大数据驱动的企业与用户互动创新：理论框架与前沿课题

摘要： 大数据驱动的企业与用户互动创新已成为企业洞察市场和用户动态、提升创新敏捷性和适应性的重要模式，其关键因素和作用机制日益成为创新、营销和信息系统等领域的热点议题。结合系统性综述设计和关键词共现分析，梳理大数据情境下企业与用户互动创新的研究洞见。针对情境和工具如何影响领先用户与普通用户关系及二者的相互作用机制两个研究缺口，提出大数据驱动的企业与用户互动创新“条件—路径—绩效”理论框架。依据该理论框架，结合文献和案例证据，重点阐述在什么情境和工具条件下企业与领先用户、普通用户以何种互动创新路径影响创新产品和大数据合作资产，由此形成理论创新。分析结果表明，互动创新路径选择本质是在异质性情境和工具条件下，企业在创新新颖性—泛用性以及数据分析成本—收益之间的动态权衡；两类创新路径的动态变化由互动创新工具成熟度、创新主导权的变更所触发。最后，进一步提炼出大数据驱动的企业与用户互动创新理论研究的三类前沿课题，并讨论其理论和实践意义。

关键词：产品创新；大数据驱动；企业与用户互动创新；大数据合作资产

中图分类号：F270 文献标识码：A

基金项目：国家自然科学基金重点项目“互联网环境下大数据驱动的企业与用户互动创新理论、方法和应用研究”（71832014），“制造企业数字化转型与管理适应性变革研究”（72032009）。

0 引 言

数字经济时代，企业与用户的互动式创新成为企业识别用户高度个性化需求、提升创新产品—用户需求契合度、获得持续竞争优势的重要途径。实践中，以华为、海尔、百度、LEGO为代表的国内外企业先后搭建开放式创新平台和社区①，吸引海量用户参与其新产品/服务的开发活动。大数据和人工智能（AI）的发展进一步催化和变革企业与用户互动创新的模式，在互动广度上为企业提供基于大数据分析与海量用户高效数据互动的可能性，在互动深度上使企业具有通过大数据模型抽取隐含于用户日常行为中的创新知识的能力。美的、索菲亚、韩都衣舍等企业竞相投资于大数据的采集、分析和应用技术，通过自身及全行业用户产生的海量数据形成产品和服务创新洞见，提升其创新绩效。与之相应，大数据驱动的企业与用户互动创新也日益成为学术研究的前沿热点议题[1-2]。大数据驱动的企业与用户互动创新是指在数字经济环境下，企业与用户基于大数据技术和工具展开创新互动，实现双方创新绩效的模式。

企业如何借助大数据实现与用户的互动创新？这既是学术界亟待研究的新议题，也是实业界面临的现实难题。数字经济环境下的企业与用户互动创新问题引发了国内外学者的高度重视和大量讨论[3]，形成了多视角观察、多学科交叉和多方法并用的研究特征，同时，大致形成了五点共识：①互联网环境为企业与用户互动创新提供了有力的工具和手段；②企业吸收能力是企业与用户互动创新的基础；③与领先用户和普通用户的互动创新，构成企业与用户互动创新的两种基本模式；④企业与用户互动创新能有效促进企业的创新绩效；⑤大数据驱动的企业与用户互动创新亟须有创新性的理论和制度支持[4]。

现有企业与用户互动创新研究主要关注创新参与动因、互动创新能力、互动机制、互动工具及互动绩效等[5]。大数据在文献中主要被作为效率提升因素或工具，加入上述互动创新议题进行探讨。如发现通过大数据自动匹配创新需求—解决方案，实时识别更具应用潜力的创新方案[6-7]；将用户社交网络数据视为信息类用户的一种新的信息提供工具[8]。总体而言，目前尚未形成大数据情境的互动创新的系统化理论框架。

本文旨在结合文献研究与实践证据，系统性探讨并提出大数据驱动的企业与用户互动创新理论框架。本文文献证据来自2014—2023年间发表于JCR分类中经济学、管理学、商业、运营和管理科学4个子类中高质量期刊的文献及其引用研究，及同期发表于CSSCI和中文核心期刊索引中的文献。实践证据来自研究团队对多家涉及大数据驱动的企业与用户互动创新实践的企业实地调研。本文主要有以下两方面理论价值。①产品创新是研发管理领域的核心问题之一，企业与用户互动创新又是开放式产品创新的热点议题[9]。近年来，互动创新研究受学者重视，但主要探讨的是非大数据驱动的互动创新特征[10]。开展大数据驱动的企业与用户互动创新研究，可以推进企业与用户互动创新研究的深度和广度，开拓大数据驱动的创新研究新领域，为开放式创新、互动导向战略等研究提供新的研究场景。②现有企业与用户互动创新的方法论或聚焦于虚拟品牌社区、工具箱、社区论坛、领先用户工作室、众包或意见反馈流程标准化等面向领先用户互动创新的问题[6， 11]，或聚焦于社交媒体用户知识抽取、用户画像、大数据平台构建影响产品创新成果[12]等面向普通用户互动创新的问题，缺乏整合框架以综合考虑在技术和创新情境差异条件下，如何结合与领先、普通两类用户的创新互动实现创新绩效。本文可为企业开展相关产品互动创新提供理论基础，推动大数据驱动的企业与用户互动创新方法的发展。

1 大数据、用户参与和企业创新的研究主题分析

1.1 文献检索与分析设计

大数据是“具有海量、高速、多样和价值稀疏特征”的数据[13]。大数据对企业创新活动的影响有多方面：通过更细粒度数据对产品生命周期进行更准确预测，从而制订更精确的产品更新计划[14]；通过关联多来源数据拓展企业已有知识搜索效率，更广泛地支持技术集成方案的产生[15]等。这些优势促使企业整合数据收集、分析和应用技术，基于大数据资源形成信息流和决策模型支撑或指导与用户的互动和产品/服务创新时，即实现大数据驱动式互动创新。

聚焦“大数据与企业—用户互动创新理论洞见”的研究目标，结合可对文献结论进行可追溯迭代分析以发掘潜在理论发展方向的系统性文献综述（systematic literature review，SLR）设计[16]，以及文献计量分析中的关键词共现网络分析方法，本文系统性评述当前高质量期刊论文中关于数据驱动、企业创新和用户创新参与议题的论文研究结论。文献分析分为4个步骤：①在上文所述研究目标基础上，通过阅读经典文献，获取主题词形成检索式；②在主要文献数据库检索获得文献的基础上，通过明确的文献筛选规则保留部分高度相关研究；③对目标文献进行定量分析，通过检验文献间的关键词共现关系识别出研究主题；④在定量识别出研究主题聚类之后，分析诠释聚类主题，对相关研究结论进行评述。

具体而言，在第①、②步骤中，以CUI和WU[17]、VON HIPPEL[18]等文献为参考将用户分为领先用户、普通用户；和GUPTA和GEORGE[19]关于大数据分析、大数据管理的高影响力研究为依据。分别获取“用户创新参与”“大数据驱动创新”相关关键词及其上下位名词，形成文献检索式“TS=（“big data” OR “data driven” OR “data enable” OR “big-data” OR “data resource” OR “data assets”） AND TS=（“user” OR “inven？ tor” OR “customer” OR “client” OR “interaction” OR “interface” OR “collaborat*” OR “co-creat*”）”。基于该检索式，分别从WOS、CSSCI平台，检索获得发表于Q1区期刊的论文1 053篇。之后基于SLR规范的文献筛选规则，通过阅读篇摘关信息，排除与消费者用户不相关、不包含大数据内容、不包含产品或服务创新的研究，形成包含210篇文献的数据集进行关键词共现网络分析。

