“兩業”融合背景下大數據何以驅動產品與服務質量雙提升：海爾案例

摘 要：數據要素與傳統生產要素相結合，催生了數據驅動型生產方式，推動了制造業與服務業的深度融合。在此背景下，大數據驅動企業產品與服務質量實現了雙提升。采取縱向單案例研究方法，以海爾集團作為案例企業，以戰略匹配理論為理論基礎，通過考察企業資源基礎和動態能力的變化，探究了“兩業”融合背景下大數據驅動企業產品與服務質量雙提升的內在機理。研究發現：（1）數據驅動海爾集團產品與服務質量雙提升，經歷了消費互聯網階段、生產數據化階段和產業互聯網階段，此三個階段分別對應著產品與服務質量分離式雙提升、嵌入式雙提升和融合式雙提升。（2）在產品與服務質量分離式雙提升階段，海爾集團采取了敏捷響應戰略，在此戰略框架下，通過點連式資源拼湊和個性化定制能力推動了海爾集團產品與服務質量分離式雙提升。（3）在產品與服務質量嵌入式雙提升階段，海爾集團采取了智能化戰略，在此戰略框架下，通過匯面式資源編排和智能定制能力推動了海爾集團產品與服務質量嵌入式雙提升。（4）在產品與服務質量融合式雙提升階段，海爾集團采取了生態化戰略，在此戰略框架下，通過網絡式資源協奏和生態賦能能力推動了海爾集團產品與服務質量融合式雙提升。研究結論豐富了戰略匹配理論和動態能力理論的作用邊界和適用情景，對制造業企業提升產品與服務質量具有一定的實踐指導意義。

關鍵詞：“兩業”融合;大數據驅動;產品與服務質量;案例研究

一、引言與文獻綜述

2023年，國家數據局等17部門聯合印發的《“數據要素×”三年行動計劃（2024—2026年）》（下文簡稱“行動計劃”）指出，要充分激活數據潛能，促進數據多場景應用、多主體復用，培育基于數據要素的新產品和新服務，實現知識擴散、價值倍增。隨著數字技術被廣泛應用于各類場景中，智能移動終端、在線社群、數字工廠等生產消費端產生的高維多頻、非結構化、實時反饋、高速海量數據正日益成為重要的現實生產要素，加之5G通信、工業操作系統等數字基礎設施不斷完善，數據作為現實生產要素逐漸參與到企業價值創造過程中（史丹、孫光林，2022; Wei 等，2024），并成為競爭優勢的重要來源。企業的核心目標是通過為消費者提供產品與服務創造價值，因此作為最終產出的兩種基本形態，產品與服務是企業競爭優勢的載體。能否為消費者提供高質量的、差異化的產品與服務，是提升消費者黏性和產品忠誠度、擴大市場占有率的關鍵。數字經濟時代，數據作為新型生產要素不僅加速了先進制造業與現代服務業的融合（下文簡稱“兩業”融合），而且在微觀層面影響了企業的生產組織流程和管理決策范式（George 等，2014; 邢新朋等，2023），并提升了產品與服務的質量。本文的研究問題是：在“兩業”融合持續深化的背景下，企業如何借由大數據實現產品與服務質量的提升？其內在機理是什么？厘清這一問題，不僅可以豐富相關理論的作用邊界、拓展其應用情景，而且有助于理解大數據驅動產品與服務質量提升的內在機理，同時對我國企業實現高質量發展具有一定的現實指導意義。

對于如何激發并發揮數據要素的價值，學術界已經展開了廣泛且深入的討論，相關研究集中在以下兩個方q4iWCbT/mPgfKJchvcPgxRxK4i8wEvnitCrBUFvO+pM=面：（1）大數據與數據驅動型生產方式。第一，大數據的概念與特征。Sagiroglu和Sinanc（2013）較早提出了大數據（Big Data）的概念，指出大數據是由在線交易、視頻媒體、圖片、搜索請求等人類行為產生的大規模多源異構數據集（Bihl等，2016; Jensen等，2023）。從這一定義來看，大數據本質上是對物理世界狀態的真實反映，物理空間狀態和人類行為可以通過0-1二進制的形式被數據化，并被存儲到云端（洪永淼、汪壽陽，2021）。從資源基礎觀的角度來看，大數據是一種具有潛在價值的異質性資源（Wang等，2024）。部分學者從能力觀的視角界定了大數據的概念，認為大數據是一種能力，體量巨大、具有復雜結構的數據集合難以通過傳統的數據處理方式進行存儲、傳輸、分析和可視化，需要具備相應的大數據能力才能將其轉化為有用的信息和知識（Das等，2013; Xie等，2023）。大數據具有Volume（數據量大）、Velocity（數據處理速度快）、Variety（數據多樣性）和Value（數據價值）等特征（Chen等，2014; Nani等，2023）。徐宗本等（2014）指出，數據的無邊界分布、動態演變、多模態復雜關聯和網絡化傳播是大數據的基本特征。陳國青等（2018）認為，大數據驅動了企業管理決策范式轉變，粒度縮放、跨界關聯和全局視圖是大數據問題的基本特征。第二，數據驅動型生產方式。數據驅動型生產方式的核心在于數據與傳統生產要素相結合，參與企業生產管理，實現向信息和知識的價值轉化（Wang等，2016; Jones和Tonetti，2020;謝康等，2020）。然而，純粹的數據本身是低價值密度的，洞察和挖掘數據背后所隱含的因果邏輯關系才能激活數據價值。Tao等（2018）分析了大數據與制造業之間的關系，指出大數據是一種資源稟賦，企業通過數據收集、存儲、處理、可視化與應用，形成了智能制造能力，從而實現價值創造。孫新波等（2020）指出，數據驅動型生產方式的核心在于通過提升企業的連接能力、數據分析能力和信息運用能力促進企業的價值共創。蔡繼明等（2022）在廣義價值論的均衡分析框架下分析了數據參與價值創造的途徑，指出數據的初始存量、前期收集處理數據所投入的勞動、當期在收集處理數據所投入的勞動以及數據要素的正外部性，是數據要素推動企業綜合生產力提升的主要途徑。（2）數據要素與企業競爭優勢。陳國青等（2020）指出，大數據顛覆了企業的傳統生產組織方式，不僅催生了基于大數據的決策范式，而且激發了企業在行為洞察、風險預見和業務模式等方面的創新。Nobanee（2020）認為，以數據要素為核心的生產組織方式可以幫助企業在動態競爭環境中獲取競爭優勢。部分學者基于資源基礎觀和動態能力理論討論了數據要素與企業競爭優勢之間的關系（Dubey等，2019; Shan等，2019）。數據要素的可供性、可延展性和邊際復制成本為零等特征，使其成為戰略要素市場上的非交易性資源和企業的操作性資源，從而構成企業的核心競爭能力（Madhavaram和Hunt，2008）。由于單純的數據要素并不具備價值，企業必須具有將數據轉化為知識和價值的能力。其中，機會感知能力（焦豪等，2021）、大數據能力（馬鴻佳等，2023）、資源整合能力（周翔等，2023）、組織重構與組織慣例更新能力（馬鴻佳、王亞婧，2024）等動態能力，是數據要素賦能企業在復雜動蕩環境中獲取競爭優勢的核心能力。

