商业智能如何影响决策质量

提升决策质量：商业智能的作用

摘要

该项探索性研究提供了一个经过验证的、简洁的研究模型，用于解释在使用商业智能支持下所做决策的质量感知的前因变量。研究发现揭示了一些尚未深入探讨的领域，例如问题空间复杂性在感知决策质量中的作用，并表明决策质量前因变量之间的相互作用比以往研究更为复杂。例如，结果表明，信息质量和系统使用对提升感知决策质量可能存在一个临界点。此外，这些研究发现为未来的研究指明了方向，有助于加深我们对商业智能（BI）如何提升决策制定质量的共同理解，从而产生更深入、更有意义的贡献。

关键词 ：商业智能；决策质量；信息质量；商业智能使用程度；问题空间复杂性

引言

商业智能（BI）为决策者提供数据、信息或知识，以解决与个体决策者需求相关的特定问题，并且这些信息可以’被“汇总”以支持更广泛的组织层面的决策制定[11]。商业智能系统主要用于提高决策质量，并为从高度结构化到高度非结构化的问题提供及时解决方案[11]。

在当今大数据、内存数据库和普适分析的时代，企业越来越难以应对如何利用数据做出更好决策的问题[28]。人们期望借助商业智能工具增强管理经验，从而实现更优的决策制定[54]。然而，证据表明，商业智能并未始终达到这些预期[58, 63]。技术不断演进，使企业能够存储数年前无法想象的数据量和数据类型，但企业在存储时往往缺乏有效利用这些数据改善决策制定的良好规划[28]。研究提出了导致商业智能失败的多种原因[44,62],，但关注点主要集中在商业智能本身的内在因素（即技术和数据相关问题），或商业智能所处组织的外部因素（即组织准备度或商业智能与组织目标的一致性）[42, 45,62]。商业智能具有提升决策制定的潜力，但关于商业智能成功的实证研究在很大程度上忽视了使用商业智能所做决策的质量[11]。

我们认为，在商业智能背景下考察感知决策质量将有助于弥补我们理解上的差距。因此，本文的目的是探讨和研究在商业智能背景下所做决策的质量。本文所要解决的研究问题是：商业智能系统用户的感知决策质量的关键前因变量是什么？

文献综述

管理支持系统的一个关键目标是提高决策制定的有效性 [52]。这种有效性的实现程度通常通过一些替代指标来操作化测量，例如信息系统的使用情况或用户信息满意度 [22]。建立决策质量直接测量指标的困难主要在于决策过程的复杂性 [32, 46, 57]。很难确定商业智能是否真正提高了决策质量。一个组织可能从系统实施中获得了较高的投资回报，但其决策质量仍远未达到采用不同管理或使用方式所能实现的水平 [52]。我们提出并检验了一个模型，其中在商业智能环境中，感知决策质量受到多个关键因素的影响。本节的结构遵循 图1 中所示的上下文模型，该模型借鉴了克拉克 [11]及其同事提出的理论模型。克拉克 [11]提供了一个概念框架，整合了大量研究文献中识别出的、对支持决策制定（包括商业智能）的系统成功至关重要的构念。该模型提供了通过复杂反馈机制相互作用以产生行为的关键关系。一些构念受到了大量研究关注，而其他构念（如决策质量）则在很大程度上被忽视了。尽管克拉克’的模型总体上广泛适用于管理支持系统，但我们特别聚焦于商业智能环境下的感知决策质量及其前因变量。

感知决策质量

决策质量是决策制定过程中有效性和效率的函数[11]。决策制定一直以决策结果来表述 [16, 23],问题解决绩效 [60],成功期望 [38],信息处理绩效 [19],以及决策者的风险偏好[30]。其他人则从决策的制定和结构方式的角度来考虑决策制定 [12, 38]。尽管这些理论和视角涵盖了多种思想和理解深度，但都使用某种关于决策或决策者绩效的定义作为决策质量的指标。决策质量的结果通常通过感知到的决策者对结果的满意度来衡量，以此作为决策质量的替代指标 [19, 31, 36,60]。我们采用这种方法，并将决策质量概念化为决策者’对决策过程所产生的结果的感知。

