基于社会学习理论的在线评论信息对购买决策的影响研究
2016-12-28冯娇，姚忠
冯 娇，姚 忠
(北京航空航天大学经济管理学院，北京 100191)
基于社会学习理论的在线评论信息对购买决策的影响研究
冯 娇，姚 忠
(北京航空航天大学经济管理学院，北京 100191)
消费者在线商品评论对电商企业提高销售业绩，消费者制定购买决策等都有重要作用。本文基于社会学习理论，运用贝叶斯和高斯更新公式构建社会学习模型，分析消费者通过社会学习评论数量和等级对其购买决策的差异性影响，并深入探析评论数量和等级的内在关系，运用数值试验和电子商务网站获取的真实数据，验证了模型和结论的有效性。结果表明评论等级与评论数量存在负相关关系，评论等级随销售量和评论数量增加而下降； 但当评论数量达到某值后，评论等级受评论数量影响不大，评论等级对销售量有积极作用，评论数量对高质量产品销售量有积极作用，对低质量产品销售量没有积极影响。本文结果说明评论数量和等级在不同销售期对不同产品的购买决策有差异性影响，从而有利于电商企业在不同销售期制定相应的营销策略。
电子商务；社会学习；在线评论；评论数量；评论等级
1 引言
随着WEB2.0、社会化媒体(如SNS、blog 等) 的发展，消费者在线评论被认为是影响消费者购买决策和电商企业商品销售的重要因素。消费者在电子商务网站进行交易后，会对所购商品进行评论，阐述对商品和服务的个人体验，以供其他消费者参考。Deloitte[1]调查显示，在被调查者中82%的消费者购买决策受在线评论的影响。因此，消费者在线评论对于潜在消费者了解商品真实质量和制定购买决策起到越来越重要的作用[2]。同时，电商企业也能通过消费者线上评论信息增加商品宣传并形成良好的网络口碑，获取更大的市场份额和销售量[3]。
近年来很多学者深入探析了在线商品评论对消费者购买意愿的影响[4-7]。Deloitte[1]的研究表明43%的消费者阅读学习在线商品评论后仍坚持自己的购买意愿，但是43%的消费者改变了自己原始购买意愿，9%的消费者放弃了其原始购买计划，结果表明在线评论影响消费者购买意愿， 且不同消费者学习相同在线评论产生不同结果。 一些学者从消费者学习角度研究了不同消费者阅读相同评论信息进行学习的不同过程。Li Xinxin和Hitt[2]从消费者自我选择偏差角度分析消费者学习在线商品评论对消费者购买行为、消费者剩余的影响。Villas-Boas[3]探索消费者学习、品牌忠诚和竞争之间的关系，并分析了消费者学习对市场产出的影响。尽管一些学者对消费者学习评论信息进行了研究[1-3]，但随着社会化商务发展，社会学习在线评论对消费者购买决策的影响不容忽视，但进一步从社会学习角度研究的甚少。
社会学习理论表明消费者不仅对评论信息进行学习还对其他消费者的社会行为进行学习，体现羊群效应，因而能更全面深入的进行学习并制定购买决策[8]。社会学习理论曾经较多应用于社会学、心理学等领域[9-10]。Chamley[10]对社会学习的理论、模型和羊群理论等进行了全面介绍。Kristjanson等[11]研究个人、团体如何通过社会学习改变他们的行为，从而实现可持续发展。学者们对社会学习理论的研究较少基于电子商务领域， 但网络口碑的流行使得消费者社会学习评论信息和其他消费者的购买行为成为其购物前的重要准备[1]。Ifrach等[12]从社会学习机制出发，研究消费者对在线评论信息和其他消费者行为的学习过程，探索社会学习对企业商品定价策略的影响。Papanastasiou等[13]探讨了社会学习对新产品发布的影响，并提出定价和库存策略。消费者学习和社会学习均为学习在线评论过程，但学习过程有本质差异，从实践角度看社会学习进一步学习其他消费者行为，从理论角度看社会学习基于Bayes 规则更新学习评论前后的商品感知和购买决策[10,12-13]。因而，有必要从理论和实践角度深入分析消费者社会学习在线评论信息对购买决策的影响。
