将商业分析与企业绩效联系起来：一项关于能力、决策质量和企业规模的混合方法分析

《Journal of Business Research》：Linking business analytics to firm performance: A mixed-method analysis of capabilities, decision quality, and firm size

　　**Xenia J. Mamakou**
雅典经济与商业大学，Patission街76号，GR10434 雅典，希腊

**摘要**
尽管人们越来越认识到商业分析（BA）能力能够提升组织绩效，但关于分析如何创造价值的具体机制和边界条件的实证证据仍然分散不全，并且主要集中在数据丰富、经济发达的北方国家的大企业中。本研究基于资源基础观（Resource-Based View）和动态能力理论（Dynamic Capabilities），探讨了技术、人力和情境性商业分析资源如何影响决策质量，进而影响企业绩效。通过使用偏最小二乘结构方程模型（PLS-SEM）结合模糊集定性比较分析（fsQCA），研究结果表明，商业分析的成功不依赖于单一的投资，而是取决于满足质量门槛并适应组织情境的能力组合。决策质量成为将商业分析能力转化为绩效的关键机制，而企业规模则是一个重要的边界条件。小型企业从精简、集成化的数据到决策系统中获益最多，而大型企业则通过规模和积累的商业知识实现类似的结果。

**1. 引言**
先前的研究表明，数据驱动的决策制定已成为竞争优势的重要来源。大量实证研究显示，完善的商业分析能力能够提升决策结果和运营效率（Akter等人，2016；Chen等人，2022），促进战略灵活性（Mikalef等人，2020），并改善整体企业绩效（Aydiner等人，2019；Wamba等人，2017）。基于资源基础观（RBV）和动态能力理论（DC），研究人员通常将商业分析资源分为技术资源（如数据基础设施和先进分析工具）和情境资源（如管理层的数据素养和跨职能协作）（Gupta & George，2016）。越来越多的证据表明，这些能力与更高质量的管理决策相关，这是高绩效的主要驱动因素（Sharma等人，2014）。

然而，仍存在一些复杂问题。大多数现有研究将商业分析视为单一的、未区分的资产，并狭隘地关注中介或调节机制，从而不清楚技术和情境能力是否对决策质量和绩效有直接影响。此外，实证研究在不同的情境中存在差异，且通常依赖于特定的企业群体和行业，这引发了关于分析能力研究边界条件和普遍性的质疑（Huynh等人，2023；Oesterreich等人，2022）。基于此，我们选择希腊作为数据收集的实证背景，研究对象是一个受危机后制约和正在进行国家主导数字化转型计划影响的小微企业（SME）密集型欧洲国家（欧洲委员会，2025；Governance，2020）。重要的是，希腊不是理论研究的对象，而是一个有意义的实验环境，用以检验分析能力组合如何转化为决策质量和绩效，同时企业规模是一个关键边界条件。

解决这些漏洞对于学者和实践者都很重要。对于研究人员而言，明确离散商业分析能力如何直接和间接转化为绩效的机制，有助于推进资源基础观和动态能力理论的讨论（Gupta和George，2016；Mikalef等人，2020）。对于管理者——尤其是在资源受限、以SME为主导的环境中——了解哪些能力最关键，以及它们的影响是否取决于企业规模，有助于优先考虑稀缺的投资（Aydiner等人，2019；Kristoffersen等人，2021a；Wamba等人，2017）。负责实施国家数字化转型战略的政策制定者也需要了解在希腊这样的脆弱危机后经济环境中哪些分析能力能够带来最大回报（欧洲委员会，2025）。

为了捕捉净效应以及复杂的配置模式，我们采用了多方法分析方法，将偏最小二乘结构方程模型（PLS-SEM）与模糊集定性比较分析（fsQCA）相结合（Rasoolimanesh等人，2021）。PLS-SEM用于假设关系的方差导向测试和预测有效性验证（Hair等人，2019），而fsQCA则确定了共同存在并共同负责高或低绩效的能力和情境条件的等价配置（Fiss，2011；Pappas和Woodside，2021）。这种结合使我们能够超越线性因果关系估计，深入理解影响企业成功的各种分析相关因素的组合动态。因此，本研究的目标是开发并测试一个基于配置的解释，说明技术、人力和情境商业分析能力如何相互作用以影响决策质量和绩效，并识别导致中小企业主导经济中高绩效和低绩效的能力组合。为了实现这一目标并评估净效应和配置解释，我们提出了以下研究问题：
- RQ1：不同的商业分析能力维度如何影响决策质量，进而影响企业绩效？
- RQ2：决策质量在多大程度上调节了商业分析能力与企业绩效之间的关系？
- RQ3：哪些商业分析能力和决策质量的等价配置足以导致高绩效和低绩效，企业规模如何塑造这些配置？

通过解决这些问题，本文做出了以下理论贡献：首先，它超越了仅关注净效应的视角，基于资源基础观和动态能力理论，识别出核心互补要素、替代核心条件和周边情境要素，并细化了商业分析能力的概念及其对绩效的贡献方式。其次，研究揭示了互补性、替代性和抑制性的机制，解释了为什么商业分析组件在不同情境下表现出异质性效果，强调商业分析能力只有在满足互补性要求时才能创造价值，而不仅仅是孤立积累的结果。第三，结果表明，企业规模不是一个简单的调节因素，而是决定了哪些能力组合真正有效。这一发现为动态能力理论提供了补充，表明小型企业从精简简单的分析系统中获益更多，而大型企业可以利用其规模和积累的知识克服决策中的不确定性。第四，通过研究高绩效和低绩效的配置，本文揭示了不对称性，即失败并非成功的镜像，而是由于缺乏互补性造成的。这项分析明确了必要的互补性，并澄清了当前关于商业分析绩效效应的论断的局限性。

本文的其余部分结构如下：第2节回顾了商业分析能力、决策质量和企业绩效的相关文献，为研究奠定了概念基础。第3节介绍了研究模型并提出了相应的假设。第4节描述了实证设计，包括抽样框架、调查工具和数据收集程序，并解释了选择希腊作为研究背景的原因以及结合PLS-SEM和fsQCA的多方法方法的合理性。第5节呈现了两种方法的结果，包括稳健性和预测有效性测试。第6节讨论了研究结果的理论、管理和政策意义，以及研究的局限性，并提出了未来研究方向。最后，在结论部分总结了本研究的主要贡献。

**2. 文献回顾和理论基础**
近年来，商业分析（BA）在商业和学术界都非常流行。虽然这个术语相对较新，但其基本目的——将数据转化为有用的见解，以改善和加快决策过程——几十年来一直存在，只是名称各异（Watson，2009）。商业分析普遍被视为决策和解决问题的推动者（Delen和Ram，2018；Phillips-Wren等人，2021；Power等人，2018）。它包括利用数学、统计学、机器学习、网络科学等先进技术以及其他数据和专家知识来源发现见解的艺术和科学（Delen & Ram，2018）。

商业分析的一个关键功能是它对组织内部决策过程的贡献。借助商业分析，可以识别、捕捉和生成新的见解和知识，用于决策制定。通过数据分析，它显著提高了组织决策的质量和减少了不确定性，加快了决策过程（Krishnamoorthi & Mathew，2018）。使用预测性和规范性分析的企业能够评估市场趋势、客户行为并预测运营风险，从而制定更好的战略计划（Duan等人，2020）。实时分析的整合进一步增强了决策质量，使组织能够针对动态商业环境采取主动行动（Chatterjee等人，2022）。数据可视化工具和仪表板的结合有助于决策者之间传递分析信息，因为它们提供了易于理解和相关的数据（Aydiner等人，2019）。通过商业分析，组织能够进行情景分析和模拟，帮助他们在做出最终战略选择之前评估战略结果（Akter等人，2016）。

数据（尤其是大数据）的收集、存储和处理的便利性增强了商业分析提供有价值见解的潜力。大数据分析（BDA）作为一种高级的商业分析类型，使企业能够分析来自多个来源的大量非结构化数据（Akter等人，2016），这对于通过数据驱动的战略决策来转型业务和超越竞争对手至关重要。商业分析和数据驱动的决策制定与组织和企业绩效密切相关（Mamakou和Manaras，2024；Wamba等人，2017）。尽管相关文献不断增多，但仍存在一些研究空白和进一步研究的领域（Huynh等人，2023；Mikalef等人，2019；Yalcin等人，2022）。近期研究强调数据质量和决策治理条件决定了工具和技能的价值，但实证测试很少同时考虑这些因素（Wamba等人，2020）。关于使用商业分析的运营效果的研究较少，也没有研究探讨商业分析能力（BAC）的获取如何通过业务流程绩效和商业决策质量影响组织绩效（Chatterjee等人，2024）。最近的证据还采用了双重分析逻辑，通过整合对称和配置方法。例如，Gupta等人（2025）区分了大数据分析能力（BDAC）的硬性和软性组成部分，并结合PLS-SEM和fsQCA来解释创业导向。虽然这一方向正在推进BDAC的概念化和方法论三角测量，但仍需关注决策质量作为将分析能力组合与企业绩效联系起来的直接机制，尤其是在SME密集型情境中。此外，关于商业分析能力的研究被描述为缺乏一致的理论和概念基础（Huynh等人，2023）。我们对足以导致高（或低）绩效的等价能力组合知之甚少（Fiss，2011；Greckhamer等人，2018）。最后，大多数研究集中在发达经济体的大型企业上；SME密集型情境的研究较少，尽管数字基础和协调成本的异质性不可否认（Mikalef等人，2020；Wang等人，2018）。我们的论文通过结合PLS-SEM和fsQCA，在SME密集型情境中探讨了哪些能力组合有效、针对谁有效以及为什么有效。

为了明确我们研究的定位和贡献，表1通过总结相关BAC/BDAC研究的重点关系（前提和考察路径）、目标、方法和主要发现，对其进行了基准对比。该表旨在明确当前研究在先前工作中的位置及其对文献的贡献。

