BI&A洞察如何转化为价值

商业智能与分析的价值创造：吸收能力的作用

摘要

企业不断报告称，通过使用商业智能与分析（BI&A）获得了日益增长的竞争价值，然而迄今为止，关于BI&A产生的洞察如何转化为附加价值的研究仍然较少。我们对来自九家大中型欧洲企业的首席执行官、IT经理、首席信息官、研发主管以及市场经理等受访者进行了十四次深入的半结构化访谈。基于吸收能力理论视角，我们提供了证据表明，吸收能力的各项能力是将BI&A引发的洞察转化为有价值的知识的基础。此外，这一过程受到技术、人力和关系资产的支持。

1. 引言

每天生成的数据和信息量持续增加，迫使企业越来越多地依赖外部知识和信息来提升企业创新能力和绩效（Benner & Tushman, 2015；Ireland, Hitt, & Vaidyanath, 2002）。随着计算机智能的快速发展以及“大数据”概念的出现，商业智能与分析对研究人员和实践者而言已成为一个日益重要的概念（Chen, Chiang, & Storey, 2012）。

尽管商业智能与分析最初用于支持决策活动，但如今它们 increasingly 被应用于组织学习与调整、提高运营效率以及增强组织智能（Trieu, 2017）。IBM商业价值研究院与麻省理工学院斯隆管理评论开展的一项调查显示，企业正 increasingly 从分析中获得竞争优势（超过4500名受访者中有58%表示通过分析获得了竞争价值）（Kiron & Shockley, 2011）。毫不奇怪，高德纳关于IT支出的调查发现，商业智能与分析是大多数被分析企业中的首要优先事项，并预测商业智能与分析将继续成为领先企业的重点之一（Gartner, 2013）。

另一方面，企业已经认识到商业智能与分析（BI&A）从外部和内部知识来源生成洞察和知识的潜力（Shehzad, Khan,&Naeem, 2013；Wang, 2014；Wixom, Watson,& Werner, 2011；Yeoh&Koronios, 2010）。随着数据复杂性的增加，由于人类认知能力有限，人们在解释外部信息方面存在困难。（Jansen, Van Den Bosch,&Volberda, 2005；Sammut& Sartawi, 2012）。更多信息并不一定对组织有益，因为其信息和知识处理能力也是有限的（Simsek, 2009）。因此，组织发展出信息过滤机制和惯例以应对有限理性（March, 1978；Nelson&Winter, 1982）。商业智能与分析（BI&A）已发现可以扩展人类的认知能力以及企业的吸收能力，通过增强个人和企业接收、存储、分析和传递信息的能力，并减少错误（Brynjolfsson&Hitt, 2000；Elbashir, Collier, Sutton, Davern,&Leech, 2013；Simon, 1991）。尽管已有多个研究流派探讨了商业智能与分析（BI&A）的潜力，但对于如何提升理解商业智能与分析在从外部数据进行知识生成过程中的作用，以及促进该过程的潜在机制，目前关注仍然较少。

尽管商业智能与分析作为竞争优势来源的重要性已得到广泛认可，且大量研究承认了商业智能与分析在创造业务价值方面的能力，但有关商业智能与分析价值创造过程的证据仍多为轶事性质（陈、普雷斯顿和斯温克，2015；芬克、约格夫和埃文，2017；特里乌，2017；维登、肖和格兰特，2017）。信息系统（IS）研究领域的先前研究已探讨了商业智能与分析在洞察生成中的作用；然而，这些研究主要侧重于技术层面（博斯，2009；乔杜里、达亚尔和纳拉萨亚，2011；兰詹，2009）。仅有少数研究从组织角度考察了商业智能与分析的作用，例如组织学习、组织能力、有效使用以及客户关系管理（埃尔巴希尔、柯利尔和萨顿，2011，2013年；Forsgren 和 Sabherwal，2015；Real、Roldán 和 Leal，2014；特里乌，2017；Yeoh 和 Popovič，2016年）。尽管技术层面受到高度重视，有价值的客户洞察通常源于将商业智能与分析洞察有效转化为有意义的知识，并进一步在各业务单元中传播以采取行动（Fan、Lau 和 Zhao，2015；Shollo 和 Galliers，2016）。

因此，最近的一些研究（Fink 等人，2017；肖洛和加利尔斯，2016）批评了过度强调技术而忽视人类‘意义建构’过程的现象。正如 Sharma、Mithas 和 Kankanhalli，2014，第 435 页）“洞察源于分析师与业务经理积极使用数据和分析工具来发现新知识的参与过程。”相应地，Shollo 和 Galliers（2016）提供了关于商业智能与分析能动性在数据选择和问题表述中促进主动认知过程的实证证据。此外，Fink 等人（2017）提出并实证检验了一个商业智能与分析价值创造模型，该模型识别出商业智能团队和基础设施资产通过运营与战略商业智能能力转化为运营与战略价值的过程，并由开发式与探索式学习进行调节。尽管他们试图通过组织学习的视角在理论上推进商业智能与分析研究，但他们对潜在过程的理解有限，因此呼吁进一步研究以加强商业智能与分析研究的理论基础。此外，正如特里乌（2017）在其最新且详尽的文献综述研究中所指出的，目前缺乏研究探讨商业智能影响与组织商业智能资产之间的互补联系，这阻碍了组织更好地理解价值创造过程，他建议采用归纳探究方法来探索这一复杂现象。在此基础上，我们试图回答以下研究问题：“商业智能与分析触发的洞察如何转化为有价值的知识？

为了解决这一研究问题，我们对九家欧洲企业进行了十四次关键信息人访谈的定性研究。根据特里乌’（2017年）最新研究发现，我们将现有的吸收能力理论视角视为一种感知工具，用于分析实证数据。尽管诸如吸收能力等概念已在先前的研究中被使用（例如，Elbashir 等人，2011；Ramamurthy、Sen 和 Sinha，2008；特里乌，2017），但基础能力与资源如何促进商业价值创造仍不清楚。通过采用溯因探究方法，我们试图在现有理论基础上进行深化，重点关注商业智能与分析在组织认知过程中的作用及其促进价值生成过程的基础能力与资产。这包括但不限于决策。

