大数据分析相比人为经验具有数据流丰富、持续性好、 存储计算便捷等优点，可以帮助企业摒弃传统的战略规划方式，通过科学的数据分析来识别企业组织的市场机遇。

4. 通过RBT和组织学习理论来观察大数据的8个“V”特征

在诸多大数据研究文献中，数据容量（Volume）、速度（Velocity）、多样性（Variety）常常被视为大数据的主要特征因素, 这些越来越多、越来越多样化、越来越快产生的数据直接影响着企业或组织的决策能力，当然，也正是具有这些特征的大数据资源才构成了企业组织异于竞争对手的优势。

采用数据化战略的公司首先需要在数据收集、存储方面进行大量的投资，建立起处理这些大型、多样化、复杂的大数据的分析平台，这是大数据分析的必要基础设施。这个合理、高效、能够基于大数据进行预测分析的基础系统使得企业相对于竞争对手而获得了起跑的优势。部署这套基础分析体系的目的是为了寻求改善、解决现有的业务、决策问题的方法。

不过, 需要说明的是，这套基础体系的维护、数据分析等工作可以通过外包给战略合作伙伴来实现，这样做的好处是可以扬长避短，发挥合作伙伴在大数据业务中的效率和优势，使双方都能够将主要精力聚焦于部署大数据分析所设定的目标上。

无论是自建还是外包，这些有关大数据的工作方案都要实现功能的本地化，实现既定的全局挑战目标，而非一个部门或组织单元的局部成功。同样，学习型组织的大数据业务目标也将延伸到人力资源、财务管理、业务流程、社交合作、资本投资等更高的业务管理层级，并为提高这些业务的管理效率和价值而努力。

今天，随着数据多样化和不断的累积增加，企业是值得在建设数据仓库、组织间互联互通网络、强大的计算分析能力等方面进行投资的。虽然在特定的价值链活动中聚焦基于大数据分析的创新具有很大的价值，但真正影响战略管理的大数据分析是在企业组织对数字化竞争威胁和新的市场机遇有所认知之后。

这时，即使是普通员工也会对大数据如何重塑企业及其竞争格局有着全面的认识。投资大数据系统并获得大容量、多样性以及更快处理速度的数据并不能让学习型组织得到决策的能力，事情远非想象的那么简单。

正确的做法是，基于对大数据战略的认知，对庞大的数据流进行分析，才有利于获得准确、可变、高可行性、可视化、更大价值的结果。因此，对比数据资源和学习视角的关系之后，大数据8大“V” 特性的深刻内涵更具有意义，这是因为，以资源为导向的企业组织竞争能力主要集中在资源的当前优势上，大数据的8大特性就是围绕“这种资源的有限性”来考虑管理、决策问题的。

 4.1 容量、准确

在传统数据库管理时代，由于数据的产生受限于既定的业务过程，就此衍生的管理决策就需要主观上充分信任这些数 据的质量，以便能够实现对业务处理、盈利能力的把控。可是，这些数据并不能够全面反映企业的现状，由此顺序推导就会得出，企业的管理决策也会随之限制在所收集、分析的数据范围之内，决策所依据的“数据准确性”仅仅是受限后的“准 确性”，这对于以资源为导向的企业组织来说，基于此的业务及盈利能力的提升也会受到限制。

如果基于资源而获得竞争优势是企业的竞争战略，但他们却只感兴趣预先设定的数据和度量标准。那么，大数据潜在的增强企业业务和管理能力的价值就不会被他们所认知。

 4.2 动态、可变

许多情况下，数据的“可变性”经常被一些企业组织所忽视，他们可能都会专注于现有的价值链和度量标准，希望在一段时间内能连续跟踪分析数据并以此评估改进业务，但这种“刻舟求剑”式的偏见化思维却僵化了决策能力。

因此，充分认识数据的“准确性”质量和“可变性”演进对学习型企业组织至关重要，这两个数据特性为决策管理提供了独特的视角，使得企业组织能够不断拓展业务思路，参与到数据生态扩展中。学习型组织在基于数据分析来理解新机会和更新战略方面是开放性的，掌握数据及其来源对于企业把握决策时机及随后的投资非常重要。