步骤③为文献关键词共现网络分析，使用Citespace提供的文献关键词网络和聚类分析功能，对保留的210篇论文进行关键词网络聚类，获得领先用户创新洞见的自动化提取、领先用户大数据识别、大数据驱动的用户创新生态管理、企业—用户数据互动机制等9个相关研究主要聚类。进一步详细阅读文献内容发现，9个聚类形成3个主要研究脉络，分别为数据驱动的领先用户参与创新研究、数据驱动的普通用户参与创新研究以及数据化创新互补性资源研究。关键词共现分析结果如图1所示。

1.2 数据驱动的领先用户参与创新研究

领先用户（或特殊用户、创新用户）在用户创新参与文献中被定义为具有相关创新知识且具有领先于市场的个性化需求的用户群体[6]。如图1所示，聚类#4、#5、#6涉及大数据情境下的领先用户创新参与。①领先用户创新洞见的自动化提取（聚类#4）聚焦于通过大数据提取领先用户创新知识，包括用户创新社区中识别领先用户所贡献的需求—解决方案配对信息[20]；在众包平台中通过用户间互动数据实时识别创新方案并通过累积数据进行验证[7]；通过领先用户的既往创新方案特征，如流行性、整合性和复杂性识别出具有更高实现潜力的创新方案[21]。②领先用户大数据识别（聚类#5）涉及基于数据的领先用户识别，包含通过对用户移动设备应用数据分析识别领先用户特征并用于预测其移动内容使用概率[22]；通过数字人类学分析方式从非结构化数据中识别领先用户群组[23]；通过对在线平台的超大型网络结构分析，识别具有特殊网络特征的领先用户节点[24]。③大数据驱动的用户创新生态管理（聚类#6）聚焦探讨基于大数据管理和维持互动生态健康，相关研究重点讨论如何通过大数据对包含关键领先用户的创新社区、平台和众包竞赛进行实时监控和管理，提高对应创新方式的效率。研究提出检测用户领先性、并定期关注领先用户收益可见性将增加领先用户与企业的创新互动[25]，以及数字技术可供性的差异引导领先用户进一步分化为聚焦创新和聚焦传播的类型，从而丰富服务创新产出[26]。

1.3 数据驱动的普通用户参与创新研究

在大数据技术广泛应用前，普通用户被认为不具备创新知识和能力，难以通过专业形式展现其需求，因此通常被视为产品创新的接受者而非参与者[27]。在大数据情境下，个体普通用户通过其交易、社交、浏览等互联网使用行为形成的数字足迹，在被企业通过数据分析技术聚合后形成普通用户群体画像和产品洞见，从而实现数据化创新参与[28-29]。随着普通用户数据化创新参与日益成为企业获取产品/服务创新洞见的重要形式，在文献中也涌现出包括企业—用户数据互动机制（聚类#0）、用户数据分析与建模方法（聚类#2）、用户大数据知识固化机制（聚类#3）、数据化互动局限（聚类#8）4个热点研究议题。

企业—用户数据互动机制（聚类#0）聚焦探讨普通用户数据获取和用户持续性互动的动因和激励因素。文献整体表明企业—用户数据互动机制以无感知的被动数据获取为主要特征[30]。这些被动互动的触点主要分为众包平台、在线品牌社区、网络游戏等数字化社交和娱乐平台[30]，智能移动设备、智能家电等物联网（IoT）设备[31]，以及客户服务、采买支付工具等交易平台[32]三类。所涉及的技术则包含网络爬虫、大数据网络志分析[33]等自动化数据监控和采集技术[34]。随着人工智能技术的逐步成熟，当前企业—用户数据互动日益通过AI程序化互动和自助服务为媒介，并且由于新兴数据分析算力的算法支持对用户体验洞见的快速提取和数据网络效应带来的价值随数据体量倍增特征[35]，赋能企业与用户的数据化互动呈现快速迭代和持续优化特征。

用户数据分析与建模方法（聚类#2）着重发展用于分析海量用户数据，形成创新洞见的分析方法和算法工具。具体而言，当前研究主要提出4类分析模型，分别为：①新产品销量预测模型[36-37]，如通过相似产品历史数据预测创新产品的市场潜力[38]；②用户满意度预测模型[39]，如在考虑长期偏好动态变化的基础上评估用户对给定产品和服务的倾向[40]；③创新产品多维特征识别模型，如通过用户社交媒体数据识别出创新产品相关的讨论热点[41]；④用户分类画像模型[42-44]，如通过用户社交媒体内容分析，识别高价值用户群体。

用户大数据知识固化机制（聚类#3）探讨将聚类#1所述分析方法提炼的用户数据洞见用于企业产品、服务创新实践的过程特征。相关研究分别从资源视角、能力视角得出从用户大数据洞见到企业创新绩效的路径机制。①从资源视角，相关研究分别提出用户数据提升创新资源配置效率和增加创新决策效率两种从洞见到价值的实现路径。如：整合多来源外部专家报告评估产品研发项目[45]；通过创新用户多维度画像，基于用户声誉筛选创新项目[46]；基于用户实时反馈决定是否终止创新等[47]。数据证据的存在减少资源分配时不同部门间的矛盾和沟通摩擦，从而提升企业并行决策多项创新项目的能力，提高了企业创新敏捷性[48-49]。②从能力视角，相关研究分别表明用户大数据洞见以及为挖掘用户大数据所发展的大数据相关能力（如大数据分析能力、大数据管理能力等）成为企业动态能力的识别和捕获部分[50]，实现企业与用户的稳定连接[51]，提升企业识别和捕获市场动态机会的能力[52]。此外，有研究表明从用户大数据到创新绩效实现的关键在于将数据洞见同化为企业创新知识，知识吸收能力成为关联大数据洞见和企业竞争优势的中介因素[53]，将数据洞见转变为可执行创新洞见的过程。

数据化互动局限（聚类#8）关注用户数据化参与创新的“黑暗面”，识别出包含隐私风险[54]、创新锁定、数据成本3方面负面作用。WU等[15]指出大数据驱动模式更能提升渐进式、组合式创新绩效，而与企业的原创性创新活动实现互补。WANG等[55]指出在机器学习算法成本和所选训练数据量之间存在张力，需要在数据处理成本和模型准确性之间进行平衡。

1.4 数据化创新互补性资源研究

企业与用户互动创新是涉及多主体合作的复杂过程，多数研究认同即便大数据显著提升企业获取创新洞见的能力与效果，但若缺乏与数据洞见相匹配的互补性资源，企业的创新绩效仍然无法实现实质性提升。聚类#1和聚类#7所属文献，分别从创新组织内部和创新生态系统两个层面识别大数据驱动创新所涉及的多种互补性资源。

组织内互补性资源（聚类#1）研究聚焦于企业内组织特征、文化、技术和人力等资源对于大数据驱动创新的互补性作用，提出构建数据分析价值共识，建立多元化创新团队，匹配技术与业务目标，以及培育创造性、试错和学习文化[56]；并且强调创新价值创造过程中的信息透明度对于实现大数据创新价值的作用[57]。研究还发现企业市场导向的组织文化也促进企业大数据分析能力，进而提升创新绩效[58]。