我们的研究确定了四种吸收能力在洞察生成与利用中的作用。其次，我们研究了充分实现上述吸收能力所需的基础资产。研究结果表明，吸收能力能够成功地将来自商业智能与分析的外部商业洞察加以吸收，并转化为有价值的企业知识。内部的人力、技术和关系资源似乎是实现洞察转化过程的先决条件。对前述内容的深入理解为以往的信息系统和管理研究做出了贡献。此外，实践者也可以从关于将商业智能与分析洞察转化为有意义的行动和决策所需的能力和资源的全面概述中受益，从而能够相应地调整其努力方向。因此，我们提供了对从商业智能与分析洞察中进行知识提取所依赖的能力和基础资产的整体性与系统性理解。

本文的其余部分结构如下：在第一部分中，我们回顾了商业智能与分析（BI&A）的概念以及吸收能力理论；在第二部分中，我们介绍了研究背景与方法论，随后概述了研究结果；最后一部分总结了研究发现，讨论了理论与实践意义，并指出了研究局限性及未来研究建议。

2. 文献综述

本节回顾了当前围绕商业智能与分析价值创造过程的文献，主要关注BI&A使用所带来的组织影响。接着，我们介绍了吸收能力理论，并讨论了充分实现吸收能力所必需的资源。

2.1. 商业智能与分析定义

现有文献对商业智能与分析（BI&A）提出了多种定义，但尚未形成广泛接受的共识。从卢恩（1958）首次提出以来，BI&A这一术语最常被用来描述利用计算机支持系统收集、分析和传播信息以支持有效商业活动和改进决策的系统性流程（隆奎斯特和皮尔蒂马基，2006）、方法论（兰詹，2009）、技术（博斯，2009；金贝尔和罗斯，2011）、分析工具（戴文波特和哈里斯，2007；埃尔巴希尔、柯利尔和达弗恩，2008；沃森和威克松，2007）以及技术手段（林和李，2010）。目前使用最广泛的定义是陈等人（2012，第1166页）提出的综合性定义，涵盖了大多数现有文献的观点，将商业智能与分析定义为“用于分析关键业务数据，以帮助企业更好地理解其业务和市场，并做出及时的商业决策的技术、技术、系统、实践、方法论和应用”。这一视角多样地引出了价值创造过程的不同方面。因此，有必要进行文献综述以界定本研究的范围，并明确我们对商业智能与分析的价值创造过程已有的认识。

2.2. 商业智能与分析价值创造过程：文献综述

近期的学术和实践文献强调了组织通过使用商业智能与分析创造价值的能力（陈等人，2012年；拉森和张，2016年；拉瓦勒、莱瑟、肖克利、霍普金斯和克鲁施维茨，2011年；麦克菲、布林约尔松、达文波特、帕蒂尔和巴顿，2012年；米萨斯、李、厄尔利、穆鲁格桑和贾万希尔，2013年）。例如，拉瓦勒等人（2011年）发现，表现优异的组织在使用商业智能与分析创造价值方面具有丰富的经验。同样，陈等人（2012年）也认识到商业智能与分析在获取客户需求和意见情报方面的作用，从而带来新的商业机会。尽管关注度日益增加，但将商业智能与分析所激发的洞察转化为有价值的企业知识的过程仍不清晰。因此，许多作者如夏尔马等人（2014年）和罗斯、比思和夸德拉斯（2013年）呼吁更深入地分析组织如何通过使用商业智能与分析创造价值，并理解其背后的资源分配流程。

过去十年中，研究人员和学术界对商业智能与分析技术投资所产生的附加值表现出广泛兴趣，推动了大量相关研究的开展。许多研究以不同方式为此领域贡献了知识。现有文献普遍认为，BI&A使用能够提升决策过程的效率。因此，这一观点的共同前提是，BI&A有助于识别、捕获并生成新的洞察与知识，并将其用于决策（阿查里亚、辛格、佩雷拉和辛格，2018年；侯，2012年；科瓦尔奇克、布克斯曼和贝西尔，2013年）。例如，波波维奇、图尔克和雅克利奇（2010年）提出了一种从商业智能与分析中获取商业价值的研究模型，发现BI&A成熟度和可吸收能力有助于在业务流程和决策中更好地利用BI&A所提供的高质量信息。同样，埃尔巴希尔等人（2008年）在其基于调查的研究中发现，BI&A通过改进业务流程（如业务伙伴关系、内部流程效率以及客户智能收益）来创造价值。特克曼、麦科马克、德奥利维拉和拉代拉（2010年）发现，那些通过良好的信息系统支持分析能力的企业，在决策交付方面表现更优。此外，伊西克、琼斯和西多罗娃（2013年）通过实证研究发现了技术能力的重要性以及支持决策和在不同决策环境中所有用户可访问性的高质量数据。

尽管这些研究在识别通过改进决策支持所传递价值的影响因素方面具有重要意义，但新知识是如何获得的仍不清楚。

其他研究探讨了商业智能与分析使用所产生的价值类型及其测量方式。因此，沃森（2009）和沃森和威克松（2007）发现商业智能与分析能产生一系列收益，从局部影响（例如，通过数据整合实现的成本节约、用户的时间节省），到全局性影响，例如，更多且更优质的信息、更优的决策、业务流程的改进，而这些最终由于其“软”性质而难以评估。

此外，克拉克、琼斯和阿姆斯特朗（2007）提出了一个关于商业智能与分析及其他决策支持技术所带来的收益的理论模型，并发现价值难以衡量，因为许多组织因素，如文化、信息的使用、管理层承诺，会极大地影响商业智能与分析的感知价值，同时这些因素本身也难以评估。尽管如此，达文波特和哈里斯（2007）在一项多案例研究中发现，如果商业智能与分析资源缺乏足够的数据分析能力和强大的分析型文化作为支撑，则不足以成为价值的来源。即使他们以更详细或粗略的方式讨论了BI&A使用的潜在收益，人们仍会产生这样一种印象：技术以某种惰性形式传递价值，可以被转移和控制。

