英国零售行业中的数据驱动型敏捷性:中小企业如何在动态环境中通过实验证据实现创新

《Journal of Retailing and Consumer Services》:Data-driven agility in the UK retail sector: How SMEs innovate in dynamic environments through experimental evidence

【字体: 大 中 小 】 时间:2026年01月07日 来源:Journal of Retailing and Consumer Services 13.1

编辑推荐:

  穆罕默德·阿尔多萨里|戈玛·阿加格 沙特阿拉伯阿尔阿赫萨国王费萨尔大学商学院管理系,邮编31982 **摘要** 本研究探讨了大数据分析能力(BDAC)如何通过市场敏捷性的中介作用以及环境动态性和学习导向的 contingent 角色,推动英国零售中小企业(SMEs

  穆罕默德·阿尔多萨里|戈玛·阿加格
沙特阿拉伯阿尔阿赫萨国王费萨尔大学商学院管理系,邮编31982

**摘要**
本研究探讨了大数据分析能力(BDAC)如何通过市场敏捷性的中介作用以及环境动态性和学习导向的 contingent 角色,推动英国零售中小企业(SMEs)的创新。基于资源基础观(RBV)和动态能力观(DCV),我们采用了一种顺序混合方法设计,包括对26家中小企业的定性预研究以及两项实验。定性阶段为 BDAC 和市场敏捷性提供了背景信息,并为行业特定的实验刺激提供了依据。研究1(N = 248名中小企业决策者)提供了因果证据,表明更强的 BDAC 能够提高市场敏捷性,进而增加创新采纳和创新能力,其中对采纳的影响更为显著。研究2(N = 96人/48个两人团队)测试了边界条件,并揭示了一种不对称的 contingent 关系:环境动态性增强了敏捷性与采纳之间的联系,而学习导向则加强了敏捷性与创新之间的联系。通过区分采纳与创新,并在受控条件下展示这种不对称的调节模式,本研究阐明了为什么数据丰富的中小企业可能成为快速采纳者,但在没有制度化学习流程的情况下难以生成新的产品或服务。对于实践者和政策制定者而言,研究结果表明,数字投资必须辅以敏捷的决策周期和学习导向的做法,以便在动态的零售市场中将数据转化为及时的创新行动。

**1. 引言**
中小企业(SMEs)是大多数经济的支柱,也是就业、本地价值创造和社会韧性的关键引擎(Anwar 等人,2024;Jalali 等人,2024)。在英国,零售中小企业特别容易受到需求波动、快速数字化、平台中介竞争和供应侧冲击的影响,这些因素都压缩了规划时间范围,提高了对快速感知和响应的要求(Ardito 等人,2025;Aftab 等人,2025)。这些条件使得零售中小企业成为研究数字能力如何转化为创新成果的理论上有意义的背景。

大数据分析能力(BDAC)越来越被视为一项战略能力,使企业能够从多样化的数据来源中提取价值,并支持更快更好的决策(Gupta 和 George,2016;Mikalef 等人,2019;Wamba 等人,2017)。BDAC 结合了有形资源(如数据可用性和分析技术)、无形资源(如数据驱动的文化、治理和决策规范)以及人力资源(如技术和管理技能)(Mikalef 等人,2019)。在零售领域,BDAC 可以将销售点交易、网络流量、库存动态和客户互动转化为关于新兴需求和竞争动向的洞察(Akter 等人,2020;Ranjan 和 Foropon,2021)。然而,关于 BDAC 和创新的实证研究结果仍然存在差异,部分原因是分析资源本身并不直接创造创新,除非它们被转化为协调一致的行动。以往的研究也往往依赖于横截面调查和综合创新指标,这限制了因果推断,并可能掩盖了分析所支持的创新类型的差异(Akter 和 Wamba,2016;Cappa 等人,2021)。

市场敏捷性被认为是 BDAC 产生绩效效益的关键组织机制,尤其是在动态环境中(Goldman 等人,1995;Lu 和 Ramamurthy,2011;Teece 等人,2016)。市场敏捷性反映了企业感知市场变化的能力(警觉性)以及通过及时调整产品、运营和客户参与度来做出响应的能力(Hajli 等人,2020)。从动态能力的角度来看,敏捷性通过将分析洞察转化为决策速度和适应性响应来实施企业的感知和抓住机会的流程(Teece 等人,1997;Teece,2007)。然而,关于 BDAC 是否真正提高了中小企业的敏捷性,以及敏捷性是否是推动零售环境中创新成果的机制,目前仍缺乏足够的因果证据(Mikalef 和 Krogstie,2020;Roberts 和 Grover,2012;Zheng 等人,2025)。

对于零售中小企业和 BDAC 理论而言,创新采纳与创新生成之间的区别至关重要。创新采纳涉及实施对企业或市场而言是新的创新,而创新生成则涉及创造对世界而言是新的产品或服务(Bhatti 等人,2025;Damanpour 和 Wischnevsky,2006;Pérez-Lu?o 等人,2011)。采纳通常能带来更快的回报和更低的不确定性;而创新生成则更具探索性、资源密集型,并依赖于学习。由于分析增强了响应能力和短期决策,它可能自然倾向于采纳现有的创新,除非企业维持支持实验和知识整合的学习流程。因此,区分采纳与生成有助于更清晰地理解在 BDAC 驱动的敏捷性下,何时会产生渐进式创新而非新颖创新。

我们进一步提出,敏捷性的创新回报是 contingent 且不对称的。环境动态性反映了市场变化的速度和不可预测性,应该会增加采纳敏捷性的回报,因为快速实施有助于中小企业跟上不断变化的形势(Khandwalla,1977;Li 等人,2021)。学习导向反映了组织对学习、反思和知识共享的重视程度,应该通过使中小企业能够将快速感知和响应转化为持续的实验来增加创新生成的回报(Bowman 和 Ambrosini,2003;Winter,2003)。这种不对称的 contingent 关系为解释为什么一些数据丰富的中小企业成为快速采纳者但仍然难以生成新颖产品提供了理论上的依据。基于资源基础观(Barney,1991;Wernerfelt,1984)和动态能力观(Teece 等人,1997;Teece,2007),我们提出了三个研究问题:
RQ1:BDAC 如何以及在多大程度上提高了零售中小企业的市场敏捷性?
RQ2:市场敏捷性是否中介了 BDAC 对创新生成和采纳的影响?
RQ3:在何种情境条件下(即环境动态性和学习导向),市场敏捷性对创新成果的影响更强?

