《现代财经-早读早分享》2025年元月2日周四（第3233期）

今天是2025年元月2日，星期四，农历腊月初三，美好的一天从阅读《现代财经-早读早分享》开始！

以下内容是由《现代财经》编辑部根据国内外财经类门户网站相关资讯编辑整理而成（总第3233期）。原创不易，敬请尊重。谢谢鼓励。

  一、早读分享   

两业”融合背景下大数据何以驱动产品与服务质量双提升：海尔案例

  导读  

一、引言与文献综述

2023年,国家数据局等17部门联合印发的《“数据要素×”三年行动计划(2024—2026年)》(下文简称“行动计划”)指出,要充分激活数据潜能,促进数据多场景应用、多主体复用,培育基于数据要素的新产品和新服务,实现知识扩散、价值倍增。随着数字技术被广泛应用于各类场景中,智能移动终端、在线社群、数字工厂等生产消费端产生的高维多频、非结构化、实时反馈、高速海量数据正日益成为重要的现实生产要素,加之5G通信、工业操作系统等数字基础设施不断完善,数据作为现实生产要素逐渐参与到企业价值创造过程中(史丹、孙光林,2022; Wei 等,2024),并成为竞争优势的重要来源。企业的核心目标是通过为消费者提供产品与服务创造价值,因此作为最终产出的两种基本形态,产品与服务是企业竞争优势的载体。能否为消费者提供高质量的、差异化的产品与服务,是提升消费者黏性和产品忠诚度、扩大市场占有率的关键。数字经济时代,数据作为新型生产要素不仅加速了先进制造业与现代服务业的融合(下文简称“两业”融合),而且在微观层面影响了企业的生产组织流程和管理决策范式(George 等,2014; 邢新朋等,2023),并提升了产品与服务的质量。本文的研究问题是:在“两业”融合持续深化的背景下,企业如何借由大数据实现产品与服务质量的提升?其内在机理是什么?厘清这一问题,不仅可以丰富相关理论的作用边界、拓展其应用情景,而且有助于理解大数据驱动产品与服务质量提升的内在机理,同时对我国企业实现高质量发展具有一定的现实指导意义。

对于如何激发并发挥数据要素的价值,学术界已经展开了广泛且深入的讨论,相关研究集中在以下两个方面:(1)大数据与数据驱动型生产方式。第一,大数据的概念与特征。Sagiroglu和Sinanc(2013)较早提出了大数据(Big Data)的概念,指出大数据是由在线交易、视频媒体、图片、搜索请求等人类行为产生的大规模多源异构数据集(Bihl等,2016; Jensen等,2023)。从这一定义来看,大数据本质上是对物理世界状态的真实反映,物理空间状态和人类行为可以通过0-1二进制的形式被数据化,并被存储到云端(洪永淼、汪寿阳,2021)。从资源基础观的角度来看,大数据是一种具有潜在价值的异质性资源(Wang等,2024)。部分学者从能力观的视角界定了大数据的概念,认为大数据是一种能力,体量巨大、具有复杂结构的数据集合难以通过传统的数据处理方式进行存储、传输、分析和可视化,需要具备相应的大数据能力才能将其转化为有用的信息和知识(Das等,2013; Xie等,2023)。大数据具有Volume(数据量大)、Velocity(数据处理速度快)、Variety(数据多样性)和Value(数据价值)等特征(Chen等,2014; Nani等,2023)。徐宗本等(2014)指出,数据的无边界分布、动态演变、多模态复杂关联和网络化传播是大数据的基本特征。陈国青等(2018)认为,大数据驱动了企业管理决策范式转变,粒度缩放、跨界关联和全局视图是大数据问题的基本特征。第二,数据驱动型生产方式。数据驱动型生产方式的核心在于数据与传统生产要素相结合,参与企业生产管理,实现向信息和知识的价值转化(Wang等,2016; Jones和Tonetti,2020;谢康等,2020)。然而,纯粹的数据本身是低价值密度的,洞察和挖掘数据背后所隐含的因果逻辑关系才能激活数据价值。Tao等(2018)分析了大数据与制造业之间的关系,指出大数据是一种资源禀赋,企业通过数据收集、存储、处理、可视化与应用,形成了智能制造能力,从而实现价值创造。孙新波等(2020)指出,数据驱动型生产方式的核心在于通过提升企业的连接能力、数据分析能力和信息运用能力促进企业的价值共创。蔡继明等(2022)在广义价值论的均衡分析框架下分析了数据参与价值创造的途径,指出数据的初始存量、前期收集处理数据所投入的劳动、当期在收集处理数据所投入的劳动以及数据要素的正外部性,是数据要素推动企业综合生产力提升的主要途径。(2)数据要素与企业竞争优势。陈国青等(2020)指出,大数据颠覆了企业的传统生产组织方式,不仅催生了基于大数据的决策范式,而且激发了企业在行为洞察、风险预见和业务模式等方面的创新。Nobanee(2020)认为,以数据要素为核心的生产组织方式可以帮助企业在动态竞争环境中获取竞争优势。部分学者基于资源基础观和动态能力理论讨论了数据要素与企业竞争优势之间的关系(Dubey等,2019; Shan等,2019)。数据要素的可供性、可延展性和边际复制成本为零等特征,使其成为战略要素市场上的非交易性资源和企业的操作性资源,从而构成企业的核心竞争能力(Madhavaram和Hunt,2008)。由于单纯的数据要素并不具备价值,企业必须具有将数据转化为知识和价值的能力。其中,机会感知能力(焦豪等,2021)、大数据能力(马鸿佳等,2023)、资源整合能力(周翔等,2023)、组织重构与组织惯例更新能力(马鸿佳、王亚婧,2024)等动态能力,是数据要素赋能企业在复杂动荡环境中获取竞争优势的核心能力。

