Sommario II
Vista la vastità della ricerca imprenditoriale, questo studio si occupa
delle problematiche dell’AI nel caso dell’individual entrepreneurship, nel caso
cioè di quell’imprenditorialità proveniente da piccoli imprenditori e non da
aziende preesistenti (corporate entrepreneurship).
Obiettivo e percorso della ricerca
L’obiettivo di questa tesi è quello di analizzare “lungo quali” dimensioni
e “come” gli imprenditori apprendono in reazione a stimoli provenienti dagli
attori esterni (“da chi”), cercando di indicare alcune implicazioni manageriali
delle combinazioni “lungo quali- come- da chi” osservate.
Per raggiungere questo scopo, sono stati intrapresi tre passi
fondamentali. Dapprima è stata presentata una review della letteratura in tema di
imprenditorialità ed in particolare delle tematiche riguardanti l’AI, giungendo
alla formulazione della seguente definizione:
l’AI è quel processo “continuo”, caratterizzato tuttavia da forti discontinuità ad alto
contenuto conoscitivo (ECA), attraverso il quale l’imprenditore acquisisce
informazioni dall’ambiente esterno trasformandole in conoscenza e competenze utili
per essere efficace ed efficiente nella gestione del proprio business.
Successivamente, sulla base della letteratura e della stakeholder theory, è
stato sviluppato un modello per l’analisi dei fenomeni empirici di AI. I building
block del modello sono: (i) dimensioni di AI (“lungo quali”); (ii) modalità di AI
(“come”); (iii) Variabili Esterne, cioè gli attori dai quali gli imprenditori
apprendono (“da chi”). La Tabella I riporta il modello. Nella prima colonna
compaiono le Variabili Esterne, nella seconda e nella terza le dimensioni di AI e
Sommario III
all’interno di ogni cella dovrebbero comparire le modalità con cui gli
imprenditori apprendono.
Business Model
Variabili Esterne
Chi Cosa Come Valore
Revenue
Model
Tecnologia
Core
Clienti
Fornitori
Partner
Competitor
Incubatore
Finanziatori
Altri Provider di
Conoscenza
Tabella I. Il modello sull’AI.
In fine, usando il framework come guida logica per l’interpretazione dei
dati empirici, è stato condotto un case-study multiplo su cinque imprese che nel
corso di 2 anni hanno affrontato (con successo o no) significativi cambiamenti
nell’ambiente esterno. Ciò ha permesso di: (i) fornire una validazione
preliminare del modello proposto sull’AI; (ii) elaborare alcune implicazioni
manageriali e strategiche collegate alle differenti combinazioni di “lungo quali -
come - da chi”.
Metodologia di ricerca
Le cinque aziende oggetto dello studio sono state scelte sulla base delle
seguenti necessità: (i) selezionare un’impresa nella fase di start-up; (ii) avere un
Sommario IV
buon rapporto di collaborazione con la controparte; (iii) identificare un’impresa
interessata nello studio con la volontà di cooperare. Inoltre, tutte le compagnie
operano in settori high-tech e sono (o sono state) incubate nell’Acceleratore
d’Impresa del Politecnico di Milano.
La scelta di analizzare le start-up di settori high-tech (dette anche new-
technology–based start-up) è legata essenzialmente al ruolo prominente che
queste imprese rivestono nell’economia corrente (Storey & Tether, 1998).
La scelta di analizzare le imprese dell’incubatore del Politecnico di
Milano è legata soprattutto alle solide relazioni sviluppate dal Politecnico con
queste in alcune occasioni di progetti di finanziamento sull’imprenditorialità.
Questi progetti hanno dato l’opportunità di sviluppare rapporti con le imprese
durante un intervallo di tempo significativo, consentendo quindi di condurre uno
studio longitudinale delle cinque iniziative imprenditoriali durante la fase di
start-up.
La metodologia adottata è stata quella dei casi di studio, che è
l’approccio più indicato per studiare fenomeni complessi che si evolvono nel
tempo (Eisenhardt, 1989; Yin, 1994; Cope, 2005) come l’AI. La forza dei casi di
studio sta nel fatto che sono estremamente adatti per studiare processi ed attività
(Van Maanen, 1983) e rispondere a domande del tipo “come?” e “perché?”, essi
consentono di formulare spiegazioni più che informazioni statistiche. Attraverso
l’utilizzo dei casi di studio possono essere identificati i rapporti di causalità ed è
possibile formulare e testare modelli teorici (Eisenhardt, 1989; Wolcott, 1994).
I casi di studio sono stati condotti con l’obiettivo di individuare quegli
eventi che gli imprenditori consideravano critici (ECA) nei due anni di analisi.
Uno studio longitudinale volto ad analizzare le imprese lungo un
intervallo di tempo di due anni (2004 e 2005) è stato perciò progettato. Sono
state raccolte evidenze qualitative tramite due round di interviste semi-
strutturate e personali con gli imprenditori delle start-up nel 2005 e 2006.