綜上所述，現有研究討論了大數據的概念特征以及數據要素與企業競爭優勢之間的關系，為本研究提供了重要啟發。然而學者更多的是將研究焦點聚焦在企業如何獲取和利用大數據，側重數據要素對企業資源基礎和資源稟賦的修改、動態能力的建構以及組織慣例和流程的改變，側重大數據對企業運營的影響，忽視了大數據對企業最終產出——產品與服務的影響。產品和服務作為企業提升市場占有率、獲取競爭優勢的基本載體，其質量的動態變化與大數據密切相關。因此，探討大數據如何影響產品與服務的質量顯得尤為重要。基于此，本研究嘗試從企業運營管理的微觀視角，探究大數據驅動企業產品與服務質量提升的內在機理。

本文的邊際貢獻在于：第一，延展了“兩業”融合的內涵，從微觀層面解析了大數據推動產品與服務融合的機理。從產業結構變動的角度來看，“兩業”融合推動了制造業與服務業之間邊界的消融（田洪剛等，2023）。從企業層面來看，這實際上主要涉及制造業的服務化問題。在這一過程中，企業產品與服務的質量也在不斷提升。本文進一步從企業戰略導向、資源基礎和能力建構等微觀視角，探討了大數據如何提升企業產品與服務質量，解析了其內在機理。第二，拓展了戰略匹配理論的作用邊界，豐富了理論的應用情景。戰略匹配理論強調了企業所處外部環境的動態競爭性（Girod和Whittington，2017）。本文將大數據帶來的外部環境的變動納入分析范疇，認為在“兩業”融合持續深化的背景下，企業所處的外部環境越來越具有模糊性，尤其是新技術的應用導致的不確定性影響了企業競爭優勢（Teece，2017; Tao等，2018）。

二、理論分析

（一）戰略匹配理論與動態競爭環境

戰略匹配理論強調，在動態競爭環境中企業必須選擇與自身資源與能力相匹配的戰略，以應對外部動蕩環境的變化對企業績效造成的潛在威脅（Girod和Whittington，2017）。戰略匹配理論認為，環境對組織戰略的選擇具有決定性作用，企業與環境的交互會形塑其戰略導向，進而影響組織行為（Nicolini和Mengis，2024）。數字經濟時代，以生成式人工智能、云計算、區塊鏈、數字孿生等為代表的新一代信息通信技術深度嵌入到生產消費端，推動了產業邊界消融、行業間泛在連接與企業生產可能性邊界拓展。從技術創新視角來看，顛覆式創新不斷催生出新產業、新業態、新模式，在改變市場競爭結構、顛覆傳統產業發展形態的同時，也加劇了市場環境的動蕩性。消費者需求的多樣性、異質性也對企業傳統管理決策范式、生產組織方式提出了新的挑戰。“環境—戰略—績效”分析框架認為，為應對競爭環境動蕩性、不確定性和模糊性對經營績效帶來的潛在威脅，企業必須采取適應性變革的方式主動應對外部環境的動態變化，制定與外部環境相匹配的組織戰略，根據組織戰略進行資源分配和能力建設，從而提升企業績效（王新成等，2021）。

（二）“兩業”融合、資源基礎與企業動態能力

從產業結構的變動來看，數字技術的應用打破了傳統產業邊界、顛覆了分工與合作形態，推動了先進制造業與現代服務業的深度融合（田洪剛等，2023）。“兩業”融合屬于產業層面的概念范疇，企業構成產業的基礎，產業層面的問題要落實到企業層面來回答。從微觀層面來看，“兩業”融合表現為制造業服務化或服務型制造。這意味著企業需要制定服務化戰略，從產品主導邏輯向服務主導邏輯轉變，將消費者納入價值創造過程中，根據消費者提出的價值主張，提供個性化的產品與服務（武文珍、陳啟杰，2012）。數字經濟時代，制造業企業的服務化與數字化密切相關，服務化內涵于數字化過程中。能夠為消費者提供差異化的服務是企業獲取競爭優勢的核心，這需要企業修改資源基礎和動態能力。從資源基礎來看，掌握消費者數據和生產數據，實現數據間協同分析，構成了數字經濟時代企業的關鍵資源基礎，甚至擁有更優的、更完善的算力和算法也成為企業獲取競爭優勢的核心資源。數字經濟以互聯網平臺為核心，To C端的消費互聯網平臺和To B端的工業互聯網平臺，具有資源聚合和功能集成的屬性。資源可以轉化為能力，在制造業企業服務化轉型過程中，以售后服務等為主要形態的服務模式，難以滿足消費者多元化的需求。因此，企業需要借助數字技術實現對消費者需求的即時反饋、產品功能和形態的即時調整，這實際上是對組織以往慣例的顛覆。

