基于战略匹配成熟度的企业大数据战略实施研究

[摘要]通过引入战略匹配成熟度概念，构建了企业大数据建设及应用水平提升路径的系统动力学模型，并对企业大数据建设及应用水平提升路径和关键影响因素作用进行了模拟。利用模拟结果对企业大数据战略实施评价，总结企业大数据战略在不同周期、不同成熟度级别的关键过程域和目标，确定不同级别贡献度指标，并对企业整个大数据体系进行关键元素分析，让企业能更清晰地知道自身当前大数据建设及应用水平所处的发展位置及改进方法，从而保证大数据战略与企业战略的良好匹配，特别是为后疫情时代企业的大数据建设和应用水平的快速科学提升提供了规范的理论和实证解释。

[关键词]企业大数据战略;战略匹配成熟度;大数据建设及应用能力

一、 引言

身处大数据时代，对于企业来说，大数据已经不仅仅是一个工具，它更加代表着一个企业的思想。企业对它的重视程度直接影响着企业的整体战略目标。特别是在此次新冠肺炎疫情中，大数据在企业复工复产中发挥着积极的作用，成为应对市场变动、实现逆势发展不可或缺的基础性、关键性生产要素。大数据在催生新产业新业态、提升消费和经济增长中的作用，也深深影响了企业的战略思维，引起企业战略形式和战略模式的变革。

二、 企业大数据战略

海量大数据与处理这些大数据的技术的发展，对企业的组织结构、运作方式等都产生了深远影响。只有当二者实现结合，把大数据应用真正嵌入到企业的各个部分和各个发展阶段，与企业命运融为一体，才能铸就企业的核心竞争力，企业大数据本身及其所蕴含的价值才能成为企业最重要的资本和战略性资源。基于此，企业利用云端直接向网络平台获取所需的海量信息数据，然后对获取的信息数据进行精准地统计分析，随后反馈给云端或是分析得到自身所需要的結果，为企业决策者制定战略提供依据，构成企业大数据战略。企业大数据战略包括影响企业战略决策和措施的关键技术和应用软件，分为大数据技术、核心能力和管理机制三个方面，其实质是关于企业大数据建设及应用水平提升的全局策划和指导。

当今，企业单纯进行大数据技术建设投入是完全不够的，更重要的是如何将大数据与企业的业务活动、组织变革等柔性结合起来，通过大数据战略的实施提高企业大数据建设及应用水平与企业战略目标的匹配程度，将大数据分析有效地应用于企业运营，这对于处在知识经济迅猛发展时期，想要利用大数据及大数据分析转化释放潜能、实现转型的企业而言具有深远的现实意义。

三、 相关研究文献回顾

1. 有关信息化对企业战略及经营影响的研究

国内外有学者对信息化及涉及到的企业战略及相关经营理论进行了研究。张建设认为，进入信息化时代后，企业战略决策环境、决策主体及决策依据都发生了巨大变化，传统战略理论开始走向终结，社会化决策正在崛起[1]。吴瑞鹏等认为，企业建立信息系统，关键是企业高层领导要有明确的意识，要有一套企业发展战略目标，要有企业的真正需求、规划和建立信息系统的目标，要管理科学化;企业文化和组织结构要满足信息系统建设的需要[2]。通过分析发现我国很多企业信息化失败的原因，主要包括企业组织变革滞后、资金投入不够、员工阻力等。所以，企业信息化建设不仅是技术变革，更重要的是思想观念、管理和制度的创新。另外，左美云等用聚类方法得到信息化成熟度模型IMM，模型涉及了企业的信息制度、信息战略及外部协同等企业管理组织的方面[3];同时，还将企业信息化能力应用于管理优化、战略支持、技术支撑等领域。

2. 有关信息数据战略理论的研究

对于信息数据战略理论的研究，我们将之前的研究成果总结为四个方面，分别是从财务角度、生产力角度、组织角度、大数据投资回报角度进行研究。

（1）财务角度。近年来的许多文献致力于评估信息数据战略投资的财务意义。已有研究通过识别包括成本收益、投资回报、资产回报、成本控制、市场份额和资产净值回报、由特定或一组信息数据投资引起的销售增长等财务测量标准的变化来试图测量企业的绩效。这类研究的注意力主要局限于单个案例、特殊技术或单个行业，对业务价值创造以及最终被测量的动态过程的理解有限。

