謝贛紅 陸思豪

（1.青海民族大學(xué)經(jīng)濟(jì)與管理學(xué)院,青海 西寧 810007；2.廣西師范大學(xué)經(jīng)濟(jì)管理學(xué)院,廣西 桂林 541006）

開放創(chuàng)新概念的提出對學(xué)術(shù)界和企業(yè)創(chuàng)新發(fā)展都產(chǎn)生了深刻影響。開放創(chuàng)新指企業(yè)不能僅依靠其內(nèi)部創(chuàng)新，即很多大企業(yè)所依賴的垂直整合體系[1]或傳統(tǒng)營銷認(rèn)為的企業(yè)創(chuàng)造價值然后傳遞給用戶[2]，而是企業(yè)需要突破組織邊界，從外部吸納更多創(chuàng)新想法與解決方案，讓用戶成為與企業(yè)一起創(chuàng)造價值的群體，最終推動企業(yè)創(chuàng)新發(fā)展，實(shí)現(xiàn)創(chuàng)新成功[3]。對產(chǎn)品創(chuàng)新時，企業(yè)研發(fā)團(tuán)隊(duì)會受實(shí)際生活中使用產(chǎn)品經(jīng)驗(yàn)影響，形成固定思維方式，阻礙創(chuàng)新[4]。因此企業(yè)讓更多外來者參與企業(yè)創(chuàng)新，有利于吸收適合的想法和方案[5]。

開放式用戶社區(qū)是企業(yè)實(shí)現(xiàn)開放創(chuàng)新機(jī)制的一種重要方式，在社區(qū)中志同道合的用戶之間相互交流各自的經(jīng)驗(yàn)、技術(shù)和知識等，增加了社區(qū)用戶提出創(chuàng)新想法的可能性。但社區(qū)中如果該類用戶創(chuàng)新過多，就會出現(xiàn)信息過載反而阻礙企業(yè)發(fā)展，企業(yè)績效會因此下滑[6]，這是因?yàn)槠髽I(yè)如果處理過多創(chuàng)新信息，成本會大幅提高，過多創(chuàng)新信息對企業(yè)接納用戶創(chuàng)新的能力形成巨大挑戰(zhàn)。所以為能夠更加快速、準(zhǔn)確獲得最好的用戶創(chuàng)新想法或方案，必須識別出用戶社區(qū)中具有某一特征的人群，而最具這一特征的人群就是領(lǐng)先用戶。

領(lǐng)先用戶的概念于1986年Von Hippel首先提出[7]，之后這一人群具有的特征從領(lǐng)先于市場趨勢和高預(yù)期收益這兩個主要特點(diǎn)延伸到社區(qū)資源分享、具有相關(guān)產(chǎn)品知識和產(chǎn)品體驗(yàn)以及作為意見領(lǐng)袖等。也正是基于這些特征，該用戶群體既是用戶創(chuàng)新的重要組成部分，同時也能幫助企業(yè)開發(fā)更多具有商業(yè)吸引力的創(chuàng)新產(chǎn)品。領(lǐng)先用戶的創(chuàng)新優(yōu)勢，還能幫助企業(yè)提高接納用戶創(chuàng)新信息與知識的能力。但領(lǐng)先用戶是稀缺的，需要在大規(guī)模的人口中篩選，在開放式用戶社區(qū)也不例外。所以，如何識別領(lǐng)先用戶成了關(guān)鍵問題。

1 傳統(tǒng)領(lǐng)先用戶識別方法

傳統(tǒng)領(lǐng)先用戶識別方法包括大規(guī)模篩選法、廣播法、眾包法和金字塔法等。這里著重討論大規(guī)模篩選法以及金字塔法這兩種方法，因?yàn)檫@兩種方法影響廣泛且都出現(xiàn)在互聯(lián)網(wǎng)時代前，是企業(yè)識別線下領(lǐng)先用戶的主要方法。他們并不一定適用于線上開放式用戶社區(qū)，但作為最基本的方法，在無法掌握先進(jìn)計(jì)算機(jī)方法的情況下，仍可作為備選的重要方法，所以需分析和掌握。

1.1 大規(guī)模篩選法

大規(guī)模篩選法是常見的，傳統(tǒng)的領(lǐng)先用戶識別方法，應(yīng)用在許多實(shí)證研究中，通常是通過問卷調(diào)查、訪談等統(tǒng)計(jì)調(diào)查方式收集數(shù)據(jù)，對人群逐個調(diào)查訪問，從而篩選出領(lǐng)先用戶。