创新生态互补性资源（聚类#7）聚焦于企业所属创新生态系统中的互补性因素，提出需要构建合适的用户参与环境以支持用户的信息和知识分享[59]；发现可规模化的生态系统整合是形成基于人工智能的商业模式创新的主要路径[60]。

1.5 研究评述

上文关键词和摘要名词共现分析表明，当前大数据情境下企业与用户互动创新研究包含3条研究脉络，共9个研究议题（如表1所示）。总体来看，现有大数据驱动的互动创新理论研究具有两条线索，其一是关注领先用户的研究[6]，围绕大数据对领先用户识别—创新方案提炼—持续创新激励的效率提升和促进作用展开理论机制和方法的探讨；其二是普通消费者数据化创新参与研究[28]，聚焦于大数据技术赋能下，企业如何与普通用户实现数据互动—分析建模—创新绩效实现的路径，以及其中潜在的风险和负面效应。

与领先用户、普通用户创新参与文献的分离不同，在讨论数据化创新互补性资源问题的研究中两条研究线索逐步融合互补。例如，有研究指出，在一线员工的服务创新中需要将大数据洞见与员工个人的数据和知识结合，以提高大数据可用性[61]。也有研究认为，大数据和人工智能目前无法替代领先用户对复杂知识的分析能力[62]。这些文献表明，企业与领先用户和普通用户的互动创新存在明显的互补性、情境依赖性和潜在的动态关系。目前与两类用户的互动创新如何根据创新情境和大数据创新工具而转变，以及其转变的机制尚不清晰。具体可细分为下述两个缺口。①情境如何影响两类用户的关系及转变机制？②大数据分析方法和工具如何影响两类用户的关系及转变机制？

2 大数据驱动的企业与用户互动创新：理论框架

如上文文献计量分析结果所示，当前研究分别从领先用户、普通用户两类创新互动对象出发，对大数据驱动创新的机制和实现工具进行广泛探讨。综合表明，大数据驱动的企业与用户互动创新本质是在大数据资源和技术这一新的条件因素下，企业与两类用户进行迭代式创新互动以提升各方收益的过程。其规律适用于通过过程视角进行分析整合。借鉴GHEZZI等[63]关于众包创新的研究和MUNINGER等[64]关于社交媒体驱动创新的理论整合研究设计，本文采用“输入—过程—输出模型”（IPO模型）为逻辑框架，通过严谨分析揭示过程前因条件、关键要素以及主要结果。基于上述文献洞见，结合作者团队多年来对企业大数据和互动创新实践的跟踪调研，形成如图2所示的“条件—过程—结果”理论框架，探讨在互动创新情境和工具异质性条件下，大数据驱动企业与用户互动创新绩效实现的机制特征。

2.1 企业与用户互动创新条件

在图2的理论框架中，互动创新条件包括互动创新情境和互动创新工具两方面。

互动创新情境指创新所针对的用户需求，控制创新过程的主体以及创新权益所有者构成的合集。在企业与用户互动创新中，根据创新控制主体的不同可以分为企业主导情境和用户主导情境两类。

企业主导情境指创新过程由企业计划、组织和实施，以目标性、盈利导向为特征。该情境的极端情况下，企业完全控制创新全部活动，用户仅作为创新产出的被动接受者[65]。更多情况下，企业主导情境表现为用户参与企业主导的创新平台分享和交流创新知识，以及参与企业主持的创新项目作为成员跟进产品/服务的研发流程[66-67]。

用户主导情境指创新过程由用户群体控制和实施，以创生性、使用导向为特征。该情境典型示例包括用户主导的开源社区，兴趣平台等。企业一方面可以作为参与者加入用户主导的创新项目，例如派遣员工加入开源社区[68]，或者跟随用户所开发出的创新方案，通过合作方式获取创新价值[69]；另一方面也可以通过构建用户创新工具箱、众包平台等辅助工具，主动让用户主导创新活动[7， 70-71]。

两类互动创新情境在实践中可能并存。例如，韩都衣舍一方面通过其用户大数据支持的“爆旺平滞”分析模型识别出潜在爆款产品作为该品牌新款服装设计参考，另一方面也通过“小组制”成立大量由服装设计师主导的产品小组，以发挥设计师个人的创意和美学知识。

互动创新工具是指大数据技术赋能的企业与用户创新互动方法论系统及其承载设备、功能和技术的总和。大数据技术已赋能形成了数据支持和数据启发两类互动创新方法论，以及与之匹配的知识管理工具。具体阐述如下。

数据支持方法论包括上文所述的领先用户识别[23-24]、用户创新洞察识别[6]以及用户创新方案验证3个主要内容。目标是通过大数据提升企业与用户既有创新互动形式的效率和效果。例如，美的集团所构建的大数据客服支持系统，将用户过往故障数据和相似问题的故障原因实时推送给电话客服，既提高客服帮助用户定位故障的效率，也帮助企业研发人员更准确及时地获取产品可能的缺陷数据。

数据启发方法论则是通过对海量用户数据的分析、模拟和验证，提取新颖的需求和功能方向，启发企业发现潜在增长点。其中，用户画像集构建[47]、产品创意集构建[72]、知识抽取与图谱化[12]构成其主要部分，目标是利用大数据分析的算力优势，快速识别分类出潜在的产品创新方向。以美的集团小厨电研发项目为例，通过惯例性追踪用户评论数据和电商销量数据，该项目快速识别出年轻消费者“一人食”的需求趋势，结合基于数字孪生系统所形成的智能制造能力，快速设计生产出小煮锅、小烤盘等爆款产品。

数据支持式知识管理工具以将大数据洞察进行有效呈现的数据可视化和决策辅助的技术为代表。例如，在用户创新竞赛中加入基于大数据的任务推荐系统[73]，或利用大数据给出的决策辅助信息，帮助用户从众多创新方向中筛选出最具可行性和新颖性的部分[21]。数据启发式知识管理工具以能够揭示分析对象间隐性关联的高级分析技术为代表[14]。例如，通过语音分析从电话客服大数据中提炼出用户最关注的功能和服务[74]；通过关联分析抽取盈利能力更强的产品特征集[56]。

随大数据技术发展，互动创新情境和工具条件在相互间动态适应中形成匹配。两者共同促使企业与用户的创新互动机制从非大数据情境下依赖人际关系的阶段型互动，转变为大数据情境下依赖数据纽带的连续型互动。创新资源的配置模式也从基于企业研发人员或创新用户经验的资源配置，转变为以数据洞察为依据、人员经验为逻辑的创新资源配置模式。创新互动机制、创新资源配置的变革进一步改变大数据情境下企业与用户创新绩效的实现路径。

2.2 企业与用户互动创新路径

上文分析表明，大数据提升企业与领先用户的创新互动效率，并形成与普通用户的数据化互动创新方式和价值实现模式[75]，进一步形成与领先用户的创新协同演化和与普通用户的创新协同演化两类互动创新路径。协同演化原指某一物种的某一特性由于回应另一物种的某一特性而进化，而后者的该特性也同样由于回应前者的特性而进化[76]。企业与用户互动创新价值实现过程本质是企业的产品、服务创新，与用户需求和个性化偏好的协同演化，且根据相互影响和持续接触这两个形成协同演化的必要条件[76]，进一步可分为与领先用户和与普通用户的创新协同演化。

