大数据驱动下的全渠道供应链服务创新决策框架

计国君余木红

文章编号：1001-148X（2016）08-0152-11

福建 厦门361005；3.英国诺丁汉大学 商学院，英国 诺丁汉）

摘要：全渠道运营以提高顾客的购买体验为核心，不仅要求各渠道保持自身高服务水准，同时要实现渠道间服务协同，这放大了战略制造商与零售商之间乃至整条供应链的冲突，进一步刺激了顾客的等待行为，从而加剧产品供给与需求间的不匹配性。本文基于战略顾客行为的普遍性与全渠道竞争的现实性，对近年来大数据驱动下的全渠道供应链服务创新及其关联因素进行综述，构建基于大数据驱动下全渠道供应链服务创新的决策框架，利用贝叶斯网络方法分析大数据驱动下的服务创新能力，以期为服务创新优化决策提供支持。

关键词：大数据；全渠道供应链；服务创新；战略顾客

中图分类号：F2534文献标识码：A

收稿日期：2016-05-18

作者简介：计国君（1964-），男，安徽肥东人，厦门大学两岸关系和平发展协同创新中心/管理学院教授，博士生导师，工学博士，研究方向：供应链管理、顾客行为等；余木红（1990-），女，四川万源人，厦门大学管理学院博士研究生，研究方向：供应链管理、渠道管理。

基金项目：国家自然科学基金项目，项目编号：71571151，71371159；国家社会科学重点基金项目，项目编号：14AGL015。

一、引言

互联网、移动互联技术的迅速发展与社交媒体的兴起和发展促使越来越多的顾客开始追求个性化的购物体验，购物手段日趋多样化。从宏观层面看，2014年中国电子商务市场交易规模123万亿元，其中网络购物交易规模市场份额达到229%（艾瑞统计，2014）。另据Ipsos发布的2013年《中国消费者线上线下购物体验报告》显示，超过50%的顾客会采用实体店体验、网店下单的购物方式（益索普，2013）。这些都表明顾客的购物习惯发生转变，购买行为逐渐多样化，他们会根据自己的需要选择购买渠道。从企业层面看，法国前20家大型零售商的电子商务贡献中移动电商占70%（颜艳春，2013）；梅西百货实行苹果支付、当日送达、线上购买线下取货、梅西图像搜索、智能试衣间等12项O2O全渠道战略，以期为顾客打造出贯穿多种购物渠道的、始终如一的、无缝的购物体验（武汉商务，2014）；国美2014年初宣布进行战略转型，全面推行“O2M全渠道零售商”战略模式（武汉商务，2014），即“线下实体店+线上电商+移动终端”的组合式运营模式，并以顾客需求为导向，回归商业本质。另据Wikipedia统计，Dell公司的30%、Apple公司的43%的净收入都来自于服务的销售，IBM通过不断服务创新得到顾客的一致肯定，成为全球成功转型服务的企业之一。鉴于上述背景，本文把这种多渠道组合与跨渠道整合并存的运营模式称为全渠道运营模式。全渠道运营以提高顾客的购买体验为核心来达到零售商乃至整个供应链的利益最大化，不仅要求各渠道保持自身高水准服务水平，同时要求实现渠道间服务协同，这加剧了战略制造商与零售商之间乃至整条供应链的冲突（李海，2013），同时将顾客训练得越来越理性，表现为博弈学习行为，进一步刺激了顾客的等待行为（战略顾客行为），从而加剧产品供给与需求之间的不匹配性（杨光勇和计国君，2014），由此造成全渠道供应链面临兼并、重组的困难。总之，基于战略顾客行为的普遍性与全渠道竞争的现实性，商家如何通过全渠道供应链服务创新以促进多渠道组合和跨渠道整合成为目前必须关注的重点研究议题。

另外，大数据技术已经在零售业、制造业、物流、电信等行业得到广泛应用。例如，国内外知名企业（如Ebay、Amazon、淘宝、中国移动等）相继推出相应的大数据产品和平台，通过分析结构化和非结构化数据促进其业务创新和利润增长（冯芷艳等，2013）。大数据应用的优势之一就是加速产品及服务创新（Davenport，2014）。从实践看，大数据技术主要在下列方面驱动商业价值：加速产品/服务创新；对产品/服务故障诊断与预测；结合工业物联网优化生产线；优化渠道和供应链；准确预测产品/服务需求；优化生产与排程；精细产品质量管理；造就产业转型和智慧服务等。与传统创新活动主要局限在企业内部不同，开放性、网络化的创新方式提供了大量的在产品市场化之前进行互动设计的可能性（Aral等，2011）。全渠道供应链环境下不仅要求企业为顾客提供无差别的消费体验，而且要不断通过转变服务（transformation service）模式给公司和顾客带来某些改变，而大数据驱动企业的产品/服务创新的源动力在于强调实时性、差异性的产品/服务研发，集中反映在：（1）借助于大数据技术，如何开发出差异化产品/服务来满足顾客的不同需要；（2）利用何种运作模式来合理地提供新的产品/服务；（3）采取何种运作体系和决策机制来科学地达到供需的匹配（冯芷艳等，2013）。

