Cet article propose un modèle pour étudier les effets directs de la Business Intelligence (BI) sur la performance, et les effets indirects, à travers l’apprentissage en réseau (NL) et l’innovation (INNOV). L’enquête est basée sur un échantillon de 228 startups de différents pays européens. Nous explorons ces relations à l’aide de la modélisation par équation structurelle.

Les résultats de cette étude indiquent des effets positifs entre les différentes variables et nous pouvons conclure que les capacités de Business Intelligence ont un impact sur l’apprentissage du réseau, l’innovation et la performance. À partir de ces résultats, on peut affirmer qu’une certaine attention doit être portée aux capacités d’intelligence d’affaires des startups, compte tenu de l’impact que cela peut avoir sur la performance de l’entreprise. De plus, l’effet d’apprentissage du réseau via la BI est significatif et présente une influence positive sur la performance.

Comme les startups sont généralement aux prises avec un manque de ressources et que l’équipe fait face à de multiples demandes d’attention, il semble que proposer des pratiques d’intelligence d’affaires soit un nouveau défi à surmonter, mais comme l’information est une ressource clé pour une meilleure prise de décision, elle peut être payante.

Il n’y a pas de terme communément accepté pour désigner l’intelligence interne et externe nécessaire à la prise de décision commerciale, nous considérons la Business Intelligence (BI) comme un terme générique composé de technologies et de processus pour traiter les informations afin d’améliorer la prise de décision (Wanda & Stian, 2015 ). La BI est « à la fois un processus et un produit ». Le processus est composé de méthodes que les organisations utilisent pour développer des informations utiles, ou intelligence, qui peuvent aider les organisations à survivre et à prospérer. Le produit est une information qui permettra aux organisations de prédire le comportement de leurs « concurrents, fournisseurs, clients, technologies, acquisitions, marchés, produits et services, et l’environnement commercial général » avec un certain degré de certitude.

La Business Intelligence (BI) attire l’attention car il y a une augmentation de la disponibilité de l’information par le biais de moyens électroniques d’acquisition, de traitement et de communication qui peuvent être utilisés comme base pour les pratiques de renseignement. En outre, le contexte de grands changements politiques et sociaux à l’échelle mondiale, la concurrence mondiale accrue d’une concurrence nouvelle ou plus agressive et les changements technologiques rapides (Nasri, 2012) nécessitent une meilleure utilisation de l’information. L’incertitude croissante entraîne une augmentation des activités de traitement de l’information au sein des entreprises (Dishman & Calof, 2008). Sinon, la survie des entreprises peut être menacée (Shollo, 2010).

Les startups travaillent dur pour gagner leur place sur le marché et doivent performer pour survivre et se développer. Il faut noter qu’une petite entreprise n’est pas une version réduite des grandes entreprises. Il existe des différences en termes de structures, de ressources disponibles, de pratiques de gestion, de réponse environnementale et de concurrence sur le marché (Man, Lau et Chan, 2002).

Dans un environnement fortement concurrentiel, dynamique et volatil, les entreprises doivent faire des efforts pour recueillir des informations afin d’améliorer leurs décisions. Cela peut être un défi pour toutes les entreprises, mais un défi plus marqué pour les startups en difficulté sur le marché (Foster et al., 2015). Ce processus peut aider les managers à maintenir une adéquation efficace avec leur environnement et à augmenter les performances de leur entreprise (Zahra & Garvis, 2000 ; Zahra, Neubaum, & El-Hagrassey, 2002)

La théorie basée sur les ressources (RBV) affirme que, pour développer et maintenir des avantages concurrentiels, les entreprises doivent utiliser leurs actifs physiques, humains et organisationnels, à la fois tangibles et intangibles (Lonial & Carter, 2015 ; Molina, Del Pino, & Rodriguez, 2004 ). Une notion importante de cette théorie est que les entreprises contrôlant des ressources précieuses et rares ont la capacité de construire un avantage concurrentiel, de plus, si ces ressources sont difficiles à imiter ou à remplacer (Wiklund & Shepherd, 2011).

Complémentaire, la vision basée sur la connaissance (KBV) met l’accent sur la connaissance comme la ressource la plus précieuse de l’entreprise (Villar, Alegre, & Pla-Barber, 2014). Il s’appuie sur le fondement théorique de la RBV en considérant la connaissance comme le principal facteur de production à partir duquel une entreprise peut tirer un avantage concurrentiel.