综上所述,现有研究讨论了大数据的概念特征以及数据要素与企业竞争优势之间的关系,为本研究提供了重要启发。然而学者更多的是将研究焦点聚焦在企业如何获取和利用大数据,侧重数据要素对企业资源基础和资源禀赋的修改、动态能力的建构以及组织惯例和流程的改变,侧重大数据对企业运营的影响,忽视了大数据对企业最终产出——产品与服务的影响。产品和服务作为企业提升市场占有率、获取竞争优势的基本载体,其质量的动态变化与大数据密切相关。因此,探讨大数据如何影响产品与服务的质量显得尤为重要。基于此,本研究尝试从企业运营管理的微观视角,探究大数据驱动企业产品与服务质量提升的内在机理。

本文的边际贡献在于:第一,延展了“两业”融合的内涵,从微观层面解析了大数据推动产品与服务融合的机理。从产业结构变动的角度来看,“两业”融合推动了制造业与服务业之间边界的消融(田洪刚等,2023)。从企业层面来看,这实际上主要涉及制造业的服务化问题。在这一过程中,企业产品与服务的质量也在不断提升。本文进一步从企业战略导向、资源基础和能力建构等微观视角,探讨了大数据如何提升企业产品与服务质量,解析了其内在机理。第二,拓展了战略匹配理论的作用边界,丰富了理论的应用情景。战略匹配理论强调了企业所处外部环境的动态竞争性(Girod和Whittington,2017)。本文将大数据带来的外部环境的变动纳入分析范畴,认为在“两业”融合持续深化的背景下,企业所处的外部环境越来越具有模糊性,尤其是新技术的应用导致的不确定性影响了企业竞争优势(Teece,2017; Tao等,2018)。

二、理论分析

(一)战略匹配理论与动态竞争环境

战略匹配理论强调,在动态竞争环境中企业必须选择与自身资源与能力相匹配的战略,以应对外部动荡环境的变化对企业绩效造成的潜在威胁(Girod和Whittington,2017)。战略匹配理论认为,环境对组织战略的选择具有决定性作用,企业与环境的交互会形塑其战略导向,进而影响组织行为(Nicolini和Mengis,2024)。数字经济时代,以生成式人工智能、云计算、区块链、数字孪生等为代表的新一代信息通信技术深度嵌入到生产消费端,推动了产业边界消融、行业间泛在连接与企业生产可能性边界拓展。从技术创新视角来看,颠覆式创新不断催生出新产业、新业态、新模式,在改变市场竞争结构、颠覆传统产业发展形态的同时,也加剧了市场环境的动荡性。消费者需求的多样性、异质性也对企业传统管理决策范式、生产组织方式提出了新的挑战。“环境—战略—绩效”分析框架认为,为应对竞争环境动荡性、不确定性和模糊性对经营绩效带来的潜在威胁,企业必须采取适应性变革的方式主动应对外部环境的动态变化,制定与外部环境相匹配的组织战略,根据组织战略进行资源分配和能力建设,从而提升企业绩效(王新成等,2021)。

(二)“两业”融合、资源基础与企业动态能力

从产业结构的变动来看,数字技术的应用打破了传统产业边界、颠覆了分工与合作形态,推动了先进制造业与现代服务业的深度融合(田洪刚等,2023)。“两业”融合属于产业层面的概念范畴,企业构成产业的基础,产业层面的问题要落实到企业层面来回答。从微观层面来看,“两业”融合表现为制造业服务化或服务型制造。这意味着企业需要制定服务化战略,从产品主导逻辑向服务主导逻辑转变,将消费者纳入价值创造过程中,根据消费者提出的价值主张,提供个性化的产品与服务(武文珍、陈启杰,2012)。数字经济时代,制造业企业的服务化与数字化密切相关,服务化内涵于数字化过程中。能够为消费者提供差异化的服务是企业获取竞争优势的核心,这需要企业修改资源基础和动态能力。从资源基础来看,掌握消费者数据和生产数据,实现数据间协同分析,构成了数字经济时代企业的关键资源基础,甚至拥有更优的、更完善的算力和算法也成为企业获取竞争优势的核心资源。数字经济以互联网平台为核心,To C端的消费互联网平台和To B端的工业互联网平台,具有资源聚合和功能集成的属性。资源可以转化为能力,在制造业企业服务化转型过程中,以售后服务等为主要形态的服务模式,难以满足消费者多元化的需求。因此,企业需要借助数字技术实现对消费者需求的即时反馈、产品功能和形态的即时调整,这实际上是对组织以往惯例的颠覆。

(三)大数据驱动、生产组织方式和产品与服务质量提升

大数据驱动产品与服务质量提升,其核心在于通过对数据的收集、存储、整合与分析,发现和洞察数据背后隐含的因果逻辑关系,推动数据要素嵌入到企业决策与生产过程中,从而激发数据要素价值(徐翔等,2023)。从企业运营管理的微观视角来看,大数据驱动产品与服务质量提升主要有两条途径,分别是决策范式改变和生产流程优化。