本文基于战略顾客行为的普遍性与全渠道竞争的现实性，对近年来大数据驱动下的全渠道供应链服务创新及其关联因素进行综述，构建基于大数据驱动的全渠道供应链服务创新的决策框架，利用贝叶斯网络方法分析大数据驱动下的服务创新能力，以期为服务创新优化决策提供支持。

二、全渠道供应链服务创新及其关联因素

（一） 服务创新

1.服务创新理论。（1）单个企业服务创新。Aa和Elfring（2002）指出对于厂商和环境或潜在的竞争对手来说，服务创新主要涉及网络化交叉组织创新、融合新服务技术于生产服务流程、顾客积极参与和技术创新。Gallouj等（2009）认为服务创新是针对特定顾客提供一种新的解决方案。Sundbo（1997）发现服务业很多创新不遵循技术轨道，而是遵循服务专业轨道，且技术知识是其中一个维度。Hertog等（1999）用结构化方法构建涵盖新服务概念、新顾客界面、新传递系统和新技术选择等四维度的服务创新模型，发现大部分创新都是各种要素综合作用的结果，并导致最终的创新产出。（2）供应链服务创新。企业是供应链网络一个节点，其运作和绩效均受供应链网络的影响（Gulati，2000），因而服务创新活动依赖单个组织无法有效实施，必须通过多个组织间紧密合作才能实现（Agarwal和Selen，2009）。Heimeriks等（2007）指出服务创新需要关注供应链整合，因为其依赖于很多复杂的知识、能力和资源。简兆权等（2013）认为服务供应链整合及其对服务创新的影响必须系统把握服务供应链内在机理，关注服务供应链整合的前因与结果。（3）大数据驱动下的服务创新。大数据时代的来临使其成为全球下一个创新、竞争和生产率提高的关键。张斌和马费成（2014）认为大数据环境下的服务创新应是以顾客需求为中心、以信息技术为桥梁、以挖掘知识服务价值为目的、以超网络为宏观视角的新服务模式。Briody等（2011）指出大数据支持下的服务创新有利于产生其竞争优势。McAfee等（2012）发现利用大数据进行决策的企业利润要高于竞争对手6%。Chen等（2014）提出一种大数据分析方法，并证实该分析方法能够帮助企业把握顾客行为模式与偏好，进而进行服务创新以满足潜在需求。Kim等（2015）构建基于推理图的分析框架探索如何通过挖掘大数据来提高供应链创新能力。不难看出，这些文献很少关注全渠道供应链的服务创新及其对顾客体验和商家的影响。

2.服务创新能力。（1）资源要素视角。Gallouj和Weinstein（1997）认为服务创新能力是由个体和群体创新能力构成。前者源于员工接受的最初教育、企业提供的持续培训、工作中积累的经验以及普遍存在于个体间、群体间、个体与群体间的互动。将个体创新能力所覆盖的经验技巧加以编码，能实现从个体创新能力到群体创新能力的跃迁，进而提升整个服务创新能力。同时，相对于无形服务过程来说，前者更为隐性和难以编码，形成群体创新能力面临着比制造业更大的挑战（徐思雅，2014）。Hertog等（2010）认为服务创新能力包括六个维度：感知顾客需求与技术选择的能力、服务概念构建能力、服务组合与分拆的能力、共生和协作能力、服务范围延展的能力、学习和适应能力，这些维度能力整合有助于形成服务创新能力。（2）过程视角。魏江等（2007）提出服务创新过程涉及概念阶段、发展阶段和引入阶段三个阶段，其中概念阶段主要围绕构筑服务创新的概念框架，完成服务创意产生、概念初步开发、需求分析、概念检验等工作；发展阶段包括分析论证、运作设计和人员培训等工作；引入阶段包括服务评估、交付顾客和跟踪改进等工作，是服务创新的价值最终达成的阶段。蔺雷等（2003）基于过程视角，指出服务创新能力涉及创新资源投入能力、创新管理能力、员工创新能力和顾客能力、创新的生产能力、创新的营销能力等六方面能力。陈晔（2010）基于服务自身发展和服务业演变的新特征，识别出服务创新的新路径，同时提出服务交互界面、服务信息化、服务精益化和服务库存四个方面的创新策略。（3）投入产出视角。王玉梅等（2012）从投入和产出两个维度的能力评估了高技术服务业的创新能力。其中，创新投入能力涉及区域资金、人员投入、合作溢出投入、外部经济环境、外部文化制度环境；创新产出能力涵盖设计创新绩效、员工创新绩效两方面。李艳华等（2009）从创新投入、创新环境、创新技术产出、创新经济绩效四个维度建立现代服务业创新能力评价指标体系，并以北京市为案例进行了验证。总之，上述文献主要从不同视角对服务创新能力进行分类与描述，没有关注如何通过服务创新能力的提升来实现服务产出，也少有文献从渠道乃至全渠道供应链的角度研究服务创新。