与领先用户的创新协同演化指企业以领先用户为协同对象，通过大数据提升互动效率、固化创新知识，维持互动关系进而实现创新绩效的路径。该路径下，企业的领先用户搜寻、匹配、维系能力构成相互影响的机制，知识分享导向的激励机制构成双方的持续接触机制。

具体而言，企业首先要学习利用各类有专业人员数据的平台，通过大数据搜寻到专业人员，形成搜寻用户的能力；其次，需充分利用各类创客平台，通过大数据匹配精准的专业人员，形成匹配用户的能力；最后，要利用大数据对用户产生的研发创意进行信用查证，形成保障产品创新知识产权的能力。如乐高IDEAS项目，该平台鼓励创新用户分享积木玩法，并通过粉丝投票初选、专家复评的方式，使大数据筛选形成的初步方案与乐高专家基于小数据分析的洞见相结合，进而实现持续的创意产品输出。而为保持企业与领先用户接触的持续性，企业需要针对领先用户群体制定创新参与激励机制。该类参与激励针对用户知识质量和社会地位，以增加领先用户提供知识和信息的主动性为目标[77]。大数据显著增加了企业既有针对领先用户的激励机制效果，例如通过针对各个领先用户的人格及统计指标大数据分析，形成各个领先用户画像，从而针对性推荐创新议题和问题[73]。猪八戒网即通过给各个创新者构建信用画像实现更高效率的任务匹配。

与普通用户的创新协同演化指企业以普通用户群体为协同对象，基于对用户大数据分析所提炼的需求、痛点、缺陷洞见迭代实现创新绩效的路径。该路径以企业对普通用户的聚类、模拟、规则发展能力为相互影响因素，以针对普通用户数据化创新参与的激励机制为持续接触条件。

具体而言，企业首先要获取用户的各类数据，对用户特征进行分析，打上标签，由此形成细分用户的能力；其次，通过与用户的互动，不断生成交易和交流数据，逐步完善产品创新的算法，优化产品研发创新的决策，形成优化决策的能力；最后，随着数据的增多和应用数据能力的增强，利用用户大数据来构建研发创新的规则和流程，形成构建规则的能力[28]。例如，长安汽车针对传统客户调研方法舆情发现慢、用户覆盖低、分析结果偏差大的局限性，通过融合销售、会员、电商、渠道等多来源舆情和用户特征数据，构建分层次、分类型客户数据模型，形成决策、管理、执行层整合的数据驱动创新模式。

针对普通用户的激励则聚焦于用户数据的数量与质量，主要激励目标为用户的真实行为。例如，在群智感知中需要海量持有移动设备的用户实际光顾特定区域，此时相关企业的参与激励即是通过货币或者游戏机制使用户实际到达目标区域[78]。在这类激励机制中，大数据成为普通用户参与结果的判断依据，决定用户的收益水平。

2.3 企业与用户互动创新绩效

企业与用户互动创新绩效指通过与领先用户、普通用户的创新协同演化所实现的价值结果。从图2可知，企业与用户互动创新价值载体可以进一步分为互动创新产品/服务和大数据合作资产两个维度。

创新产品/服务指通过与领先、普通用户创新互动形成的新产品或服务。创新产品/服务是互动创新绩效的传统载体。通过率先为用户提供贴合其个性化需求和偏好的新产品/服务，企业得以抢占市场、获取创新租金，从而形成持续性竞争优势。而对于用户而言，通过创新参与所获得的个性化满足、自我实现、知识获取和社交价值也依附于创新产品和服务获取。

大数据合作资产指以大数据驱动的体验提升为代表的双边性、互动性和多维度价值[79]，即企业与用户在数字化服务交互中产生的，能够被另一方所拥有和利用的，并能创造当前或未来经济收益的数字化资产[75]。例如，在线内容平台随用户网页浏览数据增加而实时优化推荐算法参数，提供更精准的内容推荐体验。又如，智能汽车通过传感器和驾驶员意图推理算法，随用户驾驶数据增长形成环境预感知、自动灯控等功能所提升的用户驾驶体验。

一方面，大数据合作资产反映数据网络效应所产生的创新绩效。即由于企业所积累的数据维度、体量的增长，更能产生贴合用户个性化需求的产品和服务，推动企业与用户创新收益提升的效应[35]。这种大数据驱动的价值网络性，在如抖音、Bilibili等数字内容平台的快速增长中具有显著体现。①这些平台依赖用户参与数量的增加而激发视频内容创新，提升平台内容竞争力。②通过持续性获取观众用户的数据而优化其个性化内容推送算法，增加用户粘性和支付意愿，从而提升平台营收。另一方面，该价值载体反映的是价值的多主体互赖和情境依赖性。从产品创新视角来看，大数据对企业产品创新的价值不是单纯的赋能或使能价值，因为无论是赋能还是使能都是单向的，但大数据驱动的产品创新价值既来自企业的数据管理能力，也来自用户的数据化形成意愿与行为，而且与企业和用户所处的数字化技术基础设施条件和环境密切相关[35]。因此，成功践行大数据驱动的企业与用户互动创新的企业，通常强调不应盲目增加数据体量，而是构建与用户的持续性、全场景的数据化互动关系，以及不断发掘潜在的大数据应用情境。仍以长安汽车为例，其早期即使积累大量数据资源，但是缺乏对各种数据渠道的整合反而造成数据孤岛、数据流割裂问题，后来通过整合用户渠道、统一数据接口、拓展数据应用等举措才释放企业与用户互动创新的价值潜力。

2.4 企业与用户互动创新路径动态

图2中“互动创新路径”部分的箭头①②③进一步刻画表明，企业与用户互动创新绩效的实现路径并非非此即彼的“单行线”，而可能随情境条件和工具条件的动态而发生变化，即两类协同演化路径存在转化和并存关系。

其中，箭头①和箭头②分别表示在互动创新条件变化时，企业从与领先用户协同演化为核心的互动创新路径转化为与普通用户协同演化为核心的互动创新路径，或反之。这两类变化的本质是企业面对异质性的情境、工具条件时，在创新新颖性和创新适用性之间，以及在创新洞见成本和收益之间的动态权衡。

变更形式①意味着企业创新战略从利用领先用户极端、个性化的创新洞见向利用海量普通用户的一般化需求转移。从情境角度，这一转移的触发因素为企业针对某一用户创新方案的主导权获取。例如，VON HIPPEL[69]识别出企业采用“跟随”策略，从运动用品论坛中筛选出新兴运动产品和服务方案。而在大数据情境下，该类转移更多是通过数据自动化创新识别和后续的用户数据反馈来实现。又例如，索菲亚集团的设计部门分享其家居设计方案开发需要兼顾设计新颖性和用户可接受程度，因此其重大设计创新通常由专业室内设计师形成初步方案，进而在设计业务中利用反馈数据进行评分筛选确定为主推产品，并根据用户采购数据表现和评论内容的洞察进行持续优化。从工具角度，该类转移则随数据化知识管理体系的成熟而发生。当数据化知识管理工具逐步成熟后，通过对大量用户流数据的实时分析，企业得以在创新产品/服务中嵌入能够优化用户体验的功能模块，从而提升由大数据合作资产承载的创新绩效。

