Strategi för framgång : Hur svenska storföretag arbetar för att hävda sig mot konkurrens och skapa nya marknader
Bibliographic record
Abstract
Syfte: Med ”Blue Ocean Strategy” avses skapandet av nya marknader utan konkurrens. Denna studie vill belysa hur fem svenska storföretag aktivt arbetar med att skapa nya marknader, stå emot konkurrens på befintlig marknad och slutligen om miljöarbete ses som en konkurrensfördel, vilket leder till en stärkt marknadsposition. Metod: Studien angriper undersökningsproblemet med att anta en induktiv ansats med kvalitativa intervjuer. Arbetet baseras på djupintervjuer med företagsledare från fem svenska storföretag; Alfa Laval, Assa Abloy, Inwido, Lindab och Tetra Pak. Vidare antar studien ett hermeneutiskt förhållningssätt där tolkningen blir central. Resultat och konklusion: Resultatet av studien visar att få företag verkar för att inta en ny oetablerad marknad, så kallad ”blå ocean”. Fokus hos företagen i studien ligger på att bibehålla samt vinna nya marknadsandelar på befintliga marknader samt utöka till fler geografiska områden. Studien visar hur företagen arbetar både med kostnadsöverlägsenhet samtidigt som de arbetar med differentiering av sina produkter där samtliga företag idag arbetar med innovationsarbete vilket skapar möjligheter för att särskilja produkter från konkurrenters utbud. Detta till trots är företagen inte ”stuck in the middle” enligt Porters (1980) teori, utan stöder tesen om en hybridstrategi som visar på god konkurrenskraft om företaget är innovativt. Utöver det belyser studien digitaliseringens intåg på marknaden där både marknadsföring och handel i allt större utsträckning sker digitalt. Företagen i studien visar också på betydelsen av lokal närvaro, inträde på rätt geografiska marknader och värdet av goda kundrelationer. Slutligen belyses nödvändigheten att vara ledande avseende miljöfrågor och hållbara produkter.
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 | 0.007 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.007 | 0.003 |
| Scholarly communication | 0.016 | 0.010 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.048 | 0.017 |
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".