**表1.**关于BAC/BDAC的基准研究密切相关。研究重点（构建/焦点关系）方法主要结果先前工作的局限性以及在本研究中的扩展基础性的BAC/BDAC概念化和净效应证据（决策和绩效结果）Gupta和George（2016）开发并验证基于RBV的BDAC概念；将BDAC与企业绩效联系起来。基于调查的实证研究（PLS-SEM）（样本量=232）BDAC被概念化为由有形、人力和无形资源组成的多维能力，并与绩效正相关。对决策过程机制（例如，决策质量）以及资源如何组合产生结果的异质性/等效性的处理有限。Akter等人（2016）基于RBT和社会物质主义的BDAC框架；通过战略对齐将分析能力与绩效联系起来。基于调查的实证研究（PLS-SEM），采用能力对齐框架（样本量=152）当分析能力适当对齐并与其他元素整合时，会对组织绩效产生贡献。没有明确将决策质量作为核心中介机制；主要关注对称的净效应，而不是通往高/低绩效的配置路径。Wamba等人（2017）BDAC通过动态/过程导向的能力（RBV/DC）实现企业绩效。基于调查的实证研究（PLS-SEM）（样本量=297）BDAC主要通过中介动态/过程能力来提升绩效（即，通过组织能力实现分析价值）。决策质量不是焦点机制；没有对通往高（和低）绩效的替代路径进行配置/非对称分析。Ghasemaghaei等人（2018）数据分析师能力（例如，数据质量、工具、技能、领域知识）→决策绩效（决策质量/效率）。基于调查的实证研究（PLS-SEM）（样本量=151）分析师能力提高决策绩效，包括决策质量。仅停留在决策绩效层面，而没有识别出等效的能力组合或规模依赖的有效性。Aydiner等人（2019）BA采用→业务流程绩效→企业绩效（RBV），强调过程-绩效渠道。基于调查的实证研究（SEM）（样本量=204）BA主要通过过程绩效的提升来改善企业绩效。关注过程绩效而非决策质量；对能力互补性和边界条件（例如，企业规模）的考察有限。（Mikalef等人，2020）BDAC→通过中介动态/运营能力实现竞争绩效。基于调查的实证研究（PLS-SEM）（样本量=202）BDAC主要通过互补能力间接影响竞争绩效。强调净效应；没有映射非对称的高/低绩效解决方案或规模依赖的配置路径。Wamba等人（2020）大数据分析支持的动态能力→供应链敏捷性/适应性（和/或灵活性结果）→组织绩效；环境动态性作为条件/调节因素。基于供应链/运营环境的调查实证研究（PLS-SEM）（样本量=281）BDA支持的能力提升供应链能力结果，并（直接/间接）影响组织绩效；在环境动态性下效果有所不同。没有将决策质量作为核心中介机制；没有提供基于配置的等效能力组合图谱。Kristoffersen等人（2021a）特定于循环经济的商业分析能力→（资源协调能力，循环经济实施）→企业绩效。基于调查的实证研究（PLS-SEM）（样本量=125）商业分析能力提升资源协调能力和循环经济实施；对企业绩效的影响完全通过资源协调能力和循环经济实施来中介（没有直接的BAC→绩效效应）。关注循环经济领域和机制，通过资源协调/CE实施而非决策质量；没有考察等效能力组合（fsQCA）或规模依赖的配置路径。Chatterjee等人（2024）BAC（数据获取；工具获取）→业务流程绩效与业务决策→组织绩效/商业价值。基于信息系统/管理背景的实证研究（PLS-SEM）（样本量=306）强调当分析能力作为组织能力而非孤立工具被调动时创造价值；支持中介类型逻辑。通常强调对称性测试；与配置逻辑的明确三角验证有限，对导致高/低企业绩效的规模依赖组合的映射也有限。在BAC/BDAC研究中，配置（fsQCA）证据和混合方法设计Mikalef等人（2019）在复杂性下实现BDAC价值；识别出导致绩效结果的配置（等效资源组合）。混合方法设计（调查+案例研究）结合PLS-SEM和fsQCA（样本量=175）显示等效性：多种分析相关资源/条件的组合可以产生高绩效；情境条件决定了哪些资源重要。决策质量通常不是核心机制；对决定企业规模的边界条件作为决定哪些组合有效的关注有限。Ciampi等人（2021）BDAC→商业模式创新（通常通过创业导向/动态能力机制）。PLS-SEM + fsQCA（双重分析设计）（样本量=253）分析能力通过与互补的战略/创业机制关联来影响创新结果。关注创新结果而非决策质量和企业绩效；没有对高/低绩效组合的配置映射。Gupta等人（2025）BDAC的硬性与软性组成部分→创业导向；比较对称和配置结果。PLS-SEM + fsQCA（双重分析设计）（样本量=253）硬性BDAC在对称模型中对EO维度显示出显著的净效应，而软性BDAC则大多不显著；fsQCA识别出多种足够的配置（通常结合硬性BDAC与PSMMO）以产生高EO结果。是最接近的方法论比较者。为将决策质量作为关键机制并解释企业绩效留下了明确的空间（而不是EO），包括在中小企业密集型环境中的规模依赖的配置路径。关于实现BAC/BDAC价值的证据综合Günther等人（2017）系统化了在信息系统研究中从（大数据）和分析中实现价值的辩论/挑战。系统文献综述。强调反复出现的实施/价值实现挑战和研究紧张关系。没有实证测试能力到决策质量再到绩效的机制或等效组合。Mikalef等人（2018）关于BDAC和竞争绩效的系统综述和研究议程。系统文献综述。明确了能力要素和相互依赖性；呼吁更强化的机制、语境和方法论多元化。支持多方法和对基于机制的研究的需求，但没有提供决策质量和规模依赖组合的直接实证测试。Oesterreich等人（2022）关于将分析转化为商业价值/绩效的证据综合（跨研究的汇总效应）。企业层面BA/BDAC研究的元分析。社会/组织因素通常显示出比纯粹技术因素更强的绩效关联；价值实现取决于互补资源。元分析视角无法指定哪些组合对于高（或低）绩效是足够的，或者决策质量和企业规模如何共同构建路径。Huynh等人（2023）BDAC文献的系统综述及其概念碎片化（“拼凑”）；识别趋势和差距。系统文献综述。记录了概念化和研究设计的异质性；识别了未充分探索的机制和证据中的不一致性。作为领域层面的动机很有用，但没有指定哪些能力组合对于高/低绩效是足够的，或者决策质量和规模如何构建价值创造路径。总体而言，表1表明，BAC/BDAC研究主要集中在对称净效应的测试上，并通常倾向于强调单一机制（例如，过程绩效、动态能力或创业导向），而不是将决策质量作为核心的价值创造机制。此外，相对较少的研究以三角验证的方式结合对称和配置逻辑来解释通往高和低结果的等效路径，而像企业规模这样的边界条件很少被理论化为决定哪些能力组合有效的因素。这些模式促使我们采用整合的PLS-SEM和fsQCA方法来解释BA能力、决策质量和企业绩效之间的配置关系。2.1. 人工智能增强的决策分析和分析能力分析领域已经将其重点从决策支持系统（DSS）和商业智能（BI）转向预测/规范性分析，最近又转向人工智能（AI）和机器学习（ML）驱动的决策支持（Huynh等人，2023；Rana等人，2022；Schmitt，2023）。较旧的分析方法侧重于描述性分析，以评估历史绩效（Duan等人，2020）。组织中的技术进步使它们能够应用预测性和规范性分析来解决即将出现的问题并改进其战略方法（Krishnamoorthi & Mathew，2018）。新趋势突显了不同业务领域对基于数据的决策的日益依赖。这一演变增加了对数据质量的要求，因为输入数据缺口在整个ML流程中必然会扩大，而这正是决策治理变得特别重要的地方，因为输出应转化为负责任和及时的决策（Sambasivan等人，2021）。重要的是，AI驱动的分析改变了组织决策支持的本质。与基于相对稳定模型和基于规则的报告的传统DSS/BI方法不同，AI/ML系统从数据中学习，可能会随时间变化，并且通常会产生需要持续监控和人为监督的概率性输出（Jarrahi，2018；Raisch和Krakowski，2021）。这种变化使得决策质量不再是分析的后续结果，而是一个关键的组织设计问题，因为只有当模型输出被纳入决策流程中进行解释、问责和及时响应时，才能创造价值（Jarrahi，2018）。最近的设计导向证据还表明，AI增强型决策的有效性取决于决策过程围绕AI系统的组织方式，例如人类何时以及如何介入、审查和覆盖模型输出（Herath Pathirannehelage等人，2025）。因此，AI/ML的进步扩展了“商业分析能力”的含义。除了需要学习使用工具外，组织还需要具备设置这种人机协作的能力，以确保自动化不会替代理论上重要的情境解释，并且增强不会导致过度复杂化和决策周期的放缓（Raisch & Krakowski，2021）。这种人机共生观点意味着，在决策点调动技能和领域知识最为重要，特别是当组织建立决策权、升级规则和将模型输出转化为行动的接口时（Jarrahi，2018）。与此观点一致，AI增强型决策的设计原则侧重于过程整合和决策者与AI输出之间的互动治理，而不是将AI视为技术增强（Herath Pathirannehelage等人，2025）。最后，AI/ML的转变提高了治理和“数据工作”的重要性，因为ML性能和决策质量对上游数据缺口和组织交接失败非常敏感（Sambasivan等人，2021）。“数据级联”可能会在ML流程中扩散小问题，最终损害决策的输出可靠性和质量（Sambasivan等人，2021）。因此，负责任的AI治理被概念化为一系列组织实践（包括结构性、程序性和关系性），这些实践决定了AI是否以稳健和负责任的方式部署，以与决策保持一致（Papagiannidis等人，2025）。补充这一观点的建议集中在如何负责任地实施AI上，包括操作机制，如角色清晰度、可审计性和生命周期管理，以便这些原则能够被管理者实际实施（Ruster & Daniell，2025）。总而言之，这些发展表明，AI/ML不应仅仅被视为“更先进的分析工具”，而应被视为一种质的变化，强调决策治理、数据质量纪律以及将分析输出转化为及时可解释和可操作的决策的常规（Papagiannidis等人，2025；Sambasivan等人，2021）。2.2. 商业分析和基于资源的视角商业分析存在于多个理论框架中，这些框架描述了它如何影响组织决策和绩效结果。基于资源的视角（RBV）认为，组织的资源是提升企业绩效和竞争优势的基础（Barney，1991）。这些资源可以是组织拥有、控制或访问的有形或无形资产（Shanks等人，2010）。RBV提出了组织资源的四个战略潜力属性，包括价值、不可模仿性、稀有性和不可替代性（VIRN）（Cosic等人，2015）。数据被认为是采用BA的组织捕捉、利用和理解其运营以进行改进的关键资源（Aydiner等人，2019）。商业分析能力被广泛认为是一种重要的组织能力（Wamba等人，2017），它在这种RBV框架内发挥作用（Shanks等人，2010）。BA能力涉及通过组织、标准化和操作数据来参与竞争的能力（Tan等人，2016）。它引入了信息管理和分析技能的能力（Ashrafi等人，2019）。为了获得竞争优势，企业必须将资源组合起来，创建基于流程和业务常规的技术支持能力。卓越的BA能力源自独特的组织、物理（IT基础设施）和人力资源的组合，这些资源是错综复杂、有价值的且难以模仿的（Akter等人，2016；Mikalef等人，2018）。有效利用这些资源所需的技能是获得竞争优势的关键（Aydiner等人，2019）。RBV框架被认为是一种有吸引力的方法，它允许结合BA能力的维度及其对绩效的协同影响，以及业务战略对齐的偶然性（Akter等人，2016；Kristoffersen等人，2021a）。特别是通过数据和工具等关键组件的获取，可以提供适当的解决方案来诊断、支持和改进业务流程绩效（Chatterjee等人，2024）。2.3. 商业分析和动态能力动态能力（DC）的视角基于RBV，侧重于组织有意创建、扩展或修改其资源基础的能力（Tan等人，2016；Teece等人，1997）。这在一个动态且复杂的商业环境中至关重要（Aydiner等人，2019年）。商业分析（BA）对企业动态能力有着显著贡献，因为它通过应用各种类型的分析方法（包括描述性、预测性和规范性分析），将静态资产（如大数据技术）转化为动态资产（Aydiner等人，2019年）。这种转化帮助企业主动创建、扩展或修改其资源基础，从而增加商业价值。通过有针对性地部署商业分析，企业能够更好地感知新机会和威胁，并根据竞争环境中的趋势调整其运营（Mikalef等人，2019年）。因此，在本研究中，我们将商业分析能力（BAC）定义为一个组织利用数据、分析技术和人力资源/业务流程来创造价值的能力，而不仅仅是采用或使用这些资源（Gupta和George，2016年；Kristoffersen等人，2021a；Mikalef等人，2020年）。我们重点关注描述性、预测性和规范性分析，因为它们被用于管理决策过程中（例如监控、预测和推荐行动），而不是单一功能或纯粹的操作性分析。基于资源基础观（RBV）和动态能力理论（DC），我们将BAC划分为数据管理（例如数据质量）、分析技术（例如分析工具）、人力资源（例如分析技能）和情境因素（例如业务知识）三个部分，这些部分共同将输入转化为成果。因此，我们把BAC概念化为一个多维的能力体系，而不仅仅是一套工具，这符合该领域研究的建议（Gupta和George，2016年；Kristoffersen等人，2021b；Mikalef等人，2018年）。大多数先前的研究认为技术分析能力（即数据基础设施和分析工具）对企业绩影响甚微或没有直接影响（Akter等人，2016年；Gupta和George，2016年；Mikalef等人，2020年；Wamba等人，2020年）。从资源基础观的角度来看，这些能力虽然有价值，但如果没有与人力资源和组织资源相结合将数据转化为可操作的信息，它们就不够充分（Bharadwaj，2000年；Wade和Hulland，2004年）。动态能力理论支持这一观点，认为企业必须不断重新配置其技术和人力资源以生成价值（Teece，2007年）。因此，本研究不仅考虑了技术能力对业绩的直接影响，还考虑了技术、人力资源和情境因素分析能力在推动业绩方面的互补和配置作用。

