Innovative solutions to increase last-mile delivery efficiency in B2C e-commerce: a literature review

Mangiaracina, R., Perego, A., Seghezzi, A., & Tumino, A. (2019). Innovative solutions to increase last-mile delivery efficiency in B2C e-commerce: a literature review. International Journal of Physical Distribution & Logistics Management.

Mots-clefs : B2C E-commerce, Innovation, Efficiency, Last mile delivery

Cet article traite sur l’efficacité de la livraison à domicile dans le cadre du commerce électronique BtoC.

Le commerce électronique BtoC pose 13 nouveaux défis. Il représentait 2500 milliards d’euros dans le monde.

La livraison du dernier kilomètre est la partie la plus onéreuse du service de livraison et la plus complexe à mettre en place. Plusieurs facteurs sont mis en corrélation avec l’efficacité de la livraison à domicile, notamment la vitesse de livraison (Savelsbergh et Van Woensel, 2016), les délais de livraison (Fernie et al., 2010), la ponctualité (Hays et al., 2005) et enfin la sécurité (McKinnon et Tallam, 2003).

La livraison du dernier kilomètre peut se scinder en 2 catégories de produits : le premier traite de l’optimisation de la livraison au domicile (traditionnel) ainsi que les différents problèmes liés au « Véhicle routing problem » (par exemple Geetha et al., 2013). Le VRP permet de dresser la route optimale pour livrer plusieurs colis sur différentes destinations.

La deuxième catégorie de produits repose sur l’innovation de cette efficacité concernant la livraison du dernier kilomètre avec l’exemple du drone qui permettent d’éviter certains problèmes plus traditionnels. Parmi ces solutions innovantes, nous retrouvons les consignes à colis (Iwan et al., 2016), la logistique par crowdsourcing (Wang et al., 2016), les boîtes de réception et les points de retrait (Kedia et al., 2017) et enfin les politiques de tarification dynamique (Klein et al., 2017). Ranieri et al. (2018) ont mis en lumière les différentes externalités qui peuvent se produire lors de la livraison du dernier kilomètre notamment dans une logique de durabilité environnementale.

Le double objectif est d’identifié les principales solutions innovantes ainsi que la compréhension de la réduction des coûts de la livraison du dernier kilomètre.

Quels sont les facteurs principaux qui impact la livraison du dernier kilomètre ? et Quelles sont les innovations qui ont un impact positif sur ces facteurs et qui permettent de ce fait une réduction des coûts de la livraison du dernier kilomètre ?

Des critères de sélection ont été appliqués dans le choix de la littérature (75 articles). Cette littérature provient de revues scientifiques, logistiques, spécifique au transport, conférences.

Afin de répondre à la première question, il est important de savoir comment est calculé le coût de la livraison du dernier kilomètre (d’une seul colis livré) : le coût moyen du transport, le coût du conducteur et le coût d’opportunité.

Le coût moyen de transport (Reyes et al., 2017) par kilomètre comprend les coûts variables des ressources utilisées (carburant par ex) avec l’affectation des coûts fixes et semi-fixes (entretien, taxes, assurances) sur un kilomètre effectué. Ce coût moyen dépend donc de la consommation de ressources et du moyen de transport de la part des coûts de transport (Dorling et al., 2017).

Le prix du conducteur quant à lui dépend de plusieurs composants : le tarif horaire du conducteur (Kafle et al., 2017). Dans ce tarif horaire, nous retrouvons plusieurs facteurs : le délai de livraison (Wen et Li, 2016) lié à la livraison physique du produit, le temps de résolution des problèmes (Dorling et al., 2017) qui peut se traduire par du trafic ou encore mettre un bon de passage dans une boîte aux lettres en cas d’échec de la livraison et enfin le temps de déplacement (Giuffrida et al., 2012) jusqu’au point de livraison.

Le coût pour une livraison ratée est assez conséquent puisqu’il est très variable en fonction de la perte possible du client, des marges sur coûts variables à la fois sur les ventes perdues.

Le lieu de livraison correspond au principal facteur d’insatisfaction chez les clients.

Parmi les solutions innovantes mises en place pour accroitre l’efficacité de la livraison du dernier kilomètre, nous retrouvons :

-Les boites de réception qui sont installées directement chez les clients et évitent la probabilité d’échec de la livraison (Wang et al., 2014).

-Casiers à colis directement chez un prestataire de services logistiques. Les client peuvent ainsi récupérer leurs colis à l’aide d’un mot de passe unique ou d’un QR code. Il a un impact sur la probabilité d’échec de la livraison, la densité de la clientèle mais également la distance domicile-livraison qui accentue la contrainte pour le client de se déplacer sur le lieu du casier (Chen et al., 2018).

-Point de retrait : comparable aux consignes à colis avec les mêmes impacts. La différence s’effectue puisqu’il n’y a pas d’automatisation de la livraison (kiosque ou magasin généralement).

-La logistique de crowdsourcing qui consiste à externaliser la livraison du dernier kilomètre à un réseau de personnes « communes » (Carbone et al., 2017). Dans la plupart des cas, ces personnes doivent faire le même trajet, il en profite donc pour effectuer la livraison. Cela peut être fait gratuitement ou sous forme de compensation (Wang et al., 2016) (Devari et al., 2017).

-Les drones : à l’aide d’un GPS intégré, ils peuvent livrer des colis de tailles moyennes. De manière quasi autonome. Divers impacts liés à cette utilisation, consommation de ressources (pas de carburant), densité de la clientèle (peu de clients lors d’une tournée de livraison de 1 à 4 généralement) (Dorling et al., 2017).

-Coffre : les colis sont livrés directement dans le coffre des clients.

-Tarification dynamique : Les prix changent en fonction de l’optimisation des livraisons. De ce fait, le client fait le choix d’un prix attractif ou non. Cette tarification varie à chaque fois qu’une commande est émise. Les différents impacts se retrouvent principalement sur la faible probabilité d’échec de la livraison, la densité de la clientèle. Une politique de tarification mesurée permet d’influencer le choix des clients en recherche de prix bas et donc choisir des créneaux horaires plus adaptés à la livraison (Asdemir et al., 2009).

-Cartographie du comportement client : Selon l’exploitation des données des clients, ceux-ci peuvent déterminer les présences horaires des clients potentiels et ainsi adapter les créneaux de livraison. Cela permet d’éviter les livraisons ratées.

-Livraisons souterraines : des capsules contiennent des colis dans un système de canalisation souterrain ce qui implique peu de trafic, peu de consommation de ressources ou encore l’automatisation du transport.

-Les robots : véhicules autopilotés qui livrent les clients sur des trajectoires déterminées. Automatisation, peu de ressources, densité clients limitée.

Certaines solutions ne sont pas viables pour des livraisons spécifiques telles que pour les produits à gros volume ou encore l’épicerie en ligne à travers les conditions de stockage, la périssabilité et la fragilité des produits.

References (problèmes avec certaines références)

options”, European Journal of Operational Research, Vol. 196 No. 1, pp. 246-257. 22

Akeb, H., Moncef, B., and Durand, B. (2018), “Building a collaborative solution in dense urban city settings to enhance parcel delivery: An effective crowd model in Paris”, Transportation Research Part E: Logistics and Transportation Review, Vol. 119, pp. 223-233.

Asdemir, K., Jacob, V. S., and Krishnan, R. (2009), “Dynamic pricing of multiple home delivery Bertram, R. F., and Chi, T. (2018), “A study of companies’ business responses to fashion e- commerce’s environmental impact”, International Journal of Fashion Design, Technology and
supply chain operations and home delivery”, Integrated Manufacturing Systems, Vol. 14 No. 8, pp. 34

Education, Vol. 11 No. 2, pp. 254-264.

Borsenberger, C., Cremer, H., De Donder, P., and Joram, D. (2016), “Differentiated pricing of delivery services in the e-commerce sector”, in Crew M. and Brennan T. (Ed), The Future of the Postal Sector in a Digital World, Springer, Heidelberg, pp. 191-211.

Boyer, K., K., Hult, G., T. and Frohlich, M. (2003), “An exploratory analysis of extended grocery

652-663.
42 truck-based autonomous robots”, European Journal of Operational Research. 43

Boyer, K.K., Prud’homme, A.M., and Chung, W. (2009), “The Last Mile Challenge: Evaluating the Effects of Customer Density and Delivery Window Patterns”, Journal of Business Logistics, Vol. 30 No. 1, pp. 185-201.

Boysen, N., Schwerdfeger, S., and Weidinger, F. (2018), “Scheduling last-mile deliveries with Carbone, V., Rouquet, A., and Roussat, C. (2017), “The Rise of Crowd Logistics: A New Way to  Co‐Create Logistics Value”, Journal of Business Logistics, Vol.38 No.4, pp. 238-252.

Chen C. and Pan S. (2016), “Using the Crowd of Taxis to Last Mile Delivery in E-Commerce: a 48

methodological research” in Borangiu T., Trentesaux D., Thomas A. and McFarlane D. (Ed.), Service Orientation in Holonic and Multi-Agent Manufacturing. Springer, Cham, Berlin, pp. 61-70.

Chen, Y., Yu, J., Yang, S., & Wei, J. (2018), “Consumer’s intention to use self-service parcel delivery service in online retailing: An empirical study”, Internet Research, Vol.28 No.2, pp. 500-

Cherrett, T., Dickinson, J., McLeod, F., Sit, J., Bailey, G., and Whittle, G. (2017), “Logistics impacts of student online shopping–Evaluating delivery consolidation to halls of residence”, Transportation Research Part C: Emerging Technologies, Vol. 78, pp. 111-128.

Chou, P. F., and Lu, C. S. (2009), “Assessing service quality, switching costs and customer loyalty in home‐delivery services in Taiwan”, Transport Reviews, Vol. 29 No.6, pp. 741-758.

Devari, A., Nikolaev, A. G., and He, Q. (2017), “Crowdsourcing the last mile delivery of online orders by exploiting the social networks of retail store customers”, Transportation Research Part E: Logistics and Transportation Review, Vol. 105, pp. 105-122.

Dorling, K., Heinrichs, J., Messier, G. G., and Magierowski, S. (2017), “Vehicle routing problems for drone delivery”, IEEE Transactions on Systems, Man, and Cybernetics: Systems, Vol. 47 No. 1, pp. 70-85.

Fernie, J., Sparks, L. and McKinnon, A. C. (2010), “Retail logistics in the UK: past, present and future. International Journal of Retail & Distribution Management”, Vol. 38 No. 11/12, pp. 894-914.

Geetha, S., Poonthalir, G., & Vanathi, P. T. (2013), “Nested particle swarm optimisation for multi-depot vehicle routing problem”, International Journal of Operational Research, Vol. 16 No.3, pp. 329-348.

Giuffrida, M., Mangiaracina, R., and Tumino, A. (2012), “Home Delivery vs Parcel Lockers: an economic and environmental assessment”, in Proceedings of XXI Summer School “Francesco Turco” – Industrial Systems Engineering, Palermo, pp. 225-230.

Ha, Q. M., Deville, Y., Pham, Q. D., and Hà, M. H. (2018), “On the min-cost traveling salesman problem with drone”, Transportation Research Part C: Emerging Technologies, Vol. 86, pp. 597- 621.

Haque, M. R., Muhammad, M., Swarnaker, D., and Arifuzzaman, M. (2014, April), “Autonomous quadcopter for product home delivery”, in Electrical Engineering and Information & Communication Technology (ICEEICT), 2014 International Conference, IEEE , Dhaka, pp. 1-5.

Hays, T., P. Keskinocak, and V. M. De López. (2005), “Strategies and challenges of internet grocery retailing logistics”, Geunes, J., Akçali E., Pardalos, P.M., Romeijn, ZJ.M. and Shen, H.E. (Ed.), Applications of Supply Chain Management and E-Commerce Research, Springer US, Boston, MA, pp. 217-252.

Hu, K. Y., and Chang, T. S. (2010), “An innovative automated storage and retrieval system for B2C e-commerce logistics”, The International Journal of Advanced Manufacturing Technology, Vol. 48 No. 1-4, pp. 297-305.

Iwan, S., Kijewska, K., and Lemke, J. (2016), “Analysis of parcel lockers’ efficiency as the last mile delivery solution–the results of the research in Poland”, Transportation Research Procedia, Vol. 12, pp. 644-655.

Kafle, N., Zou, B., and Lin, J. (2017), “Design and modeling of a crowdsource-enabled system for urban parcel relay and delivery”, Transportation research part B: methodological, Vol. 99, pp. 62-82.

Kedia, A., Kusumastuti, D., and Nicholson, A. (2017), “Acceptability of collection and delivery points from consumers’ perspective: A qualitative case study of Christchurch city”, Case Studies on Transport Policy, Vol. 5 No. 4, pp. 587-595.

International Journal of Physical Distribution & Logistics Management Page 22 of 29

1 2

34 Klein, R., Mackert, J., Neugebauer, M., and Steinhardt, C. (2017), “A model-based approximation

  1. 5  of opportunity cost for dynamic pricing in attended home delivery”, OR Spectrum, Vol. 40 No. 4, pp.
  2. 6  969–996.

Kundu, A., and Matis, T. I. (2017), “A delivery time reduction heuristic using drones under windy

Lim, S. F. W., Jin, X., and Srai, J. S. (2018), “Consumer-driven e-commerce: A literature review, design framework, and research agenda on last-mile logistics models”, International Journal of Physical Distribution and Logistics Management, Vol. 48 No. 3, pp. 308-332.

Lin, C. C., and Yu, C. S. (2006), “A heuristic algorithm for the three-dimensional container packing problem with zero unloading cost constraint”, in Systems, Man and Cybernetics, 2006

Lu, W., McFarlane, D., Giannikas, V., and Zhang, Q. (2016), “An algorithm for dynamic order- picking in warehouse operations”, European Journal of Operational Research, Vol. 248 No.1, pp. 107-122.

Macioszek, E. (2017), “First and Last Mile Delivery–Problems and Issues”, in Scientific And Technical Conference Transport Systems Theory And Practice, Springer, Cham, Katowice, pp. 147-

Mangiaracina R., Song G., Perego A. (2015), “Distribution network design: a literature review

45 No.5, pp. 506-531.

McKinnon, A.C., and Tallam, D. (2003) “Unattended delivery to the home: an assessment of the

Mangiaracina, R., Perego, A., Perotti, S., and Tumino, A. (2016), “Assessing the environmental impact of logistics in online and offline B2C purchasing processes in the apparel industry”, International Journal of Logistics Systems and Management, Vol. 23 No. 1, pp. 98- 124.

  1. 30 – 41.
    Meixell, M.J. and Norbis, M. (2008), “A review of the transportation mode choice and carrier

selection literature”, International Journal of Logistics Management, Vol. 19 No, 2, pp. 183-211. Miemczyk, J., Johnsen, T.E. and Macquet, M. (2012), “Sustainable purchasing and supply

management: a structured literature review of definitions and measures at the dyad, chain and network Murray, C. C., and Chu, A. G. (2015), “The flying sidekick traveling salesman problem:

Technologies, Vol. 54, pp. 86-109.

Osservatorio eCommerce B2c (2018), “eCommerce B2c: cresce il mercato, ma aumenta il

de Oliveira, L. K., Morganti, E., Dablanc, L., and de Oliveira, R. L. M. (2017), “Analysis of the potential demand of automated delivery stations for e-commerce deliveries in Belo Horizonte, Brazil”, Research in Transportation Economics, Vol. 65, pp. 34-43.

6 pp. 1917-1933.or delivery box?”, International Journal of Physical Distribution & Logistics Management, Vol. 31 10

Innovations in an Externalities Cost Reduction Vision”, Sustainability, Vol. 10 No. 3, pp. 782.

Savelsbergh, M., and Van Woensel, T. (2016), “50th anniversary invited article—City Logistics:

scientific conference Business Logistics in Modern Management, Osijek, pp. 111–130.
small- to-medium sized corporate eco-friendly initiatives”, International Journal of Logistics Systems 36

International Journal of Management Review, Vol. 9 No. 1, pp. 53-80.
Transportation Research Procedia, Vol. 4, pp. 361-373.
for E-fulfillment”, Mathematical Problems in Engineering.

 

Pan, S., Giannikas, V., Han, Y., Grover-Silva, E., and Qiao, B. (2017), “Using customer- related 5 data to enhance e-grocery home delivery”, Industrial Management & Data Systems, Vol. 117 No. 9,

Punakivi, M., Yrjölä, H., and Holmström, J. (2001), “Solving the last mile issue: reception box

No. 6, pp. 427-439.

Qi, W., Li, L., Liu, S., and Shen, Z. J. M. (2018), “Shared Mobility for Last-Mile Delivery: Design, Operational Prescriptions, and Environmental Impact”, Manufacturing & Service Operations Management, Vol. 20 No. 4, pp. 737-751.

Ranieri, L., Digiesi, S., Silvestri, B., and Roccotelli, M. (2018), “A Review of Last Mile Logistics Reyes, D., Savelsbergh, M., and Toriello, A. (2017), “Vehicle routing with roaming delivery

locations”, Transportation Research Part C: Emerging Technologies, Vol. 80, pp. 71-91. Challenges and Opportunities”, Transportation Science, Vol. 50 No. 2, pp. 579-590.

Shani, A. B. R. (2017), “Knowledge and practice: A historical perspective on collaborative management research”, In Jean M. Bartunek & Jane Mckenzie (Eds.), Academic–practitioner relationships, London: Routledge, Taylor & Francis, pp. 39– 56.

Slabinac, M. (2015), “Innovative solutions for a last-mile delivery”, in 15th international Smith, A.D. (2012), “Green manufacturing in the packaging and materials industry: case study of

and Management, Vol. 11, No. 4, pp. 429–449.

Srivastava, S.K. (2007), “Green supply chain management: a state-of-the-art literature review”,

Song, L., Wang, J., Liu, C., and Bian, Q. (2016). “Quantifying benefits of alternative home delivery operations on transport in China”, in Control, Automation and Systems (ICCAS), 2016 16th International Conference on, IEEE, Gyeongju, pp. 810-815.

Vanelslander, T., Deketele, L., and Van Hove, D. (2013), “Commonly used e-commerce supply chains for fast moving consumer goods: comparison and suggestions for improvement”, International Journal of Logistics Research and Applications, Vol. 16 No. 3, pp. 243- 256.

Verlinde, S., Macharis, C., Milan, L., and Kin, B. (2014), “Does a mobile depot make urban deliveries faster, more sustainable and more economically viable: results of a pilot test in Brussels”,

Wang, X., Zhan, L., Ruan, J., and Zhang, J. (2014), “How to choose “last mile” delivery modes

Wang, Y., Zhang, D., Liu, Q., Shen, F., and Lee, L. H. (2016), “Towards enhancing the last-mile delivery: An effective crowd-tasking model with scalable solution”, Transportation Research Part E: Logistics and Transportation Review, Vol. 93, pp. 279-293.

Wang, X., Yuen, K. F., Wong, Y. D., & Teo, C. C. (2018), “An innovation diffusion perspective of e-consumers’ initial adoption of self-collection service via automated parcel station”, The International Journal of Logistics Management, Vol. 29 No.1, pp. 237-260.

Wen, J., and Li, Y. (2016, July), “Vehicle routing optimization of urban distribution with self- pick-up lockers”, in Logistics, Informatics and Service Sciences (LISS), 2016 International Conference, IEEE, Sydney , pp. 1-6.

Wowak, Kaitlin D., and Boone, Christopher A. (2015), “So many recalls, so little research: A review of the literature and road map for future research”, Journal of Supply Chain Management Vol. 51 No. 4, pp. 54-72.

Xing, Y., and Grant, D. B. (2006), “Developing a framework for measuring physical distribution service quality of multi-channel and “pure player” internet retailers”, International Journal of Retail & Distribution Management, Vol. 34 No. 4/5, pp. 278-289.

Yang, X., Strauss, A. K., Currie, C. S., and Eglese, R. (2014), “Choice-based demand management and vehicle routing in e-fulfillment”, Transportation science, Vol. 50 No.2, pp. 473- 488.