商业智能使用程度

商业智能系统主要用于提高决策质量，并为从高度结构化到高度非结构化的问题提供及时解决方案[64]尽管商业智能也可用于其他目的，例如扩展市场知识、了解市场运作方式或创造新的决策领域，但本研究重点关注的是提升决策质量。因此，可以预期，商业智能使用程度（定义为用户在决策中使用和依赖商业智能的范围）[10],将带来更高水平的决策质量。然而，系统上线初期的实际使用水平通常不足以实现预期的组织效益[10, 18]，许多组织的商业智能使用尚未达到能够支持创新性和变革性决策制定的成熟水平[27, 28]。随着商业智能在组织中的日益普及，用户会参与更多样化的应用，并覆盖更广泛的功能范围。

在当今数据具有更大数量、速度和多样性的世界中’，越来越多的组织决策者比以往任何时候都更多地使用和依赖商业智能[40, 51]。基于上述讨论，我们提出以下假设：
假设H1 ：商业智能使用程度越高，决策制定过程中的感知决策质量就越高。

问题空间复杂性

问题领域是做出决策时所涉及的问题或情境的背景[11]。问题领域的复杂性可以通过多种因素来定义，包括问题中涉及的变量数量以及变量之间的相互作用。这些因素虽然是情境变量，例如决策时的可用时间以及解决问题的可用工具，也会影响问题空间复杂性 [11, 47, 59, 61]。我们将问题空间复杂性定义为决策中涉及的变量的数量和多样性，以及它们之间的相互作用[37]。

决策制定所处的问题领域正变得日益复杂[51]。复杂决策需要更多的信息以及更多用于分析这些信息的智力投入[9, 20]。商业智能被用来支持针对动态且复杂问题的决策制定，这些问题中决策者需应对超出其控制范围的因素，并越来越多地依赖软性或非结构化数据[1]。因此，商业智能的有效性通常取决于其对高复杂性决策的支持程度[24]。然而，有证据表明，组织未能充分理解问题空间复杂性在其使用商业智能进行决策中的作用[28],，这也是商业智能成熟度未能更快提升的原因之一[27]。更深入地理解问题空间复杂性及其对决策质量的影响，是更有效地利用商业智能的关键所在。

问题空间复杂性与感知决策质量之间关系的方向并不直观。一方面，面对更复杂情况的决策者可能会在决策过程中投入更多的思考，从而客观上做出更好的决策。另一方面，由于问题本身固有的复杂性，决策者可能对决策结果的期望较低，因此事后可能对自己的决策更为满意[48]。最后，在高度复杂的情况下，即使事后也更难确定哪个决策更为恰当，因此决策者可能更容易认为自己的决策质量更高。基于上述讨论，我们提出以下假设：
假设2 ：问题空间复杂性越高，所做决策的感知质量也越高。

信息质量

信息质量在信息系统运行和输出中至关重要[15, 21, 33]。商业智能系统最强大的方面之一是其将大量数据转化为信息的能力[61]。因此，商业智能中的信息质量对于基于商业智能满意度输出结果所做出的决策质量至关重要[5,8]。商业智能通过向决策者提供他们通常无法在没有商业智能的情况下获得的信息，从而帮助增强决策制定过程。因此，信息质量是高质量决策的必要前提。基于上述讨论，我们提出以下假设：
假设3 ：商业智能中的信息质量越高，使用商业智能所做出的决策的感知质量就越高。

然而，我认为信息质量在促进更好决策制定中的重要性取决于

图1. 上下文模型。

要解决的问题类型。如果决策结果仅受少数几个因素影响 （如低问题空间复杂度决策环境中的情况），那么获取关于所有这些因素的高质量信息至关重要。如果影响决策结果的因素数量较多，且这些因素之间的交互效应难以预测 （如高问题空间复杂度环境中的情况），由于决策者的信息处理能力有限，即使每个因素的信息质量更高，也不太可能带来更好的决策。同样，因为在高问题空间复杂性环境中，决策结果依赖于大量的变量，如果信息质量差仅限于一两个变量，则感知决策质量不太可能受到负面影响。因此，我们提出假设：
H4 ：问题空间复杂性调节信息质量对感知决策质量的影响。