3. 假设的提出
3.1. 数据质量的作用
商业分析从根本上依赖于数据质量，数据质量确保信息的准确性和可靠性，并保证其完整性、一致性以及及时性，以便用于决策制定。由于高质量的数据能够产生可靠的分析模型，组织因此能够做出更明智的战略决策并提高整体绩效（Whitelock，2018年）。数据质量不足会导致分析结果失偏，从而产生错误的结论和较差的业务效果（Chatterjee等人，2022年）。在本研究中，我们将数据质量视为一种技术/数据管理能力，因为它代表了企业可以调动的信息资产（完整性、准确性、及时性、可靠性），以支持后续的分析和决策（Mikalef等人，2018年）。在商业分析能力文献中，高质量的数据是一个基础性的技术层面，它补充了工具和人力资源技能，而不仅仅是使用结果（Gupta和George，2016年；Mikalef等人，2018年）。组织建立数据治理框架，包括数据管理职能、验证流程和合规系统，以降低这些风险。实施的框架可以提高预测建模的准确性，减少错误，并加强管理决策和预测建模的效果（Niu等人，2021年）。组织内部部署的大数据技术能够实现有效的数据处理，从而支持实时分析，使企业在动态环境中更具灵活性（Aydiner等人，2019年）。本研究通过以下假设来探讨这些问题：
H1a：商业分析中使用的数据质量会积极影响商业决策的质量。
从资源基础观来看，数据质量是一种有用的但通常不足的技术资产，其影响取决于其与互补的人力资源和组织流程的整合（Bharadwaj，2000年；Wade和Hulland，2004年）。动态能力理论进一步指出，企业通过使用工具和决策流程调动和重构高质量的数据来创造价值（Mikalef和Pateli，2017年）。先前的商业分析研究发现技术资产对绩效的直接影响有限（Oesterreich等人，2022年），但同时也承认高质量的数据可以通过提高决策质量带来绩效提升（例如减少错误、加快周期时间）（Ghasemaghaei等人，2018年）。基于这一观点，我们测试了数据质量对绩效的直接和间接影响。
H1b：商业分析中使用的数据质量会积极影响企业绩效。
H1c：决策质量在数据质量和企业绩效之间起中介作用。

3.2. 分析工具
组织为商业分析提供的工具决定了分析的有效性。管理工具帮助组织处理数据、识别模式并通过高效的分析机制做出决策。使用合适分析工具的公司能够提高决策质量（Akter等人，2016年）。分析工具代表了一种技术/基础设施能力，即企业用来将数据转化为决策输入的技术手段（Grover等人，2018年）。从能力的角度来看，工具是技术栈的一部分，必须与数据和人力资源流程协同工作以创造价值（Grover等人，2018年；Mikalef等人，2018年）。使用符合数据处理要求的工具使组织能够实现平滑的整合和分析（Hindle和Vidgen，2018年）。当企业能够访问合适的分析工具并获得可行的洞察时，其业务绩效和战略决策质量都会得到提升。证据表明，获得竞争优势的公司会投资于分析平台，这些平台允许他们进行自动化、构建预测模型并创建高级可视化工具（Duan等人，2020年）。让员工使用合适的分析工具的公司能够通过数据做出更好的决策，同时提高运营效率并在变化的市场中保持灵活性（Aydiner等人，2019年）。因此，我们提出以下假设：
H2a：可用的分析工具会积极影响商业决策的质量。
基于资源基础观，分析工具是有价值的，但除非与人力资源和数据资源相结合，否则不足以持续创造优势（Wade和Hulland，2004年）。动态能力理论认为，组织通过不断重构技术基础设施和配套流程来创造价值（Mikalef等人，2020年；Teece等人，1997年）。尽管一些研究发现技术基础设施对绩效的影响不大（Akter等人，2016年），但合适的工具仍能带来绩效提升（Byrd等人，2008年）。因此，本研究测试了分析工具对绩效的直接和间接影响。
H2b：可用的分析工具会积极影响企业绩效。
H2c：决策质量在分析工具和企业绩效之间起中介作用。

3.3. 人力资本和分析能力
商业分析的实施需要能够理解数据并从中提取有用见解的专家（Krishnamoorthi和Mathew，2018年）。支持员工分析学习、跨学科团队合作以及劳动力发展的企业能够实现更优的运营绩效和更佳的决策结果（Duan等人，2020年）。我们将分析技能视为一种人力资本能力，即企业拥有的准备数据、建模、验证和解释分析结果的技术熟练度（Gupta和George，2016年；Kristoffersen等人，2021a）。与商业分析能力研究一致，分析技能是企业具备并发展的能力，而不仅仅是采用或使用行为的衡量标准（Mikalef等人，2018年）。拥有熟练分析人才的组织能够从数据源中提取更优质的信息，从而提高运营绩效和决策质量（Aydiner等人，2019年）。通过分析能力培训，组织能够提升员工绩效，使他们更有效地使用工具，最终做出更高质量的战略决策（Chatterjee等人，2022年）。因此，我们提出以下假设：
H3a：分析师的分析技能会积极影响商业决策的质量。
企业内部的数据科学家与商业策略师的结合确保了分析计划与企业目标相匹配，以实现最大的绩效影响（Akter等人，2016年）。先前的研究表明，人力资源能力往往通过影响决策流程间接发挥作用（Akter等人，2016年；Mikalef等人，2020年），然而分析技能仍然可以通过提高运营和战略反应的效率和准确性带来增量绩效收益（Peesker等人，2022年）。因此，我们测试了分析技能对绩效的直接和间接影响。
H3b：分析技能会积极影响企业绩效。
H3c：决策质量在分析技能和企业绩效之间起中介作用。

3.4. 业务知识在分析中的作用
业务知识是有效分析实施的关键组成部分，因为它确保分析人员能够在组织战略目标的背景下解释数据。业务知识是一种情境/管理能力，与形成问题和决策结果的专业知识和流程相关联，并使分析与战略保持一致（Akter等人，2016年；Mikalef等人，2018年）。它不同于技术技能，因为它决定了分析的内容和目的，并允许将分析结果转化为实际行动（Akter等人，2016年）。将分析见解与业务目标相结合的能力可以提高决策质量和组织绩效（Ferraris等人，2019年）。分析人员对业务政策和计划的理解有助于他们开发出符合组织目标的技术解决方案（Aydiner等人，2019年）。具备业务知识的分析专业人士能够更好地开发洞察，从而提升流程改进和竞争优势（Chatterjee等人，2022年）。分析专业人士凭借业务知识帮助组织提高分析工具的有效性，并增强他们的决策能力（Akter等人，2016年）。资源基础观认为业务知识是一种无形的、特定于企业的资源，难以模仿，对于实现分析结果与组织目标之间的战略契合至关重要（Barney，1991年）。在动态能力框架内，这种知识提高了企业感知机会、分析结果并相应调整行动的能力（Mikalef和Pateli，2017年）。了解业务政策、战略目标和行业趋势的分析人员能够更好地解释数据见解，帮助企业实现组织目标（Niu等人，2021年）。因此，我们提出以下假设：
H4a：分析人员的业务知识会积极影响商业决策的质量。
H4b：分析人员的业务知识会积极影响企业绩效。
H4c：决策质量在业务知识和企业绩效之间起中介作用。

3.5. 决策质量作为实现企业绩效的途径
基于数据驱动的分析、及时执行和业务对齐的高质量决策是将分析投资转化为可衡量的业务成果的主要机制（Duan等人，2020年）。依赖商业分析进行决策支持的组织能够更好地预测市场趋势、最大化资源利用并适应变化的业务环境（Chatterjee等人，2024年）。通过预测性和规范性分析，商业分析提高了决策质量，使企业能够主动选择而非被动反应（Aydiner等人，2019年）。基于分析框架做出决策的公司能够实现更好的运营绩效，同时增加收入并提高客户满意度（Krishnamoorthi和Mathew，2018年）。在企业各个部门（包括财务、市场营销和供应链管理）应用分析的公司能够达到最高水平的战略协同效应，同时优化运营流程（Whitelock，2018年）。鉴于决策质量与企业绩效之间的紧密联系，我们提出以下假设：
H5：商业决策的质量会积极影响企业绩效。