（二）全渠道运营

目前，关于全渠道运营的研究主要包括：（1）全渠道理论。对全渠道的概念还未形成统一定义，多数学者认同Darrell（2011）首次提出的全渠道零售（Omni-channel retailing）这个新名词。Burdin（2013）从空间维度对渠道进行分类，认为全渠道零售是从单渠道到多渠道再到交叉渠道，最后到全渠道的演化结果，并勾勒出零售渠道变革路线图。李飞（2013）对全渠道零售的含义、成因及对策进行分析，提出全渠道营销的概念，并对其进行了理论和应用剖析。（2）全渠道运营策略。施蕾（2014）考察了网络购物对顾客实体店行为的影响，并研究了顾客渠道选择行为。Trunick等（2015）从移动商务和快速交货的顾客基础以及全渠道发展环境等视角，探讨了全渠道分销策略如何通过改进交付基础来提高顾客满意度。（3）多渠道定价。多渠道供应链的定价一直是学者们关注的焦点。其中双渠道中存在两种类型的渠道定价策略：一致定价和差异定价。一致定价策略可以减少渠道冲突，但研究表明只有2/3的双渠道企业采用一致定价，且书本和CD的网上价格比传统渠道价格便宜9%-16%（Brynjolfsson 和Smith，2000）。事实上，定价策略受多种因素的影响。首先，价格受顾客对商品估价的影响。顾客往往对不同渠道同一种商品的估价不同。在传统渠道中，顾客可以通过现场的感官感受（如摸、嗅、试用）等实体性接触判断商品的价值，并享受购买的乐趣（李书娟，2012）。而电子渠道中，顾客无法接触到具体的产品，只能依赖视觉、文字描述或顾客评价等进行判断，对产品的价值无法准确把握。因此，顾客通常对电子渠道商品的估价要低于传统渠道。其次，双渠道价格受消费群体和电子渠道普及程度的影响（李书娟，2012）。一般来说，价格敏感、相对年轻、购买相对方便、比较时尚的顾客偏好于电子渠道，而年长者并享受逛街乐趣的顾客偏好于传统渠道（Schroder等，2008）。Xu（2014）等研究发现，对双渠道供应链而言，风险规避类型的定价要低于风险中性的定价。Dan（2012）等研究发现需求的增长速率和顾客对传统渠道的依赖程度对传统渠道的服务水平和价格决策有较大影响。Huang（2012）等在双渠道供应链中引入需求扰动，发现在集中和分散决策下双渠道供应链的最优定价策略都明显受到直销渠道的顾客接受度和市场规模的变动的影响。（4）渠道供应链的服务水平。已有文献多侧重于双渠道供应链的服务水平，诸如渠道的销售努力、顾客的服务水平、渠道服务创新等。其中渠道的销售努力是造成渠道需求差异的重要因素之一。Tsay和Agrawal（2004）针对电子渠道和传统渠道销售价格无差异、需求差异主要来自于各渠道的销售努力等情况，研究了两类渠道的服务决策和最优批发价格关系。但发现销售努力在实际运作中不好权衡、不易监控，对分销商的销售努力监管较为困难。实际中，广告投入可作为销售努力的一种表现。王虹和周晶（2009）针对零售商通过销售区域投放广告与制造商争夺市场的现象，分析需求受价格和广告投入影响，结果发现釆取一致价格模式可获得较高价格，但销售量较少；非一致价格模式下的广告投入最多。Pei和Yan（2013）通过与制造商不采取广告情形进行比较研究，发现制造商的广告行为能够缓解渠道冲突并提高整条供应链及其成员的利润。

综上，在电子商务环境下，服务创新及其服务水平已成为当今企业获取较高市场占有率的重要手段。传统零售商通过和顾客面对面的交互，可为顾客提供产品的基本服务和增值服务（Tsay 和Agrawal，2000）。在双渠道环境中，零售商如何在价格竞争的同时制定其服务水平是值得关注的问题（李书娟，2012）。Yao和Liu（2005）基于需求同时受价格和零售渠道服务水平影响，在不同的市场结构下分别研究动态和静态均衡定价策略，发现直销渠道的开设促使零售商提高其服务水平，但没有把服务水平作为决策变量进行研究。Dumrongsiri et al（2008）在顾客效用理论基础上引入零售商和制造商的服务水平，研究发现提高零售商的服务水平将增加双渠道下制造商的利润。Yan和Pei（2009）研究发现渠道竞争有利于零售商提高其零售服务，零售服务的提髙将增加供应链总体利润和各成员利润；提高零售服务水平是有效缓解渠道竞争和冲突、提高供应链利润的有力手段。但这些文献均未涉及到全渠道供应链的服务创新以及服务水平问题。在全渠道冲突环境下（如图1），上述这种趋势正在逐渐发生改变。