迄今为止，研究人员已采用多种理论和实证方法来考察商业智能与分析的价值创造过程。由于大多数信息技术价值创造的研究都基于资源基础理论（RBT）、动态能力视角和信息处理观（巴拉德瓦杰（2000）；梅尔维尔、克雷默和古尔巴哈尼（2004）；柳和李（2013）；桑萨南和哈托诺（2003）；特克曼等人（2010）；王和艾哈迈德（2007）），近期关于商业智能与分析价值创造的研究也采用了类似的理论基础（曹、段和李（2015）；曹、段和卡登（2019）；科尔特‐雷亚尔、奥利维拉和鲁伊沃（2017）；范等人（2015）；芬克等人，2017；科瓦尔奇克和布克斯曼（2014））。根据特里乌（2017）提出的应考虑企业因素（如组织规模、范围和吸收能力）的呼吁，在研究商业智能与分析资产与其影响之间的关系时，为了更好地理解其价值对组织资源分配的依赖性，我们回顾了吸收能力理论和商业智能与分析资产的理论基础，以识别相关概念作为访谈准备的指导。

2.3. 理论基础

2.3.1. 吸收能力

在关于创新的研究中，科恩和莱文塔尔（1990），第128页）将企业的吸收能力定义为“企业识别新的外部信息的价值、吸收它并将其应用于商业目的的能力。”这种能力取决于先验相关知识，这使得企业能够更好地评估技术进步与发展的信号。因此，吸收能力使组织能够从组织外部识别新知识，并在组织内部将这些知识与现有知识进行吸收和整合（阿罗拉和甘巴雷拉，1994；科恩和莱文塔尔，1990；科古特和赞德，1992）。因此，不仅需要新知识的生成，还需要能力杠杆来充分利用现有技术（达尼尔斯，2002）。这将吸收能力归类为动态能力的重要组成部分，因为它支持持续的知识获取、搜索和知识管理（帕夫卢和埃尔萨维，2010）。吸收能力通过增强组织与外部环境之间的互动，提升了对外部知识吸收以及改善组织子单元之间的知识共享和学习（罗森科普夫 & 内卡尔，2001年）。

对于企业而言，持续投资于其吸收能力的发展至关重要，因为如果缺乏这种能力，企业可能无法意识到特定领域中的技术机会和信号（科恩和莱文塔尔，1990；科古特和赞德，1992）。因此，具有高水平吸收能力的组织能够主动利用环境中的技术和市场机会，而不受当前绩效的影响，其方式是整合内部和外部知识来源。而吸收能力处于较低水平的组织则更具被动反应性，通常基于某些绩效标准作出响应（科恩和莱文塔尔，1990；拉维和罗森科普夫，2006；罗斯塔梅尔和亚历山大，2009）。吸收能力水平越高，内部与外部知识获取之间的溢出效应就越强（罗斯塔梅尔和亚历山大，2009）。

罗伯茨、加卢奇、丁格和格罗弗（2012）强调了吸收能力背后的几个重要假设。首先，吸收能力具有领域特定性。判断外部知识价值的能力取决于先前的相关知识。尽管企业的现有知识与外部知识之间存在重叠对于成功获取外部知识很重要，但过强的重叠会限制新机会和洞察生成（洛德和兰夫特，2000）。其次，吸收能力具有企业特异性。吸收能力依赖于企业个体的吸收能力；然而，它并非仅仅是个人能力的简单加总，还包括个体知识的重叠以及在子单元之间和内部的知识转移（科恩和莱文塔尔，1990；罗伯茨等人，2012）。有效的信息和知识获取需要具备能够提升信息与知识的质量和数量，并能将其整合为集体行动的结构和流程（舍雷马塔，2000，第405页）。由于来自不同部门的个体以不同方式获取和解释知识，因此内部沟通与整合对于提高学习质量至关重要（布朗和艾森哈特，1995；野中郁次郎，2007）。增强的信息流可以跨职能地提升学习质量。第三，吸收能力是路径依赖的。因此，某一时期的吸收能力积累将有助于下一阶段更高效地积累吸收能力。为了实现有效的组织学习，必须在内向型和外向型吸收能力之间保持平衡，因为其中任何一种的过度主导都会导致功能失调（科恩和莱文塔尔，1990；格兰特，1996）。如果专业技能变得过于专精，可能会阻碍对外部知识的同化，从而导致所谓的“非本地产出综合征”（Not‐Invented‐Here Syndrome），即企业拒绝来自外部环境的创新思想（科恩和莱文塔尔，1990）。缺乏对外部知识的开放性以及过往经验缺乏奖励，可能反映出组织对不同外部来源的短视倾向（莱文塔尔和马奇，1993）。路径依赖使企业能够更准确地预测技术进步的潜力。

正如格兰特（1991）所讨论的，资产是分析的基本单位，而能力则是资产的整合性安排。因此，正如芬克等人（2017）和林和吴（2014）所指出的，能力代表了价值的主要来源，并通常被视为将组织资源/资产转化为竞争优势的转换器。在文献中可以找到关于吸收能力构念的多种概念化定义（詹森等人，2005；托多罗娃和杜里辛，2007；扎赫拉和乔治，2002）。与先前研究一致，我们将吸收能力定义为一种二阶动态能力，它构建、整合并重新配置基础的一阶能力和零阶资产，以创造和部署知识（高、叶、黄和谢珀斯，2017；王和艾哈迈德（2007）；扎赫拉和乔治，2002）。因此，吸收能力由四个一阶能力所体现，这些能力反映了动态过程，包括获取、同化（潜在吸收能力）、转化和利用（实现的吸收能力）（弗拉滕、恩格伦、扎赫拉和布雷特尔，2011；莱恩、科卡和帕塔克，2006）。第一个能力——获取，指的是识别和获取通过与企业运营相关的外部来源获取信息，并受到先验知识的影响（科恩和莱文塔尔，1990；扎赫拉和乔治，2002）。第二项能力——同化，指企业分析、解释和理解外部获取的信息的能力（科恩和莱文塔尔，1990；弗拉滕等人，2011）。第三项能力——转化，指开发促进现有知识与新获取知识相结合以及实现知识内化的惯例（扎赫拉和乔治，2002）。最后一项能力——利用，指将已获取并转化后的知识应用于商业目的（科恩和莱文塔尔，1990）。这四项一阶能力共同使企业能够利用新知识，提升企业绩效，并通过新产品创新获得竞争优势。然而，吸收能力不仅连接这些一阶能力，还将其整合以产生协同效应（利希滕塔勒，2009；赖施和伯金肖，2008；王和艾哈迈德，2007）。尽管如此，根据高等人（2017）的最新建议，我们在行为研究领域中从组织层面分析的角度考察吸收能力，该领域涉及技术领域的活动与应用。