Ye, C. (2015, July), “Economic Research on the “Last Mile” in E-commerce Logistics System on the Basis of Time and Space”, in International Conference on Logistics Engineering, Management and Computer Science (LEMCS 2015). Atlantis Press.

Yuen, K. F., Wang, X., Ng, L. T. W., and Wong, Y. D. (2018), “An investigation of customers’ intention to use self-collection services for last-mile delivery”, Transport Policy, Vol. 66, pp. 1-8.

Industry 4.0 innovation ecosystems: An evolutionary perspective on value cocreation

Benitez, G. B., Ayala, N. F., & Frank, A. G. (2020). Industry 4.0 innovation ecosystems: An evolutionary perspective on value cocreation. International Journal of Production Economics228, 107735.

Mots-clés : Industrie 4.0, Écosystème d’innovation, Fournisseurs de technologie, PME

L’étude porte sur l’évolution de l’industrie 4.0 à travers la cartographie technologique de 87 entreprises, de 37 entretiens avec les parties prenantes et d’un suivi de 2,5 ans d’un projet de banc d’essai mené par 8 entreprises.

L’industrie 4.0 permet un réseau de systèmes technologies complexes interconnectés entre eux avec une complémentarité des compétences et des technologies (Dalenogare et al., 2018 ; Reischauer, 2018 ; Rübmann et al., 2015).

Le premier aspect structurel est le cycle de vie de l’écosystème.

L’évolution d’un écosystème d’innovation se traduit en 4 étapes (naissance, expansion leadership, mort) Moore (1993). La naissance se concentre sur la proposition de valeur de la part des acteurs suivi de l’expansion lorsque l’ecosystème s’attaque à de nouveaux niveaux de concurrence. Le leadership quant à lui est définit par la gouvernance de l’écosystème par les principaux producteurs. La mort survient quand l’écosystème est menacé par de nouveaux entrants sur un marché mature pouvant amener une certaine innovation.

L’industrie 4.0 n’échappe pas à ce cycle de vie des produits.

Le second aspect structurel des éconosytèmes d’innovation est la composition des éléments structurels nécessaires au maintien de l’écosystème. Selon Rong et al. (2015), il y a 6 dimensions principales interdépendantes appelées les 6C : Contexte, Configuration, Capabilité, Coopération, Construction et Changement.

Ces écosystèmes d’innovations sont déterminant pour cocréer de la valeur.

Selon l’auteur, la base de ces écosystèmes d’innovations ainsi que de l’industrie 4.0 doit provenir de la théorie de l’échange social à travers le partage de valeur mutuelle. L’industrie 4.0 comprend des technologies interconnectés entre elles (ERP, robot collaboratif, capteurs, etc.). Cette interdépendance des technologies est très couteuse et complexe à mettre en place. Il faut alors des connaissances dans différents domaines (gestion, logiciels, données, communication, etc.) (Frank, Daleno- gare et Ayala, 2019a).

Les PME n’ont malheureusement pas forcément les moyens d’intégrer étroitement ces dispositifs. Ainsi, dans la chaine d’approvisionnement il est difficile d’instaurer une collaboration réciproque donc une théorie de l’échange social. Pour y remédier, ces PME peuvent proposer des écosystèmes d’innovations liés à des intéractions sociales pour cocréer des solutions complexe de l’industrie 4.0.

En effet, sur les principes de la SET, l’un des principes fondamentaux est le renforcement de la confiance et de la loyauté au fil du temps.

A travers une étude qualitative, l’article démontre comment les éléments d’échange social sont présents et soutiennent la structure de l’écosystème Industrie 4.0.

L’étude a été effectuée au Brésil dans l’une des régions les plus industrialisées dans près de 120 PME rattachées à l’association commerciale. Ces entreprises proposes des solutions d’automatisation innovantes indispensables à l’industrie 4.0.

La collecte des données a été effectuées durant la phase d’expansion de l’industrie 4.0 en 2016.

References

Adner, R., 2017. Ecosystem as structure: an actionable construct for strategy. J. Manag. 43, 39–58. https://doi.org/10.1177/0149206316678451.

Adner, R., 2006. Match your innovation strategy to your innovation ecosystem match your innovation strategy to your innovation ecosystem. Harv. Bus. Rev. 84, 98.

Ayala, N.F., Paslauski, C.A., Ghezzi, A., Frank, A.G., 2017. Knowledge sharing dynamics in service suppliers’ involvement for servitization of manufacturing companies. Int. J. Prod. Econ. 193, 538–553. https://doi.org/10.1016/j.ijpe.2017.08.019.

Bardin, L., 1977. L’Analyse de Contenu. sl. Presses Universitaires de France.
Blau, P.M., 1964. Exchange and Power in Social Life. John Wiley & Sons, NY.
Brass, D.J., Galaskiewicz, J., Greve, H.R., Tsai, W., 2004. Taking stock of networks and organizations: a multilevel perspective. Acad. Manag. J. 47, 795–817. https://doi. org/10.2307/20159624.
Buhr, D., 2015. Social Innovation Policy for Industry 4.0. Friedrich-Ebert-Stiftung,

Division for Social and Economic Policies.
CNI – Confederaç~ao Nacional da Indústria, 2016. Industry 4.0: a New Challenge for

Brazilian Industry. Available at: https://bucket-gw-cni-static-cms-si.s3.amazonaws. com/media/filer_public/54/02/54021e9b-ed9e-4d87-a7e5-3b37399a9030/cha llenges_for_industry_40_in_brazil.pdf.

Cropanzano, R., Mitchell, M.S., 2005. Social exchange theory: an interdisciplinary review. J. Manag. 31, 874–900. https://doi.org/10.1177/0149206305279602.

Dalenogare, L.S., Benitez, G.B., Ayala, N.F., Frank, A.G., 2018. The expected contribution of Industry 4.0 technologies for industrial performance. Int. J. Prod. Econ. 204, 383–394. https://doi.org/10.1016/j.ijpe.2018.08.019.

Dallasega, P., Rauch, E., Linder, C., 2018. Industry 4.0 as an enabler of proximity for construction supply chains: a systematic literature review. Comput. Ind. 99, 205–225. https://doi.org/10.1016/j.compind.2018.03.039.

Dedehayir, O., M€akinen, S.J., Roland Ortt, J., 2018. Roles during innovation ecosystem genesis: a literature review. Technol. Forecast. Soc. Change 136, 18–29. https://doi. org/10.1016/j.techfore.2016.11.028.

Emerson, R.M., 1976. Social exchange theory. Annu. Rev. Sociol. 2, 335–362. https:// doi.org/10.1146/annurev.so.02.080176.002003.

Frank, A.G., Cortimiglia, M.N., Ribeiro, J.L.D., Oliveira, L.S. de, 2016. The effect of innovation activities on innovation outputs in the Brazilian industry: market- orientation vs. technology-acquisition strategies. Res. Policy 45, 577–592. https:// doi.org/10.1016/j.respol.2015.11.011.

Frank, A.G., Gerstlberger, W., Paslauski, C.A., Lerman, L.V., Ayala, N.F., 2018. The contribution of innovation policy criteria to the development of local renewable energy systems. Energy Pol. 115 https://doi.org/10.1016/j.enpol.2018.01.036.

Frank Dalenogare, L.S., Ayala, N.F., 2019a. Industry 4.0 technologies: implementation patterns in manufacturing companies. Int. J. Prod. Econ. 210, 15–26. https://doi. org/10.1016/j.ijpe.2019.01.004.

Frank Mendes, G.H.S., Ayala, N.F., Ghezzi, A., 2019b. Servitization and Industry 4.0 convergence in the digital transformation of product firms: a business model innovation perspective. Technol. Forecast. Soc. Change 141, 341–351. https://doi. org/10.1016/j.techfore.2019.01.014.

Gawer, A., Cusumano, M.A., 2014. Industry platforms and ecosystem innovation. J. Prod. Innovat. Manag. 31, 417–433. https://doi.org/10.1111/jpim.12105.

Gawer, A.A., Cusumano, M.A., 2002. Platform Leadership: How Intel, Microsoft, and Cisco Drive Industry Innovation. Harvard Business School Press, Boston, MA.

Goffin, K., Åhlstro€m, P., Bianchi, M., Richtn�er, A., 2019. Perspective: state-of-the-art: the quality of case study research in innovation management. J. Prod. Innovat. Manag. https://doi.org/10.1111/jpim.12492.

IBGE, 2015. Demografia das Empresas | IBGE ([WWW Document]).
Kagermann, H., Wahlster, W., Helbig, J., 2013. Recommendations for implementing the

strategic initiative INDUSTRIE 4.0. Final Rep. Ind. 4, 0 WG 82.
Kitzinger, J., 1994. The methodology of Focus Groups: the importance of interaction

between research participants. Sociol. Health Illness 16, 103–121. https://doi.org/

10.1111/1467-9566.ep11347023.
Liao, Y., Deschamps, F., Loures, E. de F.R., Ramos, L.F.P., 2017. Past, present and future

of Industry 4.0 – a systematic literature review and research agenda proposal. Int. J.

Prod. Res. 55, 3609–3629. https://doi.org/10.1080/00207543.2017.1308576. Lu, Y., 2017. Industry 4.0: a survey on technologies, applications and open research

issues. J. Ind. Inf. Integr. 6, 1–10. https://doi.org/10.1016/J.JII.2017.04.005. Lusch, R., Vargo, S., 2014. The Service-Dominant Logic of Marketing: Dialog, Debate, and Directions.
Marodin, G., Frank, A.G., Tortorella, G.L., Netland, T., 2018. Lean product development and lean manufacturing: testing moderation effects. Int. J. Prod. Econ. 203,

301–310. https://doi.org/10.1016/j.ijpe.2018.07.009.
Marodin, G.A., Tortorella, G.L., Frank, A.G., Godinho Filho, M., 2017. The moderating

effect of Lean supply chain management on the impact of Lean shop floor practices on quality and inventory. Supply Chain Manag.: Int. J. https://doi.org/10.1108/ SCM-10-2016-0350.

Moeuf, A., Pellerin, R., Lamouri, S., Tamayo-Giraldo, S., Barbaray, R., 2018. The industrial management of SMEs in the era of Industry 4.0. Int. J. Prod. Res. 56, 1118–1136. https://doi.org/10.1080/00207543.2017.1372647.

Moore, J.F., 1993. Predators and prey: a new ecology of competition. Harv. Bus. Rev. 71, 75–86.

Müller, J.M., Buliga, O., Voigt, K.-I., 2018. Fortune favors the prepared: how SMEs approach business model innovations in Industry 4.0. Technol. Forecast. Soc. Change 132, 2–17. https://doi.org/10.1016/j.techfore.2017.12.019.

Osterrieder, P., Budde, L., Friedli, T., 2019. The smart factory as a key construct of industry 4.0: a systematic literature review. Int. J. Prod. Econ. https://doi.org/ 10.1016/j.ijpe.2019.08.011.

Piccarozzi, M., Aquilani, B., Gatti, C., 2018. Industry 4.0 in management studies: a systematic literature review. Sustainability 10, 3821. https://doi.org/10.3390/ su10103821.

PINTEC, 2014. Pesquisa de Inovaç~ao – PINTEC | IBGE [WWW document]. Inovaç~ao – PINTEC, Pesqui.

PWC – PricewaterhouseCoopers, 2016. Industry 4.0: Building the Digital Enterprise. Reischauer, G., 2018. Industry 4.0 as policy-driven discourse to institutionalize

innovation systems in manufacturing. Technol. Forecast. Soc. Change 132, 26–33.

https://doi.org/10.1016/J.TECHFORE.2018.02.012.
Reynolds, E.B., Uygun, Y., 2017. Strengthening advanced manufacturing innovation ecosystems: the case of Massachusetts. Technol. Forecast. Soc. Change. https://doi.org/10.1016/j.techfore.2017.06.003.
Rong, K., Hu, G., Lin, Y., Shi, Y., Guo, L., 2015. Understanding business ecosystem using a 6C framework in Internet-of-Things-based sectors. Int. J. Prod. Econ. 159, 41–55.

https://doi.org/10.1016/j.ijpe.2014.09.003.
Rübmann, M., Lorenz, M., Gerbert, P., Waldner, M., Justus, J., Engel, P., Harnisch, M., 2015. Industry 4.0: the Future of Productivity and Growth in Manufacturing

Industries (Boston Consulting Group).
Russell, M.G., Smorodinskaya, N.V., 2018. Leveraging complexity for ecosystemic innovation. Technol. Forecast. Soc. Change 1–18. https://doi.org/10.1016/j. techfore.2017.11.024.
Schiele, H., Veldman, J., Hüttinger, L., Pulles, N., 2012. Towards a social exchange

theory perspective on preferred customership — concept and practice. In: Supply Management Research. Gabler Verlag, Wiesbaden, pp. 133–151. https://doi.org/ 10.1007/978-3-8349-3928-9_6.

Sklyar, A., Kowalkowski, C., Tronvoll, B., So€rhammar, D., 2019. Organizing for digital servitization: a service ecosystem perspective. J. Bus. Res. 104, 450–460. https:// doi.org/10.1016/j.jbusres.2019.02.012.

Sommer, L., 2015. Industrial revolution-industry 4.0: are German manufacturing SMEs the first victims of this revolution? J. Ind. Eng. Manag. 8, 1512–1532. https://doi. org/10.3926/jiem.1470.

Tanskanen, K., 2015. Who wins in a complex buyer-supplier relationship? A social exchange theory based dyadic study. Int. J. Oper. Prod. Manag. 35, 577–603. https://doi.org/10.1108/IJOPM-10-2012-0432.

Teece, D.J., Pisano, G., Shuen, A., 1997. Dynamic capabilities and strategic management. Strat. Manag. J. 18, 509–533. https://doi.org/10.1002/(SICI)1097-0266(199708) 18:7<509::AID-SMJ882>3.0.CO;2-Z.

Tsujimoto, M., Kajikawa, Y., Tomita, J., Matsumoto, Y., 2018. A review of the ecosystem concept — towards coherent ecosystem design. Technol. Forecast. Soc. Change 136, 49–58. https://doi.org/10.1016/j.techfore.2017.06.032.

Voss, C., Tsikriktsis, N., Frohlich, M., 2002. Case research in operations management. Int. J. Oper. Prod. Manag. 22, 195–219. https://doi.org/10.1108/01443570210414329.

Wang, L., Torngren, M., Onori, M., 2015. Current status and advancement of cyber- physical systems in manufacturing. J. Manuf. Syst. 37, 517–527. https://doi.org/ 10.1016/j.jmsy.2015.04.008.

Wu, I.-L., Chuang, C.-H., Hsu, C.-H., 2014. Information sharing and collaborative behaviors in enabling supply chain performance: a social exchange perspective. Int. J. Prod. Econ. 148, 122–132. https://doi.org/10.1016/j.ijpe.2013.09.016.

Xu, L. Da, Xu, E.L., Li, L., 2018. Industry 4.0: state of the art and future trends. Int. J. Prod. Res. 56, 2941–2962. https://doi.org/10.1080/00207543.2018.1444806.

Yin, R.K., 2009. Case Study Research: Design and Methods (Sage, Los Angeles. Cal). Yin, Y., Stecke, K.E., Li, D., 2018. The evolution of production systems from Industry 2.0 through Industry 4.0. Int. J. Prod. Res. 56, 848–861. https://doi.org/10.1080/ 00207543.2017.1403664.

Zhao, X., Huo, B., Flynn, B.B., Yeung, J.H.Y., 2008. The impact of power and relationship commitment on the integration between manufacturers and customers in a supply

chain. J. Oper. Manag. 26, 368–388. https://doi.org/10.1016/j.jom.2007.08.002. Zhong, R.Y., Xu, X., Klotz, E., Newman, S.T., 2017. Intelligent manufacturing in the context of industry 4.0: a review. Engineering 3, 616–630. https://doi.org/10.1016/ J.ENG.2017.05.015.

A review of the environmental implications of B2C e-commerce: a logistics perspective

Mangiaracina, R., Marchet, G., Perotti, S., & Tumino, A. (2015). A review of the environmental implications of B2C e-commerce: a logistics perspective. International Journal of Physical Distribution & Logistics Management.

Mots clefs : e-commerce, durabilité, logistique,

Cette revue traite de l’importance de la durabilité au sein des plateformes e-commerce (BtoC).

L’accélération du commerce électronique entre les entreprises et les consommateurs (BtoC) s’est considérablement développé. Ce succès est dû à plusieurs facteurs tels que la compétitivité des prix (Bruce et Daly, 2010), un gamme de produits plus large (Park et al., 2012) ainsi qu’une expérience client de qualité (Brugnoli et al., 2009).

Pour se faire, les entreprises doivent choisir la meilleure stratégie logistique afin d’adapter l’offre à la demande ainsi qu’un service premium concernant la gestion des retours (Wei et Zhou, 2011).

D’autre part, il existe des facteurs dit « systémiques » qui favorisent le commerce électronique Mangiaracina et al., 2012) tels que la protection des consommateurs, l’adoption de différents systèmes de paiement (Mangiaracina et Perego, 2009).

Du fait des préoccupations environnementales des dernières années,  la durabilité est devenue un facteur de différenciation pour les plateformes électroniques. Parmi les différentes définitions de la durabilité, la plus connue est celle de la Commission mondiale sur l’environnement et le développement « un développement qui répond aux besoins du présent sans compromettre la capacité des générations futures à répondre à leurs besoins.

L’approche de Triple Bottom Line propose 3 composants que doit détenir la durabilité : l’environnement naturel, la société et la performance économique et prendre en compte les personnes et la planète en plus du profit conduit à un résultat plus durable (Elkington, 1994 ; Colicchia et al., 2013 ; Marchet et al., 2014).

L’adoption de la durabilité peut se traduite par la mise en place d’une chaîne d’approvisionnement durable (Meixell et Luoma, 2015). La durabilité est considérée comme un avantage concurrentiel en offrant des valeurs durables et ce tout en permettant aux entreprises d’améliorer leurs opérations et leur croissance Hart et Milstein, 2003 ; Porter et Kramer, 2006).

Sur de la vente au détail, certains facteurs nécessaires à la fabrication et à la distribution des produits peuvent être sources d’une activité logistique environnementale durable liée à l’entreposage ou le transport de ces produits au sein de la chaîne d’approvisionnement (McKinnon et al., 2012).

Cette article s’intéresse également aux services interentreprises (BtoB) dans le cadre du commerce électronique qui n’est à ce jour que très peu documenté.

L’objectif principal est de déterminer l’implication environnementale des commerces électroniques en se concentrant sur les activités logistiques et de transports.

Pour cette étude 56 articles ont été pris en compte pour une étude approfondie. Ces articles sont issus de 38 revues scientifiques sur différents thèmes (environnement, logistique et transport, commerce électronique, etc.). Les résultats obtenus correspondre à l’essor du commerce électronique aux Etats-Unis, Japon, Royaume-Uni, Allemagne et Chine (les principaux marchés).

Certaines observations générales ont été relevées notamment sur liées à l’augmentation des camionnettes et des véhicules à carburant rejettent plus de CO2 que d’autres plus grand (avec l’expansion du commerce en ligne) (Allen et Browne, 2010). Dans un second temps,les livraisons ratées provoquent des effets supplémentaires dues à des trajets supplémentaires pour le retour des produits. Le mode de consommation indique que les acheteurs privilégient plusieurs sites interne pour l’achat de produit distinct, ce qui constitue une multitude de livraisons au même point. Un problème récurrent ressort également au sein d’un même détaillant qui possède plusieurs entrepôts, selon les commandes il peut y avoir des livraisons distinctes.

Les emballages sont très nocifs pour l’aspect environnemental. En effet, le commerce électronique BtoC a un impact nocif puisque les emballages concernent souvent quelques produits uniquement. Ils ne concernant pas un fort volume de produits par exemple (Borggren et al., 2011 ; Van Loon et al., 2014).

