定义值得解决的问题：问题解决领域中的设计思维实践、数据技术以及颠覆性创新

《Journal of Business Research》：Defining problems worth solving: Design thinking practices in the problem space, data technologies, and radical innovation

　　**克劳迪奥·德尔埃拉 | 玛丽娜·坎迪 | 斯特凡诺·马吉斯特雷蒂 | 罗伯托·韦尔加蒂 | 伊莱安娜·斯蒂利亚尼**
**米兰理工大学管理学院，意大利米兰拉姆布鲁奇尼街4B号26/B号楼，邮编20156**

**摘要**
在技术飞速发展且用户期望不断变化的时代，选择悖论——即更多的选择反而降低满意度、增加焦虑并引发决策瘫痪——为创新带来了独特挑战。本研究探讨了问题空间设计思维实践与创新激进性之间的关系，以及数据技术采用在其中所起的调节作用。通过对欧洲和美国的调查数据分析，我们发现以同理心为核心、以人为中心的方法显著促进了创新的激进性。而重新定义问题的实践也与之正相关，而仅仅构建问题框架的实践则没有这种效果。尽管数据技术的采用与创新的激进性没有直接关联，但它增强了观察和注意到问题本质的实践的影响力。我们的发现通过强调同理心和重新定义问题的作用，为问题导向的探索提供了新的见解。虽然大数据分析、物联网和人工智能等数据技术可以通过改进用户洞察力的收集来补充观察和注意到问题的实践，但在支持实现创新激进性方面效果较弱。

**1. 引言**
在当今这个数据泛滥、创意人才众多、社区数字化连接以及人工智能具有强大生成能力的世界中，个人和组织面临着大量的想法和选择（Verganti, 2017; Verganti et al., 2020）。这种过剩并非简化了决策过程，反而引发了“选择悖论”（Schwartz, 2005）。与传统观点（更多选择导致更好决策）相反，现代社会显示出另一种现实：过多的选择常常导致决策瘫痪、焦虑加剧以及普遍的忙碌感，使日常生活变得更加复杂（Iyengar & Lepper, 2000）。在创新背景下，信息和想法的丰富性使得识别有意义的开发路径变得异常困难。为了应对这一悖论，组织越来越多地采用有意识的方法和实践来识别、解释和构建问题（Cornelissen & Werner, 2014）。解决复杂且定义不明确的问题需要在对问题有深刻理解的基础上才能尝试解决方案（Ananth et al., 2025; Magistretti et al., 2025a）。创新模型始终从识别值得解决的问题开始（Wilson, 1997; Amabile, 1988; Seidel et al., 2020），这突显了问题定义和优先级设定在推动创新中的重要性（Beckman & Barry, 2007; Vaccaro et al., 2011; Lucas & Mai, 2022; King, 1993; Wedell-Wedellsborg, 2017）。过去半个世纪以来，问题导向的探索理论（Posen et al., 2018; Angus, 2019; Banerjee et al., 2019）一直是管理学的基础框架，解释了诸如绩效反馈、战略变革与重新定位、风险承担、知识生成、学习、资源创造和创新等现象（Karhade & Dong, 2021）。然而，传统的问题导向探索观点主要关注寻找解决方案（Posen et al., 2018），常常忽视了定义或发现问题的过程和挑战（Nickerson et al., 2012）。Bianchi和Verganti（2022）提出了另一种视角，强调设计更有意义问题的重要性。他们基于早期研究（例如Getzels, 1979; Lai & Gr?nhaug, 1994），认为问题是可以被创造甚至发明的。

问题定义的过程从多个角度进行了研究。工程学的社会研究探讨了问题和解决方案定义的前因（例如Murray et al., 2019），而创新研究则侧重于创造性问题解决（例如Garbuio & Lin, 2021）。战略和组织研究通过决策中的共享认知和行为动态来研究问题定义（例如Baer et al., 2013）。市场营销研究基于市场导向的概念，将其定义为“最有效高效地创造买家所需价值的组织文化，从而为公司带来持续的卓越表现”（Narver & Slater, 1990, p. 21）。Kohli和Jaworski（1990, p. 6）强调了其行为维度，指出了“全组织范围内生成关于当前和未来客户需求的市场情报、在各部门间传播这些情报以及全组织对此的响应”。设计研究则提出问题并非客观存在，而是社会构建的（Ananth et al., 2025）。个体对事物的感知和优先级判断不同，决定了什么被视为重要或无关紧要，元素之间的联系方式，以及设计空间的解释方式（Sch?n, 1982）。从这个角度来看，问题是通过解释“构建”出来的，因此问题定义和解决方案设计是密不可分的（Verganti et al., 2021）。设计思维超越了产品的“形式”或美学，被认作是一种利用创造力应对复杂挑战的结构化方法（Brown, 2009; Martin, 2009; Magistretti et al., 2025b）。它既用于定义值得解决的问题，也用于开发以用户为中心的创新解决方案（Liedtka et al., 2013; Dell’Era et al., 2020）。这种方法结合了发散思维和收敛思维，促进同理心、创意产生与迭代实验，以发现见解并测试解决方案（Magistretti et al., 2022a）。设计思维的一个核心原则是以新颖的方式发现和构建定义不明确的问题（Magistretti et al., 2022a; Buchanan, 1992; Boland & Collopy, 2004; Dorst, 2011），通过揭示未满足的需求及其原始解释（Dorst & Cross, 2001; Liedtka, 2015）。通过生成不同的框架来理解和解释挑战，可以提出更有意义的问题（Dorst, 2011; Bellis et al., 2026），尤其是当这些框架来自不同领域或反映全新视角时（Cukier et al., 2021）。有效的问题定义对于应对创新过程中的模糊性和复杂性至关重要（Wang et al., 2019），它为开发新颖且有意义的解决方案提供了方向和基础（Mumford et al., 1994; Harvey & Kou, 2013）。问题定义的探索性也已被证明能够提高结果的原创性（Csikszentmihalyi & Getzels, 1971）。然而，实证证据表明，组织在面对挑战时往往跳过这一关键步骤，过早进入问题解决模式（Binder & Watkins, 2024）。尽管问题定义被广泛认为是通过创造力推动创新的基石（Abdulla et al., 2020; Unsworth, 2001; Pham et al., 2023），但研究主要关注两个其他方面：解决方案的生成（Amabile, 1988; Kaplan & Vakili, 2015）及其后续评估（Berg, 2019; Mueller et al., 2014）。因此，尽管问题定义对创新的方向和结果有重大影响，但其重要作用仍然被相对忽视。