本研究在三个方面做出了贡献。首先,它通过提供零售中小企业环境中 BDAC、市场敏捷性和创新之间联系的因果实验测试,扩展了关于 BDAC 和创新的证据。其次,它通过区分采纳与创新生成,推进了分析研究中的创新理论。第三,它识别出一种不对称的调节模式:环境动态性主要增强了由敏捷性驱动的采纳,而学习导向主要增强了由敏捷性驱动的创新生成。本文的其余部分回顾了相关文献,提出了假设,介绍了混合方法设计和结果,并讨论了意义和局限性。

**2. 文献综述**
2.1. 零售中小企业中的大数据分析
BDAC 描述了企业获取、整合、分析和利用数据以支持决策的能力(Gupta 和 George,2016;Mikalef 等人,2019;Wamba 等人,2017)。与 RBV 一致,BDAC 作为单一资产的价值较低。它们的价值取决于以下方面的互补性:(i)数据和技术基础设施;(ii)数据驱动的文化和治理;(iii)使解释和行动成为可能的人力技能。在中小企业中,由于资源稀缺、角色集中且流程往往非正式,这些互补性难以建立。尽管如此,零售中小企业仍通过 POS 系统、电子商务平台、忠诚度计划和供应商接口生成大量交易和行为数据,这既创造了机会也带来了协调挑战(Akter 等人,2020;Ranjan 和 Foropon,2021)。现有的 BDAC 研究通常将分析能力与创新和绩效联系起来,但研究结果存在差异,其机制也存在争议(Akter 和 Wamba,2016;Cappa 等人,2021)。一个原因是许多研究将 BDAC 视为创新的直接前提,而没有具体说明洞察如何转化为决策。另一个原因是中小企业在实施上受到限制:即使有准确的洞察,如果没有协调优先级、分配资源和管理权衡的流程,也可能无法采取行动。因此,最近的研究越来越多地将敏捷性和动态能力视为将分析转化为成果的组织路径(Mikalef 和 Krogstie,2020;Roberts 和 Grover,2012)。然而,这些证据大多仍然是相关性的;BDAC 驱动的敏捷性及其创新后果的因果地位仍存在争议,尤其是在面向消费者的中小企业中。

2.2. 创新的双重性质
创新通常被概念化为新产品的/服务的创造或采纳其他地方开发的创新。创新的双重性质框架区分了创新生成(对世界而言是新的)和创新采纳(对市场或企业而言是新的)(Damanpour 和 Wischnevsky,2006;Pérez-Lu?o 等人,2011)。这一区分对中小企业至关重要,因为创新生成需要更广泛的探索、更高的不确定性容忍度和更长的时间范围,而采纳可以在更狭窄的范围内以更快的回报执行(de Jong 等人,2021)。在零售领域,采纳可能涉及采用新的支付系统、履行选项或 CRM 工具,而创新生成可能涉及创造新的提案、格式或专有服务概念。

BDAC 可能对这两种创新类型产生不同的影响。分析可以改善市场洞察并支持更快的反应,从而直接支持采纳决策(例如,选择和实施外部解决方案)。相比之下,创新生成不仅需要洞察力,还需要重新组合知识、进行实验和制度化学习的能力。因此,具有强大 BDAC 的中小企业可能成为高度响应的采纳者,但在没有学习流程支持探索的情况下仍难以生成创新(Agag 等人,2024;Pérez-Lu?o 等人,2011;Zheng 等人,2025)。实证研究中,BDAC 通常将创新简化为单一概念,这使得难以解释不同情境下的混合结果(Akter 和 Wamba,2016;Cappa 等人,2021)。因此,区分采纳与生成可以更清晰地测试分析支持的敏捷性如何塑造创新策略。

2.3. 市场敏捷性
市场敏捷性反映了组织感知客户需求和竞争条件变化并迅速适当响应的能力(Goldman 等人,1995;Lu 和 Ramamurthy,2011)。它通常被概念化为包括警觉性(即监控、解释和预测市场信号)和响应性(即行动的速度和灵活性)(Li 等人,2021;Teece 等人,2016)。在中小企业中,敏捷性由简单的、常规化的决策流程以及快速调动有限资源的能力决定。因此,敏捷性并不等同于一般的灵活性;它是一种通过重复的感知和响应流程体现的具体能力。

BDAC 有望通过提高信息质量、及时性和可解释性来增强市场敏捷性,从而实现更快的诊断和更精确的行动(Gupta 和 George,2016;Mikalef 等人,2019)。然而,如果组织流程不一致,分析也可能导致信息过载或产生虚假的控制感。因此,理解 BDAC 与敏捷性之间的联系需要关注数据驱动的实践如何嵌入决策过程,以及企业如何将分析资源转化为行动。

2.4. 综合理论
本研究结合了 RBV 和 DCV 来解释分析如何在动态零售市场中转化为创新。在 RBV 中,BDAC 代表了一组有价值的、稀有的、难以模仿的无形资源,当它们嵌入到特定企业的流程和人力资本中时(Barney,1991;Wernerfelt,1984)。在 DCV 中,资源只有在企业能够感知机会、抓住机会并相应地重新配置运营时才能产生持续的优势(Teece 等人,1997;Teece,2007;Winter,2003)。市场敏捷性被概念化为一种动态能力,它通过将分析洞察转化为及时的决策和行动来实施 BDAC(Lu 和 Ramamurthy,2011;Teece 等人,2016)。一个关键的理论问题是 BDAC 与敏捷性和创新之间的一般关系,而不是这些关系何时以及如何产生不同的创新模式。以往的 BDAC-敏捷性研究往往泛化地强调绩效或创新,很少理论化为什么分析驱动的响应性更容易产生采纳而非创新。此外,关于内生性的担忧仍然存在,即创新型企业可能会变得更加敏捷,而敏捷性可能是由创新压力而非分析能力引起的。通过使用实验并将创新采纳与创新生成区分开来,我们提供了对效应方向的更强因果解释,并澄清了数据丰富的中小企业中利用性响应性和探索性创新之间的理论张力。

最后,我们纳入了情境 contingent 性。环境动态性反映了竞争和客户变化的不可预测性(Khandwalla,1977;Li 等人,2021)。学习导向反映了组织对学习、反思和知识共享的重视程度,这有助于中小企业将快速感知和响应转化为持续的实验(Bowman 和 Ambrosini,2003;Winter,2003)。这些 contingent 性对中小企业尤为重要,因为它们缺乏缓冲机制,必须决定如何在快速适应和长期实验之间分配有限的资源。

