AI赋能的CRM系统对组织竞争优势的影响：一项基于BERTopic与PLS-SEM的混合方法研究

一、 研究基本信息

本研究的主要作者为来自韩国延世大学（Yonsei University）工业工程系的Joon Woo Yoo, Junsung Park和Heejun Park（通讯作者）。该研究成果于2024年8月15日在线发表于开放获取期刊《Heliyon》（第10卷，文章编号e36392）。该研究属于管理学、信息系统与人工智能交叉领域，具体聚焦于人工智能（AI）在客户关系管理（Customer Relationship Management， CRM）中的应用及其对组织绩效的影响。

二、 学术背景与研究目的

近年来，机器学习和深度学习算法的进步，特别是生成式AI的兴起，使得AI在企业运营中成为“新常态”。这一趋势已延伸至CRM领域，催生了AI赋能的CRM系统（AI-CRM）。尽管越来越多的企业将AI作为竞争战略的一部分，但高达70%的企业报告AI对其绩效的影响微乎其微甚至为零。这表明，许多企业可能只是盲目跟风，未能有效利用新技术。同时，现有关于AI-CRM的研究仍处于起步阶段，多为概念框架构建或探索性案例分析，缺乏深入探讨其关键特征及其如何影响组织绩效的实证研究。

基于此背景，本研究旨在解决两个核心研究问题：1) AI-CRM系统的关键特征是什么？2) 这些特征如何影响组织的竞争优势？研究目标是通过识别AI-CRM的关键特征，并评估这些特征对组织绩效和竞争优势的影响，为理论和实践提供关于如何在组织中有效利用AI的宝贵见解。

三、 详细研究流程

本研究采用混合方法（Mixed-Method），包含两个子研究：一个探索性分析（Study 1）和一个验证性分析（Study 2）。

Study 1：使用BERTopic识别AI-CRM关键特征

• 研究目标： 从用户评论中提取用户感知的AI-CRM关键特征。
• 研究对象与数据：
  • 对象： 三类AI-CRM软件（分别代表营销、销售、服务/支持功能）。
  • 数据来源： 从软件评测网站GetApp.com爬取用户评论。
  • 样本量： 经过筛选（仅保留英文评论、剔除不相关内容），最终使用3040条用户评论进行分析。
• 数据处理与分析方法：
  1. 数据预处理： 移除停用词和特定软件名称。
  2. 主题建模： 采用BERTopic算法进行主题提取。这是一种基于BERT（Bidirectional Encoder Representations from Transformers）的先进主题建模方法。其流程包括：
     • 文档嵌入： 使用预训练模型“all-MiniLM-L6-v2”将每条评论转换为384维的稠密向量，以捕捉语义信息。
     • 降维与聚类： 使用UMAP算法将高维向量降至5维，以克服“维度诅咒”。随后使用HDBSCAN密度聚类算法对文档进行聚类。
     • 主题表示： 使用类基TF-IDF（c-TF-IDF）方法为每个聚类（主题）提取最具代表性的关键词。
  3. 主题归类： 分别对三类CRM软件进行主题建模，将三类软件共有的主题归类为“通用特征”，其余主题则分别归类为“营销特征”、“销售特征”和“服务/支持特征”。
• 方法创新： 本研究采用BERTopic替代传统的LDA（Latent Dirichlet Allocation）方法。BERTopic的优势在于其基于BERT的嵌入能力，能够理解词语和句子的上下文语境，而非将文本视为“词袋”，从而能更准确地提取主题，尤其适合分析用户评论这类短文本。