La BI est l’un de ces atouts car elle peut être utilisée pour obtenir des informations, et, simultanément, peut contribuer à augmenter le pool de connaissances à la disposition des managers. Cela est possible car les processus impliqués dans la production de connaissances sont à la fois de recherche et de recombinaison (Colombelli, Krafft, & Quatraro, 2013).

Dans cet article, nous abordons la BI par ses caractéristiques vues comme un construit multidimensionnel qui évalue plusieurs aspects : Complétude intra-industrie, Analyse inter-industrie, Formalité BI et Utilité perçue. Les deux premières portent sur les aspects externes du renseignement et les autres sur la structure interne et l’utilisation de l’information. Cette combinaison peut nous donner une compréhension des efforts de renseignement pour soutenir la décision.

La relation avec l’innovation, un concept clé de la réussite organisationnelle est considérée. En outre, le processus de collecte de connaissances au moyen de l’apprentissage en réseau est étudié. L’interaction avec différents acteurs qui possèdent des connaissances techniques ou non techniques peut être importante pour accélérer l’acquisition de cette ressource immatérielle. Enfin, les relations entre ces construits et la performance sont évaluées. Parce que ces processus peuvent aider les managers à maintenir une adéquation efficace avec leur environnement et à augmenter leurs performances (Zahra & Garvis, 2000 ; Zahra et al., 2002).

Puisqu’un manque de recherche concernant les études de BI dans les petites entreprises est signalé (Hoppe, 2015), nous essayons de faire avancer la théorie en explorant certains aspects de la BI dans ce type d’organisations. L’approche de l’intelligence d’affaires dans une perspective managériale plutôt que dans la perspective technologique traditionnelle est importante (Trieu, 2017).

L’objectif de cet article est de présenter une étude de la relation entre les caractéristiques de la Business Intelligence (BIC) et son impact sur l’apprentissage en réseau (NL), l’innovation (INNOV) et la performance (PERF) des startups, et simultanément l’effet de modération de NL et l’innovation sur la performance. Un modèle pour étudier les relations directes et indirectes entre les variables est présenté et évalué à l’aide de la modélisation par équation structurelle.

Pour atteindre nos objectifs, l’article est structuré comme suit. La section « Contexte théorique et hypothèses » passe en revue les recherches antérieures sur l’intelligence d’affaires comme base pour proposer une série d’hypothèses de recherche. La section « Méthode » présente les données et la méthode utilisées pour analyser empiriquement les hypothèses développées dans un échantillon de startups européennes. La section « Résultats » présente les résultats obtenus. Enfin, la section « Considérations finales, limites et orientations futures » discute les résultats, présente certaines limites de cette étude et indique quelques orientations de recherche futures.

Les études d’intelligence appliquées aux entreprises ont gagné en intérêt ces dernières années, bien que le concept ait une longue histoire (Dishman & Calof, 2008 ; Tej Adidam, Banerjee, & Shukla, 2012). La BI utilise des éléments et des processus d’autres domaines comme l’armée, l’administration gouvernementale et, dans une certaine mesure, les cultures axées sur le renseignement (Maune, 2014), où les pratiques du renseignement ont une tradition marquée.

Dans l’armée, le renseignement est la collecte d’informations sur l’ennemi et l’environnement du champ de bataille auquel il doit faire face et existe depuis les débuts des armées et des guerres. Les organes directeurs à travers l’histoire ont utilisé le renseignement, en particulier le renseignement militaire, pour faire avancer leurs intérêts économiques, politiques et sociaux respectifs. L’utilisation de concepts traditionnellement associés à l’armée n’est pas nouvelle dans les affaires et il semble que le renseignement soit l’un de ces cas.

La Business Intelligence peut être considérée comme un terme générique, couvrant différentes activités, processus et technologies de collecte, de stockage, d’analyse et de diffusion d’informations pour améliorer la prise de décision (Wanda & Stian, 2015). Il s’agit d’une initiative large et complexe qui a été définie et discutée différemment par plusieurs auteurs et n’a donc pas de définition unanime (Lukman et al., 2011) et peut même prêter à confusion. Mais tous incluent l’idée d’analyse des données et des informations en connaissances managériales condensées et utiles (AL-Shubiri, 2012).

