影响南非BI&A使用的关键因素

影响南非组织商业智能与分析使用程度的因素

引言

组织不断寻求从日益增长的数据资产中获取价值，以获得或保持竞争优势。通过成功使用商业智能与分析（BI&A），组织可以从其数据资产中收获并提取更大的价值，从而更有可能超越竞争对手（拉瓦勒、莱瑟、肖克利、霍普金斯和克鲁施维茨，2011年；西多罗娃和托雷斯，2015年）。

通过使用商业智能与分析工具和技术对数据进行分析，使组织能够深入了解关键领域，推动有效的决策制定（乔杜里、达亚尔和纳拉萨亚，2011年；鲁哈尼、阿什拉菲、扎雷和阿夫沙里，2016年；肖洛和加利尔斯，2015年）。拉瓦勒等人（2011年）得出结论，表现较高的组织使用分析的可能性是其他组织的两倍，无论其目的是增长、效率还是竞争优势。

麻省理工学院斯隆管理评论进行的一项调查，i n 与IBM商业价值研究院在2011年的合作表明，希望通过使用分析来使自己与竞争对手区分开来的组织数量正在增加（基龙和肖克利，2011）。这说明了组织对商业智能与分析使用的战略重视。商业智能与分析的使用不仅具有战略性，而且正日益成为市场中保持竞争力的必要条件，而不再仅仅是一种可有可无的优势（达文波特，2013b；齐科普oulos、德鲁斯、帕拉苏拉曼、多伊奇、贾尔斯和科里根，2013）。佩蒂和范德梅伦（2013）指出，商业智能（BI）和分析举措仍然是首席信息官的首要任务列出的技术优先事项。如今，实施分析和大数据已成为企业十大优先事项之一。组织对商业智能与分析的战略性使用的重视程度仍然很高，大数据的影响力也持续增强分析正日益受到首席信息官的关注（卢夫特曼、扎德、德肯斯、 Santana、里戈尼和黄，2013）。

高管和组织决策者已经认识到基于数据的决策相较于基于直觉的决策的重要性，并逐渐希望以这种方式管理其组织（LaValle等，2011；McAfee & Brynjolfsson， 2012； Rouhani等，2016）。数据驱动的决策制定的益处包括提升生产力和市场价值，布林约尔弗森、希特和金（2011）的一项实证研究表明，采用数据驱动决策实践的组织生产率高出5‐6%。商业智能与分析的实践与工具被视为实现数据驱动决策制定的关键推动因素，为希望做出更优事实依据决策的组织提供了框架和支持（达文波特和戴谢，2013；肖洛和加利尔斯，2015；威克松和沃森，2010）

尽管成功的商业智能与分析实施的益处显而易见，但文献回顾表明，组织内部实际使用商业智能与分析的程度较低（ Malladi &Krishnan，2013年；肖洛和加利尔斯，2015；叶赫和波波维奇，2015）。虽然一些组织在其内部广泛使用商业智能与分析以支持基于事实的决策，但Malladi和Krishnan（ 2013年：2）指出：“目前尚不清楚在商业活动中广泛使用BI&A的企业之间存在哪些差异。” 尽管一些组织在商业智能与分析实施方面取得了成功，并能够展示出实际获得的益处，但其他组织却未能实现这些益处（拉马克里斯南、琼斯和西多罗娃， 2012；西多罗娃和托雷斯，2015；叶赫和波波维奇，2015）。

因此，有必要研究影响组织内商业智能与分析使用的因素。鉴于数据的重要性驱动决策制定以及商业智能与分析成功实施和使用以支持此类决策的价值主张，本研究旨在回答：哪些因素影响南非组织内商业智能与分析使用程度？

希望本研究提出的研究结果能够使商业智能与分析（BI &A）从业者受益，帮助他们更好地理解影响商业智能与分析使用的因素，同时也为学术界做出贡献，丰富信息系统（IS）和信息技术（IT）领域的现有知识体系。

文献综述 商业智能与分析（BI&A）

“商业智能”（Business Intelligence，BI）这一术语在1990年代得到广泛推广，可被视为“涵盖用于收集、分析和传播数据的各种流程和软件，旨在促进更优决策制定”的术语（达文波特，2006：8）。Wixom和 Watson（2010：13）指出，BI“是一个总括性术语，通常用来描述用于收集、存储、访问和分析数据的技术、应用程序和流程，以帮助用户做出更优决策”。商业分析 （BA）也可被视为BI的分析组成部分（Chen, Chiang & Storey, 2012）。文献中有时将BI与BA互换使用（达文波特，2006）。尽管数据挖掘被认为是BA的一部分，但该技术能够“从数据中自动提取模式、关联、变化、异常和重要结构”（博斯，2009：156），从而创建用于决策制定的预测模型。这一过程最近被称为预测性分析，利用算法和统计技术推断未来事件（博斯，2009）。