3.6. 企业规模的作用
企业规模是资源基础观（RBV）和动态能力（DC）理论中的经典变量，因为它决定了企业可以调动的资源储备以及将这些资源转化为绩效成果的组织流程（Josefy等人，2015年）。大型企业通常拥有更大的财务灵活性、更丰富的知识库和更规范化的流程，这些可以直接转化为规模经济和范围经济（Macher和Boerner，2006年）。相比之下，小型企业往往更为精简和灵活，能够迅速感知和利用机会，但在应对失误时的缓冲能力较弱（Kuratko等人，2001年）。由于规模赋予企业更强的议价能力、品牌知名度和获取互补资产的能力，我们预期企业规模与整体绩效之间存在正相关关系：
H6a：企业规模与企业绩效呈正相关。
然而，使大型企业强大的相同结构特征，在做出高质量管理决策时也可能成为劣势。复杂的层级结构会延缓信息流动，分散个人责任，并增加决策政治化的可能性（Patacconi, 2009）。较小的组织能够更快地做出高质量的决策，并且解释层级较少，这有助于保持其战略意图并提高绩效效果（Adomako等人，2021）。动态能力理论指出，在敏捷、官僚主义较少的环境中，快速重新配置资源的能力尤为明显（Eisenhardt和Martin, 2000；Teece等人，2016）。因此，我们提出了一个负向调节作用：H6b。企业规模会负向调节商业决策质量与企业绩效之间的关系，即小型企业的这种关系比大型企业更为强烈。概念模型如图1所示。

**图1. 概念模型。**

**4. 方法**

**4.1. 测量方法**

本研究中的所有构念都是使用从文献中提取的、经过验证的多项目量表来测量的。这些项目经过调整，以反映组织中商业分析应用的背景。表A.1（见附录）列出了所有构念、项目及其相应的来源。数据质量通过Ghasemaghaei等人（2018）和Wang与Strong（1996）提出的六个项目来评估，这些项目评估了商业分析活动中数据的可靠性、准确性、相关性、及时性、详细程度和安全性。分析工具通过Ghasemaghaei等人（2017）和Vogel与Feldman（2009）提出的三个项目来评估，这些项目反映了所提供的分析工具在促进组织工作方面适用性的程度。分析技能通过Ghasemaghaei等人（2018）和Tippins与Sohi（2003）提出的三个项目来评估，这些项目关注用户在使用分析工具方面的技术专长和熟练程度。商业知识通过Akteer等人（2016）、Kim等人（2012）和Tesch等人（2003）提出的四个项目来评估，这些项目衡量了参与分析的人员对业务流程、战略和环境的理解程度。决策质量通过Ghasemaghaei等人（2018）和Jarupathirun（2007）提出的六个项目来评估，这些项目反映了组织内部做出的决策被认为的准确性、可靠性和无错误特性。最后，企业绩效通过Tippins与Sohi（2003）、Aydiner等人（2019）和Akteer等人（2016）提出的四个项目来评估，这些项目涵盖了财务和市场绩效指标，如投资回报率、市场份额和客户忠诚度。所有项目都经过了仔细审查，以确保其在上下文相关性和清晰性方面的适宜性；在必要时对措辞进行了微调，以适应本研究的商业分析焦点，同时保留了每个构念的原始意图。**

**4.2. 研究背景和样本设计**

希腊提供了一个在理论上具有启示性且在实践中非常重要的研究背景。在2009-2018年的主权债务危机之后，希腊公司的财务和人力资本预算比北欧同行受到更多限制，这使其成为一个测试“基于资源”和“动态能力”理论的理想实验室，以确定哪些分析资源真正重要（Bank, 2022）。同时，该国正在经历前所未有的数字化推进：《国家数字化转型圣经2020-2025》（Governance, 2020）和欧盟资助的“恢复与韧性基金”（Commission, 2021）将大量投资投入到云计算基础设施、开放数据平台和高级分析培训中。此外，大多数希腊企业都是中小型企业（Commission, 2025），这使我们能够探索在跨国企业主导的数据集中通常被掩盖的规模效应。综合这些特点，希腊成为了一个理想的测试环境，用于检验在宏观经济波动、快速数字化追赶和中小企业占主导地位的条件下，技术和情境化的商业分析能力是否以及如何产生绩效效益。

本研究选择的样本具有战略意义，能够广泛代表希腊不同规模和行业的商业专业人士。企业规模根据欧盟对中小企业的官方定义（Commission, 2020）被分为四类：微型（少于10名员工）、小型（10至49名员工）、中型（50至250名员工）和大型（超过250名员工），以确定企业在基于分析的决策和数据驱动流程方面的参与度是否存在差异。我们使用欧盟的中小企业就业门槛作为分类标准，因为这些门槛在欧洲研究中是常用且具有政策相关性的基准，有助于跨不同背景进行比较。我们使用员工人数（而非营业额/资产）作为衡量组织结构和协调复杂性的指标，因为这是我们关于规模作为商业分析能力与决策质量协调边界条件理论化的关注点。

参与者来自各个行业，包括技术、服务和制造业。采用目的性抽样策略，选取了那些在组织中有使用商业分析经验的熟练工人，无论他们是否担任管理职务。关键信息来源法被用来获取这些人的直接和深入见解，这些人直接参与了商业分析及其支持的决策过程。这种方法旨在减少信息偏差，并确保反馈不仅基于数据的客观性，还依赖于组织的战略导向和分析成熟度（Petrou等人，2020）。

**4.3. 数据收集**

数据收集是通过在线调查完成的。调查包含封闭式问题，调查工具基于最新学术文献和国际商业分析研究中广泛使用的量表进行开发。为确保有效性和可靠性，调查项目是从先前研究中改编而来的，并与本研究相关的构念对齐。问卷分为三个部分：（1）简短的介绍性信息、研究目的、保证匿名性和保密性的声明，以及关于企业特征的问题（如规模、行业、经营年限）；（2）使用5点李克特量表（从1=强烈不同意到5=强烈同意）测量构念相关的问题；（3）与受访者在公司中的经验/角色、性别、年龄、教育水平等相关的人口统计问题。

为了避免混淆，每个部分都提供了商业分析术语的清晰定义，并对工具和数据可视化平台进行了说明。初始问卷为英文制作，随后被翻译成希腊文。为了确保翻译的准确性，采用了回译技术，最终版本由两位掌握两种语言的学者和两位具有分析领域经验的专业人士审阅。

数据收集过程分多个阶段进行：首先是向相关企业发送介绍信以挑选合适的受访者；然后通过电子邮件向选定的专业人士发送包含调查链接的邀请函；定期发送提醒函以提高响应率；一个月后进行了第二次分发，通过电子邮件和电话进行联系。为了评估无响应偏差的情况，使用t检验比较了早期和晚期受访者的所有主要变量，未发现显著差异（p > 0.1），表明不存在偏差（Charoensukmongkol, 2016; Dada和Fogg, 2016）。

**4.4. 样本分析**

在实际数据收集之前，先进行了一个小规模的试点研究，邀请了3名参与者来测试问卷的清晰度和可用性。大规模数据收集在2024年11月至2025年3月期间进行。最初收到了227份回复，但由于数据质量问题，其中7份被剔除。这些受访者在所有问题上的回答相同，或者完成调查的时间极短。早期研究表明，非常短的完成时间可能与兴趣低下或缺乏关注有关（Tourangeau等人，2000）。根据Greszki等人（2015）的建议，我们去除了那些回复时间少于中位数50%的回复（因为回复时间过短可能导致数据质量较低），最终得到了220名有经验的员工作为样本。根据Cohen（2016）提出的统计功效分析方法，并由Hair等人（2021）实施的统计功效表格，推荐的样本量为113，以满足PLS-SEM应用的最低要求：统计功效为80%，显著性水平为5%，最小R2为0.10，以及四个自变量。

**表2. 样本特征**

- 女性占比56.36%，男性占比43.64%。
- 年龄分布：25-34岁占69.55%，25岁以下和64岁以上均未超过1%。
- 教育水平：超过一半的受访者拥有硕士学位。
- 职位：41%的受访者担任管理职位，59%是非管理层的分析经验人员。
- 工作经验：42.73%的受访者有5到9年的工作经验，26.82%有2到4年的工作经验，少于10年的工作经验较少。
- 企业规模：60.45%的受访者在员工人数少于50人的小型企业工作。
- 组织成立时间：36.82%的受访者在成立超过50年的企业工作，32.73%在成立21-50年的企业工作。

**4.5. 分析方法**

本研究采用了结合部分最小二乘结构方程模型（PLS-SEM）和模糊集定性比较分析（fsQCA）的协同方法。这种双分析设计结合了SEM的对称、净效应视角和集合论分析的不对称、配置视角，从而克服了这两种方法的局限性，并提高了理解和解释的深度（Rasoolimanesh等人，2021）。此外，由于本研究采用横截面数据，结合不同研究方法是非常推荐的（Maier等人，2023）。管理和信息系统的方法论及实证研究文章明确建议整合PLS-SEM和fsQCA，以提供理论和实践的互补证据（Mikalef和Pateli, 2017; Opland等人，2025; Rasoolimanesh等人，2021; Wamba等人，2024）。

PLS-SEM是一种基于方差的方法，在社会科学和商业研究中越来越受欢迎。在本研究中，PLS-SEM用于测试测量模型、分析潜在构念之间的关系，并评估模型的预测能力。与基于协方差的SEM（CB-SEM）相比，这种方法更为灵活、具有预测性，适用于理论仍在发展或模型复杂的探索性研究。与CB-SEM不同，PLS-SEM不要求变量符合正态分布，并且在样本量较小时依然稳健，因此在应用研究中具有优势（Dash和Paul, 2021; Hair等人，2019）。此外，PLS-SEM注重最大化依赖构念的解释方差（R2），这符合本研究的主要目标。它还能有效估计多个反映性构念的结构模型，这也促进了该方法在其他相关研究中的使用和应用（Samadhiya等人，2024; Sarstedt等人，2021）。

同时，我们也意识到关于何时以及如何使用PLS-SEM的方法学讨论仍在继续（Evermann & R?nkk?, 2023）。最近的回应和指南强调，当PLS-SEM被正确使用并遵循现代评估程序时，这些担忧在很大程度上得到了解决（Hair等人，2021; Sharma等人，2023）。为避免已知陷阱，我们遵循了当前的最佳实践：进行了严格的可靠性和有效性检查，注意了测量规范，并根据最新指南调整了研究的预测性质（Becker等人，2023; Shmueli等人，2019）。

fsQCA是一种基于集合论的案例比较方法，用于模拟条件性因果关系，即结果源于相互依赖条件的配置，而不是单一的净效应（Ragin, 2009; Schneider和Wagemann, 2012）。这种逻辑本质上是不对称的，意味着通往高绩效的路径与通往低绩效的路径不同（Fiss, 2011）。此外，fsQCA揭示了通向相同结果的多种等效路径（Fiss，2011；Furnari等人，2021；Pappas和Woodside，2021），并揭示了相互依赖的因果条件如何通过协同/互补（相互强化）、替代（补偿模式）或抑制（当关键互补因素缺失时资源变得无效）共同作用（Park等人，2020）。在方法论上，它可以从小样本量扩展到大样本量，只要注意确保适当的校准、频率和一致性阈值以及基于最佳实践的鲁棒性检查（Douglas等人，2024；Fiss，2011；Nikou等人，2024；Pappas和Woodside，2021）。在这项研究中，fsQCA是一个合适的选择，因为我们预期我们的前因之间存在相互依赖的关系，我们期望发现不对称的数据模式，并且我们感兴趣的是识别跨不同组织的公司高绩效和低绩效的等效路径，同时补充PLS-SEM的净效应证据。通过结合PLS-SEM和fsQCA，可以为理论和实践提供更深入的见解（Rasoolimanesh等人，2021）。因此，我们使用了这两种方法来研究导致高（和低）公司绩效的驱动因素和配置路径。