创新激进性是指创新的新颖程度或与现有解决方案的差异程度，它在推动技术进步和经济增长中起着关键作用。激进创新往往带来行业重构、新市场的创建以及竞争优势的建立（Damanpour et al., 2009）。Damanpour等人（2009）指出，激进创新通过引入根本性新的产品或流程来提高企业绩效和生产力。Bessant和Tidd（2015）认为，激进创新对于应对气候变化和医疗保健等重大挑战至关重要，因为它们提供了超越渐进式改进的变革性解决方案。创新激进性可能源于为现有问题开发全新的解决方案，或发现全新的问题需要解决。因此，理解问题空间中的设计思维与创新激进性之间的关系至关重要。

数据技术，包括大数据分析（BDA）、物联网（IoT）和人工智能（AI），正在改变新产品和服务的创建方式（Cooper & McCausland, 2024）。一个典型的例子是Netflix，该公司利用数据分析消费者行为和需求，利用过去和当前的模式预测未来趋势并创造新的娱乐内容（Smith & Telang, 2018; Verganti et al., 2020）。这凸显了数据技术在理解问题和支持设计思维等创造性过程中的重要作用。最近的研究进一步表明，无论是大数据还是其他类型的数据，都可以增强设计思维过程（Mortati et al., 2023）。特别是AI通过生成新的关联来增加问题探索和利用的价值（Bouschery et al., 2023; Roberts & Candi, 2024）。由于这些能力使数据技术成为识别新问题的强大工具，因此理解它们在问题空间中的作用至关重要。

因此，本研究探讨了用于探索问题空间的设计思维实践与创新激进性之间的关系，以及数据技术采用的调节作用。以往的研究涵盖了多种创新相关结果，包括产品实用性和新颖性（Nagaraj et al., 2020）、新产品开发（NPD）绩效（Nakata & Hwang, 2020）、创新能力（Robbins & Fu, 2022）、动态和知识能力（Kaur, 2025）、实现与因果关系（Kamble et al., 2023）、创新质量（Balzano & Bortoluzzi, 2025）以及NPD决策中的灵活性（Kyriakopoulos et al., 2025）。然而，激进创新在定量研究中的关注度有限（例如Cai et al., 2025），据我们所知，尚无研究探讨设计思维实践对激进创新的影响。此外，尽管研究考虑了影响设计思维采用的各种外部和项目层面的因素（例如Dell’Era et al., 2025; Magistretti et al., 2022a; Nakata & Hwang, 2020），但数据技术采用对这些实践结果的调节作用仍被较少探索。

遵循Beckman（2020）的框架，分析聚焦于两类问题空间实践：观察和注意到问题，以及构建和重新定义问题。通过对欧洲和美国的调查数据分析，研究发现观察和注意到问题与创新激进性之间存在正相关关系，强调了同理心和以人为中心的方法在揭示隐藏和潜在需求中的重要性。重新定义问题的实践也与创新激进性相关，而仅仅构建问题框架的实践则没有这种效果。重新解释和组织初始问题构建的能力对于激进创新特别有益。此外，研究结果表明，虽然数据技术本身并不直接促进创新激进性，但它增强了观察和注意到问题本质的实践在激进创新中的作用。

本研究为创新管理和实践做出了重要贡献。首先，通过阐明探索问题空间的设计思维实践与创新激进性之间的关系（Magistretti et al., 2021），我们超越了传统上专注于问题解决实践的范式（Berg, 2019）。具体而言，我们的实证研究阐明了观察和注意到问题、构建和重新定义问题实践与激进创新发展之间的联系。其次，我们通过强调同理心、以人为中心的设计以及关键但尚未充分探索的问题重新定义过程，推动了问题导向探索理论的进展（Posen et al., 2018）。最后，我们揭示了数据技术在增强设计思维实践中的作用（Mortati et al., 2023），提供了数字工具如何与人类创造力和直觉相结合促进创新的当代视角。

我们的发现还为管理者和创新实践者提供了实用见解。以人为中心的观察与激进创新之间的联系强调了深入与用户交流以发现未表达需求的价值，促进新的问题构思和突破性解决方案。这种影响可以通过采用数据技术得到强化。我们进一步强调了重新定义问题的实践的重要性，这些实践挑战现有假设，打开了对问题及其解决方案的多样化视角，从而扩大了激进创新的可能性。

**2. 理论背景和假设发展**
Schwartz（2005）指出了选择悖论的心理成本，认为超过某个临界点后，选择数量的增加会降低满意度、加剧焦虑并可能导致决策瘫痪。这种现象可以通过决策疲劳来解释，即评估众多选项所需的认知努力会耗尽心理资源，从而导致较差的决策（Iyengar & Lepper, 2000）。这对组织具有重要意义。优化消费者选择的努力可能会无意中加剧这一悖论，因此需要一种细致的问题架构方法。组织必须确定哪些问题真正值得解决，这一过程超越了简单的优先级排序，以确保解决方案能够推动实质性的进展（Verganti, 2017）。克里斯滕森等人（2016年）提出了一种“待完成的工作”框架，该框架侧重于通过识别消费者试图解决的根本问题来理解消费者行为，而不是仅仅依赖人口统计学或产品类别。这种视角将焦点从寻找问题的众多解决方案中转移到了更针对最具有影响力的问题的方法上。麦格拉思（2013年）进一步强调，在一个快速变化和充满不确定性的时代，重新定义问题的能力而非急于寻找解决方案是关键的竞争优势。这需要营造一个环境，在这种环境中，质疑和探索先于决策制定，从而促进既有相关性又有意义的创新。通过优先考虑值得解决的问题，组织可以减轻选择悖论带来的挑战，同时提高对不断变化的市场需求的战略敏捷性和响应能力。

在过去二十年里，设计思维作为一种结构化的方法论得到了广泛认可，它利用创造力来确定值得解决的问题并开发出以用户为中心的创新解决方案（Magistretti等人，2021年；Robbins和Fu，2022年）。描述设计思维最著名的框架之一是设计委员会提出的双钻石模型。该模型在发散性阶段和收敛性阶段之间交替进行：发散性阶段探索各种可能性，而收敛性阶段则缩小这些可能性以确定最可行的选项。双钻石模型由两个相互关联的部分组成：第一部分侧重于广泛探索以深入理解问题（问题空间），第二部分则强调朝着解决方案迈出的具体且可操作的步骤（解决方案空间）（Pham等人，2021年）。尽管通常被描述为四个连续的阶段，但实际上这个框架是动态的、迭代的，反映了现实世界挑战的复杂性（Dell’Era等人，2020年）。

解决开放式、复杂的问题激发了对创造性问题框架构建方法的兴趣（Stacey等人，2000年；Dorst，2011年）。与双钻石模型相一致，格鲁伯等人（2015年）提出了一个包含四个活动的框架：观察与学习、综合与重构、构想与机会、以及解决与实现。同样，贝克曼（2020年）确定了四个核心的设计思维实践：观察与留意、重构与重新构想、想象与设计、制造与实验。前两个实践与问题空间相关，而后两个实践与解决方案空间相关。贝克曼（2020年）将观察与留意置于具体经验与反思性观察的交点，而重构与重新构想则发生在反思性观察与抽象概念化的交点。

