DOI：10.6049/kjjbydc.2018120120 开放科学(资源服务)标识码(OSID)：
DOI：10.6049/kjjbydc.2018120120 开放科学(资源服务)标识码(OSID)：
随着信息技术和智能设备的发展，每天全球产生的数据量远超2.5万亿字节，其中，90%是非结构化数据。这些大数据在医疗卫生、应急反应、能源与可持续发展、资源管理、电子商务、电子政务、社会道德与法律等领域持续发挥变革性作用，推动社会发展向数据驱动型转变。
管理者意识到大数据是企业未来的战略性资产，是创新、竞争和生产力的下一个前沿，能够为企业带来战略决策能力提升[1-2]、供应链绩效改进[3]和组织敏捷性塑造[4]等多方面价值。然而，大数据本身的独特性及其实施战略与以往IT系统不同[5]，企业在部署大数据方案时面临来自技术、管理和人才等多方面挑战[6-9]。部分原因是企业过多关注大数据技术层内涵，而较少关注大数据方案实施有关的组织要素。企业对大数据的了解相对狭隘[10]，在部署和实施大数据方案时具有盲目性，从而阻碍了大数据价值的充分发挥。因此，Gupta&George[11]以及Akter[12]等提出，企业需要建立能够克服面临的挑战并能协调大数据相关业务活动的能力[11-12]，即大数据能力。
本文采用大数据能力而非英文期刊中大数据分析能力(Big Data Analytics Capability)是因为大数据分析能力这一表述容易产生聚焦大数据分析技术的错觉。此外，针对大数据在生产制造中的应用，国内出现了“工业互联网”、“工业物联网”等概念。这两个概念的核心是通过信息技术、传感器等设备产生数据从而提供实时性、智能化决策支持服务，因此，一并归于大数据能力的概念之中。大数据能力这一概念尚处于发展早期，并未有统一的定义和测量维度，本文首先总结大数据能力的内涵；其次，总结大数据能力为企业带来的竞争优势；最后，在文献梳理的基础上分析既有研究局限并提出未来展望。
虽然大数据为企业带来了变革性影响，但企业要实现大数据的商业价值也面临来自人员、管理和技术等方面的挑战，因此，公司都需要建立能够克服挑战、利用大数据保持竞争优势的组织能力,即大数据能力。
技术中心视角(Technology-centered perspective)下，学者认为大数据能力蕴藏于大数据获取、整合、处理与可视化等技术中[13]，是一种通过大数据技术和相关基础设施获得有意义、有价值的洞察以及形成企业动态能力的信息处理能力[14-15]。在该视角下，大数据能力围绕数据流程可以划分为数据获取能力、数据整合能力、数据处理能力以及数据可视化能力等[13]；围绕数据分析功能，又可以划分为描述性分析能力、预测性分析能力和规范性分析能力[2]。技术中心视角下的大数据能力逻辑认为，技术具有外源性、可预测性和稳定性，能够按照预期和设计的时间与地点执行，通过功能性或者工具性方法影响人类行动[16]。这意味着只要企业投入足够资金，采用最先进的技术，不断丰富和提升自身大数据资产并广泛使用，就能够获得卓越的绩效表现[17]。然而，现实中企业投入大量资金却收获甚微，因为单从技术视角对大数据能力进行定义过于狭隘[10]，忽视了技术与企业历史、文化的关系，从而产生了技术决定论的主张，使得部署与实施大数据行动计划流程过于简单化而让企业投资具有一定的盲目性。不仅如此，随着技术市场的不断增长，技术的快速扩散与日益标准化使得技术周期不断缩短，大数据技术及其相关基础设施越来越不符合VIRN特征。因此，单从技术中心视角论大数据能力阻碍了企业充分利用大数据资源可能带来的机会和价值。
也有学者进一步区分了大数据资产和大数据能力，将关注重点放在运用技术的人和组织上。该视角以人为中心(Human-centered perspective)，强调技术使用者以及使用环境的不同造成了技术异质性[16]。因为大数据经过大数据分析技术体系脱离使用情景后会失去其本身所含有的情景含义[18]，数据价值的实现仍需通过人才技能理解数据的情景含义。因此，学者们强调企业大数据能力主要蕴藏于组织文化与领导力、人才技能与组织知识、组织结构与网络关系等组织因素之中[4，19-20]。然而，这一视角在人与技术的互动关系中主要关注了人的作用，趋向于削弱技术本身的作用，并未深入考虑人与技术的互动关系以及多种要素之间的适配关系，包括人员与工具(People-tools fit)、任务与工具(Tasks-tooks fit)等适配关系。