变更形式②刻画从利用海量普通用户数据提炼创新洞见向利用领先用户创新知识的路径转移。文献和实践证据表明该路径转变主要来自工具条件的变化。龚强等[80]的研究表明，大数据分析在产生创新洞见的同时，其数据处理和分析成本也随之增长。选择合适节点，使用领先用户的创新洞见补充大数据分析结果成为控制整体创新成本的关键。例如，高露洁的研发人员在调研中表示，在其新产品开发流程中，可以通过大数据分析从庞大的口腔护理场景中识别出可能出现爆款的几个方向，但很难直接靠数据分析得出一个可信且可验证的产品创新方案。因此，在大数据识别方向后，仍然需要召集对口腔护理产品有独特洞察的领先用户参与研发讨论，最终共同确定新产品设计和特性。

箭头③则表明两类路径在创新活动中融合并存、互补促进的理想状态，即在创新过程中将大数据创新洞见与领先用户创新知识进行匹配映射。既通过领先用户知识调整大数据分析模型，同时又通过大数据洞见扩展领先用户知识边界。这一融合路径对创新产品形式、领先用户参与深度以及大数据质量和分析技术均有较高要求。在实践中，这两类路径的融合现象主要出现在具有可灵活优化、快速迭代的数字化产品/服务创新情境中。例如，程序化广告行业会通过分析海量用户数据自动、实时优化数字广告设计，同时记录广告效果，形成洞察报告反馈给设计人员，促使其提炼出新的设计原则用于优化数据分析算法[47]。

图2提出的理论框架对于探讨大数据驱动的企业与用互动创新问题具有两方面理论创新。一方面，该框架提供了一个包含互动创新情境和工具条件、创新实现路径以及互动创新绩效的整合性框架。该框架将大数据驱动企业与用户的互动创新路径概念化为企业与领先、普通两类用户的创新协同演化路径，并分别识别出各自的能力和参与因素。另一方面，通过论述异质性情境、工具条件对互动创新路径动态的影响，识别出领先向普通用户创新协同演化转移、普通向领先用户创新协同演化转移，以及领先—普通用户创新协同演化融合三类动态模式，从而为当前文献缺乏探讨的两类互动创新路径转换关系和机制问题提供分析思路。当前，大数据驱动的企业与用户互动创新实现机制研究在国内外均是一个新课题，而图2理论框架从企业与用户创新互动这一侧面与创新管理文献中常用的创意搜索、筛选、开发和迭代优化框架形成互补。

3 大数据驱动的企业与用户互动创新：前沿课题

以图2框架为指导，本文进一步提炼大数据驱动的企业与用户互动创新的3个研究方向和前沿课题：①大数据驱动企业与用户创新协同演化机制研究；②两类创新协同演化机制的动态规律研究；③针对互动创新价值的评估和分配研究。

3.1 大数据驱动企业与用户创新协同演化机制研究

如前文所述，企业与用户互动创新的实现路径本质是企业创新方案与用户需求之间的协同演化。环境压力和创新压力依然构成大数据驱动的企业与用户创新协同演化的两个关键影响因素。通常，环境压力包括技术变革、用户增权和跨界竞争[53]，而创新压力包括创新成本、创新周期和创新风险。既往有关协同演化的研究通常强调当前5G、AI技术快速发展已经为探讨企业与用户的能力协同演化问题提供合适条件，而对该问题的探讨也有助于企业深化理解用户需求，优化企业创新投资和生产结构，帮助深化经济供给侧改革。

后续研究可以进一步从两个方面展开。一方面，进一步探讨大数据驱动下企业与用户互动创新的能力变革。具体考察：数字经济环境下企业与用户互动创新能力变革的驱动因素[81]，如探讨企业高管团队（TMT）特质对与用户协同创新模式的影响机制；大数据驱动的企业与用户互动创新能力形成过程[82]，如探讨ChatGPT等基于大数据、大模型的生成式AI技术如何影响企业的组织学习机制；以及大数据驱动的企业与用户互动创新能力的演进规律[83]，如探讨企业如何通过大数据赋能的用户扶持计划实现双方能力的互动提升机制。另一方面，进一步考虑企业与用户保持协同演化关系的机制设计特征。一是分析大数据驱动的企业与用户互动创新的非雇佣关系制度设计[84]，如探讨企业如何通过构建声誉机制吸引创新用户持续产生创意；二是大数据驱动的企业与用户互动创新的价值共创制度分析[85]，如考虑不同用户人格特质对数据化价值共创的参与异质性，以及探讨大数据对跨文化背景用户价值共创机制的影响；三是大数据驱动的企业与用户互动创新的合作绩效[86]，如探讨跨文化背景下大数据驱动的用户体验价值测量问题。随着中国企业国际影响力的提升，探讨该议题将为Tiktok、Shein等涉及跨文化价值共创的企业进一步发展提供理论指引。

3.2 创新协同演化机制的动态规律研究

企业与用户互动创新大数据平台的知识管理研究通常与互动创新方法体系研究相关联。如前文所述，领先用户和普通用户在产品创新中具有不同的价值，互动创新方法体系研究分别侧重探讨企业与领先用户互动的产品创新方法与产品验证方法，企业与普通用户数据化互动的市场验证方法和主流化验证方法。该领域属于正在兴起的数据挖掘、知识管理、创新管理的新兴交叉领域，围绕如何从企业与用户互动大数据中提取有价值知识，并利用该知识进行产品验证和市场验证这一核心问题来展开。

未来可从两个方面进一步深化两类互动创新路径动态规律研究。①基于还原论视角，探讨大模型等革命性互动创新工具以及基于3D打印的分布式创新等新兴互动创新情境对两类互动创新路径变化的作用机制，识别可能导致路径转移的关键条件因素。②从整体论视角，考察两类互动创新路径如何与互动创新情境、互动创新工具以及企业组织背景、所处市场环境背景等因素相匹配适应，识别对于实现互动创新绩效具有等效性的条件组态。具体研究问题包括：企业制度特征与互动创新路径的组态机制；市场成熟度水平、大数据工具成熟度水平与互动创新路径的组态机制；互动创新情境与工具适配性与互动创新路径选择的组态关系。

3.3 互动创新价值的评估和分配研究

图2的理论框架表明，企业与用户互动产生的大数据合作资产成为互动创新价值的新载体。如前文所述，大数据合作资产具有价值互动性和所有权模糊性特征。由于价值互动性的特征，对企业而言，其既能提升产品创新效率、缩短创新周期和提高企业营收等短期、直接的绩效产出，也能通过使企业与用户形成长期互动关系和持续性数据交互提升企业适应长期市场或技术不确定性的能力。这一特征使大数据合作资产成为抖音、知乎等内容平台的核心资产及其企业竞争力的来源，作为企业价值信号影响市场认知。而其所有权模糊性的特征来源于该资产的多主体持续互动特征，虽然从所有权视角可以将大数据合作资产初步划分为公共品型、企业私域型、用户主导型和共享型4类[79]，但相关研究仍处于早期阶段，企业和监管机构难以针对该资产建立有效的风险预警和问责机制[87]。

上述特征提示后续研究可以沿三个方向展开：①大数据合作资产价值评估，如探讨大数据合作资产的价值指标体系，以及大数据合作资产作为企业定价因子的作用；②大数据合作资产的合规和治理，如探讨基于区块链的个人数据确权问题，以及数据使用权的授权机制；③大数据合作资产在企业与用户互动创新情境下的形成和增值机制，如探讨企业应如何基于资产潜在价值对数据化互动的用户进行分层分类管理。