2.3.2. 基础商业智能与分析资产

由于知识提取过程并非孤立发生，不同的商业智能与分析资源会促进或抑制知识的积累和利用。因此，研究发现商业智能与分析的商业价值取决于其基础的商业智能与分析资源/资产（Finket al.,2017；Wieneke&Lehrer, 2016）。现有文献已提出一些可能影响价值创造过程的潜在资源/资产。例如，Cosic, Shanks, and Maynard,(2015)提出了四类组织资源与能力，如治理、文化、人员和技术能力。此外，Shuradze and Wagner(2016)提出了用于数据分析的三类资产，即技术基础设施、个人专长和关系基础设施。类似地，Wieneke and Lehrer(2016)将物理、人力和组织资源作为社交媒体洞察应用的基础。然而，Castro, Delgado-Verde, Amores-Salvadó, and Navas-López, (2013)描述了用于智力资本创造和产品创新的人力、技术和关系资产。

基于对现有文献的回顾，我们识别出技术、人力和关系资产，这些资产可能支撑吸收能力的一阶和二阶动态能力，影响在商业智能与分析背景下的知识创造过程。因此，我们将资产视为原材料，其会影响能力的发展过程（Ravichandran& Lertwongsatien, 2005；Wade&Hulland, 2004）。

此处，技术资产指的是技术平台、IT基础设施、物理IT资产、数据仓库、通信技术以及IT架构（巴拉德瓦杰（2000）；韦德和赫兰德，2004）。诸如数据库和网络之类的技术资产在市场上容易获得，而复杂的IT基础设施和通信技术则难以模仿。研究表明，信息技术资产有助于提升企业的吸收能力（罗伯茨等人，2012；叶和波波维奇，2016）。技术使企业能够对已获取的信息进行编码、处理、存储和检索（阿戈特、麦克埃维利和里根斯，2003）。其次，它促进了知识在不同业务单元或网络之间的扩散，以进一步实现转化和利用（李和崔，2003）。总之，它使企业能够获取、处理、管理和共享数据与信息，以生成有意义的洞察，并且还能快速、高效地将新技术与现有技术集成（拉维钱德拉和勒特翁萨提恩，2005）。

另一方面，人力资产指的是员工商业知识、技术技能、工作经验和关系（巴尼，1991；蒂斯，1998）。先前研究已表明人力资产对吸收能力的重要性。具体而言，具备扎实商业知识和技术技能的员工在识别和评估新外部知识方面更高效，从而提高企业内的知识水平（伦德·温丁，2006；曼热马坦和内斯塔，1999）。此外，更丰富的工作经验有助于企业特定知识的积累，增强转化和利用已吸收知识的能力（扎赫拉和乔治，2002）。

然而，关系资产包括部门间的合作关系、外部（客户）网络、管理层支持和文化（罗斯、比思和古德休，1996；韦德和赫兰德，2004）。不同业务单元之间的知识转移促进了组织内部的知识流动和知识整合（科恩和莱文塔尔，1990），从而增加接收方的知识库以及组织的知识库（鲍洛夫斯基和罗比，2004）。组织文化对这些流程具有重要影响（韦罗纳和拉瓦西，2003）。

3. 研究背景与方法论

3.1. 样本与程序

探索性研究的主要目的是考察商业智能与分析触发的洞察如何转化为有价值的知识，以及其中的基础能力与资产是什么。我们发现这种探索性研究方法是合适的，因为该现象是新的、广泛的且复杂的，因此很难识别因果关系（科宾和斯特劳斯，1990；艾森哈特，1989；帕雷，2004）。探索性分析有助于扩展现有理论，为构念之间的复杂关系提供额外的洞察（丹津与林肯，2005；艾森哈特和格雷布纳，2007）。我们采用溯因科学推理方法（曼特雷和凯托基维，2013；斯特劳斯和科尔宾，1998），将来自实证数据的初步归纳性洞察与现有理论知识相结合，以解释实证难题。我们认为半结构化访谈是本研究中最有效的收集信息方法，因为它具有足够的灵活性和可及性（阿尔维森，2003；布林克曼，2014；霍尔斯坦和古布里厄姆，1995）。

我们采用了理论性、有目的性的抽样方法来选择本研究的参与者，以确保对实际情况的代表性（丹津与林肯，2005）。我们从不同行业——高科技、制造业、电信、服务导向型、零售、金融和能源——中选取了九家欧洲企业进行访谈。鉴于大型企业更有能力投资于各种信息技术及相关员工培训（查特吉、格里瓦尔和桑巴穆尔蒂，2002；埃尔巴希尔等人，2013），因此我们考虑了中大型企业。专家受访者必须满足以下筛选标准：（1）对组织有深入了解；（2）在商业智能与分析项目中拥有三年以上经验；（3）担任高级IT或管理职位。根据本研究的需求，我们选择了十四位专家受访者/关键信息提供者，其职位包括首席执行官、首席信息官、IT经理、研发主管或市场调研经理。其中，五位关键信息提供者是通过滚雪球抽样法选出的。他们均在日常工作中拥有并积极使用商业智能与分析。因此，在两年期间（2016年2月至2018年10月），我们共进行了十四次访谈，涉及九家企业。表1列出了受访者的详细情况。

尽管访谈样本量相对较小，但已足以实现理论饱和，即后续访谈未提供导致新的涌现主题出现的额外数据，这一点已被多位作者讨论过（博伊斯与尼尔，2006；克劳奇与麦肯齐，2006；厄奎哈特与费尔南德斯，2016）。此外，增加样本量可能会质疑研究人员对数据集分析投入足够注意力的能力（马歇尔、卡顿、波达尔和方特诺特，2013）。所有纳入研究的企业在当时均已使用商业智能与分析多年，是阐明商业智能与分析价值生成过程的合适候选对象。