Dans le domaine du management, le concept a été étudié sous différents titres (Tej Adidam et al., 2012). Certains auteurs utilisent le terme BI pour véhiculer le concept d’« analyse de l’environnement », qui se concentre sur la manière dont les managers « analysent » l’environnement de leur organisation ; d’autres font référence à la veille ou à l’analyse concurrentielle (Berndtsson, Gudfinnsson, & Strand, 2015 ; Dishman & Calof, 2008 ; Shollo, 2010 ; Wright & Calof, 2006) plus centrées sur les concurrents, leurs forces, leurs faiblesses et leur comportement ; tandis que d’autres mentionnent l’intelligence technologique orientée vers la dynamique technologique (Hannula & Pirttimaki, 2003 ; Pellissier & Nenzhelele, 2013 ; Tej Adidam et al., 2012).

D’autres labels sont utilisés pour aborder le même concept et incluent l’intelligence de marché (ou marketing), l’intelligence client, l’intelligence produit et l’intelligence environnementale (Hannula & Pirttimaki, 2003 ; Venter & Tustin, 2012) ou captant d’autres types d’intelligence plus spécifiques (Hoppe , Hamrefors, & Soilen, 2009 ; Shollo, 2010).

La pratique permet aux entreprises de convertir les données en connaissances utiles (Hoppe et al., 2009), puis de prendre des décisions meilleures et plus rapides (Chang, Hsu, & Wu, 2014 ; Hannula & Pirttimaki, 2003) pour améliorer les performances de l’entreprise et soutenir la prise de décision. à tous les niveaux organisationnels, c’est-à-dire aux niveaux stratégique, tactique et opérationnel (Berndtsson et al., 2015). Elle a un caractère permanent et permet la découverte de problèmes et une prise de conscience générale sur l’état des activités (Shollo & Galliers, 2015) et les enjeux environnementaux.

Il est important de noter que la BI a un impact non seulement sur le processus de prise de décision, mais aussi sur les pratiques des acteurs organisationnels – comment ils donnent du sens, créent et partagent les connaissances (Shollo & Galliers, 2015) et peuvent donc être considérées comme une dimension culturelle. .

Dans une étude de Wanda et Stian (2015), les principaux avantages perçus de la BI sont : de meilleures décisions, des améliorations des processus métier et un soutien à la réalisation des objectifs stratégiques de l’entreprise, entre autres.

L’apprentissage se produit lorsque les gens partagent leurs données, leurs informations et leurs connaissances. Les connaissances peuvent être perçues comme des informations significatives acquises par la compréhension, la prise de conscience et la familiarité par l’étude, l’investigation, l’observation ou l’expérience au fil du temps.

Les connaissances sont générées par l’apprentissage et l’apprentissage de nouvelles capacités aide les entreprises à être concurrentielles efficacement, à survivre et à se développer (Hitt et al., 2001). Au fur et à mesure que les connaissances changent et qu’elles doivent être reconstruites sur la base de l’étude et de l’expérience, le changement continu nécessite un apprentissage continu. Ainsi, la connaissance n’est ni absolue ni universelle (Psarras, 2006).

L’attention a été portée sur la capacité d’une organisation à identifier, capter, créer, partager ou accumuler des connaissances car elles deviennent l’élément le plus important de la production et une source d’avantage concurrentiel (Wang & Wang, 2012).

Normalement, les grandes entreprises ont les moyens de développer en interne une grande partie des connaissances utilisées dans l’innovation. Mais les petites entreprises ne possèdent pas tous les intrants nécessaires pour un développement technologique réussi et continu et sont obligées de rechercher des connaissances externes (Weerawardena et al., 2014). Elles sont confrontées à un « type de problème » unique en matière d’apprentissage organisationnel, qui doit être différencié des grandes entreprises (Frank et al., 2012).

La plupart des nouvelles entreprises ont des bases de connaissances limitées et souvent spécialisées et elles rencontrent des défis uniques concernant les sources externes de connaissances. La connaissance par l’entreprise de l’existence d’une expertise complémentaire utile, en particulier en dehors de l’organisation, est une condition préalable importante à cette fin : « le type de connaissance de qui sait quoi, qui peut aider à résoudre quel problème ou qui peut exploiter de nouvelles informations » (Weerawardena et al. ., 2014).