該方法優(yōu)點(diǎn)是易于實(shí)施，使用廣泛，也較為成熟，所以操作簡單方便，研究者不用經(jīng)過專業(yè)培訓(xùn)。因此實(shí)施大規(guī)模篩選法的研究者可以迅速篩選和找到領(lǐng)先用戶。如果在線上開放式用戶社區(qū)中實(shí)施，則需與網(wǎng)站管理人員溝通，獲得許可后，在網(wǎng)站張貼問卷進(jìn)行調(diào)查，之后再對問卷分析，篩選出領(lǐng)先用戶。但該方法具有過程瑣碎、成本高、效率低、難以執(zhí)行等缺點(diǎn)。首先由于領(lǐng)先用戶的稀缺性，需要對足夠多的人群進(jìn)行篩選；其次隨著待篩選人數(shù)越來越多，發(fā)放問卷與訪談工作會瑣碎繁雜，需要投入的人力物力也愈多，篩選成本隨之增加，篩選效率愈加低下[8]，因此該方法難以實(shí)現(xiàn)有效執(zhí)行，這是該方法矛盾之處。在一項(xiàng)實(shí)證研究中，待篩選的2 043人中最終篩選出的領(lǐng)先用戶僅22人，樣本效率低至1.1%[9]，意味著樣本效率有很大提升空間。因此該方法無法適用于人數(shù)較多的線上開放式用戶社區(qū)。

1.2 金字塔法

金字塔法源自滾雪球法，滾雪球法是從少數(shù)具有稀有特性的人開始，指認(rèn)自己可能認(rèn)識的具有相似罕見特性的人，所以獲得的人群越來越多，雪球越滾越大。金字塔法則是基于少數(shù)具有稀有特性的人群，尋找到具有更多相似稀有特性的人，是從金字塔底部爬向頂部的過程[10]。

金字塔法效率高，工作量少。金字塔法的實(shí)證研究結(jié)果表明金字塔法的識別效率高，且如果在更加寬松的條件下，金字塔法工作量會繼續(xù)大幅減少，意味著金字塔法相較大規(guī)模篩選法在效率方面有了很大提升[11]。這是因?yàn)榻鹱炙ㄊ谴?lián)的訪談或問卷調(diào)查過程，前面的調(diào)查結(jié)果串聯(lián)著之后的調(diào)查結(jié)果，即可以將前一次或前幾次的訪談或問卷獲得結(jié)果都用于下一次或之后所有訪談或問卷調(diào)查[12]。這種連續(xù)行為就是“爬山策略”，通過該策略，研究者最終可以達(dá)到最高點(diǎn)，即找到最具稀有特性的人群[13]。

但金字塔法從人群中通過“爬山策略”尋找領(lǐng)先用戶的特點(diǎn)，使其只能在樣本較小的情況下使用，如一些較為微觀的環(huán)境中或人數(shù)較少的某個組織或者群體中篩選。但考慮到領(lǐng)先用戶的稀缺性，在識別領(lǐng)先用戶時需篩選較多人數(shù)。而在線上開放式用戶社區(qū)中，因?yàn)榻鹱炙ㄒ彩菃柧碚{(diào)查或者訪談，所以很有可能漏掉領(lǐng)先用戶，或也受到研究者主觀偏差的影響，即研究者認(rèn)為自己找到了最具稀有特性的人或者人群，但是實(shí)際上并非如此。所以使用金字塔法在線上開放式用戶社區(qū)中難以找到特定的具有稀有特性的人群。

2 網(wǎng)絡(luò)志法

互聯(lián)網(wǎng)的迅速發(fā)展，推動了在線社區(qū)、博客等社交媒體的出現(xiàn)和發(fā)展，且這些社交媒體逐漸成為領(lǐng)先用戶重要來源。而在線社區(qū)領(lǐng)先用戶不僅提出創(chuàng)新想法，還與社區(qū)其他用戶交流和分享知識[14]，因此基于網(wǎng)絡(luò)志法識別領(lǐng)先用戶成為研究熱點(diǎn)。網(wǎng)絡(luò)志法是將原本的民族志和互聯(lián)網(wǎng)混合而形成的新方法概念，可以在在線社區(qū)等網(wǎng)絡(luò)社交媒介系統(tǒng)中收集數(shù)據(jù)并分析[15]。