（三）大數據驅動、生產組織方式和產品與服務質量提升

大數據驅動產品與服務質量提升，其核心在于通過對數據的收集、存儲、整合與分析，發現和洞察數據背后隱含的因果邏輯關系，推動數據要素嵌入到企業決策與生產過程中，從而激發數據要素價值（徐翔等，2023）。從企業運營管理的微觀視角來看，大數據驅動產品與服務質量提升主要有兩條途徑，分別是決策范式改變和生產流程優化。

第一，決策范式改變。戰略匹配理論強調了企業所處環境的復雜性和動態性，在動態變化情境下，權變理論進一步從管理者認知角度，分析了管理者與外部環境的互動如何影響組織戰略，認為管理者對外部環境的認知會影響其決策，從而決定企業戰略導向。以往依賴管理者主觀經驗和基于有限理性的決策方式，由于信息的不完備可能會造成決策偏誤，影響產品與服務質量。大數據催生了基于數據的決策范式，企業可以基于大數據對上游供應商和下游消費者群體進行精準“畫像”，根據消費者的數據痕跡進行動態定價，制定最優庫存管理決策，甚至可以通過非對稱價格策略和動態定價策略為消費者提供最優價格選擇。生產所需原材料能夠以最優價格和數量購入，從而降低交易成本和冗余庫存。通過對消費者個性化、異質性需求進行精準刻畫，甚至通過大數據創造需求，企業可以針對這些需求進行個性化定制。數據驅動的、基于服務主導邏輯的決策范式，不僅可以提升企業產品質量、提高庫存周轉率，而且以消費者價值主張作為決策信號，可以為用戶提供高質量的服務。

第二，生產流程優化。大數據可以實現對生產過程的實時優化，通過攝像頭、傳感器、可穿戴設備等物理設施，將收集的大規模多模態數據進行協同分析，以可視化的方式對產品生產過程進行實時監測，在優化生產過程的同時，大幅提升產品的良品率。大數據的價值不僅在于對以往經驗的回溯，更在于對未來的預測。IoT（Internet of Things，物聯網）的應用拓展了數據的來源，萬物互聯增強了數據之間的協同性和泛在連接。通過分布式數據挖掘，大數據可以精準刻畫消費者偏好、購買習慣和需求核心，通過云計算、邊緣計算等算法對消費者數據進行深入挖掘，為消費者提供一體化解決方案。消費者參與價值創造過程的程度，在一定程度決定了企業所提供的產品與服務質量。消費者越深度參與價值創造過程，越有可能提出明確的價值主張，這些價值主張作為企業決策與生產的信號，可以通過數據分析處理變為現實生產要素嵌入到企業生產過程中，從而提升產品與服務質量。

三、研究設計

（一）研究方法

本研究聚焦于大數據驅動制造業企業實現產品與服務質量雙提升的機理與路徑研究，屬于“How”的范疇。因此，適合通過案例研究方法回答其實現路徑與機理（Yin，1989）。單案例研究可以通過理順案例企業發展過程中出現的關鍵事件，通過對訪談資料和二手數據的歸納、總結，涌現出新的理論構念，形成對參照理論的補充和拓展。

（二）案例企業選擇與發展階段

案例選擇需要滿足理論抽樣原則（Eisenhardt，1989）。同時，案例企業的選擇需要具備典型性和啟示性。（1）在典型性方面，海爾集團作為實體經濟的代表，持續進行數字化和服務化轉型，致力于為消費者提供一體化解決方案，相繼打造了以三翼鳥等為代表的高端品牌，其產品與服務質量得到了消費者的廣泛認可。（2）在啟示性方面，海爾集團借助大數據的驅動效應推動產品與服務質量雙提升的現實實踐，不僅對于豐富和延展“兩業”融合相關研究、豐富戰略匹配理論和動態能力理論的應用邊界具有理論意義，而且對于其他制造業企業實現產品與服務質量提升，具有重要的實踐啟示。

案例企業簡介。海爾集團創立于1984年，迄今已有40余年的發展歷史。海爾集團最早屬于一家傳統的白色家電制造商，在經過名牌戰略階段、多元化戰略階段、國際化戰略階段、全球化品牌戰略階段、網絡化戰略階段和生態品牌戰略等戰略轉型后，逐步成長為美好生活和數字化轉型解決方案服務商。海爾集團旗下擁有海爾、卡薩帝等全球化高端品牌，打造了COSMOPlat工業互聯網平臺和大健康產業生態盈康一生。

互聯網技術是數字技術的基礎，數字經濟的演變包含了從信息互聯網到消費互聯網，再到產業互聯網的發展過程。結合前文理論分析，本文將大數據驅動海爾集團產品與服務質量雙提升劃分為三個階段，分別是：（1） To C端的消費互聯網階段（2005-2012年）。此階段，互聯網技術倒逼海爾集團圍繞商業模式變革進行了組織架構和價值創造模式的重塑，并影響了產品和服務質量。（2）生產數據化階段（2012-2016年）。此階段，服務要素開始嵌入到集團的產品生產過程中，通過應用數字技術，海爾集團在提升產品質量的同_{yMrSJbeaLc50bfvy2Rm3vQdmBjk1Ku2N3v9BWq5J760=}時，根據消費者需求進行個性化定制。（3）To B端的產業互聯網階段（2016年至今）。此階段，工業互聯網平臺推動數據要素深度參與到集團的管理決策與生產流程中，產品與服務之間的界限開始消融，呈現為產品即服務、服務即產品的融合形態。

（三）數據收集與分析

本研究收據收集分為三個階段。第一階段，通過知網、萬方獲取學術研究文獻，并聯系企業管理人員獲得內部會議、檔案文件，從公開渠道整理集團高管團隊的演講與相關報道。同時，聯系企業內部人員獲取集團發展過程中的檔案文件、會議紀要，作為研究的重要參考資料。第二階段，采用電話訪談、焦點訪談等方式獲取一手資料，對海爾集團的中層管理人員及基層員工進行深度訪談，初步厘清海爾集團發展歷程中的關鍵事件。第三階段，將研究問題進一步凝練聚焦，針對細化后的研究問題，對海爾集團部分部門負責人進行訪談。數據的編碼過程聚焦在大數據驅動海爾集團實現產品-服務質量雙提升的路徑及機理過程（詳見表1）。數據資料收集及編碼方式詳見表1。