信息对感知决策质量的影响也可能会受到商业智能使用程度的调节。支撑商业智能的信息质量是商业智能促进决策制定能力的关键[53]。然而，由于不同决策者的商业智能使用程度可能不同，并且因决策而异，高质量信息在多大程度上有助于做出高质量决策，可能取决于商业智能系统在该决策中的使用程度。基于这一逻辑，我们提出如下假设：
H5 ：商业智能使用程度调节信息质量对感知决策质量的影响。

研究模型在 图2 中提供。

方法论

本研究采用实地研究设计，通过基于网络的调查收集数据。构念的操作化以及测量项目的开发基于对文献的回顾。衡量决策质量的项目是从现有文献中开发并进行情境化的 [6, 14, 49, 55]。问题空间复杂度项目是根据问题领域复杂性的描述开发的[11, 37]。信息质量项目借鉴了李及其同事开发的测量工具[39]。大量关于信息质量的研究主要关注内在或情境维度（如准确性、完整性）。然而，该构念还包括其他维度[36, 65]。这些维度包括表征性（如可理解性）和可访问性（如易用性）[36]。我们采用了[46]中测量后两个维度的测量指标，因为它们可能更容易被决策者感知，从而对其使用信息所做决策的质量感知产生更大影响。衡量商业智能使用程度的项目则改编自另一项先前的研究[29]。所有项目均采用五点李克特量表。

本研究的目标群体是使用商业智能解决方案来支持其决策的决策者。数据收集自美国多个行业和组织的61名商业智能用户。我们采用了多个标准来选取参与者，以确保他们具备足够的知识，了解商业智能如何影响其决策制定。其中一个标准是，受访者必须既有使用商业智能进行决策的经验（而非仅执行他人制定的决策），又有使用商业智能的实际经验。超过三分之一的受访者在其决策责任领域工作了至少5年，约20%的受访者在组织中使用商业智能的经验至少有5年（表1）。超过25%的受访者在加入当前组织之前就已使用过商业智能。 表1 中的数据表明，我们涵盖了广泛的商业智能使用和决策制定经验。

另一个标准是，他们代表了组织不同层级的决策制定。大多数回答此问题的受访者从事战略决策，其次是运营决策和战术层面决策（表2）。此外，受访者教育程度较高，超过一半的人表示至少拥有五年高等教育经历，超过20%的人曾修读过商业智能课程。

受访者来自多个行业，其中医疗保健是最大的群体，其次是金融、教育程度、电信和咨询（表3）。

最后，标准还包括所代表的商业智能供应商和软件应具有多样性。表3显示没有单一供应商占据主导地位，且多个受访者对其商业智能解决方案使用了多个商业智能供应商。因此，这61名受访者代表了在不同行业中具有各种商业智能和决策制定经验的人员，以及处于组织层级中不同职位的受过良好教育的决策者。已通过电子邮件向受访者发送了在线调查的网址。

数据从两组人员中收集。第一组的电子邮件发送给美国西南部一所大型大学的研究生，这些研究生最近在企业职位中使用或正在使用商业智能。第二组的电子邮件发送给在商业组织中工作的其他决策者，他们也在工作中使用商业智能。数据收集持续了6周时间，并在3周后发送了一封跟进邮件。

数据分析和结果

根据经验法则，观测值的数量至少应是构念数量的10倍，且观测值不少于50个[25],本研究的最小样本量为65。本研究的样本量达到了该阈值，共有60名受访者。受访者包括37名在企业职位中使用或曾使用商业智能的研究生，以及28名其他商业智能用户。通过t检验和 χ2检验，比较了这两类受访者在人口统计学数据（年龄、性别和教育程度）以及自变量和因变量方面的差异，以评估使用该混合受访者群体的可行性。两组之间唯一显著差异体现在两个自变量上，即问题领域复杂性和用户经验。此外，我们还对数据进行了清理，并将部分缺失值替换为项目平均值，以避免结果发生偏差。