2.1 網(wǎng)絡(luò)志法優(yōu)點(diǎn)

首先，網(wǎng)絡(luò)志法收集到的數(shù)據(jù)客觀性強(qiáng)。網(wǎng)絡(luò)志法收集數(shù)據(jù)的方式與大規(guī)模篩選法、金字塔法通過問卷調(diào)查或者訪談獲得數(shù)據(jù)有一定區(qū)別，因?yàn)樯鐓^(qū)中用戶會就創(chuàng)新問題互相交流和分享，還會互相幫助，促進(jìn)了集體創(chuàng)造力在社區(qū)中的實(shí)現(xiàn)，也為研究者觀察社區(qū)中用戶自然行為提供了條件。研究者在不影響用戶活動的前提下，被動接收用戶活動和對話[16]，保證了數(shù)據(jù)的客觀和真實(shí)。此外，由于社區(qū)內(nèi)用戶志同道合的特征，社區(qū)內(nèi)用戶間比熟人社交具有更高認(rèn)同感，以及由此產(chǎn)生用戶間的信任感，導(dǎo)致用戶間的交流反饋也是獨(dú)一無二的[17]，因此相比于問卷調(diào)查和訪談，網(wǎng)絡(luò)志法可以獲得更多有價值的信息數(shù)據(jù)。最后，網(wǎng)絡(luò)志法相比傳統(tǒng)民族志在過程和復(fù)雜程度上更低，與其他傳統(tǒng)的領(lǐng)先用戶識別方法相比，效率更高、成本更低。在實(shí)證研究中，研究者使用網(wǎng)絡(luò)志法在德國可持續(xù)消費(fèi)網(wǎng)站的食品板塊識別領(lǐng)先用戶[16]，結(jié)果表明網(wǎng)絡(luò)志法有著更高的篩選效率，以及更低的篩選成本。

綜上，通過網(wǎng)絡(luò)志法，對用戶社區(qū)內(nèi)部的公開數(shù)據(jù)進(jìn)行分析這一過程，與當(dāng)今的網(wǎng)絡(luò)技術(shù)發(fā)展相契合，值得推廣。有研究者對德國識別領(lǐng)先用戶的公司案例和項(xiàng)目使用的領(lǐng)先用戶識別方法進(jìn)行研究[18]，發(fā)現(xiàn)所有項(xiàng)目中有近一半都使用網(wǎng)絡(luò)志法，表明網(wǎng)絡(luò)志法在國外識別領(lǐng)先用戶領(lǐng)域的普遍性。

2.2 網(wǎng)絡(luò)志法缺點(diǎn)

首先，網(wǎng)絡(luò)志法獲得的數(shù)據(jù)來源狹隘。該方法只對在線用戶社區(qū)進(jìn)行關(guān)注，這種較窄的關(guān)注范圍會對未來創(chuàng)新的推廣造成一定限制。其次，網(wǎng)絡(luò)志法對研究者的要求較高。需要研究者有著敏銳的觀察力、豐富的經(jīng)驗(yàn)和較高的技能，因?yàn)榉治鼍W(wǎng)絡(luò)志的數(shù)據(jù)在很大程度上受到人主觀性的支配，不同的研究者面對同一個情景可能會有不同的觀察結(jié)果，只有通過準(zhǔn)確的觀察，才能發(fā)現(xiàn)隱藏的領(lǐng)先用戶[15]，否則可能會錯過。最后，網(wǎng)絡(luò)志法需要人工收集和分析數(shù)據(jù)，依然需要花費(fèi)數(shù)周的時間[16]，時間成本、人力成本高。

上述網(wǎng)絡(luò)志法的優(yōu)點(diǎn)和缺點(diǎn)的分析表明網(wǎng)絡(luò)志法相比傳統(tǒng)識別方法更適用于線上領(lǐng)先用戶識別，但依然要花費(fèi)大量時間和人力，需要更智能的方法分擔(dān)人力工作和減少工作時間，因此下面討論基于網(wǎng)絡(luò)志法的人工智能識別方法。

3 進(jìn)化計(jì)算法

近年來，研究者發(fā)現(xiàn)使用計(jì)算機(jī)技術(shù)識別領(lǐng)先用戶也是很好的辦法，進(jìn)化計(jì)算法就是其中的一個。該方法使用了計(jì)算機(jī)爬蟲技術(shù)爬取研究數(shù)據(jù)，之后使用多種優(yōu)化算法模型識別領(lǐng)先用戶，所以被稱為進(jìn)化計(jì)算法。這個方法基于網(wǎng)絡(luò)志法，同樣是對在線社區(qū)內(nèi)的內(nèi)容進(jìn)行收集分析，但是在收集數(shù)據(jù)方面更加自動化和智能化，識別領(lǐng)先用戶則更加精準(zhǔn)。