四、案例分析與研究發現

通過對案例企業訪談資料和二手資料的分析，并與相關理論進行對話，本研究認為，大數據驅動海爾集團產品與服務質量雙提升分為三個階段，分別是以“數據+商業模式”為核心的消費互聯網階段、以“數據+生產制造”為核心的生產數據化階段、以“數據+生態賦能”為核心的產業互聯網階段。下文將從企業管理決策范式和生產流程兩方面，具體分析大數據驅動企業產品與服務質量提升的內在機理。

（一）“數據+商業模式”：消費互聯網階段

第Ⅰ階段為以“數據+商業模式”為核心的消費互聯網階段。在“兩業”融合的早期階段，信息化與工業化融合（“兩化”融合）催生了面向消費（C）端的互聯網平臺，改變了消費者的購買習慣和行為偏好。消費者產生的消費數據被存儲在互聯網平臺上，例如消費者對商品的評價可以影響產品銷量，因此成為企業管理決策、產品生產和服務提供的重要決策依據。互聯網技術使企業可以更便捷地收集、分析和利用消費者數據，從而有針對性地提升產品與服務質量。此階段，張瑞敏主席基于互聯網思維提出了“人單合一”商業模式，顛覆了集團以產品為導向的價值創造方式，將員工價值主張與消費者價值主張進行深度綁定，員工直接面對消費者，以消費者需求為核心進行產品生產、服務提供（S2），從而實現了向以用戶為中心的商業模式轉變。圍繞互聯網時代企業商業模式變革和主導邏輯變化，海爾集團將用戶對產品功能、質量、售后維保、物流配送以及安裝服務等評價所形成的數據，作為集團提升產品與服務質量的關鍵數據基礎（FH2）。為應對互聯網技術帶來的市場環境的變化，以及對消費者需求進行敏捷響應，海爾集團對商業模式和組織架構進行了重塑、調整，形成了敏捷響應戰略。為匹配敏捷響應戰略，海爾集團將傳統的金字塔式組織結構推倒、重塑，建立了“倒三角”式組織架構，從而將集團變革成為平臺型企業（S1），從而使集團更加富有韌性。海爾集團內部成立了眾多小微組織，通過內部創業機制鼓勵員工進行創新創業，培養員工的企業家精神。由于小微組織以及其他創客具備強烈的創業屬性，因此在資源有限的條件下，往往會在捕捉到市場需求時，采用手邊資源和即興行動完成資源的獲取、整合和利用，這實際上是一種以點連式資源拼湊策略為核心的資源管理行為。通過點連式資源拼湊策略，資源被進一步轉化為海爾集團的個性化定制能力，以消費者數據為核心，為用戶提供高質量的、個性化的產品與服務。

管理決策與生產流程。在管理決策范式方面，由于管理者難以掌握決策所需要的所有信息，因此傳統情境下的決策范式主要依賴管理者的主觀經驗。而互聯網技術具有去中心化特征，消費互聯網平臺在一定程度上緩解了供需之間的信息不對稱問題。集團可以利用互聯網技術和消費互聯網平臺，收集和分析消費者對產品功能、質量與服務的反饋數據。此外，線上交易平臺可以實時統計消費者對產品與服務的購買數量，從而發現哪一類產品和服務最受消費者喜愛。集團還可以通過線上調研及時獲取消費者對產品與服務的使用體驗和態度。通過對這些結構化和非結構化數據進行分析統計，可以在一定程度上刻畫消費者的消費偏好，從而為集團改進和提升產品與服務質量提供重要的決策依據（S1）。在生產流程優化方面，互聯網時代，消費者需求呈現出多元化、離散化等特點，傳統工業化大生產難以滿足消費者的個性化需求。海爾集團借助信息技術，對產品設計和生產體系進行了重塑，通過模塊化生產的方式為消費者提供定制化的、高質量的產品。實際上，這與海爾集團“人單合一”商業模式的理念密不可分。在“人單合一”商業模式下，員工直面消費者獲取用戶數據，主動尋求并發現消費者價值主張，并在此基礎上進行產品生產、服務提供。從供需視角來看，海爾集團借助互聯網技術的賦能效應，通過收集、分析和利用消費者數據，整合了互聯網時代個性化的消費者需求以及碎片化的營銷服務，形成了以消費者數據為基礎的“即需即供”模式。在服務主導邏輯下，集團改進了產品與服務的質量，獲得了消費者認可。在這一過程中，消費者也從價值分配的被動接受者，成為企業價值創造過程中的主體之一。但需要注意的是，此階段，產品與服務是兩個獨立的模塊，因此兩者質量的提升是非同步的。

（二）“數據+生產制造”：生產數據化階段

第Ⅱ階段為以“數據+生產制造”為核心的生產數據化階段。這一階段，實際上是數據反哺集團業務的階段。此階段，服務不再是與產品相分離的單獨模塊，服務要素開始向生產制造過程滲透，服務要素的投入對產出的邊際貢獻上升。在此背景下，海爾集團制定了智能化戰略，通過將數據要素嵌入到管理決策和生產流程中，重塑了集團業務形態。大數據不僅改變了企業資源基礎，也影響了企業資源獲取、整合的方式。首先，用戶的行為數據和生產過程產生的數據成為海爾集團產品與服務創新的核心資源之一。其次，通過吸納外部資源建立生態資源網絡，整合跨組織邊界的大學、科研機構、創新平臺等觸點網絡，實現對外部資源的整合和利用（S1）。本文將其歸納為海爾集團的匯面式資源編排管理行為。最后，海爾集團將生態網絡資源轉化為智能定制能力，通過柔性化制造實現產品與服務質量的嵌入式提升。

