O&SCM运营与供应链管理知识库

LATEST RESEARCH FRONTIERS / 最新研究前沿

C2M 定制 · 数据获取 · 平台合作

工厂的数据,
自采还是外购?

To Collect or to Purchase? Collaboration Between Manufacturer and E-Commerce Platform on Customization

反向定制 / C2M Customization学术网络 ↗

187 个原生公式 08:54 视频 11:22 音频

CHINESE LECTURE VIDEO / 中文讲解视频

C2M:制造商与平台的定制合作

解读自主收集与平台购买两种数据模式,以及定制深度、交货期和产品组合的决策关系。

8 分 54 秒 · 854×480
CHINESE AUDIO SUMMARY / 中文音频总结

工厂该自建还是买平台数据

讨论数据成本优势、平台服务费与企业定制能力如何共同决定合作收益。

11 分 22 秒 · 单声道 AAC
FULL PAPER SUMMARY / 完整论文总结

自采还是外购?制造商与电商平台在定制模式下的合作机制研究

以下为所附 Word 总结全文,保留论文元数据、研究贡献、概念符号、博弈时序、均衡命题、管理启示与参考文献。

To Collect or to Purchase? Collaboration Between Manufacturer and E-Commerce Platform on Customization
《自采还是外购?制造商与电商平台在定制模式下的合作机制研究》
全文深度研读与学术分析报告

作者:Ping Yan, Jun Pei, Subodha Kumar
期刊:Information Systems Research, Vol. 37, No. 3, September 2026, pp. 1944–1965
DOI: https://doi.org/10.1287/isre.2024.1266

一、 论文基本信息与 JEL 分类号

本研究由合肥工业大学管理学院的 Ping Yan 与 Jun Pei,以及美国天普大学福克斯商学院(Fox School of Business, Temple University)的 Subodha Kumar 合作完成,发表于国际信息系统领域的顶级学术期刊《Information Systems Research》(INFORMS 旗下顶刊,简称 ISR,系 UTD 24 与 FT 50 顶级管理学期刊之一)。论文针对数字经济背景下企业数据资产获取与反向定制生产的微观机制展开了开创性的博弈论建模分析。

1. 论文元数据(Metadata)

【论文基本档案】
【论文题目】To Collect or to Purchase? Collaboration Between Manufacturer and E-Commerce Platform on Customization(自采还是外购?制造商与电商平台在定制模式下的合作机制研究)
【作者团队】Ping Yan(合肥工业大学管理学院)、Jun Pei(通讯作者,合肥工业大学管理学院)、Subodha Kumar(美国天普大学福克斯商学院)。作者姓名严格保留英文原名,不予翻译。
【发表期刊】Information Systems Research, 2026, Vol. 37, No. 3, pp. 1944–1965.
【文献标识】DOI: https://doi.org/10.1287/isre.2024.1266;ISSN: 1047-7047 (print), 1526-5536 (online).
【基金资助】国家自然科学基金重大/重点项目(72188101, 72331004, 72471075, 72501087)、中央高校基本科研业务费、国家“111计划”复杂产品制造过程优化与决策学科创新引智基地(B17014)、国家自然科学基金国际合作与交流项目(W2411063)及天普大学 CIBER 联合资助。

2. 论文的 JEL 分类号(JEL Classification System)

根据美国经济学会(American Economic Association, AEA)的标准 JEL 分类体系,本研究横跨产业组织理论、信息经济学、运作管理与微观博弈论,对应以下核心 JEL 分类号:

JEL 分类代码 英文官方名称 / 学科范畴 在本文中的研究映射与理论契合点
L11 Production, Pricing, and Market Structure;
Size Distribution of Firms
(生产、定价与市场结构)
论文深入研究了现货生产(MTS)、按单定制(MTO)与数据驱动反向定制(C2M)多产品线并存下的统一定价决策、市场纵向/横向分割以及企业利润结构。
L86 Information and Internet Services;
Computer Software
(信息与互联网服务;软件)
论文聚焦电商平台(如京东、亚马逊)依托全域交易数据和算法向制造企业提供数据洞察服务,及其对数据赋能技术服务费(ufuf)的定价博弈。
D43 Oligopoly and Other Forms of
Market Imperfection
(寡头垄断与其他不完全竞争)
论文刻画了制造商与主导型电商平台之间的双边寡头博弈,探讨了数据资产作为战略性资源在垂直价值链上下游配置中的市场势力与渠道交互。
M11 Production Management
(生产与运作管理)
论文将定制产品交货提前期加速(Lead-time expediting)、研发投入与定制深度决策(Customization level)纳入生产调度与产品组合管理。
O31 Innovation and Invention: Processes and
Incentives(创新与发明:过程与激励)
论文深入剖析了制造企业与平台在获取市场信息努力水平(Effort level)上的内生激励机制,分析了外部数据共享对产品创新的驱动与抑制。
C72 Noncooperative Games
(非合作博弈论)
全篇采用八阶段动态完全信息博弈模型,利用逆向归纳法(Backward Induction)求解子博弈精炼纳什均衡(SPNE)。

二、 全文核心摘要

随着大数据分析与数字智能制造技术的深度融合,越来越多的制造企业在保留传统“按单定制”(Make-to-Order, MTO)模式的同时,积极引入新型“消费者直达制造”(Customer-to-Manufacturer, C2M)模式,形成了满足市场多样化偏好的“混合定制”(Hybrid Customization)体系。在这一背景下,制造商面临一个关乎企业数字化战略根基的重大抉择:究竟应当独立投资建立第一方数据收集体系(自主收集,MM 模式),还是向掌握全域消费轨迹的电商平台购买数据驱动的商业洞察(平台引入,PP 模式)?