三、大数据驱动下的全渠道供应链服务创新决策架构

大数据的潜在价值是巨大的，现有的分析工具难以用来分析海量（多类型）实时数据并产生有价值的信息（Tien & Goldschmidt-Clermont，2009）。虽然很多数据处理技术可以帮助管理者产生大量的信息，但这样的信息往往是分散的且效率低下。因此，针对全渠道供应链服务创新的要求，必须建立一个新的分析框架结构并连接各种数据流，针对特定的问题去创建一个连贯流程图，以便更好地挖掘全渠道供应链中信息的价值。

以全渠道服务商获得竞争优势为主旨，本文提出一个科学的分析架构（如图2），以利用现有的大数据。首先，确定全渠道供应链可以满足未来市场的产品/服务，然后结合大数据分析将产品/服务需求转化为流程和各类子过程的任务和资产，最后根据市场需求，通过链协调并达到持续评估。

全渠道供应链的服务创新相关因素可以从大数据中获得。借助于这些因素可以提高预测的精度，以确保创新服务的成功。事实上，贝叶斯网络可以有效利用所有可用的数据，诊断出导致高消费者偏好的原因，并将专家知识表示成一组变量间的关系（Heckerman等，1995；Jensen，1996）。鉴于此，本文借助贝叶斯网络连接各种数据流的数据，在全渠道链中预测市场服务需求，建立基于大数据的全渠道供应链服务创新决策框架（如图3）。

大数据驱动的全渠道供应链产品/服务创新决策过程如下：（1）通过大数据分析识别产品/服务创新面临的市场需求；（2）将产品/服务需求细分到研发、生产、销售、售后等各个过程；（3）针对每个过程分别进行分析优化；（4）遵照产品/服务持续创新，满足市场需求，实现全渠道供应链协调。这是一个不断循环、不断改进的过程①。

为了帮助企业进行服务的详细流程设计并增强全渠道供应链服务创新，本文进一步借助Li等（1999）提出的推理网络图模型分析技术，通过准确分析服务需求信息，将服务需求转化为流程，并细分到任务和资产中。针对零售商的情形如图4所示。

1.服务需求预测。目前，预测服务市场需求的方法非常多，有线性回归分析、时间序列分析等。这些方法主要运用历史数据对服务市场需求进行预测。在现实中，服务需求是受多方影响的，如营销策略、售后（延迟策略）、消费群体变动、政府政策等。对传统分析方法而言，这些影响因素是没办法综合考量的。然而，通过大数据分析这些影响因素，可以极大地提高服务市场需求预测的准确性，提升服务的市场竞争力（如提升服务内在价值、选择合适的营销策略和售后服务保证）。本文采用数据挖掘和贝叶斯网络相结合的方式来捕捉大数据。首先，通过数据挖掘获得大量的数据；然后，通过贝叶斯网络对数据进行精炼。具体设计流程如下：

（1）收集数据。预测的基础通常来源于购买行为、搜索记录以及社交评价，毫无疑问大数据会对消费者偏好造成显著影响。从全渠道供应链大数据中选取合适的样本集，制造商/零售商须结合行业先验经验或参考专家建议，通过数据挖掘等手段，识别影响服务需求的因素。一旦这些因素被识别，将作为贝叶斯网络上的节点Xi（i=1，2，…，n）。制造商/零售商须收集多个具有代表性的消费者，对每个节点进行赋值。

（2）预处理样本数据。运用聚类分析或者分层分类等方法确保各因素赋值不连续，便于后面推理算法建模。

（3）设计和建立一个贝叶斯网络。贝叶斯网络又称信度网络，一个贝叶斯网络是一个有向无环图，由代表变量节点及连接这些节点的有向边构成。一个节点代表随机变量，节点间的有向边代表了节点间的互相关系（由父节点指向其子节点），用条件概率进行表达关系强度，没有父节点的用先验概率表达信息之间的关系（臧玉卫等，2003）。每个节点X都有一个概率分布P（X|π（X）），表示相关变量的不确定性，其中π（X）代表父节点X（如果节点X中的π（X）=代表非父节点）。因此，在独立性假设下，一个n节点构成的贝叶斯网络（X1，X2，…，Xn）可以表述为联合概率分布：

P（X1，X2，…，Xn）=∏ni=1P（Xi|π（Xi））（1）

建立贝叶斯网络须包含两个部分：识别网络结构与确定条件概率表。常见的贝叶斯网络主流推理算法如表1所示。

（4）预测服务市场需求。贝叶斯网络是一个双向推理过程。由于知晓各个节点的赋值，制造商/零售商可以通过计算目标节点的概率分布来预测产品/服务需求。

（5）敏感性分析。敏感性分析是决策的基础，用于确定哪些变量显著影响消费者偏好。MI（交互信息）可以衡量两个随机变量间的依赖关系，适合贝叶斯网络的敏感性分析。如通过了解变量A可以减少变量B的不确定性，反之亦然。变量A与B的MI表述为：