第一,决策范式改变。战略匹配理论强调了企业所处环境的复杂性和动态性,在动态变化情境下,权变理论进一步从管理者认知角度,分析了管理者与外部环境的互动如何影响组织战略,认为管理者对外部环境的认知会影响其决策,从而决定企业战略导向。以往依赖管理者主观经验和基于有限理性的决策方式,由于信息的不完备可能会造成决策偏误,影响产品与服务质量。大数据催生了基于数据的决策范式,企业可以基于大数据对上游供应商和下游消费者群体进行精准“画像”,根据消费者的数据痕迹进行动态定价,制定最优库存管理决策,甚至可以通过非对称价格策略和动态定价策略为消费者提供最优价格选择。生产所需原材料能够以最优价格和数量购入,从而降低交易成本和冗余库存。通过对消费者个性化、异质性需求进行精准刻画,甚至通过大数据创造需求,企业可以针对这些需求进行个性化定制。数据驱动的、基于服务主导逻辑的决策范式,不仅可以提升企业产品质量、提高库存周转率,而且以消费者价值主张作为决策信号,可以为用户提供高质量的服务。

第二,生产流程优化。大数据可以实现对生产过程的实时优化,通过摄像头、传感器、可穿戴设备等物理设施,将收集的大规模多模态数据进行协同分析,以可视化的方式对产品生产过程进行实时监测,在优化生产过程的同时,大幅提升产品的良品率。大数据的价值不仅在于对以往经验的回溯,更在于对未来的预测。IoT(Internet of Things,物联网)的应用拓展了数据的来源,万物互联增强了数据之间的协同性和泛在连接。通过分布式数据挖掘,大数据可以精准刻画消费者偏好、购买习惯和需求核心,通过云计算、边缘计算等算法对消费者数据进行深入挖掘,为消费者提供一体化解决方案。消费者参与价值创造过程的程度,在一定程度决定了企业所提供的产品与服务质量。消费者越深度参与价值创造过程,越有可能提出明确的价值主张,这些价值主张作为企业决策与生产的信号,可以通过数据分析处理变为现实生产要素嵌入到企业生产过程中,从而提升产品与服务质量。

三、研究设计

(一)研究方法

本研究聚焦于大数据驱动制造业企业实现产品与服务质量双提升的机理与路径研究,属于“How”的范畴。因此,适合通过案例研究方法回答其实现路径与机理(Yin,1989)。单案例研究可以通过理顺案例企业发展过程中出现的关键事件,通过对访谈资料和二手数据的归纳、总结,涌现出新的理论构念,形成对参照理论的补充和拓展。

(二)案例企业选择与发展阶段

案例选择需要满足理论抽样原则(Eisenhardt,1989)。同时,案例企业的选择需要具备典型性和启示性。(1)在典型性方面,海尔集团作为实体经济的代表,持续进行数字化和服务化转型,致力于为消费者提供一体化解决方案,相继打造了以三翼鸟等为代表的高端品牌,其产品与服务质量得到了消费者的广泛认可。(2)在启示性方面,海尔集团借助大数据的驱动效应推动产品与服务质量双提升的现实实践,不仅对于丰富和延展“两业”融合相关研究、丰富战略匹配理论和动态能力理论的应用边界具有理论意义,而且对于其他制造业企业实现产品与服务质量提升,具有重要的实践启示。

案例企业简介。海尔集团创立于1984年,迄今已有40余年的发展历史。海尔集团最早属于一家传统的白色家电制造商,在经过名牌战略阶段、多元化战略阶段、国际化战略阶段、全球化品牌战略阶段、网络化战略阶段和生态品牌战略等战略转型后,逐步成长为美好生活和数字化转型解决方案服务商。海尔集团旗下拥有海尔、卡萨帝等全球化高端品牌,打造了COSMOPlat工业互联网平台和大健康产业生态盈康一生。

互联网技术是数字技术的基础,数字经济的演变包含了从信息互联网到消费互联网,再到产业互联网的发展过程。结合前文理论分析,本文将大数据驱动海尔集团产品与服务质量双提升划分为三个阶段,分别是:(1) To C端的消费互联网阶段(2005-2012年)。此阶段,互联网技术倒逼海尔集团围绕商业模式变革进行了组织架构和价值创造模式的重塑,并影响了产品和服务质量。(2)生产数据化阶段(2012-2016年)。此阶段,服务要素开始嵌入到集团的产品生产过程中,通过应用数字技术,海尔集团在提升产品质量的同时,根据消费者需求进行个性化定制。(3)To B端的产业互联网阶段(2016年至今)。此阶段,工业互联网平台推动数据要素深度参与到集团的管理决策与生产流程中,产品与服务之间的界限开始消融,呈现为产品即服务、服务即产品的融合形态。

图1 海尔集团发展历程及关键事件

资料来源:作者根据资料整理绘制。

(三)数据收集与分析

本研究收据收集分为三个阶段。第一阶段,通过知网、万方获取学术研究文献,并联系企业管理人员获得内部会议、档案文件,从公开渠道整理集团高管团队的演讲与相关报道。同时,联系企业内部人员获取集团发展过程中的档案文件、会议纪要,作为研究的重要参考资料。第二阶段,采用电话访谈、焦点访谈等方式获取一手资料,对海尔集团的中层管理人员及基层员工进行深度访谈,初步厘清海尔集团发展历程中的关键事件。第三阶段,将研究问题进一步凝练聚焦,针对细化后的研究问题,对海尔集团部分部门负责人进行访谈。数据的编码过程聚焦在大数据驱动海尔集团实现产品-服务质量双提升的路径及机理过程(详见表1)。数据资料收集及编码方式详见表1。

表1 数据资料收集及编码方式

资料来源:作者整理。

表2 大数据驱动海尔集团产品与服务质量分离式双提升典型证据示例

续表2

资料来源:作者整理。

表3 大数据驱动海尔集团产品与服务质量嵌入式双提升典型证据示例

资料来源:作者整理。

表4 大数据驱动海尔集团产品与服务质量融合式双提升典型证据示例

续表4

资料来源:作者整理。

四、案例分析与研究发现

通过对案例企业访谈资料和二手资料的分析,并与相关理论进行对话,本研究认为,大数据驱动海尔集团产品与服务质量双提升分为三个阶段,分别是以“数据+商业模式”为核心的消费互联网阶段、以“数据+生产制造”为核心的生产数据化阶段、以“数据+生态赋能”为核心的产业互联网阶段。下文将从企业管理决策范式和生产流程两方面,具体分析大数据驱动企业产品与服务质量提升的内在机理。