观察与留意实践是发现和理解基本可用性需求（Thomke和Von Hippel，2002年；Norman，2005年；Brown，2009年）以及更深层次的、基于意义的需求（Mariampolski，1999年；Mariampolski，2005年；Squires和Byrne，2002年；Elliot和Jankel-Elliott，2003年）的强大工具。这些实践超越了表面观察，探索驱动用户行为的动机、情绪和价值观。Liedtka等人（2013年）将设计思维定义为一个以同理心和以人为本的研究为特征的创造性问题解决方法。这种方法优先考虑对用户需求、行为和体验的深入理解，以产生创新成果。贝克曼和Barry（2007年）认为观察和民族志是建立用户同理心的关键方法。在这种情况下，同理心不仅仅是理解；它要求站在用户的角度看问题，采纳他们的视角，并验证他们的体验（Carlgren等人，2016年）。这一过程需要开放心态接受不同的意见，暂停判断，直觉地感知情绪，并通过反思用户的思想和感受来进行有意义的沟通。洛克伍德（2009年）强调了将用户置于过程中心的同理心的重要性，指出这是以设计为导向的思维模式的基本原则。

观察与留意实践对于揭示用户可能没有意识或难以表达的潜在需求特别有价值。这些洞察对于推动根本性创新至关重要，因为根本性创新依赖于解决未满足或被忽视的机会，并重新构想未来的可能性。通过挑战既定的假设并利用丰富的、细腻的用户数据，观察与留意实践为突破传统规范和重新定义市场的创新铺平了道路（O’Connor和DeMartino，2006年）。这一过程使设计师能够从基于同理心的洞察过渡到变革性的创新。马丁（2009年和Verganti（2017年）都强调，将深入的用户理解与战略性、有远见的设思想维结合起来，为根本性创新创造了肥沃的土壤。这种融合使设计思考者能够超越解决现有问题，预示着全新的价值和意义 categorias。因此，我们认为：

观察与留意实践与创新的激进性呈正相关。

重构与重新构想实践旨在创造对当前问题的新视角。关于问题框架的基础研究（例如，Sch?n，1984年；Sch?n，1987年；Sch?n，1995年；Cross，2006年；Lawson，2006年）强调了它在创新过程中的重要性。学者们普遍认为问题框架是创新旅程中的第一步创造性步骤，它基于创造力，先于问题解决和解决方案的实施（Basadur，1995年）。框架设定作为基础步骤，为问题解决工作和想法实施提供了指导标准（Harvey和Kou，2013年）。通过激活影响个人在特定情境下感知、推理和行动的知识图谱（Cornelissen和Werner，2014年），个人、团队和组织形成了对问题的连贯理解。这一过程使得构建创新的心理表征成为可能（Mumford等人，1994年；Cornelissen和Werner，2014年）。Reynolds等人（2025年）将重构定义为“以替代方式对创新进行框架构建的过程，通过引入新的框架或将观众的注意力导向替代框架”（第199页）。正如Reynolds等人（2025年）所强调的，重构对于影响创新的感知方式至关重要，决定了创新是否被视为社会上可取或合法的，从而极大地影响其成功。设计领域提供了大量关于问题重构的文献（Bellis等人，2026年）。例如，Bianchi和Verganti（2022年）强调了重构在发现新机会和洞察方面的重要性。Dorst（2011年）指出，以新颖且引人入胜的方式重构问题情境的能力是设计的一个决定性特征。正如Sch?n（1984年、Sch?n，1987年、Sch?n，1995年）所提出的，反思性实践通过将问题感知与特定的推理模式结合起来，强烈影响了设计理论中的框架概念，使框架构建者能够发展出一系列可能的行动。反过来，设计思维实践支持对定义不明确问题的创造性框架构建（Buchanan，1992年；Boland和Collopy，2004年；Dorst，2011年），这些问题是组织经常遇到的，并且无法通过纯粹的分析方法有效解决。

根据Paton和Dorst（2011年）的观点，重构是指采用新的框架以独创的方式解释设计背景和正在研究的问题。问题重构描述了个体、团队和组织如何在创新环境中理解模糊性，从而找到新的问题框架（Beckman，2020年；Dzombak和Beckman，2020年）。重构与重新构想实践需要对当前的心理模型有深刻的理解，并发展出替代模型（Senge，1991年），通过涉及探究、发散和收敛的对话来参与者的参与。探究鼓励个人讨论假设并认识到他们视角的局限性（Schein，1999年）。根据Paul和Elder（2013年）的观点，批判性思维为重构与重新构想实践提供了基础。发展新框架基于几项活动：识别事实（什么是真实的）、推理（接下来会发生什么）、假设（什么是理所当然的）和观点（什么是过滤机制）（Page，2007年；Mayfield，2007年）。重构与重新构想实践使人们能够超越传统视角，让设计师和创新者重新概念化问题，超越现有的解决方案或范式。这种重新构想对于根本性创新至关重要，因为它有助于识别与现状截然不同的新挑战。框架与重新构想实践所培养的认知灵活性对于根本性创新至关重要，使创新者能够超越当前的市场和技术限制，构想全新的可能性（Verganti，2009年）。通过挑战和重构影响问题感知的心理模型，创新者可以发现可能在现有框架内不明显的根本性创新路径（Dorst，2011年）。Bianchi和Verganti（2022年）概述了具体的问题重构方法，并根据促进重构的关键因素对它们进行分类。Martin（2009年）强调，能够以意想不到的方式重构问题是持续产生根本性创新组织的特征，表明有效的重构与创新的激进性之间存在直接联系。通过重构，设计思考者超越了传统界限，以创造力和开放性探索创新景观，从而导致以下假设：