组织通过使用商业智能与分析所能获得的有形效益很难量化 （Watson & Wixom, 2007），而且所提供的许多效益是 “长期的、间接的且难以衡量”（Popovič, Hackney, Coelho & Jaklič, 2012: 729）。然而，文献中普遍指出，商业智能与分析的价值在于它使组织能够对数据有更好的可见性，从而改进决策过程，进而实现更好的数据驱动的决策制定（LaValle et al., 2011；McAfee & Brynjolfsson, 2012；Negash, 2004；Popovič et al., 2012；Seddon, Constantinidis & Dod, 2012；Watson & Wixom, 2007； Yeoh & Popovič, 2015）。尽管数据驱动决策制定的益处难以量化，但Brynjolfsson et al.（2011）的一项实证研究得出结论：采用数据驱动决策制定实践的组织其生产率高出5‐6%。

Watson和Wixom（2007）认为，某些商业智能效益比其他效益更容易衡量。在组织中，较易衡量的效益通常处于运营层面，而战略层面的效益由于范围更广，因此更难衡量。越来越多的组织意识到需要关注组织核心能力，而商业智能与分析组织能力正被视为推动因素竞争优势（Aulkemeier, Paramartha, Iacob & van Hillegersberg，2015；达文波特，2013a）。在提升商业智能与分析成熟度的过程中，组织意识到商业智能与分析实践、工具和技术能够为其带来相对于竞争对手的关键战略优势。更好地使用商业智能与分析是由保持竞争力的需求所推动的（博斯，2009；基龙和肖克利， 2011）。博斯（2009）认为，随着组织在其商业智能与分析使用方面不断演进和成熟，它们开始转向使用高级分析来支持决策制定，从而获得竞争优势。此外，达文波特（2006）指出，在竞争激烈的市场中，广泛使用分析能力的组织——被称为“分析型竞争者”——能够实现差异化，并在其相应的市场细分中处于领先地位。然而，目前在市场中达到能够使其脱颖而出的分析能力水平的组织仍属少数（达文波特，2006）。

组织内的商业智能与分析实施被认为困难且具有挑战性， 因为它们超越了简单的软件和硬件实施，在部署和运行方面更为复杂。商业智能与分析实施项目十分复杂，通常涉及漫长的集成过程。来自许多为数据仓库（DW）提供数据的底层源系统的数据集成在性质上可能多种多样，并包含不同格式的数据。数据可来源于内部事务数据库或外部数据，而成功完成这一复杂任务所需的努力往往被低估 （拉马穆尔西、森和辛哈，2008；叶和科罗尼奥斯， 2010）。

组织常常低估了将数据收集、清理并整理成可用格式所需的时间和精力。“数据问题通常是商业智能实施失败的主要原因，也是成本最高的因素”（蒙格里、鲁德拉和莫里恩，2013：3）。数据质量挑战被认为是商业智能与分析实施面临的最高技术挑战（马拉迪和克里希南， 2013）。重要的是，波波维奇等人（2012）发现，更高的信息内容质量会促进信息在业务流程中的更广泛使用。

商业智能与分析实施中可用数据的质量至关重要，因为低质量的数据会使商业智能与分析在组织内基本失效 （博斯，2009）。

成功使用商业智能与分析不仅涉及技术的实施和利用，以及解决商业智能与分析的数据质量问题和技术实施挑战（叶赫和波波维奇，2015）。此外，还存在组织和管理挑战（叶赫和波波维奇，2015）。在组织内需要以整体性和战略性的方式对待商业智能与分析，并需要高管和管理层的认可与支持（卢夫特曼、德克斯滕、德维德、 Santana、扎德和里戈尼，2015）。已有研究指出，商业智能与分析项目的成功需要高层管理和高管的参与与支持，且鼓励基于事实的决策文化的组织更有可能取得成功（Bijker 和 Hart，2013；卢夫特曼等，2015； Mungree等，2013；

商业智能与分析成熟度模型

成熟度模型旨在帮助组织理解、评估和衡量其在特定领域内的成熟度，并突出显示优势领域以及可以改进的方面（ Lahrmann, Marx, Winter & Wortmann, 2011年）。商业智能与分析（BI&A）成熟度的提升意味着相关技术使用程度的提高，个人和组织影响的增强，以及业务价值的提升，从而带来更高的投资回报（Hribar Rajterič, 2010； Lahrmann等，2011年）。成熟度模型用于评估企业所处的成熟阶段或水平，并为其指明通往下一阶段的发展路径。

Hribar Rajterič（2010）指出，为了更准确地了解组织的商业智能与分析成熟度，最好结合使用多种成熟度模型，因为每种模型各有不同的侧重点。目前存在多个商业智能与分析的成熟度模型，其中四个将在下文简要讨论：