尽管信息系统(IS)与供应链管理文献广泛强调了获取外部海量数据的潜在红利,但在商业实践中,制造巨头对于数据获取路径的选择却存在剧烈分歧——例如,耐克(Nike)坚持自建数字生态与直营渠道以自主获取第一方数据,而惠普(HP)等硬件厂商则深度依附京东(JD.com)的大数据协同开展反向定制。针对这一现实争论,本文构建了一个由单制造商、单电商平台和连续分布消费者组成的博弈论分析模型,深入探讨了不同数据获取模式在混合定制环境下的经济权衡与福利效应。

研究的核心反直觉结论与管理发现如下:

第一,平台数据质量占优并不必然导致外购决策。即使在平台引入模式下制造商能够获得信息量更丰富、更精准的市场数据,当数据采集边际成本较高且消费者对定制化定型产品抱有较强偏见/隐私顾虑时,制造商的最优策略仍然是自主收集数据。这是因为高成本与消费者偏见严重压缩了 C2M 定型的增值红利,放大了平台高昂服务费对利润的剥蚀效应。

第二,平台在数据赋能上具有策略性自利倾斜。即便平台的数据洞察能够显著提高定制深度、为平台带来更多商品交易抽成佣金,平台也绝非在任何情况下都会向制造商提供数据支持。当数据获取边际成本较高或消费者对定制产品更宽容时,平台即便提供低质量洞察,也能依托技术服务费获得超额利润;而在需要高精准度数据但自身边际研发成本剧增的场景下,平台反而会主动退出数据合作。

第三,平台成本优势与创新努力水平发生逆转。即使电商平台在全域数据收集上具有绝对的技术与成本优势,当平台销售抽成佣金率较低时,制造商自主收集模式下的数据获取努力水平反而显著高于平台引入模式。因为佣金率较低意味着制造商能够独享产品销售的大部分收益,拥有极其强烈的内生研发激励,而平台则因投资回报有限而缺乏投入动力。

第四,颠覆了消费者福利的“技术崇拜”。研究发现,即使在制造商自主收集模式下的数据获取努力和定制深度均低于平台引入模式,只要数据边际获取成本较高,自主收集模式所创造的消费者福利(Customer Welfare)反而超越平台合作模式。其内在机理在于:平台主导模式存在严重的“数据服务费加价”(双重边际化盘剥),限制了产品让利空间;而制造商自建模式去除了数据中间商盘剥,能以更具竞争力的综合价格体系回馈消费者。

三、 研究背景与核心学术贡献

1. 现实产业背景与实践痛点

过去几十年来,制造业广泛采用拉式供应链主导的 MTO 模式(如 NikeID、Dell 电脑),允许消费者在线自主定义产品的颜色、材质和功能规格。然而,MTO 模式高度依赖消费者的直接交互与主动设计,面临两大固有瓶颈:一是过长的生产与物流交付提前期 ll 导致消费者产生严重的等待成本 klkl;二是定制生产无法发挥规模经济,单位柔性制造成本居高不下。

近年来,以京东(JD.com)、天猫(TMIC 新品创新中心)、亚马逊(Amazon)和 Shopify 为代表的数字化电商平台,凭借对全域消费轨迹(如搜索点击、浏览时长、评价情感、跨品类复购)的实时监测,催生了新型 C2M 模式。C2M 属于推式/混合式供应链:通过大数据挖掘大众未被满足的共性需求痛点,指导工厂在现货生产(MTS)基础上预先生产出高度贴合流行偏好的“定型产品”(Tailored Products),兼具定制契合度与现货即时交付优势。

然而,制造企业在拥抱 C2M 时面临着根本性的“自建 vs. 外购”(Build vs. Buy)困境:

• 自主收集数据(MM 模式):企业拥有 100% 数据主权,直接沉淀第一方用户资产,避免受制于平台。但传统制造企业技术积淀薄弱,数据仅限于自身已有买家,样本维度窄,技术与人才沉没成本巨大。

• 向平台采购数据洞察(PP 模式):平台拥有跨品类、全生命周期的全域行为大数据,能够精准识别潜在爆款。但电商平台并非中立的数据服务商,其首要目标是最大化自身佣金与技术服务费收入,存在严重的利益不一致(Misalignment of Interests),且制造商极易陷入数据锁定与技术盘剥。

2. 核心学术贡献(Academic Contributions)

根据论文第 1.2 节与第 8.2 节的系统论述,本文对信息系统(IS)及运营管理交叉学科做出了三大里程碑式的理论贡献:

(1)拓展了数据要素在纵向供应链中的微观配置理论

以往关于数据要素的 IS 文献大多将数据获取简化为“企业自采还是外购”的二元静态决策,或者仅仅聚焦于数据驱动的垄断势力。本文首次将数据获取决策深度解构为三大核心 IS 构念的动态动态博弈:数据收集努力水平(Data collection effort)、信息不对称与技术鸿沟(Information asymmetry)、以及多产品线下的价值增强效应(Value enhancement)。建立了垂直价值链下数据要素从生产、定价到产品研发落地的完整理论分析范式。

(2)揭示了数据服务定价契约作为价值创造与价值攫取的桥梁机制

以往信息共享文献普遍假定信息披露是免费的或仅关注分成机制,默认“信息共享必定有利于协同创新”。本文首次内生化了电商平台的数据服务费定价决策(Insight support pricing, ufuf),揭示了数据服务费在“价值创造”与“价值攫取”之间的双重作用。证明了平台在信息技术收益显著大于数据收集成本时,依然可能基于利润最大化动机拒绝向制造商提供数据支持,填补了数字化生态系统定价理论的空白。

(3)将数据隐私规制与消费者异质性偏见嵌入混合定制理论

传统产品定制文献(如 Hotelling 线模型)多假设产品空间是中立且不受外部制度约束的。本文开创性地将不同定制模式下的隐私泄露风险(θcφ\theta_{c}\ \varphi 与 θtφ\theta_{t}\ \varphi)纳入消费者效用函数,系统揭示了全球数据主权与隐私立法(如欧盟 GDPR、美国 CCPA 等法规)对第一方数据与平台全域数据价值的重塑效应,为制度逻辑下的定制供应链设计提供了坚实的理论微观基础。

