大数据资源如何影响客户服务绩效？——基于客户信息质量与客户导向能力的链式中介作用

房 颖，叶 莉

(1.河北工业大学经济管理学院，天津 300401；2.山东工商学院管理科学与工程学院，山东 烟台 264003)

一、引 言

金融服务业已经进入数字技术驱动的科技4.0时代，以效率提升和价值创造为目的的科技创新正在赋能传统金融机构并通过创造新兴金融机构来推动金融服务的变革。传统商业银行的竞争对手从外资银行、地方性商业银行扩展到互联网金融公司等新兴金融机构[1]，倒逼商业银行重新思考其战略和业务模式，广告战略[2]和多产品战略[3]尤其受到商业银行关注，但上述战略多以产品为中心，易被竞争对手复制，长期内无法为银行带来真正的竞争优势。目前，行业竞争重点已经由产品竞争转化为客户服务竞争，优质的客户服务成为银行在激烈的竞争中实现突围的关键[4]。与此同时，信息技术的发展使客户希望通过更加便捷灵活的互动方式获取金融服务，然而能够满足此要求的银行却为数甚少[5]，一些经验证据也表明将近40%的客户在经历不满意的服务后更换了原本合作的服务商[6]。在此背景下，如何提升服务绩效成为商业银行数字化转型实践中应当关注的重点。

客户服务主导逻辑对产品主导逻辑的替代重塑了银行的业务场景和服务边界，带来发展机遇的同时，也使银行面临新的挑战。实现以客户需求为导向的价值增值不能仅停留在理念层面，更重要的是将新理念顺利转化为产出，这就需要企业构建起与之相匹配的资源与能力。大数据作为一种新的生产要素[7]，被认为是促进企业与客户形成密切交互关系的关键资源。但是数据与信息和能力分离时，数据也只是可能的生产要素，要在客户服务方面实现数据价值的增值，大数据资源还必须转化为洞察与响应客户真正需求的能力[8]。大数据资源能否通过高质量的信息提炼和能力建构驱动客户服务绩效提升，是一个值得探索的科学问题。

本文选择从客户服务视角对大数据资源影响商业银行绩效这一具体问题进行探讨，一是从实践来看，大数据的发展使基于客户的价值创造空间不断扩大。在大数据获得全面发展之前，银行的价值创造很少考虑客户的差异化需求。随着互联网技术的发展和个人移动智能终端的普及，基于行为模式的大数据资源越来越丰富，银行能够及时观测到客户的个性化需求和潜在需求，客户服务的能力和效率不断演进[9]。二是客户服务绩效对银行生存和发展至关重要[1]。在金融脱媒、互联网金融迅速发展的背景下，我国银行业已经进入“微利”时代，由借贷业务主导、净利差为主要收入来源的传统金融服务模式难以支撑商业银行的可持续发展，通过向客户提供多元化和综合性的金融服务来拓展客户价值，是商业银行创造可持续竞争优势的必由之路。因此，以客户为中心已经成为整个银行业的共识和践行导向，客户服务绩效在商业银行中的重要性明显上升。

本文的贡献主要体现在：其一，既有研究对大数据资源在组织绩效改善中发挥的积极作用已经形成共识，但多聚焦于组织管理与产品创新视角的绩效改善，鲜有研究关注大数据资源对客户服务绩效的影响。本文聚焦大数据资源促进客户服务绩效提升的机制与路径，是对大数据资源改善组织绩效相关研究的细化与拓展，有助于为商业银行乃至其他行业提升客户服务绩效提供理论指导。其二，现有研究分别从组织绩效改善、动态能力提升和信息质量优化方面阐述了大数据资源的价值，但大数据资源、信息质量、企业能力与组织绩效之间的联系依然不够清晰，缺乏大数据资源对客户服务绩效影响的全路径实证研究。本文在“资源—能力—绩效”研究范式的指导下，结合Setia等(2013)关于“信息质量—客户服务能力”的研究[1]，构建“大数据资源—客户信息质量—客户导向能力—客户服务绩效”的链式中介模型，进一步打开大数据资源与客户服务绩效关系的“黑箱”，形成客户服务层面的理论推进。