管理決策與生產流程。在大數據驅動作用下，管理決策不再依靠管理者的直覺和有限理性，算法和數據成為集團理性決策的基礎，以生產過程和消費者產生的大規模多源異構數據為基礎進行自決策、自優化（S2）。互聯工廠的核心，在于實現消費者與工廠、工廠內部各個生產環節，以及信息之間的互聯協同。海爾集團通過搭建用戶交互定制平臺和模塊商資源平臺，實現與消費者的持續動態交互，通過信息流動的閉環進行自決策，從而實現對消費者需求的即時響應（S1）。此時，數據收集和存儲設施越來越完善，云計算、邊緣計算等數據分析技術不斷成熟，通過數據間的協同互聯，可以實施動態最優定價，生產所需的原材料能夠以最優價格和數量購入。這些決策不再依賴于集團管理者的主觀經驗，或者前期市場調研，而是以大規模多模態的數據為基礎進行決策。在生產流程方面，通過對傳統生產線進行數字化改造，實時收集生產過程中產生的數據，海爾集團互聯工廠不僅實現了對生產過程的實時監測，而且實現了產品功能、形態和質量的即時調整。“信息技術、數字技術，包括未來的數字孿生，還有一些視覺檢測技術，能替代人的一些勞動與決策，提升整個良品率”（FH1）。此外，工廠可以通過智能終端直連消費者，“用戶基于自己的需求可以直接向工廠下單，釋放他的需求。獲取用戶的需求之后，在產業鏈上的各個環節，針對用戶的需求，把這個產品打造出來”（FH1）。這實際上是針對消費者異質性需求，以模塊化生產方式為核心的大規模個性化定制。模塊化是海爾集團大規模定制化生產得以實現的基礎，包括產品的模塊化、制造的模塊化、采購的模塊化等，其本質上是生產資源的集成和生產方式的延展。通過對生產過程和消費者數據的協同分析，可以在保證產品質量的同時，實現對消費者需求的無延遲響應。在此過程中，服務要素開始向生產制造過程滲透，服務與產品的耦合使“服務”不再是獨立于產品之外的形態。向用戶提供“產品+服務+知識”的融合包成為海爾集團產品服務質量嵌入式雙提升的主要標志（FH1）。

（三）“數據+生態賦能”：產業互聯網階段

第Ⅲ階段為以“數據+生態賦能”為核心的產業互聯網階段。此階段，消費互聯網與工業互聯網成為數字經濟的主要支撐，服務增值和數據驅動互為因果，產品與服務之間的邊界不再“涇渭分明”，呈現出產品即服務和服務即產品的融合發展形態。數據要素與傳統生產要素相結合，尤其是與勞動和技術要素的結合，在改變市場結構的同時，加速了制造業與服務業之間邊界的融合。為應對外部環境不確定性帶來的潛在風險，海爾集團制定了生態化戰略，通過建立跨行業、跨領域的通用型工業互聯網平臺，打造了以用戶需求為核心的產業生態圈，確立集團在產業生態圈中的核心資源生態位，吸納不同參與者實現價值共創。不同行動者（Actor）之間擁有互補性資源，這些多元生態主體以卡奧斯工業互聯網平臺為載體，建立起非線性的泛在鏈接關系，從而實現多元行動者之間的價值共創和協同演化。工業互聯網平臺具有資源聚合和功能集成屬性，因此需求方可以在卡奧斯平臺上實現“動態尋優”資源配置。卡奧斯將獨立開發者、供應商、消費者等整合、凝聚為多主體協同參與的生態系統，通過網絡式資源協奏管理行為，實現了以互補依賴關系為基礎的生態賦能能力。

管理決策與生產流程。從決策范式上來看，大模型與卷積神經網絡等算法突破了信息不完備和有限理性可能帶來的決策偏差，并將以往人工積累的經驗通過大數據進行優化，使得以數據為基礎的決策范式成為集團決策的基礎。隨著5G通信基礎設施持續完善和數據存儲能力不斷提升，加之不斷優化的算法、算力，生成式人工智能、數字孿生可以將現實物理世界通過數字化方式映射到云空間，管理者可以依據自迭代的場景進行決策。例如，海爾集團通過建立供應商大數據管理平臺，對供應商進行精準“畫像”，將供應商的原材料質量數據、成本指數、產品屬性、可靠性、歷史訂單、風險數據、連接數據、供應商狀態等關鍵信息整合到大數據管理平臺，并與企業基礎原料數據庫中生產制造所需的原料成分、市場價格進行精準匹配，通過算法模型篩選出最優供應商和原材料配比方案，進而實現交易成本的最小化。從生產流程來看，卡奧斯工業互聯網平臺構成了海爾集團數字化轉型的底層技術架構，其對海爾集團制造體系和服務體系的優化，提升了集團產品的質量，甚至整個智能制造體系都可以受益于卡奧斯工業互聯網平臺（FH1）。同時，卡奧斯的BaaS層可以結合行業和需求方的個性化需求，結合生成式人工智能、區塊鏈、數字孿生等新一代信息通信技術，既為消費者提供高質量的有形物理產品，也為用戶提供全生命周期的一體化解決方案（產品）。“COSMOPlat……還通過數字化手段開創了大規模定制模式：既面向用戶，又面向企業。這種模式讓生產線上的產品在生產之前就可以擁有姓名：用戶可以通過系統定制自己需要的產品，而企業在生產過程中也能更加了解用戶的真實需求”（S1）。在產業生態系統情境下，企業為消費者創造價值越來越依靠其所在的生態系統。卡奧斯平臺上入駐了大量工業APP開發者，與卡奧斯形成了功能上的互補依賴關系。平臺開發者可以調用BaaS層的工業基礎知識進行軟硬件的開發（FH1），從而互補者可以依賴卡奧斯平臺實現價值共創，卡奧斯則將平臺上的APP開發者視為生態合作伙伴，從而獲取互補性資源以及平臺功能的優化。作為交易平臺，卡奧斯工業互聯網平臺形成了用戶與資源、用戶與企業、企業與資源的三個雙邊交易市場（S1）。