我们对每位受访者进行了半结构化访谈根据访谈协议（附录）进行，每次访谈平均持续一小时。我们要求所有参与研究的受访者以集体代表的身份发言。首先，我们收集了受访者职位、经验以及企业基本情况的数据。接着，在介绍研究目的后，我们请受访者描述他们对商业智能与分析的理解，并尽可能详细地讨论相关主题及其应用情况。由于访谈的具体目的是尽可能深入了解受访者对商业智能与分析的看法和关注点，我们提出了一系列开放式问题。在访谈结束时，每位参与者都被询问是否还有其他可能与访谈相关的信息需要补充。由于部分受访者不允许录音，我们在访谈过程中做了详细的现场笔记，并在访谈结束后立即补充了详细的记录。尽管我们承认录音能提供更丰富和准确的数据，但我们必须尊重参与者的要求。每次访谈结束后，我们都对所做笔记进行了系统分析。

3.2. 数据分析

数据分析程序遵循了自然主义探究和持续比较方法的相关指南（查尔马兹，2006；格拉泽和斯特劳斯，1967；施万德、林肯和古巴，2007）。后者使我们能够迭代调整理论类别并界定聚合维度。每个访谈均在各类别内进行系统审查和系统化处理。为确保编码过程的更高质量和准确性，两名独立评审员对相同数据进行了编码。我们首先识别出以受访者为中心的一级编码（科宾和斯特劳斯，1990）。接着采用轴心编码，寻找这些类别之间以及内部的相似性和差异性，并将一级编码整合为理论类别。最后，在关于细化类别的编码饱和达成后，我们将浮现的理论类别提炼为聚合的理论维度。然而，这些步骤是通过递归分析程序完成的（洛克，2002）。在编码过程结束时，我们计算了两位编码员之间的评分者间信度，达到了较高的同意水平（0.92），认为这是对编码过程合理性的充分验证。最终的数据结构汇总于图1，详细内容在第4节中进行了描述。为了进一步确保编码过程的质量和准确性，我们采用了同行汇报（克雷斯韦尔和米勒，2000；施万特等，2007；斯帕尔，1998）。因此，我们邀请了两名未参与本研究的外部同行（部门成员），对数据收集和分析过程进行评估和反思。同时，我们还进行了详细的否定性证据搜索，直至达到高度一致。

4. 研究结果

本节展示了我们基于访谈数据得出的研究结果。数据来源，引号中的内容，直接摘自现场笔记和观察现场笔记。

4.1. 商业智能与分析的定义与特征

我们请受访者描述他们如何定义商业智能与分析（BI&A），以及该技术对他们的企业的重要性。在给出具体定义之前，不同的受访者根据BI&A使用的程度强调了不同的特性。受访者3指出：“一般来说，商业智能与分析意味着通过高级分析从商业数据中生成智能，以改善业务。我们应用数据挖掘、语义分析、网络分析和机器学习等先进技术，来实时理解客户偏好。这使我们能够明确问题所在，而这是仅依靠事务数据和传统分析难以实现的。”同样，受访者7表示：“它是商业智能技术与技术的进步，能够适应新发展并及时收集信息。如果没有实时或接近实时的市场信息，我们就会立即落后于竞争。”此外，受访者12提到：“它是一系列技术，使我们能够基于先前和当前的客户信息创建实时的相关知识。”受访者14进一步说明：“商业智能与分析是帮助我们企业预测未来趋势、提高决策可靠性的技术和方法论。因此，我们主要依赖预测分析、机器学习和回归分析来实现更好的模式识别。”另一方面，一些受访者并不认同传统BI与商业智能与分析之间的严格区分。因此，受访者1评论道：“它不过是适用于更大数据集的传统数据库商业智能，用于知识发现。目前，一些看似新颖、革命性的东西实际上只是现有技术和方法论的演进。”

然而，大多数受访者强调了所谓的“大数据”挑战，即数据生成的体量、多样性和速度不断增加。因此，受访者2指出：“传统BI与商业智能与分析之间的主要区别在于，需要应对分析和存储大规模、非结构化和复杂数据集的挑战，这些现在被称为大数据，并且需要独特的技术。在此背景下，我们试图开发新的方法，以理解我们收集的海量数据，并产生以前未知的洞察。然而，说起来容易做起来难。”尽管如此，他们仍强调信息价值作为获取竞争优势的关键组成部分的重要性：“我们发现传统商业智能与商业分析之间的主要区别在于实现客户、竞争和市场行为理解中价值的具体方法不同。我们从智能手机、社交媒体和互联网收集了大量数据。然而，问题不在于你拥有多少数据，而在于决策时手中掌握的是什么数据。这要求我们必须发展不同的能力，否则我们可能会迅速变得过时。”（受访者9）。因此，大多数人认为，新的有价值洞察是BI&A使用的最大益处。

4.2. 潜在能力：吸收能力视角

受访者认识到商业智能与分析流程在洞察和知识生成方面的作用。为了将商业智能与分析产生的洞察融入价值创造过程，我们借鉴了卡尔松（2003）和扎拉和乔治（2002）提出的四种独特但互补的吸收能力：获取、同化、转化和利用。’因此，我们采用吸收能力的理论视角作为感知工具来分析实证数据。然而，所有结论均基于实证的Carlsson(2003)和Zahra and George(2002)。因此，我们采用吸收能力’的理论视角作为感知工具来分析实证数据。然而，所有结论均基于实证的现场数据。

对访谈的分析强调了强大的获取能力在识别和获取外部来源有价值数据方面的作用。具体而言，来自外部来源的海量数据需要仔细地进行数据清洗、处理和数据集整合，以使其可用。这是一个要求很高的过程，因为数据通常源自异构来源，并伴随着噪声、不透明性（甘多米和海德尔，2015年）以及无能。数据量的增加和非结构化程度的提高导致存储成本上升，给企业增加了实际成本。因此，必须具备判断保留数据对未来行动价值的能力，正如受访者4所指出的：尽管数据可能是有用洞察的来源，但我们经常遇到数据不一致和不完整的问题。我们花费大量时间进行数据清洗，决定保留哪些属性，如何表示和分析它们，但这往往导致时间和金钱的浪费。此外，企业报告称，越来越多地从社交网络（如脸书、推特、领英）收集信息作为数据来源，但多次表明其范围有限且质量有限。企业不应假设社交网络代表了整个人群，而应将用户视为一个样本，需要对目标样本进行批判性检验和理解。正如受访者6所指出的：“我们在收集与业务问题相关的所有数据集时犯了一个巨大的错误。这导致了存储问题、无休止的搜索以及不一致的洞察。不幸的是，我们为此付出了巨额代价才意识到需要有针对性地收集数据”。