3.1 進(jìn)化計(jì)算法優(yōu)勢

首先，進(jìn)化計(jì)算法使用爬蟲技術(shù)收集數(shù)據(jù)，更加自動化、智能化。相比于人工進(jìn)行數(shù)據(jù)收集，進(jìn)化計(jì)算法使用了計(jì)算機(jī)爬蟲技術(shù)，這樣可以自動收集數(shù)據(jù)，節(jié)省了很多人力、時間等成本。其次，進(jìn)化計(jì)算法分析數(shù)據(jù)的算法更加優(yōu)化，識別領(lǐng)先用戶更加精準(zhǔn)。數(shù)據(jù)分析使用了計(jì)算機(jī)的優(yōu)化判別方法，這個方法除節(jié)省成本和提高識別效率外還解決了由領(lǐng)先用戶特點(diǎn)導(dǎo)致的零膨脹問題。由于領(lǐng)先用戶的稀有性，在大樣本中非領(lǐng)先用戶的比例會很高，這就會產(chǎn)生零膨脹現(xiàn)象，最終導(dǎo)致有參數(shù)估計(jì)的偏差[19]，而優(yōu)化判別方法可以通過優(yōu)化分類判別解決該問題。在實(shí)證研究中，研究者使用模擬退火算法、遺傳算法和粒子群優(yōu)化算法進(jìn)行領(lǐng)先用戶識別，然后進(jìn)行比較分析[20]，結(jié)果表明遺傳算法和粒子優(yōu)化算法的結(jié)果更優(yōu)，這兩種算法進(jìn)一步優(yōu)化了分類判別，表明使用優(yōu)化判別方法必要性。

3.2 進(jìn)化計(jì)算法缺點(diǎn)

進(jìn)化計(jì)算法無法自我學(xué)習(xí)，不夠智能化和自動化。優(yōu)化判別方法雖然屬人工智能，但是相比支持向量機(jī)、隨機(jī)森林等機(jī)器學(xué)習(xí)方法，該方法依然不夠智能化、自動化，無法實(shí)現(xiàn)機(jī)器的自我學(xué)習(xí)，只在收集數(shù)據(jù)方面實(shí)現(xiàn)了自動化、在分類算法上有了改進(jìn)和優(yōu)化。

4 FLUID法

FLUID是快速識別領(lǐng)先用戶方法（Fast Lead User Identification）的英文縮寫，是在網(wǎng)絡(luò)志法的基礎(chǔ)上，為了提高識別效率，降低識別成本，使用更加先進(jìn)的計(jì)算機(jī)技術(shù)（主要包括數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等），自動收集數(shù)據(jù)并識別領(lǐng)先用戶的方法[21]。

4.1 FLUID法優(yōu)勢

首先，F(xiàn)LUID法精確度高。在以Twitter為媒介搜集數(shù)據(jù)的實(shí)證研究中，研究者分別通過隨機(jī)森林算法和序列最小化算法（SMO）生成分類模型，結(jié)果表明隨機(jī)森林算法支持的分類器結(jié)果明顯更好。同時，在驗(yàn)證集總準(zhǔn)確度達(dá)到了80%，而經(jīng)過專家確認(rèn)的驗(yàn)證集精度達(dá)到了0.579，說明了FLUID法具有很好的精確性[21]。其次，F(xiàn)LUID法效率更高、成本更低。另一個在Twitter社交平臺使用FLUID法識別領(lǐng)先用戶的實(shí)證研究中，研究者使用決策樹C4.5算法對用戶進(jìn)行分類，同時通過問卷調(diào)查收集被調(diào)查者數(shù)據(jù)作為訓(xùn)練集[22]。最終結(jié)果表明，包括領(lǐng)先用戶在內(nèi)的訓(xùn)練集準(zhǔn)確率為98%，而精確率則達(dá)到了90%，召回率則達(dá)到了100%，由此證實(shí)了決策樹C4.5算法支持的分類器有效性，同時驗(yàn)證了FLUID法相比于問卷調(diào)查法，效率更高、成本更低。最后，F(xiàn)LUID法更加智能化、自動化。上述兩個實(shí)證研究都實(shí)現(xiàn)了機(jī)器的自我學(xué)習(xí)，收集和分析數(shù)據(jù)更加智能化和自動化，代替了人工重復(fù)性工作，減少了研究人員工作負(fù)擔(dān)。