数据仓库研究所（TDWI）的商业智能成熟度模型

埃克森（2007）概述了组织在商业智能与分析成熟度发展路径中经历的六个阶段，即从“孕育期和婴儿期”，经过“儿童期和青少年期”，最终达到“成年期和智者期”。埃克森（2007）描述了每个阶段的各种特征，反映了组织在基础设施架构、分析工具使用类型、高管对商业智能与分析的价值和使用的看法，以及组织内系统应用类型等方面的能力。该模型还体现了这样一个观点：随着组织在商业智能与分析能力上的成熟度提升，投资回报率（ROI）也随之增加（埃克森，2007）。

商业智能成熟度模型（LOBI）

Cates、Gill和Zeituny（2005）提出，成熟度应根据组织决策过程的有效性和效率进行评估，且组织在六级量表上进行评级。

高德纳的商业智能和绩效管理（PM）成熟度模型

高德纳的模型包含五个通用标签的成熟度级别，这些级别没有具体维度，而是通过文字描述（Hribar Rajterič, 2010）。该模型认为，当组织达到普遍成熟的水平时：整个组织内信息受到信任；商业智能与分析在组织内部被广泛使用，并且这种使用已扩展到外部业务合作伙伴；商业智能与分析在业务流程中得到广泛应用。该框架还提供了有用的组织可遵循的实用指南，以帮助其评估当前的成熟度水平，并为未来的改进制定规划（Hribar Rajterič, 2010）。

以影响为导向的商业智能成熟度模型

拉尔曼等人（2011年）指出，商业智能成熟度模型中存在差距，且这些模型并非总是基于坚实的理论基础。因此，拉尔曼等人（2011年）开发了一种以影响为导向的商业智能成熟度模型；该模型根据商业智能与分析对整体组织成功的影响来评估成熟度，并主张商业智能与分析的成功部署和使用能够带来更好的决策，从而影响并促进组织绩效。重要的是，拉尔曼等人（2011年：7）得出结论：“我们通过实证得出，管理层和业务部门对商业智能的财务和总体支持对整体组织绩效具有积极影响”。

这些可能影响商业智能与分析使用程度的成熟度模型为本研究提供了若干考虑因素，如基础设施能力、管理支持以及其他组织和环境因素。

理论框架

一些理论框架，如创新扩散理论、信息系统成功模型以及技术‐组织‐环境框架，已被用于研究组织层面的信息技术采纳。这些框架——与所列的成熟度模型一样——通常用于概述并帮助识别重要的采纳因素。

创新扩散理论 ‐ 罗杰斯 (1995)

罗杰斯（1995）创新扩散理论是一个非特定领域的理论，但已被应用于信息系统领域以理解技术采纳（易、杰克逊、朴和普罗布斯特，2006）。

该理论将个体分为五种采用者类别：创新者、早期采用者、早期多数、晚期多数和落后者（罗杰斯，1995）。

创新采用率受五个因素影响：相对优势、兼容性、复杂性、可试验性和可观察性（罗杰斯，1995）。

个体在采纳过程中会经历五个决策步骤或阶段：认知、说服、决策、实施和确认（罗杰斯，1995）。

尽管上述观点涉及个体层面的创新过程，罗杰斯 (1995) 还提出了组织层面的创新扩散理论，该理论被认为是一个更为复杂的过程。在组织层面，“个人（领导者）特征、组织内部结构特征以及组织的外部特征”（橄榄拉和马丁斯，2011：111）等因素会影响组织的创新能力。

信息系统成功模型 ‐ DeLone 和 McLean (1992, 2003)

德隆和麦克林（1992）提出了一个模型，概述了影响信息系统成功的六个相互关联的维度：系统质量、信息质量、使用、用户满意度、个体影响和组织影响。该模型是基于对先前的研究文献的广泛回顾而制定和发展的 （德隆 & 麦克林，2003）。然而，根据反馈以及对该模型在一段时间内应用情况的回顾，该模型于2003年进行了更新。该模型展示了各因素之间的相关关系。例如，“信息质量”可能对“使用意图”和“用户满意度”产生正面或负面的影响。

德隆和麦克林（1992，2003）的信息系统成功模型在信息系统研究中被广泛使用，是理解信息系统采纳与成功最常被使用和引用的框架之一（Popovič 等，2012； Wieder & Ossimitz，2013年）。

技术‐组织‐环境框架 ‐ 托纳茨基和弗莱舍 (1990)

