XiaoMi-AI文件搜索系统
World File Search SystemEichen
Perple Stratistics - 为什么战略不必失败 - perple
i. 人 1. 5% 的员工知道和/或了解其公司的战略。（Kaplan 和 Norton，2005 年）。 2. 27% 的员工可以查阅公司的战略计划。（Axton，1999 年，引自 DeLisi，2003 年，第 3 页）。 3. 13% 的员工非常同意他们的领导层与组织的其他成员进行了有效沟通。（Ratanjee，2021 年）。 4. 42% 的经理可以查阅战略计划。（Axton，1999 年，引自 DeLisi，2003 年，第 3 页）。 5. 61% 的高管认为，他们没有为被任命为高级领导职务后面临的战略挑战做好准备。（Carucci，2017 年）。 6. 60% 的领导者认为，不到 20% 的员工至少对公司战略有基本的了解并能解释它。 （Axton，1999，引自DeLisi，2003，第3页）。7. 50-60%的高管在晋升后的18个月内失败。（Carucci，2017）。8. 只有9%的管理者表示他们可以一直依赖跨职能的同事，而只有50%的人表示大多数时间可以依赖他们。（Sull、Homkes和Sull，2015）。9. 20%的管理者表示，他们的组织在跨部门调动人员以支持战略重点方面做得很好。（Sull、Homkes和Sull，2015）。10. 39%的员工坚信他们的管理者了解他们在公司中的角色。（Root Inc.，2013）。11. 需要系统性的、业务主导的方法和大胆的行动来加强包容性和多样性。 （Dixon-Fyle、Hunt、Dolan 和 Prince，2020 年） 12. 管理团队更多元化的公司由于创新收入增加 19%。（Lorenzo、Voigt、Tsusaka、Krentz 和 Abouzahr，2018 年） 13. 千禧一代和 Z 世代对多元化本身的看法非常多样化。（Deloitte，2018 年）。 14. 不到一半的千禧一代和 Z 世代认为他们的领导团队是多元化的。（Deloitte，2018 年）。 15. 69% 的高管表示，战略开放增加了想法的数量和多样性。（Stadler、Hautz、Matzler 和 von Den Eichen，2023 年） 16. 73% 的高管表示，开放他们的战略大大促进了战略实施。 （Stadler、Hautz、Matzler 和 von Den Eichen，2023 年） 17. 多元化思维的价值可使创新能力提高 20%，风险降低 30%。（Bourke，2021 年） 18. 近 40% 的受访者拒绝或选择不从事某项工作，因为他们认为该组织缺乏包容性。（麦肯锡，2022 年）
商业模式创新的阴暗面——对客户抵制的演变和潜在对策有效性的实证调查
日益激烈的竞争、剧烈的市场转变和动态的技术变革要求企业不断调整其商业模式 (BM) 以保持生存能力 (Hock-Doepgen 等人，2021 年；Suh 等人，2020 年)。因此，商业模式创新 (BMI) 作为“有意改变企业核心要素及其商业逻辑的过程”(Bucherer 等人，2012 年，第 184 页)，被广泛视为企业成功的圣杯 (Gerasymenko 等人，2015 年；Kim & Min，2015 年；Visnjic 等人，2016 年；Zott & Amit，2007 年)，这并不奇怪。事实上，实证研究已经证实，BMI 是竞争力和竞争优势的源泉 (Clauss, Abebe, et al., 2019 ; Teece, 2010 ; Wirtz et al., 2010 )，它“有潜力提高企业绩效”(Lambert & Davidson, 2013 , p. 676)，甚至改变市场均衡 (Trabucchi et al., 2019 )。总体而言，BMI 的这一光明面引起了人们对 BMI 日益增长的兴趣，认为它是“一种新的创新主题，是对流程、产品和组织创新等传统主题的补充”(Zott et al., 2011 , p. 1032)。因此，出现了越来越多的文献来研究 BMI 的概念化、开发和引入相关主题（Foss & Saebi，2017 ）。尽管 BMI 研究活动取得了非凡的发展，但最令人惊讶的是缺乏对 BMI 的决定因素、组成部分和后果的研究（Sorescu，2017 ）。然而，这反过来也提供了许多有希望的研究机会。首先，BMI 领域的先前研究受到支持创新偏见的影响（Talke & Heidenreich，2014 ），普遍认为 BM 的创新总是对公司有利。因此，先前的研究将成功的 BMI 而不是不成功的 BMI 放在了关注的中心（Halecker 等人，2014 ）。这导致越来越多的文献包含了关于 BMI 积极一面的显著贡献和证据，强调了 BMI 对价值占用 (Baden-Fuller & Haefliger, 2013 ; Björkdahl, 2009 ; Hienerth et al., 2011 )、客户满意度和忠诚度 (Clauss, Harengel, et al., 2019 ; Clauss, Kesting, et al., 2019 ; Futterer et al., 2020 )、品牌资产 (Spieth et al., 2019 )、盈利能力 (Aspara et al., 2010 ) 以及最终公司绩效 (Freisinger et al., 2021 ; Futterer et al., 2018 ; Zott & Amit, 2007 ) 以及长期生存 (Kauffman & Wang，2008 年）。然而，越来越多的公司在创造和获取 BMI 价值方面遇到了困难（Chesbrough，2010 年；Clauss，Abebe 等人，2019 年；von den Eichen 等人，2015 年）。例如，虽然 Tesco 能够建立一个利润丰厚的 20 亿美元在线杂货业务，但 Webvan——具有类似的 BM——被认为是有史以来最大的互联网泡沫破灭