此外，受访者强调了企业在处理内部和外部数据时同化能力的重要性。为了充分利用生成的知识，企业必须明确业务需求和目标，并提出正确的问题。正如受访者2提到的：“我们的IT专业人员需要在前期就提出具体问题，以便从整个数据集中清理和准备样本。当我们不知道该问什么或不理解样本时，数据集中的大量噪声就会导致奇怪的结论。”因此，受访者13评论道：“我们把挑战作为一种提出相关研究问题的技术。要求进行特定分析的人必须清楚地估计该分析的潜在附加价值以及可能的结果。”因此，人为干预对于理解数据至关重要。对外部获取信息的解释需要精通数据的决策者，他们能够评估并理解潜在洞察的价值。由于为管理人员开发IT技能可能耗时较长在这一过程中，受访者建议信息技术部门与管理者之间应进行紧密合作。

例如，受访者5表示：“我们要求管理者与信息技术人员密切合作，以应对数据解释方面的挑战，这为我们提供了信息技术、市场营销和客户关系方面异质专业知识的坚实基础。”同样，受访者10指出：“我们的数据科学家与报告人员共同协作，为决策者提供有用的建议。”然而，受访者13提到：“我们认为，当互补彼此的知识和能力时，团队会更强大。因此，我们并不希望有一个人通晓所有事情。相反，我们组建能够互补彼此知识的团队。否则，将会产生负面效应，导致人员在各个方面都表现平庸。”

转化能力被发现对于促进新获取的知识在现有知识基础中的内化起着重要作用。拥有出色的洞察并不意味着已经成功。这些洞察首先需要与现有的知识库相关联，然后在组织内部传播，以传达给需要它们进行决策或采取行动改进的相关人员。然而，受访者强调了洞察呈现格式清晰且易于理解的重要性：“我们要求团队将结果转化为图表、仪表板和交互式可视化，以便其他数据熟练程度较低的人员能够以更直观的方式访问并理解其价值”（受访者3）。同样，受访者11进一步说明：“我们越来越多地依赖数据可视化，以可理解的方式呈现挖掘的信息。”相反，员工对商业智能与分析的抵触情绪——

商业智能与分析的价值创造：吸收能力的作用

4. 研究结果（续）

4.2. 潜在能力：吸收能力视角（续）

作为对信息过载的一种反应——似乎阻碍了新知识的内化。对此，受访者6指出：“我们不得不组织不同的教育课程和研讨会，以培养员工的信息评估和解读技能。”尽管如此，员工在获得适当的技能和知识后，对商业智能与分析的使用变得更加自信。

最后，研究发现利用能力能够促进转化知识的商业化。我们的受访者报告称，他们将商业智能与分析洞察用于不同目的：以了解客户和市场行为、优化业务流程（决策、供应链）、优化广告活动和定价策略、开发新产品和服务、管理财务风险、提高效率、识别故障以及提供主动式机器维护。然而，正如受访者8所指出的：“要最大化生成洞察的价值需要付出大量努力。我们持续激励员工搜索我们的数据库以获取已生成的知识，来支持他们的日常决策。”因此，重用以及已有生成知识的形成可以提升商业智能与分析洞察价值，进而增强企业绩效。

4.3. 基础资产

我们确定了技术、人力和关系资产，以构成吸收能力的基础。在接下来的子章节中，我们将详细阐述每一项。

4.3.1. 技术资产

大多数受访者强调了技术进步对于满足不断变化的数据需求的重要性。因此，从交易数据向行为数据的重大转变推动企业升级其技术资产，包括基础设施、架构和程序。受访者报告称，他们使用了多种商业智能与分析资产，例如数据挖掘和文本挖掘、回归分析、联机分析处理（OLAP）、搜索引擎、多变量分析、流程与网络挖掘、云计算、并行编程、观点挖掘、情感分析、可视化、社交媒体分析以及自然语言处理。

相应地，受访者2提到：“为了满足新的非结构化海量数据集的需求，我们不得不超越传统的关联数据库。因此，我们采用了MapReduce并行计算工具和Hadoop数据库技术，这使我们能够将外部新数据与内部数据进行整合。”尽管受访者对高级程序、基础设施和架构带来的可能性感到兴奋，但大多数人也抱怨了诸如性能差、可扩展性不足和响应时间过长等缺点。此外，为实现熟练程度所需的学习过程既耗时且耗资。因此，受访者10指出：“推进商业智能与分析使用的一个最大障碍是时间限制。员工已经超负荷。因此，商业智能与分析解决方案的成功使用需要额外的财务投入。”

尽管如此，受访者指出商业智能与分析资产在促进所获取知识的内化方面发挥了重要作用。然而，随着不断上升的存储成本，企业减少了对无价值数据保留的兴趣。只有有价值的知识被保存在共享资源库中，以便用于未来的知识发现。因此，技术进步为知识发现提供了强大的可视化技术。一位IT经理指出：“我们的管理者通常难以理解复杂数据。出于这个原因，我们尝试以交互式可视化或图表的形式呈现结果，然后共同分析细节和潜在应用”（受访者6）。同样，受访者12评论道：“如果生成的信息没有以易于理解的图表和可视化形式进行综合呈现，并辅以建议和说明来指明该信息的相关使用场景，我们几乎无法推动其持续使用。”尽管可视化方法已取得显著进展，但据我们的受访者反映，这些方法仍然稀缺且耗时。