二、理论基础与研究假设

(一)理论基础

1.资源基础观

资源基础观(Resource Based View，RBV)认为企业成长依赖于内生性资源和能力，强调资源差异是导致组织绩效存在显著差异的重要原因[10]。Barney(1991)将促进企业成长的资源定义为企业拥有的资产、信息、技术、管理过程及企业特质，这些资源是企业提高组织绩效的驱动力和基础[10]。随着大数据被确认为是经济活动的主要生产要素，大数据在企业中的资源基础作用也得到了认可。已有研究基于“资源—绩效”研究范式，提出大数据资源的构筑可以直接产生资源红利，使组织具备超越竞争对手的优势，从而产生较高的组织管理与产品创新绩效[7][11]。但一些学者认为数据的潜能不会自动发挥，从信息处理的角度来看，大数据资源只有经过充分筛选与提炼，转化为供决策参考的有用信息，才能成为现实生产要素[12]。因此，大数据资源成为组织绩效提升的驱动力还经过了一些中间过程，本研究旨在基于资源基础观揭示大数据资源促进组织绩效提升的内在机制。

2.动态能力理论

知识经济与数字经济的蓬勃发展使社会环境和市场环境都呈现出了高度动态性。动态能力是一种在复杂动态环境下对组织资源进行整合与重构，对组织机会与威胁进行感知的抽象能力[13]。动态能力不仅使组织能够对现有资源进行很好整合，还具有针对环境变化为资源获取与整合提供导向的潜力，是组织快速应对商业环境变化所必备的管理要素。因此，动态能力理论可以看作是资源基础观在复杂动态环境中的延伸[14]。Lee 等(2004)提出拥有丰富大数据资源的企业能够及时洞察环境的动态变化，并根据数据层面的洞察做出行为反映和调整，提升组织应对环境变化的动态能力[15]。谢康等(2020)及孙新波和苏钟海(2018)基于“资源—能力—绩效”研究链条，提出大数据资源可以通过提升企业动态能力改善企业绩效[7][16]。可见，动态能力建构是大数据资源成为绩效提升驱动力的重要中介机制，动态能力理论对指导大数据资源驱动组织绩效提升实践有重要意义。

(二)研究假设

1.大数据资源对客户服务绩效的影响

大数据具有5V特征，主要体现为体量巨大、类型多样化、处理速度快、真实可信和价值密度低[11]。大数据资源是指大数据情境下帮助企业持续创造价值的一系列要素的组合，其构筑意味着企业拥有处理大数据所需的数据内容、财务资金、硬件配置和人力资源[7]。大数据资源是银行深入分析与精准匹配客户需求的先决条件，至少从两个方面影响客户服务绩效的提升。一方面，拥有这些资源的银行能够从外部获得更多有价值的数据。银行通过建立数字化交互平台、开放API等方式，不仅与客户的连接比过去更丰富，和竞争对手、政府部门及社交网络平台等外部主体的连接和交互也愈加频繁[17]。丰富的连接使银行和客户之间以多种方式实现直接或间接互联，有助于深入观测客户的偏好和需求。另一方面，大数据资源的构筑使大量非标准化数据能够被充分挖掘和利用[18]。在大数据资源支撑下对数据进行充分的精炼、加工和解读，才能提高业务关联和需求预测的准确性[19]。可见，大数据资源为银行洞察客户行为带来了前所未有的空间和潜力，那些能够获得大数据资源并运用其开发客户价值的银行将率先提升客户服务绩效。据此，提出如下假设：