Sommario V
Per ciascuna impresa coinvolta nel caso di studio multiplo, i maggiori
cambiamenti durante il 2004 e il 2005 sono stati analizzati, identificando le
dimensioni e le modalità di apprendimento. Per ogni caso sono stati poi
identificati gli ECA (Eventi Critici di Apprendimento) che hanno influenzato
l’AI e gli attori esterni sorgenti dell’AI.
Per ottenere informazioni sull’anno 2004, il primo round di interviste è
stato condotto durante il 2005 ed è stato pensato per identificare: (i) il Business
Model dell’impresa e (ii) la Tecnologia Core utilizzata. Per ottenere
informazioni sul 2005, il secondo round di interviste è stato condotto tra gennaio
e marzo 2006; è stato condotto con una logica incrementale, cercando di
identificare gli ECA che sono stati fonte di AI durante il 2005.
Confrontando i dati appartenenti ai due round di interviste ed
analizzandole tramite il framework presentato nei prossimi capitoli, è stato
possibile ottenere una completa descrizione dell’AI nelle imprese.
Ogni intervista ha richiesto circa un giorno (di solito due mezze-
giornate). Le interviste sono state condotte utilizzando una guida strutturata per
raccogliere tutte le informazioni richieste sui fenomeni studiati. Esse sono state
integrate con una fonte (i siti internet delle imprese) secondaria di dati
(informazioni sia interne sia esterne alle imprese) che sono state usate per
verificare i dati delle interviste e assicurando obiettività nella raccolta dei dati.
L’uso di fonti multiple di dati ha consentito la triangolazione delle evidenze
(Patton, 1987; Yin, 1994).
Sommario VI
Risultati della ricerca
L’applicazione del modello, in Tabella I, ha portato alle risultanze nella
successiva Tabella II.
Business Model
Impresa ECA
Variabili
Esterne
Chi Cosa Come Valour
Revenue
Model
TC
eFarm
Nuovo
bisogno
cliente
Clienti - EXP FB EXP - -
H2P
Fiere
settoriali
Altri
Provider di
Conoscenza
FB FB - - - EXP
Aresys Partnership Partner FB - EXP - - FB
Sophie
Nuovo
prodotto
Clienti - EXP - - - FB
it2b
Acquisizione
nuovo
cliente
Clienti EXP EXP - - - -
Tabella II. L’applicazione del modello ai cinque casi di studio.
La discussione dei risultati della Tabella II ha portato alla formulazione
delle seguenti implicazioni per gli imprenditori:
(i) creare e gestire relazioni forti e durature con gli attori critici;
(ii) sperimentare lungo una dimensione ed apprendere in modo
selettivo lungo il BM;
(iii) focalizzarsi sul cliente;
(iv) sperimentare e conseguentemente apprendere in modalità FB;
(v) focalizzare la propria offerta su una nicchia di mercato.
Sommario VII
Le cinque implicazioni rappresentano i “learning behavior” con i quali
gli imprenditori apprendono. Ciò che sembra influenzare notevolmente i
comportamenti degli imprenditori è la natura talvolta discontinua dell’AI. Come
verrà evidenziato più volte nel corso della tesi, l’AI è sostanzialmente un
processo continuo che viene “stravolto” da alcune situazioni ad alto contenuto
conoscitivo (gli ECA).
Le discontinuità hanno un impatto rilevante sui contenuti (dimensioni),
dinamiche (modalità) e fonti (Variabili Esterne) di AI. Nei casi studiati gli
imprenditori si focalizzano su alcune fonti di AI: gli attori critici. Essi
tenderanno a rafforzare o costruire relazioni con quegli attori che riterranno
essere critici (spesso i clienti) per il successo dell’impresa. Le discontinuità
richiedono spesso di sperimentare (modalità EXP) una e una sola dimensione o
parte di essa (nel caso del BM), spesso ciò implica anche un apprendimento FB
in altre dimensioni. Lungo la caratteristica “Cosa” del BM, gli imprenditori
tendono a focalizzare la propria offerta su una nicchia di mercato.
Conclusioni
La principale conclusione della tesi è la necessità di focalizzarsi su attori,
dimensioni e modalità critiche di AI. Gli imprenditori per poter essere efficaci
ed efficienti nella gestione del proprio business devono, durante gli ECA, capire
rapidamente quali sono gli attori fonte di conoscenza e focalizzarsi su questi per
la costruzione di rapporti duraturi e stabili. Gli imprenditori devono inoltre
focalizzare la propria acquisizione di conoscenza sulla dimensione
maggiormente toccata dall’ECA, apprendendo in maniera EXP.
Il contributo principale di questa lavoro alla letteratura esistente è
l’introduzione di un modello di AI che tenta di soddisfare due bisogni: (i)
Sommario VIII
analizzare l’AI in modo dinamico; (ii) contestualizzare l’AI analizzando le fonti
principali di apprendimento (gli attori esterni). Inoltre, il modello proposto apre
la strada per un approccio sistematico allo studio dell’AI consentendo l’analisi
contemporanea di contenuti (“lungo quali”), dinamiche (“come”) e sorgenti di
AI (“da chi”).