在技术‐组织‐环境（TOE）框架中，托纳茨基和弗莱舍 （1990）提出，存在影响组织对创新或技术采纳的技术 （现有和新技术）、组织（组织规模、范围、管理结构） 以及环境（行业竞争对手、行业规模、监管环境）三类因素（朱、克雷默和许，2006）。TOE框架是一个相对广泛的框架，可根据信息系统内特定领域的具体情况加以调整。例如，该框架已被用于实证研究，以理解企业资源规划、电子商务、信息与通信技术和电子数据交换等领域的技术采纳问题（娄、陈和吴，2011；马斯雷克、贾马鲁丁和哈希姆，2009；橄榄拉和马丁斯，2011；朱等人，2006年）。此外，TOE也已被用于先前的研究中，以理解商业智能领域特有的采纳因素（Bijker 和 Hart，2013；马拉迪和克里希南，2013）。

此外，TOE框架具有坚实的理论基础，文献表明其在实证研究中被广泛使用（Low等，2011年）。TOE框架还与罗杰斯 (1995) 创新扩散理论保持一致，通过增加环境方面扩展了该理论，可被视为更全面（Low等，2011年； 橄榄拉和马丁斯，2011年）。因此，TOE框架被认为适合本研究，原因有二：第一，TOE框架已在先前的实证研究中用于理解商业智能与分析使用程度、采用情况及普及性（Bijker 和 Hart，2013；马拉迪和克里希南，2013）；第二，TOE框架易于调整，以包含技术、组织和环境三个背景中的适当因素。

考虑到上述商业智能与分析专用成熟度模型以及TOE框架，某些特定因素现呈现并讨论位于TOE框架内的商业智能与分析使用程度：

技术背景

数据相关基础设施能力

拥有强大支持性数据相关基础设施的组织更有利于广泛使用商业智能与分析（朱等人，2006年）。黄、刘和张（2012 年）提出，要有效使用数据挖掘工具（DMTs），必须建立一个稳固的数据基础设施平台，因为这是成功进行数据挖掘的重要因素，而数据仓库是商业智能与分析使用的关键推动因素。拉尔曼等人（2011年）在回顾现有的商业智能成熟度模型时指出，其中许多模型都将数据基础设施能力视为成熟度的一个要素。支持性的商业智能与分析数据基础设施需要底层数据集成，这可以被视为一项复杂的任务，而更强的数据基础设施能力反映了组织使用商业智能与分析的准备程度和能力（埃尔巴希尔、科利尔和萨顿，2011年）。因此，研究者提出以下假设：

假设1：数据相关基础设施能力将对商业智能与分析使用程度产生积极影响。

数据管理挑战

商业智能与分析使用程度面临的挑战之一是数据管理。在商业智能与分析领域中，数据的可靠、完整、及时、一致和准确是数据使用与消费的基础（Mungree 等，2013； Ramamurthy 等，2008；叶和科罗尼奥斯，2010）。“⋯⋯研究结果表明，数据质量，特别是源系统中的数据质量，对于商业智能系统的成功实施至关重要”（叶和科罗尼奥斯， 2010：28）。缺乏这些要素将阻碍并限制商业智能与分析的使用，因为用户和决策者都会对数据失去信任（权、李和申， 2014年）。然而，确保数据质量是一项复杂的任务，需要持续不断的努力（叶和科罗尼奥斯，2010）。因此，研究者提出以下假设：

假设2：数据质量和数据管理挑战将对商业智能与分析使用程度产生负面影响。

组织背景

高层管理支持

高层管理支持在商业智能与分析（BI&A）的关键成功因素（CSF）中排名很高（Bijker 和 Hart，2013；Dawson 和 van Belle， 2013；Watson & Wixom, 2007）。然而，尽管高层管理支持对成功的商业智能与分析采用至关重要，拉瓦勒等人（2011年）认为，它同时也是商业智能与分析使用的主要障碍之一。组织的高层管理需要战略性地推动商业智能与分析的使用，以获得最大益处（ Watson & Wixom, 2007）。此外，商业智能与分析必须由组织内的最高层级来推动，若未能做到这一点，将导致商业智能与分析举措无法发挥全部潜力（LaValle 等，2011）。高层管理支持通过管理变革流程、获取必要资源以及促进业务部门之间的协作来推动商业智能与分析使用（ Mungree et al., 2013年； Luftman et al., 2015）。因此，研究者提出以下假设：

假设H3：增强的高层管理支持将对BI&A使用程度产生积极影响。

人才管理挑战

为了有效实施商业智能与分析，业务知识以及技术专长相的结合被认为是重要的（叶和科罗尼奥斯，2010）。然而，具备所需技能的专业人员，特别是能够从大规模非结构化数据中提取价值所需的分析能力的人才，十分稀缺（Davenport 和 Patil，2012；麦克奥菲和布林约尔松，2012）。因此，研究者提出以下假设：

