基于大数据的企业战略管理：理论基础与市场机遇探究（一）

关键词：大数据、战略、理论、资源基础理论（RBT）、组织学习（OL）

1. 概述

全球数字化的产品、流程和业务模型正在重塑着经营的本质。随着越来越多的企业利用用户点击量、传感设备、技术 创新等手段来推动业务增长，每个行业都得到了迅猛的发展。先进的信息技术、基础设施以及“物联网”的出现，使得企业可以寻找到创新的手段和方法来获取数据，并利用不断扩大、增加数据容量来推动企业的不断创新。

信息技术的进步使得数据存储能力日益强大，投资成本变得越来越可承受，为了不错过任何新的市场机遇，许多企业都在将信息技术及其规划整合到了他们的战略思维之中。

综合考虑信息技术进步所带来的这些变化，企业家们都会意识到，每个人或设备都成了潜在的数据生成器，例如，消 费者会在日常生活中留下大量的数字痕迹，这些痕迹遍布在购买杂货、服装、交通旅行、查阅资料、居家等过程中，几乎所有的个人活动都能生成数据。也就是说，个人生活几乎都留下了“可查询”的数字记录。

设备之间也一改过去单独作为工具 使用的“孤立”现象而被连接了起来，相互之间可以通讯、追溯、跟踪，并向企业价值链上的合作伙伴传输数据、共享信息。

当各类数据被汇集到组织中时，组织就成为了 “信息的处理器”。于是，这些组织开始投资引入大量的数据科学人才，并开始建设自己的数据分析体系和数据分析能力，以寻求挖掘数据中隐含的巨大价值，获得竞争优势。显而易见，在遵守并保护个人隐私的前提下，许多组织机构都希望获取更多的消费者数据，并试图解析这些数据中隐含的价值以用于他们自己的战略决策中。

由互联网和当前丰富的数字媒体生态系统所产生的大量数据而形成的“大数据”概念已经被大家认同和接受，这也预示着人们对大数据产生、增长、盈利和存在的重要性有了一定的认识。

战略理论家和大数据实践者都在努力解读大数据在“商业数字化”进程中所起到的作用；解读大数据举措如何影响组织内部的决策功能；解读大数据如何塑造全新的市场并为组织建立起独特的新战略，打破现行的传统壁垒。

许多行业的高管都非常关注大数据项目，并为此投入了大量的资源，希望借助信息数据来增加企业的营销影响力，做好产品选择和业务运行操作，增强企业的创新能力和市场开拓能力，也希望借助大数据开发来更好地监管、衡量和管理好各项业务工作。

不过，少数企业却将大数据看作是其制定战略决策的非比寻常的资源，他们认为，信息数据资源是许多现代 创新的源泉，这就使得以大数据为核心的创新商业模式进入了现代市场空间中，打破了长期存在于战略思维中的各种固有的 传统假设方式，有利于企业创造出全新的市场。

在理解大数据的出现将如何改变竞争本质时，战略管理领域的学者们将会 发挥出极其重要的作用。尽管此类论述早已开始，但是学者们尚未就“大数据在现代企业及战略管理层面将发挥哪些作用”建立起理论体系。

近期的一些研究表明，大数据有望为“组织科学”带来新的理论和实践指导，并有望在企业治理、领导力建设的新战略方法的发展过程中发挥出核心的作用。本文将通过众所周知的组织理论中的资源基础理论（RBT,Resource-Based Theory）的视角进行综合论述，期望引发更广泛的有关大数据管理理论的研究讨论。

资源基础理论（RBT）视角为大数据现身于战略决策奠定了必要的理论基础。基于大数据共有的特征，该理论框架主要关注大数据的不同应用，以满足高层决策者们不同的管理期望，也会兼顾到不同组织的基础设施、管理成熟性、发展阶段和实际的能力。资源基础理论（RBT）研究方法的目的在于让人们认识到战略管理领域需求的灵活多变性，以便对数据、技术和战略之间的相互作用能够做到全新的理解。

随着日甚一日的经济数字化，学术研究也必须要适应“更好地解析这些全新且独特有趣管理”的现状。此项研究最大益处在于激发对“围绕大数据进行企业战略整合”课题的关注，吸引更多、更广泛的企业家和学者参与其中，引发出更多的打破旧价值链理论模型的诞生，支持商业理念的重构及应用的正向发展，协调商业分析法与战略学术方法之间的有机关联。