（2）生产力角度。最近对生产力经济理论的研究已经成功说明了信息数据投资对企业绩效的贡献[4]。这些研究指出，有员工与网络平台联系更多的企业比那些员工与网络平台联系少的企业，在对企业的绩效贡献方面要好。研究者还指出，生产函数方法，如Cobb-Douglass生产框架，通过评估输入（通常是库存或资金流和劳动力）与企业的产出（如收入和价值增加）之间的关系来测量企业绩效。

（3）组织角度。早期的信息数据研究回顾了一系列可能被信息数据影响的组织维度。许多组织理论用来检验信息数据对组织机构不同的层次和方面的影响，包括分工和工作的相互依赖性、集中或分权控制、控制幅度、过程和步骤的制定、过程整合以及工作满意度等[5]，建议信息数据的特殊价值由组织的战略目标或是各部门的业务目标决定。信息数据配置成为影响组织或部门绩效评估的重要因素。

（4）投资回报角度。之前的研究已经提出了测量提供竞争优势和创造业务价值的与信息数据相关的绩效模型，主要有CAPITA模型、平衡计分卡（BSC）及GAO的分层绩效平衡卡方法[6]。这些模型为一项数据战略绩效影响研究提供了测量标准和测定维度，目的是将从信息数据应用系统中得来的竞争优势指标量化。它们的局限性在于都是对某一特殊应用效益的量化，是为了测量而测量，没有体现出这些这些因素与企业战略之间的相互关系。

通过以上对大数据应用现状和有关信息化理论研究的回顾，可以发现：

①现有的研究大多侧重于大数据的获取、存储、处理、挖掘和信息安全等技术方面，鲜有从企业管理的角度探讨大数据对于现代企业战略决策和经营管理等方面带来的变革与冲击的研究。企业的管理者也往往只追求合适的信息化技术，而忽视其他的方面。

②不少现有涉及到企业战略的研究都是有关信息化及信息系统的内容，大数据时代是在信息化基础上出现的更高层次和水平的数据技术，它所呈现出的特点对企业战略管理的影响比信息化的影响更为复杂，研究要求也更高。

③大部分关于信息化评价的研究都重在利用定性的方法对企业信息化现状进行描述，对信息化模式作出判断，然后再对企业实行信息化。这样的信息化只是完成了企业的数据处理目标，距离企业最终的战略目标甚远。

同时，在大数据时代，网络组织的出现、传统价值链的解构、知识管理的兴起对企业战略管理的影响逐渐扩大，大数据规划影响着企业战略目标的实现，成为企业战略能力形成的关键[7]。后疫情时代，面对大数据环境下此大趋势以及企业战略决策和运营管理的迫切需求，开展企业大数据战略研究顯得十分必要和重要。

3. 有关于战略匹配的研究

（1）战略匹配概念的提出。20世纪90年代初期，Das等人提出了信息化战略模型，从技术与功能集成的层面考虑信息系统的规划。随后，Bates提出了“战略匹配”这一概念。1993年，Venkatrama和Henderson对战略匹配的相关概念进行了规范，又将信息化战略模型进一步细化，将企业面临的信息化环境分为内外两个领域[8]，使得对这个领域的研究趋向成熟。

（2）促进或阻碍战略匹配的因素。Luftman等就有关战略匹配的问题对15个行业的500多家公司的代表进行了问卷调查。他们发现，战略匹配是一个不断变化和发展的过程。在这个过程中，组织中的某些活动可以帮助企业实现战略匹配，而另外的一些显然阻碍着战略匹配[9]。

通过研究可以看出，前人对企业大数据的认识，开始从单纯的技术视角转向关注大数据对企业经营管理的影响上，特别是开始考虑从战略角度来研究如何利用大数据。这已经成为今后企业大数据建设及成长过程首要考虑的问题。