Study 2：使用PLS-SEM验证特征对竞争优势的影响

• 研究目标： 基于资源基础观（Resource-Based View， RBV）理论，检验Study 1中提取的AI-CRM特征如何通过影响企业的CRM能力，进而影响组织绩效和竞争优势。
• 研究对象与数据：
  • 对象： 具有AI-CRM使用经验的从业者（工作职能为营销、销售或业务发展）。
  • 数据收集： 通过亚马逊MTurk平台发放在线问卷。
  • 样本量： 剔除无效和不完整回答后，获得252份有效样本。
• 研究模型与假设：
  • 理论基础： 资源基础观（RBV）。该理论认为，企业通过利用其有价值、稀缺、难以模仿和不可替代（VRIN）的资源来获取可持续竞争优势。在本研究中，AI-CRM的特征被视为一种资源，能够提升企业的CRM能力。
  • 研究模型： 模型包含四个外生构念（AI-CRM的通用、营销、销售、服务/支持特征）、三个中介构念（CRM能力的三个维度：客户互动管理能力、客户关系升级能力、客户赢回能力）以及两个内生构念（组织绩效、竞争优势）。
  • 研究假设： 共提出16条假设（H1-H6），分别探讨AI-CRM各特征对三种CRM能力的影响（H1-H4）、三种CRM能力对组织绩效的影响（H5）以及组织绩效对竞争优势的影响（H6）。
• 数据分析方法：
  • 方法选择： 采用偏最小二乘结构方程模型（PLS-SEM），使用SmartPLS 4软件进行分析。选择PLS-SEM的原因是其适合处理包含形成性测量构念的模型，对数据正态性要求较低，且适合样本量有限的情况。
  • 测量模型检验： 对反映性构念（如CRM能力、绩效）检验了因子载荷、组合信度、平均方差提取值和区分效度。对形成性构念（AI-CRM的四个特征）检验了权重显著性、方差膨胀因子和冗余分析。所有检验均符合标准，表明测量模型有效。
  • 结构模型检验： 检验了模型的共线性、解释力（R²值）和预测相关性（Q²值）。结果显示模型不存在严重共线性问题，且对内生变量具有中等到较强的解释力。
  • 假设检验： 使用Bootstrap重抽样程序检验路径系数的显著性。
  • 预测能力评估： 使用PLSpredict技术评估模型对样本外数据的预测能力。

四、 主要研究结果

Study 1 结果： BERTopic分析成功从用户评论中提取出AI-CRM的四大类特征，共包含11个具体特征： 1. 通用特征：为三类AI-CRM所共有，包括：数据驱动决策、以客户为中心的个性化、用户友好界面、任务自动化。 2. 营销特征：包括：创意内容生成、多语言内容支持、多渠道营销。 3. 销售特征：包括：潜在客户培育/转化、销售预测。 4. 服务/支持特征：包括：工单跟踪、实时服务/支持、全渠道服务/支持。 这些结果为Study 2中构念的操作化定义和测量题项设计提供了直接依据。

Study 2 结果： 假设检验结果如下： * AI-CRM特征对CRM能力的影响： * 通用特征对所有三种CRM能力均有显著正向影响（H1(a), H1(b), H1©均成立）。 * 服务/支持特征对所有三种CRM能力均有显著正向影响（H4(a), H4(b), H4©均成立）。 * 营销特征仅对客户关系升级能力有显著正向影响（H2(b)成立），对客户互动管理能力和客户赢回能力的影响不显著（H2(a), H2©不成立）。 * 销售特征对客户互动管理能力和客户赢回能力有显著正向影响（H3(a), H3©成立），但对客户关系升级能力的影响不显著（H3(b)不成立）。 * CRM能力对组织绩效和竞争优势的影响： * 三种CRM能力（客户互动管理、客户关系升级、客户赢回）均对组织绩效有显著正向影响（H5(a), H5(b), H5©均成立）。 * 组织绩效对竞争优势有显著且强烈的正向影响（H6成立，效应量较大）。 * 预测能力： PLSpredict分析表明，研究模型对组织绩效和竞争优势具有显著（尽管预测力为低到中等水平）的样本外预测能力。