(一)“数据+商业模式”:消费互联网阶段

第Ⅰ阶段为以“数据+商业模式”为核心的消费互联网阶段。在“两业”融合的早期阶段,信息化与工业化融合(“两化”融合)催生了面向消费(C)端的互联网平台,改变了消费者的购买习惯和行为偏好。消费者产生的消费数据被存储在互联网平台上,例如消费者对商品的评价可以影响产品销量,因此成为企业管理决策、产品生产和服务提供的重要决策依据。互联网技术使企业可以更便捷地收集、分析和利用消费者数据,从而有针对性地提升产品与服务质量。此阶段,张瑞敏主席基于互联网思维提出了“人单合一”商业模式,颠覆了集团以产品为导向的价值创造方式,将员工价值主张与消费者价值主张进行深度绑定,员工直接面对消费者,以消费者需求为核心进行产品生产、服务提供(S2),从而实现了向以用户为中心的商业模式转变。围绕互联网时代企业商业模式变革和主导逻辑变化,海尔集团将用户对产品功能、质量、售后维保、物流配送以及安装服务等评价所形成的数据,作为集团提升产品与服务质量的关键数据基础(FH2)。为应对互联网技术带来的市场环境的变化,以及对消费者需求进行敏捷响应,海尔集团对商业模式和组织架构进行了重塑、调整,形成了敏捷响应战略。为匹配敏捷响应战略,海尔集团将传统的金字塔式组织结构推倒、重塑,建立了“倒三角”式组织架构,从而将集团变革成为平台型企业(S1),从而使集团更加富有韧性。海尔集团内部成立了众多小微组织,通过内部创业机制鼓励员工进行创新创业,培养员工的企业家精神。由于小微组织以及其他创客具备强烈的创业属性,因此在资源有限的条件下,往往会在捕捉到市场需求时,采用手边资源和即兴行动完成资源的获取、整合和利用,这实际上是一种以点连式资源拼凑策略为核心的资源管理行为。通过点连式资源拼凑策略,资源被进一步转化为海尔集团的个性化定制能力,以消费者数据为核心,为用户提供高质量的、个性化的产品与服务。

管理决策与生产流程。在管理决策范式方面,由于管理者难以掌握决策所需要的所有信息,因此传统情境下的决策范式主要依赖管理者的主观经验。而互联网技术具有去中心化特征,消费互联网平台在一定程度上缓解了供需之间的信息不对称问题。集团可以利用互联网技术和消费互联网平台,收集和分析消费者对产品功能、质量与服务的反馈数据。此外,线上交易平台可以实时统计消费者对产品与服务的购买数量,从而发现哪一类产品和服务最受消费者喜爱。集团还可以通过线上调研及时获取消费者对产品与服务的使用体验和态度。通过对这些结构化和非结构化数据进行分析统计,可以在一定程度上刻画消费者的消费偏好,从而为集团改进和提升产品与服务质量提供重要的决策依据(S1)。在生产流程优化方面,互联网时代,消费者需求呈现出多元化、离散化等特点,传统工业化大生产难以满足消费者的个性化需求。海尔集团借助信息技术,对产品设计和生产体系进行了重塑,通过模块化生产的方式为消费者提供定制化的、高质量的产品。实际上,这与海尔集团“人单合一”商业模式的理念密不可分。在“人单合一”商业模式下,员工直面消费者获取用户数据,主动寻求并发现消费者价值主张,并在此基础上进行产品生产、服务提供。从供需视角来看,海尔集团借助互联网技术的赋能效应,通过收集、分析和利用消费者数据,整合了互联网时代个性化的消费者需求以及碎片化的营销服务,形成了以消费者数据为基础的“即需即供”模式。在服务主导逻辑下,集团改进了产品与服务的质量,获得了消费者认可。在这一过程中,消费者也从价值分配的被动接受者,成为企业价值创造过程中的主体之一。但需要注意的是,此阶段,产品与服务是两个独立的模块,因此两者质量的提升是非同步的。

(二)“数据+生产制造”:生产数据化阶段

第Ⅱ阶段为以“数据+生产制造”为核心的生产数据化阶段。这一阶段,实际上是数据反哺集团业务的阶段。此阶段,服务不再是与产品相分离的单独模块,服务要素开始向生产制造过程渗透,服务要素的投入对产出的边际贡献上升。在此背景下,海尔集团制定了智能化战略,通过将数据要素嵌入到管理决策和生产流程中,重塑了集团业务形态。大数据不仅改变了企业资源基础,也影响了企业资源获取、整合的方式。首先,用户的行为数据和生产过程产生的数据成为海尔集团产品与服务创新的核心资源之一。其次,通过吸纳外部资源建立生态资源网络,整合跨组织边界的大学、科研机构、创新平台等触点网络,实现对外部资源的整合和利用(S1)。本文将其归纳为海尔集团的汇面式资源编排管理行为。最后,海尔集团将生态网络资源转化为智能定制能力,通过柔性化制造实现产品与服务质量的嵌入式提升。

