李華晶
你買(mǎi)東西的時(shí)候,是喜歡看看朋友圈里朋友都買(mǎi)了什么?還是喜歡打開(kāi)app看看陌生人都推薦了什么?朋友圈和陌生人對(duì)于用戶(hù)而言,誰(shuí)更有利于他們做出正確的消費(fèi)決策呢?美國(guó)加州大學(xué)圣芭芭拉分校的安德魯·德?tīng)栴D和麥克斯·卡拉斯諾這樣告訴你。
設(shè)想一個(gè)場(chǎng)景:用戶(hù)在不確定質(zhì)量的情況下打算買(mǎi)一件電子產(chǎn)品,她知道一位朋友已經(jīng)買(mǎi)了,而另一位陌生人卻沒(méi)有購(gòu)買(mǎi)。此時(shí),她會(huì)決定買(mǎi)下這件產(chǎn)品嗎?
如果她的朋友圈里有10位朋友買(mǎi)了這件產(chǎn)品,而她還知道有10 位陌生人并未購(gòu)買(mǎi),那么,她的消費(fèi)決策又會(huì)是怎樣的呢?
美國(guó)加州大學(xué)圣芭芭拉分校的安德魯·德?tīng)栴D(Andrew Delton)和麥克斯·卡拉斯諾(Max Krasnow)兩位學(xué)者的模擬研究成果表明,情不自禁相信陌生人甚至傾向于選擇與陌生人合作是人類(lèi)漫長(zhǎng)進(jìn)化的自然現(xiàn)象。
那么,朋友圈和陌生人對(duì)于用戶(hù)而言,誰(shuí)更有利于他們做出正確的消費(fèi)決策呢?
朋友圈和陌生人網(wǎng)絡(luò)的綁定
朋友圈里往往聚集著具有同質(zhì)性偏好的人,陌生人網(wǎng)絡(luò)則是由異質(zhì)性偏好的人構(gòu)成。這兩張社會(huì)網(wǎng)絡(luò)都會(huì)提升用戶(hù)在做出消費(fèi)決策前觀察和學(xué)習(xí)的能力,同時(shí)也提升了企業(yè)把控用戶(hù)社會(huì)網(wǎng)絡(luò)的可能性和運(yùn)作空間。
例如,亞馬遜很早就在網(wǎng)頁(yè)上為用戶(hù)提示,瀏覽某頁(yè)產(chǎn)品的顧客最終購(gòu)買(mǎi)了什么,讓用戶(hù)了解其他人之前的消費(fèi)行為。
2010年開(kāi)始,亞馬遜與臉書(shū)(Facebook)合作,為用戶(hù)提供社會(huì)評(píng)價(jià)信息。當(dāng)一位用戶(hù)將自己的臉書(shū)賬戶(hù)與亞馬遜賬戶(hù)相聯(lián),他在亞馬遜上瀏覽和選購(gòu)一件產(chǎn)品時(shí),可以看到同樣這樣綁定賬戶(hù)的好友是否購(gòu)買(mǎi)或“點(diǎn)贊”了這件產(chǎn)品。
再如,在牛仔褲品牌李維斯的母公司李維·斯特勞斯(Levi Strauss)的網(wǎng)站上,用戶(hù)既能夠看到朋友們?cè)凇芭笥焉痰辏‵riends Store)”的購(gòu)買(mǎi)選擇和偏好,還能夠獲知互不相識(shí)的陌生人在“大眾商店(Everyone Store)”的這些信息。
就連搜索引擎必應(yīng)(Bing)也實(shí)現(xiàn)了用戶(hù)賬戶(hù)與其臉書(shū)和推特等社交網(wǎng)絡(luò)賬戶(hù)的綁定,讓每個(gè)人都有可能觀察到來(lái)自朋友圈和陌生人的兩類(lèi)行為信息。
朋友圈產(chǎn)生“信息瀑布”造成錯(cuò)誤決策
在傳統(tǒng)觀念中,用戶(hù)更有可能效仿她的朋友們。因此,相比較異質(zhì)性的陌生人,同質(zhì)性的朋友們的行為信息,對(duì)用戶(hù)來(lái)說(shuō)更加有用、更具指導(dǎo)性。
例如,朋友買(mǎi)的一本書(shū),要比路邊或網(wǎng)絡(luò)上任意一位陌生人買(mǎi)的書(shū),更有可能符合用戶(hù)的偏好。
美國(guó)加州大學(xué)伯克利分校的學(xué)者安瑞克·莫里提(Enrico Moretti)研究發(fā)現(xiàn),人們?cè)跊Q定看什么電影時(shí),會(huì)傾向于朋友們的選擇。
但這并不意味著在影響用戶(hù)消費(fèi)決策方面,朋友圈總是跑贏陌生人。
清華大學(xué)教授陳煜波與美國(guó)兩位學(xué)者的最新研究證明,隨著網(wǎng)絡(luò)規(guī)模的擴(kuò)大,朋友圈極有可能產(chǎn)生“信息瀑布(information cascade)”現(xiàn)象,陌生人網(wǎng)絡(luò)卻不會(huì)。
“信息瀑布”意味著用戶(hù)在觀察其他人的消費(fèi)行為時(shí),忽略甚至無(wú)視自身?yè)碛械?、與觀察信息沖突的信號(hào),轉(zhuǎn)而采取與其他人相似的行為,結(jié)果可能造成錯(cuò)誤的決策。