商业模式创新的阴暗面：顾客抵制的演变和潜在对策有效性的实证研究
日益激烈的竞争、剧烈的市场转变和动态的技术变革要求企业不断调整其商业模式 (BM) 以保持生存能力 (Hock-Doepgen 等人，2021 年；Suh 等人，2020 年)。因此，商业模式创新 (BMI) 作为“有意改变企业核心要素及其商业逻辑的过程”(Bucherer 等人，2012 年，第 184 页)，被广泛视为企业成功的圣杯 (Gerasymenko 等人，2015 年；Kim & Min，2015 年；Visnjic 等人，2016 年；Zott & Amit，2007 年)，这并不奇怪。事实上，实证研究已经证实，BMI 是竞争力和竞争优势的源泉 (Clauss, Abebe, et al., 2019 ; Teece, 2010 ; Wirtz et al., 2010 )，它“有潜力提高企业绩效”(Lambert & Davidson, 2013 , p. 676)，甚至改变市场均衡 (Trabucchi et al., 2019 )。总体而言，BMI 的这一光明面引起了人们对 BMI 日益增长的兴趣，认为它是“一种新的创新主题，是对流程、产品和组织创新等传统主题的补充”(Zott et al., 2011 , p. 1032)。因此，出现了越来越多的文献来研究 BMI 的概念化、开发和引入相关主题（Foss & Saebi，2017 ）。尽管 BMI 研究活动取得了非凡的发展，但最令人惊讶的是缺乏对 BMI 的决定因素、组成部分和后果的研究（Sorescu，2017 ）。然而，这反过来也提供了许多有希望的研究机会。首先，BMI 领域的先前研究受到支持创新偏见的影响（Talke & Heidenreich，2014 ），普遍认为 BM 的创新总是对公司有利。因此，先前的研究将成功的 BMI 而不是不成功的 BMI 放在了关注的中心（Halecker 等人，2014 ）。这导致越来越多的文献包含了关于 BMI 积极一面的显著贡献和证据，强调了 BMI 对价值占用 (Baden-Fuller & Haefliger, 2013 ; Björkdahl, 2009 ; Hienerth et al., 2011 )、客户满意度和忠诚度 (Clauss, Harengel, et al., 2019 ; Clauss, Kesting, et al., 2019 ; Futterer et al., 2020 )、品牌资产 (Spieth et al., 2019 )、盈利能力 (Aspara et al., 2010 ) 以及最终的公司绩效 (Freisinger et al., 2021 ; Futterer et al., 2018 ; Zott & Amit, 2007 ) 以及长期生存 (Kauffman & Wang，2008 年）。然而，越来越多的公司在创造和获取 BMI 价值方面遇到了困难（Chesbrough，2010 年；Clauss，Abebe 等人，2019 年；von den Eichen 等人，2015 年）。例如，虽然 Tesco 能够建立一个利润丰厚的 20 亿美元在线杂货业务，但 Webvan——具有类似的 BM——被认为是有史以来最大的互联网泡沫破灭
机器学习方法的探索性应用，以优化对饮食失调症状的数字干预措施的预测
Dwyer，D。和Choi，K。（2021）。在预测精神病学治疗结果时，机器学习的希望。世界精神病学，20（2），154 - 170。https：//doi.org/10.1002/wps.20882 Chien，I.，Enrique，A.，Palacios，J.，Regan，T.，Keegan，T.，Keegan，D. （2020）。一种机器学习方法，以了解与互联网交付的心理健康相互作用的互动模式。JAMA Network Open，3（7），E2010791。https://doi.org/10。 1001/jamanetworkopen.2020.10791 Christodoulou，E.，Ma，J.，Collins，G.S.，Steyerberg，E.W. （2019）。 系统的综述显示机器学习对临床预测模型的逻辑回归没有任何绩效益处。 临床流行病学杂志，110，12 - 22。https：// doi。 org/10.1016/j.jclinepi.2019.02.004 Fitzsimmons-Craft，E。E. Jacobi，C.，Jo，B.，Trockel，M。T.和Wilfley，D。E.（2020）。 数字认知行为疗法的有效性 - 对大学女性饮食失调的指导自助干预：一项群集随机临床试验。 JAMA Network Open，3（8），E2015633。 