(4)对管理实践与公共政策的突破性启示

本文不仅为不同行业属性的制造企业(高技术壁垒企业如特斯拉 vs. 规模标品企业如联想)制定了清晰的数据战略选择矩阵,还为反垄断与反不正当竞争监管机构提供了定量依据,证明了打破平台数据垄断壁垒、防范数据要素过度抽成对于维护实体制造业活力和消费者剩余至关重要。

四、 核心概念、基本定义与模型符号体系

1. 核心生产模式与经济学概念界定

为科学刻画混合定制环境下的产品竞争,模型界定了三种共存的生产与产品形态:

1. 标准品(Standard Product, 下标 ss):基于传统 MTS 模式生产,坐落于 Hotelling 线性产品空间的端点 Φ=0\Phi\ = \ 0 处。单位生产与履约成本为 cc,售价为 psp_{s}。消费者购买标准品无需等待,但若消费者自身偏好偏离 0,则必须承担线性产品错位成本(Disutility of product mismatch)mxmx。

2. 定制产品(Customized Product, 下标 cc):基于传统拉式 MTO 模式生产。消费者可在官方渠道根据自身偏好完全自由定制,产品在空间中精确契合消费者理想点 xx,错位成本降为 0。但 MTO 需要漫长的生产配送提前期 ll,使消费者产生等待成本 klkl。制造商可投入加急成本 Δc=h/l\Delta\ c\ = \ h/l 来压缩交付期。此外,消费者向企业提交个性化体貌、尺寸及隐私信息时,承担预期的隐私泄露风险成本 θcφ\theta_{c}\ \varphi。定制品售价为 pcp_{c}。

3. 定型产品(Tailored Product, 下标 tt):基于新型大数据驱动的 C2M 模式生产,坐落于产品空间的另一端点 Φ=1\Phi\ = \ 1 处(代表主流流行偏好)。其生产仍依托 MTS 模式现货供应,单位生产成本为 cc,售价为 ptp_{t},无需交付等待。制造商利用大数据深度挖掘用户需求,确定定制水平 uu(Customization level),将消费者的单位错位成本有效降低至 m1+u(1−x)\frac{m}{1 + u}(1 - x)。购买定型产品的消费者同样承担预期的隐私泄露风险 θtφ\theta_{t}\ \varphi。

4. 混合定制(Hybrid Customization):制造商在提供基础标准品的同时,并行提供 MTO 定制品与 C2M 定型品,形成面向极致个性化长尾与主流共性趋势的高低搭配产品组合。

5. 蚕食效应(Cannibalization Effect)vs. 价值增强效应(Value Enhancement Effect):C2M 定型产品定制水平 uu 的提升增强了定型品的市场竞争力,吸纳更多消费者购买,带来“价值增强”;但与此同时,定型品会分流原本愿意为 MTO 支付高昂溢价的高端消费者,产生对 MTO 业务的“蚕食效应”。

2. 模型符号汇总与经济学含义(符号与设定全部为原生公式)

为确保数学表达的严谨性,下表系统梳理了模型中的所有关键符号、数学设定及经济学解释(第一、二列的所有数学表达式均已嵌入为 Word 原生公式):

变量/参数符号 数学设定与取值范围 经济学内涵与现实解释
xx x∈U[0,1]x\ \in \ U\lbrack 0,\ 1\rbrack 消费者在 Hotelling 线性市场中的理想产品偏好位置,服从标准均匀分布
ww w>0w\ > \ 0 消费者对其理想产品的内在保留效用(Base preference)
mm m>0m\ > \ 0 消费者对产品偏好偏离理想点的边际错位不效用系数(Marginal mismatch disutility)
Φ\Phi Φ∈[0,1]\Phi\ \in \ \lbrack 0,\ 1\rbrack 产品在产品空间中的具体位置(标准品 Φ=0\Phi = 0,定型品 Φ=1\Phi = 1)
ii i∈∖m,e∖i\ \in \ \backslash m,\ e\backslash 决策主体:下标 mm 代表制造商(Manufacturer),ee 代表电商平台(E-commerce Platform)
jj j∈∖s,c,t∖j\ \in \ \backslash s,\ c,\ t\backslash 产品形态:ss 为标准品,cc 为定制品(MTO),tt 为定型品(C2M)
cc c>0c\ > \ 0 标准品与定型品在 MTS 模式下的基础单位生产与履约成本
ρ\rho ρ∈(0,1)\rho\ \in \ (0,\ 1) 电商平台向制造商收取的商品交易销售佣金率(Commission rate)
θc,θt\theta_{c},\ \theta_{t} θc,θt>0\theta_{c},\ \theta_{t}\ > \ 0 消费者分别在 MTO 定制与 C2M 定型模式下对数据隐私泄露风险的敏感度系数
φ\varphi φ>0\varphi\ > \ 0 消费者预期的客观数据泄露概率与风险大小(Expected data breach risk)
kk k>0k\ > \ 0 消费者对 MTO 定制品等待交货提前期的边际等待成本系数
hh h>0h\ > \ 0 制造商加急缩短交货提前期的技术投资缩放因子(Scaling constant)
ll l>0l\ > \ 0 MTO 定制产品的交货提前期(Lead time),内生决定
Δc\Delta\ c Δc=h/l\Delta\ c\ = \ h/l 制造商为缩短 MTO 交货期而支付的额外单位加急生产成本
gig_{i} gm=g,ge=εgg_{m}\ = \ g,\ g_{e}\ = \ \varepsilon\ g 企业 ii 获取市场信息数据的边际采集成本;gg 为基准成本
ε\varepsilon ε∈(0,1)\varepsilon\ \in \ (0,\ 1) 折扣因子,反映电商平台因全域生态优势在数据收集上具备的相对成本优势
τi\tau_{i} τm,τe≥0\tau_{m},\ \tau_{e}\ \geq \ 0 企业 ii 为获取精准市场信息所付出的数据收集努力水平(Effort level)
KK K>0K\ > \ 0 制造商将数据洞察转化为定型产品研发设计的技术投资成本因子
uu u≤ūu\ \leq \ ū 定型产品的定制化深度/匹配改善水平(Customization level)
ff f>0f\ > \ 0 平台向制造商提供数据洞察服务时所收取的边际技术服务费率(Service fee)
pjp_{j} ps,pc,ptp_{s},\ p_{c},\ p_{t} 产品类型 jj 的终端市场零售价格
DjD_{j} Ds,Dc,DtD_{s},\ D_{c},\ D_{t} 产品类型 jj 在终端市场的实际均衡需求量
πi\pi_{i} πm,πe\pi_{m},\ \pi_{e} 分别为制造商与电商平台的均衡期望净利润
CW/CSCW\ /\ CS CSM,CSP{CS}^{M},\ {CS}^{P} 消费者福利(Customer Welfare)或消费者剩余(Consumer Surplus)