Compte tenu de ces contraintes, certaines startups dépendent d’institutions proches pour accéder à de nouvelles connaissances. Ils peuvent cultiver leur proximité avec ces groupes, mais dépendent fortement de la quantité d’interactions sociales entre les individus, les entreprises et d’autres organisations (Larraneta, Zahra et Gonzalez, 2012) – leur réseautage.

L’innovation fait référence à la tendance d’une entreprise à s’engager dans et à soutenir de nouvelles idées, expérimentations et processus créatifs qui peuvent déboucher sur de nouveaux produits, services ou processus technologiques (Lumpkin & Dess, 1996 ; Shan, Song, & Ju, 2016). Dans le contexte de l’entrepreneuriat, on désigne le degré de « nouveauté » que l’entreprise met sur le marché. Comme l’ont mentionné Paradkar, Knight et Hansen, 2015, « les start-ups qui réussissent en fin de compte concurrencent les entreprises rivales en créant des avantages entièrement nouveaux pour les clients ou en améliorant considérablement ceux qui existent déjà ». De plus, la performance innovante est considérée dans la littérature comme l’un des moteurs les plus importants d’autres aspects de la performance organisationnelle et favorise la formation de dynamiques d’apprentissage organisationnel (Gunday et al., 2011).

L’innovation de l’entreprise est conceptualisée sous deux angles. La première y voit une variable comportementale, c’est-à-dire le taux d’adoption des innovations par l’entreprise. La seconde y voit une volonté de changement (Calantone, Cavusgil, & Zhao, 2002).

Cette capacité peut faire un meilleur usage des ressources existantes, améliorer l’efficacité et la valeur potentielle, mais aussi apporter de nouveaux actifs incorporels dans l’organisation.

La capacité à innover est reconnue comme l’un des facteurs déterminants de la survie et du succès des organisations (Wang & Ahmed, 2004). Plus d’innovation peut être un catalyseur important pour créer de la valeur et contribuera à répondre aux besoins des clients, en développant de nouvelles capacités qui permettent d’atteindre et de maintenir de meilleures performances ou une rentabilité supérieure dans un environnement de plus en plus complexe, concurrentiel et en évolution rapide (Calantone et al. , 2002 ; Cepeda-Carrion, Cegarra-Navarro et Jimenez-Jimenez, 2012 ; Wang et Wang, 2012).

La littérature présente la capacité d’innovation comme l’un des déterminants les plus importants de la performance des entreprises soutenue par de nombreuses études empiriques (Calantone et al., 2002 ; Prajogo, 2015). Les entreprises innovantes, créant et introduisant de nouveaux produits et technologies, peuvent générer de meilleures performances économiques et sont des sources de croissance économique (Wiklund & Shepherd, 2003).

La performance est la capacité à atteindre des objectifs d’une manière attendue ou supérieure. Le concept de performance organisationnelle implique diverses perspectives (par exemple, actionnaire versus employés), des périodes de temps (par exemple, à long terme versus à court terme) et des critères (par exemple, part de marché versus profit) (Gerschewski & Xiao, 2015).

Dans une revue de ces auteurs, trois types d’approches différentes pour mesurer la performance organisationnelle sont présentés. Le premier concerne la performance financière, qui est un indicateur de performance basé sur les résultats et est considérée comme la conception la plus étroite de la performance d’une entreprise. Une deuxième conceptualisation comprend les dimensions financières et opérationnelles de la performance, incorporant des mesures non financières (par exemple, les résultats du marché des produits, tels que la part de marché, l’introduction de nouveaux produits, l’efficacité du marketing et les résultats des processus internes. Ces facteurs opérationnels peuvent éventuellement contribuer à performance financière.

La conceptualisation la plus large de la performance est liée à l’efficacité organisationnelle. Certaines mesures de l’efficacité organisationnelle ou globale sont : la survie de l’entreprise, la réputation, la performance globale perçue et la réalisation des objectifs.

En analysant les performances, nous pouvons comprendre le degré de succès atteint par une entreprise. Elle est donc un objectif central dans toute organisation et peut être analysée en elle-même ou résulter de processus internes (Man et al., 2002).