T（A，B）=∑[DD（X]a，b[DD）]p（A，B）log[SX（]p（A，B）[]p（A）p（B）[SX）]（2）

其中，p（A，B）表示联合概率分布，p（A）表示A的概率分布函数，p（B）表示B的概率分布函数；T（A，B）表示变量A和B间相互影响关系，其值越大说明变量A和B间关系越紧密，故可根据T（A，B）的大小来判断变量的重要性。在实际中，T（A，B）越大，越需要关注相关变量。此外，贝叶斯网络可以及时反映变化的市场需求，制造商/零售商可以通过持续改进贝叶斯网络来驱动产品/服务的持续创新。

2.细分产品/服务需求。经过第一步产品/服务需求预测后，借助于推理网络图模型，允许公司把自己的能力集和其他公司的合并，通过链接来自不同公司的资源能力集将需求细分到产品设计、生产、销售、售后等各个过程。可采用可视化的方式提供一系列最优的扩展细分过程。

3.建立大数据驱动下的产品/服务创新决策过程。具体步骤如下：

第1阶段：数据采集和管理。数据集规模在日益扩大，越来越被无处不在的信息感知移动设备所收集，诸如遥感、软件日志、摄像头、麦克风、射频识别阅读器、无线传感器网络等。这些有价值的数据创建和捕获需要昂贵的成本，但现实中他们中的大多数都被忽略。在该阶段，为了获取信息尽可能多的价值，决策者需要考察全渠道供应链哪些信息是至关重要的。在大数据采集实验数据管理的基础阶段，最重要的是要界定自身的大容量存储要求和大规模科学计算的条件。

第2阶段：数据清理和集成。在大数据分析过程中，数据集的规模往往是非常巨大的，有时达到几兆字节或更多，且又来源于异构数据源，致使现实世界的数据库往往存在严重不一致、不完整和噪声等现象。因此，在该阶段，需要采用多种数据预处理技术，诸如数据清理、数据集成、数据转换、数据还原以及用于去除噪声和不一致的技术。然后，利用数据挖掘技术帮助全渠道管理者产生有用的信息。例如，现有的数据挖掘方法能够帮助全渠道供应链中的成员企业发现产品/服务创新所需的未知单一技能或复合技能。同时，数据的可视化更易获得其他公司的能力集合。所有这些“孤岛”信息捕获对第三阶段逻辑分析模型的开发具有重要意义。

第3阶段：数据分析。使用推理网络图模型能够生动说明产品/服务创新能力集的扩张过程，这是与其他能力合作的一种网络优化模型。例如，假定E是产品/服务创新需要解决的问题，TR是真正需要的能力集，SK是可获得解决具体问题的能力集，中介技能（I）可以提高学习速度或连接TR和SK模型，以帮助决策者从SK获得TR。该方法的基础是试图从起始节点建立一个推理网络图（SK），从开始到中间节点（I）再到结束节点（TR），然后利用0-1整数规划寻求最优解。因内部能力（I）、现有能力集（SK）、所需能力集（TR）和相关技能的习惯领域以及学习成本数据都可以从第2阶段运用数据挖掘技术获得，把这些数据输入到推理图，可以构建基于大数据的全渠道供应链服务创新行为演化机理的一个特定的数学模型（如网络流优化模型）。渠道管理者可以运用推理网络图将扩张过程可视化并利用Matlab等软件求解，得到相应的最优解。

第4阶段：数据的解释和决策。利用推理网络图模型进行大数据分析，提供一个基于学习网络连接相关的能力集合，然后利用优化程序来帮助全渠道决策者获取所需技能的最佳解决方案，同时提供解决问题的更多替代过程序列。以此为基础，将网络关系拓展到整个全渠道供应链服务流程中，易做出最佳的决策。

总之，上述步骤可以将产品/服务需求进行细分，帮助制造商/零售商建立具体的分析流程，以协调全渠道供应链，驱动产品/服务持续创新或改进。

四、案例

假设某公司通过贝叶斯网络精选出了5种不同类型的渠道服务A、B、C、D、E（如退货限期、退货补偿、上门退货服务等），并识别出各个退货服务需要的能力集（如表2所示）。表中a、b、c、d、e、f、g、h、i、j、k、l、m、n表示不同的能力集。假定：（1）不同的退货服务需要不同的能力集。例如，退货服务A需要能力集g、f，而退货服务B需要能力集g、f、i。（2）公司有两个渠道X和Y。渠道X拥有能力集c、d、e；渠道Y拥有能力集a、b、f。易发现，渠道X和渠道Y都不能单独为退货服务A、B、C、D、E提供所需的能力集。这时，为了提供相应的退货服务，每个渠道需从其他渠道购买，或通过学习现有的能力集来获取新的能力集。假设能力集的销售价格如表3所示。其中，能力集c的销售价格为1单位，能力集f的销售价格为15单位。（3）渠道X扩展/学习能力集的成本如表4所示，渠道Y扩展/学习能力集的成本如表5所示。需要注意的是，实际操作中购买/学习能力集的成本需考虑到时间、劳动力、资源、资金等各个方面因素。

