大數據環境下基于SECI模型的動態知識創造與轉化研究

張 鼐

(江蘇海洋大學 圖書館，江蘇 連云港 222005)

0 引言

1991年，Nonaka[1]結合日本企業的研究實踐，首次提出企業的“知識創新”。對于企業而言，知識創新是對知識的搜集、融合、轉化, 進而形成企業在特定時期所特有的新知識過程, 并將新知識與企業產品、技術、工藝相融合, 從而產生質的飛躍[2]。隨著信息技術的不斷發展，云計算、物聯網、移動互聯網等新一代信息技術的廣泛應用催生了多樣化的數據形態以及海量的數據，人類已置身于浩瀚的大數據中。在大數據時代，知識創新作為促進經濟與社會可持續發展的基礎和引擎[3]，已不是簡單的知識累計或知識再編碼，知識創新的過程、模式甚至應用領域也在隨之發生變化。

大數據中創建的知識不取決于可用數據的大小，而是取決于組織或企業中有多少數據能夠被成功地利用。當今企業擁有大量的數據資源，同時數據的復雜性和多樣性也在不斷增加。為了有效利用這些海量數據，企業必須能夠將數據轉換為適用的信息和知識，以實現知識的創造與共享，并形成為企業所需的知識資產。由此可見，在大數據背景下，企業或組織的知識創造的模式、機理正發生巨大的變化。

知識創造過程具有復雜、動態、不可預測的特點。目前，盡管知識創造的重要性已在實踐和研究中一次又一次地得到認可和強調，但對于大數據背景下知識創造與轉換的研究還較為鮮見。因此，本文在國內外相關文獻的基礎上，首先辨析大數據環境下數據、信息和知識的概念及其關聯性，然后借助SECI這一知識創新的模型引入大數據背景，分析其對企業知識創新和知識轉化的影響，并以此為基礎探究企業知識創造和知識動態轉化的支撐路徑,從而為企業充分利用大數據進行知識創造和知識轉化提供理論和實踐指導。

1 相關概念

1.1 大數據

隨著網絡技術的不斷發展，數據正在以爆炸式方式迅速增長，其大小超出了典型數據庫軟件工具捕獲、存儲、管理和分析的能力，大數據應運而生。大數據中蘊含著巨大商業價值、科學研究價值、社會管理與公共服務價值以及支撐科學決策的價值，對企業運營、政府工作、社會公眾生活等產生了革命性的影響[4]。通過大數據進行分析可以將其中的價值得以開發和利用，無論是通過交易數據來了解消費者的選擇，還是通過在線搜索行為來預測疾病的爆發，大數據分析在商業和科學領域都獲得了巨大的發展。

從知識管理的角度來看，大數據研究可以改變知識的定義。因為大數據會使得看待數據、信息和現實的方式的根本性變化，因此它可以帶來新的“知識方法”和“學習意義”。此外，社會組織對大數據編碼、分析并評估其質量以創建有用知識的能力將對管理理論和實踐產生重大影響。

1.2 知識創造與知識創新的內涵

知識創造與知識創新是知識管理的重要環節。知識創新這一概念最早由美國學者Amidon提出，認為知識創新是將具有創造性的知識應用在企業的實踐過程中并獲得新的產品以取得競爭優勢的過程[5]。Nonaka和Takeuchi[6]認為，知識創造是一種創造新知識、在組織中擴散新知識并將這些新知識融入到產品、服務和系統中去的能力。

國內外研究中沒有刻意區分知識創新與知識創造, 國外研究多用“知識創造”, 而國內用“知識創新”的較多,也有許多學者認為知識創新就是知識創造。但晏雙生[7]認為，知識創造與知識創新之間既有聯系又有區別，區別在于知識創造重點在于創造新的思想性的流程性知識的過程，而后者則是將所創造的新的思想性的流程性知識具體應用于實踐并開發生產出新產品的過程；聯系則表現在知識創造是產生新知識, 其最終目的是為了知識創新，而知識創新的產物(新產品、流程和服務)反過來也會促進知識創造。

1.3 知識轉化內涵

在知識經濟時代能否獲得競爭優勢或取得發展的關鍵在于認知主體能否有效地獲取(轉移)、吸收外部多元知識，并實現知識轉化。在大數據背景下，知識創造涉及微觀(個體)和宏觀(外部)方面。Nonaka提出經典的SECI 知識轉化模型[8]，把知識創造分為四種歷程，及社會化、外化、組合化和內在化。雖然知識轉化理論備受多數學者推崇，然而它僅考慮了組織知識內部的“自我超越”，忽視了外部有效信息的輸入[9]。Ronald和Andreas[10]的研究指出，環境驅動是創造新知識的關鍵要素和條件，即知識創造不僅需要關注不同類型的知識間的轉化，同時也要關注不同組織之間的知識擴散與轉移。