四、 企业大数据建设及应用水平提升机制战略匹配成熟度分析

1. 战略匹配成熟度

战略匹配是关于过程和关系的。所谓过程，就是企业做哪些事情才能使大数据战略与企业战略目标相一致，大数据战略与企业战略目标相适应。所谓关系，是基于企业发展与变革的演化和目的的角度，把战略匹配视为在企业动态的、持续的组织变革中，大数据发展及应用的维度之间以及其与企业各主要部分间的关系。战略匹配是企业实现收益最大化的必然前提[10]。

为更好地实现战略匹配，我们参照了前人提出的战略匹配成熟度概念，又进行了创新。这一概念对企业如何随大数据战略的变化而使自身的战略匹配成熟度在不同层次演化给出了更好的解释，包括横向、纵向上的匹配，匹配更强调动态、持续。旨在为企业评估、改善战略匹配情况和达成成熟的企业战略匹配提供理论、方法和工具，了解企业的战略选择和匹配实践的成熟度，即可知道该企业目前所处的发展位置及该如何改进。

2. 基于战略匹配成熟度的企业大数据建设及应用水平提升机制的影响因素

基于前文的文献回顾，参照Henderson等模型中针对IT业务战略匹配评价指标的设置，我们将影响企业大数据发展与应用水平提升机制的影响因素归纳为六个方面：企业治理与管理者、技能与培训、跨部门协同、友好合作、大数据连接范围与程度、大数据发展与应用价值测度。通过对这六个方面及其之间的关系分析，来保证大数据战略与企业战略目标的平衡匹配，保证企业相应阶段的匹配成熟度。

（1）企业治理与管理者。企业治理是指企业在项目选择和优先次序排列、资产归属、预算控制和投资等活动中分配决策权的时候所作的选择。企业治理中要加强对大数据建设及应用的重视，将其视为可以培育的投资目标。

另外，企业管理者的素质和战略意识，对于改善大数据发展与应用、实现大数据战略与企业战略匹配具有决定性作用[11]。企业管理者应将大数据发展与应用规划与企业中长期发展战略相结合，在企业的每个层面上识别大数据资源和获利机会，并借以构建企业在新形势下新的竞争优势。

（2）员工技能与培训。技能与培训，主要考虑的是大数据战略在企业各部门的职业培训机会，以及易于大数据发展与应用的企业文化氛围。因此，要提高大数据的管理水平，不仅要求参与人员具备全面的知识，而且需要不断学习新的技能和方法[12];同时，要培养一批热心于大数据建设，既善于经营管理，又懂现代大数据处理技术，还具有先进管理理念的复合型人才，并注重培育相应的文化氛围。

（3）企业内部跨部门协同。协同理论指出，企业内部、企业间甚至企业集群间的多方协同战略，是企业获取竞争优势的重要源泉。在企业内部迅速消除大数据发展及应用过程中形成的“信息孤岛”，做到技术与管理并重，技术与管理有机融合，实现企业不同职能部门间的协作，是企业实现大数据变化环境下跨越的重要前提[13]。因此，要有效地推进企业大数据发展与应用，必须建立分工明确、责任到位的组织体系，这涉及到决策层、技术层、管理层和执行层。

（4）友好合作关系。本文对友好合作关系的定义包含了四个方面的内容：彼此之间的信任、不同部门对知识共享的理解、对重要能力和资源的共同依赖、相互参与部门战略决策。

（5）大数据连接范围与程度。大数据连接范围指的是大数据平台可以联系地点的普及性。大数据连接程度代表大数据通过系统连接的程度。当企业内部每个部门了解企业的所有战略目标时，大数据系统才更有效。因此，从这个角度来说，要建立企业级的大数据标准，建立大数据战略。

（6）大数据发展与应用价值测度。本研究认为，大数据发展与应用价值测度即企业在决定大数据资源与技术对自身的重要性和贡献时所作的管理决策和战略性选择。特别是后疫情时代，面对下滑的经济，面对更加激烈的竞争，企业对大数据技术的使用已经从业务流程效率和以成本节约着眼的内部的、职能的关注，转向从大数据对业务流程增值和提供竞争优势着眼的外部的、合作的、竞争角度的关注。因此，如何构建测量大数据发展及应用价值的管理机制成为关键。从这一角度来说，要建立和完善系统、有效的大数据投资回报分析体系和投资管理机制。为简化研究，本文将采用“企业绩效”这一指标对大数据发展及应用的价值进行测度。