在线评论信息主要从两个方面影响消费者和电商企业：评论数量和等级。大量文献分析了消费者在线评论数量和等级分别对消费者购买决策和电商企业商品销量的积极作用[2,14]。Lee[15]运用实验和实证研究方法探索评论数量和等级对购买意愿的积极影响。Cui Geng等[16]研究电子产品和电子游戏的新产品销售，通过实证分析亚马逊332 个新产品，发现评论数量和等级对搜索产品有重要作用。但是，一些学者认为评论数量相较于评论等级对消费者有更重要影响。Duan Wenjing等[17]发现线上用户发布信息数量能显著影响电影票房收入，而评论等级对销售量没有明显作用。Tirunillai 和 Tellis[18]收集4 年不同网站用户产生信息，运用多维度时间序列模型，发现评论数量对销售量有更强影响。随着一部分学者对评论数量的关注和重视，另一部分学者则提出评论等级对消费者购买行为有更强影响。Dellarocas 等[19]认为消费者线上评论等级比其它因素更能预测未来电影销售利润。Moon 等[20]用实证方法分析评论等级对电影收益的积极作用，并进一步发现评论等级随着电影收益的增加而逐渐降低。Gao Jie等[21]对比性分析了消费者有意识和无意识思维活动对大量评论信息的阅读学习过程，实证结果表明评论等级影响经验产品的消费者购买情况。学者们大多采用实验或实证方法，分析评论数量和等级对消费者购买决策和销售量的差异影响，但其未从社会学习角度进行理论分析；其得到的不同结论能为学术研究提供指导，但却为电商企业市场营销策略带来困惑。本文基于社会学习理论，构建数学模型， 从理论和实证角度分析消费者社会学习评论数量和等级对消费者购买决策的积极性和差异性影响。
许多学者全方位分析了评论数量和等级对其它因素的影响，如对电商企业销售量[7]、消费者感知风险和信任[22]、消费者购买意愿[23-24]、消费者感知有用性[25]等等，却很少有学者探讨评论数量和评论等级之间的内在关系。Park 等[26]探索性研究了网络口碑数量和质量相互作用下对零售商销售量的影响，结果显示分别在零售商和第三方平台上，网络口碑的质量积极影响数量；但是零售商主导的网络口碑质量与第三方平台主导的网络口碑数量呈负相关。Park 等[26]的研究对评论数量和等级的关系研究提供引导，但却与中国实践中的结果存在差异。本文调查了第三方平台淘宝网中所有销售三星手机Note2 和Note3 网店的消费者在线评论数量和等级，为防止网店操纵评论信息等非正规操作，本文筛选淘宝网中所有销售三星Note 网店的评论数超过20 的网店评论信息进行分析，时间截至2014 年4 月30 日。统计分析结果表明消费者线上商品评论数量和等级呈负相关现象。那么是否评论数量和评论等级存在负相关关系？为什么呈负相关关系？如果评论数量和评论等级存在负相关关系，评论数量和等级如何都对销售量起积极作用，这是否与原来学者的研究存在矛盾？等等一系列问题引起我们思考。
因而本文基于已有研究中的不足和实践中的疑问，构建了从电商企业发布新产品到消费者决定是否购买商品的社会学习模型，从社会学习角度分析评论数量和等级对消费者购买决策的差异性影响，以及销售量对评论数量和等级的不同影响，进而深入探析评论数量和评论等级的关系， 用数值试验和真实数据验证模型和结论的有效性， 为消费者在线评论的研究提供新的视角和方向， 进一步丰富社会学习理论的研究。
2 模型构建
2.1 模型概述及假设
考虑垄断型企业发布新产品，销售期为两个阶段t(t=1,2)，第一阶段销售期为短暂的引入期， 第二阶段销售期为大量销售时期。销售初始阶段有N 位消费者进入市场，在第一阶段一部分消费者购买商品并选择是否提供购后商品评论，而没有购买商品的消费者(以下称潜在消费者)可通过社会学习购买者评论信息以及消费者行为更新自己对商品的购前质量感知，进而影响潜在消费者的购买决策和商品销售量(见图1)。
图1 建模过程
