Knowledge aggregation from experts and customers: A contribution to new product innovation with artificial intelligence techniques

Abstract

La innovació de nous productes amb la participació del client, ha ajudat a reforçar el canvi de paradigma de les organitzacions cap a una lògica centrada en el client. Els beneficis de participar en la co-creació de nous productes són especialment prolífics per als clients, donant lloc al fenomen de crowdsourcing amb tornejos, retransmissions i concursos. No obstant això, amb una major participació, les empreses s'enfronten a un nou repte: aprendre a filtrar les millors solucions o idees per als seus problemes. Per a això, proposem un enfoc basat en el nivell d'adopció de clients. Primer, identifiquem 72 articles que examinen l'adopció de la innovació per part dels clients en una revisió sistemàtica de la literatura durant 30 anys, en múltiples disciplines. Sintetitzar el coneixement existent ens ha permès dibuixar un marc conceptual que relaciona el segment de clients innovadors (IG) amb el rendiment de nous productes. A l'igual que els usuaris principals, el paper dels Innovadors és crucial en el procés de desenvolupament de nous productes (NPD). roposem formes per identificar aquests clients i vincular-los al procés de desenvolupament de nous productes mitjançant la utilització dels seus coneixements i preferències, la generació d'idees o la difusió i promoció dels nous llançaments. Tot i la seva contribució en el procés d'innovació, identificar els clients més innovadors (també anomenats early adopters) no ha estat sistemàtica. Investigacions anteriors inclouen tècniques de netnografia, piramidación i detecció combinades amb enquestes per capturar el potencial IG. No obstant això, segueix existint una bretxa en la forma sistemàtica d'identificar aquests clients. Per tancar la bretxa, explorem formes específiques de selecció de clients de Big-Data i així mitigar les limitacions del crowdsourcing en el procés de co-creació. Desenvolupem un sistema intel·ligent combinant el coneixement d'experts i la informació comportamental de la base de dades de clients existent. A l'emprar models d'aprenentatge automàtic supervisats, ajudem a identificar i predir quins són els primers clients (de tota la base de dades de l'empresa) que adoptaran / adquiriran abans el nou producte. Al fer-ho, mostrem als directius que poden desenvolupar models d'Intel·ligència Artificial (IA) que els permet identificar els seus early adopters de la Big-Data existent a l'empresa. Acadèmicament, mostrem que combinant el coneixement dels experts en matèria d'identificació de early adopters i llançaments de productes, amb la informació emmagatzemada sobre clients a la base de dades de l'empresa, i analitzant aquest coneixement amb tècniques d'IA, es pot identificar millor als IGs que amb els mètodes existents. També avancem en el coneixement dels factors clau que més afecten als IGs en les seves decisions d'adquisició de nous productes. Teòricament, contribuïm a la literatura de classificació de clients i NPD amb algoritmes d'aprenentatge automàtic aplicats. A més, proporcionem coneixements i suggerim línies futures per avançar en la investigación de la investigació de la co-creació i el crowdsourcing.