3. 消费者效用与市场需求函数推导

市场上消费者偏好理想点 xx 均匀分布于 [0,1]\lbrack 0,\ 1\rbrack 区间。根据三类产品的属性特征,位于 xx 处的消费者若分别购买标准品、定制品和定型品,其获得的期望净效用函数分别为:

Us=w−mx−psU_{s}\ = \ w\ - \ mx\ - \ p_{s}

Uc=w−kl−θcφ−pcU_{c}\ = \ w\ - \ kl\ - \ \theta_{c}\ \varphi\ - \ p_{c}

Ut=w−m1+u(1−x)−θtφ−ptU_{t}\ = \ w\ - \ \frac{m}{1 + u}(1 - x)\ - \ \theta_{t}\ \varphi\ - \ p_{t}

通过求解无差异效用点(Indifference points),即令 Us=UcU_{s}\ = \ U_{c} 与 Uc=UtU_{c}\ = \ U_{t},可以精确推导出标准品与定制品、定制品与定型品之间的市场无差异分割点,进而推导出三类产品的实际市场总需求函数:

Ds=θcφ+kl+pc−psmD_{s}\ = \ \frac{\theta_{c}\ \varphi\ + \ kl\ + \ p_{c}\ - \ p_{s}}{m}

Dt=(1+u)θcφ−θtφ+kl+pc−ptmD_{t}\ = \ (1 + u)\frac{\theta_{c}\ \varphi\ - \ \theta_{t}\ \varphi\ + \ kl\ + \ p_{c}\ - \ p_{t}}{m}

Dc=1−Ds−Dt=m−θcφ−kl−pc+psm−(1+u)θcφ−θtφ+kl+pc−ptmD_{c}\ = \ 1\ - \ D_{s}\ - \ D_{t}\ = \ \frac{m\ - \ \theta_{c}\ \varphi\ - \ kl\ - \ p_{c}\ + \ p_{s}}{m}\ - \ (1 + u)\frac{\theta_{c}\ \varphi\ - \ \theta_{t}\ \varphi\ + \ kl\ + \ p_{c}\ - \ p_{t}}{m}

五、 博弈时序与企业目标函数

1. 八阶段动态博弈决策时序

博弈全过程遵循严密的八阶段时序推进,充分刻画了从战略模式选择、契约确立、技术投资到市场定价与消费购买的全生命周期:

• 【第一阶段(模式抉择)】实施 MTO 定制的制造商决定是自主收集市场数据(MM 模式),还是向电商平台购买数据驱动的商业洞察(PP 模式)来开展 C2M 定制。

• 【第二阶段(平台响应)】若制造商意图购买,电商平台决定是否同意提供数据洞察服务支持。

• 【第三阶段(努力投资)】若为自主模式(或平台拒绝),制造商决定自身数据获取努力水平 τm\tau_{m};若为平台合作模式,平台决定其数据挖掘努力水平 τe\tau_{e}。

• 【第四阶段(服务定价)】在平台合作模式下,平台确立向制造商收取的数据服务费率 ff(总费用为 ufuf)。

• 【第五阶段(定制深度)】制造商确定 C2M 定型产品的定制水平 uu,并支付研发投入 Ku21+τi\frac{{Ku}^{2}}{1 + \tau_{i}}。

• 【第六阶段(提前期)】制造商确定 MTO 定制品交货提前期 ll,支付加急成本 Δc=h/l\Delta\ c\ = \ h/l。

• 【第七阶段(产品定价)】制造商制定标准品、定制品与定型品的终端零售价格(ps,pc,ptp_{s},\ p_{c},\ p_{t})。

• 【第八阶段(市场出清)】消费者观察所有产品规格、价格与交付时间,做出效用最大化的购买决策。

2. 两种模式下的企业利润函数

(1)制造商自主收集模式(M 模式)

在 MM 模式下,制造商自行承担数据收集成本 τm3gm\tau_{m}^{3}\ g_{m}(其中 gm=gg_{m}\ = \ g)。制造商与平台的期望利润函数表示为:

πmM=Ds[(1−ρ)ps−c]+Dc[(1−ρ)pc−c−Δc]+Dt[(1−ρ)pt−c]−Ku21+τm−τm3g\pi_{m}^{M}\ = \ D_{s}\lbrack(1 - \rho)p_{s}\ - \ c\rbrack\ + \ D_{c}\lbrack(1 - \rho)p_{c}\ - \ c\ - \ \Delta\ c\rbrack\ + \ D_{t}\lbrack(1 - \rho)p_{t}\ - \ c\rbrack\ - \ \frac{{Ku}^{2}}{1 + \tau_{m}}\ - \ \tau_{m}^{3}\ g