5. 数据分析与结果
5.1. 共同方法偏差
由于本研究中的所有数据都是通过一个调查工具和一个来源收集的，因此有必要评估可能夸大或低估结构之间关系的共同方法偏差（CMB）的可能性（Podsakoff等人，2003）。为了解决这个问题，使用了程序性和统计性的解决方案。在程序方面，问卷设计旨在减少评估恐惧和受访者给出社会期望回答的倾向。我们通过确保匿名性和机密性来鼓励参与者提供诚实的回答，并明确告知他们没有正确或错误的答案，他们的输入将仅用于学术目的（Chang等人，2020）。为了减少潜在的歧义和误解，我们避免了不熟悉或模糊的表达，并且问卷由三位商业分析工具的使用者进行了预测试。根据他们的反馈，一些项目被重新措辞以变得更加清晰和全面。此外，这些结构分布在调查的不同部分，以减少一致性动机（Harrison & McLaughlin，1993），并且问卷保持简洁以减少受访者疲劳（Lindell & Whitney，2001）。

通过统计方法确定，首先使用最常用的完全相关性测试（Kock，2015）来评估共同方法偏差，其中所有结构都基于一个共同变量进行回归，以得出方差膨胀因子（VIF）的值。结果显示，VIFs都远低于保守值3.3，这意味着CMB在这项研究中不是一个主要问题。我们还检查了测量值之间的双变量相关性，没有发现高相关性（r > 0.90）（Pavlou等人，2007）。最后，进行了Harman单因子测试作为鲁棒性检查；最初的未旋转因子解释了36.13%，不到总方差的50%，这进一步支持了CMB不太可能扭曲结果的观点（Podsakoff等人，2003）。

5.2. 测量模型验证
为了评估测量模型，我们根据现有指南（Hair等人，2019）确定了所有反思性结构的可靠性和有效性。Cronbach的alpha和复合可靠性（CR）被用来建立内部一致性可靠性。所有结构的值都高于推荐阈值0.70，如表A.1所示。CR值介于0.840到0.928之间，Cronbach的alpha值介于0.749到0.896之间，这表明内部一致性是可以接受的。收敛有效性使用平均方差提取（AVE）和标准化因子载荷来评估。所有结构的AVE值（也在表A.1中）都超过了推荐的0.50水平（Hair等人，2019），范围在0.516（数据质量）到0.764（分析工具）之间，表明潜在结构解释了足够的指标方差。尽管某些结构中的一些单个项目的载荷低于理想值0.70（表A.1），但它们都高于0.60，这是可以接受的，因为复合可靠性和AVE是令人满意的（Hair等人，2021）。因此，这些项目没有被丢弃，以保持结构的内容有效性和理论完整性。Fornell Larcker准则、异特质-单特质（HTMT）比率和交叉载荷被用来确定区分有效性。每个结构的AVE的平方根大于结构间的相关性，这满足了Fornell-Larcker准则（Fornell & Larcker，1981）。同样，所有HTMT的值（表3）都低于保守的0.85限制，最大值为0.767，从而验证了区分有效性（Henseler等人，2016）。最后，交叉载荷表明每个项目在其结构上的载荷大于在其他结构上的载荷，这进一步表明了项目层面的区分有效性。

表3. 异特质-单特质（HTMT）比率。
分析技能 0.620
分析工具 0.767
业务知识 0.469
数据质量 0.240
0.414
决策质量 0.718
0.582
0.660
0.484

所有这些发现共同表明，测量模型显示出足够的内部一致性、收敛有效性和区分有效性，因此可以继续进行结构模型的评估。

5.3. 结构模型结果
使用PLS-SEM和5,000个自助样本测试了结构模型。分析的目的是检查结构之间的假设关系，并评估模型的解释力和预测力。图2展示了结果。

下载：下载高分辨率图像（153KB）
下载：下载全尺寸图像
图2. 研究模型结果。
如表4所示，研究结果强烈支持假设的模型。商业分析中使用的数据质量对商业决策的质量有积极且统计上显著的影响（β = 0.231，t = 4.205，p < 0.001），从而证实了H1a。这一发现强调了适当的、及时的和可靠的信息在实现良好的管理行动中的重要性。此外，数据质量对公司绩效的直接影响也是有显著的（β = 0.131，t = 1.756，p = 0.040），这证实了H1b，并表明准确和妥善管理的数据直接且积极地影响了绩效。

表4. 假设检验结果。
假设 系数（β） t-Statistic p-Value
H1a. 数据质量 → 决策质量 0.231 4.205 0.000 支持
H1b. 数据质量 → 公司绩效 0.131 1.756 0.040 支持
H2a. 分析工具 → 决策质量 0.152 1.766 0.039 支持
H2b. 分析工具 → 公司绩效 0.082 1.072 0.142 不支持
H3a. 分析技能 → 决策质量 0.332 4.340 0.000 支持
H3b. 分析技能 → 公司绩效 0.052 0.660 0.255 不支持
H4a. 业务知识 → 决策质量 0.218 3.184 0.001 支持
H4b. 业务知识 → 公司绩效 0.091 1.265 0.103 不支持
H5. 决策质量 → 公司绩效 0.407 3.843 0.000 支持
H6a. 公司规模 → 公司绩效 0.333 6.843 0.000 支持

分析工具被发现对决策质量有积极影响（β = 0.152，t = 1.766，p = 0.039），支持H2a。然而，它们对公司绩效的直接影响并不显著（β = 0.082，t = 1.072，p = 0.142），这意味着工具并不直接影响公司的绩效，而是通过其他渠道产生影响，因此H2b没有得到支持。H3a关注分析师的分析技能，研究发现它们对决策质量有显著的积极影响（β = 0.332，t = 4.340，p < 0.001）。这一发现强调了培训员工具备技术和方法技能的必要性，以便能够从数据中提取有价值的信息。然而，它们对公司绩效的直接影响并不显著（H3b）（β = 0.052，t = 0.660，p = 0.255），这意味着分析能力对绩效有影响，但只是作为更好决策的结果。同样，分析人员中的业务知识也被发现对决策质量有显著影响（β = 0.218，t = 3.184，p = 0.001），从而支持H4a。这强调了在做出适当和实际决策的过程中，背景业务理解也是必不可少的。然而，它对公司绩效的直接影响并不显著（β = 0.091，t = 1.265，p = 0.103），因此仅凭背景理解本身并不是绩效结果的直接驱动因素。此外，决策质量对公司绩效有强烈且统计上显著的正向影响（β = 0.407，t = 3.843，p < 0.001），这证实了H5。最后，公司规模也对绩效有直接的积极影响（β = 0.333，t = 6.843，p < 0.001），这支持了H6a。该模型解释了决策质量方差的51.2%（R2 = 0.512）和公司绩效方差的48.7%（R2 = 0.487），表明具有中等的解释力。最后，使用PLSpredict算法评估了模型的预测相关性。两个内生结构的Q2值都高于零的最低阈值，分别为决策质量的0.467和公司绩效的0.355。这些值表明模型具有有意义的预测相关性。

5.4. 中介和调节分析
除了直接假设检验之外，我们还进行了探索性测试，以更好地理解结构关系。特别是中介分析（表5）显示，商业决策的质量是一个重要的过程机制，通过这个机制，多个前因会影响公司绩效。

表5. 中介分析。
间接路径 间接效应（β） t-Statistic p-Value
中介 H1c. 数据质量 → 决策质量 → 公司绩效 0.094 2.953 0.002 部分中介
H2c. 分析工具 → 决策质量 → 公司绩效 0.062 1.396 0.081 无中介
H3c. 分析技能 → 决策质量 → 公司绩效 0.135 2.826 0.002 完全中介
H4c. 业务知识 → 决策质量 → 公司绩效 0.089 2.313 0.010 完全中介

结果显示，数据质量通过决策质量对公司绩效有显著的间接影响（b = 0.094，p = 0.002），表明存在部分中介效应，因为数据质量对绩效有直接影响（因此，H1b得到支持）。相比之下，分析工具的间接效应（H2b）并不显著（b = 0.062，p = 0.081，无中介效应），这意味着工具除非与熟练分析师的服务和高质量数据结合，否则不一定会对其他绩效结果有显著影响。对于分析技能，通过决策质量的间接路径（H3b）是显著的（b = 0.135，p = 0.002），表明存在完全中介效应，因为它们对绩效的影响完全是通过提高决策质量来实现的。此外，业务知识也显示出显著的间接效应（b = 0.089，p = 0.010），再次证实了完全中介效应，并验证了H4b。

此外，调节分析检查了公司规模（员工数量）是否调节高质量商业决策转化为绩效的有效性。这个测试回应了理论上的兴趣，即资源禀赋可能如何塑造分析回报。结果（表6）显示公司规模和决策质量之间存在负相关且显著的交互作用（β = –0.222，t = 4.000，p < 0.001）。换句话说，决策质量对公司绩效的积极影响在较小的公司中更强，随着组织规模的扩大而逐渐减弱，这种模式与资源稀缺论点一致。Cohen的f2值通过比较包含交互项和不包含交互项的模型的R2来计算，为0.096，表明调节对解释方差的贡献是适度的。

5.5. fsQCA分析
fsQCA使我们能够绘制前因（即数据质量、分析工具、分析技能、业务知识、决策质量和规模）的配置空间，并识别出足以实现高公司绩效（FP）的等效路径。通过将这些不对称的、结合的解决方案与PLS-SEM的对称的、净效应证据进行对比，我们更深入地理解了哪些条件组合会导致高或低FP，并概述了实现这一目标的不同的商业分析策略（Fiss，2011；Pappas和Woodside，2021）。

5.5.1. 原始数据的校准
由于fsQCA使用集合论和布尔代数，原始分数必须校准为[0,1]范围内的模糊集成员资格，以表达每个案例的成员资格程度（Ragin，2009）。为了限制“研究者的自由度”（Gelman & Loken，2016），我们对所有变量应用了一项校准规则，并随后检查了替代锚点的鲁棒性。鉴于我们的数据非正态（偏态）分布，我们使用了第80百分位（完全包含）、第50百分位（交叉）和第20百分位（完全不包含）作为每个条件和结果的锚点（Pappas & Woodside，2021）。遵循最佳实践，我们在所有校准后的分数上增加了0.001，因此没有校准值恰好为0.5（fsQCA将其视为既不包含也不排除）（Fiss，2011）。校准在fsQCA 4.1软件中针对所有条件和结果变量实施。表A.2（附录中）报告了结构统计量和结果校准阈值。