4 结论与展望

大数据驱动的企业与用户互动创新研究尚未形成系统性的理论框架，目前主要借助其他学科或领域的理论来阐述和解释企业与用户互动创新的新现象、新问题和新规律。本文综合文献分析发现和案例实践证据，从“条件—路径—绩效”视角提出大数据驱动的企业与用户互动创新的理论框架，由此提炼出未来研究中3个领域的前沿课题，形成以下3点研究结论。

第一，大数据驱动的互动创新所涉及的互动工具条件发生改变，形成数据支持和数据启发两类互动创新方法体系和与之相适应的技术工具。这一变化促使企业与用户的创新互动从基于人际关系的阶段型互动，转为依赖数据纽带的连续型互动，并产生以数据洞察为依据的创新资源配置模式，从而为海量用户数据化参与创新提供必要条件，也为领先用户高效转化创新知识提供关键支持。

第二，大数据驱动的互动创新绩效实现路径为企业与领先用户、普通用户的创新协同演化。其中，与领先用户的创新协同演化以“大数据支持的领先用户搜寻—匹配—权利保障能力”使互动双方相互施加影响，以“创新知识分享激励”约束双方保持持续互动；与普通用户的创新协同演化以“普通用户细分—创新决策优化—规则构建能力”为相互影响机制，以“用户数据化参与激励”为持续互动约束。

第三，大数据驱动的两条协同演化路径随互动创新工具条件成熟度、互动创新情境的动态变化而转移，形成从领先用户转向普通用户、从普通用户转向领先用户，以及两者兼容的互动创新路径动态。在工具条件成熟且由大量用户数据化参与企业主导型创新时，将产生以个性化推荐、定制化功能为代表的创新体验，并具象化为企业与用户互动的大数据合作资产。

企业与领先用户和普通用户的互动创新，预计将越来越多地以大数据平台、行为与对象数据化，及AI互动模型等方式呈现，大数据驱动的企业与用户互动创新研究将成为创新管理、数据挖掘、知识管理、信息系统管理等多学科的交叉领域，很有机会形成学科交叉融合的创新成果。同时，如何提高大数据驱动的互动创新研究成果的情境化水平和可操作性，如通过行动研究来提高策略的情境化水平和可操作性，使理论直面企业大数据驱动互动创新的管理情境，提高理论成果的实践价值，也是一项亟待完成的研究工作。

参 考 文 献

[1] NAGLE F. Open source software and firm productivity[J]. Management Science， 2019， 65（3）： 1191 - 1215.

[2] WIECEK A， WENTZEL D， ERKIN A. Just print it！ The effects of self-printing a product on consumers’ product evaluations and perceived ownership[J]. Journal of the Academy of Marketing Science， 2020， 48（4）： 795 - 811.

[3] MORGAN T， OBAL M， ANOKHIN S. Customer participation and new product performance： towards the under？ standing of the mechanisms and key contingencies[J]. Research Policy， 2018， 47（2）： 498 - 510.

[4] 谢康， 肖静华， 王茜. 大数据驱动的企业与用户互动研发创新[J].北京交通大学学报（社会科学版）， 2018，17（2）： 18 - 26.

[5] GHASEMZADEH K， BORTOLUZZI G， YORDANOVA Z. Collaborating with users to innovate： a systematic liter？ ature review[J/OL]. Technovation， 2022 [2023-08-31]. http：//doi.org/10.1016/j.technovation.2022.102487.

[6] VON HIPPEL E ， KAULARTZ S. Next-generation consumer innovation search： identifying early-stage need-solu？ tion pairs on the web [J]. Research Policy， 2021， 50（8）： 1 - 14.

[7] HOORNAERT S， BALLINGS M， MALTHOUSE E C， et al. Identifying new product ideas： waiting for the wisdom of the crowd or screening ideas in real time[J]. Journal of Product Innovation Management， 2017， 34（5）： 580 - 597.

[8] MOE W W ， SCHWEIDEL D A. Opportunities for innovation in social media analytics[J]. Journal of Product In？ novation Management， 2017， 34（5）： 697 - 702.

[9] SCHWEISFURTH T G. Comparing internal and external lead users as sources of innovation[J]. Research Policy，2017， 46（1）： 238 - 248.

[10] 焦媛媛， 付轼辉， 周密. 社会化媒体情境下用户参与创新研究综述[J]. 研究与发展管理， 2018， 30（3）： 121 - 132.

[11] 孙艳， 刘肖健， 王万良. 基于信息空间的用户创新机制及用户创新工具箱的开发研究[J]. 研究与发展管理， 2015， 27（3）： 94 - 104.

[12] DENG S， ZHOU Y， ZHANG P， et al. Using discussion logic in analyzing online group discussions： a text min？ ing approach[J]. Information Management， 2019， 56（4）： 536 - 551.

[13] CORBETT C J. How sustainable is big data？[J]. Production and Operations Management， 2018， 27（9）： 1685 - 1695.

[14] LEE H L. Big data and the innovation cycle[J]. Production and Operations Management， 2018， 27（9）： 1642 - 1646.

[15] WU L， HITT L， LOU B. Data analytics， innovation， and firm productivity[J]. Management Science， 2020， 66（5）： 2017 - 2039.

[16] SURBAKTI F P S， WANG W， INDULSKA M， et al. Factors influencing effective use of big data： a research framework[J]. Information Management， 2020， 57（1）： 1 - 16.

[17] CUI A S， WU F. Utilizing customer knowledge in innovation： antecedents and impact of customer involvement on new product performance [J]. Journal of the Academy of Marketing Science， 2016， 44（4）： 516 - 538.

[18] VON HIPPEL E. Lead users： a sourse of novel product concepts [J]. Management Science， 1986， 32（7）： 791 - 805.

[19] GUPTA M， GEORGE J F. Toward the development of a big data analytics capability[J]. Information Manage？ ment， 2016， 53（8）： 1049 - 1064.

[20] HAN M ， GEUM Y. Problem-oriented CBR： finding potential problems from lead user communities [J/OL]. Ex？ pert Systems with Applications， 2022 [2023-08-31]. DOI： 10.1016/j.eswa.2021.116472.

[21] MA J， LU Y， GUPTA S. User innovation evaluation： empirical evidence from an online game community[J]. De？ cision Support Systems， 2019， 117： 113 - 123.

[22] CHEN C P， WENG J Y， YANG C S， et al. Employing a data mining approach for identification of mobile opin？ ion leaders and their content usage patterns in large telecommunications datasets[J]. Technological Forecasting and Social Change， 2018， 130： 88 - 98.

[23] SáNCHEZ V V S， GIACALONE D， GODUSCHEIT R C. Digital anthropology as method for lead user identifica？ tion from unstructured big data[J]. Creativity and Innovation Management， 2018， 27（1）： 32 - 41.

[24] LIAO X， YE G Y， YU J， et al. Identifying lead users in online user innovation communities based on supernet？ work[J]. Annals of Operations Research， 2021， 300（2）： 515 - 543.

[25] GLOBOCNIK D， FAULLANT R. Do lead users cooperate with manufacturers in innovation？ Investigating the missing link between lead userness and cooperation initiation with manufacturers[J/OL]. Technovation， 2021[2023-08-31]. https：//doi.org/10.1016/j.technovation.2020.102187.

[26] WU Y， NAMBISAN S， XIAO J， et al. Consumer resource integration and service innovation in social commerce： the role of social media influencers [J]. Journal of the Academy of Marketing Science， 2022， 50（3）： 429 - 459.

[27] DAHL D W， FUCHS C， SCHREIER M， Why and when consumers prefer products of user-driven firms： a social identification account[J]. Management Science， 2015， 61（8）： 1978 - 1988.