管理决策与生产流程。在大数据驱动作用下,管理决策不再依靠管理者的直觉和有限理性,算法和数据成为集团理性决策的基础,以生产过程和消费者产生的大规模多源异构数据为基础进行自决策、自优化(S2)。互联工厂的核心,在于实现消费者与工厂、工厂内部各个生产环节,以及信息之间的互联协同。海尔集团通过搭建用户交互定制平台和模块商资源平台,实现与消费者的持续动态交互,通过信息流动的闭环进行自决策,从而实现对消费者需求的即时响应(S1)。此时,数据收集和存储设施越来越完善,云计算、边缘计算等数据分析技术不断成熟,通过数据间的协同互联,可以实施动态最优定价,生产所需的原材料能够以最优价格和数量购入。这些决策不再依赖于集团管理者的主观经验,或者前期市场调研,而是以大规模多模态的数据为基础进行决策。在生产流程方面,通过对传统生产线进行数字化改造,实时收集生产过程中产生的数据,海尔集团互联工厂不仅实现了对生产过程的实时监测,而且实现了产品功能、形态和质量的即时调整。“信息技术、数字技术,包括未来的数字孪生,还有一些视觉检测技术,能替代人的一些劳动与决策,提升整个良品率”(FH1)。此外,工厂可以通过智能终端直连消费者,“用户基于自己的需求可以直接向工厂下单,释放他的需求。获取用户的需求之后,在产业链上的各个环节,针对用户的需求,把这个产品打造出来”(FH1)。这实际上是针对消费者异质性需求,以模块化生产方式为核心的大规模个性化定制。模块化是海尔集团大规模定制化生产得以实现的基础,包括产品的模块化、制造的模块化、采购的模块化等,其本质上是生产资源的集成和生产方式的延展。通过对生产过程和消费者数据的协同分析,可以在保证产品质量的同时,实现对消费者需求的无延迟响应。在此过程中,服务要素开始向生产制造过程渗透,服务与产品的耦合使“服务”不再是独立于产品之外的形态。向用户提供“产品+服务+知识”的融合包成为海尔集团产品服务质量嵌入式双提升的主要标志(FH1)。

(三)“数据+生态赋能”:产业互联网阶段

第Ⅲ阶段为以“数据+生态赋能”为核心的产业互联网阶段。此阶段,消费互联网与工业互联网成为数字经济的主要支撑,服务增值和数据驱动互为因果,产品与服务之间的边界不再“泾渭分明”,呈现出产品即服务和服务即产品的融合发展形态。数据要素与传统生产要素相结合,尤其是与劳动和技术要素的结合,在改变市场结构的同时,加速了制造业与服务业之间边界的融合。为应对外部环境不确定性带来的潜在风险,海尔集团制定了生态化战略,通过建立跨行业、跨领域的通用型工业互联网平台,打造了以用户需求为核心的产业生态圈,确立集团在产业生态圈中的核心资源生态位,吸纳不同参与者实现价值共创。不同行动者(Actor)之间拥有互补性资源,这些多元生态主体以卡奥斯工业互联网平台为载体,建立起非线性的泛在链接关系,从而实现多元行动者之间的价值共创和协同演化。工业互联网平台具有资源聚合和功能集成属性,因此需求方可以在卡奥斯平台上实现“动态寻优”资源配置。卡奥斯将独立开发者、供应商、消费者等整合、凝聚为多主体协同参与的生态系统,通过网络式资源协奏管理行为,实现了以互补依赖关系为基础的生态赋能能力。

管理决策与生产流程。从决策范式上来看,大模型与卷积神经网络等算法突破了信息不完备和有限理性可能带来的决策偏差,并将以往人工积累的经验通过大数据进行优化,使得以数据为基础的决策范式成为集团决策的基础。随着5G通信基础设施持续完善和数据存储能力不断提升,加之不断优化的算法、算力,生成式人工智能、数字孪生可以将现实物理世界通过数字化方式映射到云空间,管理者可以依据自迭代的场景进行决策。例如,海尔集团通过建立供应商大数据管理平台,对供应商进行精准“画像”,将供应商的原材料质量数据、成本指数、产品属性、可靠性、历史订单、风险数据、连接数据、供应商状态等关键信息整合到大数据管理平台,并与企业基础原料数据库中生产制造所需的原料成分、市场价格进行精准匹配,通过算法模型筛选出最优供应商和原材料配比方案,进而实现交易成本的最小化。从生产流程来看,卡奥斯工业互联网平台构成了海尔集团数字化转型的底层技术架构,其对海尔集团制造体系和服务体系的优化,提升了集团产品的质量,甚至整个智能制造体系都可以受益于卡奥斯工业互联网平台(FH1)。同时,卡奥斯的BaaS层可以结合行业和需求方的个性化需求,结合生成式人工智能、区块链、数字孪生等新一代信息通信技术,既为消费者提供高质量的有形物理产品,也为用户提供全生命周期的一体化解决方案(产品)。“COSMOPlat……还通过数字化手段开创了大规模定制模式:既面向用户,又面向企业。这种模式让生产线上的产品在生产之前就可以拥有姓名:用户可以通过系统定制自己需要的产品,而企业在生产过程中也能更加了解用户的真实需求”(S1)。在产业生态系统情境下,企业为消费者创造价值越来越依靠其所在的生态系统。卡奥斯平台上入驻了大量工业APP开发者,与卡奥斯形成了功能上的互补依赖关系。平台开发者可以调用BaaS层的工业基础知识进行软硬件的开发(FH1),从而互补者可以依赖卡奥斯平台实现价值共创,卡奥斯则将平台上的APP开发者视为生态合作伙伴,从而获取互补性资源以及平台功能的优化。作为交易平台,卡奥斯工业互联网平台形成了用户与资源、用户与企业、企业与资源的三个双边交易市场(S1)。