**3. 概念框架和假设发展**
图 1 展示了概念框架。我们认为 BDAC 提高了市场敏捷性,从而促进了创新采纳和创新生成。我们进一步提出,敏捷性与创新之间的关系强度取决于环境动态性和学习导向。BDAC的无形组成部分反映了数据和分析在组织决策规范中的嵌入程度(例如,基于证据的决策、治理和跨职能数据使用)。此外,学习导向体现了通过实验、反思和知识制度化来促进学习的更广泛的文化承诺。尽管这两个概念都与组织文化相关,但它们在所指对象(即数据使用规范与学习惯例)和预期作用(即资源组成部分与边界条件)上存在差异。下载:下载高分辨率图片(312KB)下载:下载全尺寸图片图1. 研究模型。3.1. 大数据分析能力与市场敏捷性BDAC可以通过提高警觉性和响应速度来增强市场敏捷性。在警觉性方面,集成的数据和分析工具扩展了中小企业可以监控的市场信号的范围和及时性,包括需求波动、促销效果和竞争对手的行动(Akter等人,2020年;Ranjan和Foropon,2021年)。在响应方面,分析技能和数据驱动的文化减少了解释的模糊性,并促进了跨职能的快速协调,从而支持了产品组合、定价和服务流程的快速调整(Gupta和George,2016年;Mikalef等人,2019年;Wamba等人,2017年)。这些要素共同使中小企业能够更早地检测到市场变化,并以更高的速度和准确性作出反应。从动态能力的角度来看,大数据分析能力(BDAC)作为一种使能资源,通过增强信息处理、模式识别和决策支持来加强企业的感知和抓住机会的能力(Teece,2007年;Teece等人,2016年)。BDAC并不是作为一种独立的技术资产发挥作用,而只有当它们系统地嵌入到指导市场信号监控、解释和行动的组织惯例中时,才能贡献于竞争优势(Lu和Ramamurthy,2011年;Mikalef和Krogstie,2020年)。在零售中小企业中,由于决策周期较短且资源紧张,分析的价值不在于其本身的复杂性,而在于其整合到支持市场敏捷性的日常感知和响应过程中(Goldman等人,1995年;Li等人,2021年)。由于敏捷性是通过重复和常规化的管理行动体现的,如定期监控需求信号、快速评估备选方案以及及时重新分配资源,因此当BDAC嵌入到持续的决策过程中时,其作用最为显著,而不是作为临时分析报告或回顾性绩效仪表板使用。当分析以这种方式常规化时,它们通过提高企业检测新兴趋势和异常的能力来增强警觉性,同时通过减少与快速行动相关的不确定性和协调成本来支持响应(Lu和Ramamurthy,2011年;Teece等人,2016年)。相比之下,当BDAC与组织惯例结合较弱时,它们的贡献可能仅限于描述性洞察,而不会转化为适应性行为(Mikalef和Krogstie,2020年;Zheng等人,2025年)。因此,我们提出以下假设:H1 大数据分析能力与零售中小企业的市场敏捷性呈正相关。3.2. 市场敏捷性与创新的双重性质市场敏捷性应有助于创新采纳,因为它加速了外部创新的扫描、评估和实施(de Jong等人,2021年)。敏捷的中小企业可以更早地识别有前景的创新,将其与当地需求信号对齐,并在竞争对手之前实施,这在以短周期和快速扩散为特征的零售环境中尤其有价值(Lu和Ramamurthy,2011年;Teece等人,2016年)。敏捷性还通过支持更快的迭代和市场反馈来促进创新生成。通过反复的感知和响应,中小企业可以发现未满足的需求并尝试新的解决方案,逐步将其完善为全新的产品(Damanpour和Wischnevsky,2006年;Pérez-Lu?o等人,2011年)。然而,由于创新采纳通常涉及实施已经在其他地方验证过的解决方案,因此它涉及的不确定性较低,反馈周期较短,绩效基准也更明确(Damanpour和Wischnevsky,2006年;Pérez-Lu?o等人,2011年)。在这种情况下,市场敏捷性被定义为快速感知和响应环境信号的能力,特别有效,因为它允许企业将洞察转化为及时、低风险的行动,如采用新技术、新格式或新实践(Lu和Ramamurthy,2011年;Zheng等人,2025年)。相比之下,创新生成需要更深入的探索、实验以及将知识重新组合成全新的产品,这些过程通常需要持续的学习、对失败的容忍以及更长的开发时间(Bowman和Ambrosini,2003年;Winter,2003年)。因此,仅靠快速响应可能不足以产生创新成果,除非它伴随着以学习为导向的惯例。因此,虽然市场敏捷性预计会对创新采纳和创新生成产生积极影响,但在实证测试中,其对采纳的影响可能比对生成的影响更强且更直接(Li等人,2021年;Teece等人,2016年)。H2 市场敏捷性与零售中小企业的创新生成呈正相关。3.3. 市场敏捷性的中介作用BDAC并不期望仅通过积累分析工具或数据资产来转化为创新。相反,BDAC应通过增强企业感知和响应的能力来促进创新——这是市场敏捷性的本质(Goldman等人,1995年;Lu和Ramamurthy,2011年)。BDAC提高了信息质量和解释能力,但敏捷性决定了这些洞察是否能够转化为及时的创新决策。因此,市场敏捷性代表了将BDAC转化为创新采纳和创新生成结果的直接行为能力。这种中介逻辑与动态能力观点一致,该观点认为资源并不直接产生优势,而是通过其在更高层次能力中的部署来发挥作用,这些能力使企业能够感知机会、抓住机会并根据环境变化重新配置资源(Teece,2007年;Teece等人,2016年)。从这个角度来看,大数据分析能力代表了一种宝贵的资源基础,但其绩效效果取决于企业是否具备将分析洞察转化为适应性行动所需的组织能力。基于资源的观点同样强调,除非资源与促进有效利用的互补惯例和流程相结合,否则资源本身不足以创造价值(Barney,1991年;Wernerfelt,1984年)。市场敏捷性通过实现企业如何将分析嵌入到重复的感知和响应惯例中来捕捉这种互补能力,从而指导及时的决策(Li等人,2021年;Lu和Ramamurthy,2011年)。当这些惯例存在时,BDAC可以转化为与创新相关的成果;当它们缺失时,分析仍然未被充分利用(Mikalef和Krogstie,2020年;Zheng等人,2025年)。因此,我们提出以下假设:H4 市场敏捷性中介了大数据分析能力与零售中小企业创新双重性质(即创新生成和创新采纳)之间的关系。3.4. 环境动态性和学习导向的调节作用环境动态性增加了速度和灵活性的边际价值,因为客户偏好、竞争对手行动和渠道条件变化迅速且不可预测(Khandwalla,1977年;Li等人,2021年)。在高度动态的零售环境中,中小企业面临缓慢响应的更高机会成本和与需求变化不匹配的更高风险。因此,市场敏捷性对于创新采纳特别有价值,因为它允许中小企业快速实施外部开发的解决方案、调整格式或采用数字工具以保持竞争力。相比之下,学习导向塑造了企业将快速感知和响应转化为持续探索和知识重组的能力。以学习为导向的中小企业将实验制度化,鼓励对成功和失败的反思,并将反馈嵌入到随时间积累组织知识的共享惯例中(Bowman和Ambrosini,2003年;Winter,2003年)。这些惯例超越了即时响应,使企业能够从对信号的响应转向系统地探索新机会和完善新想法。这种导向对于创新生成尤为重要,因为创新生成涉及更高的不确定性、更长的开发时间以及整合多样化的知识来源,而不是高效实施既定解决方案(Damanpour和Wischnevsky,2006年;Pérez-Lu?o等人,2011年)。虽然敏捷性可能支持两种类型的创新,但学习导向决定了敏捷响应是否转化为更深层次的探索性成果或仅限于渐进式调整。因此,学习导向预计会增强市场敏捷性对创新生成的影响,而不是对创新采纳的影响,从而产生不对称的调节模式(Li等人,2021年;Zheng等人,2025年)。H5 环境动态性增强了市场敏捷性对零售中小企业创新采纳的积极影响。H6 学习导向增强了市场敏捷性对零售中小企业创新生成的积极影响。4. 方法论4.1. 研究背景和总体设计我们采用了一种顺序混合方法设计。一个定性的预研究在英国零售中小企业背景下确立了概念的相关性,明确了BDAC和市场敏捷性在实践中的表现,并为实验案例和决策任务提供了输入。随后的两个实验测试了假设的因果路径和边界条件。这种设计响应了BDAC研究中对于更丰富背景化和更强因果推断的需求(Mikalef等人,2019年;Wamba等人,2017年)。本研究的实证背景是英国零售中小企业,这一环境的特点是竞争压力大、产品和促销周期短,以及宏观经济波动和渠道波动性高。零售中小企业靠近最终消费者,必须不断调整产品组合、定价和服务提供,以应对需求变化、平台规则和供应条件的变化(Li等人,2021年)。同时,这些企业越来越依赖数字基础设施,如销售点系统、电子商务平台、配送聚合器和客户关系管理工具,这些基础设施产生了大量的交易和行为数据(Ranjan和Foropon,2021年)。虽然这些基础设施扩展了分析潜力,但也引入了协调和解释挑战,特别是对于资源有限的中小企业而言。这些特征使得英国零售中小企业背景在理论上适合研究大数据分析能力如何嵌入组织惯例中,如何促进市场敏捷性,以及它们的创新效应如何随环境和组织条件而变化(Zheng等人,2025年)。4.2. 测量、可靠性和有效性测量方法是从已建立的量表中改编的,并根据零售中小企业的背景进行了调整。