服务供应链中客户知识的相互作用关系研究

喻 立

(清远职业技术学院 外语与经贸学院，广东 清远511510)

1 服务供应链中客户知识的构成

服务供应链是以服务为主导的供应链，由服务集成商响应客户需求，通过处于不同服务地位的服务提供者对客户请求逐级分解，由不同的服务提供者彼此合作，向客户提供系统集成化的服务，服务集成商承担各种服务要素、环节的整合和全程管理［1］。服务供应链要求服务集成商、服务提供商和客户之间做到高度协同，不仅要高效、低耗地满足客户的需求，实现企业的经营目标，而且要通过与客户的交流与互动，以客户为中心打造更具竞争力的服务价值链。实施服务供应链管理，需要洞悉并满足客户的需要，同时还应随时向客户传递正确的产品知识和服务信息，使客户对服务产品的利用价值最大化。因此，全面透视和理解客户并据此配置服务资源是供应链获取竞争优势的关键所在。

服务供应链的良好运作是建立在对各种服务资源的有效配置和服务流程的协调运作基础之上的，相对于核心的服务集成商而言，既包括对外部终端客户的需求满足，也包括对内部客户—服务提供商的资源和流程管理。服务供应链作为一个复杂系统，其内部组织存在不断裂变、成长及资源流失的问题。服务供应链整体绩效的提升是诸要素共同作用的成果，基于服务供应链的客户知识管理体系涵盖了对其客户的管理，在知识的创造、积累、共享及利用的过程中存在内外部要素之间的作用关联，并且随着时间的变化，这些关联所产生的管理熵也会发生相应的改变。因此服务供应链客户知识管理的过程是一个基于客户服务全生命周期的动态管理过程，需要从更全面的视角透视外部客户的需求及服务供应链运作状态。

GEBERT 认为，客户知识主要由3 部分构成：有关客户的知识、客户需要的知识和客户拥有的知识。有关客户的知识是描述客户特性和需求的知识，客户需要的知识是企业应该传递给客户的知识，客户拥有的知识是客户所了解到的有关企业服务、产品及市场方面的知识。随着各类企业对新产品、新服务开发的不断重视，合作创新正逐步成为企业运营管理的主题，许多相关的研究把合作创新的知识也看作客户知识的一部分［2-3］。服务供应链在持续的运作过程中，为提升核心竞争力，需要不断地优化服务资源的集成与匹配模式，通过技术创新推出更具价值的客户服务方案。而创新的思维和动力往往来自于与外部客户的互动，通过与客户的交流、互动产生的创新知识在服务供应链的管理中举足轻重。基于以上分析，笔者认为服务供应链的客户知识包括以下4 类：

(1)有关客户的知识。服务供应链中有关客户的知识是针对外部客户属性及行为特征的描述性知识。在服务供应链中，不同的节点企业所关注的客户特征也有所不同。从服务供应链的系统视角来看，提取外部客户特征知识的目的是为了获取科学的服务资源匹配模式，除利用外部客户知识对客户群进行分类和定位以外，还需要提取外部客户的个体特征知识，通过对个性化因子与相近客户群共性特征的差异分析来寻求更准确的服务资源匹配方案。

(2)客户需要的知识。从作用和功能来讲，客户需要的知识可以帮助客户更好地理解服务产品的作用和性能，实现服务产品在客户中的价值提升。服务供应链中客户需要的知识包括了外部客户在服务体验过程中和接收服务后所需知识的总和。它不仅包括关于服务产品特性的描述性知识，还包括在与客户交流和互动过程中产生的更高层次的知识，如服务产品及流程的设计知识、服务企业的使命、愿景等。

(3)客户拥有的知识。服务供应链中客户拥有的知识反映了外部客户对服务产品的观念、见解及信念等，是服务供应链进行流程再造和能力提升的重要指南。随着与客户交流的不断深入，客户拥有的知识会不断地得到丰富和提升，通过对这些知识的提炼、分析和整理，可以成为服务供应链运作管理的有效性指导文件。

(4)合作创新的知识。合作创新的知识是企业在与客户充分沟通、共同合作基础上新创造的知识，来源于服务供应链外部客户与服务供应链企业的双向互动。通过对外部客户价值理念的充分挖掘，并将其融入到服务供应链的价值活动中，合作创新知识在质和量方面会不断地得到提升。