此理论框架的提出，使得战略研究人员能够有依据去解决该领域里一些重要的问题，不仅为企业应用指明方向，也为学术性研究指出一条条可行的路径。

2. 研究背景

“大数据”（Big Data）一词专指描述由各种仪器、传感器或基于计算机的交易所生成的大型、多样化、复杂化的纵向数 据集。大数据技术用以应对无法使用传统方法或工具处理分析这些海量原始数据（结构化、半结构化、非结构化）所带来 的巨大挑战，希冀从中提取到应用所需要的有价值的结果。尽管“大数据”（Big Data） 一词的起源仍然存在争议，但大数据的概念已经引发了人们浓厚的兴趣，成功地成为一个蜚声中外的话题。在多数人的认识中，大数据中潜藏着提升行业竞争优势的丰富信息资源。

在这里，要准确理解大数据的发展和演进，首先就需要了解数据库管理和存储的发展历程。

在上世纪90年代，许多组织都使用关系型数据库（database）来收集、存储自己的数据，这些数据基本上都是结构化数据，与此同时发展起来的数据挖掘技术（Data Mining Techniques）则用来做数据的基本统计分析处理工作，以此得到了对不断增长的数据信息中的价值进行洞察的能力。

随着互联网的日益普及和长足发展，更多的数据类型、数据产生方式、数据采集方式、分析研究及开发应用被不断地创造出来，针对非结构化网页（web）内容文本数据的分析走到了前沿，成为数据分析的新挑战课题。这些非结构化数据，例如论坛、网络日志、社交网站、点击流数据日志等构架起了企业与客户之间的“对话”交互平台，一改传统“企业对客户”单向营销方式，成为一种“颠覆式”的新型营销手段。

越来越多的移动设备、传感器、支持互联网应用的小工具正在推动分析能力急速发展，促使企业组织陷入了一场“大数据”竞赛，以便应对“大数据” 收集、处理、分析和可视化等需求所带来的挑战。该挑战是艰巨的，因为这些“大数据”不同于以往的数据信息，其规模巨大，具有流动性强、移动化、传感器设备丰富多样等特点。可喜的是，这些创新技术的不断汇聚和由此产生的推动力将 会提高组织的能力，成为企业开创新竞争优势的来源，也会推动企业转变商业模式，打开了创新的新机会、新窗口。

在创新、运营效率提升等愿望的指引下，大数据投资出现了爆炸式增长。麦肯锡全球研究所预测到，大数据将给各个 行业都带来显著的好处，例如，仅仅是美国医疗行业，每年度就会有3000亿美元的业务与大数据投资有关，而在美国零售行业，大数据推动营业利润提高了 60%。未来10年，预计将会有大量的资源持续不断地流入到大数据项目中。

尽管企业在技术进步方面面临着种种挑战，不过，或许正是如此，一个专门从事大数据收集、存储、分析和解释的大 数据行业就如雨后春笋般地蓬勃发展了起来。众多初创公司忙着搭建大数据平台、开发大数据分析应用软件等，旨在通过 为公共、专业部门的客户提供大数据分析服务的同时，一步步发展、提升大数据分析工具和数据分析的能力，把以往的内部 数据分析的方法远远地甩在身后。

也正是因为如此，大数据研究机构也在世界各地的大学中层出不穷地涌现了出来，他们 致力于培养大数据人才，以便为这项日渐走强的业务储备更多的人力资源。从资本市场来看，大数据项目吸引投资达到9位 数（上亿美元）已经司空见惯，一个新兴的高科技行业就这样如火如荼地发展了起来。

迄今为止，大数据行业的许多知识都是由身处学术环境（大数据应用企业或大学、科研机构等）的数据科学家们通过 对大数据本质属性的研究、探索而获得的，他们将这些属性概括为8个V：数据量大（Volume）、速度快（Velocity）.类型多 （Variety）、准确真实（Veracity）、可变（Variability）、“可行性”（Viability）、“可视化”（Visualization）、“价值 ”（Value）。为了 行文方便，我们简称这些属性为“8个V”。