https://doi.org/10.1001/jamanetworkopen.2020.15633 Flygare，O. BMC精神病学，20（1），1 - 9。https：// doi。 统计软件杂志，33（1），1 - 22。https://doi.org/10。1001/jamanetworkopen.2020.10791 Christodoulou，E.，Ma，J.，Collins，G.S.，Steyerberg，E.W.（2019）。系统的综述显示机器学习对临床预测模型的逻辑回归没有任何绩效益处。临床流行病学杂志，110，12 - 22。https：// doi。org/10.1016/j.jclinepi.2019.02.004 Fitzsimmons-Craft，E。E. Jacobi，C.，Jo，B.，Trockel，M。T.和Wilfley，D。E.（2020）。数字认知行为疗法的有效性 - 对大学女性饮食失调的指导自助干预：一项群集随机临床试验。JAMA Network Open，3（8），E2015633。https://doi.org/10.1001/jamanetworkopen.2020.15633 Flygare，O.BMC精神病学，20（1），1 - 9。https：// doi。统计软件杂志，33（1），1 - 22。预测互联网传递认知行为疗法后身体障碍障碍的预测因素：一种机器学习方法。org/10.1186/s12888-020-02655-4 Friedman，J.，Hastie，T。，＆Tibshirani，R。（2010）。通过坐标下降的通用线性模型的正规化路径。Hettige，N。C.，Nguyen，T。B.，Yuan，C.，Rajakulendran，T.，Baddour，J.，Bhagwat，N.，Bani-Fatemi，A.，Voineskos，A.N. 使用社会文化和临床特征对精神分裂症中自杀式定位的分类：一种机器学习方法。 综合医院精神病学，47，20 - 28。https：//doi.org/10.1016/j.genhosppsy.2017.03.001 Hooker，S。（2021）。 超越“算法偏差是数据问题”。 模式，2（4），100241。 Jordan，M。I.和Mitchell，T。M.（2015）。 机器学习：趋势，敏感和前景。 Science，349（6245），255 - 260。https：//doi.org/10。 1126/science.AAA8415库恩。 （2021）。 caret：分类和回归培训。 r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。 机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。 做Hettige，N。C.，Nguyen，T。B.，Yuan，C.，Rajakulendran，T.，Baddour，J.，Bhagwat，N.，Bani-Fatemi，A.，Voineskos，A.N.使用社会文化和临床特征对精神分裂症中自杀式定位的分类：一种机器学习方法。综合医院精神病学，47，20 - 28。https：//doi.org/10.1016/j.genhosppsy.2017.03.001 Hooker，S。（2021）。超越“算法偏差是数据问题”。模式，2（4），100241。Jordan，M。I.和Mitchell，T。M.（2015）。 机器学习：趋势，敏感和前景。 Science，349（6245），255 - 260。https：//doi.org/10。 1126/science.AAA8415库恩。 （2021）。 caret：分类和回归培训。 r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。 机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。 做Jordan，M。I.和Mitchell，T。M.（2015）。机器学习：趋势，敏感和前景。Science，349（6245），255 - 260。https：//doi.org/10。1126/science.AAA8415库恩。（2021）。caret：分类和回归培训。r软件包ver- sion 6.0-88。 https://cran.r-project.org/package = Caret Lee，Y. N.，Zuckerman，H.，Chen，V。C.，Ho，R.，Rong，C。和McIntyre，R。（2018年）。机器学习算法的应用以预测抑郁症的治疗结果：元分析和系统评价。做情感障碍杂志，241，519 - 532。https：//doi.org/10.1016/j.jad.2018.08.073 Lekkas，D.，Price，G.，McFadden，J。，J。，＆Jacobson，J。，＆Jacobson，N.C。（2021）。机器学习到在线正念干预数据的应用：合规性评估中的底漆和经验示例。正念，12（10），2519 - 2534。https：//doi.org/10.1007/s12671-021-021-021-01723-4 Linardon，J.，J.，Messer，M.，Shatte，M.，Shatte，Shatte，Shatte，A.