社会物质性观点(Sociomateriality)认为大数据能力是由密不可分的技术、组织与人三者共同构成的关系本体[21]。虽然这一理论弥补了上述两种观点的缺点，但是，无法进一步解释大数据能力的性质。有学者认为大数据能力是一种动态能力，因为大数据技术体系本身能够实现数据的实时获取并进行实时决策，能够更加敏锐地捕获到市场瞬息变化，并辅助企业制定和执行相应决策与行动。这种认知逻辑认为大数据能力涵盖了“数据-洞察-决策-行动-价值”这一全过程[8]，因而具有重构企业资源与能力以应对环境快速变化的动态能力性[3，22-23]。也有学者坚持大数据能力是配置大数据资源和协调企业大数据相关业务活动的能力[11-12，24]，事关企业如何洞察数据并为数据的价值发挥奠定基础。这就意味着大数据能力商业价值的实现还需要考虑行业或者其它情景因素以及企业利用大数据能力的方式[25-26]。
本文认为，将大数据能力视作一种动态能力的看法反映了研究者将大数据能力(DBA capability)与大数据支持的能力(DBA-enabled capability)视为一体，注重二者之间的适配关系。这一观点虽然可以更加全面地了解大数据投资给企业带来的价值，却不能清楚划分大数据能力与大数据支持的能力之间的差异，也就无法进一步研究大数据商业价值实现的影响因素和机制差异。并且，假设企业拥有大数据资源可以同时提升其它组织能力是令人误解的，在研究中需要进一步将大数据能力与大数据所支持的能力相剥离[25]。因此，将大数据能力定义为一种企业集聚、调动、配置、利用大数据资源从而获取有价值的洞察以及协调企业大数据活动与其它业务活动的能力，提升企业应对环境的模糊性与不确定性的能力，有助于企业获取竞争优势和提升绩效。
(1)IT能力与大数据能力辨析。与企业大数据能力十分相近的一个概念是IT能力。IT能力发展于20世纪末期，一方面是IT技术在企业中迅猛扩展却导致“生产力悖论”(productivity paradox)现象的出现，另一方面资源基础理论、动态能力理论等理论的发展将企业竞争优势的异质性从对外部环境的关注转向对企业内部资源与能力差异的解释。
目前大数据能力实证研究中借鉴了IT能力的相关研究成果，因此，现阶段二者呈现较高相似性。由于两者理论基础均为资源基础理论，因此从定义上看，两者都是调动相应资源并协调相应活动的能力。再者，大数据技术本身属于IT技术范畴，而大数据分析则可追溯至18世纪发展而来的统计学，因而容易让人产生大数据能力是否是“新瓶装旧酒”的疑惑。
然而，IT能力与大数据能力概念也具有一定的区别。首先，企业所具有的IT能力对不同行业的战略性角色不同，分为自动化、信息化和变革性3种战略性角色[27]。其中，自动化是指自动化流程替代人工劳动；信息化是指为管理者和员工提供所需信息；变革性是指从根本上改变商业和行业流程以及关系。根据大数据能力研究现状，变革性得到了学者们广泛关注。然而，大数据能力是否具有其它战略性角色，在不同行业中是否扮演不同战略性角色依旧未能得到充分验证。其次，由于大数据结构类型与分析技术的要求不同，对企业技术资产、人员技能与包括高管团队、战略制定、生产运营、市场营销等领域在内的组织管理产生了新的变革[28]，因此，也会产生与对传统IT技术应用不同的能力要求。以《信息管理系统季刊》(MIS Quarterly)为代表的期刊认为，传统的信息系统理论在如今日益智能化环境下的适应性减弱。比如，以往IT技术以描述性分析为主，通过描述那些已经发生的事情指出事件根源，而大数据分析技术则以预测性分析和规范性分析为主，能够通过挖掘历史数据的价值，为未来局面和行动提供指引，以及根据预测性分析结果，通过优化和仿真指导未来行动，从而导致企业战略决策过程发生变化，由原来有限的战略选择引发数据需求转变为数据引致战略决策[29]。若企业不能适应这种决策变化，形成数据驱动的企业文化，便会阻碍大数据价值实现[6]。因此，学界需要利用新一代理论理解数据时代下企业如何从大数据中获取竞争优势，而大数据能力则在这一背景下诞生。
(2)情报能力与大数据能力辨析。另一个与大数据能力十分接近的概念是情报能力，两者在能力性质、能力构成方面具有相似性。从能力性质来看，两者都有学者认为其具有动态能力性质；从能力来源来看，情报能力也主要来自竞争情报系统等有形资源、企业文化等无形资源以及员工情报素养等人员技能3个方面，与大数据能力来源具有很强的一致性。