重构与重新构想实践与创新的激进性呈正相关。

对于本研究的目的，我们将数据技术定义为包括大数据分析（BDA）、物联网（IoT）和人工智能（AI）。BDA涉及使用数据来识别模式并预测未来趋势（Mortati等人，2023年），方法是分析创新团队可用的多种数据源。IoT主要由基于其功能通信和传输相关数据的设备组成（Santoro等人，2018年），从而生成大数据。AI指的是能够执行通常需要人类智能的任务的计算机系统（Gama和Magistretti，2025年）。这些系统通过数据解读自主学习和做出决策，无需人工干预（von Krogh，2018年）。对数据技术的日益关注与向第四次工业革命和新兴的机器经济的转变相一致（Rabah，2018年）。具体来说，BDA、IoT和AI使得不同类型的信息（如大数据（定量数据）、稠密数据（定性数据）和创新实践）之间的互动成为可能（Ghasemaghaei和Calic，2020年）。在许多情况下，这些技术不是单独使用的，而是结合使用以实现最佳结果。例如，传统的数据分析、IoT解决方案和网络技术本身不足以支持高度自主的车辆；相反，必须将这些技术集成起来才能达到预期目标。能够三角测量定性（稠密数据）和定量（大数据）来源的能力正成为组织的关键资产（Hartmann和Henkel，2020年）。竞争优势越来越依赖于获取大量信息并迅速提取有价值洞察的能力，数据技术在这一过程中发挥着核心作用。技术突破可以通过BDA、IoT和AI的整合来实现（Rabah，2018年）。数据技术在支持创新过程（Groves等人，2013年；Wamba等人，2017年；Roberts和Candi，2024年）和提高创新绩效（Bughin等人，2017年；von Krogh，2018年）方面发挥着重要作用。正如Urbinati等人（2020年）所观察到的，数字化转型，即在内部分支采用数据技术，已成为根本性创新的关键推动因素。这一点从许多利用数据技术推动创新努力的公司中得到了证明（Verganti等人，2020年）。Verganti等人（2021年）详细说明了这些技术不仅扩展了创新者的知识基础，还加速了实验周期，揭示了创造全新价值的意外机会。尽管对数据技术对创新影响的定性探索已经很多，但关于这些技术如何影响设计和创新过程的知识仍然有限。

在设计思维的背景下，问题空间和解决方案空间都可以通过BDA、IoT和AI等数据技术得到显著增强（Fuller和Matzler，2007年；O’Leary，2013年；Lee等人，2015年；Nambisan等人，2017年；Roberts和Candi，2024年）。特别是，BDA可以通过系统分析汇总到大数据池中的访谈、观察和其他用户生成的数据来支持用户同理心实践（Magistretti等人，2022b；Mortati等人，2023年）。结合大数据和稠密数据对于全面理解用户需求至关重要（Mortati等人，2023年）。因此，预计BDA将有助于识别引导团队走向根本性创新的相关模式。IoT使得新的数据收集策略成为可能（Narang和Chowdhery，2022年）。鉴于探索问题的所有方面的重要性（Dell’Era等人，2020年），自动收集和提供数据的技术可以显著支持创新成果。最终，人工智能工具越来越多地应用于需要抽象推理和创造力的任务中（Amabile, 2020）。人工智能可以帮助探索各种选项（Roberts & Candi, 2024），并在整个创新过程中支持决策制定（Bouschery et al., 2023）。正如多位学者所强调的（例如，Cross, 1999, Dorst, 2011, Dorst 和 Cross, 2001），数据技术经常被用于设计过程中，如问题框架的构建，以激发创造力，并提供“原始”或“半成品”材料，这些材料通常通过对用户在其环境中的民族志观察生成和/或通过视频、报纸、草图等补充（Eckert 和 Stacey, 2000, Cillo 和 Verona, 2008, Beltagui et al., 2023）。数据技术可以促进用户洞察的收集与解读（Verganti et al., 2021）。例如，Netflix 分析客户互动，以指导内容创作者创作更吸引人的内容（Smith & Telang, 2018）。这个例子说明了数据技术不仅在观察用户和收集数据方面发挥着重要作用，而且在识别影响设计过程解决方案发展的模式方面也至关重要。因此，数据技术提高了设计思维实践的有效性，提供了对用户行为的洞察，减少了心理模型偏差，并挑战了关于用户问题的固定观点（Liedtka, 2015, Carlgren et al., 2016, Micheli et al., 2019）。此外，尤其是人工智能，已被证明能够揭示新的、意想不到的模式，从而推动根本性创新（Gama & Magistretti, 2025），并促进问题的探索和重构（Bouschery et al., 2023）。先前的研究（例如，Pham et al., 2021）表明，数据技术的整合通过提供更深入的用户需求洞察，增强了设计思维实践，并为决策提供了关于哪些问题需要创造性解决的指导，从而支持了设计过程中的框架构建和重构实践（Ananth et al., 2025）。尽管研究承认数据技术在设计思维中的作用，但主要还是从定性（Pham et al., 2021, Mortati et al., 2023）或概念性（Bouschery et al., 2023）的角度进行了探讨，而没有对其对设计实践的调节作用进行实证测试。尽管存在持续的争论，但证据表明，数据技术在推动设计驱动创新项目中的调节作用是重要的，但仍然有待进一步探索。因此，我们提出以下假设：H3：数据技术的采用积极调节了观察与注意实践与创新激进性之间的关系。H4：数据技术的采用积极调节了框架构建与重构实践与创新激进性之间的关系。总之，如图1所示，本研究探讨了旨在探索问题空间的实践与创新激进性（H1 和 H2）之间的关系，以及数据技术的调节作用（H3 和 H4）。

图1. 研究模型。

3. 研究方法
3.1. 数据收集
本研究的实证数据是通过在线调查收集的，对象是参与其公司使用设计思维实践进行客户创新项目的设计从业者。选择这种实证设置有几个原因。与他们的活动性质一致，咨询公司往往是新管理方法的早期采用者，他们会将这些方法整合到服务和方法论中，以支持客户的成长（Armbrüster, 2006）。近年来，咨询公司越来越多地采用设计思维来应对客户面临的复杂创新问题（Magistretti et al., 2022a），这使它们成为考察设计思维实践和数据技术应用的理想环境。大多数大型咨询公司都收购了设计机构，以扩展他们的能力和工具包，特别是为了应对广泛的数字化转型以及创造卓越用户体验的日益增长的需求（Dell’Era et al., 2020）。此外，咨询行业以快速采用创新实践而闻名，这一特征与设计思维的实验性和灵活性逻辑高度契合（Micheli et al., 2019）。设计思维通过支持问题空间探索和研究的实践来解决棘手问题（Buchanan, 1992, Carlgren et al., 2016）。所研究的创新项目是经过精心设计的，旨在解决定义不明确的问题，确保它们的相关性和基于现实世界的挑战，而不仅仅是为了本研究而设立的临时性举措或项目。最后，这种实证策略为定量分析提供了足够大的样本规模，同时鉴于涉及的客户、供应商和服务的多样性，确保了足够的变异性。通过目的性抽样，我们在我们的专业网络中识别了潜在的参与者，特别关注直接参与客户设计思维项目的个人。然后，我们联系了具有五到十年设计思维应用经验的设计从业者。为了最小化选择偏差，每个咨询公司只招募了一名受访者，并通过包括服务范围广泛的机构来多样化样本，同时确保人口统计变量（如公司规模和从业者角色）的平衡分布。这样得到的样本相当具有代表性。此外，我们比较了在初次请求后一周内完成调查的受访者与后来回应的受访者的平均回答。由于两组之间的平均值一致，我们谨慎地推断，未回应者不会与回应者在系统上有所不同，从而减少了非回应偏差的担忧。受访者通过电子邮件受邀完成我们的在线调查，该调查收集了关于最近完成的设计思维基础的创新项目的详细信息。分析单位是一个单独的创新项目，定义为提供了一个新颖的解决方案、流程或方法来解决客户问题或机会的项目。受访者被要求选择在过去12个月内完成的项目，以确保回忆的准确性和相关性。我们保证了隐私和匿名性，并设计了避免违反客户隐私或公司政策的问题。受访者被要求指明焦点项目，以确保关注特定案例，尽管他们被鼓励使用化名以避免分享敏感或专有信息。受访者包括来自意大利（55%）、瑞典（21%）、荷兰（11%）和英国（8%）的咨询公司的从业者，涵盖了创新实践的区域多样性。共获得了246个可用响应，响应率略高于10%，符合在线调查的 established benchmarks（Forza, 2016）。