H1：大数据资源的构筑对客户服务绩效具有正向影响。

2.客户信息质量的中介作用

已有研究认为客户信息质量对手机服务接受度[20]、客户忠诚度及满意度[21]都具有一定正向影响，是促进客户需求分析、用户推广和客户满意度提升的关键因素。根据Baroudi和Orlikowski(1988)[22]及Wixom和Todd(2005)[21]的研究，客户信息质量包含多个维度的特征：(1)完整性，客户服务过程中所需信息的满足情况；(2)精确性，所提供的客户信息在多大程度上是正确的；(3)流通性，所提供信息的更新时效情况。信息是用来消除不确定性的，掌握完整、精准和及时的信息是提高预测准确性的关键。银行信息孤岛没有被打破时，客户服务过程多取决于客户的会计信息以及银行与客户的历史互动信息，而这两种信息在完整性和流通性方面的表现较差，并且容易受到会计主体操纵，精确性也难以保证[1]。由此导致对客户偏好预测的准确性和客户需求匹配的精确性都受到限制。随着信息技术的发展，数据集的质量提高，信息的完整性、精确性和流通性得到了更高的满足，减少了需求预测的不确定性，极大地满足了客户服务的供给。由此提出假设：

H2：客户信息质量对客户服务绩效具有正向影响。

数据对于银行而言，其最终价值主要取决于有多少数据能够转化为可供管理和营销决策的信息。大数据功能的发挥和信息转化过程密不可分，从数据中提取有价值的信息，才能驱动银行客户管理和服务推荐的响应。Merendino等(2018)认为大数据资源的构筑使企业能够从丰富的数据中提炼有价值的信息，改善数据质量并降低决策过程中面临的不确定性[8]。具体来说，大数据资源的构筑使银行能够探究大规模异构数据之间的内在逻辑与变化规律，为员工提供关于客户行为更完整的信息[23]；能够从多个来源收集数据，使信息的准确性得到改善；能够及时更新有用信息，改善信息流通和传递的时效性，让营销更符合消费者当下的语境与行为[24]。总之，拥有更多大数据资源的企业能够对数据进行更有价值的提炼，为客户信息库做出重要补充的同时，也在精准性和时效性上大大提升了客户信息质量。据此，本文提出假设：

H3：大数据资源对客户信息质量具有正向影响。

结合假设H1、H2和H3所预测的关系，本研究认为当银行构筑起完善的大数据资源基础时，能够通过多维度连接拓展数据的来源空间，提高客户信息的完整性、精确性和流通性，进而通过对高质量信息进行关联和推荐来助力客户价值增值，改善客户服务绩效。据此，本文提出假设：

H4：客户信息质量在大数据资源与客户服务绩效之间具有中介作用。

3.客户导向能力的中介作用

Narver和Slater(1990)首先提出客户导向能力是一种观测和理解客户需求，实施以客户需求为中心经营战略的能力[25]。在个体层面，客户导向能力被认为是员工(尤其是销售人员)在销售过程各个阶段对客户的关注程度[26]。在组织层面，以客户为导向代表了一种文化，其特征是充分关注客户需求。无论是个体还是组织层面的研究，均反映构建客户导向能力的目的是为了根据客户需求和反馈完善客户服务，是一个有向驱动过程。客户导向能力是改善客户服务绩效的先决条件[1]，一方面，客户导向能力极大地影响了商业银行对客户反馈和满意度的关注程度，这对制定战略和组织业务活动格外重要；另一方面，客户服务绩效的高低往往取决于银行与客户的交互效率，具有较高客户导向能力的银行才能快速响应客户需求，与客户之间建立起长久、稳定的交互关系[27]。据此，提出如下假设：

H5：客户导向能力对客户服务绩效具有正向影响。

目前，大数据资源运用最为成熟的领域之一是客户关系管理系统[27]，这一运用的真正意义在于实现对客户需求的充分观测，使银行具备客户导向能力。大数据资源可以实现对内部/外部、直接/间接、线上/线下多渠道客户需求数据的抓取，这对于银行观测客户需求，构建客户导向的内部管理理念和能力有重要影响。在个体层面，大数据资源有助于营销人员和管理人员在快速变化且充满不确定性的环境中提高认知能力，预测客户需求和客户价值[8]。在组织层面，资源是能力建构的养料，大数据资源通过影响客户关系管理、客户导向文化构建及客户需求响应流程的重构，驱动现有客户服务的知识重塑和更新[28]。据此，提出假设：

H6：大数据资源对客户导向能力具有正向影响。

结合假设H1、H5和H6预测的关系，本研究认为大数据资源有助于从多渠道获取客户数据，提高组织和组织内个体对于客户需求的观测及认知能力，进而通过不断学习和分析客户信息促进服务改善。据此，提出假设：