虽然数据存储、累积带来了相关的投资风险，但可评估的良好的数据质量却平衡了这个不足，与此相比，这种风险投资还是划算的。对数据价值有了如此深刻认知之后，这些企业组织就会不断寻求和增加数据流量，并期望动态的数据能够满足企业学习和认知的需求，进而从中得到掌握市场变化的能力，创造出新的商业机会。

 4.3 敏捷、快速

提高数据的敏感性和反馈质量有助于开发出更好的组织管理能力，进而确保企业在更宏大的市场中借助数据资源的力量开发出新的商业机会。相反，那些传统、数据管理能力不足的企业组却往往忽视大数据的扩展分析、预测分析的作用, 甚至对此几乎没有认知。

 4.4 可行、可视

受环境因素的制约，情景分析会受到组织及市场传统观点的阻碍，由此导致数据的可行性、可视化在那些资源为导向 的企业中也受到了限制。现实的情形是，很多企业高管虽然明白大数据分析的重要性，打破了一些传统的数据孤岛的禁锢，但还不具备情景分析的能力。

重复一下我们先前的观点：是战略决策确定了企业组织需要捕获、收集分析什么数据。也就是说，这些数据与决策目标明显相关。由于情景分析能力缺欠，这些企业组织目前还仅仅利用可视化分析工具来处理预设的度量，形成的可视化数据虽然有用，但却不能支持战略决策。

 4.5 学习型组织

再看一下学习型组织是如何做的。学习型组织的管理者利用大数据系统从许多数据流中收集数据，虽然这项工作极具挑战性，但是这些企业组织却开发出能够识别、解释、预测新机会的分析功能，他们的视野甚至可以借助大数据分析而扩展到传统市场之外。

不过，这项工作还是有些难度的，那就是，企业组织需要学习或开发自己不熟悉的度量指标。尽管这些探索不是盲目的。但在微茫的希望的指引下，与传统、既定的社会、行业、组织的思维方式进行对决仍然需要极大的勇气。

学习，使得这些敢为人先的企业组织能够捕获到隐藏在深远数据流量中的最准确的支持方案,虽然这其中可能会有风险, 但回报也可能更加丰厚。借助此方式，灵活、可视化帮助管理人员洞察到隐藏在数据中的可行性，辅助企业决策者摆脱了仅仅依靠个人经验和才华进行决策的束缚。

最重要的一点是，那些积极参与数据驱动决策的企业组织从他们投资的大数据项目中获得了价值，他们得到了基于资源优势、优于传统方式的更好的商业决策，改善了业务状况，创造出了新的价值。

通过大数据学习，员工的工作效率提高了；供应商关系改善了；物流配送及库存管理能力增强了；顾客的服务质量得到了改善和提升。面向资源的管理方法改善了企业与关键利益相关者的关系，这种改善都可以通过最终的财务、运营指标来识别和度量。学习型组织通过动态捕获知识所发展出的全新的认识、学习、执行力，弥补了传统竞争能力的创造方法，为企业开发新市场、创新商业模式打开了新的入口。

通过有效整合、跨组织传播新的知识，推动了企业的创新和创业精神，使新的商业模式能够着眼于拓展现有的业务，扩容服务生态体系，增加客户附加价值，最终锻造出高水准的品牌忠诚度。因此，学习型组织遵循“已知知识+促进学习”的模式，远远地将竞争对手甩在身后。