[28] 肖静华， 吴瑶， 刘意， 等. 消费者数据化参与的研发创新——企业与消费者协同演化视角的双案例研究[J]. 管理世界， 2018（8）： 154 - 173.

[29] KORNISH L J， HUTCHISON-KRUPAT J. Research on idea generation and selection： implications for manage？ ment of technology[J]. Production and Operations Management， 2017， 26（4）： 633 - 651.

[30] BROWN T E. Sensor-based entrepreneurship： a framework for developing new products and services[J]. Busi？ ness Horizons， 2017， 60（6）： 819 - 830.

[31] BOLDOSOVA V. Telling stories that sell： the role of storytelling and big data analytics in smart service sales[J]. Industrial Marketing Management， 2020， 86： 122 - 134.

[32] HAN Y， MOGHADDAM M. Analysis of sentiment expressions for user-centered design[J/OL]. Expert Systems with Applications， 2021 [2023-08-31]. DOI： 10.1016/j.eswa.2021.114604.

[33] DEL VECCHIO P， MELE G， PASSIANTE G， et al. Detecting customers knowledge from social media big data：toward an integrated methodological framework based on netnography and business analytics[J]. Journal of Knowledge Management， 2020， 24（4）： 799 - 821.

[34] BOEGERSHAUSEN J， DATTA H， BORAH A， et al. Fields of gold： scraping web data for marketing insights[J]. Journal of Marketing， 2022， 86（5）： 1 - 20.

[35] GREGORY R W， HENFRIDSSON O， KAGANER E， et al. The role of artificial intelligence and data network ef？ fects for creating user value[J/OL]. Academy of Management Review， 2021（2021-07-15）[2023-08-31]. https：//doi.org/10.5465/amr.2019.0178.

[36] FENG X N， LI Y W， LIN X L， et al. Mobile targeting in industrial marketing： connecting with the right busi？ nesses[J]. Industrial Marketing Management， 2020， 86： 65 - 76.

[37] PAPANAGNOU C I， MATTHEWS-AMUNE O. Coping with demand volatility in retail pharmacies with the aid of big data exploration[J]. Computers Operations Research， 2018， 98： 343 - 354.

[38] MARIANI M M ， WAMBA S F. Exploring how consumer goods companies innovate in the digital age： the role of big data analytics companies[J]. Journal of Business Research， 2020， 121（C）： 338 - 352.

[39] HACKEL B， KARNEBOGEN P， RITTER C. AI-based industrial full-service offerings： a model for payment structure selection considering predictive power[J]. Decision Support Systems， 2022， 152： 1 - 13.

[40] SABOO A R， KUMAR V， PARK I. Using big data to model time-varying effects for marketing resource （re）allo？ cation[J]. MIS Quarterly， 2016， 40（4）： 911 - 939.

[41] ZHAN Y Z， HAN R Y， TSE M， et al. A social media analytic framework for improving operations and service management： a study of the retail pharmacy industry[J]. Technological Forecasting and Social Change， 2021，163（C）： 1 - 14.

[42] CHO S， FERGUSON M， PEKGüN P， et al. Estimating personalized demand with unobserved no-purchases us？ ing a mixture model： an application in the hotel industry[J]. Manufacturing Service Operations Management，2023， 25（4）： 1245 - 1262.

[43] HE J N， LIU H Y， XIONG H. SocoTraveler： travel-package recommendations leveraging social influence of dif？ ferent relationship types[J]. Information Management， 2016， 53（8）： 934 - 950.

[44] ZAVALI M， LACKA E， DE SMEDT J. Shopping hard or hardly shopping： revealing consumer segments using clickstream data[J]. IEEE Transactions on Engineering Management， 2023， 70（4）：1353 - 1364.

[45] NAUHAUS S， LUGER J， RAISCH S. Strategic decision making in the digital age： expert sentiment and corpo？ rate capital allocation[J]. Journal of Management Studies， 2021， 58（7）： 1933 - 1961.

[46] ZHANG X， GUO X， YUE W T， et al. Servitization for the environment？ The impact of data-centric product-ser？ vice models[J]. Journal of Management Information Systems， 2022， 39（4）： 1146 - 1183.

[47] 肖静华， 胡杨颂， 吴瑶. 成长品：数据驱动的企业与用户互动创新案例研究[J]. 管理世界， 2020， 36（3）： 183 - 205.

[48] TSENG H T， AGHAALI N， HAJLI N. Customer agility and big data analytics in new product context[J/OL]. Techno？ logical Forecasting and Social Change， 2022[2023-08-31]. https：//doi.org/10.1016/j.techfore.2022.121690.

[49] AWAN U， BHATTI S H， SHAMIM S， et al. The role of big data analytics in manufacturing agility and perfor？ mance： moderation-mediation analysis of organizational creativity and of the involvement of customers as data an？ alysts[J]. British Journal of Management， 2022， 33（3）： 1200 - 1220.

[50] TSENG H T. Customer-centered data power： sensing and responding capability in big data analytics[J/OL]. Jour？ nal of Business Research， 2023[2023-08-31]. https：//doi.org/10.1016/j.jbusres.2023.113689.

[51] HOSSAIN M A， AKTER S， YANAMANDRAM V. Why doesn’t our value creation payoff： unpacking customer analytics-driven value creation capability to sustain competitive advantage [J]. Journal of Business Research，2021， 131（C）： 287 - 296.

[52] ALSAAD A， SELEM K M， ALAM M M， et al. Linking business intelligence with the performance of new service prod？ ucts： insight from a dynamic capabilities perspective[J]. Journal of Innovation Knowledge， 2022， 7（4）： 1 - 11.

[53] WANG S， YEOH W， RICHARDS G， et al. Harnessing business analytics value through organizational absorp？ tive capacity[J]. Information Management， 2019， 56（7）： 1 - 16.

[54] MARTIN K D， BORAH A， PALMATIER R W. Data privacy： effects on customer and firm performance[J]. Journal of Marketing， 2017， 81（1）： 36 - 58.

[55] WANG H M， YAO Y M， SALHI S. Tension in big data using machine learning： analysis and applications[J/ OL]. Technological Forecasting and Social Change，2020[2023-08-31]. https：//doi. org/10.1016/j. tech？ fore.2020.120175.

[56] TAMM T， HALLIKAINEN P， TIM Y. Creative analytics： towards data-inspired creative decisions[J]. Informa？ tion Systems Journal， 2022， 32（4）： 729 - 753.

[57] ELIA G， RAGUSEO E， SOLAZZO G， et al. Strategic business value from big data analytics： an empirical analy？ sis of the mediating effects of value creation mechanisms [J]. Information Management， 2022， 59（8）： 1 - 16.

[58] MORIMURA F， SAKAGAWA Y. The intermediating role of big data analytics capability between responsive and proactive market orientations and firm performance in the retail industry[J/OL]. Journal of Retailing and Consum？ er Services， 2023[2023-08-31]. https：//doi.org/10.1016/j.jretconser.2022.103193.

[59] ZHAN Y， TAN K H， LI Y， et al. Unlocking the power of big data in new product development[J]. Annals of Op？ erations Research， 2018， 270（1/2）： 577 - 595.

[60] URBINATI A， BOGERS M， CHIESA V， et al. Creating and capturing value from big data： a multiple-case study analysis of provider companies[J/OL]. Technovation， 2019[2023-08-31]. DOI：10.1016/j. technova？ tion.2018.07.004.