5.5.2. 必要性分析
遵循fsQCA的最佳实践，我们首先检查了是否有任何单个条件是结果所必需的；否则，就有可能丢弃一个总是在结果存在时出现的影响因素（Ragin，2009；Schneider和Wagemann，2012）。在集合论的术语中，当某个条件与结果的一致性超过0.90时（使用覆盖率来衡量经验相关性），通常认为该条件是必要的（Fiss, 2011; Schneider和Wagemann, 2012）。由于fsQCA是不对称的，我们评估了高业绩和低业绩两种情况下的必要性。如表A.3所示，没有任何一个前置条件达到任一结果的0.90必要性阈值。对于的高业绩，最高的一致性是规模（0.722）和数据质量（0.707）。对于的低业绩，最接近必要性的条件是缺乏分析工具（0.737）和缺乏决策质量（0.697），其他被否定的条件也低于0.90。这些结果表明，企业业绩并非由任何一个单一的关键因素驱动，而是取决于各种条件的组合。因此，我们保留了所有条件进行充分性（真值表）分析，以考虑INUS类型的角色——即那些虽然是必要的但不充分的组合部分（Mahoney等人，2009）。根据最近的建议，我们将这种可替代的“备选核心”元素视为下一步发现的不同的等效路径的候选者（Douglas等人，2024）。

5.5.3. 高企业业绩的路径
集合论分析涉及明确的阈值选择，以平衡经验丰富性和因果合理性。遵循最佳实践，我们设定了一致性阈值为0.80，频率阈值为3，以仅保留经验上相关的行（由于我们的样本量超过150个案例，这个频率阈值被认为是合适的（Fiss, 2011; Pappas和Woodside, 2021），以及PRI（不一致性的比例减少）>0.60，以避免矛盾的充分性并提高因果主张的可信度（Douglas等人，2024; Ragin, 2009; Rutten, 2022）。中间解决方案的真值表结果显示出三条等效的高企业业绩路径，解决方案的一致性=0.836，解决方案的覆盖率=0.326（表7）。
表7. 高企业业绩的路径。
配置/路径 => ABC
规模 ? ● 数据质量 ● ● ● 分析工具 ● ● ● 分析技能 ? ● ● 业务知识 ? ● 决策质量 ● ● ●
原始覆盖率 0.164 0.236 0.086 独特覆盖率 0.052 0.131 0.024
一致性 0.856 0.833 0.801
注释：解决方案覆盖率0.326；解决方案一致性0.836；PRI > 0.60。关键：· 存在；? 缺失；空格表示“无关紧要”的条件。
在所有成功的配置中，有两个要素构成了共同的基础：高质量的数据和分析工具的使用。在这个基础上，三条路径在剩余条件的组合方式上有所不同，这些组合展示了互补性（协同效应）、替代性以及在某些情况下的抑制效应。
路径A（原始覆盖率=0.164；独特覆盖率=0.052；一致性=0.856）表明，当高质量的数据和高决策质量得到可用工具的支持时，即使高级分析技能和业务知识不高，企业也能表现出色。在这里，规模不是一个决定性因素，表明严谨的决策流程和扎实的数据及基本工具可以在不同规模的企业中发挥作用。在这种“轻技能、数据和决策”的路径中，互补性（协同效应）是明显的，因为可靠的数据、可用的工具和严谨的决策流程相互强化。同时，工具似乎可以替代大量分析人员或特殊的领域专长。企业似乎可以在没有数据科学家或经验丰富的内部人员的情况下取得成功。这种配方中缺乏极高的业务知识也显示出轻微的抑制效应，因为过度依赖专家直觉可能会压制基于证据的选择——因此在这里，“少主观意见，多数据”更为有效。
路径B（原始覆盖率=0.236；独特覆盖率=0.131；一致性=0.833）更常见于小型企业。在这里，当数据和决策都很强，并且工具和分析技能都到位时，高业绩就会出现。业务知识是一个“无关紧要”的条件，因为如果其他一切都运行良好，它似乎不需要很高。这种“技能型且规模小、数据到决策”的路径是一个强大的互补性（协同效应）案例，其中数据、工具、熟练的分析人员和高质量的决策形成了紧密的流程。它还展示了替代性：技术技能可以替代深厚的管理经验，因为这里重要的是快速将数据转化为严谨的决策。规模小可能会减少交接和官僚主义；从这个意义上说，可能减少的与规模相关的问题自然被最小化了。这是我们样本中经验上最突出的路径（独特覆盖率最高）。
路径C（原始覆盖率=0.086；独特覆盖率=0.024；一致性=0.801）则与规模有关，但方向相反。一些较大的企业在数据质量强、工具齐全且业务知识深厚的情况下，即使决策质量不高也能取得高业绩。在这种“大企业、轻决策、知识支持”的路径中，存在替代性，因为积累的规模业务知识可以弥补决策质量的不足。还可以看到一种合理的抑制效应，因为在大型组织中分层专门的分析角色可能会减缓决策周期（“分析瘫痪”），所以不太高的技能，加上清晰的数据和实用的工具，可能避免这一障碍。鉴于其接近阈值的一致性和较低的独特覆盖率，我们认为这是一个狭窄但有意义的路径，与大型组织中的资源缓冲作用一致。
所有上述结果都强调了等效性和联合因果性，因为不同的组合可以在不同的组织背景下取得成功。它们还体现了不对称性。例如，在大型、知识丰富的企业中，高业绩可以在没有高决策质量的情况下发生，这提供了一个配置层面的视角，补充了PLS-SEM观察到的净效应。在所有解决方案中，数据质量和分析工具作为核心条件，而决策质量和分析技能在不同路径中表现为备选核心条件，有些配置中存在，有些则不存在。业务知识始终处于边缘地位，影响路径的运作方式但不起决定性作用。最后，企业规模同样处于边缘地位，作为一种情境设定条件（一种路径中规模小，另一种路径中规模大）。
总体而言，高业绩解决方案代表了三种类型的相互依赖机制。互补性体现在所有成功配置中都存在的稳定基础（高质量的数据和分析工具的存在），表明这些条件共同促进了跨情境的价值创造。替代性体现在不同的“备选核心”条件可以支持成功：在路径A和B中，高决策质量是核心；而在路径C中，大型企业中的高业务知识可以弥补决策质量的不足。最后，这些解决方案表明，在特定配置中，某些能力要素可能是反效果的或非必要的，但这些模式应被视为特定于配置的（即，取决于其他要素），而不是普遍的负面效应。

5.5.4. 低企业业绩的路径
由于fsQCA是不对称的，我们还使用相同的设置（频率=3；一致性截止值=0.80；PRI>0.60）检查了导致低企业业绩的配置。中间解决方案得出三条等效路径，解决方案的一致性=0.896，解决方案的覆盖率=0.319（表8）。
表8. 低企业业绩的路径。
配置/路径 => abc
规模 ● ? ? 数据质量 ● ● ● 分析工具 ? ● ● 分析技能 ● ? ? 业务知识 ? ? 决策质量 ● ?
原始覆盖率 0.174 0.166 0.126 独特覆盖率 0.098 0.089 0.031
一致性 0.830 0.954 0.935
注释：解决方案覆盖率0.319；解决方案一致性0.896；PRI > 0.60。关键：· 存在；? 缺失；空格表示“无关紧要”的条件。
在路径a中，当数据质量和分析工具缺失，分析技能存在，但业务知识缺失，同时决策质量无关紧要时，大型企业会出现低业绩（原始覆盖率=0.174，独特覆盖率=0.098，一致性=0.830）。这种模式类似于“没有基础设施的分析人员”，因为个人技能无法转化为业绩结果，因为糟糕的数据和缺失的工具限制了它们的潜力，而规模可能会放大瓶颈。替代性也失败了，因为技能无法替代所需的输入和基础设施来实施洞察。
路径b更典型于小型企业，它结合了存在的数据质量与缺失的工具、技能、业务知识和决策质量（原始覆盖率=0.166，独特覆盖率=0.089，一致性=0.954）。这是一种“数据丰富、工具匮乏”的模式，其中干净的数据不足以产生高业绩，因为决策薄弱，组织缺乏将洞察付诸实施的工具。在这种路径中，我们观察到工具、技能和弱决策流程之间的负面互补性（协同效应），因为即使有干净的数据，洞察也无法得到执行。
路径c也出现在小型企业中，表明即使工具存在，如果数据质量、分析技能和业务知识都缺失，结果也是低企业业绩（原始覆盖率=0.126，独特覆盖率=0.031，一致性=0.935）。这种“只有工具的陷阱”展示了另一种形式的抑制：嘈杂的数据和有限的能力使得技术无效，工具无法替代人员、知识或稳健的决策流程。
低企业业绩的路径也展示了等效性和联合因果性，因为不同的缺陷组合可能导致不良结果。它们进一步突出了与高企业业绩解决方案的不对称性，因为它们表明失败不仅仅是成功的镜像。在所有配置中，业务知识的缺失在每个路径中都重复出现，表明它在失败模式中起着核心作用（核心条件），而在三个解决方案中的两个中，决策质量的缺失是普遍的（边缘条件），使得薄弱的决策流程成为低业绩的常见但非普遍的特征。相比之下，分析工具、技能和数据质量表现为备选核心条件，因为它们以不匹配的模式交替出现，强调了互补性的破坏，而不是任何单一的缺失要素通常会降低业绩。企业规模同样是一个边缘条件（一种路径中规模小，另一种路径中规模大），并作为情境设定元素，影响这些弱点的组合方式，但本身并不驱动结果。总体而言，低企业业绩配置强化了缺失或不对齐的能力组合足以产生不良结果的观点，这补充了我们对高业绩所获得的配置层面的理解。
低业绩解决方案进一步帮助解释了抑制的逻辑，因为在缺乏重要补充要素的情况下，单一资源的存在是不够的。路径a说明了在没有基本基础设施和数据输入（工具和数据质量）的情况下，分析技能如何被抑制。路径b表明，没有工具和决策流程，干净的数据并不能带来业绩，路径c展示了工具单独不能替代人员、知识和严谨的决策制定。这些失败配置共同强化了互补性的破坏（而不是任何单一的缺失要素）足以导致低业绩，这与因果不对称性一致。