好处如此显著，但现实情况是，很多企业、行业都还没有触及到大数据分析的潜在价值。

在表2中，我们总结了大数据特征是如何影响企业“基于数据资源和学习导向”来确定数字化商业战略的，图1进一步 描述了这些影响是如何跨组织进行的。

表 2 ：大数据 8 个“ V”如何影响企业在基于“数据资源和学习导向”理论的指导下来制定数字化战略

5. 大数据与未来管理学术研究

类似于工业革命，数字化和大数据分析价值的不断增长也正在引发一场大规模的全球产业颠覆式革命。

这场革命的结果就是，商业模式和战略思维正在发生着深刻的变化。在过去的20年里，通信和计算机技术得到了飞速的发展，我们的电脑不是放在桌子和房间里，而是拿在手上；我们的邮件不是放在桌上的信封，而是一份份电子邮件。我们已经习惯了这一切，但也面对着数据爆炸式增长而引发的长期、昂贵、艰巨的数据处理任务，就连我们进行组织研究的环境、如何进行研究都需要随着这些变化而进行调整，并做出改变。

这项研究工作的重点是：有必要反思和检查现有的研究框架、变量、测量方式是否适用于当今的数字化商业环境。通过上述讨论，在数字化时代，早期的研究范例一一RBT所扮演的重要角色与组织学习的关系是显而易见的。

然后，学无止境, 学者们虽然马不停蹄地就技术与战略的相互关系进行着研究探索，但这些研究和理论探索仍然赶不上时代的变化发展的需要。为了解决这个滞后的问题，我们将从战略、管理领域等入手提出一些新的解决路径。

5.1 路径A：发展管理理论

在本篇中，通过观察大数据如何以新颖的方式与RBT和组织学习相互作用，扩展了大数据理论的发展。显然，这不是大数据现象中发现的唯一基础理论，当然也不是唯一可能受到竞争格局变化挑战的基础理论。专家学者们还是有一些机会来确定一些独特应用的，比如在战略、创业、人力资源等领域仍然可以开发研究新的大数据现象理论框架，扩充这些领域 的管理理论，并为之开拓出新的应用领域。

在此，现有的知识、知识管理、文献等都是很好的研究基础，会为进一步发展理论奠定基础。作为管理理论，其本身具有这在任何时期、任何情况下都有普适性的特征，但当面对激烈的创新时期，普适性也将会受到挑战。面对时代的挑战，管理领域应该重新考虑、审视已有理论，推动相关联的理解，提出新的假设，探索其他的新的解释，但也不要轻易说出传 统管理理论将会失效的结论。

大数据时代，数字化是一场大规模的经济转型运动，各种理论都应该重新进行研究和审视。

5.2 路径B：研究与数据分析相关联的因果变量

在大数据时代，除了用理论来更好地解释组织的决策本质外，探索企业组织能够利用数据分析来获得竞争优势的背景和前提条件也是十分必要的。是什么推动了企业转型为数据型组织？有哪些特点或细微差距推动了企业转型为学习型组织？哪些外部环境因素触发了这些改变？

毫无疑问，那些常见的解释是：有远见的领导、企业文化、异质的战略资源、竞争环境等。但是，作为学术研究，就应该探索找到引发变化的真正特征和环境压力因素，顺着这些引发组织转型的有影响的压力因素，找到相应的数据，并对其进行分析。通过对全球或垂直行业的定性、定量调查进跟踪，将大数据分析与战略思考相结合，准确揭示出竞争优势的细节很有必要。

例如，CEO是否接受过商学院的教育？他们是否拥有STEM（科学、技术、工程、数学）背景？他们在其组织中是短期任职还是长期任职？他们是创始人吗？企业转型之前的文化是如何形成的？从一开始，数据分析就是企业的核心业务吗？产业 周期的本质是什么？所处环境中资源丰富吗？该企业是行业领导者还是跟随者？有除数字化以外的颠覆性创新吗？

作为研究者，有足够的空间来探索上述或更多层面的问题，以便更好地理解大数据对组织带来的全面影响。

5.3 途径C：重新考虑结果和后果

大数据与颠覆性的商业模式结合之后，创造了一个重新定义组织绩效的机会。每个行业都不能再使用简单的盈利能力、 传统财务比率来描述绩效，新的绩效衡量体系更多地与用户数量、数据流的丰富程度、数据收集存量、业务活动创造的新知识等有关。如果要全面重新定义组织绩效，就需要重新评价对竞争优势的定义，并将现实中前后关联的新业务环境考虑 在其中。