3.2. 变量
调查条目根据先前的研究进行了调整，并在必要时添加了新的条目。与设计思维实践相关的变量基于Micheli et al., 2019, Seidel and Fixson, 2013, 和 Nakata and Hwang (2020)。调查工具通过几轮测试进行了改进。首先，11位学者和12位在设计相关组织的顾问委员会工作的设计从业者（包括合作研究中心、大学研究中心和国际硕士课程）审查了条目的具体性、领域代表性及清晰度。然后在现场进行了小规模测试（N = 146）。小规模数据通过探索性因素分析和验证性因素分析进行了处理。加载较差的条目被删除或重新措辞，以提高清晰度、相关性和可理解性。创新激进性的测量基于Gatignon et al. (2002) 和 Garcia and Calantone (2002)。捕捉数据技术采用的调节变量是通过询问受访者是否在基于设计思维的创新项目执行中使用了特定技术来测量的。每种技术的回答被记录为是或否。为了构建这一测量，三种技术类型的二元回答被相加，得到一个范围从0到3的指数。我们使用Stata版本17分析数据。因素分析显示，观察与注意实践的条目加载到了一个单一因素上，而框架构建与重构实践的条目加载到了两个不同的因素上（见表1）。所有Cronbach’s alpha值均超过0.7，验证性因素分析表明模型拟合良好，卡方值为50（31个自由度），RMSEA为0.047，CFI为0.98。

表1. 变量和条目。
变量 | 调查条目
-------------------|-------------------
创新激进性 (IR) [基于Gatignon et al., 2002, Garcia and Calantone, 2002] | [X]在客户眼中代表了突破
| [X] 对客户的行业来说是新的
| [X] 对世界来说是新的
| [X] 为用户提供了全新的体验
观察与注意实践 (ONP) [基于Micheli et al., 2019, Nakata and Hwang, 2020, Seidel and Fixson, 2013] | 我们应用了用户研究技术来发现隐藏和未表达的用户需求
| 我们应用了民族志来收集用户在其“真实环境”中的行为数据
| 我们应用了同理心设计技术来理解用户的感受
框架构建实践 (FP) [基于Micheli et al., 2019, Nakata and Hwang, 2020, Seidel and Fixson, 2013] | 我们使用类比思维从多个角度看待问题
| 我们使用了更广泛和一般性的问题表述
| 我们应用了框架构建技术来理解问题的深层本质
重构实践 (RP) [基于Micheli et al., 2019, Nakata and Hwang, 2020, Seidel and Fixson, 2013] | 我们无论想法来自何处都进行调查和批评
| 我们推动团队成员重新思考他们的想法
数据技术的采用 (ADT) | 请指出在执行[X]时采用了以下哪些技术：
| 大数据分析
| 物联网
| 人工智能、机器学习和深度学习
| 注：[X]指基于设计思维为客户进行的具体创新项目
测量模型拟合统计量：CMIN/DF = 1.41, RMSEA = 0.047, CFI = 0.98, TLI = 0.96, SRMR = 0.048。所有调查条目均与项目[X]相关。除了与数据技术采用相关的条目外，所有条目都以1（不同意）到7（同意）的响应选项呈现。每种数据技术的回答被记录为是或否。数据技术变量是通过将三种技术类型的二元回答相加得到的，范围从0到3。

表2. 变量之间的 pairwise 相关性。值得注意的是，实践之间的相关性最高，这是预期之中的，因为这三个衡量标准都涵盖了在探索问题空间中实践的使用。

表2. 变量之间的 pairwise 相关性。
| |
| |
| |
| 创新激进性 (IR) | 2 |
| 观察与注意实践 (ONP) | 0.37 |
| 框架构建实践 (FP) | 0.24 |
| 重构实践 (RP) | 0.37 |
| 数据技术的采用 (ADT) | 0.16 |
| | 0.16 |
| | 0.04 |

鉴于这些高相关性，多重共线性可能是一个值得关注的问题。为了评估这一点，我们检查了方差膨胀因子（VIFs）。在包括所有交互项的层次回归模型的第三步中，框架构建实践与数据技术采用之间的交互项的VIF最高为2.46。由于这个值远低于保守的阈值5（Marquardt, 1970），因此多重共线性似乎不是问题，这支持了我们区分三个设计思维实践变量的决定。所有VIF都在表3中报告。

表3. 层次回归第三步的方差膨胀因子 (VIFs)。
| 变量 | VIF |
|------------|---------------|
| ADT × FP | 2.46 |
| ADT × ONP | 2.24 |
| 观察与注意实践 (ONP) | 1.58 |
| 框架构建实践 (FP) | 1.56 |
| ADT × RP | 1.51 |
| 重构实践 (RP) | 1.46 |

4. 研究结果
为了研究数据技术的采用如何调节观察与注意、框架构建与重构实践对创新激进性的影响，需要进行交互分析（Aiken & West, 1991）。使用层次回归来检测调节效应，因为它允许在包含交互项和不包含交互项的模型之间进行显式比较，从而评估调节变量解释的增量方差。这种方法在依赖于普通最小二乘估计的调节分析中广泛使用，并与本研究对条件效应的理论重点一致。它还使我们能够在单个模型中测试所有四个假设（见表4）。在层次回归中（在Stata中使用了hireg函数），预测变量分步输入，以评估它们在考虑了前一步中输入的变量解释的方差后，是否解释了依赖变量中的统计显著方差。在我们的分析中，H1和H2在第一步中进行了测试，H3和H4在第三步中进行了测试。按照Aiken和West（1991）的建议，在分析之前对独立变量进行了标准化。结果见表4。分层调节回归结果（因变量：创新激进性）

| 步骤 | 观察与注意实践（ONP） | 框架实践（FP） | 重新框定实践（RP） | 数据技术采纳（ADT） |
|---------|-------------------|-------------------------|----------------------------------|----------------------------------|
| Step 1 | 0.34 | -0.04 | 0.33 | 0.10 |
| Step 2 | 0.09 | -0.03 | 0.32 | 0.24 |
| Step 3 | 0.00*** | -0.06 | 0.31 | 0.26 |
| [H1] | 观察与注意实践对创新激进性有显著影响 | 框架实践对创新激进性无显著影响 | 重新框定实践对创新激进性有显著影响 |
| [H2] | | | | |
| [H3] | | 数据技术采纳单独对创新激进性无显著影响 | 数据技术采纳与观察与注意实践结合对创新激进性有显著影响 |
| [H4] | | 数据技术采纳与框架实践结合对创新激进性无显著影响 | 数据技术采纳与重新框定实践结合对创新激进性有显著影响 |