πeM=Dsρps+Dcρpc+Dtρpt\pi_{e}^{M}\ = \ D_{s}\ \rho\ p_{s}\ + \ D_{c}\ \rho\ p_{c}\ + \ D_{t}\ \rho\ p_{t}

(2)平台引入模式(P 模式)

在 PP 模式下,平台支付数据采集成本 τe3ge\tau_{e}^{3}\ g_{e}(其中 ge=εgg_{e}\ = \ \varepsilon\ g),并向制造商收取服务费 ufuf。制造商研发成本中的信息努力由平台的 τe\tau_{e} 替代:

πmP=Ds[(1−ρ)ps−c]+Dc[(1−ρ)pc−c−Δc]+Dt[(1−ρ)pt−c]−Ku21+τe−uf\pi_{m}^{P}\ = \ D_{s}\lbrack(1 - \rho)p_{s}\ - \ c\rbrack\ + \ D_{c}\lbrack(1 - \rho)p_{c}\ - \ c\ - \ \Delta\ c\rbrack\ + \ D_{t}\lbrack(1 - \rho)p_{t}\ - \ c\rbrack\ - \ \frac{{Ku}^{2}}{1 + \tau_{e}}\ - \ uf

πeP=Dsρps+Dcρpc+Dtρpt+uf−τe3εg\pi_{e}^{P}\ = \ D_{s}\ \rho\ p_{s}\ + \ D_{c}\ \rho\ p_{c}\ + \ D_{t}\ \rho\ p_{t}\ + \ uf\ - \ \tau_{e}^{3}\ \varepsilon\ g

六、 均衡解、命题与推论深度解析(结合生动实例)

本节通过逆向归纳法求解纳什均衡,并结合真实商业案例与直观经济机理,逐一剖析论文的引理与命题。为增强可读性,本节严格省略复杂的代数求导证明,重点阐发其经济管理内涵。正文中的所有数学表达式均以内生公式形式精准呈现。

1. 引理 1(Lemma 1):均衡解的唯一性与灵敏度特征

引理 1 表明:在制造商自主收集(MM 模式)与平台引入(PP 模式)下,均存在唯一的子博弈精炼纳什均衡。其关键均衡决策变量如下:

τmM=[(1−ρ)(θcφ−θtφ)+2(1−ρ)kh]̂28(1−ρ)m3Kg\tau_{m}^{M}\ = \ \frac{\lbrack(1 - \rho)(\theta_{c}\ \varphi\ - \ \theta_{t}\ \varphi)\ + \ 2\sqrt{(1 - \rho)kh}\rbrack\hat{}2}{8(1 - \rho)m\ \sqrt{3Kg}}

τeP=[(1−ρ)(θcφ−θtφ)+2(1−ρ)kh][(θcφ−θtφ)+2(1−ρ)kh]8(1−ρ)m6Kεg\tau_{e}^{P}\ = \ \frac{\lbrack(1 - \rho)(\theta_{c}\ \varphi\ - \ \theta_{t}\ \varphi)\ + \ 2\sqrt{(1 - \rho)kh}\rbrack\lbrack(\theta_{c}\ \varphi\ - \ \theta_{t}\ \varphi)\ + \ 2\sqrt{(1 - \rho)kh}\rbrack}{8(1 - \rho)m\ \sqrt{6K\varepsilon\ g}}

fP=[(1−ρ)(θcφ−θtφ)+2(1−ρ)kh][(1−2ρ)(θcφ−θtφ)+2(1−ρ)kh]8(1−ρ)mf^{P}\ = \ \frac{\lbrack(1 - \rho)(\theta_{c}\ \varphi\ - \ \theta_{t}\ \varphi)\ + \ 2\sqrt{(1 - \rho)kh}\rbrack\lbrack(1 - 2\rho)(\theta_{c}\ \varphi\ - \ \theta_{t}\ \varphi)\ + \ 2\sqrt{(1 - \rho)kh}\rbrack}{8(1 - \rho)m}

uM=(1+τmM)[(1−ρ)(θcφ−θtφ)+2(1−ρ)kh]̂28K(1−ρ)mu^{M}\ = \ (1\ + \ \tau_{m}^{M})\frac{\lbrack(1 - \rho)(\theta_{c}\ \varphi\ - \ \theta_{t}\ \varphi)\ + \ 2\sqrt{(1 - \rho)kh}\rbrack\hat{}2}{8K(1 - \rho)m}

uP=(1+τeP)[(1−ρ)(θcφ−θtφ)+2(1−ρ)kh]̂2−4(1−ρ)mfP8K(1−ρ)mu^{P}\ = \ (1\ + \ \tau_{e}^{P})\frac{\lbrack(1 - \rho)(\theta_{c}\ \varphi\ - \ \theta_{t}\ \varphi)\ + \ 2\sqrt{(1 - \rho)kh}\rbrack\hat{}2\ - \ 4(1 - \rho)m\ f^{P}}{8K(1 - \rho)m}

灵敏度分析表明:无论哪种模式,随着数据边际成本 gg 或产品错位成本 mm 增加,信息收集努力 τ\tau 均单调递减(dτdg<0,dτdm<0\frac{d\tau}{dg}\ < \ 0,\ \frac{d\tau}{dm}\ < \ 0),进而导致定制深度 uu 下降。值得注意的是,在 PP 模式下,随着 mm 上升,平台收取的边际服务费 fPf^{P} 会显著下降(dfPdm<0\frac{{df}^{P}}{dm}\ < \ 0)。