Certaines études lient l’intelligence économique (et la connaissance, comprise comme un résultat de la BI) à la performance de l’entreprise (Hitt et al., 2001 ; Ireland et al., 2001 ; Pellissier & Nenzhelele, 2013 ; Wanda & Stian, 2015), mais il y a un manque d’études pour comprendre cette relation dans les nouvelles entreprises.

Ces preuves limitées suggèrent que cette interrelation est importante en raison des actions entreprises et des changements conséquents dans les ressources utilisées pour répondre aux nouvelles opportunités et aux changements environnementaux (Wiklund & Shepherd, 2003). Le défi de gérer les compétences existantes sur la base de succès (récents) et de se renouveler constamment à la lumière des changements environnementaux est pertinent pour une performance supérieure de l’entreprise (Wang, Senaratne, & Rafiq, 2015). Et il y a un défi dans la recherche en entrepreneuriat pour comprendre les dimensions de performance des startups (Bruyat & Julien, 2001).

Une relation positive directe existe entre les caractéristiques de l’intelligence d’affaires et la performance des startups.

L’innovation comme le degré auquel une entreprise s’engage et adopte de nouvelles idées, l’expérimentation et la créativité qui peuvent conduire à de nouveaux produits, services ou processus (Lumpkin & Dess, 1996; Wang, 2008), peut être considérée comme un aspect de la culture d’une entreprise, et aider à sa survie dans un environnement instable (Calantone et al., 2002).

L’innovation est considérée comme une activité que la direction peut contrôler (Prajogo, 2015), en s’engageant dans des processus d’expérimentation et de création pouvant aboutir à de nouveaux produits, services ou processus technologiques (Dhliwayo, 2014). Les actions des entreprises, y compris leurs activités innovantes, sont contingentes et parfois motivées par des facteurs externes, notamment la demande des clients (marché), les actions des concurrents ou même la législation gouvernementale (Prajogo, 2015).

La relation entre l’innovation et l’apprentissage organisationnel (Calantone et al., 2002) et les connaissances antérieures disponibles est importante, car elles peuvent soutenir la compréhension des nouvelles technologies et des conditions du marché, et la génération de nouvelles idées et produits (Cepeda-Carrion et al., 2012). Une plus grande capacité d’innovation permet aux entreprises de répondre plus rapidement et mieux aux défis environnementaux que celles qui ne sont pas innovantes (Cepeda-Carrion et al., 2012).

Une entreprise qui possède la capacité de transformer et d’exploiter les connaissances peut déterminer son niveau d’innovation, comme de nouvelles méthodes de résolution de problèmes et de nouveaux produits pour réagir rapidement à la demande du marché (Wang et Wang, 2012).

A partir de la littérature, on peut anticiper une relation entre BI et innovation. Étant donné que la BI concerne l’utilisation de l’information pour de meilleures décisions, elle peut influencer les actions innovantes de l’entreprise. De meilleures informations en elles-mêmes ne conduisent pas substantiellement à une augmentation des performances et de l’efficacité de l’entreprise, la clé est ce que les organisations font avec ces informations (Lukman et al., 2011). Nous pouvons postuler que la collecte d’informations et une meilleure utilisation de ces informations peuvent influencer positivement la dimension de l’innovation.

Il existe une relation positive entre les caractéristiques de l’intelligence d’affaires et l’innovation dans les startups.

Théoriquement, l’innovation facilite la poursuite de nouvelles opportunités en proposant de nouveaux produits/services au marché. Si ces activités réussissent, elles auront un impact sur les performances et les amélioreront (Su, Xie et Wang, 2015).

Les entreprises les plus innovantes réussiront mieux à répondre aux besoins des clients et à développer de nouvelles capacités leur permettant d’atteindre de meilleures performances ou une rentabilité supérieure. La littérature a progressivement accordé plus d’attention aux effets de divers aspects de l’innovation sur la performance des entreprises (Wang & Wang, 2012) et nous pouvons donc anticiper une relation entre ces construits.

La BI donne à l’organisation la capacité de comprendre l’environnement interne et externe grâce à l’acquisition, l’analyse, l’interprétation et l’exploitation systématiques d’informations (Sangar & Iahad, 2013).