经过分析发现，渠道X和渠道Y须专注于不同的退货服务。具体而言，考虑到能力集的学习/购买成本，渠道X应该专注于退货服务A、B、C；而渠道Y应该专注于退货服务D、E。假设渠道X和渠道Y各自只能提供一种退货服务，则此时将存在6种退货服务组合，各退货服务组合的期望收益如表6所示。

分别构建渠道X和渠道Y的能力集网络图，如图5和图6所示。其中每个节点表示一个能力集，边表示能力集间的关系。例如，e

SymbolnB@ f表示能力集f可以通过学习能力集e来获取，而节点m和g之间没有边则表示能力集m不可能通过学习能力集g来获取，反之亦然。边上的数值表明获取新能力集所需的购买/学习成本。另外，网络图中还存在复合节点，如d ^e 和a^ b，即复合能力集。需要注意的是，使用复合节点时，各分节点必须存在。例如，渠道Y只有同时拥有a和b能力集时，才可以使用复合能力集a^ b。为了提供相应的退货服务均需要获取其他能力，如线上渠道可从线下渠道购买，或通过学习现有的能力集来获取新的能力集。事实上，对能力集c，渠道Y可以通过学习能力集f、a^ b、a来获取，也可以向渠道X来购买。当然获取的成本有高有低，分别为15、1、18和1。简言之，构建上述能力集网络图的最终目标是使用优化方法找出最佳的退货服务组合，实现公司利润最大化。

下面，运用网络流的方法来寻求最优解。上述问题实际是一个0-1混合线性规划问题（Li，1999），但传统的0-1混合线性规划效率太低。Kim & Hooker（2002）提出一个最小费用流的方法可以更快解决该问题。为此，将上述问题转化为最小费用流问题，来寻求最优解。

使用网络流（最小费用流）的方法之前，需要做如下假设：

假设1：各渠道需列出所有相关的信息，例如，各能力集和相关成本。

假设2：各渠道须相互合作。

假设3：单一渠道只需支付一定的价格，就可以从其他渠道自由地购买所需的能力集。

假设4：各渠道与公司是利益共同体。

用S表示渠道现有的能力集。T表示提供退货服务需要的能力集。I表示媒介（中间）能力集。定义一个有向图G=（V，E），V=T∪I∪S。假设节点i在有向图G=（V，E）上，r（i，j）表示节点i链接节点j的边；z（i，j）表示通过节点i 获取节点j 的成本。假设网络图初始节点为s0，终端节点为t0。连接s0（s∈S）和t0（t∈T），得到新的有向图G=（V′，E′）。n表示T的价值。易得容量和费用的边界如下：

c（i，j）=1，r（i，j）=r（t，t0）n，r（i，j）≠r（t，t0）

z（i，j）=

0，r（i，j）=r（s0，s）或r（i，j）=r（t，t0）z（i，j），r（i，j）≠r（s0，s）且r（i，j）≠r（t，t0）

用f（i，j）表示边r（i，j）的流量，得到最小费用流模型如下：

Min∑（i，j）∈Ez（i，j）f（i，j）

st∑xf（i，x）-∑xf（x，i）=n，i=s0-n，i=t00，i≠s0且i≠t0

0f（i，j）c（i，j）

运用软件LINGO可得到模型的最优解（如表7所示），并得到渠道X和渠道Y的Deduction Graph（最优解对应的推理网络图），如图7和图8所示。可见，对渠道Y而言，最优的退货服务是D。提供退货服务D，渠道Y需支付18单位的成本来获取能力集{j，c}，并获得45单位的期望收益，因而预计最优情况下渠道Y将获得27单位的期望利润。对渠道X而言，最优的退货服务是A。提供退货服务A，渠道X需支付25单位的成本来获取能力集{f，g}，并获得8单位的期望收益，因而预计最优情况下渠道X将获得55单位的期望利润。对整个公司而言，最优的退货服务组合是{A，D}，预计公司将获得82单位的期望利润。综上，利用推理网络图可细分产品退货服务需求，帮助企业进行退货服务创新的决策。

五、研究展望

全渠道供应链环境下，不仅要求企业为顾客提供无差别的消费体验，还要不断通过转变服务（transformation service）模式给公司和顾客带来某些改变，而大数据时代产品及服务创新活动的典型特征——实时化、个性化的产品/服务设计使得对产品/服务创新的关注点发生变化。本文认为下列问题值得进一步深入探讨：