非学生受访者所面临的问题空间复杂性更高，并且在商业智能方面的经验更丰富。这并不令人意外。然而，我们的模型提出了关于问题领域复杂性和用户经验差异的问题。因此，这些差异增强了而非削弱了此类受访者组合的适用性。另一个显著差异在于受访者的年龄；学生群体更为年轻。但由于年龄并非我们模型中的一个因素，因此不被视为实质性差异。因此，两个数据集的回答被合并用于后续分析。合并后数据集的年龄和性别信息见表4。

为了更好地理解用于检验提出模型的变量的性质和结构，进行了探索性因子分析(EFA)。EFA适用于检验理论化的测量项目是否在假设因子数量上收敛，并在多个因子之间以最小的交叉载荷进行区分[25]。它特别适用于评估新开发的测量项目以及这些项目此前未被一起使用过的情况。最终解采用均衡最大法进行旋转，以便于解释提取出的因子。我们保留了因子载荷大于0的变量。5[25]因子分析的结果见表5。

区分效度通过使用皮尔逊相关系数检查因子间的相关性进行评估（’s相关系数（表6）。所有相关系数均未超过 0.50阈值，表明测量指标具有足够的区分效度[25, 35]。

假设通过SPSS进行线性回归分析来检验。回归分析的结果如表7 和8所示。

回归分析的结果表明，模型中包含的所有预测变量均具有显著性。此外，我们估计参数的观察到的统计功效和置信区间也支持了研究发现。这些结果的可靠性通过在 SPSS中进行的自举法程序得到了验证。

图2. 研究模型。

表1. 决策制定与商业智能使用经验。

表2. 决策层次、职位名称和教育程度。

表3. 行业和商业智能软件供应商。

表4. 受访者年龄和性别。

表5. 探索性因子分析结果.

PSC，问题空间复杂性；DQ，感知决策质量；IQ，信息质量；LBIU，商业智能使用程度

表6. 区分效度评估。

** 相关性在0.01水平上显著（双尾）。* 相关性在0.05水平上显著（双尾）。PSC，问题空间复杂性；DQ，感知决策质量；IQ，信息质量； LBIU，商业智能使用程度

表7。方差分析结果。

表8. 回归系数.

此外，两个交互项均显著（H4 和 H5）。为进一步检验信息质量与问题空间复杂性对感知决策质量的负向交互效应，分析了在不同问题空间复杂性水平下信息质量对感知决策质量的影响[3]。从交互图中回归线斜率的差异可以看出（见图3a），对于更复杂的问题，信息质量对决策质量的影响较弱，这为假设4提供了支持。

信息质量与商业智能使用程度对感知决策质量的正向交互作用表明，当信息质量较高时，商业智能使用程度对感知决策质量的正向影响更强，这支持了假设5。该结果抵消了商业智能使用程度对决策质量的直接负向影响，说明只有在商业智能提供高质量信息的情况下，其使用才可能产生积极影响。图3b 中的交互效应图表明，当信息质量较低时，商业智能使用程度对感知决策质量的影响为负；在中等信息质量下影响略为正向；而在高信息质量下则呈现正向影响。

由于模型中包含了交互项，某些预测变量的方差膨胀因子（VIFs）升高，但仍低于100，对于包含交互项的模型而言是可接受的[13],，尽管这应加以解释。鉴于很难确定一个有意义的界限来判断VIF值的高低，需注意这一点[4]。我们还对数据集进行了岭回归[26,41]，结果与我们的初步结果一致。假设检验的汇总结果见表9。

讨论

五个假设中有四个得到支持，一个被反驳（H1）。假设 H1认为，在决策过程中商业智能使用程度越高，感知决策质量也越高。结果表明，商业智能使用程度对感知决策质量存在直接负面效应。这一结果应在商业智能使用与信息质量之间交互作用对决策质量感知的正向影响背景下加以理解。我们的结果表明，当商业智能所提供的信息质量较高时，