L’apprentissage en réseau, en tant que capacité de l’entreprise à construire, intégrer et reconfigurer les connaissances techniques et non techniques générées par des liens et des institutions externes, peut contribuer à l’intensité des connaissances de l’entreprise (Weerawardena et al., 2014).

De nombreux chercheurs ont suggéré que la capacité à exploiter les connaissances externes est un élément essentiel des capacités d’innovation (Cepeda-Carrion et al., 2012). La tentative d’apprendre de sources externes peut aider à découvrir de nouvelles idées, processus ou techniques qui peuvent être appliqués et favoriser le développement et l’application de l’innovation.

La compétitivité et les performances associées peuvent résulter de l’exploitation de la gestion des connaissances et de l’apprentissage (Liu, Chen et Tsai, 2005). Mais peu d’entreprises possèdent toutes les capacités d’innovation (Weerawardena et al., 2014), obtenir de l’aide de sources externes peut être d’une grande importance, en particulier pour les startups (Martini, Neirotti, & Appio, 2017). Sur cette base, l’hypothèse suivante est formulée.

Comme mentionné dans les hypothèses précédentes, il existe de plus en plus de preuves dans la littérature qui établissent un lien entre l’innovation et la performance de l’entreprise. Étant donné que l’apprentissage en réseau peut améliorer la collecte de connaissances à différents niveaux et que les connaissances ont un impact sur la décision et l’allocation des ressources, nous explorerons si l’apprentissage en réseau peut avoir un impact sur les performances.H6

Un modèle d’équation structurelle est adopté pour analyser le modèle conceptuel et les hypothèses de recherche proposées pour cette étude, comme le montre la figure 1.

Il n’existe pas de liste à jour d’entreprises naissantes pouvant servir de base d’échantillonnage. Pour pallier ce problème, nous avons contacté plusieurs incubateurs d’entreprises comme moyen d’accéder aux startups, car ils travaillent directement avec la population à laquelle nous voulons nous adresser. Les incubateurs ont été sélectionnés sur la base de références dans des publications spécialisées mentionnant leur travail réussi et se trouvaient dans différents pays européens.

Une base de données avec un total de 3100 e-mails a été construite avec une liste de startups soutenues ou en jachère par les services des incubateurs. Un e-mail individuel a été envoyé, invitant à participer et à répondre aux questions d’une enquête en ligne, créée et gérée à l’aide du logiciel open source Limesurvey.

Deux rappels de suivi ont été envoyés la troisième et la sixième semaine après l’e-mail d’invitation initial. Au total, 664 réponses ont été obtenues. Parmi ceux-ci, 228 ont été utilisés en raison de problèmes d’achèvement. Le taux de réponse a été de près de 7 %. Bien que le taux de réponse puisse sembler faible, il est compensé en partie par le fait que la plupart des articles examinés utilisent des échantillons de taille similaire ou inférieure.

Un plus grand nombre de réponses ont été obtenues auprès des startups portugaises (n=143/63%), et les cas restants ont été répartis entre différents pays européens (n=85/37%).

La plupart des entreprises interrogées (80%) ont moins de 10 employés et 70% d’entre elles ont moins de 4 ans d’expérience sur le marché. L’analyse des résultats montre que l’échantillon opère principalement dans les services, le conseil ou le développement de logiciels (web et applications), comme prévu, car c’est le profil typique que l’on retrouve dans les incubateurs et cela peut être vu comme une limitation de l’approche d’échantillonnage utilisée. 

Les mesures utilisées dans cette étude étaient basées sur celles utilisées dans des études antérieures sur des sujets similaires pour assurer leur validité de contenu.

Les mesures des caractéristiques de la Business Intelligence sont issues de l’étude de Zahra et al. (2002). Il comportait 16 items de mesure regroupés en quatre dimensions : exhaustivité intra-industrie, analyse inter-industrie, formalité et utilité perçue. Les répondants ont été invités à fournir leur note perçue pour les éléments énoncés, en fonction de leur expérience de démarrage et de leurs pratiques en matière de Business Intelligence, sur une échelle de type Likert de cinq éléments, allant de fortement en désaccord (1) à fortement d’accord (5). La cohérence interne de l’échelle a été évaluée à l’aide de l’alpha de Cronbach avec une valeur de 0,88.