1.如何评估全渠道供应链的顾客购买行为？一般来说，相对于传统渠道的实体接触以及产品/服务使用，电子渠道只能通过文本、图片以及网页符号等向顾客进行虚拟描述，即电子渠道中，顾客获得的关于产品/服务信息比传统渠道要少，产品/服务满足其要求的匹配程度更低，顾客对电子渠道的信任程度低于传统渠道。在大数据时代背景下，企业在电子渠道销售产品/服务的同时，可以通过收集和使用大数据更好地理解顾客、设计更好的产品或服务以及为顾客提供更多的定制服务。这种大数据效应将对顾客支付意愿产生重要影响，未来的研究可结合实证或者理论模型来评估全渠道供应链的顾客购买行为。

2.如何评估全渠道供应链的服务创新行为？在产品/服务同质情况下，渠道的服务水平将直接决定顾客购物渠道的选择。一般来说，相对于低服务创新的渠道，高服务创新的渠道将更能适应外部环境变化。鉴于此，根据服务创新程度，可以将渠道服务创新大致划分为3个阶段：（1）差异化；（2）定制化；（3）捆绑化。未来可借助于大数据技术，通过构建渠道创新演化图谱（如图9）探讨渠道创新的演化机理。

3.如何衡量一个全渠道供应链的服务创新能力以及大数据驱动下的服务创新的决策机制？在全渠道供应链运营中，不同渠道的各个环节数据都将成为大数据的一部分。未来可通过不同渠道主体间的数据共享，运用大数据分析技术识别数据的内在特征，探索潜在、隐藏、更有价值的顾客需求，然后围绕顾客需求，开展服务创新活动（冯芷艳，2013）。可以说，顾客需求是全渠道供应链服务创新的信息来源和创新触发扳机。

注释：

①例如，与传统供应链不同，全渠道供应链设有E-shop，直接面对终端消费者并提供相应的服务。

参考文献：

[1]Aa W V D， Elfring T. Realizing innovation in services[J]. Scandinavian Journal of Management， 2002，18（2）：155-171.

[2]Agarwal R，Selen W. Dynamic Capability Building in Service Value Network for Achieving Service Innovation[J]. Decision sciences， 2009，40（3）：431-475.

[3]Briody D. Big data： Harnessing a game-changing asset. In.： The Economist Intelligence Unit，2011.

[4]Brynjolfsson E，Smith M D. Frictionless commerce？ A comparison of internet and conventional retailers[J]. Management Science，2000，46（4）：563-585.

[5]Dumrongsiri A，Fan M，Jain A et al. A supply chain model with direct and retail channels[J].European Journal of Operational Research，2008，187（3）：691-718.

[6]Burdin T. Omni-channel retailing： the brick，click and mobile revolution[EB/OL].[2013].http：//www.cegid.com/retail.

[7]Chen A，Zhang M，Zhao X D. Using Big Data for Innovation and Customization[J]. International Journal of Production Research，2014.

[8]Davenport，Thomas. Big Data at Work： Dispelling the Myths，Uncovering the Opportunities＼[M＼]. Harvard Business Review Press，2014.

[9]Dan B，Xu G，Liu C. Pricing policies in a dual-channel supply chain with retail services[J]. International Journal of Production Economics，2012，139（1）： 312-320.

[10]Aral S，Walker D. Creating social contagion through viral product design： A randomized trial of peer influence in networks[J]. Management Science，2011，57（9）：1623-1639.

[11]Darrell Rigby. The future of shopping＼[J＼]. Harvard Business Review，2011（12）： 64-75.

[12]Gallouj F，Weinstein O. Innovation in services[J]. Research Policy，1997，26：537-556.

[13]Gallouj F，Savona M. Innovation in services： a review of the debate and a research agenda[J]. Journal of Evolutionary Economics，2009，（19）：149-172.

[14]Gulati R，Gargiulo M. Where do interorganizational networks come from？[J].American Journal of sociology，1999，104（5）：1439-1493.

[15]Heimeriks K H.，G Duysters.Alliance capability as a mediator between experience and alliance performance： An empirical investigation into the alliance capability development process[J]. J. Management Stud.，2007，44（1）：25-49.

[16]Hertog P，Bilderbeek R. Conceptualising service innovation and service innovation patterns[R].Research Programme on Innovation in Services（SIID） for the Ministry of Economic Affairs，Dialogic，Utrecht，1999.

[17]Hertog D P，Vander A W，Jong，M. W. Capabilities for managing service innovation： towards a conceptual framework[J]. Journal of Service Management，2010，21（4），490-514.

[18]Huang S，Yang C，Zhang X. Pricing and production decisions in dual-channel supply chains with demand disruptions[J]. Computers & Industrial Engineering，2012，62（1）： 70-83.

[19]Kim，H. J. Hooker，J. N. Solving fixed-charge network flow problems with a hybrid optimization and constraint programming approach[J]. Annals of Operations Research，2002，115（1）： 95-124.

[20]Kim T，Yuanzhu Zhan，Guojun Ji，Fei Ye，Cingter Chang. Harvesting Big Data to Enhance Supply Chain Innovation Capabilities： An Analytic Infrastructure Based on Deduction Graph[J]. International Journal of Production Economics，2015，165：223-233.