两者也有诸多不同。从能力层次来看，虽然情报能力与大数据能力都是多层次的组织能力，但两者的层次内容不同——情报能力既是员工个人的情报素养，也是情报工作管理能力，还是对外部环境管理的战略管理能力，最终形成为企业赢得竞争优势的核心竞争力[30]。而大数据能力被认为既是一种技术能力，也是一种管理大数据资产和协调运作活动的能力。从工作内容来看，情报能力与大数据能力都以数据分析为核心，但是，大数据的数据分析是智能化的基础。从能力应用范围来看，情报能力主要强调对竞争对手等市场信息的获取与应用，而大数据能力既应用于市场也应用于生产运营。此外，大数据能力对于个别信息质量的敏感性不强，能从繁杂的数据中挖掘新的模式，在信息缺失情况下能够提供预测和决策指导，但是，情报分析则有明确的目的，即一开始便可以预设结果，并且对于个别信息的质量敏感性较强[31]。
(1)社会物质观(Sociomateriality)认为，用传统的信息系统制品(IT artifact)、IT用户以及任务去架构(frame)日常生活中信息技术的普及程度变得日益困难，物质性与社会性的概念在实践中越来越模糊和武断，因而需要强调物质和社会实体在本体论上是相互构成的，并且这种物质性与社会性不可分割的现象应该引导实证研究和理论化过程[32-33]。社会物质观下，组织、物质与人三者相互交织，难以单独衡量各自的贡献[32]，因此，大数据能力的构成维度应该分为管理能力、人员能力与技术能力[12，24]。
(2)资源基础理论认为资源异质性是企业绩效差异的重要原因，一方面异质性资源带来异质性能力,另一方面由于资源非流动性使得不同资源之间产生的协同效益可以长时间持续。但能创造竞争优势的资源需符合价值性、稀缺性、不完全模仿性和不可替代性的要求，即VRIN特征。资源基础理论将企业资源分为有形资源、无形资源与人力资源，而能力则被定义为企业整合、配置与利用企业资源的能力。因此，企业大数据能力是配置大数据资源以获得优异绩效的能力，由有形资源、无形资源和人力资源3个维度构成[11][17][34]。
大数据能力目前的研究框架与思路主要沿袭IT能力理论。社会物质观所强调的三者交织关系，并未对企业是资源与能力的集合体这一基本观点进行反驳，因此，IT能力理论依旧主要以资源基础观为理论基础。大数据的兴起对企业造成的变革性影响在目前是一个新奇的现象，为了今后更好的理论整合与发展，对其的分析和研究应优先拓展并结合现有的概念、理论以及实证结果[35]。因此，依旧从有形资源、无形资源与人力资源3个方面对大数据能力的维度进行整合。
2.2.1 有形资源
(1)数据：数据的质量和可得性是关键[10]。大数据的质量关乎企业是否能够从数据中得到准确的、有价值的、可行动的洞察，而数据的质量关乎企业是否能在繁杂的海量数据中进行数据降噪，清洗出所需信息并进行准确的相关性或预测性分析。随着数据日益成为企业生产的重要资源，数据交易成为常见的市场行为，甚至随着数据战略性资源地位的凸显，数据可得性问题成为战略联盟的背后推手之一[29]。
(2)大数据技术与基础设施：大数据的独特性对大数据技术提出了极高的要求。企业需要建立大数据的基础设施和技术，比如云计算和 MapReduce、分布式文件系统和数据仓库等，来收集业务部门间或者企业间各类形式的数据，并通过云技术和快速分析实现实时决策制定，通过灵活开发动态模型重点关注不断变化的机会，即大数据技术应该具备连接性(Connectivity)、兼容性(Compatibility)和模块性(Modularity)的特性[12，24]。随着网络安全的重要性日益凸显，大数据技术的隐私性(Privacy)，即大数据技术保护用户信息安全的能力，也成为不可忽视的重要组成部分[23]。
(3)其它基础资源。由于大数据技术和基础设施耗资巨大，需要企业持续投入资金进行建设；同时，新技术的学习与融合尚且需要时间，投资与绩效收益之间存在时间滞后效应[22，24]。因此，企业在资金、时间等资源上对大数据能力构建予以支持也十分重要。由于资金与时间并非大数据能力的专属资源，Gupta & George[11]对其冠以“基础资源”以区别大数据能力的专属资源。
2.2.2 无形资源
大数据无形资源主要由数据驱动的文化(Data-driven culture)、数据治理(Data governance)以及组织学习(Organization learning)3个方面构成。
(1)数据驱动的文化：在基于大数据的管理决策中，也需要数据驱动的文化。数据驱动的文化强调企业人员在制定决策时要相信数据所带来的价值与洞察，而不是完全凭借自身经验[6]。特别是高层管理者需要改变自身领导思维和方式，基于数据事实进行决策和领导[36]，同时，支持大数据能力建设的投资与运营。
(2)数据治理：大数据也带来许多治理问题，比如数据隐私性问题等新商业道德问题以及数据安全性和保密性等新运营问题[37]。为此，企业需要制定相应规则、流程来约束内外部参与其大数据行动计划的人员的行为[38]。比如，企业的信息政策要从“同意收集”(gather-with-consent)向数据收集使用全过程都承担社会责任的模式转变[39]。
