’opportunités de développement de leurs affaires (Scaglione, Schegg et Murphy, 2009). L’un des enjeux est donc de savoir si Internet peut être utilisé efficacement par ces petites structures et comment sa mise en oeuvre peut contribuer à améliorer leur positionnement stratégique. Nous avons étudié quatre cas d’entreprises dans l’hébergement touristique qui est un secteur très en avance dans l’utilisation des TIC en général et d’Internet en particulier (Kalika et Rival, 2009 ; Aldebert et Loufrani-Fedida, 2010). Notre recherche montre que les PE peuvent utiliser Internet comme un outil de différenciation, notamment sur les dimensions liées à la relation client (marketing, distribution). La réussite, quant à l’utilisation d’un site Internet, repose sur un choix très judicieux de la technologie par rapport au positionnement de l’entreprise. La mise en place d’une stratégie doit donc se faire à partir d’une véritable réflexion quant au métier de la PE, car cela conditionne les services et les fonctionnalités proposées à partir des technologies. Enfin, ce n’est pas tant le profil technophile qui importe que le profil innovant et preneur de risques du dirigeant et son aptitude à percevoir l’utilité des technologies.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".