BDAC被操作化为一个多维能力,涵盖了有形、无形和人力资源组成部分(Gupta和George,2016年;Mikalef等人,2019年;Wamba等人,2017年)。市场敏捷性根据Lu和Ramamurthy(2011年)的操作化,并与零售研究中的敏捷性概念保持一致(Li等人,2021年)。创新采纳和创新生成使用双重创新框架进行测量(Damanpour和Wischnevsky,2006年;Pérez-Lu?o等人,2011年)。为了解决方法共性的问题并反映创新决策的管理性质,创新成果使用了两种互补的测量方法。首先,参与者报告了与采纳和生成相关的意图。其次,参与者完成了一个受限分配任务,在该任务中他们将固定预算(或分数)分配给以采纳为导向和创新生成为导向的创新举措。这项任务引发了优先级行为,并减少了对单一自我报告量表的依赖。环境动态性和学习导向根据研究需要进行测量和/或操纵,这与它们作为背景调节变量的角色一致(Bowman和Ambrosini,2003年;Khandwalla,1977年;Winter,2003年)。遵循标准程序进行了可靠性和有效性检查。所有多项目构念的内部一致性令人满意(Cronbach's alpha值超过0.80)。验证性因素分析支持BDAC、市场敏捷性、创新采纳、创新生成、环境动态性和学习导向之间的收敛效度和区分效度。特别关注区分无形的BDAC(即数据驱动的决策规范和治理)和学习导向(即学习惯例和实验文化)。区分效度测试支持将它们视为独立的构念;详细结果和项目措辞在在线附录中提供。最后,我们实施了几个程序和统计补救措施来减轻与方法共性相关的担忧。在程序上,参与者被随机分配到实验条件中,关键构念在单独的块中测量,并嵌入了注意力和理解力检查以减少一致性动机和粗心回答(Podsakoff等人,2024年)。在统计上,我们使用不同的模型规格进行了稳健性测试,并检查了结果是否对因变量的不同操作化敏感。此外,我们实施了标记变量方法作为诊断性检查,以评估方法共性对估计关系的潜在影响;标记变量的包含并未实质性改变实质性结果,表明方法共性不太可能驱动研究结果。由于核心预测变量是实验操纵的,与观察性设计相比,与逆向因果关系和同时性相关的担忧大大减少(Simmering等人,2015年)。尽管如此,我们认识到分析能力、敏捷性和创新之间的长期相互作用动态可能会随着时间的推移而显现出来,因此我们将这些可能性明确地作为未来研究的限制和途径进行讨论(Agag等人,2024年;Zheng等人,2025年)。4.3. 定性预研究定性阶段有三个目的:(i)验证BDAC、市场敏捷性和双重创新结果在零售中小企业环境中的相关性和边界;(ii)为构建现实的实验场景、决策任务和措辞提供信息;(iii)通过将每个构念锚定在实践者的语言和清晰可观察的决策程序中,而不是抽象的标签中,来减轻关于构念重叠的担忧。通过收集管理者如何描述、实施和区分分析使用、感知活动和响应行为的信息,定性阶段能够使构念边界更加清晰,并降低概念冗余的风险。这种基础确保了分析上相关但在理论上不同的概念(例如,分析能力、市场敏捷性和学习导向)能够基于它们在决策过程中的功能角色进行实证区分,而不是通过重叠的调查措辞或事后解释。4.3.1. 样本和数据收集我们对英国26家零售中小企业进行了半结构化访谈,这些企业涉及食品杂货/便利品、时尚/服装、健康与美容、家居用品和专业零售领域。这些企业符合中小企业的标准(员工少于250人),并且显示出最低限度的数字数据痕迹(例如,POS和库存记录、在线流量或CRM数据),从而能够讨论BDAC的组成部分。受访者是负责分析、营销、运营或创新的所有者-经理或高级决策者。访谈持续60-85分钟,在获得同意的情况下进行了录音,并进行了逐字转录。4.3.2. 编码方法我们使用了一种混合演绎-归纳的方法来分析转录内容。初步编码基于BDAC三元组(有形的、无形的、人类的)、二维市场敏捷性结构(警觉性和响应性)以及采用与生成创新分类法(Damanpour和Wischnevsky,2006年;Pérez-Lu?o等人,2011年)。归纳编码允许额外的实践和情境细微差别显现出来。编码是迭代进行的,并通过协调会议来完善类别并确保解释的一致性。访谈指南、编码协议和扩展的引用表在在线附录A中提供。4.3.3. 关键见解四个见解为定量阶段提供了指导。首先,中小企业经常表现出不平衡的BDAC配置:一些企业在没有足够技能的情况下投资于工具,而其他企业则有熟练的员工,但数据分散且治理薄弱。其次,敏捷性是通过常规化的警觉性(即仪表板、异常监控和简单预测)和常规化的响应性(即短交易周期、授权的决策权和快速的供应商/客户调整)来实现的。第三,创新事件主要是采用导向的;管理者将采用描述为保持竞争力的务实方式,而生成则被认为是困难的,并且依赖于持续的实验和知识共享程序。第四,参与者强调环境动荡增加了快速采用的价值,而学习程序则促进了更深入的实验。这些见解指导了实验操作和不对称调节模式的解释。4.4. 实验研究4.4.1. 样本和程序研究1使用了一个被试间情景实验来测试H1-H4。参与者是从经过验证的专业面板中招募的248名英国零售中小企业决策者(例如,所有者/董事和职能经理)。招募时筛选了积极参与零售决策的人。参与者被随机分配到高BDAC或低BDAC情景中,这两种情景描述了面临相似市场条件的零售中小企业。实验操作改变了关于数据整合、分析工具、决策规范和分析技能的线索,同时保持产品类别和基线策略不变。在阅读情景后,参与者完成了操作检查、市场敏捷性量表和创新结果测量(意图和在采用导向与生成导向举措之间的100分分配)。我们还收集了人口统计信息和公司特征(例如,规模、运营年限)以供描述性目的,并进行了随机化检查。注意力和理解力检查用于确保数据质量;排除标准遵循在线附录B中报告的预先指定的规则。4.4.2. 分析策略我们使用混合演绎-归纳方法估计了OLS回归模型,以测试BDAC对市场敏捷性(H1)和市场敏捷性对创新结果(H2-H3)的主要影响。为了测试中介作用(H4),我们使用了5000次重采样的自助法来估计间接效应和置信区间。我们报告了标准化系数以便于解释,并使用替代规格(例如,控制公司规模和管理经验)来测试稳健性。4.4.3. 结果结果强烈支持了提出的核心机制。首先,实验操作是成功的:高BDAC条件下的参与者报告的分析能力显著高于低BDAC条件下的参与者(t = 26.4,p < .001),证实了操作的有效性。与H1一致,高BDAC显著提高了市场敏捷性(β = .41,p < .001),表明分析能力增强了企业感知和响应市场变化的能力。支持H2和H3,市场敏捷性与两种创新结果都呈正相关,对创新生成的效应适中(β = .22,p = .002),对创新采用的效应则显著更强(β = .35,p = .001)。这种不对称性与理论和探索性创新与利用性创新之间的区别一致。中介分析进一步表明,市场敏捷性显著地将BDAC的效应传递给了创新生成(间接效应 = .09,95% CI [.05, .14])和创新采用(间接效应 = .15,95% CI [.10, .21]),支持H4。重要的是,行为预算分配任务的结果与基于意图的发现紧密吻合:更高的敏捷性与分配给两种创新类型的资源份额更大,特别是采用,表明敏捷性不仅影响声明的偏好,还影响在受限决策条件下的优先级行为。完整的稳健性检查在在线附录B中报告(图2,表1,表2,表3,表4,表5,表6,表7,表8,表9,表10,表11,表12,表13)。下载:下载高分辨率图像(219KB)下载:下载全尺寸图像图2. 环境动态性和学习导向对市场敏捷性-创新关系的调节效应。表1. 研究1样本人口统计特征类别计数(n)百分比(%)参与者(净样本)总数248100.0角色所有者/总经理12952.0职能经理(商品/运营/营销/电子商务)11948.0公司规模6-19名员工8333.520-49名员工9638.750-249名员工6927.8子行业食品杂货/便利品5020.2时尚/服装5020.2健康与美容4919.8家居用品5020.2专业零售4919.8位置城市11446.0郊区8735.1农村4718.9渠道组合店铺主导12450.0全渠道7429.8电子商务主导5020.2表2. 研究1按条件的随机化平衡检查。基线变量高BDAC(n = 124)低BDAC(n = 124)测试p值所有者/经理(%)52.451.6χ2(1) = .01.93员工(中位数)3331男性-女性U = 7525.64子行业(时尚,%)20.220.2χ2(1) = .001.00位置(城市,%)46.845.2χ2(1) = .06.81渠道(全渠道,%)29.030.6χ2(1) = .05.83表3. 研究1按条件的操作检查。测量高BDAC(M ± SD)(n = 124)低BDAC(M ± SD)(n = 124)tp值感知BDAC强度(指数,1-7)5.9 ± .83.2 ± .926.4<.001理解通过率(%)96.895.2.48.63表4. 研究1. 假设检验。路径/模型βSEt/zp值结果H1: BDAC → 市场敏捷性(OLS)。41.076.0<.001支持H2: 敏捷性 → 创新生成(OLS)。22.073.1.002支持H3: 敏捷性 → 创新采用(OLS)。35.065.8<.001支持表5. 研究1. 通过市场敏捷性的中介作用(间接效应)。