La conception du réseau de distribution constitue un facteur important dans la durabilité du commerce électronique BtoC. Les points de collecte permettent de limiter les déplacements des livreurs en un point centralisé ce qui réduit considérablement les distances totales de déplacement (par exemple, Taniguchi et Kakimoto, 2003 ; Weltevreden et Rotem-Mindali, 2009).

Des indicateurs ont été utilisées pour mesurer les impacts environnementaux : « utilisation de l’énergie », « émissions de gaz », « déchets générés » et « kilométrage du trafic ». Plus de 60% des articles étudiés font un comparatif entre l’achat en ligne et l’achat traditionnel.

En ce qui concerne le premier indicateur de la consommation d’énergie, les impacts du commerce électronique ont montrés que les effets environnementaux étaient moindres avec une hypothèse de 35% de taux de retour sur l’industrie du livre américaine et japonaise Matthews et al. (2001).

Pour le second indicateur lié à l’émission de gaz, les activités de transport est le plus souvent  analysé puisque l’on considère qu’il constitue la majorité des émissions dans le cadre de la durabilité (Edwards et al., 2010 ; Weber et al., 2010). En fonction des modes de livraisons, celles-ci peuvent s’avérer positives pour l’environnement comme négatives vis-à-vis des achats en magasin si le réseau de distribution n’est pas optimisé. Les invendus sont étroitement liés aux émissions puisqu’ils constituent des flux supplémentaires entre le magasin et les entrepôts (Matthews et al., 2001). Les retours créent également des flux supplémentaires, ils peuvent représenter jusqu’à 30% ce qui n’est pas négligeable pour mesurer la durabilité entre les deux modèles (traditionnel et e-commerce) (Wiese et al., 2012).

La production des déchets provient principalement des emballages pour l’éxécution et la livraison des produits dans le commerce électronique Matthews et al. (2001).

Enfin, certains articles relatent les « pratiques vertes » avec l’utilisation de système de transport alternatif par exemple (hybride, électrique) (González-Benito et González-Benito, 2006 ; Jumadi et Zailani, 2010 ; Lieb et Lieb, 2008). L’arrivée des drones par Amazon permettrait d’instaurer un système innovant concernant la livraison du dernier kilomètre.

Conclusion : Cette étude a permis de corroborer la littérature existante sur le fait que 4 domaines des opérations logistiques du commerce électronique BtoC avaient un impact sur l’environnement (entreposage, emballage, réseau de distribution et gestion du transport). Les 4 indicateurs utilisés ont été pour démontrer l’implication environnementale du commerce électronique BtoC (consommation d’énergie, émissions de gaz, les déchets et le kilométrage parcouru).

References

Abukhader, S.M. and Jönson, G. (2003), “The environmental implications of electronic commerce: a critical review and framework for future investigation”, Management of Environmental Quality: An International Journal, Vol. 14 No. 4, pp. 460-476.

Abukhader, S.M. and Jönson, G. (2004), “E-commerce and the environment: a gateway to the renewal of greening supply chains”, International Journal of Technology Management, Vol. 28 No. 2, pp. 274-288.

Abukhader, S.M. and Jönson, G. (2008), “Eco-efficiency in the era of electronic commerce – is there a need for adopting ‘eco-effectiveness’?”, Journal of Cleaner Production, Vol. 1 No. 7, pp. 801-808.

Allen, J. and Browne, M. (2010), “Vans and the economy”, project report, Commission for Integrated Transport.

Aronsson, H. and Brodin, M.H. (2006), “The environmental impact of changing logistics structures”, International Journal of Logistics Management, Vol. 17 No. 3, pp. 394-415.

Borggren, C., Moberg, A. and Finnvreden, G. (2011), “Books from an environmental perspective – part 1: environmental impacts of paper books sold in traditional and internet bookshops”, The International Journal of Life Cycle Assessment, Vol. 11 No. 2, pp. 138-147.

Bruce, G.M. and Daly, L. (2010), “Innovative process in e-commerce fashion supply chains”, in Edwin Cheng, T.C. and Tsan-Ming Choi (Eds), Innovative Quick Response Programs in Logistics and Supply Chain Management, Springer Berlin, Heidelberg, pp. 227-241.

Brugnoli, G., Mangiaracina, R. and Perego, A. (2009), “The ecommerce customer journey: a model to assess and compare the user experience of the ecommerce websites”, Journal of Internet Banking and Commerce, Vol. 14 No. 3, pp. 1‐11.

Cairns, S. (2005), “Delivering supermarket shopping: more or less traffic?”, Transport Reviews: A Transnational Transdisciplinary Journal, Vol. 25 No. 1, pp. 51-84.

Carrillo, J.E., Vakharia, A.J. and Wang, R. (2014), “Environmental implications for online retailing”, European Journal of Operational Research, Vol. 239 No.3, pp. 744-755.

Carter, C.R. and Rogers, D.S. (2008), “A framework of sustainable supply chain management: moving toward new theory”, International Journal of Physical Distribution & Logistics Management, Vol. 38 No. 5, pp. 360-387.

Carter, C.R., Kauffman, L. and Michel, A. (2007), “Behavioral supply management: a taxonomy of judgment and decision-making biases”, International Journal of Physical Distribution & Logistics Management, Vol. 37 No. 8, pp. 631-669.

Colicchia, C., Marchet, G., Melacini, M. and Perotti, S. (2013), “Building environmental sustainability: empirical evidence from logistics service providers”, Journal of Cleaner Production, Vol. 59, pp. 197-209.

Durand, B. and Gonzalez-Feliu, J.G. (2012), “Urban logistics and e-grocery: have proximity delivery services a positive impact on shopping trips?”, Procedia – Social and Behavioral Sciences, Vol. 39, pp. 510-520.

Edwards, J.B., McKinnon, A.C. and Cullinane, S.L. (2010), “Comparative analysis of the carbon footprints of conventional and online retailing: a ‘last mile’ perspective”, International Journal of Physical Distribution & Logistics Management, Vol. 40 No. 1, pp. 103-123.

Edwards, J.B., McKinnon, A.C. and Cullinane, S.L. (2011), “Comparative carbon auditing of conventional and online retail supply chains: a review of methodological issues”, Supply Chain Management: An International Journal, Vol. 16 No. 1, pp. 57-63.

Elkington, J. (1994), “Towards the sustainable corporation: win-win-win strategies for sustainable development”, California Management Review, Vol. 36, pp. 90-100.

Evans, P.F. and Camus, L. (2010), “Western European Online Retail Forecast, 2009-2014”, available at: www.forrester.com/Western+European+Online+Retail+Forecast+2009+To +2014/fulltext/-/E-RES56543 (accessed November 12, 2013).

Farag, S., Schwanen, T., Dijst, M. and Faber, J. (2007), “Shopping online and/or in-store? A structural equation model of the relationships between e-shopping and in-store shopping”, Transportation Research Part A: Policy and Practice, Vol. 41 No. 2, pp. 125-141.

Fitcher, K. (2002), “E-commerce, sorting out the environmental consequences”, Journal of Industrial Ecology, Vol. 6 No. 2, pp. 25-41.

Fulton, K. and Lee, S.E. (2013), “Assessing sustainable initiatives of apparel retailers on the internet”, Journal of Fashion Marketing and Management, Vol. 17 No. 3, pp. 353-366.

Gay, R.H., Davis, R.A., Phillis, D.T. and Sui, D.Z. (2005), “Modeling paradigm for the environmental impacts of the digital economy”, Journal of Organizational Computing and Electronic Commerce, Vol. 15 No. 1, pp. 61-82.

Ghadge, A., Dani, S. and Kalawsky, R. (2012), “Supply chain risk management: present and future scope”, International Journal of Logistics Management, Vol. 23 No. 3, pp. 313-339.

Ghezzi, A., Mangiaracina, R. and Perego, A. (2012), “Shaping the e-commerce logistics strategy: a decision framework”, International Journal of Engineering Business Management, Vol. 4 No. 13, pp. 1-13.

Golicic, S., Boerstler, C. and Ellram, L. (2010), “‘Greening’ transportation in the supply chain”, Sloan Management Review, Vol. 5 No. 2, pp. 47-55.

González-Benito, J. and González-Benito, O. (2006), “The role of stakeholder pressure and managerial values in the implementation of environmental logistics practices”, International Journal of Production Research, Vol. 44 No. 7, pp. 1353-1373.

Hart, S.L. and Milstein, M.B. (2003), “Creating sustainable value”, Academy of Management Perspectives, Vol. 17 No. 2, pp. 56-67.

Hesse, D. (2002), “Shipping news: the implications of electronic commerce for logistics and freight transport”, Resources, Conservation and Recycling, Vol. 36 No. 3, pp. 211-240.

Hossain, A. (2002), “E-commerce and sustainability: concepts, issues and experiences”, Pakistan Journal of Information and Technology, Vol. 1 No. 2, pp. 188-192.

Jumadi, H. and Zailani, S. (2010), “Integrating green innovations in logistics services towards logistics service sustainability: a conceptual paper”, Environmental Research Journal, Vol. 4 No. 4, pp. 261-271.

Kim, J., Xu, M., Kahhat, R., Allenby, B. and Williams, E. (2009), “Designing and assessing a sustainable networked delivery (SND) system: hybrid business-to-consumer book delivery case study”, Environmental Science & Technology, Vol. 43 No. 1, pp. 181-187.

Lenz, B. (2003), “Will electronic commerce help to reduce traffic in agglomeration areas?”, Transportation Research Record: Journal of the Transportation Research Board, Vol. 1858 No. 3, pp. 39-46.

Lieb, K.J. and Lieb, R.C. (2010), “Environmental sustainability in the third-party logistics (3PL) industry”, International Journal of Physical Distribution & Logistics Management, Vol. 40 No. 7, pp. 524-533.

Lieb, R.C. and Lieb, K.J. (2008), “The North American third-party logistics industry in 2008: the provider CEO perspective”, Transportation Journal, Vol. 49 No. 2, pp. 1-25.

Lim, H. and Shiode, N. (2011), “The impact of online shopping demand on physical distribution networks: a simulation approach”, International Journal of Physical Distribution & Logistics Management, Vol. 41 No. 8, pp. 732-749.

Lin, C.Y. and Ho, Y.H. (2008), “An empirical study on logistics service providers’ intention to adopt green innovations”, Journal of Technology Management and Innovation, Vol. 3 No. 1, pp. 17-26.

McKinnon, A., Browne, M. and Whiteing, A. (2012), Green Logistics: Improving the Environmental Sustainability of Logistics, Kogan Page, London.

McKinnon, A.C. (2010), “Product-level carbon auditing of supply chains (environmental imperative or wasteful distraction?)”, International Journal of Physical Distribution & Logistics Management, Vol. 40 Nos 1-2, pp. 42-60.

McLeod, F., Cherret, T. and Song, L. (2006), “Transport impacts of local collection/delivery points”, International Journal of Logistics Research and Applications: A Leading Journal of Supply Chain Management, Vol. 9 No. 3, pp. 307-317.

Mangiaracina, R. and Perego, A. (2009), “Payment systems in the B2c e-commerce: are they a barrier for the online customer?”, Journal of Internet Banking and Commerce, Vol. 14 No. 3, pp. 1-16.

Mangiaracina, R., Perego, A. and Campari, F. (2012), “Factors influencing B2c e-commerce diffusion”, World Academy of Science, Engineering and Technology, Vol. 65, pp. 311-319.

Marchet, G., Melacini, M. and Perotti, S. (2014), “Environmental sustainability in logistics and freight transportation: a literature review and research agenda”, Journal of Manufacturing Technology Management, Vol. 25 No. 6, pp. 775-811.

Matthews, H.S. and Hendrickson, C.T. (2003), “The economic and environmental implications of centralized stock keeping”, Journal of Industrial Ecology, Vol. 6 No. 2, pp. 71-81.

Matthews, H.S., Hendrickson, C.T. and Soh, D.L. (2001), “Environmental and economic effects of e-commerce: a case study of book publishing and retail logistics”, Transportation Research Record: Journal of the Transportation Research Board, Vol. 1763 No. 1, pp. 6-12.

Matthews, H.S., Williams, E., Tagami, T. and Hendrickson, C.T. (2002), “Energy implications of online book retailing in the United States and Japan”, Environmental Impact Assessment Review, Vol. 22 No. 5, pp. 493-507.

Meixell, M.J. and Luoma, P. (2015), “Stakeholder pressure in sustainable supply chain management: a systematic review”, International Journal of Physical Distribution & Logistics Management, Vol. 45 Nos 1/2, pp. 69-89.

Meixell, M.J. and Norbis, M. (2008), “A review of the transportation mode choice and carrier selection literature”, International Journal of Logistics Management, Vol. 19 No. 2, pp. 183-211.

Mokhtarian, P.L. (2004), “A conceptual analysis of the transportation impacts of B2C e-commerce”, Transportation, Vol. 3 No. 3, pp. 257-284.

Mollenkopf, D., Stolze, H., Tate, W. and Ueltschy, M. (2010), “Green, lean and global supply chain strategies”, International Journal of Physical Distribution & Logistics Management, Vol. 40 Nos 1/2, pp. 14-41.

Mouratidis, H. and Cofta, P. (2010), “Practitioner’s challenges in designing trust into online systems”, Journal of Theoretical and Applied Electronic Commerce Research, Vol. 5 No. 3, pp. 65‐77.

Mulpuru, S. (2013), “The state of retailing online 2013: key metrics and initiatives”, available at: www.forrester.com/The+State+Of+Retailing+Online+2013+Key+Metrics+And+Initiatives/ fulltext/-/E-RES89902 (accessed October 30, 2013).

Natarajarathinam, M., Capar, I. and Narayanan, A. (2009), “Managing supply chains in times of crisis: a review of literature and insights”, International Journal of Physical Distribution & Logistics Management, Vol. 39 No. 7, pp. 535-573.

Ngai, E.W.T. and Wat, F.K.T. (2002), “A literature review and classification of electronic commerce research”, Information & Management, Vol. 39 No. 5, pp. 415-429.

Park, E.J., Kim, E.Y., Funches, V.M. and Foxx, W. (2012), “Apparel product attributes, web browsing, and e-impulse buying on shopping websites”, Journal of Business Research, Vol. 65 No. 11, pp. 1583-1589.

Park, M. and Regan, A. (2004), Issues in Home Delivery Operations, University of California, Transportation Center, Los Angeles, CA.

Peng, L., Li, Q. and Zhang, X. (2005), “Optimism or pessimism: environmental impacts of the e-commerce”, Environmental Informatics Archives, Vol. 3, pp. 263-269.

Perego, A., Perotti, S. and Mangiaracina, R. (2011), “ICT for logistics and freight transportation: a literature review and research agenda”, International Journal of Physical Distribution & Logistics Management, Vol. 41 No. 5, pp. 457-483.

Pettit, S. and Beresford, A. (2009), “Critical success factors in the context of humanitarian aid supply chains”, International Journal of Physical Distribution & Logistics Management, Vol. 39 No. 6, pp. 450-468.

Plepys, A. (2002), “The grey side of ICT”, Environmental Impact Assessment Review, Vol. 22 No. 5, pp. 509-523.

Porter, M.E. and Kramer, M.R. (2006), “Strategy and society: the link between competitive advantage and corporate social responsibility”, Harvard Business Review, Vol. 84, pp. 78-92.

Primerano, F., Taylor, M.A.P., Pitaksringkarn, L. and Tisato, P. (2008), “Defining and understanding trip chaining behavior”, Transportation, Vol. 35 No. 1, pp. 55-72.

Punakivi, M. and Saranen, J. (2001), “Identifying the success factors in e-grocery home delivery”, International Journal of Retail & Distribution Management, Vol. 29 No. 4, pp. 156-163.

Punakivi, M., Yrjölä, H. and Holmström, J. (2001), “Solving the last mile issue: reception box or delivery book?”, International Journal of Physical Distribution & Logistics Management, Vol. 31 No. 6, pp. 427-439.

Reijnders, L. and Hoogeveen, M.J. (2001), “Energy effects associated with e-commerce: a case study concerning online sales of personal computers in the Netherlands”, Journal of Environmental Management, Vol. 62 No. 3, pp. 271-282.

Rizet, C., Cornélis, E., Browne, M. and Léonardi, J. (2010), “GHG emissions of supply chains from different retail systems in Europe”, Procedia – Social and Behavioral Sciences, Vol. 2 No. 3, pp. 6154-6164.

Rodiguez-Ardura, I., Meseguer-Artola, A. and Vilaseca-Requena, J. (2008), “Factors influencing the evolution of electronic commerce: an empirical analysis in a developed market economy”, Journal of Theoretical and Applied Electronic Commerce Research, Vol. 3 No. 2, pp. 18-29.

Romm, J. (2002), “The internet and the new energy economy”, Resources, Conservation and Recycling, Vol. 36 No. 3, pp. 131-152.

Rotem-Mindali, O. (2010), “E-tail versus retail: the effects on shopping related travel empirical evidence from Israel”, Transport Policy, Vol. 17 No. 5, pp. 312-322.

Rotem-Mindali, O. and Salomon, I. (2007), “The impacts of e-retail on the choice of shopping trips and delivery: some preliminary findings”, Transportation Research Part A, Vol. 41 No. 2, pp. 176-189.

Shao, T. and Liu, Z. (2012), “How to maintain the sustainability of an e-commerce firm? From the perspective of social network”, International Journal of Networking and Virtual Organizations, Vol. 11 No. 3, pp. 212-224.

Siikavirta, H., Punakivi, M., Kärkkäinen, M. and Linnanen, L. (2003), “Effects of e-commerce on greenhouse gas emission: a case study of grocery home delivery in Finland”, Journal of Industrial Ecology, Vol. 6 No. 2, pp. 83-97.

Sivaraman, D., Pacca, S., Mueller, K. and Lin, J. (2007), “Comparative energy, environmental, and economic analysis of traditional and e-commerce DVD rental networks”, Journal of Industrial Ecology, Vol. 11 No. 3, pp. 77-91.

Srivastava, S.K. (2007), “Green supply-chain management: a state-of-the-art literature review”, International Journal of Management Reviews, Vol. 9 No. 1, pp. 53-80.

Sui, D.Z. and Rejeski, D.W. (2002), “Environmental impacts of the emerging digital economy: the e-for-environment e-commerce?”, Environmental Management, Vol. 2 No. 29, pp. 155-163.

Taniguchi, E. and Kakimoto, Y. (2003), “Effects of e-commerce on urban distribution and the environment”, Journal of the Eastern Asia Society for Transportation Studies, Vol. 5 October, pp. 2355-2366.

Tehrani, S.M. and Karbassi, A.R. (2005), “Application of e-commerce in local home shopping and its consequences on energy consumption and air pollution reduction”, Iranian Journal of Environmental Health Science Engineering, Vol. 2 No. 4, pp. 247-250.

Tehrani, S.M., Karbassi, A.R., Ghoddosi, J., Monavvari, S.M. and Mirbagheri, S.A. (2009), “Prediction of energy consumption and urban air pollution reduction in e-shopping adoption”, Journal of Food, Agriculture & Environment, Vol. 7 No. 4, pp. 898-903.

Teo, J.S.E., Taniguchi, E. and Qureshi, A.G. (2012a), “Evaluating city logistics measure in e-commerce with multi-agent systems”, Procedia – Social and Behavioral Sciences, Vol. 39, pp. 349-359.

Teo, J.S.E., Taniguchi, E. and Qureshi, A.G. (2012b), “Evaluation of distance-based and cordon- based urban freight road pricing in e-commerce environment with multi-agent model”, Transportation Research Record: Journal of the Transportation Research Board, Vol. 2269, pp. 127-134.

Thornton, R.V. and Ferrone, R. (2001), “The environment, e-commerce, and sustainability”, Environmental Quality Management, Vol. 10 No. 3, pp. 85-91.

Tiwari, S. and Singh, P. (2011), “E-commerce: prospect or threat for environment”, International Journal of Environmental Science and Development, Vol. 2 No. 3, pp. 211-217.