另外，当评估企业大数据发展与应用于企业战略目标战略匹配成熟度时，结果会收敛到提供一个总体成熟度水平，即战略匹配总体成熟度。这个总体收敛的目的是为了促进企业使用评估水平作为基准，为了进一步提升企业大数据发展及应用的成熟度水平而做出战略选择和管理实践活动[14]。战略匹配总体成熟度对企业的大数据投资回报和企业绩效有着直接影响。因此，通过什么样的管理实践使得企业战略规划满足大数据下变化的环境需求，并通过大数据的有效应用提升企业绩效，非常重要。

通过以上分析，本文提出企业大数据建设及应用水平提升机制战略匹配成熟度理论模型，如图1所示。

五、 模型构建及模拟

1. 企业大数据建设及应用水平提升机制研究

企業大数据建设及应用过程，有两条主线：一条是从企业战略到企业大数据规划，再到企业大数据战略，再到企业大数据规划;另一条是对企业实际大数据发展及应用水平和关键影响因素进行评价，从而了解企业大数据建设及应用水平的发展并进行预测。这两条主线从不同视角观察企业大数据的建设及应用，前者从需求的角度分析企业战略对企业大数据建设及应用的需要，对于制定大数据规划、大数据战略具有重要指导意义;后者从供应的角度体现企业大数据的功能和潜能，对于评估企业大数据建设及应用的作用具有重要借鉴意义。这两条主线相辅相成，共同帮助企业实现依据战略匹配成熟度的大数据建设及应用水平的提升，如图2所示。

2. 企业大数据建设及应用水平提升路径的系统动力学模型

（1）建模思路。企业大数据建设及应用，其实质是为实现企业战略目标，解决企业管理中与大数据建设及应用相关的系统性问题。本文讨论的是如何提升企业的大数据建设及应用水平，因此，把这个问题设成模型关注的主体，把其他部分作为它的关键影响因素。对企业大数据建设及应用水平提升路径的研究，就转化成为在各种关键影响因素下企业如何提升基于战略匹配成熟度的大数据建设及应用水平。

影响企业大数据建设及应用水平的关键因素可分为外部和内部两大类，本研究重点关注的是内部关键因素对企业大数据建设及应用水平的影响。我们通过实地调研访谈和对调查问卷数据的分析，证明了从企业治理与管理者角度、员工技能与培训、跨部门协同、友好合作关系、大数据连接范围与程度、大数据发展与应用价值测度对企业大数据建设及应用水平都有显著影响。

另外，因为大数据建设及应用水平涉及到诸多硬件，受折旧因素影响较大，而且一段时间内为缓慢渐变的过程。由于折旧不是研究的主要对象，因此，本研究做简化处理，综合成一个折旧变量。通过对管理因素的细化，从内生性解释中提炼出企业大数据建设及应用水平提升系统的重要变量，如表1所示。

（2）模型构建。根据以上的理论分析建立变量间的关系式，在数据和资料明确的情况下，依据现实情况或采用统计方法估计设定参数值。在此基础上，构建企业大数据建设及应用水平提升路径因果回路图，如图3所示。

从图3中可以看出，从管理者实施大数据战略的意愿下，经过连接集中到大数据建设及应用水平，再到企业的战略匹配成熟度，有5条路径，这5条路径均为同向变化的增强回路。而企业的战略匹配成熟度到管理者实施大数据战略的意愿有2条分支：一条正极连接，企业战略匹配成熟度指标反映出为提升大数据建设及应用水平所作的战略调整是有成效的，因此会形成进一步重视和强化大数据战略的意愿;另一条是负极，随着大数据建设及应用的持续深入和加深理解，管理者会形成对大数据建设及应用水平的一个理想的期望，实际的大数据建设及应用水平与期望的大数据建设及应用水平之间差距越小，管理者继续关注和加强相关工作的动力和大数据战略意愿就会越低。因此，前述的5条正向的连接经过这两种不同极性的连接，就形成了10条回路。其中，5条为增强回路，5条是平衡回路。开始阶段增强回路起主导作用，促进大数据建设及应用水平的发展。随着大数据建设及应用水平的不断提高，平衡回路作用开始显现，大数据建设及应用水平的增长速度将减缓。