间接路径效应(ab)SE95% CI显著性BDAC → 敏捷性 → 创新生成。09.02[.05, .14]是BDAC → 敏捷性 → 创新采用。15.03[.10, .21]是注。α表示Cronbach's alpha。路径以标准化系数报告。表6. 研究2团队和参与者概况。特征类别计数(n)百分比(%)团队总数(经过质量检查后)48100.0参与者总数96100.0角色(参与者)所有者/总经理5254.2职能经理(商品/运营/营销/电子商务)4445.8团队组成团队中至少有一名所有者3062.5公司规模(员工)6-191633.320-491939.650-2491327.1子行业(团队)食品杂货/便利品1020.8时尚/服装1020.8健康与美容918.8家居用品1020.8专业零售4919.8位置(公司)城市2245.8郊区1735.4农村918.8渠道组合(公司)店铺主导2450.0全渠道1531.3电子商务主导918.8表7. 研究2按实验单元(团队和参与者)的随机化。单元(ED × LO)团队(n)参与者(n)所有者在场百分比(%)公司规模中位数高ED × 高LO12246733高ED × 低LO12245831低ED × 高LO12246332低ED × 低LO12246231表8. 研究2跨单元的基线平衡。基线变量HED × HLOHED × LLOLED × HLOLED × LLO测试(p值)团队中所有者百分比(%)67586362χ2(3) = .42, p = .94公司规模中位数33313231Kruskal–Wallis H = .37, p = .95城市位置(%)50424644χ2(3) = .29, p = .96全渠道(%)33293131χ2(3) = .19, p = .98表9. 研究2按因素水平的操作检查。测量高水平(M ± SD)低水平(M ± SD)tdfp值ED检查(1-7)5.8 ± .93.1 ± 1.011.846<.001LO检查(1-7)5.6 ± .83.2 ± 1.011.246<.001表10. 研究2多层次模型 - 意图(按团队随机截距)。DVP预测变量βSEtp值ICC采用意图市场敏捷性。26.073.7<.001.16采用意图ED(高 = 1)。09.071.3.19.16采用意图LO(高 = 1)。07.071.0.32.16采用意图敏捷性 × ED。24.073.4.001.16采用意图敏捷性 × LO。08.061.9.061.16生成意图市场敏捷性。19.072.8.006.18生成意图ED(高 = 1)。08.071.1.27.18生成意图敏捷性 × ED。12.071.8.076.18生成意图敏捷性 × LO。08.071.1.27.18生成意图敏捷性 × ED。12.071.8.076.18表11. 研究2模型-行为份额(Logit转换OLS)。DVP预测变量βSEtp值采用份额市场敏捷性。23.073.3.002采用份额ED(高 = 1)。10.071.4.17采用份额LO(高 = 1)。06.071.9.36采用份额敏捷性 × ED。22.073.4.001.16采用份额敏捷性 × LO。07.061.9.061.16生成份额市场敏捷性。17.072.5.015生成份额ED(高 = 1)。07.071.071.0.32生成份额敏捷性 × ED。11.071.6.11生成份额敏捷性 × ED。11.071.6.11生成份额敏捷性 × LO。23.073.002表12. 研究2在±1 SD的调节变量下的简单斜率。结果调节变量水平敏捷性的斜率(β)SEp值采用意图ED低(?1 SD)。12.07.090采用意图ED高(+1 SD)。44.08<.001生成意图LO低(?1 SD)。08.07.220生成意图LO高(+1 SD)。36.08<.001表13. 研究2按实验单元(团队和参与者)的行为过程指标。单元(ED × LO)时间至决策(分钟)线索驱动的调整(/轮次)适当性(0-1)n(团队)高ED × 高LO2.6 ± .83.5 ± 1.1.79 ± .1012高ED × 低LO2.6 ± .93.4 ± 1.2.77 ± .1112低ED × 低LO2.9 ± .92.9 ± .1112低ED × 低LO3.0 ± .92.9 ± .1112注。α表示Cronbach's alpha。系数已标准化。多层次模型包括团队的随机截距;报告的ICC反映了可归因于团队的方差。4.5. 实验研究24.5.1. 样本和设计研究2使用基于团队的模拟来检验环境动态性和学习导向的调节作用(H5-H6)。分析单位是一个由所有者/经理和职能负责人共同决策的两人团队,以反映中小企业决策通常是协作进行的。最终样本包括来自英国零售中小企业的96人组成的48个团队。团队被随机分配到2x2的团队间设计:环境动态性(低 vs 高)和学习导向(低 vs 高)。由于每个单元的团队数量较少(大约12个),该研究旨在检测中等程度的交互效应,并在解释结果时考虑了效应大小和稳健性。研究2采用了基于团队的2 × 2实验设计,共有48个两人团队,反映了零售中小企业战略决策的协作性质,其中与创新相关的选择通常由所有者和职能经理共同做出,而不是个人单独做出。虽然每个实验单元的团队数量限制了检测小交互效应的统计功效,但该设计优先考虑了生态现实性和理论驱动的边界条件测试。重要的是,观察到的调节模式在基于意图的测量和行为分配结果上都是一致的,并与定性预研究的见解紧密一致。因此,我们将调节结果解释为方向性的、与理论一致的证据,而不是效应大小的精确估计。未来使用更大团队样本和不同组织背景的研究将有助于复制和进一步量化这些交互效应。4.5.2. 程序和操作团队在模拟的零售交易环境中完成了三轮决策。每轮都会提供市场线索(销售趋势、竞争对手动向、客户反馈信号),并要求团队在创新采用和创新生成之间分配资源。市场敏捷性通过团队在任务后的感知警觉性和响应能力来衡量,并通过决策时间和基于线索的调整频率等过程指标进行补充。环境动态性通过改变各轮市场信号的波动性和可预测性来操纵:高动态性条件包括更剧烈和不太可预测的变化,而低动态性条件则呈现更稳定的模式(Khandwalla,1977;Li等人,2021)。学习导向通过嵌入结构化的学习程序(例如,强制性的总结提示、学习经验的记录以及对实验的强调)与注重效率的程序(Bowman和Ambrosini,2003;Winter,2003)来操纵。操作检查确认参与者在预期条件下感知到更高的动态性和更高的学习导向(所有p < .001)。4.5.3. 分析策略我们估计了预测市场敏捷性对创新采用和创新生成的回归模型,以及调节变量及其交互项。为了探究交互作用,我们计算了在高和低调节水平下的简单斜率和条件效应。我们还检查了这些交互模式是否在基于意图的测量和分配测量中重复出现。额外的稳健性检查(包括替代操作化和排除敏感性测试)在在线附录C中报告。4.5.4. 解决内生性和替代因果路径在研究分析能力、敏捷性和创新时,一个潜在的问题是来自反向因果关系或相互强化的内生性。实际上,创新型企业可能会随着时间的推移变得更加敏捷,而创新压力本身可能会刺激敏捷性程序和分析能力的发展。当前研究设计的几个特点减轻了这些担忧。首先,在研究1中,大数据分析能力是外生操纵的,市场敏捷性和创新结果是随后测量的,从而加强了BDAC → 市场敏捷性 → 创新的因果推断。其次,研究2操纵了情境条件,并检验了它们如何影响创新结果,而不是从观察关联中推断方向性。第三,我们进行了补充分析,测试了创新结果预测市场敏捷性的替代因果模型。这些反向路径模型的解释能力明显较弱,并没有包含BDAC对敏捷性的影响(见在线附录C,面板8)。总的来说,这些设计和分析检查支持了提出的因果顺序,同时承认敏捷性和创新之间的长期共同演化仍然是未来纵向研究的宝贵方向。4.5.5. 结果研究2通过证明市场敏捷性的价值取决于情境条件,复制并扩展了核心发现。与研究1一致,市场敏捷性与创新采用(β = .26,p < .001)和创新生成(β = .19,p = .006)呈正相关。支持H5,环境动态性显著调节了敏捷性与采用之间的关系:敏捷性 × 动态性的交互作用对于采用意图(β = .24,p = .001)和行为分配任务中的采用份额(β = .22,p = .002)是积极的。简单斜率分析表明,当环境动态性高时,敏捷性强烈预测了采用(β = .44,p < .001),而在低动态性下,这种关系较弱且边缘化(β = .12,p = .09)。支持H6的观点,学习导向显著调节了敏捷性与创新生成之间的关系:敏捷性×学习导向的交互作用对于创新意图(β = 0.24,p = 0.001)和创新份额(β = 0.23,p = 0.002)都是积极且显著的。简单斜率显示,在高学习导向下,敏捷性能够强烈预测创新生成(β = 0.36,p < 0.001),但在低学习导向下则不然(β = 0.08,p = 0.22)。重要的是,这些调节效应是不对称的,而不是均匀的:环境动态性主要放大了敏捷性的采纳收益,而学习导向主要放大了创新生成的收益。这种不对称模式在行为过程指标中也表现得非常明显,高动态性的团队反应更快,并优先采取采纳导向的行动;而在高敏捷性下,高学习导向的团队会分配更多资源用于探索性和生成性的创新活动。结合定性洞察,这些发现为所提出的条件路径提供了支持。