如果不了解精通数字分析的企业高管是如何看待特定产品绩效的，我们就无法正确地测试大数据环境下预测的假设与 理论之间的关联。弥补这种欠缺的方法是，深入、定性地研究分析数字化转型企业的案例，研究那些已经建立大数据管理的企业的数字，仔细地对这些公司如何衡量成功进行研究。将技术分析性领导者的公司与传统领导者创建的公司进行比对，找到差异，正确理解差异对业绩造成的影响。

 5.4 路径D：细化对指定变量的度量

大数据的使用和应用彻底改变了业务流程和操作方法，这不仅需要重新构建理论，还需要构建全新的对公司级、部门级、 作业单元级的测量模型。

上节中，我们讨论了企业定义理想绩效测量方式的变化，未来，绩效衡量将会与学习型组织理论相结合，进而对组织绩效及价值提出全新的衡量方式。

数字化工具和数据资源也可用于管理理论的定性测试。当学者们对如何开展业务、企业组织生成了哪些数据资源、流量有多大、如何匿名获取数据等等都需要进行展开研究时，数据代理公司等宏观层面的数据也会进入到他们的研究范围内，这对整个社会的数据化都将产生全新的意义。

学习型组织有着迥异于普通企业的人才战略，他们会通过招聘引进博士级别的研究人员来增强自己的分析能力。作为理论研究人员，必须着眼于这种人才战略来构建自己的预测分析模型，这不仅有助于理解学习型组织与大数据之间的关联，也会超越当前的一些研究方法。

要想深入了解这个论点，我们来看看Google的那些分析型的经理、学者、学生对大数据所具有的浓厚兴趣就会不言而喻。在此，人力资源与组织（数据）科学家携手，通过大数据分析，就会打造出这种基于现实却行之有效的人才战略，而不是传 统的面试、看学历、凭经验等等表面化的人才识别。

对于希望创造新理论的学者来说，精确的管理度量不仅重要，而且也是更好理解大数据与组织之间关系的一种手段，由此构建起全新的商业战略及学科实践体系。通过可以准确衡量目标对象，大量学术性的、实践性的洞察被挖掘了出来，这些洞察非常有利于商业学术研究。我们有理由相信，今天的大数据组织理论研究和实践，一定会在未来的明天开出绚烂的花朵。

大数据组织战略理论可以让组织科学重新焕发生机，点燃组织理论学者及大数据研究者的工作热情。

6. 结论

通过上述大数据IT能力与企业竞争优势之间关联的讨论，我们认为，技术资源、技术能力决定了企业采取什么样的战略进入市场。大数据分析相比人为经验具有数据流丰富、持续性好、 存储计算便捷等优点，可以帮助企业摒弃传统的战略规划方式，通过科学的数据分析来识别企业组织的市场机遇。

为了更好地理解组织的发展，强化数据资源及数据分析就特别具有战略意义。现今是数字化的时代，数字化管理正在成为新一代商业模式的核心，虽然对于大数据实践是否能够为企业提供持续的竞争优势还存在相当大的争议，但在业务分析、组织流程再造和创新方面，大数据还是为那些积极主动的企业带来了大量的机会。

单一的数据资源存在被模仿的可能性，但对于独有、动态的数据，模仿成本高且几无成功“抄袭”的可能，这些数据会为战略决策和创新提供独有的价值，并转化为新的知识，其灵活性、创新性能够帮助企业开拓市场，创造新的商业机会。

由于大数据在改变社会经济政策及经济研究方面能够发挥出较大的作用，我们有必要对大数据技术和组织战略之间的相互作用进行重视和重新研究。比对传统战略思维企业与大数据思维的优秀企业之间的战略差异，并有意识地寻找缩小差距的方式，就能很好地检验管理理论与现实的匹配关系，学者们也会由此抹去管理理论的天真、空想，洞悉到现实世界的真实和复杂性。