(四)进一步讨论

产品与服务是企业满足消费者需求、获取竞争优势的基本载体,也是组织战略的具体显现。产品与服务质量的提升是不同战略导向下企业技术创新的结果。大数据作为现实生产要素,其参与价值创造的路径也内含了企业产品与服务质量提升的基本逻辑。由于产业边界的消融、消费者需求的多样化和消费偏好的改变,原有的资源基础和组织能力难以使企业在高竞争环境中获取竞争优势。根据战略匹配理论,这需要企业借助互联网技术和数字技术等现代信息技术,制定相应的组织战略,修改资源基础、重构并配置内外部资源,建设新的组织能力,以感知威胁、抓住机会、重构组织内外部资源(Teece,2017; 李晓钟和李蓉,2023),提升产品与服务质量。互联网技术和数字技术推动了企业产品与服务质量的动态变化,其核心本质在于对海量数据背后所隐含洞见的挖掘,以及数字技术对复杂世界中现实问题所蕴含的因果性的探查(陈冬梅等,2020)。大数据参与企业价值创造、推动产品与服务质量提升的过程,也是数据被有效转化为信息和知识,并与土地、资本、劳动和技术等传统生产要素相结合,从而激活并发挥其价值的过程(Wang 等,2016)。大数据可以打破由于信息不完备、管理者有限理性和认知局限带来的决策偏差,且由于数据复制和使用的边际成本接近为零,因此可以突破传统生产要素的束缚和增长极限,打破传统生产模式下的规模报酬递减规律,从而为企业创造价值,带来竞争优势。

大数据驱动企业产品服务质量双提升,是一个动态变化的过程。在不同战略导向下,互联网技术和数字技术参与企业管理决策与生产过程,导致了企业资源基础的改变和动态能力的建构(Yeow 等,2018),最终提升了企业产品与服务的质量。本文的研究结论说明,大数据驱动企业产品服务质量双提升,经历了从“分离式双提升—嵌入式双提升—融合式双提升”的发展过程。在以“数据+商业模式”为核心的消费互联网阶段,产品与服务是两个相对独立的模块,两者之间的界限相对明确。在互联网技术的推动下,企业更加突出内部创业导向,在此情境下,通过对手边资源的利用和即兴行动形成个性化定制能力,优化消费者体验,在提升产品质量的同时,通过为消费者提供个性化的、精准的服务提升企业服务质量。在以“数据+生产制造”为核心的生产数据化阶段,产品与服务之间形成了松散耦合状态,两者之间的界限开始消融。服务要素开始向生产制造环节延伸、嵌入,为消费者提供的个性化服务体现在产品中。此阶段,物理设备和软件系统深度结合,使得数据要素参与到企业价值创造的过程中。由于消费者需求的多样化,企业必须通过模块化生产实现大规模个性化定制。在大数据驱动下,企业突破了内部创业情景,通过聚合内外部资源形成了汇面式资源编排行动策略,并将其转化为智能定制能力。由于消费者可以与企业实现动态实时交互,需求能够直达工厂,因此可以根据消费者的即时反馈实现对产品功能和形态的即时调整。在以“数据+生态赋能”为核心的产业互联网阶段,产品与服务相互融合,催生了服务即产品和产品即服务两种形态。以大数据为基础涌现出的数字平台生态系统,凸显了产业生态圈中多元参与主体价值共创的特征。工业互联网平台作为功能性平台,形成了跨越组织边界的资源池(Resource Pool),而其中拥有战略一致性和身份认同感的行动者之间更容易形成价值互补依赖关系(Ceccagnoli等,2012)。

图2 大数据驱动制造业企业产品与服务质量双提升理论模型

资料来源:作者整理。

五、结论与贡献

(一)研究结论

本研究以海尔集团作为案例企业,借助战略匹配理论以及组织资源基础和动态能力的演变,探讨了“两业”融合背景下,大数据推动企业产品与服务质量双提升的内在机理。本文的结论如下:

第一,制造业与服务业的融合,催生了一系列新产业、新业态、新模式。大数据作为现实生产要素可以驱动企业产品与服务质量的双提升,这个过程本质上是数字化的信息和知识转化为现实生产要素,并与技术和劳动等要素相结合,从而激活并发挥其价值的过程。通过强化算力和算法,将消费端和生产端产生的多源异构数据集有效转化为信息和知识,发现和挖掘数据背后隐含的因果逻辑关系,发挥大数据的乘数效应、倍增效应和叠加效应,是大数据参与企业价值创造、提升产品与服务质量的关键。

第二,数字技术催生了共享经济,这种新的经济形态以数据要素为核心,以消费互联网和工业互联网为支撑,驱动了企业产品与服务质量的双提升。产品与服务相分离的分离式双提升、服务要素嵌入产品的嵌入式双提升以及产品与服务要素融合的融合式双提升,是数据驱动企业产业与服务质量提升的主要形态。在不同的战略导向下,大数据通过修改企业的资源基础、激发动态能力建构,颠覆组织惯例、商业模式、决策方式、生产流程,从而在微观层面提升企业产品与服务质量。

第三,大数据可以修改企业的资源基础,不同的资源基础会转变企业相应的组织能力。在向平台型企业的转型过程中,由于组织内部创业导向情景更加突出,更加强调对手边资源的利用和即兴行动,通过点连式资源拼凑管理行为建立组织的个性化定制能力。在智能制造阶段,大数据通过优化改变资源聚合和信息互联的方式,驱动企业建立起汇面式资源编排管理行为,并将其转化为智能制造能力。工业互联网平台改变了企业之间的竞合关系,并催生了以互补依赖关系为基础的价值创造方式。占据资源核心生态位的企业通过网络式资源协奏管理行为建立起生态赋能能力。