（3）模型的一般性模拟。本研究借助Vensim PLE 7.3.5具体实现对企业大数据建设及应用水平提升路径和关键影响因素作用的模拟。

①企业大数据建设及应用水平提升路径的模拟

通过模拟，图4反映了企业大数据建设及应用水平从低到高的成长过程，呈现S型的提升过程。根据曲线走向的变化，可以将曲线分为前、中、后3部分。这3部分各具特点。前部曲线先下降后上升，呈现下弯碟形;中部曲线呈现较快的上升过程;后部曲线缓慢上升并趋近于水平。这说明企业大数据建设及应用过程一般会经历最初的适应调整，并快速上升，最后趋于稳定。

企业经过一段大数据建设与应用之后，水平会有所上升，所以把大数据的建设及应用水平的初始值提高，同时将考察的时间跨度延长。经过模拟得到如图5的结果。

通过图5可知，如果继续进行更长时间跨度的考察，则企业将面临外部环境或内部发展压力而出现大数据建设及应用水平快速下降的情景。

②关键影响因素的模拟

随着企业大数据建设及应用水平的提升，通过模拟其关键影响因素的对应态势，得到图6、图7的发展轨迹。

通过图6可以看出，企业的战略匹配成熟度发展轨迹与大数据建设及应用水平轨迹基本一致。因此，企业的战略匹配成熟度成为大数据建设及应用水平提升的决定性因素。在图7中，企业绩效的发展轨迹也随着战略匹配成熟度影响下的大数据建设及应用投资回报的变化而有类似变化。

图8反映出，管理者实施大数据战略的意愿初期随着企业大数据建设及应用水平的发展状况而起伏，后随着大数据建设及应用水平的不断提升而提升。等到大数据建设及应用水平步入稳定期，管理者对大数据建设及应用关注度和意愿开始下降，并在一定水平上保持平缓。因此，随着管理者实施大数据战略的意愿的变化，其对大数据建设及应用的投入也发生类似的变化，包括基础设施的建设、研发的投入及员工的培训，如图9和图10所示。

图11至图14四个模拟结果表明，友好合作关系、企业内部多部门跨部门协同、员工态度和员工能力一直保持上升轨迹，并且初期上升更快，随着大数据建设及应用进入稳定期，开始保持平稳小幅累积增长。友好合作关系一直处在领先和拉动的地位。企业内部多部门跨部门协同、员工态度和员工能力整个发展轨迹都很接近，说明互动对提升员工大数据建设及应用能力重要且直接。

六、 模型检验

本研究的模型检验将从数据检验和经验支持两个层次展开。数据检验将模拟结果与实地调研获得的一手问卷调查数据进行比较，考察模拟结果与现实的一致性。经验支持将从实地调研获得的访谈资料中提炼出有益的业界经验，再通过模型模拟出与业界经验相一致的特性。这些检验有助于探讨模型的理论意义。

检验模拟的企业大数据建设及应用水平随时间提升的状态和过程，与企业实际提升的状态和过程是否相符，这是判断本文研究模型有效性的重要方法。下面将通过对实地调研所获得的实证数据进行近似时间序列处理并与模拟数据进行对比，进而通过Logistic拟合比较模拟和实证数据。

1. 数据检验与经验支持

我们共发放100份调查问卷，回收73份，回收率为73%。去掉因关键信息残缺、失真的无效问卷，保留了51份有效问卷作为实证研究的有效样本。

由于现实条件所限，调研获得的大多是不同企业有大数据建设及应用记录的截面数据，可以了解企业大数据建设及应用一定年限的各个变量的状态。为此，对51个有效样本作近似时间序列处理，得到表2。

由表2的数据，我们得到处理后的样本企业大数据建设及应用水平年限分布图，如图15所示。通过观察可以发现，企业建设及应用大数据的年限小于等于7的部分近似呈S曲线特点，大于7的部分也近似呈S形趋势，这说明企业大数据建设及应用水平S形提升路径是实践中普遍存在的现象。同时，此线之所以有这样的分布趋势，一般是因为企业在使用大数据技术一段时间后会随战略、业务及技术的变化而发生明显调整，在数字技术发达的今天，一般在6～8年左右。随着疫情爆发带来的市场的变化，该时间会缩短至2～3年左右。