H7：客户导向能力在大数据资源与客户服务绩效之间发挥中介作用。

4. 客户信息质量与客户导向能力的链式中介作用

构建客户导向能力的基础是丰富的数据，但如果无法从数据中提取高质量信息可能会导致决策者信息过载，阻碍银行建立以客户为导向的业务流程[1]。一方面，信息能够消除能力建构过程中的不确定因素，是能力建构的基础。客户需求、市场环境以及竞争对手和产品的不确定性，使客户导向能力的建立依赖于大量有关客户、产品和市场的信息，更完整、准确和及时的信息更有助于客户经理更好地与客户互动[29]。另一方面，信息质量的提高使迎合需求逐渐转变为创造需求，即在高质量信息的支撑下，企业才能通过精准了解客户的潜在需求，将潜在需求转化为真实需求，继而提高客户导向能力。

鉴于客户信息质量对客户导向能力的影响，并结合H1、H3和H5所预测的关系，本研究认为，大数据资源可以通过影响信息提炼质量与客户导向能力，减少与客户服务绩效之间模糊的因果关系，提高资源向绩效的转化效率。据此，提出假设：

H8：客户信息质量和客户导向能力在大数据资源与客户服务绩效之间存在链式中介作用。

5.客户服务流程复杂性的调节作用

尽管大数据资源被认为是提高客户信息质量的先决条件，但是对于客户服务流程复杂性不同的商业银行，大数据资源所发挥的作用也可能存在差异。客户服务流程复杂性是指客户服务环境、服务对象和服务内容中的不确定程度。服务流程复杂性至少在以下两方面可能影响大数据资源的转化，一方面，组织对服务流程复杂性的认识和理解程度越高，越容易应对服务流程中的不确定性。充分认识并理解服务流程复杂性的组织，常常是率先制定客户导向型战略的组织，这些组织会先于竞争对手加强对客户数据的精炼、扩展与更新，有助于提高大数据资源在组织中转化为有用信息的效率[7]。另一方面，银行面对的服务流程不确定性更高，对大数据资源的理解、学习和反馈动力更强，更加能够正确地运用大数据资源，使大数据资源在信息处理活动中发挥更大的作用[1][27]。据此，提出如下假设：

H9：流程复杂性通过增强大数据资源对客户信息质量的作用而影响链式中介作用。

综上，本文从资源基础理论和动态能力理论出发，以“资源—能力—绩效”系统理论作为模型构建的逻辑支撑，将客户导向能力的建构过程作为大数据资源驱动客户服务绩效提升的中介路径，用客户服务流程复杂性作为情境调节变量，提出如图1的理论模型。

图1 理论模型

三、研究设计

(一)变量测量工具

为保证量表的信度和效度，本研究所采用的问卷题项均来自国内外文献中的成熟量表。其中，采用谢康等(2020)[7]开发的大数据资源量表，将大数据资源这一潜在变量设定为反映型构念，从数据、人员、资金和设备四个方面测量，设置4个测量题项。客户信息质量采用Baroudi和Orlikowski(1988)[22]开发的量表，从完整性、精确性和及时性三个方面测量，设置3个测量题项。参考Im和Workman(2004)[30]和Setia等(2013)[1]开发的客户导向能力量表，包括观测客户满意度、理解客户需求和调整客户服务方向等三个方面。关于客户服务绩效量表，银行多使用美国客户满意度指数(ACSI)来衡量客户服务表现。ACSI是一个基于市场的三项客户满意度指数，适用于不同行业，包括客户整体满意度、服务质量期望和服务范围期望等三个方面[31]。客户服务流程复杂性量表则参考Karimi 等(2007)[32]和Setia等(2013)[1]开发的量表，包括“我们的客户服务流程通常跨越了多个业务功能领域”等3个题项。上述量表直接采用李克特5点量表进行打分，测试对象需要在“非常不同意”至“完全同意”中做出选择。