(3)组织学习：企业需要不断学习数据时代下企业实践与操作，使得大数据行动计划能够成功融入到企业惯性当中。Gupta&George[11]认为，组织需要利用已有知识并探索新知识，从数据中获取有价值的洞察，从而进行明智的战略决策，解决不确定的市场环境，因此，应当考虑其在大数据能力构建中的作用。要形成组织学习能力，将个人的专业知识融入到组织知识当中，需要企业员工对大数据分析所要求的新知识保持开放的态度。
2.2.3 人力资源
Akter等[17]以及Wamba等[20]认为，企业通过大数据技术与工具获得有价值的信息，并基于此制定战略的能力高度依赖于企业人力资源的技能与知识，包括技术知识(Technical knowledge)、技术管理知识(Technical management knowledge)、商业知识(Business Knowledge)和相关知识(Relational Knowledge)[17][20]。技术知识是指人才有关大数据技术元素的知识，比如熟悉大数据环境下运行系统、编程语言、分布式数据库等；技术管理知识则指能够应用大数据技术去探究商业问题的能力；管理知识强调对于不同业务职能和商业环境的了解；技术管理知识和商业知识相辅相成，只有分析人员具有一定的商业知识，才能利用大数据技术能力从分析中获得洞察以及解决商业问题；相关知识则强调职场中沟通协作的基本知识，因为大数据人才需要与来自不同学科背景以及不同职能部门的员工共同工作，因此，需要懂得如何与他们沟通和协作，了解他们对于大数据的需求并保证将大数据结果准确传达给所需要的人，从而实现大数据对组织绩效的提升作用。
综上，大数据能力的维度构建主要基于资源基础理论，从有形资源、无形资源与人力资源3个维度进行构建。然而，这一模型仅能得到企业大数据能力的整体性集合测量(aggregate overall measurements)，可以解决企业大数据能力从何而来的问题，却无法回答企业大数据能力用于何处的问题。若是企业构建大数据能力时缺乏明确的问题定义，就会导致企业面临传统IT技术更高的不可逆转的投资以及更高的失败风险[7]。因此，未来研究可以从企业需要解决的问题范围对大数据能力进行分类。比如，根据企业问题来源于对市场变化的感知还是内部生产运营等，可以将大数据能力分为外向关注(externally focused)和内向关注(internally-focused)，从而进一步探究不同类型大数据能力提升企业绩效的路径以及结果差异性。
大数据是指具有5Vs(大量、多样、高速、准确和价值)特征的数据，能为企业带来变革性影响。Chen等[37]通过文献计量研究，可视化展现出顾客关系管理、竞争优势、决策支持等。Wamba等[10]认为大数据能够为企业带来5类价值，分别是：①创造透明度；②通过实验发现需求、呈现可变性和增强绩效；③细分人群并实施定制化行动；④通过自动算法替代或者支持人类决策；⑤创新商业模式、产品和服务。Akter & Wamba[40]总结了大数据能够给电子商务企业带来个性化、动态定价、顾客服务、供应链可视化、安全以及欺诈识别、预测分析等六大价值。
对于大数据能力的企业价值探讨，主要分为两个层次。第一个层次探讨大数据能力对职能层的影响。目前的文献研究表明，大数据能力能够提升企业职能活动的相关能力，比如生产运营能力、战略决策能力、市场营销能力等[3，10，28，38，40]；第二层次探讨大数据能力对组织层面的影响。企业建立大数据能力，并通过发挥大数据支撑的其它能力，实现大数据交易、信息和战略性收益[17]，即实现成本降低与效率提升、实现实时决策和获取竞争优势。学者们目前关注了大数据能力为组织层带来组织敏捷性、技术创新和企业绩效3个方面的价值。
大数据能力能够有效提升组织敏捷性。组织敏捷性分为市场敏捷性(market capitalizing)与运作敏捷性(operational adjustment agility)。其中，市场敏捷性是指公司通过持续监控和快速改进产品/服务以满足客户需求，对变化迅速作出反应并从中获利的能力，而运作敏捷性指的是公司业务流程在利用创新机会和竞争行动中实现速度、准确性和成本节约的能力。大数据能力一方面让企业能够实时采集内外部数据并进行实时分析，从而能够很快意识到市场变化并促进相应的行为；另一方面可以监测企业运营流程，找出瓶颈和问题，从而进一步优化流程。因此，企业大数据能力能够有效提升企业市场敏捷性和运作敏捷性[1，41]。