2 观念架构与研究假设

为了厘清服务供应链中客户知识的相互影响关系，笔者通过设置观测变量进行问卷调研，采用结构方程模型来揭示客户知识的内在关系与相互作用。结构方程模型(structure equation modeling，SEM)是一种建立、估计和检验因果关系模型的方法。模型中包含可观测的显变量和无法直接观测的潜变量。结构方程模型可以替代多重回归、路径分析、因子分析、协方差分析等方法，清晰分析单项指标对总体的作用和单项指标间的相互关系。与传统的回归分析不同，结构方程模型能同时处理多个因变量，并可比较及评价不同的理论模型，在探索性因子分析中，结构方程模型中可以提出一个特定的因子结构，并检验其与数据是否吻合。

服务供应链中的各类客户知识不是孤立存在的，客户知识之间存在着相互联系。在服务供应链运作初期，获得的客户知识大多是对客户特征和需求的规则提取，随着服务供应链的不断成熟，各节点企业之间的协同会更加默契，在协同中会不断地产生新的知识，这些知识会以更高级形式镶嵌在服务供应链的各个要素和流程中。野中郁次郎的知识创造SECI 模型表明组织的知识创造是一个螺旋发展的过程，它源自个体，在知识螺旋发展中，各种隐性知识与显性知识相互影响，并随着层级的攀升而扩展［4］。另外，服务供应链中的各类知识并非是直接的竞争力，要通过对服务供应链中的各要素及服务流程的渗透才能转化为生产力，进而形成服务供应链的核心知识竞争力，并且各类知识有一个内化、外化、转移及作用影响的过程。基于以上分析，笔者提出如下假设：

H1 有关客户的知识与客户需要的知识存在直接影响关系。

H2 客户需要的知识与合作创新的知识存在直接影响关系。

H3 客户拥有的知识与合作创新的知识存在直接影响关系。

H4 有关客户的知识与客户拥有的知识存在直接影响关系。

H5 客户需要的知识与客户拥有的知识存在直接影响关系。

H6 合作创新的知识与有关客户的知识存在直接影响关系。

描述客户知识相互关的系观念构架如图1所示。

图1 客户知识影响关系观念构架

3 问卷设计及数据收集

以服务供应链的客户知识管理为主题设置问卷项目，根据结构方程模型构建要求，还需设置潜变量和与之相对应的观测变量，观测变量是对潜变量的多维度描述，设置观测变量应遵循易理解、易量化、易处理的原则。为了保证所设计变量在因子分析中具有较好的信度和效度，问卷设计时应尽量避免主观性和随意性，所设计的变量指标必须符合服务供应链客户知识管理的相关理论，最终构建出的结构方程模型应能清晰反映出各变量间的相互关系，并具有普适性的指导意义。根据服务供应链客户知识的分类及分布特征，将客户知识中的有关客户的知识、客户需要的知识、客户拥有的知识和合作创新的知识设为结构方程的潜变量，并在此基础上设置观测变量。

3.1 有关客户的知识

VONHIPPEL［5］、卢启程［6］和王壮等［7］认为客户知识的形成是一个循环提升的动态过程，有关客户的知识是对客户情况予以全面了解并进行客户细分的基础。对客户知识的利用包括有关客户的人文静态信息，还包括在与客户互动中获取的经验、创造力，以及客户群个性化需求变化等动态知识。服务供应链的运作是一个针对客户需求的资源动态匹配过程，正确认识外部客户价值、识别重要客户、基于客户价值分类是服务供应链开展差异化服务的重要前提。

根据以上分析，笔者认为服务供应链中有关客户的知识取决于以下4 个方面：①对反映客户经验、创造力，以及客户群个性化需求变化动态知识的掌握程度;②对反映客户基本情况的人文统计静态知识的掌握程度;③对外部客户价值的了解程度，尤其是识别重要客户及对重要客户的了解程度。④服务供应链外部客户关系管理系统运行状况。

3.2 客户需要的知识

客户需要的知识是指外部客户在接收服务的过程中对服务资源的充分利用程度。邹农基等［8-9］和BOSEL 等［10］都认为企业未来的经营焦点是突出产品或服务对客户的价值，未来的客户会更加知识化，对价格的敏感度逐渐下降，而对产品或服务所带来价值的敏感度上升。要提高客户对服务的利用价值，服务供应链应该充分传递与服务应用相关的知识，降低服务的接收难度，提高服务的易用性，进而提高客户的满意度。