2.1 大数据的特性——8个“V”

早期的大数据概念建立在三个特性之上：体积（Volume）、速度（Velocity）和多样性（Variety）。

体积（Volume），代表数据量大，描述了大数据存在的规模。一些企业或组织，每小时、每天都会产生或收集到多达 1TB （Terabyte , 1TB=1024G_译者注）的数据，这是一种纯粹意义上的爆炸式数据增长。

事情到此才刚刚开始，随着社交媒体大规模的社会化趋势和技术的显著进步，数据量还在继续增长。可喜的是，存储技术的发展和存储成本的持续降低, 使得这些“海量”数据的存储管理在经济上更加可行。

第二个核心特性速度（Velocity）指的是：数据处理速度、存储速度和检索速度。伴随着越来越多的传感器的使用、 各种连接设备的不断引入以及全球范围内越来越多的软件应用，数据流转的速度越来越快。技术的日新月异，也使得在多媒体介质中追踪数据、直观地观察数据变为可能。

多样性（Variety）。除了我们熟悉的传统的软件程序产生的数据，更多的数据来自于网页（web）、网页日志文件、搜索 索引、社交媒体论坛、电子邮件、文档、传感器数据、图形、音频、视频片段、GPS信号等等，这些数据不同于我们熟悉的“传 统数据”，它们更多的是半结构化、非结构化的数据。

随着大数据现象日渐被重视，又有一些大数据特性被人们识别总结了出来，例如，越来越多的研究人员同意准确性 （Veracity）也是大数据的一个特性。“准确性”与数据质量紧密相关，为了确保数据的及时、准确、一致、完整等质量特性, 需要将数据质量划分为不同的维度进行分析研究。

另有一些学者认为可变性（Variability）是大数据的又一个重要特性，这是一种将数据变化本质作为研究的视角，是数据可变性问题的讨论基础。

就此而言，数据的定义、意义都在发生着深刻的变化，这一切变化均源于不断发展的媒体形式（博客、社交媒体、视频等） 及从中收集、整理、存储这些庞大的非结构化数据所带来的全新挑战。同理，一些人认为’数据相关性”是另外一个重要的因素。

相关性，或称可行性（Viability）关系到一种与企业决策相关联的数据分析方法，这种分析方法旨在选择一些分析数据来 预测组织决策的结果，这无疑对企业组织来说是非常重要的。还有，可视化（Visualization）也是大数据一个非常有潜力 的重要特性，该特征将数据分析结构进行了易于理解的描述。

最后要说的是越来越受关注的大数据价值（Value）这个特征。从战略角度来看，价值（Value）最能引发人们的对大数 据分析的兴趣，本质上，这个特征描述的是大数据的财务属性，即如何利用数据以财务收益或其他收入的方式（例如：运营效率、知识创新等）使得企业组织获得利益。

利用数据解决运营挑战，抑或是提高组织效率，这两种数据使用倾向都将会显著影响到企业对数据价值的理解。从两个方面来看，一则企业组织本身也有一些私有数据，可供自己使用或有偿分享产生价值，但这与大数据产生的价值有着本质 上的不同，大数据的价值在于其所使用的分析工具对数据价值的深入挖掘呈现，以及交互使用这些数据及数据结果所带来 的全新的价值。

尽管是不是应该用这几个特性来描述大数据的有效性还存在一些争议，但大数据对当今社会、组织以及组织内部的影 响却几乎没有争议，大家的认同化作为一场场针对大数据的研讨、论坛或对话，也促成了企业组织对大数据业务不断追加 的投资。这些现象表明，大数据对组织战略重塑和未来发展方向的思考有着重要的作用。

2.2 大数据对企业战略影响的演进

现今，大数据属于热门产业，几乎每个行业都已经对大数据进行了大量的投资。尽管如此，企业决策者们在制定战略 决策时却往往脱离了大数据投资的价值主张，因此上，从事技术、数据、信息、知识管理的各个岗位在企业战略决策中的 作用不断地演变着。在大数据应用的标准和最佳实践尚未形成之前，企业高管们还需要尽可能地去寻求这方面业务指导。