Van Loon, P., Deketele, L., Dewaele, J., McKinnon, A. and Rutherford, C. (2014), “A comparative analysis of carbon emissions from online retailing of fast moving consumer goods”, Journal of Cleaner Production, doi:10.1016/j.jclepro.2014.06.060, available at: http://dx.doi.org/ 10.1016/j.jclepro.2014.06.060

Velásquez, M., Ahmad, A.R. and Bliemel, M. (2009), “State-of-the-art in e-commerce carbon footprinting”, Journal of Internet Banking and Commerce, Vol. 14 No. 3, pp. 1-21.

Venus, L.Y. (2011), “Green management practices and firm performance: a case of container terminal operations”, Resources, Conservation and, Recycling, Vol. 55 No. 6, pp. 559-566.

Wang, L. and Yu, Y. (2012), “E-commerce promote the development of low-carbon economy in Jilin Province”, Information Technology Journal, Vol. 12 No. 3, pp. 462-465.

Wang, Y. and Lalwani, C.S. (2007), “Using e-business to enable customised logistics sustainability”, International Journal of Logistics Management, Vol. 18 No. 3, pp. 402-419.

Weber, C.L., Koomey, J.G. and Matthews, H.S. (2010), “The energy and climate change implications of different music delivery methods”, Journal of Industrial Ecology, Vol. 14 No. 5, pp. 754-769.

Wei, Z. and Zhou, L. (2011), “Case study of online retailing fast fashion industry”, International Journal of e-Education, e-Business, e-Management and e-Learning, Vol. 1 No. 3, pp. 195-200.

Weltevreden, J.W.J. and Rotem-Mindali, O. (2009), “Mobility effects of b2c and c2c e-commerce in the Netherlands: a quantitative assessment”, Journal of Transport Geography, Vol. 17 No. 2, pp. 83-92.

Wiese, A., Toporowsky, W. and Zielke, S. (2012), “Transport-related CO2 effects of online and brick-and-mortar shopping: a comparison and sensitivity analysis of clothing retailing”, Transportation Research Part D, Vol. 17 No. 6, pp. 473-477.

Williams, E. and Tagami, T. (2003), “Energy use in sales and distribution via e-commerce and conventional retail: a case study of the Japanese book sector”, Journal of Industrial Ecology, Vol. 6 No. 2, pp. 99-114.

Winter, M. and Knemeyer, A.M. (2013), “Exploring the integration of sustainability and supply chain management: current state and opportunities for future inquiry”, International Journal of Physical Distribution & Logistics Management, Vol. 43 No. 1, pp. 18-38.

World Commission on Environment and Development (1987), Our Common Future, Oxford University Press, New York, NY.

Wygonik, E. and Goodchild, A. (2011), “Evaluating CO2 emissions, cost, and service quality trade- offs in an urban delivery system case study”, IATTS (International Association of Traffic and Safety Sciences) Research, Vol. 35 No. 1, pp. 7-15.

Xu, M., Allenby, B., Kim, J. and Kahhat, R. (2009), “A dynamic agent-based analysis for the environmental impacts of conventional and novel book retailing”, Environmental Science Technology, Vol. 43 No. 8, pp. 2851-2857.

Yang, L. and Zhang, Y.Z. (2010), “Empirical study on evaluation of regional agri-food logistics capability in e-commerce environment based on factor analysis – a case study of Hebei Province”, Chinese Business Review, Vol. 9 No. 12, pp. 38-43.

Yi, L. and Thomas, H.R. (2007), “A review of research on the environmental impact of e-business and ICT”, Environmental International, Vol. 33 No. 6, pp. 841-848.

Zanni, A.M. and Bristow, A.L. (2010), “Emissions of CO2 from road freight transport in London: trends and policies for long run reductions”, Energy Policy, Vol. 38 No. 4, pp. 1774-1786.

Zhang, L. and Zhang, Y. (2013), “A comparative study of environmental impacts of two delivery systems in the business-to-customer book retail sector”, Journal of Industrial Ecology, Vol. 17 No. 3, pp. 407-417.

Social media marketing efforts of luxury brands : Influence on brand equity and consumer behavior

Fiche de lecture

Référence au format APA :

Godey, B. (2016). Social media marketing efforts of luxury brands : Influence on brand equity and consumer behavior, Journal of Business Research, 69(12), 5833–5841.

Suivi des mots clés de l’article :

Mots clés : marketing des médias sociaux, capital de marque, préférence, fidélité, prime de prix, marques de luxe, international.

Synthèse :

B.Godey examinent les effets du marketing des médias sociaux sur les marques de luxe. En effet, l’objectif de cette recherche est de montrer comment les efforts de marketing des médias sociaux influencent le capital de marque et le comportement des consommateurs envers les marques de luxes (comme par exemple, Louis Vuitton, Hermès, …) au sein de divers pays.

Les efforts marketing des marques sur les réseaux sociaux incorporent cinq aspects (divertissement, interaction, tendance, personnalisation et bouche à oreille). Aussi, les efforts de marketing des marques sur les réseaux sociaux ont de nombreuses conséquences sur les consommateurs comme la préférence de marque, la prime de prix et la fidélité. Enfin, dans cette étude, B.Godey, montre que les PMI influence le capital de la marque ainsi que le comportement des consommateurs envers une marque.

  • En premier lieu, nous analyserons la définition que donnent les auteurs du terme « marketing des médias sociaux ».
  • Nous soulignerons ensuite les différentes caractéristiques du « marketing des médias sociaux » ainsi que les différents effets qui en découlent et qui influencent la création du capital de la marque et le comportement des consommateurs envers une marque.
  • Puis, nous terminerons par parler brièvement de l’effet des PMI.

Développement :

Tout d’abord, les médias sociaux offrent aux spécialistes du marketing des possibilités remarquables d’atteindre les consommateurs dans leurs communautés sociales et d’établir des relations plus personnelles avec eux (Kelly, Kerr, & Drennan, 2010). Selon Mangold et Faulds (2009), les actions de marketing des médias sociaux font partie du mix promotionnel dans le nouveau paradigme de communication des marques. Bruhn et al. (2012) révèlent que la communication traditionnelle et la communication par les médias sociaux ont un impact significatif sur l’équié des marques.

Selon Kim et Ko (2012) ont décrit les efforts de marketing des marques de luxe sur les médias sociaux comme comprenant cinq dimensions : divertissement, interaction, tendance, personnalisation et bouche à oreille (WOM). Cette étude examine les efforts de marketing des médias sociaux de différentes marques de luxe à partir des cinq perspectives de Kim et Ko (2012).

  • Le divertissement: est le résultat de l’amusement et du jeu qui émergent de l’expérience médiatique so- ciale (Agichtein et al., 2008). Diverses études présentent le divertissement comme une forte motivation pour l’utilisation des médias sociaux (Kaye, 2007 ; Muntinga, Moorman, & Smit, 2011 ; Park, Kee, & Valenzuela, 2009).
  • Intéraction: avec les médias sociaux modifie fondamentalement la communication entre les marques et les clients (Gallaugher et Ransbotham, 2010 ; Kaplan et Haenlein, 2010). Daugherty, Eastin et Bright (2008) constatent que l’interaction sociale est un facteur de motivation important pour la création de contenu généré par les utilisateurs. Selon Muntinga et al. (2011), l’interaction sociale décrit les utilisateurs qui contribuent aux plateformes de médias sociaux liées à une marque afin de rencontrer des personnes partageant les mêmes idées, d’interagir et de parler avec elles de produits/marques spécifiques.
  • Tendance: les médias sociaux fournissent les dernières nouvelles et les sujets de discussion brûlants (Naaman, Becker et Gravano, 2011) et sont également des canaux de recherche de produits essentiels. Selon Muntinga et al. (2011), l’information sur les tendances dans les médias sociaux couvre quatre sous-motivations : la surveillance, la connaissance, les informations avant achat et l’inspiration. La surveillance décrit l’observation et la mise à jour de l’environnement social d’une personne.
  • Personnalisation : décrit le degré auquel un service est personnalisé pour satisfaire les préférences d’un individu (Schmenner, 1986). En personnalisant leur site, les marques peuvent personnaliser et exprimer leur individualité, ce qui renforce l’affinité et la fidélité à la marque (Martin & Todorov, 2010). Dans le monde des médias sociaux, la personnalisation fait référence au public visé par les messages postés.
  • Bouche à oreille (WOM) : les médias sociaux associent l’eWOM aux interactions en ligne entre consommateurs au sujet des marques (Muntinga et al., 2011). Les médias sociaux sont des outils idéaux pour l’eWOM, car les consommateurs génèrent et diffusent sans contrainte des informations liées à la marque à leurs amis, leurs pairs et autres connaissances (Kim & Ko, 2012 ; Vollmer & Precourt, 2008).

Aussi le marketing des médias sociaux a des effets positifs significatifs sur le capital de la marque et les réactions des consommateurs, notamment sur la fidélité à la marque, la préférence et la volonté de payer un prix prenium soit élevé.

  • Capital de la marque: représente la connaissance de la marque ainsi que l’image de marque. Un capital de marque plus fort contribue à accroître la préférence pour la marque, la volonté de payer un prix plus élevé et la fidélité des clients (Aaker, 1991 ; Keller, 1993, 2003 ; Keller & Lehmann, 2006).
  • Prix prenium: est probablement un antécédent direct potentiel du comportement d’achat, selon Netemayer et al. (2004), qui définissent la volonté de payer un prix supérieur comme le montant que les clients sont prêts à payer pour leur marque plutôt qu’une autre.
  • Fidélité de la marque: la littérature sur le luxe considère la fidélité à la marque comme la mesure dans laquelle les consommateurs déclarent avoir acheté une marque particulière ou vouloir l’acheter à l’avenir.
  • La préférence: de marque signifie que, face à plusieurs marques concurrentes sur le marché, les consommateurs ont tendance à préférer une marque sur la base de ce qu’ils savent et ressentent à son sujet (Keller, 2003).

Enfin, les PMI ont un effet positif significatif sur le capital de marque et sur les deux principales dimensions du capital de marque : la notoriété et l’image de marque.

Conclusion :

Dans le secteur du luxe, les médias sociaux semblent jouer un rôle clé dans le succès d’une marque (Phan et al., 2011).

Par exemple, Louis Vuitton (LV) publie des vidéos de ses présentations de défilés sur sa page Facebook, donnant ainsi à tous les fans de LV la possibilité de profiter du spectacle (Kapferer, 2012).

Fig 1. Conceptual model (B. Godey et al., p5834)

Voici ci-dessus un tableau récapitulatif. Le SMMEs influence le capital de la marque qui lui influence la réponse des consommateurs.

Un capital de marque plus fort contribue à accroître la préférence pour la marque, la volonté de payer un prix plus élevé et la fidélité des clients (Aaker, 1991 ; Keller, 1993, 2003 ; Keller & Lehmann, 2006). Kim et Ko (2012) révèlent que dans les contextes de médias sociaux, le capital de marque créé par les activités de marketing des médias sociaux est positivement lié aux comportements/réponses d’achat futurs.

Les marques ne devraient plus considérer le marketing des médias sociaux comme un moyen d’atteindre les consommateurs, mais aussi comme un outil important et rentable de construction d’image. Les médias sociaux pourraient donc à terme concurrencer les canaux de marketing plus conventionnels (télévision et magazines) en tant qu’outil efficace pour créer des effets émotionnels avec les marques (Leong, Huang, & Stanners, 1998) 

Références bibliographiques

  • P. (2004). Welcoming Y. Benefits Canada, 2S{9),5I(3).
  • Conklin M.S. (2007). “101 Uses for Second Life in the College Classroom”. Research Paper. online retrieved on June 28, 2010: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.133.9588&rep=rep1&type=pdf.
  • Davis, A., Khazanski, D., Murphy, J., Zigurs, I. and D. Owens (2009). “Avatars, People, and Virtual Worlds: Foundations for Research in Metaverses”, Journal of the Association for Information Systems, 10(2), pp. 90-117.
  • Gül L.F., Gu N., Williams A., (2008), Virtual worlds as a constructivist learning platform: Evaluations of 3d virtual worlds on design teaching, ITcon, Vol. 13, pg. 578
  • Hornik, S and S. Thornburg (2010). “Really Engaging Accounting: Second Life™ as a Learning Platform”, Issues in Accounting Education, 25(3), pp. 361-378.
  • Jones M.J. (2001).“Just-in-time Training”, Advances in Developing Human Resources, 3(4), pp. 480-487.
  • Kopp G. and Burkle M. (2010). International Journal of Advanced Corporate, 3(3).

 

 

The industrial management of SMEs in the era of Industry 4.0

Moeuf, A., Pellerin, R., Lamouri, S., Tamayo-Giraldo, S., & Barbaray, R. (2018). The industrial management of SMEs in the era of Industry 4.0. International Journal of Production Research56(3), 1118-1136.

Mots clefs: production control; Industry 4.0; smart manufacturing; operational improvement; SME; SMB

Cette recherche évoque les pratiques en matière de planification et de contrôle de la production des PME à travers l’industrie 4.0 kohler et Weisz (2016) et de surcroit la supply chain 4.0. L’intégration des nouvelles technologies dans cette industrie permet d’obtenir des décisions décentralisées et imposent une flexibilité aux organisations.

Développement : Les PME n’ont bien souvent pas autant de spécialiste métiers que dans les grandes entreprises. Par ailleurs, ils disposent d’une productivité plus faible et des coûts plus élevés (moins d’économie d’échelle par exemple). Des études ont montré que l’industrie 4.0 pourrait être bénéfique pour la performance opérationnelle de ces organisations.

Une analyse de cas empiriques d’industrie 4.0 est effectuée afin de transformer la gestion de la planification et le contrôle de la production des PME.

Les initiatives de l’industrie 4.0 dépendent des objectifs de performance visés par les sociétés. Cette industrie est possible par différents biais : l’internet des objets (IoT), le big data et le cloud computing. Il existe par ce fait une relation étroite entre les objectifs fixés, les moyens managériaux recherchés ainsi que les nouvelles technologies nécessaires.

Afin d’adapter ces différents aspects, il est important de définir en premier lieu les indicateurs de performance opérationnel pour ensuite ajuster quel type de technologies peut améliorer cette performance opérationnelle.

Il existe 4 capacités managériales pour s’aligner sur le concept d’industrie 4.0 : la surveillance du système de production pouvant être effectué par de l’IoT, le contrôle du système et des seuils de performance via des algorithmes, l’optimisation à l’aide de plusieurs systèmes et l’autonomie du contrôle en temps réel des systèmes.

Ces compétences peuvent être possibles par l’implémentation de plusieurs outils : IoT, la simulation, la big data, systèmes cyber-physiques (CBS), cloud computing, réalité virtuelle, cyber sécurité, robots collaboratifs etc.

L’étude montre quelles références ont été utilisées dans le cadre de cet article. Celui-ci s’est concentré uniquement sur les PME.

L’objectif de l’industrie 4.0 est de synchroniser les flux tout au long de la chaine d’approvisionnement. Cette synchronisation des coûts entraine une diminution des coûtsà terme malgré l’investissement dans les nouvelles technologies.

L’amélioration de la qualité et la réduction des coûts n’est pa systématique même avec l’utilisation des outils cités. En revanche, l’amélioration de la production, des délais de livraison et la flexibilité des entreprises ont été améliorés.

Les PME manquent de système de production autonome.

Parmi les compétences managériales, la plus facile d’entre elles à acquérir est celle de la surveille des processus de production.

La notion de contrôle permet de faciliter l’interaction des employés entre eux sur un système en usant des données historiques et des seuils prédéterminés.

L’optimisation quant à elle améliore les systèmes et les processus.

L’autonomie n’est pas répandue dans le littérature puisqu’elle est beaucoup plus complexe à mettre en œuvre.

Les outils référents pour mettre en œuvre l’industrie 4.0 sont l’internet des objets et le cloud computing dans les PME.

La simulation est essentiellement utilisée pour générer des programmes d’opérations en ligne. Dans un second temps, les différents modèles de simulation sont utilisés pour analyser et modifier les systèmes de production en place.

Afin de contrer les données peu fiables des PME, Denkena et al (2014) ont proposé d’utiliser l’internet des objets associé à la technologie RFID qui assurent la gestion des flux et permet d’assurer la mise en œuvre du Lean ManuFacturing.

Le cloud computing est le moyen le plus utilisé par les PME pour suivre les onnes pratiques de l’industrie 4.0 puisqu’il est présent dans 65% des articles sélectionnés.

Les PME disposent parfois de systèmes d’informations qui ne s’acclimatent pas avec le cloud computing. Le transfert d’information ne peut pas s’effectuer.

La flexibilité est la compétence principale que les PME doivent obtenir et créer devant l’augmentation de la productivité.

Les implémentations des nouvelles technologies sont très hétérogènes, seules l’IoT et le cloud computing avec de la simulation se distingues des autres moyens.

Les dirigeants de PME doivent cesser de voir le système de production comme un coût mais comme un vecteur d’opportunités pour transformer leurs modèles d’affaires. Ils ne voient pratiquement que par la coûts la preuve en est avec l’adoption des moyens les moins couteux : le cloud computing par exemple.

Conclusion : L’enquête a été réalisée sur 23 applications de PME. Le résultat de l’article démontre que les PME se concentrent davantage sur la surveillance des processus de production et l’amélioration des capacités et de la flexibilité actuelle. Malgré les multiples bénéfices dont pourraient jouir les PME, celles-ci ont des lacunes notamment au niveau des ressources pour investir en R&D ainsi que d’experts capables de maîtriser ces méthodes/outils.

References

Abdul-Nour, G., S. Lambert, and J. Drolet. 1998. “Adaptation of Jit Philosophy and Kanban Technique to a Small-Sized Manufactur- ing Firm; A Project Management Approach.” Computers & Industrial Engineering 35: 419–422. doi:10.1016/S0360-8352(98) 00123-5.

Achanga, P., E. Shehab, R. Roy, and G. Nelder. 2006. “Critical Success Factors for Lean Implementation Within SMEs.” Journal of Manufacturing Technology Managment 17: 460–471. doi:10.1108/17410380610662889.

Adolphus, M. 2015. “How to carry out a literature review for a dissertation or research paper” [WWW Document]. Accessed January 1. https://www.emeraldgrouppublishing.com/research/guides/methods/literature2.htm

Airehrour, D., J.Gutierrez, and S. K. Ray. 2016. “Secure Routing for Internet of Things: A Survey.” Journal of Network Computers and Applications 66: 198–213. doi:10.1016/j.jnca.2016.03.006.

Apics. 2005. Apics Dictionary. Chicago, IL: The American Production and Inventory Control Society.
Aruväli, T., W. Maass, and T. Otto. 2014. “Digital Object Memory Based Monitoring Solutions in Manufacturing Processes.” Proce-

dia Engineering 69: 449–458. doi:10.1016/j.proeng.2014.03.011.
Azevedo, A., and A. Almeida. 2011. “Factory Templates for Digital Factories Framework.” Robotics and Computing Integrated Man-

ufacturing 27: 755–771. doi:10.1016/j.rcim.2011.02.004.
Babiceanu, R. F., and R. Seker. 2016. “Big Data and Virtualization for Manufacturing Cyber-Physical Systems: A Survey of the Cur-

rent Status and Future Outlook.” Computers in Industry 81: 128–137. doi:10.1016/j.compind.2016.02.004.
Bagheri, B., S. Yang, H.-A. Kao, and J. Lee. 2015. “Cyber-physical Systems Architecture for Self-Aware Machines in Industry 4.0

Environment.” IFAC-PapersOnLine 48: 1622–1627. doi:10.1016/j.ifacol.2015.06.318.
Bao, Y., L. Ren, L. Zhang, X. Zhang, and Y. Luo. 2012. “Massive Sensor Data Management Framework in Cloud Manufacturing

Based on Hadoop.” In IEEE 10th International Conference on Industrial Informatics, 397–401. Piscataway, NJ: IEEE.

doi:10.1109/INDIN.2012.6301192.
Barenji, A. V., R. V. Barenji, D. Roudi, and M. Hashemipour. 2016. “A Dynamic Multi-Agent-Based Scheduling Approach for

SMEs.” The International Journal of Advanced Manufacturing Technology 89: 3123–3137. doi:10.1007/s00170-016-9299-4. Bayo-Moriones, A., M. Billón, and F. Lera-López. 2013. “Perceived Performance Effects of ICT in Manufacturing SMEs.” Industrial

Management & Data Systems 113: 117–135. doi:10.1108/02635571311289700.
Becker, T., and D. Wagner. 2016. “Identification of Key Machines in Complex Production Networks.” Procedia CIRP 41: 69–74.

doi:10.1016/j.procir.2015.12.006.
Bi, Z., and D. Cochran. 2014. “Big Data Analytics with Applications.” Journal of Managment Analysis 1: 249–265. doi:10.1080/

23270012.2014.992985.
Bidet-Mayer, T. 2016.Industrie du futur: une compétition mondiale [Industry of the Future: A Global Competition]. Paris: Presses des

MINES.
Bonfanti, A., M. Del Giudice, and A. Papa. 2015. “Italian Craft Firms Between Digital Manufacturing, Open Innovation, and Serviti-

zation.” Journal of the Knowledge Economy 1–14. doi:10.1007/s13132-015-0325-9.
Brad, S., and M. Murar. 2015. “Employing Smart Units and Servitization towards Reconfigurability of Manufacturing Processes.”