（四）進一步討論

產品與服務是企業滿足消費者需求、獲取競爭優勢的基本載體，也是組織戰略的具體顯現。產品與服務質量的提升是不同戰略導向下企業技術創新的結果。大數據作為現實生產要素，其參與價值創造的路徑也內含了企業產品與服務質量提升的基本邏輯。由于產業邊界的消融、消費者需求的多樣化和消費偏好的改變，原有的資源基礎和組織能力難以使企業在高競爭環境中獲取競爭優勢。根據戰略匹配理論，這需要企業借助互聯網技術和數字技術等現代信息技術，制定相應的組織戰略，修改資源基礎、重構并配置內外部資源，建設新的組織能力，以感知威脅、抓住機會、重構組織內外部資源（Teece，2017; 李曉鐘和李蓉，2023），提升產品與服務質量。互聯網技術和數字技術推動了企業產品與服務質量的動態變化，其核心本質在于對海量數據背后所隱含洞見的挖掘，以及數字技術對復雜世界中現實問題所蘊含的因果性的探查（陳冬梅等，2020）。大數據參與企業價值創造、推動產品與服務質量提升的過程，也是數據被有效轉化為信息和知識，并與土地、資本、勞動和技術等傳統生產要素相結合，從而激活并發揮其價值的過程（Wang 等，2016）。大數據可以打破由于信息不完備、管理者有限理性和認知局限帶來的決策偏差，且由于數據復制和使用的邊際成本接近為零，因此可以突破傳統生產要素的束縛和增長極限，打破傳統生產模式下的規模報酬遞減規律，從而為企業創造價值，帶來競爭優勢。

大數據驅動企業產品服務質量雙提升，是一個動態變化的過程。在不同戰略導向下，互聯網技術和數字技術參與企業管理決策與生產過程，導致了企業資源基礎的改變和動態能力的建構（Yeow 等，2018），最終提升了企業產品與服務的質量。本文的研究結論說明，大數據驅動企業產品服務質量雙提升，經歷了從“分離式雙提升—嵌入式雙提升—融合式雙提升”的發展過程。在以“數據+商業模式”為核心的消費互聯網階段，產品與服務是兩個相對獨立的模塊，兩者之間的界限相對明確。在互聯網技術的推動下，企業更加突出內部創業導向，在此情境下，通過對手邊資源的利用和即興行動形成個性化定制能力，優化消費者體驗，在提升產品質量的同時，通過為消費者提供個性化的、精準的服務提升企業服務質量。在以“數據+生產制造”為核心的生產數據化階段，產品與服務之間形成了松散耦合狀態，兩者之間的界限開始消融。服務要素開始向生產制造環節延伸、嵌入，為消費者提供的個性化服務體現在產品中。此階段，物理設備和軟件系統深度結合，使得數據要素參與到企業價值創造的過程中。由于消費者需求的多樣化，企業必須通過模塊化生產實現大規模個性化定制。在大數據驅動下，企業突破了內部創業情景，通過聚合內外部資源形成了匯面式資源編排行動策略，并將其轉化為智能定制能力。由于消費者可以與企業實現動態實時交互，需求能夠直達工廠，因此可以根據消費者的即時反饋實現對產品功能和形態的即時調整。在以“數據+生態賦能”為核心的產業互聯網階段，產品與服務相互融合，催生了服務即產品和產品即服務兩種形態。以大數據為基礎涌現出的數字平臺生態系統，凸顯了產業生態圈中多元參與主體價值共創的特征。工業互聯網平臺作為功能性平臺，形成了跨越組織邊界的資源池（Resource Pool），而其中擁有戰略一致性和身份認同感的行動者之間更容易形成價值互補依賴關系（Ceccagnoli等，2012）。

五、結論與貢獻

（一）研究結論

本研究以海爾集團作為案例企業，借助戰略匹配理論以及組織資源基礎和動態能力的演變，探討了“兩業”融合背景下，大數據推動企業產品與服務質量雙提升的內在機理。本文的結論如下：

第一，制造業與服務業的融合，催生了一系列新產業、新業態、新模式。大數據作為現實生產要素可以驅動企業產品與服務質量的雙提升，這個過程本質上是數字化的信息和知識轉化為現實生產要素，并與技術和勞動等要素相結合，從而激活并發揮其價值的過程。通過強化算力和算法，將消費端和生產端產生的多源異構數據集有效轉化為信息和知識，發現和挖掘數據背后隱含的因果邏輯關系，發揮大數據的乘數效應、倍增效應和疊加效應，是大數據參與企業價值創造、提升產品與服務質量的關鍵。

第二，數字技術催生了共享經濟，這種新的經濟形態以數據要素為核心，以消費互聯網和工業互聯網為支撐，驅動了企業產品與服務質量的雙提升。產品與服務相分離的分離式雙提升、服務要素嵌入產品的嵌入式雙提升以及產品與服務要素融合的融合式雙提升，是數據驅動企業產業與服務質量提升的主要形態。在不同的戰略導向下，大數據通過修改企業的資源基礎、激發動態能力建構，顛覆組織慣例、商業模式、決策方式、生產流程，從而在微觀層面提升企業產品與服務質量。

第三，大數據可以修改企業的資源基礎，不同的資源基礎會轉變企業相應的組織能力。在向平臺型企業的轉型過程中，由于組織內部創業導向情景更加突出，更加強調對手邊資源的利用和即興行動，通過點連式資源拼湊管理行為建立組織的個性化定制能力。在智能制造階段，大數據通過優化改變資源聚合和信息互聯的方式，驅動企業建立起匯面式資源編排管理行為，并將其轉化為智能制造能力。工業互聯網平臺改變了企業之間的競合關系，并催生了以互補依賴關系為基礎的價值創造方式。占據資源核心生態位的企業通過網絡式資源協奏管理行為建立起生態賦能能力。

（二）對策建議

第一，企業管理者要深刻認識到數字化轉型的必要性。作為企業的最終產出，同時也是競爭優勢的基本載體，產品與服務質量的提升是提升消費者忠誠度，拓展市場占有率的關鍵。而產品與服務質量的提升，離不開技術創新的驅動。數字經濟時代，大數據已經成為重要的生產要素，其對于企業傳統管理決策與生產流程的顛覆，是提升產品與服務質量的關鍵。企業要深刻認識到數字化轉型的必要性和緊迫性，從組織架構變革、生產流程與管理決策創新方面打破組織慣性、核心剛性，實現柔性制造、智能制造，提升產品與服務質量。