注释：N = 246；**p < 0.01；*p < 0.05

在第一步中，观察与注意实践与创新激进性之间存在显著关系，支持H1假设。重新框定实践对创新激进性有显著影响，而框架实践则没有，支持H2假设。这表明创造性地重新组织问题解释的能力有助于推动激进创新，而仅仅在现有表示中组织和解释信息则不能。在第二步中，单独采用数据技术与创新激进性无显著关系。第三步在模型中引入了三个交互项，其中只有观察与注意实践与数据技术的交互项是正的且显著，支持H3假设。图2中的交互图显示，当采用更多的数据技术时，观察与注意实践与创新激进性之间的关系更强。框架实践与数据技术的交互项以及重新框定实践与数据技术的交互项均不显著，说明H4假设不成立。

下载：高分辨率图片（56KB）
下载：全尺寸图片

图2. 交互图展示了数据技术采纳对观察与注意实践与创新激进性之间关系的调节作用。关系在数据技术采纳均值以上一个标准差（高采纳水平）和均值以下一个标准差（低采纳水平）处绘制（Aiken & West, 1991）。

4.1. 进一步分析
为了进一步探索这些关系及其背后的动态，我们分别考察了三种数据技术的调节效应。每种数据技术的分层回归分析最后一步的结果见表5。我们发现，大数据分析（BDA）的采纳对观察与注意实践与创新激进性之间的关系有正向调节作用，与H3假设一致。此外，物联网（IoT）的采纳也对重新框定实践与创新激进性之间的关系有正向调节作用，而人工智能（AI）的采纳则没有调节任何关系。由于每种数据技术都是以二元方式测量的，表5中的技术特定调节测试应被视为采纳者与非采纳者的对比，而不是不同强度或复杂程度的比较。

表5. 每种数据技术的分层回归分析最后一步结果

| 数据技术 | 观察与注意实践（ONP） | 框架实践（FP） | 重新框定实践（RP） | 数据技术采纳（ADT） |
|-----------|-----------------|-----------------|------------------|-----------------|
| BDA | 0.43 | -0.11 | 0.32 | -0.09 |
| IoT | 0.10 | -0.10 | 0.32 | 0.26 |
| AI | 0.09 | 0.30 | 0.23 | -0.16 |
| [H1] | 观察与注意实践对创新激进性有显著影响 | 重新框定实践对创新激进性有显著影响 | 数据技术采纳对创新激进性有显著影响 |
| [H2] | | | |
| [H3] | | 数据技术采纳单独对创新激进性无显著影响 | 数据技术采纳与观察与注意实践结合对创新激进性有显著影响 |
| [H4] | | 数据技术采纳与框架实践结合对创新激进性无显著影响 | 数据技术采纳与重新框定实践结合对创新激进性有显著影响 |

注释：**p < 0.01；*p < 0.05**

在解释这些结果时，需要考虑样本中三种数据技术的平均采纳水平。BDA的平均采纳水平最高（0-1尺度上为0.28），其次是IoT（0.15），AI最低（0.09）。这种分布有助于解释为什么BDA在组合分析和单独分析中都显示出显著的调节效应，而IoT和AI的结果则更为复杂。值得注意的是，技术特定的分析显示IoT对重新框定实践有正向调节效应。这一发现表明，IoT增强的数据收集能力增强了重新框定实践对创新激进性的贡献。具体来说，IoT数据可以创造性地丰富对用户如何与对象互动的理解。相比之下，AI在样本中的采纳率较低，因此没有调节所测试的关系。这表明，尽管人们对AI的关注度不断提高，但其在问题框架方面的应用仍不成熟。值得注意的是，我们的数据收集于2022年11月ChatGPT公开发布之前，因此之后收集的数据可能会揭示不同的AI采纳和调节模式。

4.2. 稳健性测试
我们构建的数据技术采纳变量的方法与He等人（2024）一致，他们将多种数据技术的九个二进制（虚拟）变量汇总为一个调节变量。由于之前的研究也将数据技术视为单一的二进制变量（例如Rammer等人，2022年；Niebel等人，2019年），我们使用二进制调节变量进行了稳健性测试。如果采用了某种或多种数据技术，则该变量被赋值为1，否则为0。使用这种调节变量的分层回归分析结果与表4中的结果一致。因此，我们得出结论，我们的发现适用于数据技术采纳的两种操作化方式。

5. 讨论
发现甚至创造值得解决的问题有助于缓解选择悖论（Schwartz, 2005）。设计思维强调问题的深度，而不是用大量解决方案压倒决策者。先前的研究表明，传统方法侧重于寻找解决方案（Posen等人，2018年），而问题导向的搜索则关注于定义或发现问题的过程（Nickerson等人，2012年）。我们的发现通过展示将注意力从解决方案转移到问题上的价值，为这一观点做出了贡献（Ananth等人，2025年），最终带来了更具创新性的成果。