图3. 调节效应的交互作用图。

表9. 假设检验的结果。

当商业智能使用水平较低时，更高程度的商业智能使用实际上会导致人们对自身决策质量的感知降低。然而，对于中高质量信息而言，该效应为正向。在’图3b的交互图中可以明显看出存在一个拐点，其显示低信息质量下的回归线斜率为负，而中高信息质量下的回归线斜率为正。这表明存在一个平衡点或临界点，在该点之后商业智能使用的正面结果开始显现。

在低信息质量存在的情况下，商业智能使用对决策质量的直接负面效应可以从多个理论角度进行理解。例如，期望确认理论表明，未满足的期望会导致不满[48]。因此，商业智能的使用可能引发对决策质量过高的期望，而当由于信息质量较低导致这些期望未能实现时，用户对决策的满意度就会降低。在感知信息质量较低的情况下，较高的商业智能使用程度也可能与强制使用商业智能相关。在这种情况下，商业智能用户可能会更加批判其决策结果，因为这些结果可归因于外部因素，例如较差的商业智能质量 [34, 43],，并且对决策结果持批判态度有助于商业智能用户调和高水平商业智能使用与低感知信息质量之间的现实矛盾，从而避免认知失调[17]。随着商业智能所提供信息质量的提高，商业智能使用程度对感知决策质量的影响转为正面，这符合我们的预期以及数据驱动决策范式。这一发现对实施商业智能的组织具有重要的实际意义。只有在商业智能所提供的信息质量较高时，使用商业智能才是有益的；组织在大力推广商业智能广泛使用之前，应谨慎确保此类商业智能所提供的信息具备高质量。

与假设2中的预测一致，我们的结果支持问题空间复杂性与感知决策质量之间存在正向关系。问题空间复杂性与感知决策质量之间的正向关系可能归因于个体为更复杂的问题投入了更多资源，即商业智能可提供的数据和信息，从而做出客观上更优的决策。此外，由于我们所有的受访者都使用商业智能系统，因此BI支持系统可能在问题空间复杂性与感知决策质量之间的关系中起到调节作用。

与我们在假设3中的预测一致，研究结果表明信息质量与感知决策质量之间存在正向关系。这一发现进一步支持了以下推测：准确、及时和完整的信息对于高质量的组织决策至关重要。我们的研究结果还表明，商业智能使用调节了信息质量对感知决策质量的影响（假设5）。具体而言，商业智能使用程度放大了信息质量对感知决策质量的影响，这强烈表明必须实际使用商业智能才能产生影响。

假设4认为，问题领域调节了信息质量对感知决策质量的影响。复杂性。研究发现表明，信息质量对感知决策质量的正面影响在更复杂的问题上比在简单问题上更弱。一种可能的解释是，在复杂决策中，结果具有不确定性，并且存在许多中介变量，因此任何特定变量的高质量信息对整体感知决策质量的重要性较低。另一种解释可能与决策者的有限信息处理能力有关。如果决策结果依赖于许多不同的因素，即使通过商业智能系统可以获得相关信息，决策者也可能无法处理所有因素的信息。这是一个重要的发现，因为它表明，当我们从简单问题转向更复杂、多维度的问题时，单纯提供高质量信息的回报会递减。随着决策复杂性的增加，商业智能系统的哪些能力对于改善决策制定最为关键？可以合理推断，商业智能的信息处理与展示功能（如问题空间可视化和预测建模工具）可能会成为感知决策质量更重要的预测变量。因此，未来研究者应考察信息质量和商业智能的信息处理与展示功能对于感知决策质量的相对重要性。总之，迄今为止，几乎没有研究涉及商业智能领域中的问题空间复杂性，更少有研究探讨其如何影响感知决策质量。通过更好地理解商业智能使用的情境及其对感知决策质量的影响，我们可以更清楚地了解如何开发更有效且有用的商业智能工具。

