Logistique et modèles d'affaires. L'exemple du commerce électronique
Bibliographic record
Abstract
L'étude montre que les commerçants en ligne ne peuvent pas échapper aux questions classiques du commerce que sont : le stock, la gamme, la mise à disposition du client, la nature des relations avec leurs partenaires.Ces quelques variables-clefs structurent en profondeur les supply chain comme les modèles d'affaires des commerçants en ligne.La manière dont chaque site agence ces ressources de base traduit la compétence centrale sur laquelle s'appuie le site pour créer de la valeur.Trois types de modèles d'affaires sont ainsi repérés.M algré un chiffre d'affaires encore faible, le commerce électronique à destination des particuliers représente un enjeu stratégique réel pour un nombre croissant d'entreprises.C'est tout particulièrement vrai dans le domaine de la vente de produits informatiques (PC, portables, PDA) qui est aujourd'hui l'un des secteurs leaders du commerce en ligne, avec un taux de croissance qui reste très élevé.Il pourrait donc préfigurer l'évolution d'autres secteurs industriels aujourd'hui moins avancés dans le domaine de la vente par internet.Ce texte vise un double objectif 1 .Le premier consiste à repérer les business models en présence et à comprendre la manière dont la logistique, véritable D I S T R I B U T I O N
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 | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.005 | 0.007 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.028 | 0.008 |
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".