大数据能力能够有效促进企业技术创新[10，34，42]。大数据能力从海量繁杂的数据中发现并展示错综复杂的关系，企业便能够从中发现生产要素“新组合”的方式、识别出用户新的需求或者新的细分市场，并通过基于数据驱动的创新决策，设计出一套全新的商业模式或者提供新产品、新服务[43-44]，从而进行颠覆式创新。此外，大数据能力能够让企业持续追踪用户网络评论、浏览日志等数据并进行分析，从而为下一代产品的迭代提供创新目标[10]，开展渐进式创新。
大数据能力能够有效提升企业绩效，包括市场绩效、运营绩效和财务绩效[4，11-12，24]。大数据能力能够帮助企业通过个性化营销手段、更好的定价体系、更优质的顾客服务、更快速的产品或服务迭代更新等手段，提升现有产品以及服务竞争力，扩大市场份额，还能比竞争对手更精准地识别出顾客需求、更快找到细分市场并提供新的产品或者服务，从而获得新产品或者服务的成功，表现出更好的市场绩效[40]。此外，大数据显示了更广泛的信息流，能够全面反映实时业务运营的潜在变化，并且加快运营速度[45]。因此，拥有大数据能力的企业能够降低组织运营成本，提升组织生产效率和生产质量，从而表现出更好的运营绩效[15]。在财务绩效方面，构建大数据能力的企业在盈利能力、投资回报率等财务表现上更为出色[46]。
面对大数据时代下相关技术发展对企业带来的变革性影响，学者们借鉴IT能力相关研究，提出大数据能力概念，试图解释“企业大数据能力从何而来”、“有什么用”以及“如何发挥其预期商业价值”等问题。
学界对于大数据能力的性质并没有达成统一意见。持动态能力观点的学者认为，大数据能力是一种具有重构企业资源和能力以应对外部环境变化的动态能力，企业可以通过对大数据的描述性、预测性和规范性分析，感知和抓住机会并实施转型[2]。本文认为这一观点虽然考虑了大数据能力与企业其它由大数据支持的能力(DBA-enabled capability)之间的适配关系，但是，未能将大数据能力与大数据支持的能力相区别，从而阻碍大数据能力的研究进展。为此，本文认为大数据能力是一种企业集聚、调动、配置、利用大数据资产与组织互补性资源从而获取有价值的洞察并能够进行有效决策的能力，在企业其它能力的适配下将洞察转化成有效行动，从而提升企业应对环境模糊性与不确定性的能力，帮助企业获取竞争优势和提升绩效。
学者们主要基于社会物质观和资源基础理论对大数据能力进行维度建构。社会物质观并未对企业是资源与能力的集合体这一基本观点进行反驳，因此，本文基于资源基础论，从有形资源、无形资源和人力资源3个维度整合企业大数据能力的测量。
大数据能够为企业带来许多变革性影响已经得到了广泛认同。对于企业大数据能力的价值探讨，学者们主要分为两个层次。第一个层次探讨大数据能力对职能层的影响。目前文献研究表明，大数据能力能够提升企业职能活动的相关能力，比如生产运营能力、战略决策能力、市场营销能力等；第二层次探讨大数据能力对组织层面的影响。目前实证研究主要集中于组织敏捷性、技术创新和企业绩效等方面。
大数据能力相关研究刚刚起步，实证研究严重缺乏[26]。前期研究中，学者们也借鉴了IT能力相关研究，使得大数据能力与IT能力研究并未展现出明显差异。未来大数据能力如何与IT能力相区别，如何构建出符合智能化时代特征的新一代信息系统理论仍需进一步探索。针对以上研究现状，本文从以下几个方面提出大数据能力未来研究方向。
(1)区分大数据能力与大数据支持能力并探究大数据能力价值实现机制。大数据技术体系本身能够实现数据的实时获取并进行实时决策，能够更加敏锐地捕获到市场瞬息的变化，并辅助企业制定相应决策。因此，有学者认为大数据能力是一种动态能力。这一认知中并没有清楚划分大数据能力(DBA capability)与大数据支持的能力(DBA-enabled capability)之间的区别，且假设企业拥有大数据资源将同时提升其它能力具有误解性[25]。在这种情况下，无法进一步研究企业投资大数据来获取洞察的行业或者其它情境因素，也无法进一步研究企业利用大数据能力的机制差异。
企业根据大数据分析所得的洞察，不断调整和重构企业资源与能力以应对外部环境变化属于大数据支持的能力范畴，是完成价值实现的行动步骤。只有企业大数据支持的能力与大数据能力适配，才能最大化发挥大数据能力的商业价值。不同的大数据支持的能力与大数据能力进行互动将会产生不同效果，解决企业不同类型的问题，产生不同企业绩效。研究者未来可以从能力配合的角度，探求大数据能力与企业其它能力之间的互补性或者替代性关系，进一步扩充企业不同能力之间的配合对企业敏捷性、企业绩效等结果的影响。