结果逻辑关系： Study 1 通过无监督学习方法从真实用户数据中归纳出AI-CRM的关键特征，这些特征构成了Study 2中自变量（形成性构念）的基础。Study 2 则通过基于理论的定量模型，验证了这些从用户角度归纳出的特征如何系统地影响组织层面的能力、绩效和最终的战略结果（竞争优势），从而将微观的用户感知与宏观的组织成果联系起来。

五、 研究结论与价值

结论： 本研究证实，AI-CRM的不同功能特征对企业的CRM能力产生差异化影响，而CRM能力是提升组织绩效和获取竞争优势的关键中介。通用特征（如自动化、数据分析）和服务/支持特征（如实时响应）对CRM能力的提升具有全面且显著的作用。营销特征主要助力于向上销售和交叉销售（关系升级），而销售特征则更侧重于潜在客户管理和流失客户挽回。最终，通过增强CRM能力，AI-CRM的实施能够有效提升组织绩效，并转化为可持续的竞争优势。

价值： * 理论价值： 1. 方法创新： 开创性地将先进的自然语言处理技术（BERTopic）与管理学实证研究方法（PLS-SEM/RBV）相结合，提供了一种混合方法研究范式，弥补了纯质性研究缺乏普适性和纯量化研究可能忽略新兴技术具体语境的不足。 2. 理论拓展： 率先将资源基础观（RBV）系统性地应用于AI-CRM情境，实证检验了AI-CRM作为企业关键资源，通过塑造CRM能力来影响绩效的路径，丰富了IT能力与竞争优势关系的理论研究。 3. 知识贡献： 首次通过大规模用户评论数据提炼出AI-CRM的多维度特征体系，并实证揭示了这些特征与不同CRM能力维度之间的具体关系，为后续研究提供了清晰的概念框架和测量基础。 * 实践价值： 1. 对AI-CRM开发者： 研究指明了用户最看重的功能特性，为产品开发、功能优化和差异化定位提供了精准方向。开发者应根据不同CRM功能领域（营销、销售、服务）的用户需求进行针对性设计。 2. 对企业管理者： * 战略选择： 企业不应盲目引入AI-CRM，而应基于自身CRM能力的短板（如需要提升客户互动效率还是增加销售额），选择具备相应强项特征（如通用自动化功能或销售预测功能）的AI-CRM系统。 * 资源再配置： AI-CRM自动化了常规任务，企业需相应调整人力资源，将员工投入到更复杂、更具战略性的工作中，以最大化AI-CRM的价值。 * 绩效预期管理： 研究明确了AI-CRM价值实现的路径（通过提升CRM能力），帮助企业设定合理的绩效目标并评估投资回报。

六、 研究亮点

1. 研究视角的整合： 成功桥接了“技术-用户感知-组织绩效”之间的鸿沟，实现了从底层技术特征到高层战略结果的贯通式研究。
2. 方法论的先进性： 采用前沿的BERTopic模型进行文本分析，相比传统LDA，能更精准地捕捉用户评论中的语义和上下文信息，提高了特征提取的准确性。
3. 发现的细致性与差异化： 研究没有笼统地看待AI-CRM的影响，而是细致区分了不同功能特征对不同CRM能力维度的差异化影响，得出了更精细、更具指导意义的结论（例如，营销AI-CRM主要影响关系升级，而非客户获取或挽回）。
4. 坚实的理论支撑与实证验证： 紧密依托资源基础观（RBV）理论构建研究模型，并通过严谨的PLS-SEM分析和大规模问卷数据对假设进行了验证，增强了结论的可靠性和普适性。

七、 其他有价值内容

研究在讨论部分也指出了其局限性及未来研究方向： * 局限性： 用户评论可能存在自选择偏差；样本行业分布可能影响结论的普适性；横截面数据难以确证因果关系；未考虑组织文化、领导力或员工抵制等调节因素。 * 未来方向： 可进行跨行业比较研究；采用纵向研究或实验设计以验证因果关系；探索组织内部因素对AI-CRM成功实施的调节作用；利用真实财务数据进行差异分析，以更直接地检验AI-CRM对绩效的影响。