Pour mesurer l’innovation, une échelle de 10 éléments a été utilisée (Ucbasaran, Westhead et Wright, 2009). L’échelle a été choisie parce qu’elle tient compte de l’éventail complet des activités innovatrices, qu’elle s’applique aux entreprises de plusieurs secteurs et non seulement aux intrants du processus d’innovation. La valeur de l’échelle Cronbach alpha est de 0,83.

L’échelle développée par Weerawardena et al. (2014) a été utilisé pour mesurer l’apprentissage en réseau. L’échelle utilise 6 énoncés et les entreprises ont été invitées à indiquer leur niveau d’accord sur une échelle de Likert en 5 points. L’alpha de Cronbach calculé est de 0,80.

Différents indicateurs ont été utilisés plutôt que seulement financiers car certains auteurs soutiennent qu’ils ont une applicabilité limitée à la réalité des startups (Wu et al., 2008). Si l’on prend en considération le cycle de vie naissant de ces entreprises, les chiffres financiers ne reflètent pas nécessairement des améliorations durables de leur performance concurrentielle et, ils sont difficiles à obtenir et difficiles à interpréter dans le contexte de nouvelles entreprises (Stam & Elfring, 2008).

Cette échelle est de nature multidimensionnelle et décrit les réalisations des entreprises par rapport à leurs concurrents. D’autres études ont suivi cette approche de comparaison de la position des entreprises par rapport à leurs concurrents (Wiklund & Shepherd, 2003, 2011). Les entreprises ont été invitées à évaluer leur performance par rapport aux six éléments mentionnés ci-dessus, sur une échelle de Likert en 5 points, allant de (1) « Bien pire que les concurrents » à (5) « Bien meilleur que les concurrents ». La valeur de l’alpha de Cronbach pour l’échelle est de 0,76.

Les variables présentées ont été testées pour la normalité. La littérature présente différentes valeurs de référence que les mesures d’aplatissement (ku) et d’asymétrie (sk) doivent respecter pour évaluer la normalité. Nous utilisons les conditions que |ku|2 et |sk|7. Aucune des variables ne viole ces limites.

De plus, les tests du facteur d’inflation de la variance (VIF) ont été calculés. Les résultats montrent des valeurs pour VIF5 avec leurs valeurs de tolérance supérieures à 0,2, nous pouvons donc conclure qu’il n’y a pas de problèmes de colinéarité.

Lorsque des questionnaires d’auto-évaluation sont utilisés pour collecter des données en même temps auprès des mêmes participants, une variance de méthode commune (CMV) peut être un problème. Les données d’auto-déclaration peuvent créer de fausses corrélations si les répondants ont une propension à fournir des réponses cohérentes à des questions d’enquête qui ne sont autrement pas liées (Chang et al., 2010 ; Podsakoff et al., 2003).

Étant donné que certaines des procédures utilisées dans cette étude peuvent favoriser l’émergence du CMV, nous avons effectué un test à facteur unique de Harman et une analyse du facteur latent commun (CLF) (Podsakoff, MacKenzie, & Podsakoff, 2011 ; Podsakoff et al., 2003).

Suite au test de Harman, un seul facteur ne peut expliquer plus de 24% de la variance et il y avait 4 facteurs avec des valeurs propres supérieures à 1, expliquant 65% de la variance totale.

La méthode CLF exige que tous les éléments du modèle soient limités à la charge sur un seul facteur commun (Podsakoff et al., 2011) et examine la signification des constructions théoriques avec ou sans la méthode du facteur commun.

Les résultats de ces tests suggèrent que la variance de la méthode commune n’est pas présente et n’entrave pas les résultats.

Une note précédente concernant les résultats et la mesure de certains construits. Parmi les indicateurs extraits de la littérature, nous en avons éliminé certains du modèle compte tenu de la faible charge dans le construit respectif.

L’analyse de chemin est utilisée pour tester la relation causale entre les concepts de recherche (la valeur du chi carré était de 115,32 DF = 102 et une valeur p de 0,173). Les résultats ont révélé que la disposition globale des indices d’ajustement du modèle est excellente. Les résultats pour les indices communs étaient : GFI=.945, AGFI=.918, RMSEA=.024, NFI=.911 TLI=.985 et CFI=.988.

Les résultats analytiques soutiennent toutes les hypothèses sauf la troisième (H3 : une relation positive existe entre l’innovation et la performance des startups), comme nous pouvons le déduire des résultats présentés dans le tableau 1.