4.5.6. 稳健性和功效考虑
鉴于研究2中每个实验单元的团队数量较少,我们进行了一系列稳健性检验,以评估调节结果的稳定性和可解释性(见在线附录C,第8-10面板)。首先,市场敏捷性与环境动态性之间的交互作用在创新采纳意图(β = 0.24,p < 0.01)和创新份额(β = 0.22,p < 0.01)方面保持积极且显著;而在创新生成意图(β = 0.24,p < 0.01)和创新份额(β = 0.23,p < 0.01)方面也是如此(第8和9面板)。其次,结合行为过程指标的分析也得出了一致的证据。在高动态性条件下,团队反应更快(平均决策时间=2.6分钟 vs 3.0分钟),并且进行了更多的基于线索的调整;而在高学习导向条件下,团队将更多资源分配给生成导向的行动,并表现出更高的响应适当性(第10面板)。第三,不同的模型设定,包括对创新结果的不同操作化以及额外的控制变量,也得出了实质上相同的结论(第10面板)。尽管统计功效限制了小交互效应的检测,但结果在主观意图、行为分配和过程指标上的一致性支持了这种不对称调节模式的稳健性和理论一致性,而不是偶然现象。

5. 讨论与启示
5.1. 主要发现
本研究旨在解释大数据分析能力如何促进零售中小企业的创新,市场敏捷性是否中介了这一关系,以及敏捷性何时转化为不同的创新模式。基于定性预研究和两个互补的实验,有三个重要的发现。首先,强大的大数据分析能力显著提升了市场敏捷性。当零售中小企业整合异构数据源、嵌入数据驱动的决策规范并发展分析技能时,它们提高了对新兴市场信号的敏感度和快速响应的能力(Gupta和George,2016;Lu和Ramamurthy,2011;Mikalef等人,2019;Akter等人,2020;Wamba等人,2017)。其次,市场敏捷性与创新采纳和创新生成都呈正相关,但这种关系在采纳方面更为显著。这种模式反映了与更具探索性和生成性的努力相比,基于采纳的创新具有较低的不确定性和更短的反馈周期(Damanpour和Wischnevsky,2006;Pérez-Lu?o等人,2011)。第三,敏捷性的创新收益是条件性的且不对称的。环境动态性主要放大了敏捷性与采纳之间的关系,这与条件性和动态能力论点一致,即在动荡环境下敏捷性能带来更高的回报(Khandwalla,1977;Li等人,2021;Teece等人,2016);而学习导向主要通过促进实验、知识重组和持续探索来放大敏捷性与创新生成之间的关系(Bowman和Ambrosini,2003;Winter,2003;Zheng等人,2025)。这些发现共同提出了一个基于条件的、过程导向的解释,说明分析驱动的敏捷性如何塑造零售中小企业的不同创新路径。