假设H4：人才管理挑战将对BI&A使用程度产生负面影响。

环境背景

外部市场影响

面临竞争压力的组织可能会以不同的方式战略性地做出回应。例如，组织可以通过推出新产品或服务或扩展运营，以在市场中实现差异化或获得市场份额。然而，组织也可以将数据仓库和商业智能与分析部署等技术作为战略举措，以应对竞争对手（拉马克里斯南等，2012）。马斯雷克等人（2009）提出，面临竞争压力和环境不确定性的组织会“加强感知与搜索”活动，以更好地了解自身的内部活动以及市场中的动态。感知与搜索活动可能会得到帮助通过战略性使用商业智能与分析。Malladi 和 Krishnan（2013）指出，在竞争性环境中运营的组织具有更高的信息技术（IT）使用水平，而达文波特（2006）认为，组织可以利用商业智能与分析来区别于竞争对手。来自竞争者和外部环境的压力可能是商业智能与分析使用程度的驱动因素。因此，研究者提出以下假设：

假设H5：外部市场因素和竞争强度对BI&A使用程度产生积极影响。

监管合规

监管合规要求对组织提出了强制性规定，要求其向市场报告准确信息（拉马克里斯南等，2012）。例如，在美国，萨班斯‐奥克斯利法案（SOX）要求组织满足特定的财务报告要求（拉马克里斯南等，2012）。然而在南非，尽管并非法律要求，《国王三号报告》为组织规定了综合报告要求（所罗门和马鲁恩，2012）。在此背景下，商业智能与分析的价值在于，它可以提供一个更准确、高效的报告平台，减轻组织满足监管报告要求所需的努力（奥顿，2014；拉马克里斯南等，2012；所罗门和马鲁恩，2012）。因此，研究者提出以下假设：

假设H6：更高的监管合规压力将对BI&A使用程度产生积极影响。

研究模型

在TOE框架的基础上，概念模型（图1）和研究假设（表 1）展示了本研究在TOE框架的技术、组织和环境背景中所考虑的因素。

TOE情境	编假号设	假设内容	参考文献
技术	H1	数据相关基础设施能力将 对BI&A使用程度产生积极影响	（黄等人，2012；Lahrmann 等人，2011年；马拉迪和克里希南，2013；朱等人，2006年
技术	H2	数据质量与数据管理挑战 将对商业智能与分析使用程度产生负面影响。	（Mungree 等，2013；Ramamurthy 等，2008；叶和科罗尼奥斯，2010
组织	H3	增加高层管理支持将 对BI&A使用程度产生积极影响。	（Bijker 和 Hart，2013；Dawson 和 van Belle， 2013; LaValle 等，2011; Mungree 等，2013年；Watson & Wixom, 2007
组织	H4	人才管理挑战将对商业智能与分析使用程度产生负面影响。	(达文波特和帕蒂尔，D.J.，2012；麦克奥菲和布林约尔松，2012；叶和科罗尼奥斯，2010)
环境	H5	外部市场因素和竞争强度对商业智能与分析使用有正向影响程度	（达文波特，2006；Malladi & Krishnan，2013年)
环境	H6	更高的监管合规压力将对商业智能与分析使用程度产生积极影响	（奥顿，2014；拉马克里斯南等，2012）所罗门和马鲁恩，2012

研究方法与数据分析

本研究的目的是从外部视角独立且客观地观察影响南非组织中商业智能与分析使用程度的因素。实证主义哲学与基于科学的观察原则相关联，可用于检验这些因素 （桑德斯、刘易斯和索恩希尔，2009）。研究人员采用了一个现有的技术采纳框架来构建和制定研究内容。因此，该研究方法为演绎法，因为本研究将收集的数据与理论框架进行了检验（桑德斯等，2009）。

采用定量方法，因为它适用于检验本研究设计中提出的假设内容。Malladi 和 Krishnan（2013）此前曾使用过组织背景下关于商业智能与分析使用的定量研究。尽管本研究为定量方法，但调查问卷中包含了两个开放式问题，使参与者能够对其回答进行补充说明，从而增强研究的严谨性，并有助于更深入地洞察、理解和解释可能影响商业智能与分析使用程度的因素。

样本候选人选自已在南非主要大都市地区使用某种形式商业智能与分析的组织。在这些组织中，目标人群为负责商业智能与分析解决方案或参与商业智能与分析实施与支持的相关人员，包括首席信息官、IT和BI经理、高层决策者、业务分析师以及系统架构师。这些受访者的背景被认为最适合回答有关商业智能与分析使用程度的问题，因为他们最有可能了解其组织的商业智能与分析使用情况及实施情况。潜在候选人通过电子邮件联系，并被邀请自愿参与本研究，最终有效样本量为72。

