引用：
Jie (Kevin) Yan， Dorothy E. Leidner & Hind Benbya
To cite this article: Jie (Kevin) Yan， Dorothy E. Leidner & Hind Benbya (2018) Differential Innovativeness Outcomes of User and Employee Participation in an Online User Innovation Community， Journal of Management Information Systems， 35:3， 900-933， DOI: 10.1080/07421222.2018.1481669
摘要：
企業主辦的在線用戶創新社區(以下簡稱 OUICs)，是指企業發起的旨在與外部產品用戶共同創造價值的活動。隨著這些社區的潛在價值越來越明顯，越來越多的公司開始利用這些社區來獲取產品用戶的建議和獲取更多的知識，從而提高他們的創新能力。總的來說，現有的在這一領域很少又研究驗證了的 OUIC 中員工參與在建立成功中的關鍵作用，而且缺乏對參與相關的結果的解釋。因此，本研究通過尋求關注參與 OUICs 的內部員工來補充現有的文獻。Jie (Kevin) Yan， Dorothy E. Leidner 和 Hind Benbya 等人研究了參與 OUIC 對員工創新能力的影響。我們將員工的創新性定義為員工積極推動和產生新想法的程度。本文主要介紹兩個研究方向的代表性研究，在線創新社區的參與度和組織中的員工創新表現。
理論背景
組織知識創造理論最早由野中(Nonaka[1])提出，並在其後期的著作中進行了擴展(見[2，3])。該理論指出組織新知識創造的一個核心維度是個體之間的社會互動水平。具體來說，因為知識是由個人創造的，組織應該提供一個環境，或者“交互社區”，其中個人之間的交互可以促進新知識和新思想的共享和發展。野中後來的研究強調，這樣一個創造知識的地方，或“ba”，可以是正式的或非正式的，可以是物理的或虛擬的，也可以是組織邊界內的或組織邊界外的[2]。除了新知識的創造和創新(即組織知識創造理論強調了信息內容在創新過程中的相關性。野中指出，在創新方面，知識的內容比知識所體現的形式更相關。因此，他以看待不同類型知識的轉換和組合，作為創新的中心。
在本研究中，我們將企業託管的 OUICs 視為跨越組織邊界的虛擬交互社區。在 OUICs 中，來自公司各個職能、級別和區域的員工可以與外部實體(如產品用戶)進行交互以創建和共享知識。在這樣的實踐社區中，員工和產品用戶之間交換知識和信息，與組織規定的與任務相關的正式程序相比，通過將員工的日常工作與主動學習和創新聯繫起來，可以促進員工的創新能力[2，4]。
方法
選擇 Salesforce.com 的 OUIC 的 IdeaExchange 作為我們的實證設置。Salesforce.com 於 2007 年推出了 IdeaExchange，並與產品用戶建立了成功的長期合作關係，共同創造價值，進行產品創新。根據我們對社區經理的採訪，IdeaExchange 是一個收集新產品開發建議和想法的論壇。創意既可以與現有產品相關，也可以與新產品相關，從而實現增量變化或根本變化。鼓勵產品用戶分享自己的想法，並討論和評估他人的想法。Salesforce.com 的員工也被鼓勵參與社區活動。參與的員工接受社區管理團隊的培訓，學習如何與產品用戶進行溝通和交互，以獲得更好的社區效果。值得注意的是，雖然參與是自願的，但不同級別/職能的 Salesforce 員工參與社區的動機可能不同。例如，來自研發(R&D)的員工可能會決定參與，以獲得對現有產品的新見解或支持新產品發展。市場營銷和銷售人員可以選擇參與，以建立更牢固的客戶關係。
數據收集