【引理 1 的生动商业案例解析:服装配饰行业的平台让利保佣金机制】
【现实商业场景】在时尚服饰与配饰行业,消费者的体型、肤色及审美偏好千差万别,产品的边际错位成本 mm 极高(一件衣服稍不合身消费者便不愿购买)。同时,由于流行潮流瞬息万变,抓取精准时尚趋势的边际成本 gg 也居高不下。
【经济学机理解构】当错位成本 mm 极高时,C2M 定型产品的吸引力天然受抑。此时,如果电商平台(如天猫或京东)依然收取高昂的数字化洞察赋能年费(高 fPf^{P}),服装制造企业(如某女装品牌)将被迫放弃产品深度研发,甚至退出 C2M 项目。为了防止 C2M 业务崩盘,平台最理性的反应是主动降低数字化服务费(dfPdm<0\frac{{df}^{P}}{dm}\ < \ 0),甚至以极低门槛提供流行趋势报告。平台宁可少赚数据服务费,也要扶持品牌商推出更多符合大众版型的 C2M 爆款,从而维系平台自身的巨额交易佣金收入(ρptDt\rho\ p_{t}\ D_{t})。

2. 命题 1(Proposition 1):制造商的数据获取模式抉择(自采 vs. 外购)

命题 1 聚焦核心问题:制造商何时应当向电商平台采购数据洞察,何时应当坚持自主收集数据?

命题结论概括:

(a)即便平台发起的 C2M 能带来更丰富精准的数据(即 τmM<τeP\tau_{m}^{M}\ < \ \tau_{e}^{P}),当数据边际获取成本较高(g>g1g\ > \ g_{1})且消费者对 C2M 隐私风险更敏感(θc<θt\theta_{c}\ < \ \theta_{t})时,制造商仍偏好自主收集市场数据(MM 模式胜出,πmM>πmP\pi_{m}^{M}\ > \ \pi_{m}^{P})。

(b)即便制造商自主收集能够投入更高的数据努力水平(即 τmM>τeP\tau_{m}^{M}\ > \ \tau_{e}^{P}),当数据边际成本较低(g<g1g\ < \ g_{1})或消费者对 MTO 隐私风险更敏感(θc>θt\theta_{c}\ > \ \theta_{t})时,制造商反而更倾向于向电商平台购买数据洞察(PP 模式胜出,πmP>πmM\pi_{m}^{P}\ > \ \pi_{m}^{M})。

【命题 1 的生动商业案例解析:乐高/特斯拉的自立 vs. 惠普暗影精灵的借力】
【案例 A:乐高(LEGO)与特斯拉(Tesla)为何坚持自主采集?】
• 乐高在 2012 年关闭了官方按单定制的 LEGO Design byMe,全面转向自营的 LEGO Ideas 众包与自主数据采集生态;特斯拉则完全拒绝向第三方平台采购车主画像,全部依靠车机传感器与直营渠道沉淀第一方数据。
• 机理解释:玩具创意与智能电车属于专业化深度极高、数据抓取边际成本极高(g>g1g\ > \ g_{1})的品类,且乐高硬核粉丝对流水线式的算法定制充满审慎与挑剔(偏见与敏感度高,θc<θt\theta_{c}\ < \ \theta_{t})。此时外部电商平台的大众交易数据缺乏针对性,且平台会索取高额服务费。对乐高而言,自建社区虽然数据量没有全网大,但省去了平台盘剥,能精准契合玩家心智,因而自主收集利润最大。

【案例 B:惠普(HP)暗影精灵(OMEN)游戏本为何拥抱京东大数据?】
• 惠普在 PC 领域深耕多年,原本具备强大的研发能力,但自 2015 年起深度依托京东 C2M 平台反向定制 OMEN 游戏本,连续十年霸榜畅销榜。
• 机理解释:PC 硬件属性标准高度模块化,数据边际采集与转换成本较低(g<g1g\ < \ g_{1}),且游戏玩家对于电竞配置(如高刷屏、显卡功耗、散热架构)的平台评价数据毫不敏感,反而反感传统长周期的按单装机流程(θc>θt\theta_{c}\ > \ \theta_{t})。此时,京东聚集了全网数以亿计的游戏发烧友全链路互动轨迹,惠普向京东采购大数据洞察,能以极高效率直击硬件痛点,实现显著的增值效益。

3. 命题 2(Proposition 2):电商平台的数据赋能决策(何时愿意提供支持)

命题 2 探讨平台的反向选择:电商平台是否总有动力为制造商的 C2M 定制提供商业洞察?

命题结论概括:

(a)即便平台的数据洞察能够显著提高定型产品的定制水平(uP>uMu^{P}\ > \ u^{M}),当数据边际成本较低(g<g2g\ < \ g_{2})、平台技术成本优势有限(ε>ε2\varepsilon\ > \ \varepsilon_{2})且消费者倾向于 C2M(θc>θt\theta_{c}\ > \ \theta_{t})时,电商平台可能会拒绝向制造商提供数据洞察!

(b)反之,即便平台提供的数据洞察只能达到较低的定制水平(uP<uMu^{P}\ < \ u^{M}),只要数据边际成本较高(g>g2g\ > \ g_{2})或消费者对定型品偏见较大(θc<θt\theta_{c}\ < \ \theta_{t}),平台反而非常乐意提供数据洞察支持!

【命题 2 的生动商业案例解析:大众快消品的“躺赚年费”与极客品类的“算力劝退”】
【场景 A:为什么平台热衷于向成熟家电、日化美妆品牌销售数字化赋能包?(对应情况 b)】
• 在空气炸锅、电水壶、大众洗发水等行业,消费者对款式有一定偏好但错位容忍度较高,市场需求平稳。平台自身只需运行通用的常规大盘算法(gg 相对较高,但对特定品类增量努力极低),输出一份标准化的趋势报告,就能向奥克斯、苏泊尔等厂商稳稳收取每年几十万至数百万的数字化服务费(ufuf)。尽管定制提升幅度有限(uP<uMu^{P}\ < \ u^{M}),但平台以零边际成本“躺赚”技术服务费,稳赚不赔。