(二)数据收集

课题组成员于2020年7月20日至2020年8月20日采用邮件寄送和问卷星分享链接的方式发放问卷。被试者主要来自北京、天津、上海、山东、河北、江苏、浙江和山西等地区的商业银行，职务基本都为客户经理。发放正式问卷共373份，得到247份有效样本数据，问卷的有效回收率达66.2%。其中，国有商业银行人员占比28.3%，股份制商业银行占比22.3%，地方性商业银行占比32.4%，其他类型银行占比17%；男性占比51.4%，女性占比48.6%；工作年限在3年以上的占比89.9%；学历水平在本科以上的占比79.4%；年龄26岁以上的占比91.9%。

四、数据分析结果

(一)信效度检验

首先，本文所有量表的Cronbach’s α系数均大于标准值0.7，说明各量表信度较好。其次，进行探索性因子分析，结果表明各量表的KMO值均大于0.6，因子载荷均大于0.5，说明各量表的结构效度较好，适合做因子分析。最后，进行验证性因子分析，结果显示各量表建构信度系数CR均大于0.8，表明量表有较好的建构信度。量表平均提取方差值AVE均大于0.5，说明各量表的收敛效度较好。主要变量的相关性分析、信效度检验与验证性因子分析结果如表1所示。主要变量的相关性关系初步验证了本文的研究假设。

表1 主要变量的相关性分析、信效度检验和验证性因素分析

(二)共同方法偏差检验

检验本研究是否存在共同方法偏差问题。首先，采用Harman单因素方差检验，所有特征根大于1的因子的总变异解释量为82.0%，其中第一个主成分的变异解释量为39.0%，低于门槛值40%，且低于总变异解释量的二分之一。说明本研究不存在单一因子解释研究变量大部分方差的共同方法偏差问题。同时，单因子验证性因子分析模型的拟合结果(χ2/df=16.201；CFI=0.445；TLI=0.360；RMSEA=0.248；SRMR=0.179)显著不及五因子模型拟合结果理想(χ2/df=1.608；CFI=0.980；TLI=0.974；RMSEA=0.050；SRMR=0.039)。上述结果表明，本研究的共同方法偏差程度可接受，不会严重影响研究结果。

(三)假设检验

应用MPLUS 7.0建立结构方程模型(Structural Equation Model，SEM)验证前述理论假设，采用bootstrap方法验证间接效应的显著性。

1. 中介模型检验

参考谢康等(2020)[7]运用的模型对比方法，分别构建基础模型(模型A)、嵌套模型(模型B)和替代模型(模型C)进行对比。模型A、B和C表示的变量间关系如图2至图4所示。在模型A中，大数据资源到客户服务绩效之间不存在直接影响效应。模型B在模型A的基础上，增加了大数据资源到客户服务绩效之间的直接作用。为了探索变量间存在其他关系的可能性，模型C中不存在中介效应，大数据资源、客户信息质量、客户导向能力与流程复杂性均直接影响客户服务绩效。

图2 模型A

图3 模型B

图4 模型C

首先，由于模型A嵌套于模型B，通过比较拟合指标确定更理想的模型。模型A(χ2/df=1.327，CFI=0.985，TLI=0.980，RMSEA=0.036，SRMR=0.037)和模型B(χ2/df=1.294，CFI=0.986，TLI=0.982，RMSEA=0.035，SRMR=0.031)的拟合指标均达到可接受水平。同时，模型B和模型A相比，卡方变化显著(Δχ2(1)=4.58，p<0.05)。可见，增加直接路径提高了模型拟合度，应选择路径更复杂的模型B。

其次，模型C的拟合指数超过标准水平(χ2/df=1.39，CFI=0.977，TLI=0.973，RMSEA=0.04，SRMR=0.046)。鉴于模型B和模型C不是嵌套模型，对比两个模型的贝叶斯信息准则(BIC)，模型B的BIC为4741.263，模型C的BIC为6655.651，ΔBIC为1914.388，ΔBIC>10时，BIC较小的模型更优，故模型B优于模型C。