隨著研究的深入更多的學者傾向于知識轉化是一個動態過程，這個過程會受到技術發展和社會環境等多種外界因素影響[11]。大數據雖然為知識創新提供了多樣化的資源基礎，但大數據本身的壟斷特性注定了通過簡單模仿獲取大數據資源非常困難；此外，大數據的數據體量、復雜性和產生速度3個方面均大大超出了傳統的數據形態。因此在大數據環境下知識轉化主體必須要加強融合來自于多個不同來源的能力，對數字化信息的有效識別和處理，從而結合現在知識基礎進行更新和重構以實現知識創新。

2 大數據環境下動態知識創造過程模型構建

2.1 大數據背景下知識轉化動態能力

Teece等[12]提出動態能力的概念并構建了動態能力的過程、位置和路徑分析框架，認為對于企業組織而言，動態能力是指企業整合、創建、重構內外無形資產(例如知識)從而在變化多端的外部環境中(技術環境、客戶需求等)提高績效并取得競爭優勢的能力。知識形成的動態過程也是動態能力的演變過程[13]。在大數據時代，大數據不僅是一種知識資產，同時也是一種高度發展的知識分析工具，首先，利用大數據，企業能夠從外部環境中獲取高度具體且相關的可量化/結構化數據(如競爭對手的實時財務數據)以及不可量化/非結構化的機會(如客戶對社交媒體的看法和消費者對 Web 產品的點擊次數)；其次，為了成功抓住并最大限度地利用這些新發現的外部數據機會，企業必須制定“大數據戰略”。大數據的使用對于企業的發展是一個巨大的飛躍，因為該知識分析工具可以高度協作并與其他數據庫工具集成并交互，以幫助收集和同時分析來自多個數據源的情報信息，然后可以將此類數據轉換為有用的信息[14]，從而產生可能是顯性的也可能是隱性的新知識有助于推動企業的轉型，并進一步發展其知識轉化動態能力[15]。

大數據已經日益成為企業獲得競爭優勢的寶貴知識資源。因此，感知和抓住大數據機會的動態能力可以幫助企業發展變革能力，從而為知識庫(顯性知識)和員工知識基礎(隱性知識)做出貢獻。基于這個論斷，本文提出以下假設：

假設1：企業感知和掌握大數據的動態能力與知識創造的轉化能力成正比關系。

2.2 大數據背景下知識創造過程

隨著網絡技術的發展，基于SCEI模型知識創造的整個過程前后將經歷原始場(Originating Ba)、互動場(Interacting Ba)、網絡場(Cyber Ba)、實踐場(Exercising Ba)。其中，網絡場(Cyber Ba)是虛擬網絡世界中個體與群體進行交互的環境，其方式是通過信息技術將顯性知識傳遞給組織中的其他人員。對于大數據而言，網絡場提供了一個通過數據分析工具和其他通信技術利用網絡數據庫進行數據組合，已生成新形式顯性知識的平臺。

同時，實踐場(Exercising Ba)提供了個人通過虛擬媒介傳遞顯性知識以獲取隱性知識的環境。為了在虛擬網絡世界里進行有效的知識管理，內部組織人員之間以及與外部利益相關者(例如客戶)之間需要頻繁的對話互動。因此，大數據環境下的知識創造必須利用信息與通信技術把網絡場與實踐場結合起來。基于這個論斷，本文提出以下假設：

假設2a：網絡場與從大數據中創造新的顯性知識之間有著顯著的正向關系。

假設2b：實踐場與從大數據中創建個人隱性知識之間有著顯著的正向關系。

知識資產作為SECI模型組成部分，一般包括4種類型：經驗知識資產、概念性知識資產、常規性知識資產和系統知識資產。其中，系統性知識資產是由最新技術、軟件和數據庫進行系統處理的顯性知識組成。Chou等[16]研究發現，系統性知識資產能夠更好地促進通過網絡場(Cyber Ba)組合創建的知識。此外，由于組合涉及將一種形式的顯性知識處理為新形式，而系統性知識資產與網絡場的組合提供了更高的調節效果。

由于經驗性知識資產由組織成員和外部利益相關者(例如客戶和供應商)的實踐經驗形成的隱形知識組成。與系統性知識資產不同，經驗性知識資產是無形的，其任務導向是隱性的(通過重復的過程獲得知識)。Chou等[16]學者的研究也發現經驗性知識資產能夠最大程度地促進通過實踐場(Exercising Ba)進行內部交流而創造的知識。此外，由于內部交流涉及利用顯性知識來獲取隱性知識，經驗性知識資產通過重復和持續接觸，能夠對實踐場(Exercising Ba)內化知識方面提供最佳的調節作用。基于以上的論斷，本文提出以下假設：

假設3a：系統性知識資產與網絡場的聯合有助于增強大數據中顯性知識創建過程。

假設3b：經驗性知識資產與實踐場的內化有助于增強大數據中隱性知識創建過程。

基于以上觀點，本文給出了知識創造過程模型，如圖1所示。

圖1 大數據知識創造模型

3 研究模型驗證

一般而言，嚴格的定性訪談和深入的案例內容分析有助于得出有關模型適用性的驗證結果。但已有學者將定性訪談作為獲取企業組織管理層對大數據看法的一種方法[17]。因此，為了初步驗證該模型的實用性，將采用定性方法分析企業組織的領導及員工如何利用大數據，以及從中獲得的知識如何被企業中的其他部門利用。