Ces résultats renforcent certaines littératures qui mentionnaient les liens étudiés par les hypothèses soutenues (H1, H2 et H4) qui considèrent la relation entre la BI et la performance (Prajogo, 2015 ; Trieu, 2017), l’innovation (Calantone, Garcia, & Drooge, 2003 ; Wiklund & Shepherd, 2003) et l’apprentissage en réseau (Weerawardena et al., 2014), soulignant l’importance de cet atout comme source de connaissances et d’informations pour la décision, notamment dans les startups.

Dans la même perspective, les liens entre l’apprentissage en réseau et l’innovation (H5) et la performance (H6) sont également soutenus dans la littérature. L’accès accru aux connaissances disponibles dans les réseaux peut aider les entreprises à obtenir des connaissances techniques et non techniques pouvant être mobilisées pour des applications innovantes (Husain, Dayan et Di Benedetto, 2016). Mais aussi dans la performance de leur entreprise (Weerawardena et al., 2014).

Compte tenu de la nature de l’échantillon utilisé, avec plus d’entreprises portugaises, un test du chi carré a été utilisé pour vérifier les différences entre le modèle complet présenté ci-dessus et un modèle limité par groupe (pays d’origine portugais et autres pays de l’UE).

Les résultats de la différence du chi carré entre les modèles sont de 16 271 (Df=12). Étant donné que la valeur critique du chi carré pour un intervalle de confiance à 95 % est de 21,02, nous pouvons supposer que les deux modèles n’ont pas de différences significatives.

La Business Intelligence est normalement une capacité que les entreprises développent et explorent et qui peut influencer les informations disponibles. Il peut être considéré comme une variable organisationnelle interne et, comme indiqué dans la littérature précédente, il peut influencer la performance. La BI peut améliorer les dimensions de l’apprentissage en réseau et de l’innovation. De là, un impact positif se traduit par de meilleurs comportements de performance. Ces effets sont corroborés par les résultats.

Malgré la littérature suggérant une relation positive entre l’innovation et la performance (Wiklund & Shepherd, 2003), les résultats ne montrent aucune relation significative. Cela peut être dû à la nature de l’échantillon ou cette relation est plutôt indirecte. Habituellement, ces études ont tendance à se concentrer sur des entreprises établies, avec un historique de marché établi qui peuvent mieux accéder à cette relation.

Comme implications pratiques, nous soulignons l’importance que les caractéristiques BI peuvent avoir dans l’amélioration de la performance de l’entreprise. La Business Intelligence a tendance à se concentrer principalement sur les aspects techniques, mais il est important de noter l’impact positif sur les dimensions commerciales et organisationnelles.

Nous pensons qu’à partir des résultats, les praticiens doivent sensibiliser à l’impact que peuvent avoir les pratiques et les caractéristiques de la BI. Ce sujet peut être abordé dans des sessions de formation et d’information destinées aux startups, notamment par les incubateurs.

Quelques remarques peuvent concerner les limites de cette étude. L’une concerne les caractéristiques de l’échantillon à savoir la représentativité des différents pays d’origine des startups. Pour tenter de surmonter cette limitation, nous n’avons utilisé que deux groupes : les startups portugaises et les autres startups européennes.

Une autre limite possible est liée au fait que nous avons considéré les construits : BI, Innovation, apprentissage en réseau et Compétitivité comme des variables latentes mesurées par les facteurs de littérature mentionnés. Une amélioration de l’étude peut être apportée si nous explorons le même modèle mais utilisons plutôt une approche de construction multidimensionnelle. Cela peut aider à comprendre quels facteurs ont un impact sur les relations analysées.

Les futures questions de recherche non abordées dans cet article peuvent inclure l’étude des différences entre les groupes de startups (par exemple par pays, secteur, expérience antérieure ou années d’existence). Aussi, pour vérifier l’influence de facteurs externes tels que la turbulence environnementale ou d’autres concepts importants dans la littérature sur l’entrepreneuriat, tels que les capacités dynamiques ou la capacité d’absorption.

Previous articleTailles de dragon dans ‘House of the Dragon’: les 16, classées du plus grand au plus petit
Next articlePrincipaux enjeux commerciaux: maintenant et à l’avenir