数据驱动的业务模式仍然在不断的进步和发展中，各种应用还有待于探索和验证，但有研究表明，IT能力对企业绩效 增长有着明显且积极的影响。具体来说，在以下几个方面，大数据都会帮助企业获得可能性极高的增长：

1. 借助大数据分析，企业组织将获得竞争优势，显著超越同行；
2. 借助大数据分析，企业组织将会获得指导日常业务运营的洞察能力；
3. 借助大数据分析，企业组织在制定未来战略时将获得科学的指导。

这些发现表明，企业可以采取不同的大数据策略和方法来获得目标价值。

在当下这个数字经济的新时代，大多数企业都会关注大数据业务，其中一些企业甚至会利用大数据分析所激发的新创 意来解决传统的业务问题，这是一种创新的做法，改变了常规的决策方法（从IT系统中提取信息资源，通过分析、决策, 将新的能力分配到企业的价值链中去）。营销、采购、库存管理、运营、客服等都可以通过这种流程创新而更高效、更有效地进行运作，这就是投资大数据带来的信息驱动力。

以零售来举例，零售企业可以通过大数据营销分析来决定广告投放的 有效性，找到改进产品、提高客户获取率、保留率的办法，而获得这些办法灵感的源泉就是数据。源源不断的创新引导着 企业周而复始地进行着不断的革新，推而广之，几乎每个行业都可以照搬照抄，开启类似的创新和改进。

学术著作、从业人员手记或私营企业白皮书都在描述着一个个不断演变的竞争格局，同时也表明，一些创新的竞争公 司已经出现。

这些创新企业采取“以信息为中心”的全新数据驱动的方法，涵盖了从企业决策到业务运营的各个方面。比如，采用数据分析方法来衡量一些项目的成功与盈利能力之间的关系，这种重视促使企业建立起了非凡的数据资源池和数据驱动流程，增强了企业通过数据洞察学习的能力，为企业赢得了将“新创意转化为新探索”的机会，这是传统市场无法想象和做到的。

这些“学习型组织”通过不断增加的数据资源来重新构建企业的生态系统，开发先进的技术分析工具和能力，在与 传统企业角逐时，这些工具使其如虎添翼。

3. 理论基础

大型企业、对冲基金、企业家们都在努力应对大数据带来的挑战，学术界人士也在努力研究大数据在商业活动中的作用、输入及输出方法，研究如何能够更好地运行大数据项目。虽然信息系统、供应链管理已经有诸多活跃的研究成果，但在管理领域，具体来说就是战略管理领域，大数据研究还鲜有文献。

截至目前，多数针对大数据的战略研究还都停留在由麦肯锡（McKinsey）、Oracle和安永公司（EY）的咨询白皮书中。因此，战略学者需要大力发展大数据理论及方法的研究，以便更好地理解大数据在如何塑造战略决策方面的价值，挑战传统战略概念在新商业模式下的核心涵义。

借助大数据理念的影响力，我们将大数据引入到战略管理理论中°RBT――资源基础理论（RBT,Resource-Based Theory）和“组织学习”是目前各类公司最常用的两个应用理论，借助该理论，大多数企业都会在其职能业务中采用分析方 法以获得可持续的竞争优势。不过，RBT及“组织学习”理论是少数真正有高水平分析能力的企业的组织哲学，对于其他企业来讲，这些理论仍然难以理解应用。

3.1 资源基础理论（RBT）与大数据

站在RBT理论视角，许多文献都关注到了提高现有市场效率和效力的问题。遵照RBT原理，假设竞争对手之间存在资源差异，同理，作为企业资源之一的大数据也就具有了稀有、难以复制、不可替代等资源特点，即大数据也会成为企业 独有的潜在竞争优势。

基于此推论，RBT理论在“企业数据资源、决策分析能力、与战略决策紧密相关”等方面就更具说服力。尤其是在面对动态变化时，数据的重要性则更加明显。从数据中提取到应用知识和获取洞察力将会最大限度地增强 企业适应动态变化的能力，形成可用的业务模型。

RBT原理几乎适用于所有行业。在每个各行业中，如果对大数据所提供的各种机遇进行深入研究，就会发掘出相当大的潜在价值，这同时也推动了数据分析服务行业市场价值的显著提升。