为了进一步检验企业大数据建设及应用水平及其关键影响因素的实际关系与模型的符合程度，将模拟出的大数据建设及应用水平、友好合作关系、企业内部多部门跨部门协同、员工能力数据与实证数据进行对比。实证数据选取了更为准确的大数据建设及应用时间小于7的部分。参考表1，大致设定上述变量初始值都为45，代入图3中的模型，模拟出相应数据，并截取初始值为45—80的部分，结果见表3所示。

为了说明关键影响因素对大数据建设及应用水平的影响，分别对比模拟和实证数据中关键影响因素与大数据建设及应用水平的关系图，如图16至图24所示，图中左半部分是各指标的模拟数据散点图，右半部分是各指标的实证数据散点图。

2. Logistic拟合

下面将采用Logistic回归曲线来验证模型和实证结果的一致性。本研究选取的是Logistic曲线，其特点是开始增长缓慢，而在以后的某一范围内迅速增長，达到某限度后，增长又缓慢下来，曲线略呈S形。而模型模拟的提升轨迹也有典型的S形特征。因此，Logistic曲线能很好地代表模型模拟的提升路径轨迹。

通过以上关系对比图可以看出，从一般平均状况反映的趋势看，模型模拟体现的大数据建设及应用水平受关键因素的影响与实际情况基本相符。其中，企业的战略匹配成熟度、友好合作关系、企业内部多部门跨部门协同表现的较为明显。因此，从近似时间序列来看，模型的有效性得到实证的检验。

为不失一般性，以大数据建设及应用水平、友好合作关系、企业内部多部门跨部门协同、员工能力初始值为50代入模型进行模拟，得到模拟数据样本97个状态。以大数据建设及应用水平为因变量，时间为自变量，进行Logistic曲线拟合，得到表4、表5及图25。

通过表4和表5统计量的显示及图27的直观展示，可以看出Logistic曲线能很好反映模型大数据建设及应用水平时间序列的特性。

同样，可以对模型其他关键因素的模拟数据进行Logistic拟合，过程在此不再一一赘述。通过拟合，大数据建设及应用水平与其他关键指标之间的对应关系也基本符合模型反映的规律特性。因而，模型在统计意义上与实证数据相符且具有显著性。

3. 小结

（1）突出关键因素对大数据建设及应用水平提升的影响。通过以上分析，我们可以看出，企业要想借助大数据战略更好地实现企业战略目标，企业管理者要力推大数据部门与其他各部门跨部门协同，加强不同部门的人员对知识共享和共同理解以及对重要资源的共同依赖，提高不同部门间相互参与部门战略决策的程度，增强彼此之间的信任。这是企业提升自身大数据建设及应用水平的前提。无论在企业发展的何种阶段，企业内部各部门的友好合作关系、跨部门协同都是影响大数据建设及应用水平提升的重要因素。在此基础上，通过培训、学习，带动员工态度的转变和能力的提高。同时，管理者应关注这些影响因素的相互匹配和作用，前期将大数据建设及应用导入良性的发展轨迹，后期（经过大数据战略意愿波峰之后）可将更多精力转向企业中的其他事宜[14]，提升企业绩效。

（2）基于大数据战略与企业总体战略目标的匹配程度对大数据战略进行周期划分。借鉴前人的研究成果[15]，结合企业大数据战略与企业总体战略目标的匹配程度，我们可以将企业大数据建设及应用水平提升过程分为调整期、上升期和稳定期三个时期。在调整期中，由于大数据战略的实施，企业整体战略与大数据战略的匹配成熟并不高，初期会经历一个适应调整时期。大数据建设及应用效果开始不尽如人意，后逐步适应回升。在上升期中，随着逐步磨合和适应，大数据建设及应用效果开始体现，各方面有利因素也被积极调动起来，企业员工容易感受到大数据应用效果，从而加强对大数据知识的学习和应用，大数据建设及应用呈现良性循环，水平提升较快。在稳定期中，随着大数据建设及应用的逐步成熟，企业已经不能离开大数据的业务支持，大数据已经成为企业为实现战略目标不可或缺的部分。此阶段，一方面大数据建设的规模已经比较大，全面提升已经不易;另一方面，大数据建设及应用已经接近管理者的期望，管理者注意力可能已经转到其他影响企业发展的瓶颈上，大数据建设及应用处于基础支持和维护改进的状态。