【场景 B:为什么平台往往对高精尖垂直细分品类的深度研发需求避而远之?(对应情况 a)】
• 如果一个高端户外品牌希望电商平台针对“极地攀登装备”进行深度反向定制,消费者需求极其严苛且爆发力强(θc>θt\theta_{c}\ > \ \theta_{t})。此时为了满足高定制要求,平台必须投入庞大的算法算力与线下调研团队进行专门攻坚,数据采集成本以三次方级急剧膨胀(τe3εg\tau_{e}^{3}\ \varepsilon\ g 暴增)。而该品类整体体量有限,未来带来的交易抽成佣金根本无法覆盖昂贵的数据研发支出,平台精明核算后宁可拒绝合作。

4. 命题 3(Proposition 3):数据获取努力水平的跨模式对比悖论

直觉上,电商平台坐拥全网技术基础设施和庞大数据资产(ge=εg<gg_{e}\ = \ \varepsilon\ g\ < \ g),理应在数据挖掘上投入比单个制造商更高的努力。然而命题 3 得出了完全反直觉的结论:

命题结论:即使电商平台在数据采集上具有显著的技术成本优势(ε<1\varepsilon\ < \ 1),只要平台的销售佣金率较低(即 ρ<ρ1\rho\ < \ \rho_{1}),制造商自主收集模式下的数据获取努力水平反而显著高于平台模式(即 τmM>τeP\tau_{m}^{M}\ > \ \tau_{e}^{P})。

【命题 3 的生动商业案例解析:耐克(Nike)DTC 战略与渠道抽成对创新的激励扭曲】
【现实商业场景】耐克公司近年来大力推进 Direct-to-Consumer(DTC,直面消费者)战略,不惜与亚马逊等巨头缩减合作,重金自建 Nike App、SNKRS 数字化社区与研发创新中心。
【经济学机理解构】假定平台对运动鞋品类的抽成佣金率较低(如 ρ=8∖%\rho\ = \ 8\backslash\%)。在平台主导模式下,平台每通过算法帮耐克多卖出一双 1000 元的跑鞋,平台自身只能获得微薄的 80 元抽成。面对高阶三次方增长的数据研发成本,平台缺乏足够的动力深挖跑者足底微循环与步态数据,宁可投入较低的努力(τe\tau_{e} 偏低)。
而在自主收集模式下,扣除基础制造成本后,产品溢价带来的 920 元毛利全部归耐克所有!超高的收益保留率极大地激活了耐克的内生研发激励,使得耐克甘愿耗费巨资搭建全球顶级的数字化运动实验室,投入远超电商平台的极致数据努力(τm\tau_{m} 极高)。

5. 命题 4(Proposition 4):消费者福利(Customer Welfare)的逆转机制

命题 4 直面公共政策与社会福祉的核心命题:究竟哪种数据获取模式对广大消费者更为有利?

命题结论:即便在制造商自主收集模式下其数据获取努力水平较低(τmM<τeP\tau_{m}^{M}\ < \ \tau_{e}^{P}),只要数据采集边际成本较高(g>g3g\ > \ g_{3}),制造商自主收集模式创造的消费者福利依然显著高于平台主导模式(即 CSM>CSP{CS}^{M}\ > \ {CS}^{P})!

【命题 4 的生动商业案例解析:消灭“平台中间商差价”如何真正让利消费者】
【现实消费体验对比】
• 路径一(平台主导的反向定制款):某知名电商平台联合工厂推出所谓“大数据反向定制电竞椅”。虽然平台算法算得非常准,但平台在后台向代工厂收取了高昂的流量坑位费与数据服务费。代工厂为了收回成本,终端定价只降了 50 元,且为了支付平台费用在海绵密度上暗中减料。
• 路径二(品牌自建社群定制款):某新兴人体工学椅品牌,完全通过自建微信社群和论坛征集用户痛点。虽然其数据统计可能不如大厂算法精准,但免去了被平台层层抽成盘剥的沉重负担。品牌方将节省下来的数据中介费全额贴补给消费者,不仅产品用料扎实,价格更是直降 200 元。
【政策启示】在数据边际成本较高的产业中,平台对数据要素的垄断定价构成了典型的“双重边际化”(Double Marginalization)加价壁垒,最终必定转嫁至终端消费者;而支持实体企业自立自强发展第一方数据资产,反而能打破平台盘剥,创造更大的消费者剩余!

6. 拓展模型(Extensions)的稳健性检验与现实映射

论文第 6 节构建了三个重要的拓展模型,证实了基准模型核心命题的稳健性:

1. 双渠道销售拓展(Dual-Channel Sales, Propositions EC.1 & EC.2):允许制造商通过自有官网和平台双渠道销售。结论表明,尽管自营渠道增强了制造商的话语权,但由数据边际成本 gg 和隐私偏见 θ\theta 决定的模式选择临界阈值依然严格成立。

2. 定制范围拓展(Customization Scope, Propositions EC.3 & EC.4):将定型产品的定制水平从连续深度放宽为覆盖多属性的定制区间宽度。当平台成本优势 ε\varepsilon 较弱且数据边际成本较高时,自建模式占优的核心逻辑保持不变。

3. 纯 C2M 模式拓展(Pure C2M, Propositions EC.5 & EC.6):刻画了企业完全放弃传统 MTO 定制、仅保留标准品与 C2M 定型品的场景(例如乐高放弃 Design byMe 专注于 LEGO Ideas)。此时即使不存在对 MTO 的产品内蚕食效应,数据资产的定价与成本权衡依然驱动相同的均衡演化。

