Facteurs clés de succès du changement des systèmes patrimoniaux dans les institutions financières au Canada
Bibliographic record
Abstract
Les systèmes patrimoniaux sont présents dans la majorité des institutions financières au Canada. Ils sont généralement fiables et contiennent les informations au cœur des activités bancaires. Ils ont été modifiés au fil des ans, au fur et à mesure de l'évolution des produits et services. Avec l'arrivée du mobile et du digital, il devient de plus en plus complexe de les faire évoluer. Les systèmes patrimoniaux étant fortement couplés les uns aux autres, tout changement à leur endroit peut soit représenter un coût démesuré, soit s'avérer impossible à faire, demandant ainsi à la banque de trouver un contournement pour arriver à satisfaire son besoin. Plusieurs stratégies sont possibles pour soit faire évoluer les systèmes patrimoniaux, soit les remplacer par des progiciels de gestion intégrés. Ce mémoire se penche sur les facteurs clés de succès liés à la stratégie d'évolution des systèmes patrimoniaux. L'objectif est, à partir des facteurs clés de succès mentionnés dans les écrits, de les comparer avec ceux que nous avons retrouvés dans notre étude empirique auprès d'un échantillon de banques canadiennes. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : systèmes patrimoniaux, changement, gestion de projet, facteurs de succès
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 | 0.017 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.000 |
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".