[61] LAM S K， SLEEP S， HENNIG-THURAU T， et al. Leveraging frontline employees’ small data and firm-level big data in frontline management： an absorptive capacity perspective[J]. Journal of Service Research， 2017， 20（1）： 12 - 28.

[62] PETTERSEN L. Why artificial intelligence will not outsmart complex knowledge work [J]. Work Employment and Society， 2019， 33（6）： 1058 - 1067.

[63] GHEZZI A， GABELLONI D， MARTINI A， et al. Crowdsourcing： a review and suggestions for future research [J]. International Journal of Management Reviews， 2018， 20（2）： 343 - 363.

[64] MUNINGER M I， MAHR D， HAMMEDID W. Social media use： a review of innovation management practices[J]. Journal of Business Research， 2022， 143： 140 - 156.

[65] GAMBARDELLA A， RAASCH C， VON HIPPEL E. The user innovation paradigm： impacts on markets and wel？ fare[J]. Management Science， 2017， 63（5）： 1450 - 1468.

[66] CANDI M， VAN DEN ENDE J， GEMSER G. Benefits of customer codevelopment of new products： the moderating effects of utilitarian and hedonic radicalness[J]. Journal of Product Innovation Management， 2016， 33（4）： 418 - 434.

[67] PARKER G， VAN ALSTYNE M. Innovation， openness， and platform control[J]. Management Science， 2018，64（7）： 3015 - 3032.

[68] HIENERTH C， VON HIPPEL E， BERG JENSEN M. User community vs. producer innovation development effi？ ciency： a first empirical study[J]. Research Policy， 2014， 43（1）： 190 - 201.

[69] VON HIPPEL E. Free innovation by consumers—How producers can benefit[J]. Research Technology Manage？ ment， 2017， 60（1）： 39 - 42.

[70] VON HIPPEL E， KATZ R. Shifting innovation to users via toolkits[J]. Management Science， 2002， 48（7）： 821 - 833.

[71] SCHEMMANN B， HERRMANN A M， CHAPPIN M M H， et al. Crowdsourcing ideas： involving ordinary users in the ideation phase of new product development [J]. Research Policy， 2016， 45（6）： 1145 - 1154.

[72] DOUGNON R Y， FOURNIER-VIGER P， LIN J C-W， et al. Inferring social network user profiles using a partial social graph [J]. Journal of Intelligent Information Systems， 2016， 47（2）： 313 - 344.

[73] MO J， SARKAR S， MENON S. Know when to run： recommendations in crowdsourcing contests [J]. MIS Quar？ terly， 2018， 42（3）： 919 - 944.

[74] EREVELLES S， FUKAWA N， SWAYNE L. Big data consumer analytics and the transformation of marketing[J]. Journal of Business Research， 2016， 69（2）： 897 - 904.

[75] XIE K， WU Y， XIAO J， et al. Value co-creation between firms and customers： the role of big data-based cooper？ ative assets[J]. Information Management， 2016， 53（8）： 1034 - 1048.

[76] EHRLICH P R， RAVEN P H. Butterflies and plants： a study in coevolution [J]. Evolution， 1964， 18（4）： 586 - 608.

[77] FRIEDRICH J， BECKER M， KRAMER F， et al. Incentive design and gamification for knowledge management[J]. Journal of Business Research， 2020， 106（C）： 341 - 352.

[78] SU H， WU Q， SUN X， et al. The user participation incentive mechanism of mobile crowdsensing network based on user threshold[J]. Discrete Dynamics in Nature and Society， 2020， 2020（2）： 1 - 8.

[79] 谢康， 吴瑶， 肖静华. 基于大数据合作资产的适应性创新 ——数字经济的创新逻辑（二）[J]. 北京交通大学学报（社会科学版）， 2020， 19（2）： 26 - 38.

[80] 龚强， 班铭媛， 刘冲. 数据交易之悖论与突破：不完全契约视角[J]. 经济研究， 2022， 57（7）： 172 - 188.

[81] CHI M， WANG W， LU X， et al. Antecedents and outcomes of collaborative innovation capabilities on the plat？ form collaboration environment[J/OL]. International Journal of Information Management， 2020[2023-08-31]. DOI： 10.1016/j.ijinfomgt.2018.08.007.

[82] GHASEMAGHAEI M ， CALIC G. Does big data enhance firm innovation competency？The mediating role of da？ ta-driven insights[J]. Journal of Business Research， 2019， 104（C）： 69 - 84.

[83] MIKALEF P ， KROGSTIE J. Examining the interplay between big data analytics and contextual factors in driving process innovation capabilities [J]. European Journal of Information Systems， 2020， 29（3）： 260 - 287.

[84] LEE D， HOSANAGAR K， NAIR H S. Advertising content and consumer engagement on social media： evidence from Facebook[J]. Management Science， 2018， 64（11）： 5105 - 5131.

[85] GOYAL S， AHUJA M， KANKANHALLI A. Does the source of external knowledge matter？ Examining the role of customer co-creation and partner sourcing in knowledge creation and innovation[J]. Information Manage？ ment， 2020， 57（6）： 1 - 14.

[86] YE H ， KANKANHALLI A. Value cocreation for service innovation： examining the relationships between ser？ vice innovativeness， customer participation， and mobile App performance[J]. Journal of the Association for In？ formation Systems， 2020， 21（2）： 292 - 311.

[87] LIBAQUE-SáENZ C F， WONG S F， CHANG Y， et al. The effect of fair information practices and data collec？ tion methods on privacy-related behaviors： a study of mobile Apps [J/OL]. Information Management， 2020[2023-08-31]. DOI： 10.1016/j.im.2020.103284.

Big Data-Driven Firm-User Interactive Innovation： Theoretical Framework and Cutting-Edge Topics

XIE Kang， HU Yang-song， XIAO Jing-hua

（School of Business，Sun Yat-sen University， Guangzhou 510275， China）

Abstract： Big data-driven firm-user interactive innovation has become an important mode for firms to obtain market insight and user dynamics， and improve innovation agility and adaptability. Meanwhile， the key factors and mechanisms of such innovation mode have increasingly become hot topics in fields such as innovation， marketing， and information system. It combined systematic literature review design and keyword co-occurrence analysis to summarize research insights on firm-user interactive innovation in the context of big data. Aiming at the two research gaps of how context and tools affect the relationship between lead users and ordinary users， as well as the interaction mechanism between the two， a theoretical framework of “condition-path-performance” for big data-driven firm-user interactive innovation was proposed. Based on the framework， combined with literature and case evidence， it focused on the context and tool conditions in which firms interact with lead users and ordinary users to influence innovative products and big data cooperation assets， thus forming theoretical innovation. The analysis results indicate that the essence of interactive innovation path selection is the dynamic balance between innovation novelty-universality， as well as data analysis cost-benefit， under heterogeneous contexts and tool conditions. The dynamic changes in the two types of innovation paths are triggered by changes in the maturity of interactive innovation tools and innovation leadership. Finally， based on the research findings， three cutting-edge topics in the theoretical research of big data-driven firmuser interactive innovation were further refined， and their theoretical and practical significance was discussed.

Keywords： product innovation； big data driven； firm-user interactive innovation； big data-based cooperative asset

①如华为的“全球联合创新中心”、海尔的“海创汇”创客平台、百度的“数据众包”平台、LEGO的“Lego Ideas”创新社区。