Processus de développement de nouveaux produits dans les petites et moyennes entreprises (PME) innovantes : une étude exploratoire
Bibliographic record
Abstract
L’innovation est un des moteurs de l’économie qui peut assurer la compétitivité et la pérennité des PME dans un monde de plus en plus concurrentiel. Dans la mesure où les États mettent au cœur de leurs priorités le rehaussement de l’engagement des PME dans des stratégies d’innovation, il nous apparaît essentiel de nous questionner sur leurs façons d’innover, notamment par l’examen des processus mobilisés permettant de commercialiser avec succès une idée de nouveaux produits. Les taux élevés d’échecs en matière de développement de nouveaux produits (DNP) justifient aussi la pertinence de cette question. Nous proposons d’y répondre par une étude exploratoire réalisée auprès de cinq PME canadiennes (province du Québec) qui ont connu du succès en innovation. Contrairement à ce que suggère la littérature, nos résultats montrent la formalisation du processus mis en place permettant aux promoteurs d’ajuster rapidement leurs activités en cours de développement pour réduire les risques d’échecs. Ces conclusions sont toutefois contingentes à l’expérience en DNP des dirigeants, à la présence d’une certaine expertise et à la collaboration avec leurs principaux clients. Codes JEL : M100, M190
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 | 0.009 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".