模型的构建分别以第一阶段和第二阶段销售期为分界段，第一阶段销售期产生消费者购买量和购后评论信息，第二阶段产生潜在消费者社会学习和购买量。两阶段以购买者产生评论信息(数量和等级)和潜在消费者社会学习评论信息为桥梁，有利于清晰、透彻地分析潜在消费者通过社会学习评论数量和等级对购买行为的不同影响。
2.2 第一阶段销售
(1) 商品销售量
第一阶段消费者效用函数期望为：
(1)
当E(Ui1)≥0时，购买者个人偏好满足：
(2)
ϖ1(p)为第一阶段购买者偏好xi的最低临界值，即当xi≥ϖ1(p) 时，消费者i购买商品。
因而，第一阶段销售期的消费者购买量为：
D1(p)=NP(xi≥ϖ1(p))
(3)
(2) 购买者产生商品评论信息数量和等级
当销售量为D1(p)时，评论数量n1为：
(4)
当0
公式(4)的一阶条件为：
故评论数量n1随销售量D1(p)的增加而增加。
公式(4)的二阶条件为：
因而，根据实际数据和模型分析，得评论数量服从幂律分布函数的参数取值范围2>r>1,b>0。结合以上的模型和讨论，总结为如下定理。
(5)
购买商品的消费者线上评论等级R1为：
(6)
评论数量为所有提供评论的购买者数量和(每个购买者购买一单位商品则最多提供一次评论信息)，不包含购买商品但没提供评论的购买者。评论等级为所有提供评论的购买者对商品质量真实评价的期望。
定理1表明，评论数量随着销售量的增加而增加，但是增加幅度逐渐减弱，与实际相符；评论等级随着销售量的增加而降低，与Moon等[20]研究一致，同时评论数量和评论等级存在相关性。评论数量与销售量的数值试验与淘宝网获取的数据进行对比分析，发现其能较好的拟合(如图2)， 因而本文的评论模型能较好的反映实践中评论数量和等级与销售量的关系。
图2 三星Note2 月销售量和月评论量关系
2.3 第二阶段销售期
(1) 商品销售量
第二阶段消费者效用函数期望为：
(7)
当E(Ui2)≥0时，购买者个人偏好xi满足：
(8)
ϖ2(p)为第二阶段购买者偏好xi最低临界值。
第二阶段销售量：
D2(p) =NP(xi≥min {ϖ1(p),ϖ2(p) })-D1(p)
(9)
第二阶段与第一阶段的主要区别是：(1)第二阶段消费者为第一阶段未购买商品的消费者， 他们通过对第一阶段购买者评论信息数量和等级的学习，可能更新其对商品的购前质量感知(qi1→qi2)，从而改变其效用函数和购买决策；(2) 第二阶段消费者个人偏好xi没有变化，而通过社会学习可能改变购前质量感知，从而改变第二阶段消费者偏好最低临界值ϖ2(p)，影响销售量。消费者通过社会学习改变购前质量感知的过程如下。
(2) 消费者社会学习过程
(10)
(11)
3 数值分析及数值试验
本文基于以上模型，分析评论数量和等级分别对购买决策的作用，并进一步探讨评论数量和等级的关系，通过数值试验和真实数据进行对比分析，从而解决本文开篇的疑问，为消费者在线评论的研究提供新的方向。
3.1 评论等级与购买决策
推论1 在不考虑评论数量和评论等级关系前提下(即假设评论数量不影响评论等级，评论等级也不影响评论数量，其为独立变量)，购买量随评论等级的增加而增加。
(12)
公式(12)表明消费者对商品质量的感知uq2随着评论等级R1的增加而增加，而由公式(8)知消费者偏好临界值ϖ2(p)随着消费者商品质量感知uq2的增加而下降，在本文消费者偏好xi不变的假设下，将有更多的消费者偏好xi大于临界值ϖ2(p)，从而购买商品，因此商品购买量增加，故评论等级对消费者购买量有积极影响。
为验证结论，本文通过获取亚马逊网站中购买者对三星Note2的实际评论等级和潜在消费者社会学习后的反馈数据进行说明(如图3)。由于实际通过社会学习后的潜在消费者购买商品数量不易区分和获取，故本文通过潜在消费者社会学习后对不同评论等级的反馈，表明评价等级对潜在消费者更新商品质量感知的社会学习过程。
图3 Note2潜在消费者社会学习后对不同等级的反馈数量