5.5.5. 鲁棒性和预测有效性
由于集合论结果取决于研究者的选择（例如，校准锚点、频率和PRI一致性过滤器），进行鲁棒性分析对于防止规范驱动的发现并增强因果主张的可信度至关重要。因此，我们进行了两组敏感性检查：首先，我们提高了PRI阈值，以过滤掉结果存在和缺失之间差异较大的行（即企业业绩）。其次，我们改变了校准锚点，以检查解决方案的组成和指标是否发生显著变化，特别是关于核心和边缘条件。
将PRI阈值从0.60提高到0.65后，高企业业绩解决方案中的两条路径与我们的主要规范中的路径A和B相同，而路径C被排除。这种模式在理论和经验上令人安心，因为两个存活的配置（A和B）对更严格的一致性过滤是稳定的，而第三条路径（C）本来就是最狭窄的，具有接近阈值的一致性和最小的独特覆盖率，对PRI收紧非常敏感，最好被视为一种偶然的路径。相比之下，低企业业绩解决方案在更严格的PRI下保持不变。所有三条路径都保持完整，表明失败配置对更严格的一致性筛选具有鲁棒性。
为了测试对校准选择的鲁棒性，我们使用第85、50和15百分位锚点重新校准数据，并重新估计了中间解决方案，保持所有其他设置不变。得到的模型产生了六种高企业业绩的配置，解决方案的一致性=0.831，解决方案的覆盖率=0.539，表明更严格的锚点并没有削弱充分性，实际上增加了解释的成员数量。
实质上，基础结构保持不变：分析工具出现在所有六个配方中，数据质量在五个配方中出现。在基线校准下观察到的两个主要家族持续存在（轻技能、数据和决策路径，以及技能存在、数据到决策路径），我们再次在大型企业中看到了轻技能、知识支持的变体。在角色方面，分析工具仍然是全球核心，数据质量保持了接近全球核心的地位，决策质量继续作为备选核心条件（在几个配置中存在，在大型企业知识支持的配置中不存在），而业务知识、分析技能和规模仍然处于边缘/依赖情境的状态。总体而言，85/50/15的校准确认了我们主要路径的稳定性，并表明我们的结论并非特定校准选择的产物。为了测试预测有效性，我们遵循了Pappas和Woodside（2021年）推荐的分样样本程序，将数据集随机分成两个相等的部分：一个用于建模的子样本和一个保留的子样本（例如，Akbarighatar等人，2025年；Mikalef和Pateli，2017年；Salavou等人，2023年）。使用建模子样本，我们在与主分析相同的设置下重新估计了fsQCA。这得出了两种高企业绩效配置：(Size*DtQ*AT*～AS*～BK*DQ（原始协变量0.158，独特协变量0.079，一致性0.832）和(Size*DtQ*AT*AS*BK*DQ（原始协变量0.228，独特协变量0.158，一致性0.817）），然后将这些配置投影到保留子样本上以评估样本外的表现。保留样本的图表（图3）显示两种模型都具有良好的泛化能力：第一个模型的 consistence=0.833，coverage=0.095；第二个模型的consistency=0.888，coverage=0.194。在集合论预测中，高的样本外一致性表明在配置中有强关联的案例也倾向于在结果中表现出强关联（对角线以上的点），而覆盖率反映了所解释的结果关联比例。正如50/50划分所预期的那样，样本外的覆盖率低于样本内的覆盖率，但两个模型都有足够的样本外一致性（>0.80），这支持了它们的预测能力。因此，我们的配置结果表明它们不是特定于样本的，并具有外部预测有效性，分样样本测试也证实了这一点。下载：下载高分辨率图像（89KB）下载：下载全尺寸图像图3. 使用保留样本数据绘制模型1和2的模糊图。

6. 讨论
本研究通过结合对称（PLS-SEM）和不对称（fsQCA）证据，将研究推进到从净效应到配置解释的层面，从而深化了商业分析和企业绩效的研究。基于资源基础视图（RBV）和动态能力（DC）的理论，我们展示了数据质量和分析工具作为全球核心补充的作用，而决策质量和分析技能则作为条件性核心要素，其重要性因情境而异。商业知识和企业规模作为设定情境的要素，决定了哪些配置是可行的。方法论上，我们的方法与新兴的双重分析流派一致，该流派结合了SEM和fsQCA（Ciampi等人，2021年；Gupta等人，2025年；Mikalef等人，2019年），并且通过将决策质量置于价值转换逻辑的中心，并将企业规模视为边界条件，将分析能力与企业绩效联系起来，扩展了先前的研究。对称模型的一个关键含义是，尽管分析工具、分析技能和商业知识与绩效相关，但它们对绩效没有显著的直接效应。相反，每种资源主要是在决策流程中协同作用时创造价值，而不是作为独立的绩效驱动因素。fsQCA的结果支持了这一解释，表明这些资源根据配置的不同而起到补充或替代的作用，而且能力积累的不均衡可能会抑制绩效。这些间接和配置依赖的效应的强度也可能受到情境的影响，在数字化程度更高、数据整合更紧密、决策周期更快的环境中，工具和技能可能会转化为实际的绩效提升；而在数字化程度较低的环境中，它们的贡献可能会因碎片化、采用率低或洞察力的操作化不足而减弱。

基于RBV的观点，我们的发现通过挑战关于分析资源孤立积累以创造价值的关键假设，进一步推动了先前的BA能力研究。相反，这些结果定义了资源捆绑的逻辑，即分析相关资源如何变得与绩效相关：某些能力元素是互补的，而其他元素则表现出替代或抑制的模式，解释了为什么“更多的能力”并不总是带来更高的绩效。重要的是，这通过将决策质量确定为价值创造的直接机制，细化了RBV对分析驱动租金的解释，即绩效效应取决于资源是否被整合到能够及时将数据转化为可行选择的决策流程中。这也通过指出绩效差异更好地由资源配置解释，而不是由任何单一的能力元素单独解释，从而澄清了RBV关于因果模糊性的推理。

从动态能力的角度来看，我们的结果扩展了DC理论，展示了企业将分析潜力转化为绩效的过程中的等终性和因果不对称性。配置证据表明，没有单一的“最佳”分析路径，而是不同的资源组合足以带来高水平的绩效，这与DC理论相符，即竞争优势是基于企业在情境敏感的方式中部署和重新配置资源的能力。总之，结果将决策质量定位为一个实际的微观基础，通过它，分析支持的感知、捕捉和转化体现在绩效中。最后，企业规模作为一个边界条件，而不是一个统一的优势。虽然企业规模与绩效呈正相关，但决策质量与企业规模之间的负交互作用表明，随着企业规模的扩大，决策质量的边际回报逐渐减少，小型企业的回报更高。配置证据还表明，一些高绩效路径不受规模限制，而某些路径则受规模影响，这突显了“什么有效”取决于组织环境和大规模协调的可行性。

6.1. 理论含义和基准比较
为了解释我们的结果与以往工作的关系并对其进行扩展，我们将我们的发现与文献中报道的BAC/BDAC研究进行了比较，并在表1中进行了总结。这种基准比较揭示了四个方面的收敛点和扩展：（i）不同能力要素（即技术能力与人力/情境能力）的相对重要性；（ii）将分析能力与绩效联系起来的具体价值创造机制；（iii）超出净效应的等终性和因果不对称性的重要性；（iv）企业规模作为结构化哪些能力组合可行的边界条件的作用。首先，我们的对称结果支持了BDAC/BAC研究中反复出现的模式，即技术能力要素通常对绩效有支持作用，但不一定是直接的绩效驱动因素。基础研究强调了将分析能力概念化为多维资源系统的积极绩效关联（Akter等人，2016年；Gupta和George，2016年），而基于中介的解释则侧重于分析价值通常通过互补的组织流程和能力实现的事实（Mikalef等人，2019年；Wamba等人，2017年）。我们的结果与此逻辑一致。虽然数据质量既与绩效有直接关系，也通过决策质量有显著的间接效应（部分中介作用），但分析工具、分析技能和商业知识并未显示出直接的绩效路径，尽管它们是决策质量的显著预测因子。这种模式强化了工具和人力资源通常是“使能”输入的观点，其价值取决于它们是否被嵌入到将分析潜力转化为行动的流程中，而不是作为独立的租金来源。其次，与现有的基于机制的研究相比，我们的结果将决策质量确定为直接的价值创造机制，并将决策-绩效链扩展到企业绩效。以往的研究从战略对齐（Akter等人，2016年）、流程绩效（Aydiner等人，2019年）和动态/运营能力（Mikalef等人，2019年；Wamba等人，2017年）的角度研究了转化机制，而决策结果往往被视为终点（即决策绩效），而不是解释绩效的机制。Ghasemaghaei等人（2018年）的研究最接近于将决策绩效视为分析能力的结果，但它没有将决策质量与企业绩效联系起来，也没有探讨等终能力组合。相比之下，我们的证据将决策质量确定为关键渠道：决策质量与企业绩效有强烈的正相关，并完全中介了分析技能和商业知识对绩效的影响，同时也部分中介了数据质量的影响。这种基准比较明确了我们的贡献，因为我们不仅仅增加了一个单一的中介因素（例如流程绩效），而是将决策质量定义为分析能力组合转化为绩效差异的实际微观基础。第三，我们结合PLS-SEM和fsQCA的结果，为解释BAC到绩效关系中的等终性和因果不对称性做出了贡献。如表1所示，大多数BAC/BDAC研究仍然主要由对称净效应测试主导，而少数研究则结合了SEM和配置方法（Ciampi等人，2021年；Gupta等人，2025年；Mikalef等人，2019年）。我们的方法与这种方法论趋势一致，但在两个方面进行了发展。实质上，我们用替代的解释对象（如创业导向或创新结果）来替代企业绩效，并特别关注决策质量作为直接机制的概念。方法论上，我们的配置结果表明，多种能力组合足以带来良好的绩效，而 performance “失败模式” 并不是成功的镜像。这解决了证据综合中强调的一个关键限制：尽管评审强调了互补性和社会/组织因素的重要性，但它们往往无法明确哪些组合足以带来高（或低）绩效（Oesterreich等人，2022年）。因此，fsQCA的证据为绩效提供了另一种途径，并解释了净效应模型中某些能力要素的弱相关性或缺乏显著性的原因，因为它们的贡献是配置依赖的（补充/替代/抑制）。第四，我们的调节和配置证据为将企业规模作为分析价值实现的边界条件的作用提供了基准和校准。以往的研究通常将规模作为控制变量或在讨论结果时加以考虑，但很少将其视为决定哪些能力组合有效的决定因素。在我们的对称模型中，企业规模与绩效呈正相关，但决策质量与企业规模之间的负交互作用表明，随着企业规模的扩大，决策质量的边际回报逐渐减少，而在小型企业中，高质量决策的绩效回报更高。配置证据还表明，一些高绩效路径不受规模限制，而有些则受规模影响，这突显了“什么有效”取决于组织环境和大规模协调的可行性。