以上的分析表明了FLUID法相較之前的領(lǐng)先用戶識別方法具有精確度更高、效率更高、成本更低和智能化、自動化程度更高的優(yōu)勢，因此FLUID法可以幫助企業(yè)降低識別領(lǐng)先用戶的時間及其他資源成本，并大幅提高了領(lǐng)先用戶的識別效率。

4.2 FLUID法缺點(diǎn)

首先，使用FLUID法的研究者需要進(jìn)行跨學(xué)科專業(yè)培訓(xùn)。FLUID法的困難之處在于該方法的應(yīng)用是跨學(xué)科的。對于管理學(xué)的研究者來說，研究者需要對數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等人工智能知識有著較為充分且深入的了解，并且掌握實(shí)際的數(shù)據(jù)分析操作，因此研究者需要通過較為專業(yè)的訓(xùn)練，成為跨學(xué)科的實(shí)踐者。

其次，算法需要進(jìn)一步比較優(yōu)化。實(shí)證研究表明不同算法支持的分類器最終分類效果不同。在上述的實(shí)證研究中，研究者們使用了隨機(jī)森林算法、序列最小化算法以及決策樹算法，其中隨機(jī)森林算法和決策樹算法都表現(xiàn)出了較好的效果。這也表明需要對不同智能化算法繼續(xù)探究，使FLUID法在實(shí)際中能進(jìn)一步推廣與應(yīng)用?；诖?，需要進(jìn)一步探究使用FLUID法的具體內(nèi)容，從而確保通過FLUID方法，采用不同算法，實(shí)現(xiàn)領(lǐng)先用戶識別。

5 領(lǐng)先用戶識別方法比較和可能性方案

5.1 領(lǐng)先用戶識別方法比較

領(lǐng)先用戶識別方法的發(fā)展歷程及趨勢如圖1所示。在互聯(lián)網(wǎng)興起前，大規(guī)模篩選法運(yùn)用廣泛且相對成熟，且實(shí)行人員不需要經(jīng)過專業(yè)培訓(xùn)，但同時該方法篩選效率低下，成本高；相比于大規(guī)模篩選法，金字塔法效率更高、成本也低，但只適用于樣本量較小的情況，很難在樣本量較大的用戶社區(qū)中進(jìn)行識別。而隨著互聯(lián)網(wǎng)的興起，融合民族志與線上用戶社區(qū)的網(wǎng)絡(luò)志法的出現(xiàn)，推動了領(lǐng)先用戶識別方法向著高效率篩選的方向發(fā)展，且網(wǎng)絡(luò)志法獲得數(shù)據(jù)更加的客觀，價值更高，獲取數(shù)據(jù)方式也變得愈加智能化，但是也提高了對實(shí)行人員的技術(shù)性要求；而不久之后人工智能的興起推動了領(lǐng)先用戶識別方法向著更加智能化和精確化的方向發(fā)展，進(jìn)化計(jì)算法減少了識別誤差，提高了識別的精確性；而FLUID法則更加智能化、自動化，可以實(shí)現(xiàn)機(jī)器的自我學(xué)習(xí)，篩選效率也更高，但是對實(shí)行人員的跨學(xué)科應(yīng)用水平提出了更高的要求，同時需要對算法進(jìn)一步對比分析和優(yōu)化。

圖1 領(lǐng)先用戶識別方法的發(fā)展歷程與趨勢

相比之下，F(xiàn)LUID法更加適合目前人工智能背景下的線上開放式用戶社區(qū)中的領(lǐng)先用戶識別，且效率更高、成本更低，雖然實(shí)行人員需要進(jìn)行跨學(xué)科專業(yè)培訓(xùn)，但是這也符合現(xiàn)在復(fù)合型人才培養(yǎng)趨勢。