在72份有效回复中，45人被归类为经理，14人为高管，13人为专家/专业人员。样本中IT经理（26人）、BI经理（10人）和高级职员（14人）占比较高，合计占69%受访者总数中，仅有8名受访者来自员工少于200人的组织，其余均来自大型或超大型组织。受访者的行业领域显示，很大比例（44%）来自制造业或金融和保险业领域。

受访者被要求选择其所在组织中正在使用商业智能与分析的商业活动。选择最多的活动是财务分析（58项）、业务活动监控（44项）、预测（43项）和销售跟踪（41 项），而较少组织将商业智能与分析用于公司治理（15 项）、产品营销（12项）和防欺诈活动（10项）。受访者提到的其他一些商业活动包括物流/商品规划、客户价值管理、人力资源和信用管理。

研究结果

根据相关性分析和多元回归分析的结果，假设检验的结果在表2中进行了概述和总结。接下来将对这些结果进行详细讨论。

数据相关基础设施能力

多元回归分析的结果表明，假设1得到支持。由于p值（ 0.00531）小于0.05，有足够的证据拒绝零假设，因此可以推断数据相关基础设施能力确实对商业智能与分析使用程度具有正面影响。用于集成、清洗和转换数据以供商业智能与分析使用的数据仓库等数据相关基础设施能力被视为实现商业智能与分析使用的基础（Watson & Wixom, 2007）。它们为商业智能与分析的使用提供了平台，作为强有力的基层，支持商业智能与分析举措的建立并可被商业智能与分析所利用。如果没有这些能力，组织将无法有效利用商业智能与分析。当然，拥有更多数据相关基础设施能力的组织表现出更高的商业智能与分析使用程度。

Azvine、Cui 和 Nauck（2005）强调，必须具备支持性的数据集成层，以实现有效的商业智能与分析使用，并强调将来自各种操作系统的数据输入到数据仓库的重要性。只有在具备必要的数据相关基础设施能力时，才能实现这一点。此外，组织在处理和加工结构化数据方面的能力强于非结构化数据，76%的受访者表示他们拥有本地部署的数据仓库，仅有四位受访者表示正在使用Hadoop或其他非关系型（NoSQL）平台。由此可以推断，很少有组织正在开展大数据计划。

数据管理挑战

回归分析中假设2的p值为0.35218，大于0.05，意味着没有足够的证据拒绝零假设。因此，假设2未得到支持，数据管理挑战对商业智能与分析使用程度没有显著影响。这一结果与Malladi 和 Krishnan（2013）的研究结果相矛盾，后者发现数据管理挑战既显著又与商业智能与分析使用程度呈负相关。

数据管理挑战的一个有趣发现是，它与商业智能与分析使用程度呈显著的正相关关系。斯皮尔曼等级相关系数为0.275，在p < 0.05水平上具有显著性。与此发现相反，研究者原本假设存在负相关，认为与数据管理相关的挑战实际上会阻碍或对商业智能与分析使用程度产生负面影响。然而，实际的相关性却被证明是正向的。此外，相关性并不意味着因果关系，而仅仅是一种关联。数据管理挑战与商业智能与分析使用程度之间的正向且显著的相关性，仅表明组织在越多地使用商业智能与分析时，遇到的数据管理挑战也越多。

此外，通过对开放式问题的分析发现了一个有趣的观察：受访者经常指出数据管理因素对商业智能与分析使用程度起到促进或阻碍作用，其中一位受访者表示：“在某些情况下，源系统的数据质量不是问题（促进）；而在其他情况下，这是一个大问题（阻碍）。” 数据管理因素也是受访者提及最多的促进和阻碍商业智能与分析广泛使用的因素，分别有17名和18名受访者提到。一名受访者表示，它通过“为用户提供高质量或可靠的信息，使用户信任系统，并拥有单一真实版本”来促进商业智能与分析使用程度。另一名受访者则表示，“由于数据质量问题导致大量手动数据准备”会阻碍商业智能与分析的使用。

因此可以推断，组织经常面临数据管理挑战，尤其认为可用数据的质量对其商业智能与分析工作至关重要。这一发现与其他关于商业智能与分析领域关键成功因素的研究结果一致，如Wixom和Watson（2001）、Wieder和Ossimitz（ 2013）、Olbrich、Poppelbuß和Niehaves（2012）以及 Dawson和van Belle（2013）的研究，这些研究也指出了数据质量对商业智能与分析的重要性和影响。

假设 自变量	因变量	Beta 值 β	p值 (p < 0.05)	指标
H1	数据相关基础设施能力(DIC)	商业智能与分析使用程度(BIAUE)	.350	.005311
H2	数据管理挑战(DMC)	商业智能与分析使用程度(BIAUE)	.038	.352183
H3	高层管理支持(TMS)	商业智能与分析使用程度(BIAUE)	.799	.001416
H4	人才管理挑战(TMC)	商业智能与分析使用程度(BIAUE)	.241	.443733
H5	外部市场影响(EMI)	商业智能与分析使用程度(BIAUE)	.223	.030829
H6	监管合规(RC)	商业智能与分析使用程度(BIAUE)	.278	.196057

