沙龙回顾|王翀：消费者决策中的分布马太效应

在沙龙的开始，王翀老师首先介绍到，现在的信息系统对商业产生了非常细致的影响。老师给大家举了一个例子，现在因为连锁店现在越来越多，我们的选择变得越来越容易了。即使是在不同的地方我们也可以吃到相同口味的食物，这帮助了我们更加容易地做出选择。但是连锁餐厅越来越多的原因一方面在于规模效应，另一方面的原因可能就是来自于我们在选择餐厅的时候可能会越来越多地使用线上评分系统，而连锁带来的结果的就是更强的熟悉感以及正面效应。在以前没有线上评分系统时，我们可能会不得不去尝试一些新的，不确定的，独立性很强的餐厅。在有了这一套信息系统之后，我们的选择就被改变了，所以信息系统会对经济的形式产生很大的影响。

在老师分享中，主要讨论的就是关于消费者行为的内容。在各种的评分分布中，消费者可能会更加偏好向上偏的评分。在现在我们的生活之中，我们有两个经常出现的行为，去商场吃饭以及看电影。现今，当我们发现了一家新的餐厅时，我们往往会先去大众点评上去看这家店的评分怎么样，我们对于评分十分敏感，甚至在发现评分低于四颗星的时候，都不会选择点开看餐厅的详细情况。这就是一种线上信息对于我们线下行为的一种潜移默化的影响。

老师又举了一个线上系统对于我们看电影的行为产生影响的例子。在我们有了比较想看的电影后，我们往往就会去诸如豆瓣评分等电影评分网站去看电影的信息。但是在发现了自己想看的电影的评分并不高的时候，我们又是否会选择去看这部电影？这种口碑效应就影响到了我们原本的行为。线上的口碑效应是由用户产生的内容，最早的应用可能是eBay网。eBay发现在美国的二手交易网上有一个十分有意思的内容，当线上的卖家与买家都互相不认识的时候，选择哪家网店进行购买成为了一个具有十分不确定性的事情。由于事前的信息搜集工作成本很高，所以没办法很好地进行事前的信息搜集工作，但是用户进行事后评价的成本则比较低，所以可以在交易完成后，让已经购买的用户填写一个未来消费者可以看到的评价，进而对可以实现对卖家的监督，对卖家进行一定的区分。而正是在有了这套评价系统之后，也就产生了线上的声誉机制。

至今线上声誉这套系统已经形成了快20年了，现今的运用十分广泛，不在仅仅是运用与原有的电商场景，同时包括了几乎所有的消费场景，涵盖衣食住行这些领域。

评分系统还有一个比较大的特征，类似于大数据具有很强的特征性，不同平台之间的评分内容可能会相差很大。以滴滴打车为例，在我们为一次行程评分之前，还有一个特别的环节，就是对司机的驾驶行为做一个二元判断，例如是否绕路，开车是否平稳等，在完成了这个部分之后才是对整个行程的一个五分制的评分。而在豆瓣里，评价往往是一个星级评分以及一段文字描述，在猫眼中，则是单纯的评分，在电商领域之中，则包括了各种细分情况的评分，包括了对于产品的评价，服务的评价以及快递的评价等。虽然评分系统在经过了20多年的发展以后，出现了如上所说的诸多变体，但是评分系统的核心还是让用户在某个维度或者总体上给出一个打分。

评分中另外一个非常重要的特点就是评分的整体分布。在现实生活中，我们实际上没有太多时间看所有的评价，所以可能几条评论与整体的评分分布就会影响我们的行为结果，进而对产品等的线下销量产生影响。

线上评分对于线下的销量的影响可能有两个方面：一方面是外生性的，即更高的线上评分与更好的评价可能会带来更多的线下销量，而另外一方面则是内生性的，即销量与产品质量相关，也就是说线上评分的较高是来自于产品优异的质量，更好的产品质量也对应着更高的销量。

这两个方面的影响之间有着较大的差别，会影响到商家的决策行为。例如如果只是第一种影响在起着主要的作用，那么商家并不需要通过提高产品质量来提高销量，而只需要通过外部变量提高自己的线上评分而不用提高自己的产品质量，例如通过为打五星的用户返现等策略。同时，现在随着线上评分的发展，我们也开始更加广泛地关注线上评分除了作为用户参考的作用之外的其他功能，例如现在的很多产品中，评论已经成为了产品的重要体验，豆瓣的影评部分，以及网易云音乐后面的评价，都是很好的评价系统成为了产品体验的例子。

王翀老师又举出了一个评分系统中存在的现象。以淘宝为例，在淘宝上，我们在购买完成后会对这次的购买进行评论，而后店家则有可能会针对消费者的评论进行回复。有研究表明，评论的回复对消费的增长以及后续的消费都具有帮助，即经常回复消费者评论的网店可能有更好的销售量的增长以及顾客的更多次消费。

王翀老师还为我们分享了评分中常见的几种情况：

1.打分的成本带来结果偏误。打分实际上也是具有一定的成本的，许多用户在没有强烈的激励下，可能并不会选择打分，所以有可能会出现只有极喜欢或者极讨厌某产品的用户会给评分，导致了评分的分布情况并出现了两端偏高的情况。

2.特立独行。有的人希望和大多数的人表现的不太一样，所以人们可能在写分数的时候有意识地改变了最后评价的分数，例如在评价一部电影的时候，虽然实际认为某一部电影值四分，但是因为发现许多的人给出了四分，而给五分的人比较少，所以最终给出了五分。

3.交互影响。用户之间可能出现相互影响的情况，例如两个朋友在看完一部电影之后对电影进行打分，即使最初两者本身对于电影的看法差距较大，但是有可能会两人之间会相互间影响，导致的结果是最终两人并不会按照原本内心的评价给出分数，或者直接选择不予评分。

为了让同学们对马太效应产生更直观的感受，王翀老师在沙龙上做了一系列的测试。每次展示两个电影的评分分布直方图，让同学们从中选择出一个愿意观看的电影。最终的结果显示，大多数人愿意看的电影并不是均分最高的，而往往是数量最多的评分被更多人选择，我们会对这些最多的评分更加关注。

在沙龙的最后，王翀老师为我们放了一段简单的传球视频，让同学们数总共的传球次数，实际上在传球的过程之中，视频中走过了一只大猩猩，但是还是许多同学并没有看到大猩猩，这个案例生动地说明了人处理信息的能力较为有限，往往只会关注到最重要的部分。

本次沙龙回顾就到这里，敬请期待下次沙龙活动！