第二，在資源獲取與形成方面，企業要加大數字技術研發投入，圍繞數據獲取、數據分析和數據存儲協同發力，形成具備核心競爭優勢的數字資源。為突破資源、能力、技術和知識的局限性，企業也可以選擇引入外部資源，通過加入焦點企業或行業領軍企業構建的產業生態網絡，實現自身的依附式升級。

第三，政府要加大數字基礎設施投入力度，加快發展通用型和專用型工業互聯網平臺。政府要鼓勵傳統制造業企業采取新一代數字信息技術，對管理決策范式和生產流程進行數字化改造，鼓勵企業打造新的商業模式和價值創造方式。加快制定實施支持性政策，出臺一系列需求型政策工具，通過稅收優惠、科技補貼等方式，鼓勵企業加大研發投入力度。

參考文獻：

[1] 蔡繼明、劉媛、高宏、陳臣，2022：《數據要素參與價值創造的途徑——基于廣義價值論的一般均衡分析》，《管理世界》第38期。

[2] 陳冬梅、王俐珍、陳安霓，2020：《數字化與戰略管理理論——回顧，挑戰與展望》，《管理世界》第36期。

[3] 陳國青、曾大軍、衛強、張明月、郭迅華，2020：《大數據環境下的決策范式轉變與使能創新》，《管理世界》第36期。

[4] 陳國青、吳剛、顧遠東、陸本江、衛強，2018：《管理決策情境下大數據驅動的研究和應用挑戰——范式轉變與研究方向》，《管理科學學報》第21期。

[5] 陳威如、王節祥，2021：《依附式升級：平臺生態系統中參與者的數字化轉型戰略》，《管理世界》第37期。

[6] 洪永淼、汪壽陽，2021：《大數據如何改變經濟學研究范式？》，《管理世界》第37期。

[7] 黃群慧、余泳澤、張松林，2019：《互聯網發展與制造業生產率提升：內在機制與中國經驗》，《中國工業經濟》第8期。

[8] 焦豪、楊季楓、王培暖、李倩，2021：《數據驅動的企業動態能力作用機制研究——基于數據全生命周期管理的數字化轉型過程分析》，《中國工業經濟》第11期。

[9] 李曉鐘、李蓉， 2023： 《互聯網對制造業出口技術復雜度影響研究》，《江南大學學報（人文社會科學版）》第22期。

[10] 馬鴻佳、王亞婧，2024：《大數據資源對制造企業數字化轉型績效的影響研究》，《科學學研究》第42期。

[11] 馬鴻佳、肖彬、王春蕾，2023：《大數據能力影響因素及效用：基于元分析的研究》，《南開管理評論》第26期。

[12] 史丹、孫光林，2022：《大數據發展對制造業企業全要素生產率的影響機理研究》，《財貿經濟》第43期。

[13] 孫新波、蘇鐘海、錢雨、張大鵬，2020：《數據賦能研究現狀及未來展望》，《研究與發展管理》第32期。

[14] 田洪剛、楊蕙馨、王翎宇，2021：《“兩業”融合與新業態演化》，《南開經濟研究》第11期。

[15] 王節祥、陳威如、江詩松、劉雙，2021：《平臺生態系統中的參與者戰略：互補與依賴關系的解耦》，《管理世界》第37期。

[16] 王新成、李垣、馬鳳連、郭文佳，2021：《環境動態性與創新戰略選擇——企業創業導向和技術能力的調節作用》，《研究與發展管理》第33期。

[17] 武文珍、陳啟杰，2012：《價值共創理論形成路徑探析與未來研究展望》，《外國經濟與管理》第34期。

[18] 肖靜華、胡楊頌、吳瑤，2020：《成長品：數據驅動的企業與消費者互動創新案例研究》，《管理世界》第36期。

[19] 謝康、夏正豪、肖靜華，2020：《大數據成為現實生產要素的企業實現機制：產品創新視角》，《中國工業經濟》第5期。

[20] 徐翔、趙墨非、李濤、李帥臻，2023：《數據要素與企業創新：基于研發競爭的視角》，《經濟研究》第58期。

[21] 邢新朋、陳田田、劉天森， 2023： 《共生視角下中小型戰略新興企業數字化轉型組態路徑研究》，《江南大學學報（人文社會科學版）》第22期。

[22] 徐宗本、馮芷艷、郭迅華、曾大軍、陳國青，2014：《大數據驅動的管理與決策前沿課題》，《管理世界》第11期。

[23] 周翔、葉文平、李新春，2023：《數智化知識編排與組織動態能力演化——基于小米科技的案例研究》，《管理世界》第39期。

[24] Bihl， T. J.， Young II， W. A. and Weckman， G. R.， 2016， Defining， Understanding， and Addressing Big Data， International Journal of Business Analytics （IJBAN）， 3（2）：1-32.

[25] Ceccagnoli， M.， Forman， C.， Huang， P. and Wu， D. J.， 2012， Cocreation of Value in A Platform Ecosystem！ The Case of Enterprise Software， MIS Quarterly， 36（1）：263-290.

[26] Chen， M.， Mao， S. and Liu， Y.， 2014， Big Data： A Survey， Mobile Networks and Applications， 19：171-209.

[27] Das， T. K. and Kumar， P. M.， 2013， Big Data Analytics： A Framework for Unstructured Data Analysis， International Journal of Engineering and Technology， 5（1）：153-156.

[28] Dubey， R.， Gunasekaran， A. and Childe， S. J.， 2019， Big Data and Predictive Analytics and Manufacturing Performance： Integrating Institutional Theory， Resource-Based View and Big Data Culture， British Journal of Management， 30（2）：341-361.

[29] Eisenhardt， K. M.， 1989， Building Theories from Case Study Research Academy of Management Review， 14（4）：532-550.

[30] George， G.， Haas， M. R. and Pentland， A.， 2014， Big Data and Management， Academy of Management Journal， 57（2）：321-326.

[31] Girod， S. J. G. and Whittington， R.， 2017， Reconfiguration， Restructuring and Firm Performance： Dynamic Capabilities and Environmental Dynamism， Strategic Management Journal， 38（5）：1121-1133.