我们的实证结果表明，设计思维中的观察与注意实践对创新激进性有积极影响。这突显了同理心和以人为本的方法在揭示隐藏和潜在需求（Magistretti等人，2021年）方面的重要性，这些需求可以推动激进创新。关于民族志方法的研究（Kelley, 2001年；Lojacono和Zaccai, 2004年）也表明，在自然环境中观察用户可以更深入、更准确地理解他们的实际需求（Patnaik和Becker, 1999年；Whitney和Kumar, 2003年）。观察与注意实践依赖于人类视角，使创新团队能够理解问题的复杂性并检测用户行为中反映的微弱信号（Liedtka, 2015年）。同理心是这一过程的核心，它为揭示用户可能未意识到的见解和潜在需求提供了途径。这对于设计思维至关重要，因为它为问题识别和框架构建提供了基础（Brown, 2009年；Giacomin, 2014年），使设计师能够沉浸在用户的自然环境中，检查行为，发现隐藏的模式，并推断用户体验的更深层次意义。深入的情境访谈和直接观察等技术可以揭示用户需求的无形维度（Sanders, 2006年）。通过积极互动和倾听，设计师不仅可以验证假设，还可以发现解决未明确表达或新兴需求的新方法（Elsbach和Stigliani, 2018年；Seidel和Fixson, 2013年；Zhang和Ma, 2026年）。有趣的是，我们的发现表明重新框定实践与激进创新呈正相关，而框架实践则没有这种关联。这表明创造性地重新组织问题的初始解释对于实现激进创新至关重要。Dillon（1982年）区分了呈现的问题、发现的问题和创造的问题，指出更高层次的问题创造更适合具有波动性、不确定性和复杂性的环境（Baer等人，2013年；Troise等人，2022年）。重新框定实践与此观点一致，因为它们涉及挑战假设、揭示隐藏的维度，并使用演绎推理来想象超越传统知识的可能性（Dorst, 2011年）。虽然创造力通常被视为产生创新想法的关键，但Dorst和Cross（2001年）认为重新框定实践也依赖于创造力来从根本上重新解读问题。Reframing需要深入的参与，以深刻理解手头的问题或挑战（Buchanan, 1992年；Boland和Collopy, 2004年；Dorst, 2011年）。Beckman和Barry（2009年）强调，意义构建和重新框定活动有助于创造集体性的、情感上连接的叙事，这些叙事可以易于传播，并启发式地用于指导决策。Reframing实践由批判性思维驱动，它深入探究问题的解释，并试图通过考虑多种视角来揭示表面之下的事物，最终形成更全面和稳健的理解（Verganti, 2016年；Verganti和Norman, 2019年）。批判性思维涉及挑战认知框架，并质疑个人如何理解他们的环境。仅仅基于现有解释来框定问题可能会限制激进创新的潜力，而重新框定则开启了颠覆性的新视角和更深入的见解（Bellis等人，2026年）。观察与注意实践和重新框定实践与创新激进性的正相关关系，与框架实践的缺乏这种关系的情况形成对比，突显了这些实践在理解用户需求、揭示潜在需求和重新解释核心问题方面的互补作用。尽管设计思维已成为促进创新的广泛采用的方法，但它对激进创新与渐进创新的不同影响仍缺乏充分探讨。只有少数研究明确探讨了这种区别，而这些研究通常只关注激进创新（例如Bicen和Johnson, 2015年；Zheng, 2018年；Robbins, 2018年；Radnejad等人，2021年）。

文献对此问题提出了不同的观点。一些学者认为设计思维通过鼓励创造性实验和挑战现有假设来促进激进创新（例如Bicen和Johnson, 2015年；Radnejad等人，2021年），而另一些学者则认为设计思维带来的结果主要是渐进性的。例如Robbins（2018年）和Robbins及Sandberg（2023年）认为，过度关注解决当前客户需求往往倾向于促进渐进式改进，因为设计思维可能缺乏激进创新所需的远见。其他观点认为设计思维是一种双重用途的方法，根据应用方式的不同，它可以支持激进创新和渐进创新（Zheng, 2018年；Randhawa等人，2021年）。我们的实证发现提供了关于设计思维实践在推动创新激进性方面的更细致的观点。具体来说，它们表明激进创新不仅需要与用户同理心的互动，还需要以意想不到和变革性的方式重新框定问题。研究发现指出，外部向内的实践（即观察与注意）和内部向外的实践（即重新框定）具有互补的作用。虽然用户同理心有助于组织探索问题空间并发现之前未探索的设计机会，但仅仅框定收集到的见解不足以实现激进创新（Cromwell和Harvey, 2025年）。相反，避免渐进主义的陷阱需要有意使用创造性的逻辑，以重新框定初始解释并质疑根深蒂固的假设（Pham等人，2023年）。

我们的发现表明，虽然数据技术（BDA、IoT、AI）的采纳与创新激进性没有直接关联，但它对观察与注意实践的影响有正向调节作用。这一调节效应与研究表明一致，即BDA能够在个体层面上捕捉用户行为，管理复杂分析，并识别非常规模式（Mortati等人，2023年；Verganti等人，2020年）。大量用户数据（如人口统计、浏览历史、社交媒体互动和购买行为）可以显著丰富观察与注意实践。通过利用数据挖掘技术，AI系统可以通过发现偏好、兴趣和行为中的模式来预测用户需求。这些数据对于基于机器学习的AI系统尤为重要，因为它们可以实现更准确的预测和决策制定。数据技术（BDA、IoT、AI）的采纳与观察与注意实践相结合，进一步通过将数据驱动的见解与同理心理解相结合，增强了以用户为中心的方法。通过对用户数据进行的大规模分析，设计师可以识别微妙的趋势和潜在的偏好，从而指导设计选择（Mortati和Cautela, 2025年）。此外，将BDA嵌入设计思维过程中可以通过系统地整合用户反馈来支持假设的验证和解决方案的完善（Mortati等人，2023年）。然而，我们的发现表明，数据技术的采纳并没有调节框架实践和重新框定实践与创新激进性之间的关系。正如Mortati和Cautela（2025年）所指出的，设计师在支持观察与注意实践时倾向于依赖大数据，因为大规模用户数据能够识别模式、行为和未满足的需求。相反，在进行重新框定实践时，设计师主要依靠直觉、创造力和解释。这种转变指出了纯数据驱动方法在产生有意义的创新方向上的局限性，强调了设计过程中人类意义构建的持续重要性。类似地，Verganti等人（2020）认为，随着算法越来越多地支持和自动化分析和创造性任务，人类设计师的角色从生成解决方案转变为解释洞察并确定应解决哪些问题。因此，数据技术在收集和分析用户洞察方面可能比在根本性重构问题空间方面更有效。此外，尽管数据技术可以在创新过程的各个阶段发挥重要作用（Chen等人，2012；Sivarajah等人，2017；Urbinati等人，2020），但我们的研究发现表明，它们在复杂和微妙的问题重构实践中的贡献较为有限。重构问题不仅需要数据驱动的洞察力，还需要深度的意义构建、想象力推理和批判性反思，这些能力主要还是人类的特色（Verganti等人，2021）。这些认知过程包括质疑现有假设、探索悖论以及构建完全新的视角，而这通常超出了当前数据集的局限。在这方面，数据可以作为起点，通过突出不一致性、揭示弱信号或识别意外的关联，但最终是将这些信号转化为问题空间有意义重新定义的才是人类设计师的创造性和解释性灵活性。因此，组织应该将数据技术视为对人类创造力的补充，而不是替代品，后者能够增强而非取代激进创新所必需的归纳和批判性思维。

这项研究为设计思维文献（Carlgren等人，2016；Micheli等人，2019）做出了贡献，提供了不同设计思维实践如何影响激进创新的定量证据。它还强调了进一步研究数据技术与创造性问题解决方法交叉点的必要性。通过阐明“观察与注意”和“重构问题”实践的具体贡献，我们的发现为理解以设计为中心的激进创新路径提供了坚实的经验基础（Gruber等人，2015）。