5.2 領(lǐng)先用戶識別方法的可能性方案

5.2.1 可能性方案流程

FLUID法的流程主要總結(jié)為以下4個步驟：第一步確定識別的目標(biāo)范圍，第二步選定領(lǐng)先用戶識別的地點(diǎn)，第三步自動識別領(lǐng)先用戶，第四步領(lǐng)先用戶參與到企業(yè)的創(chuàng)新過程中[22]。具體參考過往FLUID法流程，設(shè)定領(lǐng)先用戶識別流程：第一步確定識別的產(chǎn)品或品牌；第二步確定有關(guān)產(chǎn)品或品牌的用戶社區(qū)，可以具體到社區(qū)中的板塊；第三步選取領(lǐng)先用戶特征；第四步搜索并自動爬取社區(qū)中領(lǐng)先用戶特征數(shù)據(jù)，然后進(jìn)行數(shù)據(jù)清洗；第五步通過機(jī)器學(xué)習(xí)模型進(jìn)行數(shù)據(jù)分析，具體包括構(gòu)建模型、劃分訓(xùn)練集和測試集等；第六步檢驗(yàn)識別方法的可靠性，通過網(wǎng)絡(luò)志法人工分類領(lǐng)先用戶和非領(lǐng)先用戶，與機(jī)器學(xué)習(xí)結(jié)果組建混淆矩陣；第七步確定領(lǐng)先用戶。其中第一、第二步選擇建立有線上開放式用戶社區(qū)的產(chǎn)品和品牌，即以品牌為中心的用戶社區(qū)或獨(dú)立社區(qū)，要求選取的社區(qū)中用戶的內(nèi)容信息和行為數(shù)據(jù)源都是充分的，足以用來研究，如果選取的社區(qū)中數(shù)據(jù)不充分，那么需要從第二步返回到第一步重新選擇需要識別的產(chǎn)品或品牌；第四步搜索和爬取領(lǐng)先用戶特征數(shù)據(jù)，包括內(nèi)容信息和行為數(shù)據(jù)兩個方面；第五步可以通過機(jī)器學(xué)習(xí)中不同的學(xué)習(xí)方式，包括監(jiān)督性學(xué)習(xí)和半監(jiān)督性學(xué)習(xí)，以及深度學(xué)習(xí)等，對比分析結(jié)果；第六步將使用網(wǎng)絡(luò)志法的人工分類結(jié)果與其對比，形成混淆矩陣是必要的，但如果在同一個社區(qū)中可靠性檢驗(yàn)多次有效，那么就可以不再花費(fèi)更多的時間和精力在人工分類上。

5.2.2 可能性方案提取的領(lǐng)先用戶特征

選取領(lǐng)先用戶特征是領(lǐng)先用戶識別方法的重要環(huán)節(jié)，影響著最終是否能夠正確識別出領(lǐng)先用戶。在過往的網(wǎng)絡(luò)志法中經(jīng)常使用的領(lǐng)先用戶的特征包括：領(lǐng)先于市場的趨勢、對現(xiàn)有產(chǎn)品的不滿、擁有更多的與產(chǎn)品相關(guān)的知識、有相關(guān)產(chǎn)品的使用經(jīng)驗(yàn)、更高的用戶社區(qū)參與度以及是用戶社區(qū)中的意見領(lǐng)袖[23-24]，而這些用戶特征也應(yīng)用在其他領(lǐng)先用戶識別方法中。此外在FLUID法中經(jīng)常使用的領(lǐng)先用戶特征有：中心性、活動性、相關(guān)性和情緒性[21]。因此可以將領(lǐng)先用戶特征進(jìn)一步歸類為用戶集體性、用戶相關(guān)性、用戶情緒性、用戶專家性和用戶領(lǐng)先性。

6 結(jié)論與討論

首先，未來隨著人工智能技術(shù)的發(fā)展，特別是自然語言處理方向的進(jìn)一步突破，將為在互聯(lián)網(wǎng)時代，需要更多從在線社區(qū)用戶發(fā)布文本內(nèi)容中提取信息的FLUID法，提供更加強(qiáng)有力的支撐，同時也促進(jìn)了對文本內(nèi)容分析方法的多樣化，從而使研究者可以在海量的文本數(shù)據(jù)中更好更快地識別出領(lǐng)先用戶，而不僅僅是行為數(shù)據(jù)。其次，培養(yǎng)研究領(lǐng)先用戶的管理學(xué)者跨學(xué)科能力刻不容緩，需要進(jìn)一步學(xué)習(xí)人工智能的不同方法，特別是自然語言處理、機(jī)器學(xué)習(xí)和大數(shù)據(jù)等，與管理學(xué)的研究方法深度融合，增強(qiáng)領(lǐng)先用戶研究的創(chuàng)新性，探索學(xué)科融合的前沿。