為了對大數據及其在組織中的使用有所了解，分別與4家使用大數據的公司的兩名軟件工程師和3名業務分析經理進行了交流。這些交流對話涉及從信息技術和業務分析的角度討論大數據利用率及其相關的挑戰等主題。此外，為了檢驗研究模型中的“知識轉換”部分，還詢問了管理和數據分析團隊向組織其他成員交流知識的有關問題。通過這些交流對話，得出結論，使用大數據的公司在抓住外部客戶機會方面具有巨大的優勢。而大數據主要用于這些組織的兩個關鍵職能工作中——技術管理和業務分析。因此，以下將從兩個角度詳述并驗證大數據知識創造模型。

3.1 技術管理角度

從技術管理的角度來看，首先，用戶利用百度等搜索引擎搜索某家公司(或其競爭對手)的產品，從而生成數十億個查詢。然后，大數據軟件工程師使用機器學習算法優化這些客戶搜索，這樣當潛在客戶在線搜索產品時，搜索最多的公司產品將出現在搜索引擎列表的頂部。大量的用戶點擊數據和搜索數據對該公司很有用，因為它讓大數據工程師了解潛在客戶流量的大小和性質。然后，這些有價值的信息被傳遞給公司的各種其他職能部門，如運營、銷售和財務，這樣，可以將已被確定為高需求的產品放在整個組織的優先重點。這還包括通過數據庫、電子郵件、培訓、會議等，將新獲得的有關這些關鍵市場趨勢的知識從公司的一個職能部門轉移到其他部門。因此，從技術管理角度出發，本文提出的大數據利用模型非常適用。

3.2 業務分析角度

從業務分析角度來看，首先，大數據使公司中的數據分析團隊可以自定義和個性化用戶需求的外部數據(例如，客戶銷售或競爭對手的收入數據)或內部數據(例如，員工的人事數據)，這將彌補數據分析團隊在依賴傳統的統計數據時的不足。使用大數據，業務分析團隊可以更加有效地創建知識庫，以便為來自不同內部用戶的特定問題提供自定義的答案。例如，公司的一個銷售團隊希望知道某個地區中有多少客戶對網上銷售的特定產品表示不滿，而財務部門則希望知道如果這些不滿意的客戶購買了競爭對手的產品將導致多少的利潤損失。從業務分析功能來看，提出的利用大數據捕獲機會，并通過公司不同部門內的知識庫有效地傳播所獲取知識的模型是有效的。最后，一旦從外部環境收集到的這些新數據通過Ba平臺內部傳輸，公司的各個員工通過訪問數據庫、電子郵件、培訓會議等，就會生成新的顯性知識；而新的隱性知識則是通過使用包含顯性知識的計算機系統，以及通過與大數據工程師和數據分析師的不斷溝通而產生的。

通過與軟件工程師和業務分析經理的談話為這個模型提供了初步的驗證。這些發現為今后采用定性或定量方法進行嚴格的實證檢驗提供了途徑。

4 結論及啟示

4.1 研究結論

隨著信息技術和經濟的發展，大數據的激增是不可避免的。為了有效地利用不斷產生的海量數據，管理者面臨著將數據轉換成有用信息的艱巨任務。一個完善的知識創造框架可以幫助管理者和研究者理解和掌握將大數據轉化為顯性和隱性知識的過程。因此，本文在知識管理文獻中的相關研究成果基礎上，提供一個理論上可行的總體框架，目的是關注現象，而不是結構或變量，并著重介紹了知識生成框架在大數據中的應用，以期從中獲取可操作的知識。該動態知識創造模型框架涵蓋了從數據到信息到最終生成知識庫和經驗理解的流程，然后員工和管理人員都可以使用這兩種方法來更好地進行決策。

4.2 動態知識創造模型的創新之處

相對于已有的研究成果，本文的動態知識創造模型具有理論與實踐的創新之處。首先，它擴展了目前關于知識管理的研究范圍，以納入數據分析的各個方面。雖然目前已有學者將知識管理與其他領域(如組織學習、創新、組織戰略等)一起進行了研究，但在這些研究在數據分析中的相關性卻相當有限。然而，正如Sumbal[18]和O'Connor等[19]學者所提出的那樣，大數據在知識管理中的應用已經越來越受到管理研究的重視，應該鼓勵多學科和跨部門的研究(例如在戰略研究、人力資源管理或市場營銷研究數據)，因為它們有助于了解當今技術世界中出現的各種機會和復雜的組織問題。本文的模型通過使用知識創造過程的既定框架，利用管理理論來了解大數據對組織的影響；其次，在實踐方面，圍繞技術系統進行治理的新趨勢是讓企業領導者執行大多數決策。企業不僅可以利用大數據來提高運營和財務績效，還可以通過增加學習，提高客戶和員工的績效。而本文提出的框架既簡單又實用，適用于任何希望投資大數據技術以通過改善員工學習來增強其客戶關系的組織。