我們首先收集了從 2012 年 7 月到 2014 年 6 月(兩年時間)的 4472 個產品用戶創意和 337 個員工創意的縱向數據。然後，我們分析了數據集中的所有想法，以識別參與社區的員工。具體來說，對於我們訪問的每個想法，我們都檢查了建議者和評論者/投票人的社區個人描述，以查看他/她是僱員還是產品用戶。整個過程確定了社區內共有 122 名 Salesforce.com 員工。
最後，我們收集了一名員工所評論和/或投票的所有產品用戶的想法，以確定該員工所訪問的想法(我們假設該員工在評論和/或投票之前至少訪問和閱讀了該想法的內容)。具體來說，我們通過每位員工的在線資料，收集了他/她在兩年內評論和/或投票的所有產品用戶意見。在 122 名員工中，總共收集了 8088 個產品用戶的想法。2 之前提到的 4472 個點子都是 2 年時間內產品用戶的創意，而 8088 個點子代表了 122 名員工 2 年時間內的所有創意。我們將這些數據記錄為兩個單獨的數據集，儘管它們之間有一些重疊(即在兩年的時間內，產品用戶創造的想法和員工獲取的想法)。
變量測量
創意內容的編纂和多樣性
為了衡量員工獲取的創意內容的多樣性和編纂性，我們對 8088 個創意進行了定性編碼。觀念內容法典化反映了個體將隱性知識轉化為顯性知識的程度。更高程度的法典化意味著個人已經將他們的思想法典化到更充分的程度，這可能取決於許多因素。例如，一個思想是否經過深思熟慮可能會影響思想內容的編纂性。或者一個想法沒有被很好地編碼，因為提出它的思想家缺乏必要的知識來恰當地表達它。或許這個想法包含了太多的隱性知識，以至於無法很好地將其編入法典。考慮到在對思想內容進行編碼之前，我們討論並開發了一個編碼方案。表 2 詳細說明了我們的編碼方案。在對這 8088 個想法進行內容分析的過程中，一個想法會根據其編碼程度得到 0、1、2 或 3 分。附錄中的表 3 顯示了一些產品用戶的想法，這些想法代表了根據我們的編碼方案不同級別的編碼。
由於思想內容編碼是主觀的，為了評估編碼方案和結果的可靠性，我們採用了 Lombard 等人提出的迭代樣本編碼過程。具體來說，兩位作者分別對 150 個想法進行了編碼。在對前 100 個想法進行分類之後，我們獲得了一個科恩的 kappa 值 0.71(科恩的 kappa 值[0.40，0.75]從一般到良好的[5])。我們討論了分歧的來源和我們為什麼按我們的方式編碼的原因，並通過討論，更好地理解了編碼協議。其餘 50 個創意的 Cohen 卡帕值為 0.82，可確保編碼人員之間的可靠性達到可接受的水平。然後，一位作者繼續其餘的構想，併為 8088 個構想中的每一個分配了最終分數。3
思想內容的多樣性反映了思想內容的多樣性。為了度量這個變量，我們使用分配給每個想法的 idea 標記。如附錄中的表 3 所示，idea 標籤被分配給關於不同產品/服務類別的想法。因此，idea 標籤客觀地反映了一個想法的內容多樣性[6，7]。Salesfore.com(截至 2014 年 6 月)列出了 41 個創意類別(或標籤)。為了量化每個想法的這個變量，我們創建了一個想法/類別矩陣:8088 行(按每個員工訪問的想法排序)x 41 列。每一行表示一個想法，如果指定了由該列表示的想法標記，則在相應的列下標記“1”。例如，一個分配了三個不同標籤的想法會有三個列被標記為“1”。
員工理念推廣
創意推廣是根據員工對創意的評價，反映員工對創意的支持程度。為了衡量員工的想法推廣，我們利用了員工在社區的評論活動。我們關注於評論，因為與投票相比，評論總體上需要員工更多的注意力、時間和認知努力，因此傳達了更高程度的評估。通過分析評論的內容，我們可以確定員工是否選擇支持某個想法。因此，我們發展了支持的語氣，並將評論分為三類(即，積極的論點，積極的評論，和中立的評論)，代表評估的性質。表 3 對支持語氣進行了分類、描述和舉例說明。然後，我們對與數據集中產品用戶的想法相關的所有員工評論進行了定性編碼。根據表 3，總共有 5402 條不同的員工評論被編碼，並被賦值為 0、1 或 2。在評估編碼過程的可靠性時，兩個獨立的評分者之間達到了 0.77 的 Cohen’s Kappa 評分。一名評估者負責整個編碼工作，另一名評估者負責 1200 個想法的子樣本編碼。此外，還有第三個評分者隨機選擇並編碼 150 個想法，並將結果與來自領先的評分者的結果進行比較，得出科恩卡帕值為 0.72。