基于以上分析，设计出如下问题，即客户需要的知识取决于：①客户接收服务后的满意度;②客户对服务易用程度的测量和识别能力;③服务供应链提高服务易用性或可接收性的能力;④服务流程的科学性。通过对服务流程的科学设计和合理规划，不仅可以简化服务流程，还可以降低客户所需要知识的复杂性，流程复杂，服务的易用性降低，客户需要的知识也会更加复杂。

3.3 客户拥有的知识

随着客户对产品和服务的认可，客户在接收服务的过程中会产生大量的服务使用经验，并且不断地被知识化，从而对服务供应链的服务品质、服务品牌、服务过程产生更深的理解。张波［11］认为通过获取客户拥有的知识，可以帮助改进服务并及时响应客户需求的变化。盛小平［12］认为应该充分利用“来自于客户的知识”，并引入企业的流程，服务供应链中客户拥有的知识会随着客户接收服务次数的增多而得到积累。

基于以上分析，笔者认为客户拥有的知识与客户所处生命周期呈正相关关系。由此提出如下命题，即服务供应链中客户拥有的知识取决于以下4个方面的因素：①客户所处的生命周期;②客户对服务品牌或品质的认识;③客户忠诚度的持续性及稳定性;④客户对服务流程的了解和认识。

3.4 合作创新的知识

苏新宁等［13］认为知识创新是组织生存与发展的必由之路，只有加强知识的组织、管理和利用，知识创新才能真正实现。知识创新的动力来自于组织的创新目标，组织高层人员的参与是实施知识创新战略的保障，对知识创新平台的构建是与客户进行知识合作创新的基础，对创新知识的充分利用是服务流程得以持续改进的关键。

基于以上分析，笔者提出如下命题，即服务供应链中合作创新的知识取决于以下4 个方面的因素：①知识合作创新平台的构建;②各节点企业高层人员的参与;③各组织对合作创新知识的应用和转移能力;④各组织机构的扁平化和充分授权机制。

综上所述，笔者设计出反映服务供应链客户知识的测量指标，如表1 所示，并在此基础上形成研究问卷，对问卷中的各项问题采用李克特量表方式来描述。李克特量表问卷是由一系列主观性陈述组成，笔者运用李克特5 级量表让测试者对问卷描述的情形的符合度做出判断，5 级量表依次设置为：强烈赞同为5、赞同为4、中性为3、不赞同为2、强烈不赞同为1。

调研质量除了受问卷设计的影响外，还取决于被调研者对问卷内容的理解和熟悉程度。调查对象在供应链管理、客户关系管理和企业知识管理等方面应具有一定的理论认识或实践管理经验，因此，问卷调研的对象主要选择了在企业从事相关管理工作的中、高层管理人员或技术骨干，采用当场发放并回收问卷方式或通过Email 发出电子版调查问卷，共发放问卷306 份，回收并选取有效问卷214 份，问卷有效回收率为69.93%，样本及描述性统计情况分别如表2 和表3 所示。

表1 服务供应链客户知识测量指标

表2 调查问卷样本统计

4 问卷数据的信度和效度检验

4.1 信度检验

荣泰生［14］认为信度是指测量结果的一致性或稳定性，即研究者在不同的时间对相类似的群体用不同的形式进行测量，所得结果的一致程度。信度的基本类型主要包括4 类：内部一致性信度、复本信度、再测信度和复本再测信度。在一般的社会科学研究领域常用Cronbach α 系数作为测试内部一致性信度的标准。林嵩［15］认为在通常情况下，Cronbach α 受到问卷中问题数量、问题间的相关程度及量表维度的影响。当问卷中题项多、题项间相关系数大或量表维度减少，Cronbach α 都会提高。其公式如下：

表3 描述性统计分析

式中：k为测量某一概念的题项数;为题目i的方差;σij为相关题目的协方差均方根。

当Cronbach α≥0.7 时，属于高信度;当Cronbach α介于0.35 ～0.7 时，属于尚可;当Cronbach α≤0.35 时，则属于低信度。运用SPSS 统计分析软件对获取的数据进行信度分析，获得反映外部客户知识的综合Cronbach α系数为0.847，反映内部客户知识的综合Cronbach α 系数为0.813，各潜变量的Cronbach α 系数均在0.6 以上，个别参数还超过了0.8，均为可接受的信度系数，整理各Cronbach α 后如表4 所示。