（3）针对大数据战略周期特点对其与企业战略匹配成熟程度进行评估。在确定企业的大数据技术之后，可利用业务成熟度和业绩创造两个维度，来对企业大数据战略与企业整体战略的匹配成熟度进行评估。对于业务成熟度维度，可使用大数据建设及应用投资、大数据能力支撑（如跨部门合作等）等指标进行评估。对于业绩创造维度，可使用企业投资回报、运营效率等指标进行评估。通过评估，可以对大数据建设及应用水平在企业各部门中的现状进行优先级排序，便于企业按顺序推进相关大数据战略在不同部门的实施，这在一定程度上也有利于克服大数据战略周期中出现的弊端。

七、 构建企业大数据建设及应用能力分级模型框架

1. 市场的变化和企业战略目标的变化也会对企业大数据建设及应用水平产生影响

因为我们要研究的战略匹配是一个过程和关系的概念，除了以上对企业内部基于战略匹配成熟度的大数据建设及应用水平提升影响因素的研究外，市场的变化和企业战略目标的变化也会与企业大数据建设及应用水平产生关系，它们都会使原有的大数据战略与企业大数据建设及应用水平不匹配，从而导致大数据建设及应用水平下降。不同程度的市场变化产生的冲击和影响大小有所不同，比如有的是来自市场的快速变化，企业必须作出相应的反应，及时调整战略，业务流程或组织架构都要发生相应的调整;有的甚至是企业级的兼并重组，原有的企业大数据建设变得不适应，需要不同程度的调整。新的大数据技术的出现和成熟，带来企业软、硬件的个性变化，也会对大数据建设及应用水平产生重大影响，企业可能不得不面临大幅更换现有数据系统的软件和硬件的压力和选择。企业大数据建设及应用过程中，随着不断成长壮大，企业的整体战略目标也会发生方向上的调整，企业的市场规模和范围、组织功能也要调整，职能不断细化，原有的大数据系统难以支持这些新的变化，且变化的程度不同导致企业大数据应用水平降低的幅度不同。大数据应用发生变化的表现形式常常是企业大数据战略及整个企业战略的变革，企业应密切关注此变化以加强管理。

2020年的“疫情大考”，企业积极利用大数据技术以应对变化了的市场环境，采取的举措可圈可点，但同时也暴露了部分企业在大数据建设及应用稳定期的弊端，如数字化应变滞缓、以往的商业模式和组织模式单一且过时、供应链整合能力不足等。而且，后疫情时代，市场上也出现了不少新型的大数据技术。伴随我国经济发展的新势态，企业如何把新的大数据技术应用于原有大数据战略并加以改进，如何利用改进后的大数据战略提升自身大数据应用水平、加速自身在行业中的转型，都是迫切需要解决的问题。

2. 构建企业大数据建设及应用能力分级模型

在不同阶段，企业的大数据建设及应用能力与企业战略的匹配程度不同。因此，企业应根据内外部环境和条件，结合对企业大数据战略与企业整体战略的匹配成熟度的评估结果，及时归纳总结每一级别的关键过程域和目标，确定不同级别贡献度指标，并對企业整个大数据体系进行关键元素分析，从而保证大数据战略与企业战略的良好匹配。为此，我们构建企业大数据应用能力分级模型框架，见图26。

八、 建议

本研究为后疫情时代企业在大数据建设及应用方面创造性地开辟了一条管理之路。今后还可以在以下几个方面继续深入地研究，进而实现企业大数据战略建设的科学化，实现对企业的大数据建设及应用的系统化与数据化管理。