综上，确定模型B为本研究的基准链式中介模型。模型的拟合结果如图5所示，bootstrap检验结果如表2所示。在控制了银行性质、工作年限、性别、学历水平和年龄之后，假设检验结果如下：(1)大数据资源→客户服务绩效的路径系数为0.261，p<0.05，假设H1得以验证，表明银行构筑丰富的大数据资源，能够提高客户服务绩效。(2)客户信息质量→客户服务绩效的路径系数为0.393，p<0.001，说明客户信息质量显著正向影响客户服务绩效，假设H2得证；大数据资源→客户信息质量的路径系数为0.520，p<0.001，表明大数据资源对客户信息质量具有显著的正向影响，假设H3得证；客户信息质量在大数据资源与客户服务绩效之间的中介作用的路径系数为0.204(p<0.05)，bootstrap=1000的置信区间不包含0，假设H4得到验证。(3)客户导向能力→客户服务绩效的路径系数为0.294，p<0.001，表明客户导向能力对客户服务绩效具有显著正向影响，假设H5得到验证；大数据资源→客户导向能力的路径系数为0.267，p<0.05，说明大数据资源对客户导向能力具有显著的正向影响，假设H6得到验证；客户导向能力在大数据资源与客户服务绩效之间的中介作用为0.079(p<0.05)，bootstrap=1000的置信区间不包含0，说明客户导向能力的部分中介作用显著，假设H7得证。(4)客户信息质量对客户导向能力的影响系数为0.416，p<0.001，说明客户信息质量越好，客户导向能力越强，假设H8得到验证；并且客户信息质量与客户导向能力在大数据资源与客户服务绩效之间的链式中介作用显著(β=0.064，p<0.05)，bootstrap=1000的置信区间不包含0，说明假设H9得到证明。

表2 bootstrap方法估计的中介效应及95%置信区间

图5 调节-链式中介模型估计注：图示结果由一个链式中介模型和流程复杂性与大数据资源交互项对第一阶段调节作用检验得到，为使路径简洁，图中未加入控制变量的影响。

2.调节模型检验

为更好控制测量误差，本研究运用潜调节结构方程模型法及有调节的中介模型算法对过程复杂性的调节作用进行检验。

(1)大数据资源与客户服务流程复杂性的交互项对客户信息质量影响的路径系数为0.297，p<0.001，说明流程复杂性显著调节了大数据资源与客户信息质量之间的关系。简单坡度分析结果如图6所示，当流程复杂性较高时，大数据资源对客户信息质量的正向效应较强，当流程复杂性较低时，正向效应有所减弱。

图6 流程复杂性对大数据资源与客户信息质量间关系的调节作用

(2)采用乘积检验法，检验有调节的中介效应显著性。结果表明，交互项与中介变量之间的路径系数乘积为0.036(p<0.01)，说明链式中介显著受到客户服务流程复杂性的调节。如表3所示，当客户服务流程复杂性较低(均值之下一个标准差)时，大数据资源通过客户信息质量和客户导向能力到客户服务绩效的中介效应值为0.021(p<0.05)，在5%水平下显著，bootstrap置信区间不包含0。当流程复杂性较高(均值之上一个标准差)时，大数据资源通过客户信息质量和客户导向能力到客户服务绩效的中介效应为0.109(p<0.05)，也在5%水平下显著，bootstrap置信区间不包含0。高流程复杂性链式中介的间接效应值与低流程复杂度链式中介的间接效应值存在显著差异(β=0.088，p<0.05)。说明当客户服务流程复杂性较高的时候，客户信息质量和客户导向能力的链式中介效应显著增强。

综上，流程复杂性通过提高大数据资源对客户信息质量的正向影响而显著调节了链式中介作用的大小，假设H9得到验证。

表3 被调节的链式中介效应分析

五、结论与讨论

(一)研究结论

第一，大数据资源对客户服务绩效存在直接影响，即构筑丰富的大数据资源是改善客户服务绩效的先决条件。大数据资源的构筑有助于为商业银行重组现有产品与服务并创造难以复制的某种新服务提供机会，以更有效的情境化需求匹配为客户创造价值，从而提高客户服务绩效。