6.2. 归纳理论发展和命题
我们的贡献也遵循了一个在理论和证据之间循环的归纳路径。我们从RBV和DC预期开始，即商业分析能力使决策流程成为可能，进而提升绩效，并使用PLS-SEM来建立稳健的净关联和预测相关性。然后我们转向fsQCA来解释对称模型无法完全捕捉的规律性，特别是：（i）在所有成功配置中数据质量和分析工具的持续作用；（ii）决策质量和分析技能的路径依赖性角色；（iii）商业知识和企业规模的边缘和情境设定功能；（iv）成功与失败之间的不对称性，其中失败源于缺乏互补性，而不是成功条件的相反。这些结果通过概述能力作用的机制，细化了RBV和DC的理论。技术基础设施和工具几乎从未有过直接的绩效影响（Mikalef等人，2020年；Oesterreich等人，2022年）。相反，它们作为核心补充，其价值通过与决策和人类分析技能的整合而实现。互补性、替代性和抑制的机制解释了类似资源如何根据组合和整合方式的不同产生不同的结果。归纳地，这些结果解释了能力之所以有价值，并不是孤立存在的，而是作为满足互补性要求的组合。这将解释对象从“BA重要吗？”转变为“哪些组合对哪些企业有效，为什么？”因此，根据我们的实证发现，我们提出了以下命题：
命题1：商业分析能力通过满足阈值和互补性要求的组合创造绩效价值，而不是通过孤立的积累。
此外，我们指定了企业规模的边界条件。尺寸并不是一种普遍的调节因素，而是决定了哪些能力组合是可行的。在特定条件下，大型企业可以通过编码化的商业知识、基础设施和规模来弥补决策质量的不足，但小型企业反而更能从精简、一致的“数据到决策”的流程中获益，这种流程将高质量的数据、适当的分析工具和人类的分析技能整合到规范的决策程序中。这种边界条件逻辑与组织设计和交易成本的观点一致，即更大的规模通常会增加协调成本和对规范化的需求，并影响资源的调配方式以及哪些能力组合是有效的（Eisenhardt和Martin，2000年；Josefy等人，2015年；Teece等人，2016年）。这种细微差别扩展了动态能力的概念，表明在某些情况下，资源的节俭可以放大规范决策的回报，而在其他情况下，基于规模的知识可以弥补过程的不确定性。因此，我们的第二个命题如下：命题2 企业规模决定了哪些能力组合是有效的，小型企业从将数据、工具和技能整合到决策程序中的一致系统中获益更多，而大型企业则从基于规模的知識整合中获益。

最后，理论化的失败与理论化的成功同样重要。低绩效配置展示了不对称性：失败并非成功的镜像，而是由于缺乏互补性造成的，例如“没有基础设施的分析人员”、“数据丰富但工具匮乏”以及“只有工具的陷阱”。这些模式描述了必要的互补性，并指出了问题发生的地方，为关于业务分析能力（BAC）绩效影响的主张提供了更清晰的理论边界。这种逻辑与配置理论和关注联合因果关系和因果不对称性的配置危机分析（fsQCA）研究一致，即导致失败的条件并非仅仅是成功条件的对立面，失败往往源于互补性的缺失和相互依赖条件之间的不匹配（Fiss，2011年；Furnari等人，2021年；Pappas和Woodside，2021年）。因此，我们的第三个命题如下：命题3 低绩效并非源于成功条件的反面，而是由于业务分析能力之间的互补性缺失，强调失败是由于不平衡而非个别资源的缺乏所导致的。

总体而言，PLS-SEM（稳健的关联性和预测相关性）和fsQCA（等效路径和角色类型学）的结合提供了一个更完整的理论解释，说明了业务分析能力如何转化为绩效，以及为什么效果会在不同组织背景下有所不同。

6.3 实际意义
研究结果为希望利用分析来提升企业绩效的管理者提供了可操作的见解。核心的实施建议是，分析能力的价值更多体现在通过将互补元素系统地整合到可重复的决策程序中来，而不是通过孤立的投资。一个实际的起点是将分析应用到高频且高影响力的决策上（例如需求计划、定价、产能分配、信贷审批、预防性维护）。对于每个决策，管理者应明确决策的责任人和频率，指定受该决策影响的绩效KPI，并协调所需的数据输入、工具和技能。这将减少“分析而无行动”的情况，因为决策质量被具体化为可测量的常规操作。鉴于数据质量在高绩效配置中的关键作用，管理者应建立数据集的最低质量标准（及时性、完整性、准确性）。工具选择应适合特定用途（或在决策点可用，并集成到工作流程中），而不仅仅取决于工具的复杂性。最后，应通过轻量级的治理和学习循环（明确的决策规则和决策后的审查）来稳定这些程序，以便分析成果能够及时转化为实际行动。实施优先级应根据所使用的情境进行调整，特别是企业规模。对于小型企业来说，由于协调成本较低且资源更为有限，在一个将数据规范、可用工具和专注的分析技能结合在一起的一致“数据到决策”流程中，最有可能实现绩效提升。对于大型企业来说，虽然规模可以弥补一些劣势，但也会引入更多的交接和官僚主义，因此实施应侧重于将商业知识编码为决策规则，并尽量减少决策周期中的摩擦，同时不牺牲数据质量或使用过于不切实际的工具。在所有情境下，管理者可以将观察到的低绩效配置作为诊断信号。雇佣分析师而没有解决数据碎片化和工具缺失的问题会抑制技能的价值；积累干净的数据而没有相应的工具和决策程序会导致见解无法实施；部署工具但没有足够的数据质量、技能和决策治理则会产生“无实质效果的技术”。这些陷阱为能力对齐提供了实用的指导原则。

行业特征也在决定有效实施中起着重要作用，因为不同行业的决策程序和数据可用性存在差异。在零售和电子商务领域，回报通常依赖于及时且详细的事务数据以及能够快速响应价格、促销和补货的流程，具有紧密的反馈循环和行动阈值。在制造业中，重点在于规范的操作数据（质量、维护、传感器日志）以及将分析集成到预防性维护和质量干预中的流程，需要一线人员的权限和解释能力。在物流和运输领域，绩效提升取决于关于订单、路线和容量的近乎实时信息的可用性，以及明确的异常管理流程、升级规则和在时间压力下的决策责任。在专业服务和B2B服务中，分析的价值往往体现在资源分配和项目盈利能力方面，领域知识对于防止局部最优但战略上不匹配的决策至关重要。跨行业来看，一个一致的含义是，价值创造涉及互补性和流程化，典型的失败源于互补性的缺失和能力组合的不匹配，而不是单一资源的缺乏。

我们的研究结果也补充了Gupta等人（2025年）的观点，他们区分了硬性和软性业务分析能力（BDAC）组成部分，并表明结果取决于这些组成部分在不同配置中的组合。将这一逻辑应用于业务分析绩效背景，我们的结果表明，“刚性”投资（如工具和基础设施）本身很少足够，但当它们嵌入到一个一致的数据到决策系统中时，能够创造价值，在这种系统中，决策程序、技能和领域知识将分析潜力转化为更高的决策质量，最终提升绩效，尤其是在小型企业中，其中规范的决策质量能够带来不成比例的回报。

对于政策制定者和教育工作者而言，我们的研究的意义在于支持结合数据管理、有用工具、决策治理和领域操作手册的综合课程，以便未来的领导者能够学习设计互补的能力组合，而不是购买孤立的工具。

6.4 局限性和未来研究
尽管这项研究具有重要的理论和实践意义，但仍有一些局限性需要解决，每个局限性也指明了未来研究的方向。首先，该研究采用了横断面设计，这限制了业务分析能力、决策质量和企业绩效之间关系的因果推断。尽管理论模型基于成熟的框架（包括基于资源的观点和动态能力理论），但未来的研究可以采用纵向、面板或实验设计来评估这些关系随时间的变化。特别是，这样的设计可以评估随着企业积累经验、深化分析应用和完善决策程序，业务分析能力对绩效的影响是增加、稳定还是减弱。它们还可以澄清在分析成熟度、组织成长和数字化转型的不同阶段，决策质量的重要性是增加还是减少。

其次，数据是在特定的国家和行业背景下获得的，这可能限制了结果的外部有效性和普遍性。国家和地区之间的制度条件、文化、监管、数字基础设施或技术成熟度的差异可能会影响业务分析能力的发展和实施，以及这些能力转化为决策质量和企业绩效的机制。此外，针对有分析经验的关键信息者的目的性抽样策略可能会引入自我选择和覆盖偏差（以及相关的无回应偏差），可能导致年轻和受教育程度高的受访者过度代表，从而夸大观察到的关系。因此，未来的研究应通过使用跨地理、行业和企业规模的数据来验证和扩展模型，包括B2B环境、服务密集型行业和非欧洲经济体，采用分层（或基于概率的）抽样设计，并在可行的情况下进行事后分层加权，以及多受访者或多来源的数据收集。这样的设计有助于评估决策质量的中介作用、本研究中确定的规模依赖路径以及fsQCA观察到的配置解决方案在不同情境下的稳定性。

最后，尽管研究基于技术、人力和情境相关的业务分析能力，但还有一些其他相关因素没有得到明确的建模，包括组织文化、高层管理的支持或数据治理。这些因素可能会与业务分析能力相互作用或影响决策质量，应纳入扩展的模型中。具体来说，吸收能力或创新能力有助于更好地理解分析如何转化为实际行动。

7. 结论
当前研究结合了PLS-SEM和fsQCA方法，以研究业务分析能力（BAC）改善决策质量和企业绩效的交互效应，捕捉了线性和配置关系。通过结合这两种方法，我们证明了业务分析的有效性不在于个别投资，而在于能够满足组织环境要求的互补能力组合。在各种解决方案中，数据质量和分析工具成为核心的技术能力，而决策质量和分析技能则作为次级核心条件，其影响程度取决于具体情境。业务知识和企业规模是情境性的，并决定了其他能力如何组合以形成高或低绩效。

该研究将基于资源的观点和动态能力理论从简单的因果逻辑扩展到了能力组合逻辑，其中价值创造不是基于累积，而是基于能力的协调。结果还进一步明确了边界条件，揭示了小型企业从精简的数据到决策流程中获益最多，而大型企业则可以通过编码化商业知识和保持数据规范来避免低效率或“分析瘫痪”。

展望未来，这项研究为情境敏感的业务分析理论和实践提供了基础，特别是在资源受限的小型企业和新兴经济体中，互补性更为重要。未来的研究应探讨决策质量的中介作用、本研究中确定的规模依赖路径以及fsQCA观察到的配置解决方案在不同行业、B2B环境和国家背景下的稳定性。纵向和面板设计可以进一步明确随着企业通过分析成熟度和数字化转型，BAC的绩效效应是增加、稳定还是减弱。未来的研究还应关注这些配置如何随时间变化，寻求实现成功的最低数据质量和治理水平，以及政策和教育系统如何促进数据、工具、技能和决策治理的全面发展。总体而言，研究发现表明，分析驱动的绩效不仅仅依赖于更大的投资，而是通过协调互补能力来实现，这些能力将数据转化为明智、及时和有效的决策。

CRediT作者贡献声明：
Xenia J. Mamakou：撰写——审阅与编辑、撰写——原始草案、可视化、验证、监督、软件、资源、项目管理、方法论、调查、正式分析、数据管理、概念化。