（1）可对大数据建设及应用水平的关键影响因素的作用阶段进行比较，在企业成长周期内注重大数据的应用过程。

（2）大数据投资的本质是复杂的，既包括产生货币回报的大数据投资，也包括很难定量的效率改进。由于大部分企业目前的大数据投资集中在建设企业的大数据基础设施上，即使是投资在新出现的应用技术上，也有着投资回报的时滞效应，因此大数据投资的货币回报很少，但其确实有价值增值。因此，我们可以考虑用一种综合的指标来衡量大数据战略的投资回报。

（3）战略匹配和由此带来的大数据业务价值改善变化之间存在时滞效应。对战略匹配的纵向研究可能会提供更灵活的战略匹配方法，更好地反映大数据下企业决策环境的变化，以提高大数据投资回报。

参考文献：

[1] 张建设.大数据：战略论的终结与社会化决策的兴起[J].企业管理，2012（10）：92-96.

[2] 吴瑞鹏，陈国清，郭迅华.中国企业信息化中的关键因素[J].南开管理评论，2004（3）：74-79.

[3] 左美云，陈蔚珠，胡锐先.信息化成熟度模型的分析与比较[J].管理学报，2005（3）：340-346.

[4] McAfee A， Brynjolfsson E.Big Data：The Management Revolution[J].Harvard Business Review，2018（10）：1-9.

[5] 胡泳.“大数据”视角的行为科学[J].IT经理世界，2012（9）：41-42.

[6] 李宁.大数据时代企业的准备[J].网络应用，2011（10）：18-20.

[7] [美]维克托·迈尔—舍恩伯格.大数据时代[M].杭州：浙江人民出版社，2013.

[8] Henderson J C， Venkatraman N.Strategic Alignment：Leveraging Information Technology for Transforming Organizations[J].IBM Systems Journal，1993，32（1）：4-16.

[9] Luftman J. Assessing IT-business Alignment Maturity[J].Communications of the Association for Information Systems，2000，4（14）：1-51.

[10] 杨青.基于能力的BP-ISP战略匹配研究[D].复旦大学，2011.

[11] 何军.大数据对企业管理决策影响分析[J].科技进步与对策，2018（9）：36-37.

[12] 马庆国，李艾.电子商务与企业信息化：组织学习效应实证研究[J].管理工程学报，2004（2）：14-19.

[13] Dabenport H， Barth P，Bean R.How “Big Data” Is Different[J].MIT Sloan Management Review，2019，53（5）：57-88.

[14] Chakravarthy B S.Measuring Strategic Performance[J].Strategic Management Journal，1986，7（5）：437-458.

[15] Moore J. The Death of Competition： Leadership and Strategy in the Age of Business Ecosystems[J].Harper Business Publish Press，1996（1）：92-95.

Research on the Implementation of Enterprise

Big Data Strategy Based on Strategy Matching Maturity

Abstract：In the process of operation and management， enterprises must consider how to adjust the internal structure to adapt to the enterprise's big data strategy and external market environment， so as to better implement the enterprise strategy and obtain a longer-term competitive advantage. This study aims to realize the functional integration of big data strategy and enterprise strategic planning by introducing the concept of strategic matching maturity. System dynamics was used to simulate the influence factors of pipe diameter and lifting path from two aspects of data verification and empirical support. The simulation results are used to evaluate the implementation of the enterprise big data strategy， summarize the key process areas and objectives of the enterprise big data strategy in different periods and different maturity levels， determine the contribution index of different levels， and analyze the key elements of the whole big data system of the enterprise， so that the enterprise can know more clearly the development position of the enterprise's current big data construction and application level How to improve， so as to ensure the good matching degree of big data strategy and enterprise strategy， especially for the construction of big data and the rapid scientific promotion of application level of enterprises in the post epidemic era provides a normative theoretical and empirical explanation.

Key words：enterprise big data strategy;strategy matching maturity;big data construction and ability

基金項目：第56批中国博士后科学基金资助项目“大数据对企业战略决策和经营活动的影响研究”（编号：2014M561122）。

作者简介：王炫（1982-），女，武汉理工大学管理学博士，中国人民大学博士后，河南省科学技术发展战略研究所副研究员，研究方向为企业战略研究和创新管理。

（收稿日期：2020-8-18 责任编辑：殷 俊）