表4 基于信度检验的Cronbach α 系数

4.2 效度检验

效度是指测量的有效程度或测量的正确性，即一个测量能够测量出所要测量特性的程度。效度包括3 种不同的类型：内容效度、效标效度和建构效度。内容效度是指测量内容与所代表的测量内容的范围的一致程度，如果测量工具涵盖了所要测量内容的代表性项目，则该测量工具可认为是具有基本的内容效度;效标效度主要是针对测量结果的，用于衡量测量结果与所测量内容的相关程度，相关程度越高，则该测量的效标效度越高;建构效度是测量对某一理论概念测量的程度，或者说是测量对所要测量的结构实际测量的程度，建构效度要求对每个特征的测量有足够的理论支持，且这些被测量的特征之间应有合理的关系。

问卷的结构效度一般要通过KMO(kaiser meyer olkin)检验和巴特莱特(Bartlett)球体检验。KMO 检验系数是用于比较变量间简单相关系数和偏相关系数的指标，KMO 检验系数介于0 和1之间，KMO 值越大，表示变量间相关性越强，从而说明问卷的结构效度越好。当KMO 检验系数＞0.7，Bartlett 显著性P值＜0.01 时，问卷才具有基本的效度。运用SPSS 统计分析软件分别对问卷数据的外部客户知识部分和内部客户知识部分进行效度检验分析，提取的KMO 检验系数和Bartlett 显著性P值均符合结构效度基本要求，如表5所示，适合作进一步分析。

表5 KMO 和巴特莱特球体检验

5 客户知识关系的拟合模型及回归系数

5.1 客户知识关系结构方程拟合模型

首先根据图1 客户知识相互关系观念构建初始的结构方程假设模型，但初始模型建立后无法进行数据拟合。吴明隆［16］认为，当研究者根据理论文献和经验法则提出的假设模型无法与观察数据适配时，表示假设模型还必须加以修正，但模型的修正也必须有理论和经验依据，可以将没有达到显著水平或不合理的影响路径删除，也可以参考AMOS 提供的修正指标来判别修正。如当模型的整体适配度卡方值很大，或综合评估结果表明假设模型适配度欠佳时，可以通过删除路径、限制路径或释放原先限制的路径对参数进行依次修正。根据这一规则，笔者对构建的假设模型给予逐步修正，获得结构方程修正模型，如图2 所示。

图2 客户知识关系结构方程模型

结构方程模型经拟合后的适配度参数如表6所示。

表6 外部客户知识关系结构模型主要拟合指标

由表6 可以看出：

(1)卡方自由比(χ2/df)为1.962，当卡方自由比小于2.0 时，往往认为模型的拟合效果较好。

(2)平均平方误差方根RMSEA为0.091，当RMSEA≤0.05 时，可判定模型的拟合度较好，当0.05 ＜RMSEA≤0.1 时，可判定模型的拟合度尚可接受，若RMSEA＞0.1，则模型拟合度差。

(3)RFI是指相对适合度指标，RFI的值介于0 ～1 之间，当数据完全拟合时，RFI值等于1，该模型中RFI值为0.947，表示拟合度良好。

(4)CFI为比较适合度指标，其值介于0 ～1之间，当数据完全拟合时，CFI值等于1，该模型中CFI值为0.936，表示拟合度良好。

(5)TLI为Tucker - Lewis 指标，其值介于0 ～1之间，当数据完全拟合时，TLI值等于1，模型中TLI值为0.976，表示拟合度良好。

(6)IFI指增量适合度指标，其值介于0 ～1之间，当数据完全拟合时，IFI值等于1，当IFI＜0.9 时，即认为不符合拟合度的良好标准，该模型中IFI值为0.752，因此不符合拟合度标准。

(7)NFI指基准化适合度指标，其值介于0 ～1之间，当数据完全拟合时，NFI值等于1，该模型中NFI值为0.813 ＜0.9，即可认为拟合度不够。

综上所述，以上大部分指标都达到了拟合度标准的要求，只有IFI和NFI两项指标不符合判别标准，但未出现较大偏离，因此从总体上可以认为该结构方程模型的拟合效果符合要求。

5.2 结构方程模型的路径回归系数分析

表7 为结构方程模型拟合后潜变量及相应观测变量的路径影响关系，显示了潜变量之间以及潜变量对观测变量负载的非标准化估计值、标准差、临界比率、显著性概率P值及标准化载荷系数。其中临界比率为t检验的t值，如果该值大于1.96，则表示参数估计值达到了0.05 的显著水平，如果该值大于3.84，则表示参数估计值达到了0.001 的显著水平，对于显著性概率P值，如果P＜0.001，用“＊＊＊”表示，从表7 中可知，除了潜变量K3←K4的P值等于0.714 外，其余各路径参数估计值均达到了0.001 的显著水平。