Procedia CIRP 30: 498–503. doi:10.1016/j.procir.2015.02.154.
Caggiano, A., F. Caiazzo, and R. Teti. 2015. “Digital Factory Approach for Flexible and Efficient Manufacturing Systems in the

Aerospace Industry.” Procedia CIRP 37: 122–127. doi:10.1016/j.procir.2015.08.015.
Caggiano, A., and R. Teti. 2013. “Modelling, Analysis and Improvement of Mass and Small Batch Production through Advanced

Simulation Tools.” Procedia CIRP 12: 426–431. doi:10.1016/j.procir.2013.09.073.

Cao, H., P. Folan, D. Potter, and J. Browne. 2011. “Knowledge-Enriched Shop Floor Control in End-of-Life Business.” Production Planning & Control 22: 174–193. doi:10.1080/09537281003769980.

Cappelletti, L. 2010. La Recherche-Intervention: Quels Usages En Controle De Gestion? [Intervention Research: What Uses in Man- agement Control]. 1–25. Nice: Congrès l’Association Francoph. Comptab.

Cayiroglu, I., and B. E. Demir. 2012. “Computer Assisted Glass Mosaic Tiling Automation.” Robotics and Computer-Integrated Man- ufacturing 28: 583–591. doi:10.1016/j.rcim.2012.02.008.

Chalal, M., X. Boucher, and G. Marques. 2015. “Decision Support System for Servitization of Industrial Smes: A Modelling and Simulation Approach.” Journal of Decision System 24: 355–382. doi:10.1080/12460125.2015.1074836.

Constantinescu, C., D. Popescu, P.-C. Muresan, and S.-I. Stana. 2016. “Exoskeleton-Centered Process Optimization in Advanced Fac- tory Environments.” Procedia CIRP 41: 740–745. doi:10.1016/j.procir.2015.12.051.

Constantinescu, C. L., E. Francalanza, and D. Matarazzo. 2015. “Towards Knowledge Capturing and Innovative Human-system Inter- face in an Open-source Factory Modelling and Simulation Environment.” Procedia CIRP 33: 23–28. doi:10.1016/j.pro- cir.2015.06.006.

Constantinescu, C. L., E. Francalanza, D. Matarazzo, and O. Balkan. 2014. “Information Support and Interactive Planning in the Dig- ital Factory: Approach and Industry-Driven Evaluation.” Procedia CIRP 25: 269–275. doi:10.1016/j.procir.2014.10.038.

Cullinan, C.,S. G. Sutton, and V. Arnold. 2010. “Technology Monoculture: ERP Systems, ‘Techno-Process Diversity’ and the Threat to the Information Technology Ecosystem.” In Advances in Accounting Behavioral Research, edited by V. Arnold, 13–30. Bin- gley:Emerald Group Publishing Limited. doi:10.1108/S1475-1488(2010)0000013005.

Danjou, C., L. Rivest, and R. Pellerin. 2016. Industrie 4.0: des pistes pour aborder l’ère du numérique et de la connectivité [Industry 4.0: Paths to the Era of Digital and Connectivity].CEFRIO.

De Ugarte, Saenz, R. Pellerin, and A. Artiba. 2009. “Manufacturing Execution System – A Literature Review.” Production Planning & Control 20 (6): 525–539. doi:10.1080/09537280902938613.

De Ugarte, Saenz, R. Pellerin, and A. Artiba. 2011. “An improved Genetic Algorithm Approach for On-Line Optimization Problems.” Production Planning & Control 22 (8): 742–753. doi:10.1080/09537287.2010.543556.

Dean, J., and S. Ghemawat. 2008. “MapReduce.” Communications of the ACM 51: 107. doi:10.1145/1327452.1327492.
Deep, A., P. Guttridge, S. Dani, and N. Burns. 2008. “Investigating Factors Affecting ERP Selection in Made-to-Order SME Sector.”

Journal of Manufacturing Technology Management 19: 430–446. doi:10.1108/17410380810869905.
Denkena, B., B. Dengler, K. Doreth, C. Krull, and G. Horton. 2014. “Interpretation and Optimization of Material Flow Via System

Behavior Reconstruction.” Production Engineering 8: 659–668. doi:10.1007/s11740-014-0545-z.
Denkena, B., J. Schmidt, and M. Krüger. 2014. “Data Mining Approach for Knowledge-Based Process Planning.” Procedia Technol-

ogy 15: 406–415. doi:10.1016/j.protcy.2014.09.095.
Dombrowski, U., and S. Ernst. 2013. “Scenario-Based Simulation Approach for Layout Planning.” Procedia CIRP 12: 354–359.

doi:10.1016/j.procir.2013.09.061.
European Commission. 2008. “Un Small Business Act pour l’Europe [A Small Business Act for Europe].” Business, COM(2008) 394

final, 25. http://www.eurosfaire.prd.fr/7pc/bibliotheque/consulter.php?id=2321.
Evangelista, P., A. Mckinnon, and E. Sweeney. 2013. Technology Adoption in Small and Medium-Sized Logistics Providers 113: 967–

  1. doi:10.1108/IMDS-10-2012-0374.
    Fornasiero, R., and A. Zangiacomi. 2013. “A Structured Approach for Customised Production in SME Collaborative Networks.”

International Journal of Production Research 51: 2110–2122. doi:10.1080/00207543.2012.706718.
Garengo, P., S. Biazzo, and U. S. Bititci. 2005. “Performance Measurement Systems in SMEs: A Review for a Research Agenda.”

International Journal of Management Reviews 7: 25–47. doi:10.1111/j.1468-2370.2005.00105.x.
Givehchi, M., A. Haghighi, and L. Wang. 2015. “Generic Machining Process Sequencing Through a Revised Enriched Machining

Feature Concept.” Journal of Manufacturing Systems 37: 564–575. doi:10.1016/j.jmsy.2015.04.004.
Gupta, P., A. Seetharaman, and J. R. Raj. 2013. “The Usage and Adoption of Cloud Computing by Small and Medium Businesses.”

International Journal of Information Management 33: 861–874. doi:10.1016/j.ijinfomgt.2013.07.001.
Hao, Y., and P. Helo. 2015. The Role of Wearable Devices in Meeting the Needs of Cloud Manufacturing: A Case Study. Robotics

and Computer-Integrated Manufacturing. 45: 168–179. doi:10.1016/j.rcim.2015.10.001.
Hao, Y., P. Helo, and A. Shamsuzzoha. 2016. “Virtual Factory System Design and Implementation: Integrated Sustainable Manufac-

turing.” International Journal of Systems Science: Operations & Logistics 2674: 1–17. doi:10.1080/23302674.2016.1242819. Herdon, M., L. Várallyai, and Á. Péntek. 2012. “Digital Business Ecosystem Prototyping for SMEs.” Journal of Electrical Systems

and Information Technology 14: 286–301. doi:10.1108/13287261211279026.
Holtewert, P., R. Wutzke, J. Seidelmann, and T. Bauernhansl. 2013. “Virtual Fort Knox Federative, Secure and Cloud-based Platform

for Manufacturing.” Procedia CIRP 7: 527–532. doi:10.1016/j.procir.2013.06.027.
Horbach, S., J. Ackermann, E. Müller, and J. Schütze. 2011. “Building Blocks for Adaptable Factory Systems.” Robotics and Com-

puter-Integrated Manufacturing 27: 735–740. doi:10.1016/j.rcim.2010.12.011.
Huang, B., C. Li, C. Yin, and X. Zhao. 2013. “Cloud Manufacturing Service Platform for Small- and Medium-Sized Enterprises.”

International Journal of Advanced Manufacturing Technology 65: 1261–1272. doi:10.1007/s00170-012-4255-4.
Khalid, A., P. Kirisci, Z. Ghrairi, K.-D. Thoben, and J. Pannek. 2016. “A Methodology to Develop Collaborative Robotic Cyber

Physical Systems for Production Environments.” Logistics Research 9: 23. doi:10.1007/s12159-016-0151-x.

Koh, S. C. L., and M. Simpson. 2005. “Change and Uncertainty in SME Manufacturing Environments Using ERP.” Journal of Manu- facturing Technology Management 16: 629–653. doi:10.1108/17410380510609483.

Kohler, D., and J.-D. Weisz.2016. Industry 4.0: Les défis de la transformation numérique du modèle industriel allemand [Industry 4.0: The Challenges of the Digital Transformation of the German Industrial Model], edited by La Documentation française, 176. Paris. ISBN 978-2-11-010210-2.

Kolberg, D., and D. Zühlke. 2015. “Lean Automation Enabled by Industry 4.0 Technologies.” IFAC-PapersOnLine 48: 1870–1875. doi:10.1016/j.ifacol.2015.06.359.

Kopacek, P. 2015. “Automation and TECIS.” IFAC-PapersOnLine 48: 21–27. doi:10.1016/j.ifacol.2015.12.050.
Kushiro, N., S. Matsuda, and K. Takahara. 2014. “Model Oriented System Design on Big-data.” Procedia Computer Science 35:

961–968. doi:10.1016/j.procs.2014.08.176.
Lee, J., H.-A. Kao, and S. Yang. 2014. “Service Innovation and Smart Analytics for Industry 4.0 and Big Data Environment.” Proce-

dia CIRP 16: 3–8. doi:10.1016/j.procir.2014.02.001.
Lee, J., S. Han, and J. Yang. 2011. “Construction of a Computer-Simulated Mixed Reality Environment for Virtual Factory Layout

Planning.” Computers in Industry 62: 86–98. doi:10.1016/j.compind.2010.07.001.
Liker, J. K. 2007. The Toyota Way: 14 Management Principles from the World’s Greatest Manufacturer. Action Learning: Research

and Practice 4: 105–114. doi:10.1080/14767330701234002.
Li, W., K. Liu, M. Belitski, A. Ghobadian, and N. O’Regan. 2016. “E-Leadership Through Strategic Alignment: An Empirical Study

of Small- and Medium-Sized Enterprises in the Digital Age.” Journal of Information Technology 31: 185–206. doi:10.1057/

jit.2016.10.
Luo, X., W. Li, Y. Tu, D. Xue, and J. Tang. 2011. “Operator Allocation Planning for Reconfigurable Production Line in One-of-a-

Kind Production.” International Journal of Production Research 49: 689–705. doi:10.1080/00207540903555486.
MacKerron, G., M. Kumar, V. Kumar, and A. Esain. 2014. “Supplier Replenishment Policy Using E-Kanban: A Framework for Suc-

cessful Implementation.” Production Planning & Control 25: 161–175. doi:10.1080/09537287.2013.782950.
Masood, T., R. Weston, and A. Rahimifard. 2013. “A Model-Driven Approach to Enabling Change Capability in SMEs.” Interna-

tional Journal of Advanced Manufacturing Technology 69: 805–821. doi:10.1007/s00170-013-4853-9.
Matsuda, M., K. Kashiwase, and Y. Sudo. 2012. “Agent Oriented Construction of a Digital Factory for Validation of a Production

Scenario.” Procedia CIRP 3: 115–120. doi:10.1016/j.procir.2012.07.021.
Matsuda, M., Y. Sudo, and F. Kimura. 2016. “A Multi-Agent Based Construction of the Digital Eco-Factory for a Printed-Circuit

Assembly Line.” Procedia CIRP 41: 218–223. doi:10.1016/j.procir.2015.12.061.
Mauricio-Moreno, H., J. Miranda, D. Chavarría, M. Ramírez-Cadena, and A. Molina. 2015. “Design S3-RF (Sustainable x Smart x

Sensing – Reference Framework) for the Future Manufacturing Enterprise.” IFAC-PapersOnLine 48: 58–63. doi:10.1016/j.ifa-

col.2015.06.058.
McGarrie, B. 1998. “Case Study: Production Planning and Control – Selection, Improvement and Implementation.” Logistics Informa-

tion Management 11: 44–52. doi:10.1108/09576059810202268.
Mehrsai, A., B. Henriksen, C. C. Røstad, K. A. Hribernik, and K.-D. Thoben. 2014. “Make-to-XGrade for the Design and Manufac-

turing of Flexible, Adaptive, and Reactive Products.” Procedia CIRP 21: 199–205. doi:10.1016/j.procir.2014.03.147. Michniewicz, J., and G. Reinhart. 2014. “Cyber-Physical Robotics – Automated Analysis, Programming and Configuration of Robot

Cells Based on Cyber-Physical-Systems.” Procedia Technology 15: 566–575. doi:10.1016/j.protcy.2014.09.017.
Mintzberg, H. 1982. Structure et Dynamique des organisations, edited by Editions d’Organisation. Vingt-troi. ed. Eyrolles, 434. Les

références, Paris. ISBN 978-2708119710.
Moeuf, A., S. Tamayo, S. Lamouri, R. Pellerin, and A. Lelievre. 2016. “Strengths and Weaknesses of Small and Medium Sized Enter-

prises Regarding the Implementation of Lean Manufacturing.” IFAC-PapersOnLine 49: 71–76. doi:10.1016/j.ifa-

col.2016.07.552.
Mousannif, H., H. Sabah, Y. Douiji, and Y. Oulad Sayad. 2016. “Big Data Projects: Just Jump Right in!” International Journal of

Pervasive Computing and Communications 12: 260–288. doi:10.1108/IJPCC-04-2016-0023.
Ohno, T. 1988. The Toyota Production System – Beyond Large-Scale Production. Boca Raton, FL: CRC Press.
Peng, G., Y. Jiang, J. Xu, and X. Li. 2012. “A Collaborative Manufacturing Execution Platform for Space Product Development.”

International Journal of Advanced Manufacturing Technology 62: 443–455. doi:10.1007/s00170-011-3837-x.
Petroni, A. 2002. “Critical Factors of MRP Implementation in Small and Medium-Sized Firms.” International Journal of Operations

& Production Management 22: 329–348. doi:10.1108/01443570210417623.
Porter, M., and J. E. Heppelmann. 2014. “How Smart, Connected Products are Transforming Competition.” Harvard Business Review

92: 64–88.
Radziwon, A., A. Bilberg, M. Bogers, and E. S. Madsen. 2014. “The Smart Factory: Exploring Adaptive and Flexible Manufacturing

Solutions.” Procedia Engineering 69: 1184–1190. doi:10.1016/j.proeng.2014.03.108.
Rago, F. 2015. “A Smart Adaptable Architecture Based on Contexts for Cyber Physical Systems.” Procedia Computer Science 61:

301–306. doi:10.1016/j.procs.2015.09.141.
Raymond, L. 2005. “Operations Management and Advanced Manufacturing Technologies in SMEs.” Journal of Manufacturing Tech-

nology Management 16: 936–955. doi:10.1108/17410380510627898.

Ren, L., L. Zhang, F. Tao, C. Zhao, X. Chai, and X. Zhao. 2015. “Cloud Manufacturing: From Concept to Practice.” Enterprise Infor- mation Systems 9: 186–209. doi:10.1080/17517575.2013.839055.

Ruessmann, M., M. Lorenz, P. Gerbert, M. Waldner, J. Justus, P. Engel, and M. Harnisch. 2015. “Industry 4.0: The Future of Produc- tivity and Growth in Manufacturing Industries.” Boston Consulting Group. Vol. 9.

Schumacher, A., S. Erol, and W. Sihn. 2016. “A Maturity Model for Assessing Industry 4.0 Readiness and Maturity of Manufacturing Enterprises.” Procedia CIRP 52: 161–166. doi:10.1016/j.procir.2016.07.040.

Segura Velandia, D. M., N. Kaur, W. G. Whittow, P. P. Conway, and A. A. West. 2016. “Towards Industrial Internet of Things: Crankshaft Monitoring, Traceability and Tracking Using RFID.” Robotics and Computer-Integrated Manufacturing 41: 66–77. doi:10.1016/j.rcim.2016.02.004.

Sena Ferreira, P., A. H. M. Shamsuzzoha, C. Toscano, and P. Cunha. 2012. “Framework for Performance Measurement and Manage- ment in a Collaborative Business Environment.” International Journal of Product Development 61: 672–690. doi:10.1108/ 17410401211249210.

Seuring, S., and S. Gold. 2012. “Conducting Content-Analysis Based Literature Reviews in Supply Chain Management.” Supply Chain Management: An International Journal 17: 544–555. doi:10.1108/13598541211258609.

Shamsuzzoha, A., C. Toscano, L. M. Carneiro, V. Kumar, and P. Helo. 2016. “ICT-Based Solution Approach for Collaborative Deliv- ery of Customised Products.” Production Planning & Control 27: 280–298. doi:10.1080/09537287.2015.1123322.

Song, T., H. Liu, C. Wei, and C. Zhang. 2014. “Common Engines of Cloud Manufacturing Service Platform for SMEs.” International Journal of Advanced Manufacturing Technology 73: 557–569. doi:10.1007/s00170-014-5863-y.

Srai, J. S., M. Kumar, G. Graham, W. Phillips, J. Tooze, S. Ford, P. Beecher, et al. 2016. “Distributed Manufacturing: Scope, Chal- lenges and Opportunities.” International Journal of Production Research 54: 6917–6935. doi:10.1080/00207543.2016.1192302. Sum, C.-C., and K.-K. Yang. 1993. “A Study on Manufacturing Resource Planning (MRP II) Practices in Singapore.” Omega 21:

187–197. doi:10.1016/0305-0483(93)90051-L.
Torres, O. 1999.Les PME, edited by Flammarion, 123. http://oliviertorres.net/travaux/pdf/pmetorres.pdf.
Tranfield, D., D. Denyer, and P. Smart. 2003. “Towards a Methodology for Developing Evidence-Informed Management Knowledge

by Means of Systematic Review.” British Journal of Management 14: 207–222. doi:10.1111/1467-8551.00375.
Trappey, A. J. C., C. V. Trappey, U. Hareesh Govindarajan, A. C. Chuang, and J. J. Sun. 2016. “A Review of Essential Standards and Patent Landscapes for the Internet of Things: A Key Enabler for Industry 4.0.” Advanced Engineering Informatics.

doi:10.1016/j.aei.2016.11.007
Veza, I., M. Mladineo, and N. Gjeldum. 2015. “Managing Innovative Production Network of Smart Factories.” IFAC-PapersOnLine

48: 555–560. doi:10.1016/j.ifacol.2015.06.139.
Wang, L., M. Törngren, and M. Onori. 2015. “Current Status and Advancement of Cyber-Physical Systems in Manufacturing.” Jour-

nal of Manufacturing System 37: 517–527. doi:10.1016/j.jmsy.2015.04.008.
Wang, S., J. Wan, D. Li, and C. Zhang. 2016. “Implementing Smart Factory of Industrie 4.0: An Outlook.” International Journal of

Distributed Sensor Networks 2016: 1–10. doi:10.1155/2016/3159805.
Wang, X. V., and X. W. Xu. 2013. “An Interoperable Solution for Cloud Manufacturing.” Robotics and Computer-Integrated Manu-

facturing 29: 232–247. doi:10.1016/j-rcim.2013.01.005.
Womack, J. P., and T. J. Daniel. 2003. Lean Thinking. First Free ed. New York: Simon & Schuster.
Wu, Z., Z. Gao, Y. Cao, X. Ye, and J. Yang. 2015. “Tolerance Design and Adjustment of Complex Customized Product Based on

Cloud Manufacturing.” Procedia CIRP 27: 169–175. doi:10.1016/j.procir.2015.04.061.
Xia, M., T. Li, Y. Zhang, and C. W. De Silva. 2016. “Closed-Loop Design Evolution of Engineering System Using Condition Moni-

toring Through Internet of Things and Cloud Computing.” Computer Networks 101: 5–18. doi:10.1016/j.comnet.2015.12.016. Yue, X., H. Cai, H. Yan, C. Zou, and K. Zhou. 2015. “Cloud-Assisted Industrial Cyber-Physical Systems: An Insight.” Microproces-

sors and Microsystems 39: 1262–1270. doi:10.1016/j.micpro.2015.08.013.