(二)对策建议

第一,企业管理者要深刻认识到数字化转型的必要性。作为企业的最终产出,同时也是竞争优势的基本载体,产品与服务质量的提升是提升消费者忠诚度,拓展市场占有率的关键。而产品与服务质量的提升,离不开技术创新的驱动。数字经济时代,大数据已经成为重要的生产要素,其对于企业传统管理决策与生产流程的颠覆,是提升产品与服务质量的关键。企业要深刻认识到数字化转型的必要性和紧迫性,从组织架构变革、生产流程与管理决策创新方面打破组织惯性、核心刚性,实现柔性制造、智能制造,提升产品与服务质量。

第二,在资源获取与形成方面,企业要加大数字技术研发投入,围绕数据获取、数据分析和数据存储协同发力,形成具备核心竞争优势的数字资源。为突破资源、能力、技术和知识的局限性,企业也可以选择引入外部资源,通过加入焦点企业或行业领军企业构建的产业生态网络,实现自身的依附式升级。

第三,政府要加大数字基础设施投入力度,加快发展通用型和专用型工业互联网平台。政府要鼓励传统制造业企业采取新一代数字信息技术,对管理决策范式和生产流程进行数字化改造,鼓励企业打造新的商业模式和价值创造方式。加快制定实施支持性政策,出台一系列需求型政策工具,通过税收优惠、科技补贴等方式,鼓励企业加大研发投入力度。

参考文献：

[1] 蔡继明、刘媛、高宏、陈臣,2022:《数据要素参与价值创造的途径——基于广义价值论的一般均衡分析》,《管理世界》第38期。

[2] 陈冬梅、王俐珍、陈安霓,2020:《数字化与战略管理理论——回顾,挑战与展望》,《管理世界》第36期。

[3] 陈国青、曾大军、卫强、张明月、郭迅华,2020:《大数据环境下的决策范式转变与使能创新》,《管理世界》第36期。

[4] 陈国青、吴刚、顾远东、陆本江、卫强,2018:《管理决策情境下大数据驱动的研究和应用挑战——范式转变与研究方向》,《管理科学学报》第21期。

[5] 陈威如、王节祥,2021:《依附式升级:平台生态系统中参与者的数字化转型战略》,《管理世界》第37期。

[6] 洪永淼、汪寿阳,2021:《大数据如何改变经济学研究范式?》,《管理世界》第37期。

[7] 黄群慧、余泳泽、张松林,2019:《互联网发展与制造业生产率提升:内在机制与中国经验》,《中国工业经济》第8期。

[8] 焦豪、杨季枫、王培暖、李倩,2021:《数据驱动的企业动态能力作用机制研究——基于数据全生命周期管理的数字化转型过程分析》,《中国工业经济》第11期。

[9] 李晓钟、李蓉, 2023: 《互联网对制造业出口技术复杂度影响研究》,《江南大学学报(人文社会科学版)》第22期。

[10] 马鸿佳、王亚婧,2024:《大数据资源对制造企业数字化转型绩效的影响研究》,《科学学研究》第42期。

[11] 马鸿佳、肖彬、王春蕾,2023:《大数据能力影响因素及效用:基于元分析的研究》,《南开管理评论》第26期。

[12] 史丹、孙光林,2022:《大数据发展对制造业企业全要素生产率的影响机理研究》,《财贸经济》第43期。

[13] 孙新波、苏钟海、钱雨、张大鹏,2020:《数据赋能研究现状及未来展望》,《研究与发展管理》第32期。

[14] 田洪刚、杨蕙馨、王翎宇,2021:《“两业”融合与新业态演化》,《南开经济研究》第11期。

[15] 王节祥、陈威如、江诗松、刘双,2021:《平台生态系统中的参与者战略:互补与依赖关系的解耦》,《管理世界》第37期。

[16] 王新成、李垣、马凤连、郭文佳,2021:《环境动态性与创新战略选择——企业创业导向和技术能力的调节作用》,《研究与发展管理》第33期。

[17] 武文珍、陈启杰,2012:《价值共创理论形成路径探析与未来研究展望》,《外国经济与管理》第34期。

[18] 肖静华、胡杨颂、吴瑶,2020:《成长品:数据驱动的企业与消费者互动创新案例研究》,《管理世界》第36期。

[19] 谢康、夏正豪、肖静华,2020:《大数据成为现实生产要素的企业实现机制:产品创新视角》,《中国工业经济》第5期。

[20] 徐翔、赵墨非、李涛、李帅臻,2023:《数据要素与企业创新:基于研发竞争的视角》,《经济研究》第58期。

[21] 邢新朋、陈田田、刘天森, 2023: 《共生视角下中小型战略新兴企业数字化转型组态路径研究》,《江南大学学报(人文社会科学版)》第22期。

[22] 徐宗本、冯芷艳、郭迅华、曾大军、陈国青,2014:《大数据驱动的管理与决策前沿课题》,《管理世界》第11期。

[23] 周翔、叶文平、李新春,2023:《数智化知识编排与组织动态能力演化——基于小米科技的案例研究》,《管理世界》第39期。

[24] Bihl, T. J., Young II, W. A. and Weckman, G. R., 2016, Defining, Understanding, and Addressing Big Data, International Journal of Business Analytics (IJBAN), 3(2):1-32.

[25] Ceccagnoli, M., Forman, C., Huang, P. and Wu, D. J., 2012, Cocreation of Value in A Platform Ecosystem! The Case of Enterprise Software, MIS Quarterly, 36(1):263-290.

[26] Chen, M., Mao, S. and Liu, Y., 2014, Big Data: A Survey, Mobile Networks and Applications, 19:171-209.

[27] Das, T. K. and Kumar, P. M., 2013, Big Data Analytics: A Framework for Unstructured Data Analysis, International Journal of Engineering and Technology, 5(1):153-156.