5.1 理论意义
我们的发现推动了设计思维实践（特别是“观察与注意”、“重构问题”）在促进激进创新方面的理论理解。首先，这些发现强调了同理心和以人为中心的观察在发现潜在需求和产生创新想法中的关键作用。通过验证这些实践的重要性，本研究扩展了应用民族志方法和以人为中心的问题探索的文献，突显了它们在动态和复杂环境中的相关性（Liedtka，2015；Seidel和Fixson，2013）。特别是，我们的发现强调了重构问题在通过创造性挑战现有认知框架和质疑假设来推动激进创新中的核心作用。这一见解与关于问题重构的另一种观点（Bianchi & Verganti，2022）以及意义构建和批判理论相符，后者强调深入参与问题空间的重要性（Beckman & Barry，2009）。其次，通过识别有助于创新激进性的问题空间设计思维实践（特别是“观察与注意”和“重构问题”实践），我们加深了对问题导向搜索的理解。尽管问题导向搜索的相关性已被认可，但很少有研究从设计思维的角度对其进行如此深入的探讨（Posen等人，2018）。第三，在日益数字化的世界中，我们的研究表明问题空间探索仍然主要是由人类驱动的活动（Verganti等人，2020）。虽然数据技术可以通过改进用户洞察的收集来增强“观察与注意”实践，但它们对“重构问题”实践的贡献更为有限，这进一步强化了重要的问题重新解释主要依赖于人类直觉和创造力的观点。总体而言，本研究通过提供设计思维实践与数据技术之间相互作用的实证证据，填补了文献中的空白，提供了关于它们在推动创新方面互补作用的细致理解。

5.2 管理意义
本研究为希望利用设计思维实践和数据技术来促进组织中激进创新的管理者提供了几个关键见解。首先，应认识到“观察与注意”实践是关键活动。这些实践基于同理心、民族志调查和沉浸式观察，有助于揭示传统市场分析常常忽略的潜在、未明确表达或新兴的需求。分配专门的时间和资源进行情境用户研究不应被视为辅助活动，而应该被视为识别高潜力创新机会的战略投资。在实践中，这可能涉及与潜在客户的情境访谈、民族志观察、客户旅程映射，或项目团队在真实情境中观察用户与产品或服务的互动。其次，应积极鼓励“重构问题”实践。研究表明，仅“重构问题”而不仅仅是“框架问题”对于通过设计思维产生激进创新是必不可少的。因此，不应将重构问题视为一次性的创造性技术，而应将其制度化为创新团队的核心能力。管理者可以通过促进项目团队内的建设性批评和认知多样性来支持这一点，鼓励他们在整个项目生命周期内定期重新审视和思考问题定义阶段。鼓励归纳推理和意义构建的工作坊和协作工具可以进一步强化这些实践。例如，这可以包括促使团队不断质疑初始假设的常规流程，如在项目评审期间重新审视问题定义、结合来自不同职能背景的观点，或随着项目的进展记录和比较问题的不同解释。第三，虽然大数据分析、AI和物联网为丰富观察实践提供了有价值的方法（如实时行为洞察、预测使用趋势和异常检测），但它们对“框架问题”或“重构问题”实践的增强作用是有限的。因此，创新领导者应使用数据技术来提供信息，而不是替代同理心理解，同时要警惕数据决定论，即过度依赖算法输出来定义问题可能会缩小解决方案空间并降低激进创新的潜力。实际上，更有效的数字技术使用方法是将通过使用分析、传感器数据或数字互动日志生成的数据与现场观察或用户访谈的洞察相结合。综合审查这些来源可以帮助创新团队在最终确定问题定义之前验证新兴模式并更好地理解用户需求。

5.3 局限性和未来研究
我们的研究指出了几个未来研究的方向，这些研究可以加深对设计思维和问题导向搜索的理解。首先，鉴于生成式AI的最新发展，AI的不断演变作用可能没有在我们的研究中得到充分体现。未来的研究应探讨这些新工具如何影响“框架问题”和“重构问题”实践对创新激进性的贡献。其次，我们对数据技术的衡量有限，因为它仅区分了采纳与否，但没有评估其有效性或强度。我们的操作化关注于技术采纳的早期阶段，这与Rogers（2003）的创新扩散理论一致，该理论强调最初是否采纳创新的决策。这种二分法也与技术接受模型（TAM）（Davis，1989）及其后续扩展相一致，其中初始采纳代表了评估使用强度或长期参与之前的一个关键门槛。最近的研究使用了类似的方法来衡量数据技术的采纳（例如，He等人，2024）。尽管如此，仍需进一步研究数据技术使用强度和有效性的调节效应。第三，我们数据的横断面性质限制了随时间进行因果推断的能力。纵向研究可以提供有关设计思维实践与数据技术之间相互作用如何演变并影响创新绩效的宝贵见解。第四，虽然我们专注于特定的设计思维实践，但没有研究这些实践与其他组织因素（如领导力、文化或跨职能协作）的相互作用。研究这些相互作用可以提供对创新生态系统的更全面理解。第五，我们的研究是在特定的时间和技术背景下进行的。随着数据技术的不断发展和普及，未来的研究应重新评估它们在推动激进创新中的作用，特别是在增强“重构问题”实践的效果方面，以确保这些发现在动态环境中的持续相关性。最后，尽管我们的目的性抽样策略确保了包括直接参与设计思维项目的经验丰富的从业者，但也限制了结果的普遍性。因为样本反映了已经从事设计思维的咨询公司，所以这些发现可能不代表使用不同创新实践或对设计思维不太熟悉的组织的普遍情况。咨询背景也可能影响观察到的关系，因为这类公司通常在多个客户行业中运作，并且往往是创新实践和先进数据技术的早期采纳者。因此，我们研究中观察到的设计思维实践与数据技术之间的交互效应可能在这些实践不太成熟或制度化的组织中更为显著。因此，我们的发现普遍性在更广泛的创新管理领域仍然受到限制。此外，对来自欧洲和美国公司的重点可能限制了结果在其他地理或文化背景下的适用性，这些地方的 数据技术或设计思维的采纳情况有所不同。因此，未来的研究应在不同行业和地区验证这些发现。

**作者贡献声明**
Claudio Dell’Era：写作——审阅与编辑、撰写初稿、项目管理、数据整理、概念化。
Marina Candi：写作——审阅与编辑、方法论、正式分析、数据整理。
Stefano Magistretti：写作——审阅与编辑、撰写初稿、调查、概念化。
Roberto Verganti：监督、概念化。
Ileana Stigliani：写作——审阅与编辑。