目前的研究假设大数据能力都是优秀且卓越的，因此，考虑能力以外的因素对能力发挥的调节作用。然而构型理论认为，导致结果的路径并不具备唯一性，因而可以从集合论的角度去探求因素组合对结果影响路径的多样性。然而，企业间大数据能力水平存在差异，拥有卓越大数据能力的企业与大数据能力一般的企业在大数据能力构成、大数据能力运用组合上是否存在差异以及是否存在多路径引致同一结果的可能性，依旧是一个需要进一步探究的问题。
(2)进一步明确大数据资源形成大数据能力的过程。现有研究致力于解决“大数据能力来源于何处”的问题，但是，对于“大数据资源是如何形成大数据能力的”这一问题尚不明确[25，40]。有学者认识到企业采用数字化战略时要经历探索、建立与扩张3个阶段，每个阶段中战略与资源的不匹配会造成冲突，从而促使企业采取行动进行校正后进入下一个阶段的冲突解决，从而试图解释企业大数据能力建立过程[47]。但是，这一研究未能进一步深入探究企业战略决策以及其它活动应该如何配合企业大数据资产从而形成大数据能力[22]，也未能充分反映大数据分析资源成为企业层面的大数据能力所必需的流程与结构[25]。因此，未来研究可以从能力建立流程(capability-building process)角度，探究大数据资源如何形成企业层面的大数据能力。
(3)进一步探索不同类型企业大数据能力的差异及其影响因素。本文基于以往研究，整合了大数据能力测度。但是，这种测度仅仅是一种整体性集合测量(aggregate overall measurements)，并不能解释不同类型企业在大数据能力构成中可能存在的差异。比如在服务行业中，Akter等[23]认为企业大数据能力主要来源于技术、人才和动态信息能力(Dynamic information capability)。当信息本身成为一种服务内容时，其完整性(Completeness)、准确性(Accuracy)、格式良好性(Well-format)与时效性(Currency)是竞争优势的重要来源。此外，大数据服务提供商类型的公司，其大数据能力构成、价值创造与获取等均缺乏战略解释框架[48]。因此，未来研究应注意不同类型企业对大数据能力构成的异质性要求，针对行业特殊性探究其大数据能力来源。
除从企业行业类别划分外，还可以考虑其它影响因素对企业构建大数据能力的影响，比如历史效应。历史对组织的影响反映了组织创建时的制度环境，同时，组织的进化轨迹也会受到非系统事件的影响从而形成路径依赖，对组织未来发展产生深刻影响。因此，可以探究公司异质性发展历史对其大数据能力构建和结果差异性的影响。比如，成功实施互联网+转型的公司与未能成功实施互联网+转型而直接进行大数据投资的企业相比，两者在构建大数据能力以及结果上是否存在差异性？若存在差异性应如何弥补这种差异？
此外，目前大数据能力作为整体性集合测量(aggregate overall measurements)，也并未考虑企业大数据能力的不同类型与本质。企业在构建大数据能力时若缺乏明确的问题定义，会导致企业面临传统IT技术更高的不可逆转的投资以及更高的失败风险[12]。因此，除探究大数据能力从何而来的问题以外，还应注重研究“大数据分析能够利用于何处”的问题。因此，未来研究可以根据大数据能力的问题范围进行类型划分，比如根据有待解决问题来源于市场还是内部运营，可将大数据能力划分为外部关注(externally-focused)和内部关注(internally-focused)两个维度。
(4)借鉴相似构念的研究成果并用于企业大数据能力相关研究，进一步整合相关理论碎片化发展态势。随着信息技术的发展日新月异，传统的IT技术、竞争情报体系、大数据技术体系、人工智能、区块链等技术发展让企业应接不暇，管理学界对此的研究也呈现碎片化状态。针对不同技术对企业带来的影响及其商业价值实现路径，学者们大多基于资源基础理论和动态能力理论等基础理论构建具有相似性但各自不同且应用面较为狭窄的理论(Narrow-range theories)，比如IT能力理论、情报能力理论、商务智能与分析(Business Intelligence and Analytics)。对理论差异性的辨析，也主要集中于技术体系以及技术应用要求上的细微差别[31]。因此，未来研究一方面可以将相似构念的理论成果相互拓展，扩大理论应用范围，整合碎片化状态；另一方面，可以此为突破口进行新理论构建的尝试[49]。
[1] GHASEMAGHAEI M,EBRAHIMI S,HASSANEIN K.Data analytics competency for improving firm decision-making performance[J].Journal of Strategic Information Systems,2018,27(1):101-113.