4.3.2. 人力资产

尽管当前的许多热情集中在技术资产上，但人力资产已开始被视为成功实施商业智能与分析的关键里程碑。受访者在不忽视重要技术突破的同时，强调了人在理解和利用数据及洞察方面的作用。理想情况下，这些企业需要拥有多学科背景的数据科学家，他们兼具数据、分析和商业知识，从而能够充分利用这些能力与更广泛的商业环境进行沟通并加以理解。然而，大多数专业企业所聘用的IT人员都接受过计算机科学、统计学和数学方面的培训，普遍缺乏整体的商业知识，难以解读数据以提升企业绩效。受访者4表示：“要找到在分析能力和商业问题方面都具备相当专长的合适人才极为困难。通常情况下，这些人才具有较强的数据和计算背景。”此外，受访者13评论道：“我们甚至不刻意寻找具备高级商业知识的数据科学家。尽管这类人才受欢迎，但我们首要寻找的是能够运用‘常识’且善于协作的IT专业人员。然后，我们组建由不同专业人员构成的团队，共同开展特定项目。”因此，企业普遍反映，他们招聘具备扎实技术能力和分析技能的专业人员来进行数据 modelling、分析和处理，并将其与业务经理组成团队，将信息技术专长与深厚的领域知识相结合，实现协作式数据探索。

此外，访谈指出，数据分析人才短缺严重制约了洞察生成的可能性。正如受访者7所言：“我们可以找到IT专业人员，但并非所有人都具备充分运用该技术所需的技术、数据和分析技能。因此，我们开始与大学合作开发教育课程，以解决这一劳动力问题。”尽管如此，招聘具备扎实技术和分析能力的数据科学家仍然是一个巨大的挑战。

4.3.3. 关系资产

尽管他们已经使用商业智能与分析（BI&A）一段时间了，但受访者提到了一些显著影响其成功应用的组织因素。首先，大多数人一致认为，强大的决策文化能够显著影响通过分析获得竞争优势：“我们的高层管理通常不愿意使用商业智能与分析来支持他们的行动和决策。其中一些人仍然认为，在制定战略决策时，他们的经验和直觉是最可靠的知识来源。不幸的是，这影响到了基层管理，导致他们对利用这项技术的优势持怀疑态度”（受访者4）。同样，受访者11指出：“我们在很大程度上仍然依赖直觉。要让决策者相信将两者结合是有益的，非常困难。”因此，受访者12补充道：“我可能不该这样说，毕竟我是一名数据科学家，但我们认为由数据触发的洞察只是对直觉的补充。先验相关知识和经验在做出正确决策时非常重要。”

毫不奇怪，许多受访者强调了在将商业智能与分析融入日常活动时，建立强有力的文化承诺所需付出的努力。正如受访者7所指出的：“我们开始使用商业智能与分析时，并未考虑到要取得成功所需投入的承诺程度。文化反而比技术本身带来了更大的障碍。让员工信任这项技术经历了一个漫长的过程。”因此，正如受访者13所言：“只有当你向员工证明数据能够带来附加价值时，才能建立起文化承诺。”

许多企业促使员工进行跨部门协作，以弥补潜在的技能和能力不足。此外，可靠的信息集中化的知识库也被认为至关重要；因为它有助于进一步的知识传播、转化和利用，尤其是在数据思维成为普遍文化模式的情况下。然而，这需要将现有的整体企业战略与所考虑的数据战略保持一致。

5. 讨论

商业智能与分析研究的日益普及影响了学术界对BI&A使用创造价值机制的理解。通过研究BI&A触发的洞察如何转化为有价值的知识，我们为这一研究方向做出了贡献。现有关于商业智能与分析价值创造的文献主要强调了该过程关于改进决策，从而推动业务绩效（陈等人，2015；范等人，2015；夏尔马等人，2014；维德和奥西米茨，2015）。在此，学者们基于一种假设，即商业智能与分析能够揭示有用的信息，供不同业务层级的决策者用于做出更优、更具信息依据的决策。我们的分析并未将该技术视为一种“被动容器”，仅产生最终用于决策过程的知识，而是揭示了吸收能力在将原始数据转化为可用于行动和决策的有价值知识过程中的核心作用。我们的分析强调，企业应发展高阶动态能力，以实现知识的持续获取、搜索和管理，而非仅仅将商业智能与分析定位为决策支持工具。这与一些近期研究（芬克等人，2017；肖洛和加利尔斯，2016）的观点一致，这些研究警告说，若忽视商业智能与分析在组织认知中的作用，则对该概念的理解将受限；而本研究进一步阐明了不同的商业智能与分析资源以及低阶知识能力如何通过吸收能力这一高阶动态能力进行整合与重构，以实现知识创造。

5.1. 理论贡献

本研究对理解商业智能与分析价值创造过程提出了若干理论贡献。我们的研究表明，若不考虑知识创造如何首先发生，则仅关注改进的决策可能是不够的。我们通过特别聚焦于不同的知识创造能力如何与组织资源相互作用以产生有用组织知识的机制，为这一研究脉络做出了贡献。因此，本文对商业智能、知识管理以及动态能力方面的研究提供了若干启示。首先，它通过明确在商业智能与分析情境中吸收能力的潜在一阶能力，整合了关于BI&A使用和吸收能力的先前研究。此外，本文强调了基础的技术、人力和关系资产的重要性，并阐明了吸收能力作为二阶动态能力的作用，即构建、整合并重新配置获取、同化、转化和利用等底层能力及其基础资产。因此，本研究呼应了高等人（2017）所提出的在商业智能与分析领域确立吸收能力重要性的呼吁，同时也回应了特里乌（2017）在探讨商业智能与分析资产与商业智能与分析影响之间关系时应考虑企业因素的建议。通过这种整合视角，学者们可能能够更好地理解商业智能与分析的价值创造过程。

尽管商业智能与分析的技术适用性被认为是商业智能与分析有效使用的必要催化剂（乔杜里等人，2011；陈等人，2012年；沃森和威克索姆，2007年），但支撑知识创造过程的人力资产的重要性直到最近才开始受到关注（麦克阿菲等，2012；兰斯博瑟姆、基龙和普伦蒂斯，2016）。本研究通过识别人力资产在成功实现商业智能与分析使用价值中的关键作用，拓展了这一思路。具体而言，我们的受访者强调，人员必须同时具备领域与数据知识，以便能够进行模式识别和洞察发现。由于某些数据中所包含信息的价值主要取决于预期应用和情境化（波波维奇、黑克尼、塔萨贝吉和卡斯特利，2016），企业必须建立强大的人力资产，配备具有领域特定知识（威克索姆、严和雷利奇，2013）的人员，以提出相关业务问题。考虑到技术资产的重要性，实证研究结果强调了人力资产在理解和利用数据方面的作用，因为技术本身的发展速度已超过企业有效部署技术的能力。根据一些近期研究（达文波特和帕蒂尔，2012），我们发现企业应促进IT与管理人员之间的紧密合作，以应对技能短缺的问题。此外，由于学习是一个累积过程（科恩和莱文塔尔，1990），先验相关知识的丰富性和相关性将有助于更好地进行知识同化。当“现代”看门人具备多学科知识和技能时，便能够解释外部获取的信息；这使他们能够评估并理解信息可能带来的益处（fit（阿尔特曼、纳格尔和塔什曼，2014；斯塔格斯和尼尔森，2015）。