[21]Li，H. L. Incorporating competence sets of decision makers by deduction graphs[J]. Operations Research，1999，47（2）： 209-220.

[22]McAfee A E，Brynjolfsson.Big Data： The Management Revolution[J].Harvard Business Review，2012，90（10）：8-60.

[23]Pei Z，Yan R. National advertising，dual-channel coordination and firm performance[J]. Journal of Retailing and Consumer Services，2013，20（2）：218-224.

[24]Schroder H，Zaharia S. Linking multi-channel customer behavior with shopping motives： an empirical investigation of a German retailer[J]. Journal of Retailing and Consumer Services，2008，15（6）：452-468.

[25]Sundbo J. Management of innovation in services[J].The Service Industries Journal，1997，17（3）：432-455.

[26]Trunick，Perry A. Omni-channel Strategies： Customer-Controlled Supply Chains[J]. Material Handling & Logistics，2015，70（1）：21-23.

[27]Tsay A A，Agrawal N. Channel dynamics under price and service competition[J]. Manufacturing and Service Operations Management，2000，2（4）：372-391.

[28]Tsay A A，Agrawal N. Channel conflict and coordination in the E-commerce age[J].Production and Operations Management，2004，13（l）：93-110.

[29]Xu G，Dan B，Zhang X，et al. Coordinating a dual-channel supply chain with risk-averse under a two-way revenue sharing contract[J]. International Journal of Production Economics，2014，147： 171-179.

[30]Yan R，Pei Z. Retailer services and firm profit in a dual-channel market[J]. Journal of Retailing and Consumer Services，2009，16（4）：306-314.

[31]Yao D Q，Liu J J. Competitive pricing of mixed retail and e-tail distribution channels[J]. Omega，2005，33（3）：235-247.

[32]简兆权，李 雷，柳 仪. 服务供应链整合及其对服务创新影响研究述评与展望[J]. 外国经济与管理，2013，35（1）： 37-46.

[33]李飞.全渠道零售的含义、成因及对策：再论迎接中国多渠道零售革命风暴[J].北京工商大学学报：社会科学版，2013（2）：1-11.

[34]李艳华，柳卸林，刘建兵.现代服务业创新能力评价指标体系的构建及应用[J].技术经济，2009，28（2）：1-6.

[35]王虹，周晶.不同价格模式下的双渠道供应链决策研究[J].中国管理科学，2009，17（6）：84-90.

[36]蔺雷，吴贵生. KIBS在创新中的作用[J].科学学研究，2003（21）：257-260.

[37]施蕾.全渠道时代顾客购物渠道选择行为研究[J].当代财经，2014（2）：69-78.

[38]杨光勇，计国君.存在战略顾客的退货策略研究[J].管理科学学报，2014，17（8）：23-33.

[39]王玉梅，罗公利，田恬.知识溢出视角的高技术服务业技术创新能力评价研究[J].情报杂志，2012，31（7）：110-115.

[40]魏江，陶颜，王琳.知识密集型服务业的概念与分类研究[J].科技与经济，2007（1）：33-41.

[41]颜艳春，O2M全渠道零售的战略捷径[J]. 中国商界，2013（11）：66-69.

[42]益索普（Ipsos）.消费者心中的线上线下[J]. 中欧商业评论，2013（7）：68-71.

[43]张斌，马费成. 大数据环境下数字信息资源服务创新[J]. 情报理论与实践，2014，37（6）： 28-33.

[44]中国互联网中心（CNNIC）.第34次《中国互联网络发展状况统计报告》[R].2014-07.

[45]陈晔. 基于服务新特征的服务创新路径与策略[J].科学管理研究，2010，28（4）：7-10.

[46]李海.双营销渠道模式下的供应链决策研究[M].武汉：华中科技大学论文，2013.

[47]武汉商务.梅西百货的全渠道O2O战略—直板横打的多重威力[EB/OL].[2014-04-15].http：//wuxizazhi.cnki.net/Search/WHSH201404015.html.

[48]武汉市五交家电商业协会.关于2013年全市家电行业发展情况和2014年行业发展建议[R/OL].[2014-04-15].http：//www.docin.com/p-1414621209.html.

[49]冯芷艳，郭迅华，曾大军，陈煜波，陈国青.大数据背景下商务管理研究若干前沿课题[J].管理科学学报，2013（1）：1-9.

[50]Ernst & Young.Globalonlineretailing[EB/OL].http：//www.docin.com/p-54696571.html.

[51]徐思雅.服务创新能力对企业绩效的影响：商业模式新颖性设计的调节作用[D].杭州：浙江大学论文，2014.

[52]李书娟.考虑交易者行为的双渠道供应链定价策略研究[D].武汉：华中科技大学论文，2012.

[53]臧玉卫，王萍，吴育华.贝叶斯网络在股指期货风险预警中的应用[J].科学学与科学技术管理，2003（1）：122-125.