L’intégration des canaux de distribution en contexte de transition digitale : une relecture par la théorie des ressources
Bibliographic record
Abstract
De nombreux distributeurs s’engagent dans une stratégie d’intégration des canaux sous la pression du consommateur qui souhaite désormais une expérience d’achat intégrée. L’intégration des canaux s’inscrit dans le contexte de la transition digitale de l’entreprise et afin de l’aborder, il est nécessaire de se situer à un niveau stratégique. En effet, l’intégration des canaux s’accompagne nécessairement d’une collaboration inter-fonctionnelle. En se basant sur le cadre de la théorie des ressources (RBV), cet article se propose de répondre à la question de recherche suivante : quelles sont les ressources mobilisées par les distributeurs en vue d’une intégration réussie ? Ainsi, l’analyse des ressources mobilisées par les distributeurs est réalisée à partir de la classification des ressources logistiques de Duong et Paché (2015) qui est utilisée comme grille de lecture après adaptation au contexte de l’intégration des canaux. Une étude qualitative exploratoire reposant sur six cas met au jour les ressources déployées dans leurs stratégies d’intégration par des distributeurs français et canadiens dans trois secteurs. Les résultats montrent que les distributeurs mobilisent cinq ressources : des ressources technologiques, organisationnelles, physiques, relationnelles et d’expertise. Cette recherche confronte, pour la première fois, la grille de Duong et Paché (2015) à un terrain empirique et élargit son application au-delà de son contexte d’origine, la logistique. D’un point de vue théorique, cet article fait émerger et structure une réflexion autour des ressources nécessaires au déploiement d’une stratégie omnicanal. D’un point de vue managérial, il souligne la diversité des ressources qui sous-tend les stratégies d’intégration des canaux et fournit aux équipes dirigeantes un outil permettant d’établir un diagnostic des ressources.
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 | 0.005 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.007 | 0.013 |
| Scholarly communication | 0.017 | 0.018 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.017 | 0.002 |
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".