Management stratégique et intelligence artificielle : une nouvelle approche pour l'optimisation de la performance à l'heure du digital

Strategic management and machine learning : in search of companies' financial performance optimization in the digital age

• Auteur / Autrice : Samir Medrouk
• Direction : Hubert Tondeur, Hervé Laroche, Jean-Yves Eglem
• Type : Thèse de doctorat
• Discipline(s) : Sciences de gestion. Comptabilité, contrôle, audit
• Date : Soutenance le 28/11/2018
• Etablissement(s) : Paris, CNAM
• Ecole(s) doctorale(s) : École doctorale Abbé Grégoire (Paris)
• Partenaire(s) de recherche : Laboratoire : Laboratoire interdisciplinaire de recherche en sciences de l'action (Paris)
• Partenaire(s) de recherche : Entreprise : KPMG SA - SAP France
• Partenaire(s) de recherche : institut de recherche : ESCP Europe (2009-....)
• Jury : Président / Présidente : Alain Burlaud
• Jury : Examinateurs / Examinatrices : Cécile Dejoux
• Jury : Rapporteur / Rapporteuse : Gérard Dreyfus, Michel Kalika

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Entreprises -- Systèmes d'information

Intelligence artificielle

Apprentissage automatique

Efficacité de l'organisation

Planification stratégique

Mots clés libres

Alignement stratégique

Stratégie d'entreprise

Apprentissage statistiques

Performance financière des entreprises

Systèmes d'information

Réseaux de neurones

Strategic alignment

Business Strategy

Machine Learning

Business performance

Information technology

Neural Networks

Résumé

Cette recherche a pour objectif clé de créer un modèle conceptuel et numérique, basé sur le machine learning, permettant aux académiques et praticiens de repenser le management stratégique mais aussi de prédire l’évolution de la performance organisationnelle (e.g., la profitabilité) en fonction de la variation des facteurs organisationnels étudiés (alignement stratégique, capacités stratégiques).Cette thèse compare et intègre deux approches conceptuelles (approche par les ressources et la théorie de la contingence) et deux approches analytiques (linéaire et non linéaire).Le modèle développé appelé MSM (Modèle de Management Stratégique) est basé sur les données recueillies auprès de 239 hauts dirigeants, les résultats montrent que le MSM capture la non-linéarité (complexité) de l’organisation et offre une bonne capacité de prédiction des performances de l’entreprise basée sur les variables du MSM. De plus, les résultats suggèrent que les approches basées sur les ressources et la contingence devraient être considérées comme complémentaires plutôt que comme des approches concurrentes.

A key goal for this dissertation has been to create a conceptual and numerical model based on machine learning that allows leaders and scholars to reimagine strategic management, and predict the evolution of organizational performance (e.g., profitability) based on the variation of the considered organizational factors (strategic alignment, strategic capabilities).This dissertation compares and integrates two conceptual (resource-based and contingency-based), and two analytical (linear and nonlinear) approaches.The model developed called MSM (Model of Strategic Management) was validated using the data gathered from 239 senior executives, the results showed that MSM captures the organization nonlinearity (complexity) and offers a good prediction capability of firm performance based on the MSM variables. Also, the results suggest that resource-based and contingency-based should be viewed as complementary instead of competing approaches.