這樣看來(lái),在一定規(guī)模水平上,對(duì)“信息瀑布”具有較高絕緣性的陌生人網(wǎng)絡(luò),就比朋友圈更能夠提供有用的產(chǎn)品質(zhì)量信息。
陌生人網(wǎng)絡(luò)為何跑贏朋友圈
當(dāng)然,陌生人網(wǎng)絡(luò)是否能夠戰(zhàn)勝朋友圈?取決于兩個(gè)重要的行為效應(yīng)。
一是個(gè)體偏好效應(yīng)(individual preference effect),簡(jiǎn)單來(lái)說(shuō)就是用戶(hù)對(duì)先前越明確自己需要什么,作出正確產(chǎn)品質(zhì)量判斷的可能性越高。但是由于如今網(wǎng)絡(luò)越來(lái)越紛繁復(fù)雜,用戶(hù)相比以前更難提前明確自身的偏好要素。
二是社會(huì)從眾效應(yīng)(social conforming effect),即用戶(hù)遵從他人行為的可能性越高,作出正確質(zhì)量判斷的可能性越低。同時(shí),越來(lái)越紛繁復(fù)雜的網(wǎng)絡(luò),降低了用戶(hù)遵從他人行為的可能性,增加了用戶(hù)采納自身?yè)碛械馁|(zhì)量判斷信息的可能性,反而有利于用戶(hù)開(kāi)展積極的社會(huì)學(xué)習(xí)。
總的來(lái)說(shuō),在小規(guī)模網(wǎng)絡(luò)里,個(gè)體偏好效應(yīng)大于社會(huì)從眾效應(yīng);在大規(guī)模的網(wǎng)絡(luò)里,社會(huì)從眾效應(yīng)大于個(gè)體偏好效應(yīng)。
在此基礎(chǔ)上,陳煜波教授等進(jìn)一步提出,由于朋友圈是同質(zhì)性偏好的社會(huì)網(wǎng)絡(luò),因此,當(dāng)朋友網(wǎng)絡(luò)規(guī)模擴(kuò)大到一定程度之后,用戶(hù)觀察新增行為的社會(huì)學(xué)習(xí)效果,將出現(xiàn)邊際回報(bào)遞減的情況。
換言之,了解一些朋友的信息,就能幫助用戶(hù)作出產(chǎn)品價(jià)值的推斷。了解更多的朋友,幾乎不會(huì)改變用戶(hù)的判斷。用戶(hù)卻能夠從持續(xù)增大的陌生人網(wǎng)絡(luò)中受益,因?yàn)槟吧司W(wǎng)絡(luò)規(guī)模越大,異質(zhì)性越高,而此時(shí)由于社會(huì)從眾效應(yīng)主導(dǎo)著用戶(hù)的學(xué)習(xí),這就會(huì)調(diào)動(dòng)用戶(hù)去積極運(yùn)用自身所掌握的質(zhì)量信息。
是朋友,也是最熟悉的陌生人
互聯(lián)網(wǎng)時(shí)代的營(yíng)銷(xiāo),不能用傳統(tǒng)的眼光來(lái)判斷誰(shuí)是用戶(hù)的朋友,誰(shuí)是陌生人。
美國(guó)研究人員的最新數(shù)據(jù)分析發(fā)現(xiàn),伴隨著諸如Pinterest(照片分享網(wǎng)站)、Quora(問(wèn)答SNS網(wǎng)站)和Flipora(基于瀏覽歷史的內(nèi)容推薦引擎)等基于興趣愛(ài)好的社交網(wǎng)絡(luò)興起,越來(lái)越多的用戶(hù)是按照共同興趣愛(ài)好來(lái)選擇社交網(wǎng)站,而不是簡(jiǎn)單地把線下關(guān)系移到線上。
正如一位大學(xué)老師在選擇買(mǎi)什么書(shū)當(dāng)教材時(shí),她的同事會(huì)進(jìn)入決策參考的朋友圈,而當(dāng)她在選擇看什么電影時(shí),這位同事卻不會(huì)出現(xiàn)在影響決策的朋友圈中。
生物學(xué)領(lǐng)域有種“循環(huán)磨(Circular Mill)”現(xiàn)象,是說(shuō)幾乎不能依靠視力導(dǎo)航的軍蟻,總是通過(guò)尋找前面一只螞蟻留下的氣味等信息作出判斷,結(jié)果導(dǎo)致它們常常沒(méi)有目的地一直繞圈子,甚至陷入“自殺螺旋”,這就是自然界的“朋友圈”。
而物理學(xué)的“布朗運(yùn)動(dòng)”則是指任何物質(zhì)的分子,不論在什么狀態(tài)下,都會(huì)永不停息地做無(wú)規(guī)則的運(yùn)動(dòng),而且,當(dāng)物質(zhì)的溫度越高,分子的無(wú)規(guī)則運(yùn)動(dòng)就越劇烈,這就是自然界的“陌生人”。
如何避免朋友圈帶來(lái)死循環(huán),如何挖掘陌生人網(wǎng)絡(luò)的動(dòng)力源,自然界的實(shí)例或許能帶來(lái)些許啟發(fā)。