[28] Dubey, R., Gunasekaran, A. and Childe, S. J., 2019, Big Data and Predictive Analytics and Manufacturing Performance: Integrating Institutional Theory, Resource-Based View and Big Data Culture, British Journal of Management, 30(2):341-361.

[29] Eisenhardt, K. M., 1989, Building Theories from Case Study Research Academy of Management Review, 14(4):532-550.

[30] George, G., Haas, M. R. and Pentland, A., 2014, Big Data and Management, Academy of Management Journal, 57(2):321-326.

[31] Girod, S. J. G. and Whittington, R., 2017, Reconfiguration, Restructuring and Firm Performance: Dynamic Capabilities and Environmental Dynamism, Strategic Management Journal, 38(5):1121-1133.

[32] Jensen, M. H., Nielsen, P. A. and Persson, J. S., 2023, From Big Data Technologies to Big Data Benefits, Computer, 56(6):52-61.

[33] Jones, C. I. and Tonetti, C., 2020, Nonrivalry and the Economics of Data, American Economic Review,110(9):2819-2858.

[34] Madhavaram, S. and Hunt, S. D., 2008, The Service-Dominant Logic and A Hierarchy of Operant Resources: Developing Masterful Operant Resources and Implications for Marketing Strategy, Journal of the Academy of Marketing Science, 36:67-82.

[35] Nani, A., 2023, Valuing Big Data: An Analysis of Current Regulations and Proposal of Frameworks, International Journal of Accounting Information Systems, 51:100637.

[36] Nobanee, H., 2020, Big Data in Business: A Bibliometric Analysis of Relevant Literature, Big Data, 8(6):459-463.

[37] Nicolini, D. and Mengis, J., 2024, Toward A Practice -Theoretical View of the Situated Nature of Attention, Strategic Organization, 22:211-234.

[38] Opresnik, D. and Taisch, M., 2015, The Value of Big Data in Servitization, International Journal of Production Economics, 165:174-184.

[39] Sagiroglu, S. and Sinanc, D., 2013, Big Data: A Review//2013 International Conference on Collaboration Technologies and Systems (CTS), IEEE, 2013:42-47.

[40] Shan, S., Luo, Y. and Zhou, Y., 2019, Big Data Analysis Adaptation and Enterprises’ Competitive Advantages: The Perspective of Dynamic Capability and Resource-Based Theories, Technology Analysis &Strategic Management, 31(4):406-420.

[41] Tao, F., Qi, Q. and Liu, A., 2018, Data-Driven Smart Manufacturing, Journal of Manufacturing Systems, 48:157-169.

[42] Teece, D. J., Pisano, G. and Shuen, A., 1997, Dynamic Capabilities and Strategic Management, Strategic Management Journal, 18(7):509-533.

[43] Teece, D. J., 2017, Dynamic Capabilities and (Digital) Platform Lifecycles//Entrepreneurship, Innovation, and Platforms, Emerald Publishing Limited, 37:211-225.

[44] Vargo, S. L., Maglio, P. P. and Akaka, M. A., 2008, On Value and Value Co-creation: A Service Systems and Service Logic Perspective, European Management Journal, 26(3):145-152.

[45] Vargo, S. L. and Lusch, R. F., 2008, Service-Dominant Logic: Continuing the Evolution, Journal of the Academy of Marketing Science, 36:1-10.

[46] Wang, Z., Yuan, C. and Li, X., 2024, Unleashing the Power of Big Data for Platform Firms: A Configuration Analysis, Managerial and Decision Economics, 45(1):300-314.

[47] Wang, G., Gunasekaran, A. and Ngai, E. W. T., 2016, Big Data Analytics in Logistics and Supply Chain Management: Certain Investigations for Research and Applications, International Journal of Production Economics, 176:98-110.

[48] Wei, X., Li, H. and Wang, Y., 2024, Does Big Data Infrastructure Development Promote New Enterprises Entry: Evidence from China, Finance Research Letters, 60:104828.

[49] Wilden, R., Gudergan, S. P. and Nielsen, B. B., 2013, Dynamic Capabilities and Performance: Strategy, Structure and Environment, Long Range Planning, 46(1-2):72-96.

[50] Xie, W., Zhang, Q. and Lin, Y., 2024, The Effect of Big Data Capability on Organizational Innovation: A Resource Orchestration Perspective, Journal of the Knowledge Economy, 15(1): 3767-3791 .

[51] Yeow, A., Soh, C. and Hansen, R., 2018, Aligning with New Digital Strategy: A Dynamic Capabilities Approach, The Journal of Strategic Information Systems, 27(1):43-58.

[52] Yin, R. K., 1989, Case Study Research: Design and Methods//Case Study Research: Design and Methods, 1989:166-166.

【免责声明】《现代财经》微信公众平台所转载的专题文章，仅作佳作推介和学术研究之用，未有任何商业目的；对文中陈述、观点判断保持中立，请读者仅作参考，并请自行承担全部责任；文章版权属于原作者，如果分享内容有侵权或非授权发布之嫌，请联系我们，我们会及时审核处理。

《现代财经-早读分享》是由《现代财经》天津财经大学学报编辑部编辑出版（总第3233

期）

编辑整理：蔡子团队  

团队成员：陈晨、张晓丹、王建飞、吴玉婷、王晴晴、丁慧、李炳杰、杨国臣、孙桂萍、王敬峰、韩俊莹、庞清月、王旭、张雅彤

审核审校：蔡双立  方菲  胡少龙

长按以下二维码，关注《现代财经》公众微信号（modern-finance)

欣赏和阅读《现代财经》2024年第12期，敬请点击以下阅读原文