这些发现为实践者和文献中观察到的一个共同模式提供了连贯的解释:数据丰富的中小企业可以通过快速采用新工具、格式或实践来展现创新性,但它们往往难以生成新的产品或服务。我们的证据表明,在高动态性下,分析驱动的敏捷性自然支持基于采纳的响应性和采纳。为了将敏捷性扩展到探索性创新,中小企业需要以学习为导向的常规,将快速响应转化为累积知识。

5.2. 理论启示
本研究通过证明分析驱动的市场敏捷性并不是一种普遍的创新增强器,而是一种方向性能力,其创新收益取决于组织学习和环境条件,从而推进了大数据分析能力的研究。通过区分创新采纳和创新生成,并识别出一种不对称的调节模式,该研究解释了为什么数据丰富的中小企业通常在快速采纳方面表现出色,但在生成新产品或服务方面却遇到困难。这种条件性的视角超越了以往的大数据分析能力-敏捷性研究,提供了更精确的解释,说明分析能力如何在动态的零售环境中塑造创新策略。首先,它阐明了大数据分析能力与创新之间的机制,将市场敏捷性定位为将分析资源转化为行动的中介能力。许多大数据分析能力研究报告了其与绩效或创新的关联,但无法完全确定是分析能力导致了敏捷性和创新,还是敏捷性和创新的企业只是发展出了更强的分析能力。通过操纵大数据分析能力的线索并观察感知到的敏捷性和创新优先级的下游变化,我们的实验为大数据分析能力、市场敏捷性和创新之间的联系提供了因果证据(Mikalef等人,2019;Wamba等人,2017;Zheng等人,2025)。这并不排除该领域存在反馈循环的可能性,但它加强了大数据分析能力可以是敏捷性前提的观点,而不仅仅是结果的观点。其次,区分创新采纳和创新生成为解释先前研究结果的异质性提供了更清晰的理论视角。当创新被测量为一个单一的综合指标时,很难判断大数据分析能力主要支持渐进式的、基于采纳的创新,还是也促进了更具探索性的创新。我们的结果显示,市场敏捷性与这两种结果都有关,但与采纳的关联更为紧密,这与采纳与中小企业常见的短周期感知和响应常规一致(Damanpour和Wischnevsky,2006;Pérez-Lu?o等人,2011)。这有助于解释为什么一些分析研究在快速变化的市场中发现强烈的创新效应,而其他研究则发现效果较弱或不一致:主导的创新模式可能不同。第三,不对称的调节模式提供了独特的理论贡献。环境动态性增加了敏捷性对采纳的价值,而学习导向增加了敏捷性对创新生成的价值。这意味着环境不仅改变了单一路径的强度;它还决定了能力的表达方式。在高动态性下,中小企业可以利用敏捷性通过采纳来保持竞争力,强化基于采纳的适应;在高学习导向下,同样的敏捷性促进了迭代实验,增加了创新生成的概率。用资源基础价值和动态能力价值(RBV/DCV)的术语来说,大数据分析能力(资源组合)创造了潜力,敏捷性(动态能力)将这种潜力转化为行动,组织和环境条件决定了敏捷性是用于短周期采纳还是长周期探索(Barney,1991;Teece等人,1997;Teece,2007;Winter,2003)。最后,这项研究有助于明确概念边界。基于定性阶段,我们将无形的大数据分析能力视为使分析可用的数据驱动决策规范和治理实践,而学习导向则反映了将学习制度化的常规,如实验、反思和知识共享(Bowman和Ambrosini,2003)。这些概念扮演不同的角色:一个是敏捷性的输入(资源组成部分),另一个是决定敏捷性是否产生采纳或创新的边界条件。这种区分提高了概念清晰度,并减少了关于文化元素重复计算的担忧。