我们通过展示技术与关系资产如何支撑知识创造的一阶能力，补充了这一研究问题，而先前研究往往是孤立地考虑这一点。与一些先前研究一致，我们的发现表明，商业智能与分析洞察触发的信息呈现方式不足且复杂，可能会危及信息的使用（麦克阿菲等，2012）。因此，技术资产应支持将新生成的知识以更易于接受的格式呈现（如图表、仪表板、可视化），以便数据技能较弱的人员也能轻松理解并获取。因此，本研究关注BI&A使用中可能存在的缺点，包括技术性能差、可扩展性不足、响应时间过长、高存储成本、劳动力短缺以及漫长的学习过程，这些因素最终导致对BI&A使用的犹豫不决。

尽管如此，我们的发现表明，通过利用能力实现转化后知识的商业化需要持续搜索和生成知识的再利用，这进一步有助于改进不同的业务流程、产品和服务的开发、对客户和市场行为的理解以及风险管理等。我们发现，关系资产显著影响已实现的吸收能力（转化、利用）。此外，我们的发现揭示了高层管理对商业智能与分析优势的怀疑态度，导致在将商业智能与分析驱动的洞察纳入决策或行动过程时有所犹豫。因此，企业需要投资于文化变革，以建立一种决策文化，将分析的洞察与管理者的直觉相结合，从而产生比单独使用任一方式更优、更有效的结果。尽管以往的研究也讨论了颠覆直觉和结果导向型管理如何限制商业智能与分析为企业带来的潜在价值（布龙佐等，2013；法利克，2014；兰斯博瑟姆等，2016；特雷勒斯、普林斯、斯尼尔和扬森，2011），但我们通过评估其对吸收能力的一阶知识能力的影响，拓展了这一研究方向。因此，本研究强调了将现有企业与所考虑的数据战略相协调，同时发展一种容错的强健数据文化的必要性。

5.2. 对实践的启示

除了理论贡献外，本研究还为实践管理者提出了一些重要启示。首先，我们的研究强调了吸收能力在通过商业智能与分析进行知识创造的过程中，对构建、整合和重构资产以及一阶知识能力的关键作用。研究结果指出，信息的价值首先源于其预期的应用。因此，企业应避免无关的业务问题，而只有在具备足够的领域特定性知识和信息技术专长时才可能实现这一点。组织应提供系统化培训与教育，以培养数据熟练人员，或组建数据科学家与业务专家团队，共同将复杂模型的结果转化为易于理解的简单信息。

延续这一论述，我们强调了将现有企业文化与所需能力相协调的重要性。研究结果表明，企业需要强有力的文化承诺以及数据与战略的共生关系，以消除组织障碍，实现商业智能与分析的价值。基于实时数据的人类直觉与分析统计之间的持续对话，将有助于更好的决策。

证据。然而，除了对数据分析的新想法持开放态度外，还必须容忍错误，因为人们无法预知哪些结果会成功（兰斯博瑟姆等人，2016）。如果未能使所需的能力、资产和文化相协调，可能导致决策失误（埃雷韦勒斯、深川和斯威尼，2016；Jaklič、Grublješič和Popovič，2018；马茨勒、拜洛姆和穆拉迪安，2007）。因此，各级管理层都必须意识到商业智能与分析提供更全面、准确市场情报的能力，这需要组织持续付出努力。

然而，我们的研究表明，只有当技术值得信赖时，BI&A在日常活动和决策中的持续使用才有可能实现。企业需要升级现有的BI&A基础设施、架构和软件，以满足数据不断变化的需求。我们的研究结果强调了以交互式可视化和图表形式呈现信息的重要性，这进一步减少了解释和管理新洞察所需的努力。然而，性能差、可扩展性不足、响应时间过长以及高成本可能成为重要障碍，导致BI&A潜在价值的未充分利用。

5.3. 局限性与展望

本研究存在一些局限性值得注意。首先，实证数据来自欧洲国家的九家中大型企业样本。尽管我们认为分析已提供了在小企业背景下具有价值的洞察，但我们无法断言在技术知识通常受限的市场中，小企业能够像大型企业一样从BI&A中获得同等程度的益处。此外，由于我们仅选择了欧洲企业，因此无法观察到BI&A价值创造过程在不同文化背景下的差异。我们对来自八个高知识密集型行业的选定企业进行分析，这一选择本身也可能被视为一种局限性。对其他知识密集度较低的行业进行深入分析可能会揭示更多洞察。因此，我们鼓励未来的研究针对企业规模、文化背景和行业背景，探讨与本研究的相似性和差异性。其次，未来的研究可以采用定量研究设计来检验理论并得出因果推论，以补充我们在此概述的发现。最后，尽管我们仔细且全面地进行了研究和记录，但我们意识到所作的笔记并不能提供完整的口头记录（穆斯瓦齐和恩哈莫，2013）。因此，所做的笔记可能影响了还原受访者原话的准确性。

5.4. 结论

商业智能与分析常被宣传为能够带来竞争优势的价值提升。本研究的发现揭示了如何从由商业智能与分析触发的洞察中创造知识。通过应用吸收能力的理论视角，我们解释了吸收能力所依赖的能力与基础资产之间的相互作用，从而对知识创造过程中的价值实现提供了理论解释。因此，我们在考虑商业智能与分析资产影响的同时，确立了吸收能力在商业智能与分析领域的重要性，为未来关于商业智能与分析价值创造过程的研究奠定了重要基础。