 

Managing the effectiveness of e-commerce platforms in a pandemic

Tran, L. T. T. (2021). Managing the effectiveness of e-commerce platforms in a pandemic. Journal of Retailing and Consumer Services58, 102287.

Mots-clés : Peur de la pandémie, Efficacité perçue, Plateformes de commerce électronique Avantages économiques, Consommation durable, Théorie des usages et de la gratification

Étude réalisée au Vietnam (pays émergent) sur la corrélation entre les PEEP (l’efficacité perçue des plateformes de commerce électronique), avantages économiques et la consommation durable.

Les plateformes e-commerce permettent d’accroitre sa zone de chalandise en adressant un public nouveau. Par ailleurs, les achats en ligne ont largement progressés dus aux différentes pandémies. Les bienfaits du commerce électronique sur les consommateurs et sur la consommation durable.

Cet article se base sur les théories d’usages et de la gratification (UGT) afin de définir quels besoins sociaux et psychologiques déterminent les motivations d’utilisation d’une plateforme.

Dans le cadre de la pandémie, l’UGT permet d’expliquer pourquoi les consommateurs préfèrent les plateformes en ligne plutôt (sécurité, praticité).

Les plateformes en ligne comportent quelques désavantages notamment liés à la fuite de vos données personnels donc à un manque de sécurisation des données. De la littérature a déjà été publiée sur le fait que les sites en ligne apportent des garanties liées aux moyens de paiement et la protection de la vie privée (Plangger et Watson, 2015 ; Wang et al., 2019).

Le commerce en ligne comportent également des avantages (réduction, promotion, activités préférentielles). Il faut également améliorer les interactions entre les vendeurs et les acheteurs en ligne ce qui permet l’augmentation du comportement d’achat en ligne (Wang et Herrando 2019).

Une pandémie permet de modifier le comportement d’achat d’un consommateur.

La consommation durable qui était jusqu’alors une consommation responsable avec un mode de vie écologique pour satisfaire ses besoins se voit étendre sa définition depuis l’apparition du covid. Cette extension concerne : l’achat de produits et de services sur des plateformes de commerce électronique pour satisfaire les besoins et les désirs, et pour augmenter la sécurité sanitaire pour soi et la communauté pendant une période pandémique.

La PEEP affecte les avantages économiques ce qui provoquent ensuite une consommation durable. La peur pandémique entraine une relation positive entre ces acteurs.

Deux hypothèses sont soulevées :

-La PEEP influence fortement les avantages économiques quand la peur de la pandémie est élevée

-Les avantages économiques influencent de manière significative lorsque la peur de la pandémie est élevée.

Une étude a été menée sur un échantillon de 617 commentaires en ligne.

D’après une Une enquête de Nielsen Vietnam (2020), la consommation en ligne au vietnam d’achats en ligne a augmenté de 25%. Pour ce faire, les plateformes doivent être efficientes.

D’après l’enquête, celle-ci révèle que la PEEP est un élément déterminant de la consommation durable grâce aux avantages économiques. La peur de la pandémie a également un effet positif du PEEP sur les avantages économiques.

Conclusion : L’étude porte sur une enquête menée dans un pays émergent, il serait nécessaire d’étudier les relations entre le PEEP, les avantages économiques et la consommation durable dans d’autres pays (émergent et développés). Cet article montre également qu’en renforçant l’indice de confiance des consommateurs sur les plateformes en ligne, cela accroit l’achat en ligne et son comportement.

References

Abid, A., Harrigan, P., 2020. An exploration of social media-enabled voter relationships through uses and gratifications theory, psychological contract and service-dominant orientation. Australasian Marketing Journal (AMJ). https://doi.org/10.1016/j. ausmj.2020.02.002 accessed 12 March 2020.

Abramovich, G., 2020. How COVID-19 Is Impacting Online Shopping Behavior, Adobe Blog. Adobe. https://theblog.adobe.com/how-covid-19-is-impacting-online-sho pping-behavior/. accessed 26 March 2020.

Addo, P.C., Jiaming, F., Kulbo, N.B., Liangqiang, L., 2020. COVID-19: fear appeal favoring purchase behavior towards personal protective equipment. Serv. Ind. J. 40 (7–8), 471–490.

Bacq, S., Geoghegan, W., Josefy, M., Stevenson, R., Williams, T.A., 2020. The COVID-19 virtual idea blitz: marshaling social entrepreneurship to rapidly respond to urgent grand challenges. Bus. Horiz. https://doi.org/10.1016/j.bushor.2020.05.002 avaiable at.

Bandara, R., Fernando, M., Akter, S., 2020. Explicating the privacy paradox: a qualitative inquiry of online shopping consumers. J. Retailing Consum. Serv. 52, 101947.

Chandna, V., Salimath, M.S., 2018. Peer-to-peer selling in online platforms: a salient business model for virtual entrepreneurship. J. Bus. Res. 84, 162–174.

Chang, J.-S., Chang, W.-H., 2014. Analysis of fraudulent behavior strategies in online auctions for detecting latent fraudsters. Electron. Commer. Res. Appl. 13 (2), 79–97. Chatterjee, S., Gao, X., Sarkar, S., Uzmanoglu, C., 2019. Reacting to the scope of a data

breach: the differential role of fear and anger. J. Bus. Res. 101, 183–193. Chung, L.H., 2015. Impact of pandemic control over airport economics: reconciling

public health with airport business through a streamlined approach in pandemic

control. J. Air Transport. Manag. 44–45, 42–53.
Cooper, D.R., Schindler, P., 2013. Business Research Methods, 12 ed. McGraw-Hill

Education.
Dabbous, A., Tarhini, A., 2019. Assessing the impact of knowledge and perceived

economic benefits on sustainable consumption through the sharing economy: a

sociotechnical approach. Technol. Forecast. Soc. Change 149, 119775.
Fan, X., Yin, Z., Liu, Y., 2020. The value of horizontal cooperation in online retail

channels. Electron. Commer. Res. Appl. 39, 100897.
Fang, Y., Qureshi, I., Sun, H., McCole, P., Ramsey, E., Lim, K.H., 2014. Trust, satisfaction,

and online repurchase intention: the moderating role of perceived effectiveness of e-

commerce institutional mechanisms. MIS Q. 38 (2), 407–A409.
Guillen-Royo, M., 2019. Sustainable consumption and wellbeing: does on-line shopping

matter? J. Clean. Prod. 229, 1112–1124.
Hair, J.F., Ringle, C.M., Sarstedt, M., 2011. PLS-SEM: indeed a silver bullet. J. Market.

Theor. Pract. 19 (2), 139–152.
Harvard Global Health Institute, 2020. Pandemic Preparedness & Global Health Security.

Harvard University. https://globalhealth.harvard.edu/pandemics-and-health-securit

  1. accessed 26 March 2020.
    Harvard Medical School, 2020. As Coronavirus Spreads, Many Questions and Some

Answers, Coronavirus Resource Center. Harvard Health Publishing. https://www. health.harvard.edu/diseases-and-conditions/coronavirus-resource-center#Terms. accessed 24 March 2020.

Henseler, J., Ringle, C.M., Sarstedt, M., 2015. A new criterion for assessing discriminant validity in variance-based structural equation modeling. J. Acad. Market. Sci. 43 (1), 115–135.

Hernant, M., Rosengren, S., 2017. Now what? Evaluating the sales effects of introducing an online store. J. Retailing Consum. Serv. 39, 305–313.

Huang, L.-Y., Hsieh, Y.-J., Wu, Y.-C.J., 2014. Gratifications and social network service usage: the mediating role of online experience. Inf. Manag. 51 (6), 774–782. Hubert, M., Blut, M., Brock, C., Backhaus, C., Eberhardt, T., 2017. Acceptance of

smartphone-based mobile shopping: mobile benefits, customer characteristics, perceived risks, and the impact of application context. Psychol. Market. 34 (2), 175–194.

Hudecheck, M., Sir ́en, C., Grichnik, D., Wincent, J., 2020. How Companies Can Respond to the Coronavirus. MIT Sloan Management Review. March 09, 2020).

Kaur, P., Dhir, A., Bodhi, R., Singh, T., Almotairi, M., 2020a. Why do people use and recommend m-wallets? J. Retailing Consum. Serv. 56, 102091 https://doi.org/ 10.1016/j.jretconser.2020.10209.

Kaur, P., Dhir, A., Chen, S., Malibari, A., Almotairi, M., 2020. Why do people purchase virtual goods? A uses and gratification (U&G) theory perspective. Telematics Inf., 101376

Khan, S., Huremovi ́c, D., 2019. Psychology of the Pandemic, Psychiatry of Pandemics. Springer, pp. 37–44.

Korhan, O., Ersoy, M., 2016. Usability and functionality factors of the social network site application users from the perspective of uses and gratification theory. Qual. Quantity 50 (4), 1799–1816.

Laato, S., Islam, A.K.M.N., Farooq, A., Dhir, A., 2020. Unusual purchasing behavior during the early stages of the COVID-19 pandemic: the stimulus-organism-response approach. J. Retailing Consum. Serv. 57, 102224 https://doi.org/10.1016/j. jretconser.2020.102224.

Lee, J.-Y., Fang, E., Kim, J.J., Li, X., Palmatier, R.W., 2018. The effect of online shopping platform strategies on search, display, and membership revenues. J. Retailing 94 (3), 247–264.

Li, X., Zhao, X., Xu, W., Pu, W., 2020. Measuring ease of use of mobile applications in e- commerce retailing from the perspective of consumer online shopping behaviour patterns. J. Retailing Consum. Serv. 55, 102093 https://doi.org/10.1016/j. jretconser.2020.102093.

Li, Y., Yang, S., Chen, Y., Yao, J., 2018. Effects of perceived online–offline integration and internet censorship on mobile government microblogging service continuance: a gratification perspective. Govern. Inf. Q. 35 (4), 588–598.

Liao, Z., Shi, X., 2017. Web functionality, web content, information security, and online tourism service continuance. J. Retailing Consum. Serv. 39, 258–263.

Liao, S.-H., Yang, L.-L., 2020. Mobile payment and online to offline retail business models. J. Retailing Consum. Serv. 57, 102230 https://doi.org/10.1016/j. jretconser.2020.102230.

Lim, H., Kumar, A., 2019. Variations in consumers’ use of brand online social networking: a uses and gratifications approach. J. Retailing Consum. Serv. 51, 450–457.

Lim, W.M., 2017. Inside the sustainable consumption theoretical toolbox: critical concepts for sustainability, consumption, and marketing. J. Bus. Res. 78, 69–80.

Liu, Y., Li, Q., Edu, T., Jozsa, L., Negricea, I.C., 2019. Mobile shopping platform characteristics as consumer behavior determinants. Asia Pac. J. Market. Logist. https://doi.org/10.1108/apjml-05-2019-0308. In press.

Luchs, M.G., Phipps, M., Hill, T., 2015. Exploring consumer responsibility for sustainable consumption. J. Market. Manag. 31 (13–14), 1449–1471.

Luo, M.M., Chea, S., Chen, J.-S., 2011. Web-based information service adoption: a comparison of the motivational model and the uses and gratifications theory. Decis. Support Syst. 51 (1), 21–30.

MacKenzie, S.B., Podsakoff, P.M., Podsakoff, N.P., 2011. Construct measurement and validation procedures in MIS and behavioral research: integrating new and existing techniques. MIS Q. 35 (2), 293–334.

Mattison Thompson, F., Tuzovic, S., Braun, C., 2019. Trustmarks: strategies for exploiting their full potential in e-commerce. Bus. Horiz. 62 (2), 237–247.

McNulty, E.J., 2020. Leading through Covid-19. MIT Sloan Management Review. htt ps://sloanreview.mit.edu/article/leading-through-covid-19/. accessed 23 March 2020.

Nielsen, 2020a. Nielsen Investigation: “Pandemic Pantries” Pressure Supply Chain amid Covid-19 Fears. https://www.nielsen.com/us/en/insights/article/2020/nielsen-in vestigation-pandemic-pantries-pressure-supply-chain-amidst-covid-19-fears/. accessed 22 March 2020.

Nielsen, Vietnam, 2020b. Nielsen Survey: Impact of Covide-19 on Vietnamese. Nielsen Vietnam. https://www.facebook.com/NielsenVietnam/photos/nielsen-survey-impa ct-of-covid-19-on-vietnameseappearing-at-the-end-of-2019-coro/2919284404

799369/. accessed 25 March 2020.
Pantano, E., Pizzi, G., Scarpi, D., Dennis, C., 2020. Competing during a pandemic?

Retailers’ ups and downs during the COVID-19 outbreak. J. Bus. Res. 116, 209–213. Pappas, N., 2016. Marketing strategies, perceived risks, and consumer trust in online

buying behaviour. J. Retailing Consum. Serv. 29, 92–103.
Pesek, W., 2020. China’s Recession Will Hurt as Coronavirus Crisis Spreads to U.S. And

Europe, Forbes. https://www.forbes.com/sites/forbes-personal-shopper/2020/03 /16/disney-amazon-prime-video–more-best-tv-shows-to-stream-during-your-time-h ome/#3336a7ee5882. accessed 18 March 2020.

Plangger, K., Watson, R.T., 2015. Balancing customer privacy, secrets, and surveillance: insights and management. Bus. Horiz. 58 (6), 625–633.

Prentice, C., Chen, J., Stantic, B., 2020. Timed intervention in COVID-19 and panic buying. J. Retailing Consum. Serv. 57, 102203 https://doi.org/10.1016/j. jretconser.2020.102203.

Qin, X., Liu, Z., Tian, L., 2020. The strategic analysis of logistics service sharing in an e- commerce platform. Omega 92, 102153.

Ray, A., Dhir, A., Bala, P.K., Kaur, P., 2019. Why do people use food delivery apps (FDA)? A uses and gratification theory perspective. J. Retailing Consum. Serv. 51, 221–230.

Sharma, R., Jha, M., 2017. Values influencing sustainable consumption behaviour: exploring the contextual relationship. J. Bus. Res. 76, 77–88.

Simon, F., 2017. Relationship norms and media gratification in relational brand communication. J. Bus. Res. 79, 12–22.

Smith, T., Prosser, T., 2020. COVID-19 Drug Therapy–Potential Options. Elsevier. https ://www.elsevier.com/__data/assets/pdf_file/0007/988648/COVID-19-Drug-Ther apy_Mar-2020.pdf. accessed 23 March 2020.

Solomon, M.R., 2017. Consumer Behavior: Buying, Having, and Being, 12 ed. Pearson. Song, W., Li, W., Geng, S., 2020. Effect of online product reviews on third parties’ selling

on retail platforms. Electron. Commer. Res. Appl. 39, 100900.
Verma, P., Sinha, N., 2018. Integrating perceived economic wellbeing to technology

acceptance model: the case of mobile based agricultural extension service. Technol.

Forecast. Soc. Change 126, 207–216.
Vietnam News, 2020. How COVID-19 Affects Vietnamese Consumers’ FMCG Spend and

Purchase Behaviours. https://vietnamnews.vn/economy/654138/how-covid-19- affects-vietnamese-consumers-fmcg-spend-and-purchase-behaviours.html. accessed

26 March 2020.

Vinzi, V.E., Chin, W.W., Henseler, J., Wang, H., 2010. Handbook of Partial Least Squares. Springer.

Wagner, G., Schramm-Klein, H., Steinmann, S., 2020. Online retailing across e-channels and e-channel touchpoints: empirical studies of consumer behavior in the multichannel e-commerce environment. J. Bus. Res. 107, 256–270.

Wang, D., Chen, B., Chen, J., 2019. Credit card fraud detection strategies with consumer incentives. Omega 88, 179–195.

Wang, Y., Herrando, C., 2019. Does privacy assurance on social commerce sites matter to millennials? Int. J. Inf. Manag. 44, 164–177.

WHO, 2010. What Is a Pandemic? World Health Organization. WHO. https://www.who. int/csr/disease/swineflu/frequently_asked_questions/pandemic/en/. accessed 23 March 2020.

WHO, 2020. Q&A on Coronaviruses (COVID-19). World Health Organization. WHO. htt ps://www.who.int/news-room/q-a-detail/q-a-coronaviruses. accessed 24 March 2020.

Worldometer, 2020. Coronavirus. https://www.worldometers.info/coronavirus/. accessed 25 March 2020.

Zhang, S., Pauwels, K., Peng, C., 2019. The impact of adding online-to-offline service platform channels on firms’ offline and total sales and profits. J. Interact. Market. 47, 115–128.

Zhang, T., Li, G., Cheng, T.C.E., Lai, K.K., 2017. Welfare economics of review information: implications for the online selling platform owner. Int. J. Prod. Econ. 184, 69–79.

Big data analytics in supply chain management: A state-of-the-art literature review

Nguyen, T., Li, Z. H. O. U., Spiegler, V., Ieromonachou, P., & Lin, Y. (2018). Big data analytics in supply chain management: A state-of-the-art literature review. Computers & Operations Research98, 254-264.

Mots clefs : Literature review, Big data, Big data analytics, Supply chain management, Research directions

Cette recherche réunie toutes les recherches contemporaines sur l’utilisation de la big data dans le cadre de la chaine d’approvisionnement (CGA). En effet, Il reste des zones d’ombre en terme de recherche à ce niveau qui permettent a priori de s’orienter sur d’autres recherches complémentaires. Dans quel cadre la supply chain requière-t-elle la big data et comment s’applique-t-elle ?

Développement :

Cet article a pour objectif de synchroniser les données déjà relevés sur la big data afin de pouvoir développer un nouvel agenda. De ce fait elle propose un nouveau cadre de classification basé sur la méthode d’analyse de Mayring (2008) en répondant principalement à 4 questions de recherche.

Cette article relate que la big data est devenu indispensable dans la chaîne d’approvisionnement de par une amélioration de l’agilité et la réduction des coûts opérationnels.

Le big data est encore assez méconnu des organisations puisque les travaux de recherches effectués portent sur des fonctions opérationnelles spécifiques de la supply chain. Ces auteurs ont montré comment la big data a été appliquée dans la gestion de la chaîne d’approvisionnement d’une manière plus générale.

Sur les 1565 articles sur la « big data » relevés entre 2011 et mi 2017, seul 88 articles ont été retenus pour un examen plus complet. A priori, les autres ne possédaient pas tous les critères de sélection (filtrage sur mots clefs par exemple).

La majorité des littératures publiées proviennent des années 2014 à 2017, là ou nous possédions davantage de données et d’informations sur la big data.

Cela traduit un intérêt certain pour l’implémentation de la big data pour la gestion des chaînes d’approvisionnement.