高层管理支持

在回归分析中，高层管理支持对商业智能与分析使用程度的影响最为显著。由于假设H3的p值为0.001416，小于0.05，因此假设内容成立，可以推断高层管理支持确实对商业智能与分析使用程度具有正面影响。

与这一发现一致，在有关商业智能与分析使用的文献中，普遍提及高层管理对商业智能与分析的支持及其对商业智能与分析使用和后续成功的影响。在Bijker和Hart（2013）、 Watson和Wixom（2007）以及Dawson和van Belle（2013）的先前研究中，高层管理支持被列为商业智能与分析的关键成功因素之一，排名较高。高层管理可以协助提供必要的资源，无论是财务还是人力，以解决与商业智能与分析实施相关的组织问题，并且还能够为商业智能与分析在组织内的使用提供所需的优先排序、支持和背书（Mungree 等，2013）。

然而，高层管理需要了解商业智能与分析所提供的价值，否则他们可能缺乏支持。当高层管理了解到商业智能与分析所提供的价值和益处时，他们更有可能支持其使用。正如一位受访者所说：一个关键因素是高级管理层和高管需要了解商业智能平台能够为业务带来的潜在效益。商业智能旨在为关键的战略和战术资源提供触手可及的信息，以有效管理组织。如果没有这种认知，高管的支持将不足，商业智能平台的实施也将在优先事项列表中被降级。

此外，从这一发现中可以推断出，高层管理支持的缺失会阻碍并可能成为商业智能与分析使用程度的障碍。高层管理被提及七次作为阻碍因素，其中一位受访者表示：“缺乏高管对商业智能与分析价值的充分理解，以及在开发和利用过程中的投入。”

人才管理挑战

假设H4的回归分析得出的p值为0.443733（即大于 0.05）。因此，可以得出结论：不应拒绝假设H4的零假设，即人才管理挑战对商业智能与分析使用程度没有影响。

尽管人才管理因素未被发现对商业智能与分析使用程度具有统计学上的影响，但关于数据以及对开放式问题的回答，仍可得出一些有趣的观察结果。受访者被要求从以下四个与人才管理相关的挑战中选择他们认为阻碍商业智能与分析使用程度的因素：招聘商业智能/分析人才成本过高；内部员工培训耗时且成本高昂；难以找到具备技能的商业智能/分析资源；其他（请具体说明）。在72名受访者中，72%表示寻找具备商业智能与分析技能的资源是一个挑战，而47%的受访者还表示商业智能与分析人才雇佣成本过高，其中一名受访者提到“不愿意为此付费”，另一名受访者提到“人员编制限制”作为原因。此外，在开放式问题中，“技能与资源”被提及18次，是阻碍商业智能与分析使用程度的最常见因素，同时也被提及6次作为促进因素。

对这些信息的分析表明，尽管与人才管理相关的问题在统计上并未影响商业智能与分析使用程度，但组织仍然面临这些问题。研究结果显示，南非市场可能存在熟练的商业智能与分析资源短缺的情况，72%的受访者表示寻找熟练的商业智能与分析资源是一个挑战。不仅这类资源稀缺，而且一半的受访者（47%）认为他们无法负担这些资源，雇佣成本过高。受访者还指出，如果缺乏相应的技能，商业智能与分析使用将会受到限制。一位受访者提到：“实施此类项目时面临的挑战在于熟练资源的可获得性。”

外部市场影响

外部市场影响对商业智能与分析使用程度具有正向作用，假设H5得到支持，回归分析得出的p值为0.030829。因此，由于p值小于0.05，外部市场影响确实对商业智能与分析使用程度具有正向且显著的影响。

对数据的分析表明，大多数组织强烈认同其所在行业具有高度竞争性。正如马斯雷克等人（2009）所指出的，处于竞争性环境中的组织更有可能战略性地采用和利用信息系统（IS）。尽管这一点并非专属于商业智能与分析领域，但达文波特（2006）列举了众多组织战略性地使用商业智能与分析以领先竞争对手的实例。要实现商业智能与分析的战略性应用，关键在于组织认识到其数据资产具有巨大价值，而商业智能与分析正是组织实现这一价值的途径（达文波特，2006）。组织所处的环境对其保持竞争力施加了压力，因此可以推断，组织可能将商业智能与分析视为一种竞争优势来源。