5.3. 管理启示
对于零售中小企业管理者而言,这些发现意味着应通过敏捷性和创新模式的视角来评估大数据分析能力的投资决策,而不仅仅是技术采纳。由此产生了三个启示。首先,中小企业往往在分析和人力及文化补充方面投资不足。如果员工无法解读洞察力,且决策规范不优先考虑证据而非直觉,那么技术和数据访问就不够充分(Gupta和George,2016;Mikalef等人,2019)。实际步骤包括优先整合少量高价值的数据源(例如,销售点、库存、网络流量),创建将洞察力与决策联系起来的简单指标,并为所有者和管理者投资基本的分析素养。其次,从大数据分析能力到创新的路径是通过重复的感知和响应常规来实现的,而不是通过孤立的分析洞察。管理者可以通过建立短决策周期、使用基于异常的仪表板来关注偏差而非平均值、定义明确的升级阈值,并授权对价格、商品组合和服务流程进行小而频繁的调整来操作化市场敏捷性。这些常规减少了解释延迟和协调成本,使一线和中间管理者能够迅速根据数据驱动的信号采取行动。在资源和管理注意力有限的零售中小企业中,这些简单且常规化的做法特别有效,能够将分析转化为及时且适度的行动,而不会产生不必要的组织复杂性或减缓决策速度。第三,在高度动态的环境中,敏捷性最有利于支持创新采纳——采用新工具、服务实践或渠道策略以跟上变化。然而,如果战略目标包括创新生成,管理者应有意投资于学习常规,以防止“渐进式漂移”。例如,维护测试和学习日志、在促销或服务变更后进行简短的回顾,以及在不同角色之间分享经验。这些做法培养了学习导向,并允许快速响应积累为探索性和新颖性(Bowman和Ambrosini,2003;Winter,2003)。最后,零售管理者应认识到,分析驱动的敏捷性的价值取决于企业的战略重点是否是快速采纳还是创新生成,并据此调整投资。例如,像Greggs和Tesco Express这样的英国零售商利用实时销售点和忠诚度数据来支持快速采纳导向的决策,包括动态的商品组合调整、需求驱动的促销和快速推出经过验证的服务格式(例如,点击即取或延长营业时间)。这些举措从嵌入在紧密感知-响应循环中的分析中受益最多。相比之下,像Lush或Hotel Chocolat这样的零售商更依赖产品和概念生成,它们通过结构化的学习常规、小批量测试、上市后的回顾和跨职能知识共享来补充分析,将敏捷响应转化为原创产品或服务。对于中小企业管理者来说,这意味着仅仅投资分析是不够的:专注于采纳的企业应优先考虑仪表板、警报和加速执行的决策权;而追求创新的企业应将分析与明确的学习机制相结合,以保留实验中的洞察力。将分析、敏捷性和学习与企业的创新意图对齐,可以提高回报,同时避免稀缺资源的错配。

5.4. 对政策制定者的启示
这些发现也对旨在增强数据密集型零售环境中中小企业竞争力的公共政策具有重要意义。主要关注补贴数字工具或软件采纳的政策可能会增加数据的可用性,但不一定能转化为创新或生产力提升。例如,对英国和欧盟小型企业数字化项目的评估显示,许多零售商采用了销售点系统或电子商务平台,但由于分析技能有限和组织常规薄弱,难以将数据转化为可操作的决策。相比之下,像英国的“Help to Grow: Digital”计划和区域“Digital Boost”计划这样的举措展示了将技术访问与管理培训和同伴学习相结合的价值。参与这些项目的零售中小企业报告说,它们在解读仪表板、优先考虑行动和快速适应需求变化方面能力更强。因此,可以设计能力构建政策,将分析基础设施的访问与培养管理分析素养、敏捷决策常规和学习导向的实践相结合。本地“零售分析诊所”或创新中心,如Digital Catapult或市政街道再生计划所推动的,可以提供共享的专业知识、诊断支持和短期咨询冲刺,降低无法雇佣专业分析师的中小企业的实验固定成本。这些共享资源对于面临需求波动和薄利润的独立零售商尤其有价值。此外,由于学习导向对于创新生成至关重要,而不仅仅是采纳,政策可以积极鼓励协作学习网络。例如,同行基准小组、用于测试新格式的零售商沙箱,以及奖励记录学习和迭代的中小规模实验补助金,而不是仅仅关注短期财务成果。通过将政策重点从工具获取转向能力发展和集体学习,政府可以更有效地促进零售中小企业的数据驱动敏捷性和持续创新。

6. 局限性和未来研究方向
本研究存在一些局限性,这些局限性限制了其结论并指出了未来的研究方向。首先,定量研究是优先考虑内部有效性和因果推断的实验。虽然这加强了所提出机制的证据,但这两项研究都使用了模拟场景和决策任务。未来的研究应该通过实地实验和纵向数据来补充这些发现,这些数据可以在正在进行的零售运营中观察BDAC(业务数据分析能力)、市场敏捷性和创新成果。其次,实验研究中的创新成果是通过自我报告的意图和受限的分配任务来衡量的。这些衡量方法在受控条件下捕捉了决策优先级和战略权衡,但仍然是实现创新行为的代理指标。特别是,实验中的创新生成反映了向新颖性的模拟分配,而不是企业推出的全新产品。未来的研究应该通过实地实验和纵向数据来补充这些发现,将这些分析能力和敏捷性与新产品发布、服务形式引入或外部验证的新颖性指标等客观指标联系起来。第三,尽管实验设计增强了所提出的BDAC → 市场敏捷性 → 创新路径的因果推断,但我们承认在实践中敏捷性和创新可能是相互促进的。随着企业尝试新的产品,它们可能会变得更加敏捷,而创新压力本身也可能刺激敏捷性惯例和分析能力的发展。当前的研究在受控条件下隔离了一个理论上的重要因果机制,但它们没有捕捉到这些长期的反馈动态。使用纵向数据、面板设计或实地实验的未来研究可以明确地模拟分析能力、市场敏捷性和创新的共同演化,以考察这些过程如何随时间相互增强。第四,研究2采用了基于团队的2x2设计,每个条件下的团队数量较少。这种设计反映了中小企业的决策方式,并在意图和分配测量中产生了一致的交互模式,但它限制了检测小幅度调节效应的统计能力。使用更大的团队样本和对学习导向和动态性的不同操作化方法进行复制将增强对这种不对称调节模式的信心。最后,研究的普遍性受到英国零售中小企业环境的限制。零售业的特征是周期短和数据密集度高,这可能突出了敏捷性的作用。跨行业和国家的比较研究可以确定在哪些制度条件下,由BDAC驱动的敏捷性更有可能产生采用、创新或两者兼有。未来的研究还可以考察其他边界条件(例如,生态系统依赖性、平台治理和资源丰富度),并探索敏捷性之外的补充机制,如组织的双重灵活性或知识整合惯例。

作者贡献声明:
Mohammed Aldossary:写作 – 审稿与编辑、写作 – 原始草稿、可视化、验证、监督、软件、资源、项目管理、方法论、调查、资金获取、正式分析、数据管理、概念化。
Gomaa Agag:写作 – 审稿与编辑、写作 – 原始草稿、验证、监督、软件、方法论、正式分析、数据管理、概念化。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号