[2] MARK V R,TATINANA E,JOCHEN S,et al.Avoid being the Turkey:how big data analytics changes the game of strategy in times of ambiguity and uncertainty[J].Long Range Planning,2018(6).
[3] MATTHIAS O,FOUWEATHER I,GREGORY I,et al.Making sense of big data——can it transform operations management[J].International Journal of Operations & Production Management,2017,37(1):37-55.
[4] C
RTE-REAL N,OLIVEIRA T,RUIVO P.Assessing business value of big data analytics in European firms[J].Journal of Business Research,2017,70:379-390.
[5] MARCHARD D A,PEPPARD J .Why IT fumbles analytics[J].Harvard Business Review,2013,91(1):104-111.
[6] MCAFEE A,BRYNJOLFSSON E.Big data:the management revolution[J].Harvard Business Review,2012,90:60-66.
[7] LEE I.Big data:dimensions,evolution,impacts,and challenges[J].Business Horizons,2017,60(3):293-303.
[8] SIVARAJAH U,KAMA M M,IRANI Z,et al.Critical analysis of big data challenges and analytical methods[J].Journal of Business Research,2017,70:263-286.
[9] VIDGEN R,SHAW S,GRANT D B.Management challenges in creating value from business analytics[J].European Journal of Operational Research,2017,261(2):626-639.
[10] WAMBA S F,AKTER S,EDWARDS A,et al.How 'big data' can make big impact:findings from a systematic review and a longitudinal case study[J].International Journal of Production Economics,2015,165:234-246.
[11] MANJUL G,JOEY F G.Toward the development of a big data analytics capability[J]. Information & Management,2016,53(8):1049-1064.
[12] AKTER S,WAMBA S F,GUNASEKARAN A,et al.How to improve firm performance using big data analytics capability and business strategy alignment[J].International Journal of Production Economics,2016,182:113-131.
[13] WANG Y,HAJLI N .Exploring the path to big data analytics success in healthcare[J].Journal of Business Research,2017,70:287-299.
[14] RIALTI R,MARZI G,CIAPPEI C,et al.Reframing agile organization.do big data analytics capabilities matter?[C].Academy of Management Specialized Conference-Big Data and Managing in the Digital Economy,2018.
[15] WANG Y,KUNG L A,WANG W Y C,et al.An integrated big data analytics-enabled transformation model:application to health care[J].Information & Management,2018,55(1):64-79.
[16] ORLIKOWSKI W J.Sociomaterial practices:exploring technology at work[J].Organization Studies,2007,28(9):1435-1448.
[17] WIXOM B H,YEN B,RELICH M .Maximizing value from business analytics[J].MIS Quarterly Executive,2013,12(2):111-123.
[18] BOYD D,CRAWFORD K.Critical questions for big data[J].Information,Communication & Society,2012,15(5):662-679.
[19] ZENG J,GLAISTER K W.Value creation from big data:Looking inside the black box[J].Strategic Organization,2017,16(2):105-140.
[20] KRISHNAMOORTHI S,MATHEW S K.Business analytics and business value:a comparative case study[J].Information & Management,2018,55(5):643-666.
[21] ORLIKPWSKI W J,SCOTT S V.Sociomateriality:challenging the separation of technology,work and organization[J].The Academy of Management Annals,2008,2(1):433-474.
[22] BRAGANZA A,BROOKS L,NEPELSKI D,et al.Resource management in big data initiatives:processes and dynamic capabilities[J].Journal of Business Research,2017,70:328-337.
[23] AKTER S,WAMBA S F,BARRETT M,et al.How talent capability can shape service analytics capability in the big data environment[J].Journal of Strategic Marketing,2018(2):1-19.