除此之外，数据资源及其独有的特性也预示着数据存在着某种程度上的稀缺性。试想一下，即使有着类似的信息基础设施，不同企业想得到一致或高仿的数据资源也是难度非常大的，因为这还关系到企业能力的不同。如果有谁希望一味模 仿成功企业，不言而喻，投入的成本将会极其高昂却未必会奏效。

因此，通过对大数据、企业IT能力、企业绩效之间关 系的实证研究可以推断得出：依赖直觉决策是不能够取得数据驱动的战略决策和运营规划的，直觉决策与数据驱动决策两者不可同日而语，但可以形成互补。

鉴于上述特点，大数据以及处理、分析、应用既可以与现有决策、管理方式相辅相成，也可以成为企业获得或保持竞争优势的一种重要手段。正是因为于此，许多企业都对大数据进行了一些投资以期获得这种互补性能力，使得可以利用大数据来产生更深刻的商业洞见，优化现有的业务和管理流程。

在当前市场情况下，创造并利用这种优势以寻求解决困扰经营和盈利能力的解决方案，一直都是企业的惯用做法。

3.2 Capital One

“利用大数据来评估消费者的消费行为并由此关 联消费者的个性化需求”就是一个很好的例证。例如， 他们利用大数据分析并定制全新的、个性化的方案，以便更有效地管理还款风险。

另外一个类似的大数据分析应用是，他们借助对 车载通信设备的逐步扫描而衍生出的实时分析，提高 了对危险驾驶行为的识别能力。

[1] Capital One,美国第一资本投资国际集团下的 “Capital One公司”是一家以投融资及基金管理为基础， 集国际贸易、项目开发、投资银行业务为一体的多元化 国际企业集团，总部位于美国特拉华州。

3.3 可口可乐

为了寻求推动企业进步的各类知识，借助 Freestyle fountain触屏式饮料机，该公司不仅可以为消费者提供多种混合口味的饮料，满足消费者创新自制饮料、获取独特口味的需求，还可以获取到位置、时间等相关消费数据，成为可口可乐改善供应、补充库存和业务（口味）创新的依据，辅助可口可乐进行分析决策。

可口可乐公司的 Freestyle fountain 触屏式饮料机

通过这些案例可以看出，大数据是商业智能（BI） 分析的延伸，不仅提高了效率和有效性，而且符合技 术使用的既定惯例，此应用的愿景不是用数据或高级分析来改变战略，而是更好地支持企业选择战略，其内在机制就在于：

1. 根据策略的需要来选择相关的数据；
2. 由战略来定义和驱动特定的衡量指标；
3. 分析结果支持管理者根据战略的要求来更好地进行监管和控制。

尽管如此，随着信息技术、在线活动、移动计算的发展，越来越多的企业开始致力于借助大数据技术来保护自己私有的数据资源，这种做法似乎在表明。随着时间的推移，“开放”的数据资源将会不断递减，会越来越稀缺，那些大数据服务企业的业务优势也会逐渐消失。

不过，上述情况对一些已经具备了领先数据分析能力的企业来说并非如此，他们的关注焦点不是数据的私有化保护及存储，而是将现有的数据能力拓展到企业自有价值之外，与相关伙伴动态分享数据价值；他们希望大数据分析能辅助企业改变业务性质，对核心的产品制造、工作流程、业务模型等进行革新，进而对企业供应链和业务 的多样化产生明显影响;他们关注数据流动带来的价值，不断洞察，不断寻求，学习数据挖掘分析获得的知识，探索新市场、新机遇，而不是“死守”数据贮存。

在下面的章节中，我们一起来探讨一下大数据与“组织学习”之间的相互影响。

3.4 大数据与组织学习

资源基础理论（RBT）为企业的长远发展指明了方向，即通过教育和学习，企业能够获得具有独特竞争优势的特殊资源, 在此，“组织学习”就是企业着手发展独特资源优势的方向性建议，指明企业获取知识和能力这种特殊资源的基本途径就是“学 习”。不过，虽然组织学习已经被管理类研究文献频频提及，但仍然缺乏共识性的定义。