第二，大数据资源在作用于客户服务绩效的过程中经过了客户信息质量和客户导向能力的链式作用。(1)大数据资源通过提高客户信息质量对客户服务绩效形成了正向影响。大数据资源对客户服务绩效作用的传导是否畅通很大程度上取决于从大数据中提炼的客户信息质量。(2)大数据资源通过提高客户导向能力对客户服务绩效形成了正向影响。相对于大数据直接转化为能够促使绩效提升的资源红利，通过客户导向能力建构而间接形成的绩效驱动力，其驱动效率更高。(3)客户信息质量和客户导向能力在大数据资源与客户服务绩效之间发挥了链式中介作用。大数据资源对客户信息完整性、精确性和及时性的推进，进一步激活了客户导向能力的建构，帮助商业银行洞察客户需求并及时做出反映，从而驱使绩效提升。因此，利用大数据资源来改善客户信息质量并提高客户导向能力，是获得较高客户服务绩效的可行路径。

第三，流程复杂性对“大数据资源—客户信息质量—客户导向能力—客户服务绩效”这一链式中介路径起到调节作用。当客户服务的流程复杂性较高时，客户信息质量与客户导向能力在大数据资源和客户服务绩效之间发挥的链式中介作用较强。一方面，流程复杂性是大数据资源赋能客户服务过程中重要的情境变量，复杂性较高的客户服务流程涉及的服务对象、服务内容和服务范围都更广泛，银行更倾向于通过大数据资源的积累来推动客户信息质量提升。另一方面，系统、复杂及一体化的业务流程设计既是银行了解客户服务价值创造的过程，也是银行明晰数据需求的过程。充分认识并应对客户服务的复杂性，才能深刻认识大数据可能给客户服务带来的价值，找到大数据部署方案与客户服务流程的契合点。

(二)管理启示

第一，商业银行应重视大数据资源带来的积极作用，构筑更加丰富的大数据资源，锁定影响大数据资源获取的前置因素。(1)明确大数据资源的“顶层设计”，从业务需求出发制定清晰的大数据资源战略规划，整合内外部人力、资金与技术，为构建大数据资源提供保障。(2)加强与非金融机构在渠道层面的共享与合作，通过数字化交互平台搭建、业务渠道整合及服务场景嵌入等方式形成开放的生态系统，以获得全面、立体的大数据资源。(3)注重以客户为中心而不是以分行或分支机构为中心的历史数据积累与储存，打通全行客户信息系统，以形成全面的客户信息价值图。

第二，加强大数据资源构筑的同时，需要同步考虑数据资源应用与转化渠道的畅通性，只有这样才能充分发挥大数据资源对客户服务绩效的驱动作用。(1)重视大数据资源“信息生产”的作用，依靠丰富的大数据资源，提炼完整、精确和及时的客户信息，改善信息不对称。(2)基于丰富的大数据资源创造高频次、多渠道的互动，发挥大数据资源对客户导向能力构建的“催化剂”作用，以实现更高的客户服务价值创造。

第三，商业银行应当充分认识客户服务的复杂性，针对客户个性化和差异化需求，制定系统、完整的客户服务流程。一方面，在理念上改变对客户服务流程固化的认知，增强服务流程的灵活性和适应性。另一方面，制定系统的服务流程，实现大数据与业务的联动，从多维视角(客户偏好、职业、生命阶段、财富阶段等)全面掌握客户行为，充分理解客户需求，打造具有针对性的综合服务方案。

(三)研究局限与展望

第一，本研究构建了大数据资源对客户服务绩效影响的研究链条，研究层面局限在商业银行的客户服务层面，但实际上，这应该是一个多因素和多层面的复杂过程，未来可以考虑从战略管理和风险管理层面继续探索和关注其他中介、调节变量，不断完善理论成果。第二，本研究收集的数据为横截面数据，难以揭示大数据资源客户服务绩效的动态影响过程。未来可以在数据收集方面，开展纵向追踪，以深入探讨大数据资源对客户服务绩效的作用机制。第三，考虑到商业银行具有自上(总、分行)而下(支行)的资源赋能结构特性和自下(支行)而上(总、分行)的信息传递结构特性，未来研究可以从跨组织层级的视角，分析大数据资源对客户服务绩效的跨层影响。