[24] WAMBA S F,GUNASEKARAN A,AKTER S.Big data analytics and firm performance:effects of dynamic capabilities [J].Journal of Business Research,2017,70:356-365.
[25] MIKALEF P,PAPPAS I O,KROGSTIE J,et al.Big data analytics capabilities:a systematic literature review and research agenda[J].Information Systems and e-Business Management,2017(2):1-32.
[26] RAGUSEO,ELISABETTA.Big data technologies:an empirical investigation on their adoption,benefits and risks for companies[J].International Journal of Information Management,2018,38(1):187-195.
[27] CHAE H C,KOH C E,PARK K O .Information technology capability and firm performance:role of industry[J].Information & Management,2018,55(5):525-546.
[28] SHENG J,AMANKWAH-AMOAH J,WANG X .A multidisciplinary perspective of big data in management research[J].International Journal of Production Economics,2017,191:97-112.
[29] MAZZEI M J,NOBLE D.Big data dreams:a framework for corporate strategy[J].Business Horizons,2017(60):405-414.
[30] 李颖,王羽萱,刘妍.企业竞争情报能力解构与评价研究[J].情报理论与实践,2014,37(7):33-37.
[31] 李广建,化柏林.大数据分析与情报分析关系辨析[J].中国图书馆学报,2014,40(5):14-22.
[32] CECEZ-KECMANOVIC D,GALLIERS R D,HENFRIDSSON O,et al.The sociomateriality of information systems:current status,future directions[J].MIS Quarterly,2014,38(3):809-830.
[33] AYABAKAN S,BARDHAN I R,ZHENG Z.A data envelopment analysis approach to estimate it-enabled production capability[J].MIS Quarterly,2017,41(1):189-205.
[34] 任南,鲁丽军,何梦娇.大数据分析能力、协同创新能力与协同创新绩效[J].中国科技论坛,2018(6):59-66.
[35] DURAND R,GRANT R M,MADSEN T L .The expanding domain of strategic management research and the quest for integration[J].Strategic Management Journal,2017(38):4-16.
[36] ALESSANDRO M,SALLY D,MAUREEN M,et al.Big data,big decisions:the impact of big data on board level decision-making[J].Journal of Business Research,2018,93:67-78.
[37] CHEN H,CHIANG R H L,STOREY V C .Business intelligence and analytics:from big data to big impact[J].Mis Quarterly,2012,36(4):1165-1188.
[38] GUNTHER W A,REZAZADE MEHRIZI M H,HUYSMAN M,et al.Debating big data:a literature review on realizing value from big data[J].The Journal of Strategic Information Systems,2017,26(3):191-209.
[39] RAYMOND ANJANETTE H.Data management regulation:your company needs an up-to-date data/information management policy[J].Business Horizons,2013,56(4):513-520.
[40] AKTER S,WAMBA S F.Big data analytics in E-commerce:a systematic review and agenda for future research[J].Electronic Markets,2016,26(2):173-194.
[41] GHASEMAGHAEI M,HASSANEIN K,TUREL O .Increasing firm agility through the use of data analytics:the role of fit[J].Decision Support Systems,2017,101:95-101
[42] 郭峰,邹波,郭津毓,等.大数据环境下企业行为对创新能力与企业绩效的作用机理研究[J].科学学与科学技术管理,2017,38(4):126-136.
[43] SHARMA R,MITHAS S,KANKANHALLI A .Transforming decision-making processes:a research agenda for understanding the impact of business analytics on organisations[J].European Journal of Information Systems,2014,23(4):433-441.
[44] 胡振亚,李树业.基于大数据的创新机制研究[J].科学管理研究,2017(6):24-27+35.
[45] BHIMANI A.Exploring big data's strategic consequences[J].Journal of Information Technology,2015,30(1):66-69.
[46] HOOI T K,ABU N H B,RAHIM M K I A.Relationship of big data analytics capability and product innovation performance using smartpls 3.2.6:hierarchical component modelling in PLSSEM[J].International Journal of Supply Chain Management,2018,7(1):51-64.
[47] YEOW A,SOH C,HANSEN R .Aligning with new digital strategy:a dynamic capabilities approach[J].Journal of Strategic Information Systems,2018,27(1):43-58.
[48] ANDREA U,MARCEL B,VITTORIO C,et al.Creating and capturing value from big data:a multiple-case study analysis of provider companies[J].Technovation,2018(5).
[49] MAKADOK R,BURTON R,BARNEY J .A practical guide for making theory contributions in strategic management[J].Strategic Management Journal,2018,39(6):1530-1545.