[32] Jensen， M. H.， Nielsen， P. A. and Persson， J. S.， 2023， From Big Data Technologies to Big Data Benefits， Computer， 56（6）：52-61.

[33] Jones， C. I. and Tonetti， C.， 2020， Nonrivalry and the Economics of Data， American Economic Review，110（9）：2819-2858.

[34] Madhavaram， S. and Hunt， S. D.， 2008， The Service-Dominant Logic and A Hierarchy of Operant Resources： Developing Masterful Operant Resources and Implications for Marketing Strategy， Journal of the Academy of Marketing Science， 36：67-82.

[35] Nani， A.， 2023， Valuing Big Data： An Analysis of Current Regulations and Proposal of Frameworks， International Journal of Accounting Information Systems， 51：100637.

[36] Nobanee， H.， 2020， Big Data in Business： A Bibliometric Analysis of Relevant Literature， Big Data， 8（6）：459-463.

[37] Nicolini， D. and Mengis， J.， 2024， Toward A Practice-Theoretical View of the Situated Nature of Attention， Strategic Organization， 22：211-234.

[38] Opresnik， D. and Taisch， M.， 2015， The Value of Big Data in Servitization， International Journal of Production Economics， 165：174-184.

[39] Sagiroglu， S. and Sinanc， D.， 2013， Big Data： A Review//2013 International Conference on Collaboration Technologies and Systems （CTS）， IEEE， 2013：42-47.

[40] Shan， S.， Luo， Y. and Zhou， Y.， 2019， Big Data Analysis Adaptation and Enterprises’ Competitive Advantages： The Perspective of Dynamic Capability and Resource-Based Theories， Technology Analysis & Strategic Management， 31（4）：406-420.

[41] Tao， F.， Qi， Q. and Liu， A.， 2018， Data-Driven Smart Manufacturing， Journal of Manufacturing Systems， 48：157-169.

[42] Teece， D. J.， Pisano， G. and Shuen， A.， 1997， Dynamic Capabilities and Strategic Management， Strategic Management Journal， 18（7）：509-533.

[43] Teece， D. J.， 2017， Dynamic Capabilities and （Digital） Platform Lifecycles//Entrepreneurship， Innovation， and Platforms， Emerald Publishing Limited， 37：211-225.

[44] Vargo， S. L.， Maglio， P. P. and Akaka， M. A.， 2008， On Value and Value Co-creation： A Service Systems and Service Logic Perspective， European Management Journal， 26（3）：145-152.

[45] Vargo， S. L. and Lusch， R. F.， 2008， Service-Dominant Logic： Continuing the Evolution， Journal of the Academy of Marketing Science， 36：1-10.

[46] Wang， Z.， Yuan， C. and Li， X.， 2024， Unleashing the Power of Big Data for Platform Firms： A Configuration Analysis， Managerial and Decision Economics， 45（1）：300-314.

[47] Wang， G.， Gunasekaran， A. and Ngai， E. W. T.， 2016， Big Data Analytics in Logistics and Supply Chain Management： Certain Investigations for Research and Applications， International Journal of Production Economics， 176：98-110.

[48] Wei， X.， Li， H. and Wang， Y.， 2024， Does Big Data Infrastructure Development Promote New Enterprises Entry： Evidence from China， Finance Research Letters， 60：104828.

[49] Wilden， R.， Gudergan， S. P. and Nielsen， B. B.， 2013， Dynamic Capabilities and Performance： Strategy， Structure and Environment， Long Range Planning， 46（1-2）：72-96.

[50] Xie， W.， Zhang， Q. and Lin， Y.， 2024， The Effect of Big Data Capability on Organizational Innovation： A Resource Orchestration Perspective， Journal of the Knowledge Economy， 15（1）： 3767-3791 .

[51] Yeow， A.， Soh， C. and Hansen， R.， 2018， Aligning with New Digital Strategy： A Dynamic Capabilities Approach， The Journal of Strategic Information Systems， 27（1）：43-58.

[52] Yin， R. K.， 1989， Case Study Research： Design and Methods//Case Study Research： Design and Methods， 1989：166-166.

How Can Big Data Drive the Improvement of Both Product and Service

Quality in the Context of the Integration of the Advanced Manufacturing

and Modern Service

Industry： the Case of Haier

Yang Huixin， Qi Chao and Feng Wenna

（School of Management， Shandong University ）

Abstract： The combination of data elements and traditional production factors has given rise to data-driven production methods and promoted the deep integration of manufacturing and service industries. In this context， big data drives enterprise products and service quality to achieve double improvement. This article adopts a longitudinal single case study method， taking Haier Group as the case company， and using strategic matching theory as the theoretical basis. By examining the changes in the enterprise’s resource base and dynamic capabilities， it explores the the inner mechanism of double quality improvement of big data-driven enterprise products and services in the context of the integration of the advanced manufacturing and modern service industry.The study found that （1） data drives the improvement of Haier Group’s product and service quality， and has gone through the consumer Internet stage for the To C end， the digitalization stage of the production organization process， and the industrial Internet stage for the To B end. These three stages correspond to Product and service quality can be improved through separate double improvements， embedded double improvements， and integrated double improvements. （2） In the stage of separate dual improvement of product and service quality， Haier Group has adopted an agile response strategy. Under this strategic framework， Haier Group has promoted the separate dual improvement of product and service quality through point-connected resource patchwork and personalized customization capabilities. Improvement. （3） In the dual improvement stage of embedded product and service quality， Haier Group has adopted an intelligent strategy. Under this strategic framework， Haier Group’s product and service quality embeddedness has been promoted through convergent resource orchestration and intelligent customization capabilities. （4） In the integrated double improvement stage of product and service quality， Haier Group has adopted an ecological strategy. Within this strategic framework， Haier Group’s products and services have been promoted through networked resource synergy and ecological empowerment capabilities. Quality integrated double improvement. The research conclusions enrich the functional boundaries and applicable scenarios of strategic matching theory and dynamic capabilities theory， and have certain practical guiding significance for manufacturing enterprises to improve product and service quality.

Key Words： integration of the advanced manufacturing and modern service industry; big data driven; product and service quality; case study

■責任編輯 王 毅