此外，认为商业智能与分析可用于获得竞争优势的观点正在上升，表明越来越多的组织认识到商业智能与分析所能带来的益处（基龙和肖克利，2011）。此外，组织表示行业竞争压力可能是商业智能与分析使用程度的重要驱动因素。由于大多数组织都认为商业智能与分析是获得对竞争对手竞争优势的关键，因此也可以推断出类似的结论。然而，仅有三位受访者提到竞争强度有助于广泛使用商业智能与分析。

监管合规

假设H6的回归分析得到的p值为0.196057，因此接受零假设，不支持假设H6。可以推断，监管合规不会影响商业智能与分析使用程度。

众所周知，由于南非在政治、社会和环境挑战方面的历史背景，其在推动公司治理改革方面处于领先地位（所罗门和马鲁恩，2012）。约翰内斯堡证券交易所（JSE）于2010年成为首个通过要求上市公司遵守《金伯利III号报告准则》来强制实施综合报告要求（将可持续性和财务信息整合于一份报告中）的证券交易所。然而，综合报告并非法律强制要求。尽管如此，《国王三世行为准则》的部分内容已纳入《2008年公司法》（所罗门和马鲁恩，2012）。因此，人们认为，为满足这些报告要求而使用商业智能与分析，使得遵守监管要求的压力对商业智能与分析使用程度产生积极影响。

然而，这一结果并未通过本研究数据的回归分析得到证实。可以认为，尽管组织可能面临监管合规要求的压力，但这些压力未必通过使用商业智能与分析来解决。这些报告要求可能超出了商业智能与分析的范畴，而属于组织的财务和审计实践的一部分。然而，本研究并未探讨这一推测。此外，监管报告要求针对的是特定的报告需求，而商业智能与分析使用的范围更广，涵盖其他主题领域和商业活动。没有任何受访者提到监管要求是影响商业智能与分析使用程度的因素，无论是促进还是阻碍作用。

结论

本研究在南非背景下，探讨了某些因素如何影响商业智能与分析的实际使用程度。研究考虑了以往研究中证明在TOE框架的技术、组织和环境背景中具有影响力的各个因素。

与基于直觉或凭感觉的决策相比，通过有效使用商业智能与分析来支持数据驱动的决策制定，已被证明是组织之间的差异化因素。以往研究表明，采用基于事实的决策制定的组织表现出更高的生产力和盈利能力（ Brynjolfsson 等，2011；LaValle 等，2011）。

研究发现，数据相关基础设施能力对商业智能与分析使用程度具有显著影响。作为有效使用商业智能与分析的关键推动因素和基础层，拥有强大数据相关基础设施的组织更有能力充分利用商业智能与分析的益处。希望进一步提升商业智能与分析使用的组织，可考虑评估其当前的数据相关基础设施能力，并探讨是否值得改进、加强或扩展这些能力。

广泛使用商业智能与分析的一个必要条件是高层管理支持。高层管理可以通过以下措施在其组织内推动商业智能与分析的使用：提供所需的资金或人力等资源；积极宣传、支持并促进其使用；以及管理变革并消除与其使用相关的组织障碍。建议各组织应自上而下地推动商业智能与分析的使用。同时，高层管理必须了解并认识通过商业智能与分析使用所能获得的价值和益处。正如克拉克、琼斯和阿姆斯特朗（2007: 589）所指出的：“管理者对系统的承诺最直接地受到其对该系统使用所带来的益处认知的影响。”

外部市场影响通过向组织施加压力以获取竞争优势，从而推动商业智能与分析使用的增加。组织将有效利用商业智能与分析视为一种能够推动组织的性能，并可用于利用其丰富的数据资产来超越行业竞争对手。因此，战略性使用商业智能与分析可能为组织带来优势。

尽管数据管理挑战因素对商业智能与分析使用程度的影响在统计上不显著，但数据质量仍然至关重要。应大力鼓励组织努力为商业智能与分析提供高质量的数据。与人才管理相关的挑战对商业智能与分析使用程度的影响也不显著。然而，建议各组织对用户进行商业智能与分析使用及其益处方面的培训和教育，特别是在南非很难找到熟练的商业智能与分析资源。

本研究还发现，TOE框架中T（数据相关基础设施能力）、 O（高层管理支持）和E（外部市场影响）三个情境各自的其中一个因素具有显著性，表明该框架适用于深入了解组织层面的商业智能与分析使用情况。因此，在最初假设的六个因素中，仅有三个因素对商业智能与分析使用程度具有显著影响。

本研究提出的研究结果为商业智能与分析从业者和研究人员提供了关于影响商业智能与分析使用程度因素的一些新视角。特别鼓励希望通过提高商业智能与分析使用来促进基于事实的决策的组织考虑数据相关基础设施能力、高层管理支持和外部市场影响，预计这将进而提升组织绩效。