这些研究发现有助于增进我们对商业智能在决策中的有用性的整体理解，并为如何更好地构建相关主题的研究框架提供指导。它们揭示了商业智能所提供的信息质量、商业智能应用所处的问题领域的复杂性、商业智能使用程度以及感知决策质量之间复杂的相互作用，这不仅对商业智能成功模型具有重要意义，也对信息系统（IS）成功模型具有重要意义。根据信息系统（IS）成功模型[15], ，信息系统使用中介了信息质量与个人与组织成果之间的关系。我们的结果表明，即使在控制了使用程度的情况下，信息质量与感知决策质量之间仍存在直接的正向关系。总之，我们的研究结果表明，在诸如商业智能这样的复杂组织系统中，信息质量、系统使用和成果之间的关系可能比以往研究中所描述的更为复杂。

局限性

与任何研究一样，本研究也存在局限性。首先，由于受访者可能无法代表整个商业智能用户群体，调查可能会受到抽样误差的影响[7]。尽管受访者来自广泛的地理区域，但他们均来自美国，或为总部位于美国的组织工作。因此，本研究的结果在推广到世界其他地区时应谨慎。需要注意的另一个限制是样本量。尽管我们获得的回复数量刚好超过统计学上推荐的最低数量，足以保证足够的功效和效应，但更大的样本量将使我们的统计结果和外部效度更高。另一个可能的限制是，我们未区分受访者所使用的商业智能类型（例如，大规模综合系统与小型报告系统），这可能在我们的结果中造成一定的模糊性。

共同方法偏差也是此类研究中的一个值得关注的问题。为了检验本研究中共同方法偏差的潜在存在，通过审查主成分因子分析的未旋转解进行了’Harmon单因素检验[50]。Harmon’单因素检验识别出四个因子，其中第一个提取的因子解释了总方差的38.11%，第二个因子解释了 15.78%，第三个因子解释了11.51%，最后一个因子解释了7.37%。这表明共同方法偏差在本研究中并非显著影响或局限性。

贡献与未来研究方向

提升决策质量是实施商业智能解决方案的关键预期收益。本文提出并检验了一个综合而简洁的研究模型，有助于更好地理解商业智能的不同方面以及决策环境如何相互作用，从而影响组织中决策制定的感知质量。具体而言，这项探索性研究的结果表明，商业智能使用程度、商业智能信息质量以及问题领域复杂性均会影响组织中的感知决策质量，这为克拉克及其同事提出的理论管理支持系统框架提供了实证支持[11]。扩展了先前分别研究上述变量之间关系的研究工作，本研究结果表明前因变量之间的交互作用对感知决策质量具有重要影响。也许本研究最有趣且最重要的发现是，商业智能使用对感知信息质量的积极影响取决于商业智能所提供信息的高质量；强制使用未能提供高质量信息的商业智能实际上可能对组织决策制定产生不利影响。该研究的另一个有趣发现是，尽管信息质量始终与对决策结果更积极的感知相关联，但随着问题空间复杂性的增加，信息质量的重要性会减弱。

我们的研究发现为未来的研究指出了几个可能富有成效的方向，包括通过更大规模的实证调查来复制本研究的结果，以及通过采用其他研究方法（如深入的案例研究、实地实验和实验室实验）来验证这些研究发现。未来的研究还可以探索更多超越决策者主观感知的决策质量客观测量指标。未来的研究可能进一步揭示商业智能提升决策制定质量的潜在机制。此外，还需要更多的研究来提供更全面的对交互效应进行定量评估，有助于从业者回答诸如“在复杂性曲面上的哪个点，商业智能所提供的信息质量将不再对感知决策质量产生贡献？”或“确保商业智能使用与决策质量之间存在正向关系所需的信息质量最低水平是多少？”等问题。考察客观的决策质量（而非感知决策质量）也为未来的研究提供了一个有益的方向。总之，这项探索性研究提供了一个简洁且经过验证的研究模型，用于分析多个商业智能组件与感知决策质量之间的关系，并为进一步研究奠定了基础，以更深入地理解这些重要关系，并指导商业智能开发与治理。