表7 结构方程模型的路径回归系数及显著性检验

6 结论

通过以上对结构方程模型及路径回归系数的分析，可揭示外部客户知识之间的相互作用关系：

(1)K1对K2的路径影响系数是0.694，对K4的路径影响系数是0.492，K1对K3无直接影响，而是通过K2对K3产生间接影响，符合目前企业的知识管理现状：目前的服务企业比较重视对K1的掌握和获取，大多企业建立了客户关系管理(CRM)系统，运用该系统与客户充分沟通获取关于客户的知识。随着企业的成长和发展，对客户知识的理解、转化和创新也会不断深入，CRM 系统是服务供应链组织与客户进行知识互动的重要渠道，因此企业往往把有关客户的知识看作是合作创新知识K4的基础。在获取有关客户知识K1的基础上，企业应该根据客户的需求构建客户所需要的知识K2，了解客户拥有的知识K3，并通过与客户的各种互动渠道实现知识的合作创新。

(2)K2对K3的路径影响系数是0.811，可见客户需要的知识对客户拥有的知识存在较强的正向影响作用。客户需要的知识反映了客户在接收服务过程中需要了解和获得的知识，包括对服务产品的使用说明、服务流程的基本说明等。随着K2的积累，供应链组织会向客户传达更多的客户需要的知识，这样会导致客户拥有的知识K3的不断增加，反之，K3的增加也会丰富客户所拥有的知识，从而会导致对服务、流程、组织等知识的进一步的需求，两者形成一种正向反馈、相互促进的关系。

(3)结构方程模型中K1、K2、K3和K4的路径影响关系和系数揭示了服务供应链中客户知识转移的一般规律，即在与客户接触的初始阶段，供应链管理组织首先关注的是有关客户的知识，随着客户生命周期的向后推移，对K1的了解和认识不断加深，供应链组织会更关心客户对服务产品的易用性和了解程度等方面的知识。同时，随着对客户理解的不断深入，双方的互动也会迈向更高的层次，客户进入成熟阶段，成为忠诚客户，不仅能贡献更多的利润和现金流，也具备了服务供应链组织互动共同创造知识K4的能力。

［1］ 宋华，陈金亮.服务供应链服务集成商竞争优势影响因素的案例研究［J］.中国软科学，2009(S1)：296-300.

［2］ GARCIA M，ANNABI H.Customer knowledge management［J］. Journal of the Operation Research Society，2002，53(8)：875 -884.

［3］ 李慧，董铁牛.客户知识管理研究综述［J］. 科技管理研究，2007(3)：204 -207.

［4］ BOSEL R，SUGUMARAN V.Application of knowledge management technology in customer relationship management［J］. Knowledge and Process Management，2003，10(1)：3 -17.

［5］ VONHIPPEL E.Has a customer always developed your next product［J］.Sloan Management Review，1997，18(2)：63 -74.

［6］ 卢启程. 客户知识管理研究评述［J］. 情报杂志，2007(12)：70 -73.

［7］ 王壮，郭亚军. 基于客户知识管理的企业信息服务创新研究［J］.图书情报工作，2007，51(2)：14 -17.

［8］ 邹农基，冯俊文. 客户知识管理与企业竞争优势［J］.科技进步与对策，2008，25(4)：112 -116.

［9］ 孟庆良，邹农基.面向CRM 的客户知识吸收能力研究［J］.江苏科技大学(社科版)，2008，8(4)：38-42.

［10］ BOSEL R，SUGUMARAN V. Application of knowledge management technology in customer relationship management［J］. Knowledge and Process Management，2003，10(1)：3 -17.

［11］ 张波.客户知识管理及其实现过程研究［J］. 改革与战略，2009，25(2)：156 -158.

［12］ 盛小平. 企业客户知识管理研究［J］. 情报杂志，2008(8)：70 -72.

［13］ 苏新宁，任皓，吴春玉，等. 组织的知识管理［M］.北京：国防工业出版社，2004：157 -159.

［14］ 荣泰生. AMOS 与研究方法［M］. 重庆：重庆大学出版社，2009：77 -78.

［15］ 林嵩.结构方程模型及AMOS 应用［M］. 武汉：华中师范大学出版社，2008：68 -69.

［16］ 吴明隆. 结构方程模型：AMOS 的操作与应用［M］.重庆：重庆大学出版社，2009：158 -159.