La BDA est principalement utilisé comme un outil d’aide à la décision des entreprises dans le cadre de la CGA. La BDA pour soutenir la planification logistique est de plus en plus répandu. Plus globalement, les recherches initiées sur la BDA retrace beaucoup d’étapes de la supply chain (stocks, décision, demande, maintenance, diagnostic de la production, ect.).

Elle est utilisée principalement dans le domaine de la logistique, avec une prédominance pour la gestion du transport et sur 3 notions fondamentales des systèmes de transport intelligents (STI) : pour optimiser les itinéraires, pour surveiller en temps réel le trafic ainsi que la gestion proactive de la sécurité.

Les études sur le BDA dans le domaine de l’approvisionnement sont uniformément réparties entre les trois principales applications que sont la sélection des fournisseurs, l’amélioration des coûts d’approvisionnement et l’analyse des risques d’approvisionnement. Le BDA a été largement adopté pour faciliter le processus de sélection des fournisseurs et des ef- forts récents ont été réalisés pour intégrer cette activité aux problèmes d’allocation des commandes et pour réduire les coûts

Il existe différentes techniques de BDA utilisées dans le cadre de la gestion de la chaine d’approvisionnement. Parmi les plus connues et les plus polyvalentes, nous avons l’algorithme de clustering K-means ou encore l’ARM (technique) qui sont tous deux très adaptables. Les algorithmes se différencient en fonction de l’objectif visé. Par exemple nous avons le SVM pour la classification ou encore l’approche heuristique pour l’optimisation et les réseaux neuronaux dans le modèle de prévision.

Pour que le BDA soit efficace, il faut l’intégrer à toutes les étapes et fonctions de la gestion de la chaine d’approvisionnement. Sans cela, le BDA ne produit pas d’avantage concurrentiel. Il s’agit d’effectuer une intégration horizontale de la supply chain.

Conclusion :

L’article a mis en relief les réponses à 4 questions distinctes autour de la BDA et de la supply chain. En effet, les réponses à ces questions ont permis de révéler certaines lacunes sur l’application de la BDA d’une manière générale.

References

Addo-Tenkorang, R., Helo, P.T., 2016. Big data applications in operations/supply-chain management: a literature review. Comput. Ind. Eng. 101, 528–543 Elsevier Ltd.

Ahiaga-Dagbui, D.D., Smith, S.D., 2014. Dealing with construction cost overruns us- ing data mining. Constr. Manage. Econ. 32 (7–8), 682–694.

Alyahya, S., Wang, Q., Bennett, N., 2016. Application and integration of an RFID- enabled warehousing management system – a feasibility study. J. Ind. Inf. Integr. 4, 15–25. doi:10.1016/j.jii.2016.08.001, Elsevier Inc.

Assunção, M.D., Calheiros, R.N., Bianchi, S., Netto, M.a.S., Buyya, R., 2015. Big data computing and clouds: trends and future directions. J. Parallel Distrib. Comput. 79–80, 3–15 Elsevier Inc.

Babiceanu, R.F., Seker, R., 2016. Big Data and virtualization for manufacturing cyber– physical systems: a survey of the current status and future outlook. Comput. Ind. 81, 128–137 Elsevier B.V.

Bae, J.K., Kim, J., 2011. Product development with data mining techniques: a case on design of digital camera. Expert Syst. Appl. 38 (8), 9274–9280 Elsevier Ltd. Ballestín, F., Pérez, Á., Lino, P., Quintanilla, S., Valls, V., 2013. Static and dynamic

policies with RFID for the scheduling of retrieval and storage warehouse opera-

tions. Comput. Ind. Eng. 66 (4), 696–709.
Berengueres, J., Efimov, D., 2014. Airline new customer tier level forecasting for re-

al-time resource allocation of a miles program. J. Big Data 1 (1), 3.

Chase, C.W., 2016. Next Generation Demand Management: People, Pro- cess, Analytics, and Technology. Wiley Online Library available at: 4 https://books.google.co.uk/books?id=CkbhCgAAQBAJ&printsec=frontcover#v= onepage&q=demandshaping&f=false.

Chen, C.L.P., Zhang, C.Y., 2014a. Data-intensive applications, challenges, techniques and technologies: a survey on Big Data. Inf. Sci. 275, 314–347 Elsevier Inc. Chen, C.L.P., Zhang, C.-Y., 2014b. Data-intensive applications, challenges, techniques and technologies: a survey on Big Data. Inf. Sci. 275, 314–347 Elsevier Inc.

Chiang, D.M.-H., Lin, C.-P., Chen, M.-C., 2011. The adaptive approach for storage as- signment by mining data of warehouse management system for distribution centres. Enterprise Inf. Syst. 5 (2), 219–234.

Chiang, D.M.-H., Lin, C.-P., Chen, M.-C., 2014. Data mining based storage assignment heuristics for travel distance reduction. Expert Syst. 31 (1), 81–90.

Chien, C., Diaz, A.C., Lan, Y., 2014. A data mining approach for analyzing semicon- ductor MES and FDC data to enhance overall usage effectiveness (OUE). Int. J. Comput. Intell. Syst. 7, 52–65 No. sup2.

Choi, Y., Lee, H., Irani, Z., 2016. Big data-driven fuzzy cognitive map for prioritising IT service procurement in the public sector. Ann. Oper. Res. 243 (1–2), 1–30 Springer US.

Chong, A.Y.L., Li, B., Ngai, E.W.T., Ch’ng, E., Lee, F., 2016. Predicting online product sales via online reviews, sentiments, and promotion strategies. Int. J. Oper. Prod. Manage. 36 (4), 358–383.

Chuang, Y.F., Chia, S.H., Wong, J.Y., 2014. Enhancing order-picking efficiency through data mining and assignment approaches. WSEAS Trans. Bus. Econ. 11 (1), 52–64. Cui, J., Liu, F., Hu, J., Janssens, D., Wets, G., Cools, M., 2016. Identifying mismatch between urban travel demand and transport network services using GPS data: a case study in the fast growing Chinese city of Harbin. Neurocomputing 181,

4–18 Elsevier.
Dai, Q., Zhong, R., Huang, G.Q., Qu, T., Zhang, T., Luo, T.Y., 2012. Radio frequency

identification-enabled real-time manufacturing execution system: a case study

in an automotive part manufacturer. Int. J. Comput. Integr. Manuf. 25 (1), 51–65. Delen, D., Demirkan, H., 2013. Data, information and analytics as services. Decis.

Support Syst. 55 (1), 359–363 Elsevier B.V.
Delen, D., Erraguntla, M., Mayer, R.J., Wu, C.-N., 2011. Better management of blood

supply-chain with GIS-based analytics. Ann. Oper. Res. 185 (1), 181–193.
Do, N., 2014. Application of OLAP to a PDM database for interactive performance evaluation of in-progress product development. Comput. Ind. 65 (4), 636–645

Elsevier B.V.
Dobre, C., Xhafa, F., 2014. Intelligent services for big data science. Future Gener.

Comput. Syst. 37, 267–281 Elsevier B.V.

Duan, L., Xiong, Y., 2015. Big data analytics and business analytics. J. Manage. Anal. 2 (1), 1–21 Taylor & Francis.

Dubey, R., Gunasekaran, A., Childe, S.J., Wamba, S.F., Papadopoulos, T., 2016. The im- pact of big data on world-class sustainable manufacturing. Int. J. Adv. Manuf. Technol. 84 (1–4), 631–645.

Dutta, D., Bose, I., 2015. Managing a big data project: the case of Ramco Cements Limited. Int. J. Prod. Econ. 165, 293–306 Elsevier.

Ehmke, J.F., Campbell, A.M., Thomas, B.W., 2016. Data-driven approaches for emis- sions-minimized paths in urban areas. Comput. Oper. Res. 67, 34–47 Elsevier.

Emani, C.K., Cullot, N., Nicolle, C., 2015. Understandable Big Data: a survey. Comput. Sci. Rev. 17, 70–81 Elsevier Inc.

Erl, T., Khattak, W., Buhler, P., 2016. Big Data Fundamentals. Prentice Hall available at: file:///C:/2016-2017/Research/Paper/COR_Jimmy and Vir/References/Referencing for Li/37.pdf.

Fang, X., Zhan, J., 2015. Sentiment analysis using product review data. J. Big Data 2 (1), 5 Journal of Big Data.

Fawcett, S., Waller, M., 2014. Supply Chain Game Changers—Mega, Nano, and Virtual Trends—And Forces That Impede Supply Chain Design (i.e., Building a Winning Team). Journal of Business Logistics 35 (3), 157–164.

Gandomi, A., Haider, M., 2015. Beyond the hype: big data concepts, methods, and analytics. Int. J. Inf. Manage. 35 (2), 137–144 Elsevier Ltd.

Ghedini Ralha, C., Sarmento Silva, C.V., 2012. A multi-agent data mining system for cartel detection in Brazilian government procurement. Expert Syst. Appl. 39 (14), 11642–11656.

Giannakis, M., Louis, M., 2016. A multi-agent based system with big data processing for enhanced supply chain agility. J. Enterp. Inf. Manage. 29 (5), 706–727.

Govindan, K., Soleimani, H., Kannan, D., 2014. Reverse logistics and closed-loop sup- ply chain: a comprehensive review to explore the future. Eur. J. Oper. Res. 240 (3), 603–626.

Gunasekaran, A., Kumar Tiwari, M., Dubey, R., Fosso Wamba, S., 2016. Big data and predictive analytics applications in supply chain management. Comput. Ind. Eng. 101 (C), 525–527.

Gunasekaran, A., Papadopoulos, T., Dubey, R., Wamba, S.F., Childe, S.J., Hazen, B., Ak- ter, S., 2017. Big data and predictive analytics for supply chain and organiza- tional performance. J. Bus. Res. 70, 308–317.

Guo, S.Y., Ding, L.Y., Luo, H.B., Jiang, X.Y., 2016. A Big-Data-based platform of work- ers’ behavior: observations from the field. Accid. Anal. Prev. 93, 299–309 Else- vier Ltd.

Hazen, B.T., Skipper, J.B., Boone, C.A., Hill, R.R., 2016. Back in business: operations research in support of big data analytics for operations and supply chain man- agement. Ann. Oper. Res. (May) 1–11 Springer US.

He, W., Wu, H., Yan, G., Akula, V., Shen, J., 2015. A novel social media competitive analytics framework with sentiment benchmarks. Inf. Manage. 52 (7), 801–812. Helo, P., Hao, Y., 2017. Cloud manufacturing system for sheet metal processing. Prod.

Plann. Control 28 (May), 524–537.
Hofmann, E., 2015. Big data and supply chain decisions: the impact of volume, va-

riety and velocity properties on the bullwhip effect. Int. J. Prod. Res. 7543 (De-

cember), 1–19 2015.
Hsu, C.-Y., Lin, S.-C., Chien, C.-F., 2015a. A back-propagation neural network with a

distributed lag model for semiconductor vendor-managed inventory. J. Ind. Prod.

Eng. 32 (3), 149–161.
Hsu, C.-Y., Yang, C.-S., Yu, L.-C., Lin, C.-F., Yao, H.-H., Chen, D.-Y., Robert Lai, K., et al.,

2015b. Development of a cloud-based service framework for energy conserva- tion in a sustainable intelligent transportation system. Int. J. Prod. Econ. 164, 454–461 Elsevier.

Huang, T., Lan, L., Fang, X., An, P., Min, J., Wang, F., 2015. Promises and challenges of big data computing in health sciences. Big Data Res. 2 (1), 2–11 Elsevier Inc. Huang, T., Van Mieghem, J.A., 2014. Clickstream data and inventory management:

model and empirical analysis. Prod. Oper. Manage. 23 (3), 333–347.
Huang, Y.-Y., Handfield, R.B., 2015. Measuring the benefits of ERP on supply man- agement maturity model: a ‘big data’ method. Int. J. Oper. Prod. Manage. 35 (1),

2–25.
IBM, 2012. What is Big Data? IBM Corporation.
IDC, 2012. The Digital Universe in 2020: Big Data, Bigger Digital Shadows, and

Biggest Growth in the Far East.
Jain, R., Singh, A.R., Yadav, H.C., Mishra, P.K., 2014. Using data mining synergies

for evaluating criteria at pre-qualification stage of supplier selection. J. Intell.

Manuf. 25 (1), 165–175.
Jin, J., Liu, Y., Ji, P., Liu, H., 2016. Understanding big consumer opinion data for mar-

ket-driven product design. Int. J. Prod. Res. 54 (10), 3019–3041.
Jun, S., Park, D., Yeom, J., 2014. The possibility of using search traffic information to explore consumer product attitudes and forecast consumer preference. Technol.

Forecasting Soc. Change 86, 237–253 Elsevier Inc.
Krumeich, J., Werth, D., Loos, P., 2016. Prescriptive control of business processes.

Bus. Inf. Syst. Eng. 58 (4), 261–280 Springer Fachmedien Wiesbaden.
Kumar, A., Shankar, R., Choudhary, A., Thakur, L.S., 2016. A big data MapReduce framework for fault diagnosis in cloud-based manufacturing. Int. J. Prod. Res.

54 (23), 7060–7073.
Kuo, R.J., Pai, C.M., Lin, R.H., Chu, H.C., 2015. The integration of association rule min-

ing and artificial immune network for supplier selection and order quantity al-

location. Appl. Math. Comput. 250, 958–972 Elsevier Inc.
Lee, C.K.H., 2016. A GA-based optimisation model for big data analytics supporting

anticipatory shipping in Retail 4.0. Int. J. Prod. Res. 54 (August), 1–13.
Lee, C.K.H., Choy, K.L., Ho, G.T.S., Lin, C., 2016. A cloud-based responsive replenish- ment system in a franchise business model using a fuzzy logic approach. Expert

Syst. 33 (1), 14–29.

Lei, N., Moon, S.K., 2015. A decision support system for market-driven product po- sitioning and design. Decis. Support Syst. 69, 82–91 Elsevier B.V.

Li, B., Ch’ng, E., Chong, A.Y., Bao, H., 2016a. Predicting online e-marketplace sales performances: a big data approach. Comput. Ind. Eng. doi:10.1016/j.cie.2016.08. 009, Elsevier Ltd, Vol. Accepted.

Li, H., Parikh, D., He, Q., Qian, B., Li, Z., Fang, D., Hampapur, A., 2014. Improving rail network velocity: a machine learning approach to predictive maintenance. Transp. Res. Part C 45, 17–26 Elsevier Ltd.

Li, J., Moghaddam, M., Nof, S.Y., 2016b. Dynamic storage assignment with prod- uct affinity and ABC classification—a case study. Int. J. Adv. Manuf. Technol. 84 (9–12), 2179–2194 The International Journal of Advanced Manufacturing Tech- nology.

Li, L., Su, X., Wang, Y., Lin, Y., Li, Z., Li, Y., 2015. Robust causal dependence mining in big data network and its application to traffic flow predictions. Transp. Res. Part C 58, 292–307.

Li, X., Song, J., Huang, B., 2016. A scientific workflow management system architec- ture and its scheduling based on cloud service platform for manufacturing big data analytics. Int. J. Adv. Manuf. Technol. 84 (1–4), 119–131.

Ling Ho, C., Wen Shih, H., 2014. Applying data ming to develop a warning system of procurement in construction. Int. J. Future Comput. Commun. 3 (3), 168–171. Ma, J., Kwak, M., Kim, H.M., 2014. Demand trend mining for predictive life cycle

design. J. Cleaner Prod. 68, 189–199 Elsevier Ltd.

Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., Byers, A.H., 2011. Big data: The next frontier for innovation, competition, and productivity. McK- insey Global Inst. doi:10.1080/01443610903114527.

Marine-Roig, E., Anton Clavé, S., 2015. Tourism analytics with massive user-gener- ated content: a case study of Barcelona. J. Destination Market. Manage. 4 (3), 162–172 Elsevier.

Mastrogiannis, N., Boutsinas, B., Giannikos, I., 2009. A method for improving the accuracy of data mining classification algorithms. Comput. Oper. Res. 36 (10), 2829–2839.

Mayring, P., 2008. Qualitative Inhaltsanalyse (Qualitative content Analysis), tenth ed. Beltz, Weinheim.

Mehmood, R., Meriton, R., Graham, G., Hennelly, P., Kumar, M., Mehmood, R., Meri- ton, R., et al., 2017. Exploring the influence of big data on city transport opera- tions : a Markovian approach. J. Oper. Prod. Manage. 37 (1), 75–104.

Meziane, F., Proudlove, N., 2000. Intelligent systems in manufacturing: current de- velopments and future prospects. Integr. Manuf. Syst. 11 (4), 218–238.

Miroslav, M., Miloš, M., Velimir, Š., Božo, D., Đorđe, L., 2014. Semantic technologies on the mission: Preventing corruption in public procurement. Comput. Ind. 65 (5), 878–890.

Mishra, D., Gunasekaran, A., Papadopoulos, T., Childe, S.J., 2016. Big data and supply chain management: a review and bibliometric analysis. Ann. Oper. Res. 1–24.

Mori, J., Kajikawa, Y., Kashima, H., Sakata, I., 2012. Machine learning approach for finding business partners and building reciprocal relationships. Expert Syst. Appl. 39 (12), 10402–10407 Elsevier Ltd.

O’Donovan, P., Leahy, K., Bruton, K., O’Sullivan, D.T.J., 2015. Big data in manufactur- ing: a systematic mapping study. J. Big Data 2 (1), 20 Journal of Big Data.

Olson, D.L., 2015. A review of supply chain data mining publications. J. Supply Chain Manage. Sci. 9, 1–13.

Ong, J.B.S., Wang, Z., Goh, R.S.M., Yin, X.F., Xin, X., Fu, X., 2015. Understanding nat- ural disasters as risks in supply chain management through web data analysis. Int. J. Comput. Commun. Eng. 4 (2), 126–133.

Opresnik, D., Taisch, M., 2015. The value of big data in servitization. Int. J. Prod. Econ. 165, 174–184 Elsevier.

Oracle, 2012. Big Data for the Enterprise.
Papadopoulos, T., Gunasekaran, A., Dubey, R., Altay, N., Childe, S.J., Fosso-Wamba, S.,

  1. The role of big data in explaining disaster resilience in supply chains for

sustainability. J. Cleaner Prod. 142, 1108–1118 Elsevier Ltd.
Prasad, S., Zakaria, R., Altay, N., 2016. Big data in humanitarian supply chain

networks: a resource dependence perspective. Ann. Oper. Res. (August) 1–31

Springer US.
Rehman, M.H.ur, Chang, V., Batool, A., Wah, T.Y., 2016. Big data reduction framework

for value creation in sustainable enterprises. Int. J. Inf. Manage. 36 (6), 917–928

Elsevier Ltd.
Ramanathan, U., Subramanian, N., Parrott, G., 2017. Role of social media in retail

network operations and marketing to enhance customer satisfaction. Int. J. Oper.

Prod. Manage. 37 (1), 105–123.
Rozados, I.V., Tjahjono, B., 2014. Big data analytics in supply chain management:

trends and related research. 6th International Conference on Operations and

Supply Chain Management.
Salehan, M., Kim, D.J., 2016. Predicting the performance of online consumer re-

views: a sentiment mining approach to big data analytics. Decis. Support Syst.

81, 30–40 Elsevier B.V.

Sanders, N.R., 2014. Big Data Driven Supply Chain Management. Pearson Education, Inc. available at: http://ptgmedia.pearsoncmg.com/images/9780133801286/ samplepages/0133801284.pdf.

Saumyadipta, B.L.S.P., Rao, P., Rao, S.B., 2016. Big Data Analytics: Methods and Applications. Springer available at: 5 https://books.google.co.uk/books?id=_ xhADQAAQBAJ&printsec=frontcover#v=onepage&q=prescriptive&f=false.

Schmidt, B., Flannery, P., DeSantis, M., 2014. Real-time predictive analytics, big data & energy market efficiency: key to efficient markets and lower prices for con- sumers. Appl. Mech. Mater. 704, 453–458.