七、 全文结论的经济学与管理/政策启示总结

1. 对制造企业(品牌商)的管理启示

【制造企业战略指引】
【建立基于品类特性的“自采 vs. 外购”决策矩阵】企业决不能盲目迷信平台全域大数据的神话。在数据采集边际成本高、产品专业性强、消费者极其注重隐私的行业(如高阶精密装备、母婴医疗、高端服饰),必须坚定自建数据生态(如类似乐高自建创意社区、特斯拉自建数据底座);仅在数据标准化程度高、大众流行偏好主导的品类(如数码配件、小家电),方可适度采购平台洞察。
【警惕陷入“平台数据飞轮”的依附陷阱】制造企业过度依赖平台提供的数据报告,会导致自身在细分长尾市场的敏锐度严重退化(即导致企业的 gg 逐年恶化),最终使制造业退化为毫无研发话语权的“数字代工厂”。制造企业应通过产品创新建立属于自身的第一方私域用户画像。
【审慎权衡混合定制中的“自相残杀”风险】管理层在推进 C2M 反向定制爆款时,必须精准测算其对传统高毛利定制(MTO)业务的蚕食效应。过高的定型品匹配度可能会瓦解 MTO 的溢价根基,应通过产品功能边界与交付时间的动态区隔实现协同增效。

2. 对电商平台运营者的商业启示

【电商平台运营指引】
【摆脱单一流量抽成,重构“数据要素服务商”定位】平台拥有得天独厚的全域交互数据,应积极探索从“交易管道”向“产业数字化赋能引擎”转型。但在设计技术服务费 ff 时,必须充分考虑行业的错位成本结构,避免因过高的服务费定价吓退制造业合作伙伴。
【设计动态弹性的数据服务收费契约】在错位成本极高的行业,平台应采取“低服务费、分享销售提成”的共担机制,通过让利激发制造商的研发动力;在标准化优势品类上,则可通过固定服务费实现数据资产的规模化变现。
【差异化赋能,避免对垂直创新“一刀切”】平台必须清醒认识到全域大数据的边界,对需要高度行业专业深度的定制领域,平台应主动与专业机构联合开发垂直算法,而非盲目承诺导致算力研发成本失控。

3. 对政府监管与政策制定者的公共启示

【政策与反垄断监管启示】
【打破超级平台的数据壁垒,降低实体制造业的数据获取成本】反垄断与数字经济监管机构应加快推行跨平台数据互联互通协议与合规数据可携权(Data Portability),防止平台以“保护隐私”为名行“数据垄断”之实,降低制造企业获取全域商业洞察的交易门槛与边际成本。
【规制平台数据中介的过度“双重加价”抽成】研究已明确证明,平台对数据服务费的过度加价会严重抑制制造业创新意愿,并最终损害消费者剩余。监管机构应出台平台算法服务费指导规范,防止高昂数字赋能费用吞噬实体经济利润。
【加大对中小制造业数字化基础设施的公共扶持】支持制造业建立工业互联网平台和行业级第一方数据联盟,打破因单一企业数据采集成本过高而不得不依附平台的劣势地位,全面提升国家制造业自主创新能力与全社会福利水平。

八、 参考文献(References)

以下列出本文总结报告所依托的本篇核心论文信息及文中所引用的代表性经典学术文献(严格遵循国际规范格式):

Yan P, Pei J, Kumar S (2026) To Collect or to Purchase? Collaboration Between Manufacturer and E-Commerce Platform on Customization. Information Systems Research 37(3):1944–1965.

Alptekinoglu A, Corbett CJ (2008) Mass customization vs. mass production: Variety and price competition. Manufacturing & Service Operations Management 10(2):204–217.

Alptekinoglu A, Orsdemir A (2022) Is adopting mass customization a path to environmentally sustainable fashion? Manufacturing & Service Operations Management 24(6):2982–3000.

Basu A, Bhaskaran S (2018) An economic analysis of customer co-design. Information Systems Research 29(4):786–787.

Bhargava H, Dubus A, Ronayne D, Shekhar S (2025) The strategic value of data sharing in interdependent markets. Management Science 72(2):1472–1488.

Cil EB, Pangburn MS (2017) Mass customization and guardrails: 'You can not be all things to all people.' Production and Operations Management 26(9):1728–1745.

Dewan R, Jing B, Seidmann A (2003) Product customization and price competition on the internet. Management Science 49(8):1055–1070.

D'Arcy J, Adjerid I, Angst CM, Glavas A (2020) Too good to be true: Firm social performance and the risk of data breach. Information Systems Research 31(4):1200–1223.

Esenduran G, Letizia P, Ovchinnikov A (2022) Customization and returns. Management Science 68(6):4517–4526.

Fan X, Wang S, Wang J (2022) The value of introducing customer-to-manufacturer model by the online retailer. International Transactions in Operational Research 29(4):2566–2585.

Kramer J, Shekhar S (2025) Regulating digital platform ecosystems through data sharing and data siloing: Consequences for innovation and welfare. MIS Quarterly 49(1):123–154.

Mendelson H, Parlakturrk AK (2008a) Competitive customization. Manufacturing & Service Operations Management 10(3):377–390.

Mendelson H, Parlakturrk AK (2008b) Product-line competition: Customization vs. proliferation. Management Science 54(12):2039–2053.

Pei J, Yan P, Kumar S (2023) No permanent friend or enemy: Impacts of the IIoT-based platform in the maintenance service market. Management Science 69(11):6800–6817.

Tian L, Vakharia AJ, Tan Y, Xu Y (2018) Marketplace, reseller, or hybrid: Strategic analysis of an emerging e-commerce model. Production and Operations Management 27(8):1595–1610.

Xia N, Rajagopalan S (2009) Standard vs. custom products: Variety, lead time, and price competition. Marketing Science 28(5):887–900.

Zhang X, Cheng L, Yu Y, Tan Y (2025a) To partner or not to partner? The partnership between platforms and data brokers in two-sided markets. Information Systems Research 36(3):1437–1460.

Zhang X, Yue WT, Zhang R, Yu Y (2025b) Blessing or curse? Implications of data brokers for publisher competition. Information Systems Research 36(1):261–284.

Zhu W, Tang S, Mookerjee V (2025) Should ad exchanges subsidize advertisers to acquire targeting data? Information Systems Research 36(3):1502–1521.