表 2 構思內容編纂的編碼方案。
想法的實施和員工想法的產生
與以往的研究(如[9])相一致，我們使用了大量的新思想(如創意量)來衡量創意的產生。員工產生的新想法的數量是從他/她的在線檔案記錄中收集的。同樣，與之前的研究(如[6，8])一致，idea 的實現被測量為一個二進制變量。如果想法的狀態標籤是“在試點測試中”、“部分實現”或“已實現”，則將其編碼為“1”;如果沒有，則為“0”。
模型
我們選擇 NB 固定效應面板模型而非隨機效應來控制單個固定效應，避免潛在的遺漏變量偏差。Hausman 檢驗統計量(結果部分)也表明固定效應模型比隨機效應模型更合適。此外，員工創意產生的因變量也存在過多的零值，部分員工在兩年的時間內沒有或只有少量的創意產生。因此，在許多月度觀察中，員工沒有產生任何想法。為了解釋過多的零，我們添加了一個零膨脹部分來估計一個完全零膨脹的負二項式固定效應(ZINB)面板模型[10]。
ZINB 迴歸需要兩個模型:一個計數模型 NB 模型 to 模型計數過程，和一個 logit 模型來區分兩個過程的零結果[10]。
我們使用 Hausman 等人的條件估計量[11]來估計 NB 固定效應面板模型:
在此估計量下，模型框架為:
Xi(t-1)在一個維度的變量的向量(例如，思想、內容、多樣性、和自信)，β’是一個維度對應的係數向量[11]; δi 是誤差項。NB 的固定效應部分模擬員工的行為與社區分享想法的參與者。對於那些可能表現得像潛伏者的人，他們被 ZINB 模型的算法部分所模仿。
表 4 變量描述和度量。
具體來說，我們令 yit = 0，在概率 φit(表現為潛水者)下，yit =λit(負二項式(2))的概率 1 -φit:
Zi(t-1)是一個分對數模型中的解釋變量的向量，γ’是向量相應的係數[35]。
我們使用單向固定效應模型來估計員工的想法提升情況如下:
在 εit 是誤差項;β1……k 為參數，xit1…itk 是對應的解釋變量。該模型採用普通最小二乘法進行估計。
為了測試 ZINB 和 OLS 面板模型，我們使用了 NLOGIT 5 計量經濟學軟件。我們遵循一個兩步的過程來運行 ZINB 模型。我們首先對 ZINB 模型進行無固定效果的擬合，得到面板模型的一組初始值;然後我們用零膨脹泊松固定效應[10]再次擬合面板模型。
數據集 2 包含了用於測試 H3b 的所有 4472 個產品用戶想法和 337 個員工想法。考慮到 idea 實現的因變量是二元的，我們選擇了一個 logistic 模型。
在這兩個數據集中，根據想法的實現狀態，因變量被輸入為 1 或 0。對於數據集 1，將員工想法提升的自變量作為分類虛擬變量(EmpComments)。具體來說，如果員工的評論表達了積極的觀點，那麼該觀點將被標記為“3”類，如果員工的評論表達了積極的觀點，那麼該觀點將被標記為“2”類，如果員工的評論是中性的，那麼該觀點將被標記為“1”類。只從產品用戶那裡得到支持意見的想法被歸類為“0”，並設置為參考類別。對於數據集 2，我們加入了一個二進制虛擬變量(EmpIdea)來表示一個想法是由員工(1)還是產品用戶(0)貢獻的。由此產生的算法模型預測 idea i 的實現概率，其框架如下:
結論
我們的研究通過關注內部員工並檢查他們的參與程度，擴展了之前關於公司內部員工的 OUICs 的研究相關的結果。我們的研究提供了初步的證據證明，在 OUICs 中與產品用戶交互對員工的創新能力有顯著的影響。因此，我們建議主辦企業發展並利用外部智力作為員工從事非常規工作和創新的次要環境或結構。
致謝
本文由南京大學軟件學院 2018 級碩士吳貝貝翻譯轉述。
感謝國家重點研發計劃（2018YFB1403400）和國家自然科學基金（71732003，61772014）支持！
閱讀更多 慕測科技 的文章
關鍵字: 國創上頭條 Salesforce 創新