La innovación de nuevos productos con la participación del cliente, ha ayudado a reforzar el cambio de paradigma de las organizaciones hacia una lógica centrada en el cliente. Los beneficios de participar en la cocreación de nuevos productos son especialmente prolíficos para los clientes, dando lugar al fenómeno de crowdsourcing con torneos, retransmisiones y concursos. Sin embargo, con una mayor participación, las empresas se enfrentan a un nuevo reto: aprender a filtrar las mejores soluciones o ideas para sus problemas. Para ello, proponemos un enfoque basado en el nivel de adopción del cliente. Primero, identificamos 72 artículos que examinan la adopción de la innovación por parte de los clientes en una revisión sistemática de la literatura durante 30 años, en múltiples disciplinas. Sintetizar el conocimiento existente nos ha permitido dibujar un marco conceptual que relaciona el segmento de clientes innovadores (IG) con el rendimiento de nuevos productos. Al igual que los usuarios principales, el papel de los Innovadores es crucial en el proceso de desarrollo de nuevos productos (NPD). Proponemos formas para identificar a estos clientes y vincularlos al proceso de desarrollo de nuevos productos mediante la utilización de sus conocimientos y preferencias, la generación de ideas o la difusión y promoción de los nuevos lanzamientos. A pesar de su contribución en el proceso de innovación, identificar los clientes más innovadores (early adopters) no ha sido sistemática. Investigaciones anteriores incluyen técnicas de netnografía, piramidación y detección combinadas con encuestas para capturar el potencial IG. Sin embargo, sigue existiendo una brecha en la forma sistemática de identificar a estos clientes. Para cerrar la brecha, exploramos formas específicas de selección de clientes de Big-Data y así mitigar las limitaciones del crowdsourcing en el proceso de cocreación. Desarrollamos un sistema inteligente combinando el conocimiento de expertos y la información comportamental de la base de datos de clientes existente. Al emplear modelos de aprendizaje automático supervisados, ayudamos a identificar y predecir cuáles son los primeros clientes (de toda la base de datos de la empresa) que adoptarán/adquirirán antes el nuevo producto. Al hacerlo, mostramos a los directivos que pueden desarrollar modelos de Inteligencia Artificial (IA) que les permite identificar sus early adopters de la Big-Data existente en la empresa. Académicamente, mostramos que combinando el conocimiento de los expertos en materia de identificación de early adopters y lanzamientos de productos con la información almacenada sobre clientes en la base de datos de la empresa, y analizando este conocimiento con técnicas de IA, se puede identificar mejor a los early adopters que con los métodos existentes. También avanzamos en el conocimiento de los factores clave que más afectan a los IGs en sus decisiones de adopción de nuevos productos. Teóricamente, contribuimos a la literatura de clasificación de clientes y NPD con algoritmos de aprendizaje automático aplicados. Además, proporcionamos conocimientos y sugerimos direcciones futuras para avanzar en la investigación de la cocreación y el crowdsourcing.

New product innovation with customer participation has helped reinforce the paradigm shift from organisation to customer centric logic. The benefits of customers’ participation for cocreation in new products are specifically prolific, giving rise to interesting phenomenon of crowdsourcing with tournaments, broadcasting and contests. However, with increased participation, firms face challenges in filtering the best solutions or ideas for their problems. Acknowledging these facts, we employ a customer-adoption perspective to investigate the problem. First, we identify 72 articles that examine customer adoption of innovation in a systematic literature review of 30 years across multiple disciplines. By synthesising the existing knowledge, we propose a conceptual framework linking Innovator Group (IG) customers to new product performance. Similar to lead users, the role of IG customers is crucial in New Product Development (NPD) process, and we propose ways to identify these customers and link them to new product performance by utilize their knowledge for preference dissemination, idea generation or new product information diffusion. Despite their contribution and usage in the innovation process, identification of these early adopters has remained unsystematic. Prior research has included netnography, pyramiding and screening techniques with surveys to capture the potential IG. However, there remains a gap in the systematic way to identify these customers. To bridge the gap, we explore specific ways to select these customers from Big-Data for mitigating the challenges of overcrowding in cocreation process. We developed an intelligent system framework by combining knowledge from experts and knowledge on customer behavioural information. By employing supervised machine learning models, we help identify and predict the early adopters from the firm’s database. By doing so, we show managers that they can develop Artificial Intelligence (AI) models to utilise the Big-Data they have on customers for early adopter identification. For academia, we show with knowledge aggregation from experts and customers, AI techniques perform in identification better than the existing methods. We also advance the knowledge on the key factors that affect the early adopters the most in their new product adoption decisions. Theoretically, we contribute to the NPD and customer classification literatures with applied machine learning algorithms. We also provide insights and suggest future directions for advancing knowledge in the cocreation and crowdsourcing research.