Schmidt, B., Flannery, P., DeSantis, M., 2015. Real-time predictive analytics, big data & amp; energy market efficiency: key to efficient markets and lower prices for consumers. Appl. Mech. Mater. 704, 453–458.

Schoenherr, T., Speier-Pero, C., 2015. Data science, predictive analytics, and big data in supply chain management: current state and future potential. J. Bus. Logist. 36 (1), 120–132.

Seuring, S., 2013. A review of modeling approaches for sustainable supply chain management. Decis. Support Syst. 54 (4), 1513–1520 Elsevier B.V.

Seuring, S., Müller, M., 2008. From a literature review to a conceptual framework for sustainable supply chain management. J. Cleaner Prod. 16 (15), 1699–1710.

Shan, Z., Zhu, Q., 2015. Camera location for real-time traffic state estimation in ur- ban road network using big GPS data. Neurocomputing 169, 134–143 Elsevier.

Sheffi, Y., 2015. Preparing for disruptions through early detection preparing for dis- ruptions through early detection. MIT Sloan Manage. Rev. 57 (1), 31–42.

Shi, Q., Abdel-Aty, M., 2015. Big Data applications in real-time traffic operation and safety monitoring and improvement on urban expressways. Transp. Res. Part C 58, 380–394 Elsevier Ltd.

Shu, Y., Ming, L., Cheng, F., Zhang, Z., Zhao, J., 2016. Abnormal situation manage- ment: challenges and opportunities in the big data era. Comput. Chem. Eng. 91, 104–113 Elsevier Ltd.

Sivamani, S., Kwak, K., Cho, Y., 2014. A study on intelligent user-centric logistics service model using ontology. J. Appl. Math. 2014 (162838), 1–10.

Song, M.-L., Fisher, R., Wang, J.-L., Cui, L.-B., 2016. Environmental performance eval- uation with big data: theories and methods. Ann. Oper. Res. (March) 1–14 Springer US.

St-Aubin, P., Saunier, N., Miranda-Moreno, L., 2015. Large-scale automated proactive road safety analysis using video data. Transp. Res. Part C 58, 363–379 Elsevier Ltd.

Stefanovic, N., 2015. Collaborative predictive business intelligence model for spare parts inventory replenishment. Comput. Sci. Inf. Syst. 12 (3), 911–930.

Tan, K.H., Zhan, Y., Ji, G., Ye, F., Chang, C., 2015. Harvesting big data to enhance sup- ply chain innovation capabilities: an analytic infrastructure based on deduction graph. Int. J. Prod. Econ. 165, 223–233 Elsevier.

Tan, M., Lee, W., 2015. Evaluation and improvement of procurement process with data analytics. Int. J. Adv. Comput. Sci. Appl. 6 (8), 70–80.

Ting, S.L.L., Tse, Y.K.K., Ho, G.T.S.T.S., Chung, S.H.H., Pang, G., 2014. Mining logistics data to assure the quality in a sustainable food supply chain: a case in the red wine industry. Int. J. Prod. Econ. 152, 200–209.

Toole, J.L., Colak, S., Sturt, B., Alexander, L.P., Evsukoff, A., González, M.C., 2015. The path most traveled: Travel demand estimation using big data resources. Transp. Res. Part C 58, 162–177 Elsevier Ltd.

Tranfield, D., Denyer, D., Smart, P., 2003. Towards a methodology for developing ev- idence-informed management knowledge by means of systematic review. Br. J. Manage. 14 (3), 207–222.

Tsai, C.-W., Lai, C.-F., Chao, H.-C., Vasilakos, A.V., 2015. Big data analytics: a survey. J. Big Data 2 (1), 21 Springer International Publishing.

Tsai, C.-Y., Huang, S.-H., 2015. A data mining approach to optimise shelf space al- location in consideration of customer purchase and moving behaviours. Int. J. Prod. Res. 53 (3), 850–866.

Tu, W., Li, Q., Fang, Z., Shaw, S., Zhou, B., Chang, X., 2016. Optimizing the locations of electric taxi charging stations: a spatial–temporal demand coverage approach. Transp. Res. Part C 65 (3688), 172–189 Elsevier Ltd.

Waller, M.A., Fawcett, S.E., 2013. “Data science, predictive analytics, and big data: a revolution that will transform supply chain design and management. J. Bus. Logist. 34 (2), 77–84.

Walker, G., Strathie, A., 2016. Big data and ergonomics methods: a new paradigm for tackling strategic transport safety risks. Appl. Ergon. 53, 298–311 Elsevier Ltd.

Wamba, S.F., Akter, S., Coltman, T., Ngai, E.W.T., 2015a. Information technology-en- abled supply chain management. Prod. Plann. Control 26 (12), 933–944.

Wamba, S.F., Akter, S., Edwards, A., Chopin, G., Gnanzou, D., 2015b. How ‘big data’ can make big impact: Findings from a systematic review and a longitudinal case study. Int. J. Prod. Econ. 165 (July), 234–246 Elsevier.

Wamba, S.F., Ngai, E.W.T., Riggins, F., Akter, S., 2017. Transforming operations and production management using big data and business analytics: future research directions. Int. J. Oper. Prod. Manage. 37 (1), 2–9.

Wang, C., Li, X., Zhou, X., Wang, A., Nedjah, N., 2016a. Soft computing in big data intelligent transportation systems. Appl. Soft Comput. 38, 1099–1108

Wang, G., Gunasekaran, A., Ngai, E.W.T., Papadopoulos, T., 2016b. Big data analytics in logistics and supply chain management: certain investigations for research and applications. Int. J. Prod. Econ. 176, 98–110 Elsevier.

Wang, J., Zhang, J., 2016. Big data analytics for forecasting cycle time in semicon- ductor wafer fabrication system. Int. J. Prod. Res. 54 (23), 7231–7244.

Wang, J., Zhang, L., Duan, L., Gao, R.X., 2015. A new paradigm of cloud-based predic- tive maintenance for intelligent manufacturing. J. Intell. Manuf. (March) 1–13.

Wang, S., Wan, J., Zhang, D., Li, D., Zhang, C., 2016c. Towards smart factory for in- dustry 4.0: a self-organized multi-agent system with big data based feedback and coordination. Comput. Netw. 101, 158–168.

Wang, Z., Tu, L., Guo, Z., Yang, L.T., Huang, B., 2014. Analysis of user behaviors by mining large network data sets. Future Gener. Comput. Syst. 37, 429–437 Else- vier B.V.

Wegner, M., Küchelhaus, M., 2013. Big Data in Logistics. DHL Customer Solutions & Innovation.

White, M., 2012. Digital workplaces: vision and reality. Bus. Inf. Rev. 29 (4), 205–214. Wu, K., Liao, C., Tseng, M., Lim, M.K., Hu, J., Tan, K., 2017. Toward sustainability: using big data to explore the decisive attributes of supply chain risks and un-

certainties. J. Cleaner Prod. 142, 663–676 Elsevier Ltd.
Xia, D., Wang, B., Li, H., Li, Y., Zhang, Z., 2016. A distributed spatial–temporal

weighted model on MapReduce for short-term traffic flow forecasting. Neuro-

computing 179 (ii), 246–263 Elsevier.
Yan-Qiu, L., Hao, W., 2016. Optimization for service supply network base on the

user’s delivery time under the background of big data. In: 2016 Chinese Control

and Decision Conference (CCDC), 13. IEEE, pp. 4564–4569.
Yu, R., Abdel-Aty, M., 2014. Analyzing crash injury severity for a mountainous free-

way incorporating real-time traffic and weather data. Saf. Sci. 63, 50–56 Elsevier

Ltd.
Zangenehpour, S., Miranda-Moreno, L.F., Saunier, N., 2015. Automated classification

based on video data at intersections with heavy pedestrian and bicycle traffic:

methodology and application. Transp. Res. Part C 56, 161–176 Elsevier Ltd. Zhang, C., Yao, X., Zhang, J., 2015a. Abnormal condition monitoring of work- pieces based on RFID for wisdom manufacturing workshops. Sensors 15 (12),

30165–30186.
Zhang, J., Meng, W., Liu, Q., Jiang, H., Feng, Y., Wang, G., 2016. Efficient vehicles path

planning algorithm based on taxi GPS big data. Opt. Int. J. Light Electron Opt.

127 (5), 2579–2585 Elsevier GmbH.
Zhang, Y., Ren, S., Liu, Y., Si, S., 2017. A big data analytics architecture for cleaner

manufacturing and maintenance processes of complex products. J. Cleaner Prod.

142, 626–641 Elsevier Ltd.
Zhang, Y., Zhang, G., Du, W., Wang, J., Ali, E., Sun, S., 2015b. An optimization method

for shopfloor material handling based on real-time and multi-source manufac-

turing data. Int. J. Prod. Econ. 165, 282–292 Elsevier.
Zhao, R., Liu, Y., Zhang, N., Huang, T., 2016. An optimization model for green supply

chain management by using a big data analytic approach. J. Cleaner Prod. 142,

1085–1097 Elsevier Ltd.
Zhao, X., Yeung, K., Huang, Q., Song, X., 2015. Improving the predictability of busi-

ness failure of supply chain finance clients by using external big dataset. (Xi- aojun Wang, Professor Leroy White, D.,Ed.). Ind. Manage. Data Syst. 115 (9), 1683–1703.

Zhong, R.Y., Huang, G.Q., Lan, S., Dai, Q.Y., Chen, X., Zhang, T., 2015a. A big data approach for logistics trajectory discovery from RFID-enabled production data. Int. J. Prod. Econ. 165, 260–272.

Zhong, R.Y., Huang, G.Q., Lan, S., Dai, Q.Y., Zhang, T., Xu, C., 2015b. A two-level ad- vanced production planning and scheduling model for RFID-enabled ubiquitous manufacturing. Adv. Eng. Inf. 29 (4), 799–812 Elsevier Ltd.

Zhong, R.Y., Lan, S., Xu, C., Dai, Q., Huang, G.Q., 2016. Visualization of RFID-enabled shopfloor logistics big data in cloud manufacturing. Int. J. Adv. Manuf. Technol. 84 (1–4), 5–16.

Zhong, R.Y., Xu, C., Chen, C., Huang, G.Q., 2015c. Big data analytics for physical inter- net-based intelligent manufacturing shop floors. Int. J. Prod. Res. 7543 (Septem- ber), 1–12.

Brand engagement in self‐concept and consumer engagement in social media: The role of the source.

Référence au format APA :

Giakoumaki C, Krepapa, A. (2020), Brand engagement in self‐concept and consumer engagement in social media: The role of the source. Psychol Mark, volume 37, 457–465 

Mots clés de l’article :

Mots clés : BESC, engagement des consommateurs, Instagram, marque de luxe, concept de soi, médias sociaux, type de source.

Synthèse :

Giakoumaki C, Krepapa démontrent que trois types de sources de post différents de marque sur les réseaux sociaux, mais plus précisément sur Instagram, engendrent de l’engagement auprès des consommateurs car ils se sentent affectés par la tendance et intègrent ainsi les marques dans leur concept de soi (BESC). Leurs hypothèses veulent que le type de source joue un rôle médiateur sur la corrélation entre le BESC et l’engagement des consommateurs, mais aussi sur l’engagement des marques de luxes dans le concept de soi autour des réseaux sociaux.

  • En premier lieu, nous analyserons les caractéristiques des différents types de sources lié à un post de marque sur Instagram. 
  • Nous soulignerons ensuite en quelques lignes les effets de ses différents types de sources. Puis, nous terminerons par donner les diverses définitions de ses effets. 

Développement : 

Selon Giakoumaki C, Krepapa, l’un des facteurs les plus importants qui affectent l’engagement envers les messages sur les médias sociaux est le créateur ou le distributeur de la source (Giakoumaki C, Krepapa, p 459).

Ainsi, les chercheurs ont classé trois types de sources de contenu qui sont : 

  1. 1. Le contenu sponsorisé par une marque (Giakoumaki C, Krepapa, p 459), où la marque est la source.

Le contenu sponsorisé par la marque implique la publication cohérente et fréquente de contenu (connu sous le nom de marketing de contenu ou de publication sociale) et est considéré comme une activité cruciale pour une marque afin de maintenir et d’engager sa base de followers dans le paysage des médias sociaux (Giakoumaki C, Krepapa, p 459). C’est un principe fondamental en marketing que la familiarité de la marque mène à la confiance (Giakoumaki C, Krepapa, p 459), et que la confiance dans la source est positivement liée aux niveaux d’engagement (Giakoumaki C, Krepapa, p 459).

  1. 2. Le contenu semi-sponsorisé, par l’utilisation d’endosseurs tiers indépendants, c’est-à-dire les influenceurs de marque (Giakoumaki C, Krepapa, p 459). Dans cette source dans les médias sociaux implique le recours à des influenceurs de marque, qui sont des leaders d’opinion exerçant une grande influence sur les membres d’une communauté en ligne (Giakoumaki C, Krepapa, p 460). Il s’agit d’endosseurs indépendants et tiers, qui peuvent influencer les comportements (comme l’engagement) et les attitudes du public sur les médias sociaux (Giakoumaki C, Krepapa, p 460). Comme pour le contenu sponsorisé par une marque, la familiarité avec un influenceur de marque affecte la confiance dans le message. 
  1. 3. Le contenu généré par les utilisateurs, qui échappe généralement au contrôle de la marque (Giakoumaki C, Krepapa, p 460). Cette source concerne les utilisateurs ou les fans, qui influencent les perceptions et les comportements d’autres individus par le biais d’interactions sociales (Giakoumaki C, Krepapa, p 460). Les marques visent à tirer parti de leur influence sur les utilisateurs (Giakoumaki C, Krepapa, p 460), car ce type de source a le plus grand impact sur la portée des posts sur les médias sociaux (Giakoumaki C, Krepapa, p 460).

Ces différents types de sources peuvent affecter l’engagement des utilisateurs. Aussi, ces sources de contenu jouent un rôle modérateur dans la relation entre BESC et l’engagement post sur Instagram concernant une marque de luxe. Selon une étude qualitative de Bazi, Filieri et Gorton (2018), l’un des quatre facteurs qui influencent l’engagement envers les marques de luxe sur Facebook et Instagram est ” l’image sociale idéale de soi “, qui fait partie de l’image de soi et concerne la façon dont le consommateur aimerait que les autres le voient. Pour Instagram en particulier, l’interaction sociale, le besoin d’appartenance et l’expression de soi font partie des principales motivations d’utilisation de la plateforme (Giakoumaki C, Krepapa, p 459). Cette perspective semble bien s’aligner sur le point de vue de Flynn et al. (2016) selon lequel ” pour les BESC, le consommateur utilise des produits de marque pour renforcer la façon dont il se perçoit. Les consommateurs utilisent les marques pour valider et même créer leur image de soi “. Ainsi, nous pouvons dire que le type de source a un impact considérable sur le BESC, l’engagement client et sur le concept de soi.

  1. 1. Le BESC désigne la tendance des consommateurs à intégrer les marques dans leur concept de soi (Giakoumaki C, Krepapa, p 458) et est considérée comme un facteur de motivation du comportement des consommateurs.
  2. 2. Vivek, Beatty et Morgan (2012), définissent l’engagement client comme ” l’intensité de la participation d’un individu dans et en relation avec les offres ou les activités organisationnelles d’une organisation, que le client ou l’organisation initie ” (p. 133).
  3. 3. Le concept de soi aide les individus à organiser les informations entrantes et à donner un sens à eux-mêmes et à leur environnement.

Finalement, les réseaux sociaux mais plus précisement Instagram est un moyen mais aussi une stratégie pour les marques de luxe de générer plus de d’engagement client tout en utilisant le type de source adéquate. 

Conclusion : 

Instagram est la principale plateforme qui suscite l’engagement des marques de luxe, enregistrant 95 % de toutes les actions d’engagement social en 2018 (986 millions de likes et de commentaires). Instagram, le site de réseau social le plus omniprésent pour les marques de luxe et leurs followers, pour communiquer leur personnalité unique, raconter une histoire, renforcer leur image et construire des impressions (Giakoumaki C, Krepapa, p 458).

Références bibliographiques

  • Gilbert, E., Bakhshi, S., Chang, S., & Terveen, L. (2013). I need to try this?: A statistical overview of pinterest. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, ACM, Paris, France, 2013, pp. 2427‐2436. 
  • Hu, Y., Manikonda, L., & Kambhampati, S. (2014). What we Instagram: A first analysis of Instagram photo content and user types. Proceedings of the 8th International Conference on Weblogs and Social Media, The AAAI Press, Ann Harbor, US, 2014, pp. 595‐598. 
  • Aakonmäki, R., Müller, O., & vom Brocke, J. (2017). The Impact of content, context, and creator on user engagement in social media marketing. Proceedings of the 50th Hawaii International Conference on System Sciences, pp. 1152‐1160. 
  • Paek, H., Hove, T., Jeong, H. J., & Kim, M. (2011). Peer or expert? The persuasive impact of YouTube public service announcement producers. International Journal of Advertising, 30(1), 161–188. 
  • Van der Lans, R., van Bruggen, G., Eliashberg, J., & Wierenga, B. (2010). A viral branching model for predicting the spread of electronic word‐of‐ mouth. Marketing Science, 29(2), 348–365. 
  • Tuten, T., & Solomon, M. (2013). Social media marketing. Upper Saddle River, NJ: Pearson. 
  • Ha, H. Y., & Perks, H. (2005). Effects of consumer perceptions of brand experience on the web: Brand familiarity, satisfaction, and brand trust. Journal of Consumer Behaviour, 4(6), 438–452. 
  • Pansari, A., & Kumar, V. (2017). Customer engagement: The construct, antecedents, and consequences. Journal of the Academy of Marketing Science, 45, 294–311. 
  • Freberg, K., Graham, K., McGaughey, K., & Freberg, L. A. (2011). Who are the social media influencers? A study of public perceptions of personality. Public Relations Review, 37(1), 90–92. 
  • Ang, L. (2011). Community relationship management and social media. Journal of Database Marketing & Customer Strategy Management, 18(1), 31–38. 
  • Freberg, K., Graham, K., McGaughey, K., & Freberg, L. A. (2011). Who are the social media influencers? A study of public perceptions of personality. Public Relations Review, 37(1), 90–92. 
  • Booth, N., & Matic, J. A. (2011). Mapping and leveraging influencers in social media to shape corporate brand perceptions. Corporate Communications: An International Journal, 16(3), 184–191. https://doi. org/10.1108/13563281111156853 
  • Roelens, I., Baecke, P., & Benoit, D. F. (2016). Identifying influencers in a social network: The value of real referral data. Decision Support Systems, 91, 25–36. 
  • Lipsman, A., Mudd, G., Rich, M., & Bruich, S. (2012). The power of “Like”: How brands reach (and influence) fans through social‐media marketing. Journal of Advertising Research, 52(1), 40–52. https://doi. org/10.2501/JAR‐52‐1‐040‐052 
  • Jackson, C. A., & Luchner, A. F. (2018). Self‐presentation mediates the relationship between Self‐criticism and emotional response to Instagram feedback. Personality and Individual Differences, 133, 1–6. 
  • Sprott, D., Czellar, S., & Spangenberg, E. (2009). The importance of a general measure of brand engagement on market behavior: Development and validation of a scale. Journal of Marketing Research, 46(1), 92–104. 
  • Vaynerchuk, G. (2013). Jab, jab, jab, right hook: How to tell your story in a noisy social world. New York, NY: Harper Collins. 

Measuring ease of use of mobile applications in e-commerce retailing from the perspective of consumer online shopping behaviour patterns

Revue de la littérature : Fiche 4

Li, X., Zhao, X., & Pu, W. (2020). Measuring ease of use of mobile applications in e-commerce retailing from the perspective of consumer online shopping behaviour patterns. Journal of Retailing and Consumer Services, 55, 102093.

Dans cette étude, nous verrons l”utilité de comparer scientifiquement différentes applications en l’occurence ici dans ce cas, 3 entreprises chinoises de vente au détail de commerce électronique mobile
afin accroître l’efficacité des achats en ligne et améliorer la conception pour l’amélioration du système.