Crossan口和March认为，创新要求组织要不断探索和学习新的方法，并利用好他们已经具备的知识，在这点上，本文与Crossan及其追随者的观点是一致的。

[2] Crossan认为组织学习是一个战略更新的动态过程，组织学习发生在三个层面：个人、团体和组织。

组织学习由4个子过程组成：直觉、解释、整合和制度化:

• 直觉，就是对模式或可能性的认知；
• 解释，是对一种见解或观点的阐述说明；
• 整合，是个人之间形成共同理解并采取协调行动的过程；
• 制度化，确保了学习的常规化执行。

尽管Crossan和他的追随者们主张建立一个包括个人、团体和组织在内的多层次的学习架构，但是我们看到，由于大数据带来的技术进步，这个学习框架正在面临着崩塌的可能，这是因为人工智能（AI）和机器学习可以通过分析和编码来识 别（认知）模式或可能性，这时，个人经验毫无用武之地。

大数据技术支持下的组织学习：

1. 大数据使得“直觉”过程不再需要借助个人的经历，而是通过对大量数据的大规模分析来获得；
2. 借助成熟可用的大数据可视化分析工具，一切“解释”都可以简化；
3. 在“整合”层面，虽然跨组织的知识集成仍然需要企业家或者有远见的领导进行思维，亦或是跨组织购买后获取，但如果面对的是一个企业的内部“整合”，分析性思维方式则可以逐渐简化这个“整合”过程。

知识的创造、获取、转移、分配是组织学习的特定的要素。借助隐性和显性知识之间的持续对话，在平衡探索与时间 之间关系的过程中，组织知识被细化并通过操作执行累积创造了出来。因此，知识获取就是从操作执行的经验中学习，在记录、 研究与组织环境、业务相关信息的过程中获得。

当知识被转移到组织内部更多的部门中时，知识会进一步得到利用，部门 的能力也由此增强，知识的潜在价值也随之被动机、机会所验证。与此同时，依据知识的创造性、有效性来持续改进制度， 降低制度重建的复杂性和困难程度，成就了企业的竞争优势。

有了上述对知识管理能力的理解之后，很容易就可以推断出，资源基础理论（RBT）就包含在一个组织的学习框架中。虽然新知识是由人（并越来越多地借助技术）开发的，但组织及其战略领导人都会在阐明和扩大这些知识时起到关键的作用。

先进的技术手段、不断扩大的数据资源以及庞大的资金储备都使得学习型组织可以避开和绕过行业发展的障碍，开拓出新的业务领域。例如，Alphabet（ Google母公司）就通过数据和知识来探索和拓展新的市场机会，而不是拘泥于已有的网络搜索和广告业务。

另外两家知名公司Apple和Amazon也致力于推动生态系统、新市场的开发建设，数据分析和组织学习是其创新能力的引擎。在这些企业中，高层管理者着力于培养一种成长性的组织心态和企业文化，那就是，积极拥抱新技术，容忍追求新知识过程中可能遇到的风险，以全新的、前所未有的方式推动组织前进。

需要强调的是，这些企业组织在探索、开发这些 创新业务时并不仅仅出于追求盈利，他们关心的是如何建设并强大自己的数据资源能力，为开发新的服务模块创造机会。由于这些未来的服务模块极易与现有的平台相融合，可想而知，未来，他们的服务能力、服务水平都会得到不断的提升。

事实上，对数据流量的密切关注为学习型组织提供了机会。通过扩展数字生态系统将会构建起组织不断寻求新的方法来发展产品和服务的动态业务能力，推动组织从数字化迈向货币化。

在此，这些新产品、新服务战略决策的是基于以下3点做出的：

1. 人才潜力开发
2. 指数分布的学习能力
3. 消费者影响力生态系统

有着学习视角的组织，不仅会将数据视为改进现有价值链的可用资源，而且还能预见数据的潜在价值，发现收集新数据的独特渠道。这些组织都会设想如何利用数据获得新颖的原始知识，以此来服务于未来商业探索活动，得到全新的市场机遇。

下面，我们继续通过RBT和组织学习理论来解读大数据的8个“V”特征。

未完待续……

作者：Mattew J. Mazzei David Noble

翻译：未晞Alexie；微信公众号：石基商业评论

本文作者@石基商业评论。

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！