由图3 可见，潜在消费者对评论等级的反馈说明潜在消费者阅读了评论，潜在消费者对评论等级认为有用的反馈说明潜在消费者学习并且更新了自己对商品的质量认知。当潜在消费者对商品质量感知一般时(假设为3 等)，其认为评论等级为5 等(购买者认为商品质量特别好)的信息有用，则表明其更新对商品质量的感知，并且向5 等好的方向变化；然而当其认为评论等级为1 等(购买者认为商品质量特别不好)的信息有用， 则表明其更新对商品质量的感知，并且向1等不好的方向变化；同理可分析2、3、4等评论信息。潜在消费者对评论等级为5 等和1 等的有用性反馈最多，其次为2 和4，最后为3，潜在消费者越重视的等级说明此等级对于潜在消费者商品质量感知的更新越有用，如从3 等到5 等有用性反馈数量增加，则潜在消费者购前质量感知期望增加。 因此，实际例子表明潜在消费者购前质量感知期望uq2随着评论等级R1增加而增加，消费者偏好临界值ϖ2(p)随着购前质量感知期望uq2的增加而下降，故购买量随评论等级的增加而增加，证明了推理1 的正确性。
3.2 评论数量与购买决策
类似于推论1，可得评论信息数量与购买决策的关系，见推论2。
推论2 在不考虑评论数量和评论等级关系前提下，当消费者购后质量感知uq大于购前质量感知uq1时(称高质量产品)，潜在消费者购买量随评论数量的增加而增加，但增加幅度逐渐减弱； 当消费者购后质量感知小于等于购前质量感知时uq≤uq1(称低质量产品)，潜在消费者购买量随评论数量的增加而不增长。
(13)
(14)
评论数量与购买量的分析与评论等级与购买量的分析相类似，即评论数量→潜在消费者购前质量感知期望→潜在消费者偏好临界值→潜在消费者购买决策→销售量。通过数值试验给出评论数量和潜在消费者质量感知期望的关系(见图4)。
图4 社会学习后的购前质量感知期望与评论数量关系
对于高质量产品，当产品的实际质量大于第一阶段消费者购前质量感知时，评论数量逐渐增加，潜在消费者通过社会学习，更新对商品的购前质量感知越来越好并且逐渐趋近于商品的实际质量，潜在消费者偏好临界值则越来越低，销售量越来越大。但购前质量感知的增加幅度逐渐减缓，当评论数量达到一定值后，潜在消费者对商品的质量感知变化不大，这是因为人类被限制的信息处理能力和信息过量问题，使得潜在消费者不能很好的学习全部评论信息。对于低质量产品， 当产品的实际质量小于等于第一阶段消费者购前质量感知时，评论数量越多，潜在消费者通过社会学习对商品的质量感知越差，当评论数量达到一定程度后，潜在消费者更新商品质量感知下降的幅度逐渐减缓，潜在消费者对商品的质量感知接近商品的实际质量。因而，潜在消费者偏好临界值增大，销售量不增加。同时，通过获取亚马逊网站三星手机Note2评论数量和潜在消费者反馈数据进行对比说明(图5)，也可得到相似结论， 验证推理2。
图5 Note2 潜在消费者社会学习后的反馈数量与评论数量的关系
来自亚马逊网站高质量产品的三星手机Note2 评论数量和潜在消费者反馈数据表明，随着评论数量的增加，潜在消费者反馈数量逐渐增加， 但当评论数量达到一定程度后，潜在消费者的反馈数量逐渐减缓。潜在消费者对购买者评论的反馈说明潜在消费者进行社会学习，有用性反馈说明潜在消费者学习并更新对商品质量的感知；而认为评论有用的反馈数增长率表示潜在消费者通过社会学习更新对商品质量感知的快慢。因而， 对于Note2潜在消费者对商品质量感知的更新随着评论数量的增加而增加，当评论数达到一定程度后则减缓。因此，对于Note2的销售量随着评论数的增加而增加，但增加幅度逐渐减缓。数值试验和真实数据验证了模型和推论2 有效性。
3.3 评论数量与评论等级
在假设评论数量和评论等级不相关条件下， 推论1 和推论2 说明了评论数量和评论等级分别对消费者购买决策的重要作用，此研究结果延伸并补充了已有研究中评论数量和等级对其他消费者购买决策的影响[16,21]。然而是否评论数量和等级不存在关系呢？以下推论予以解释说明。
推论3 评论等级随着评论数量增加呈下降趋势，但下降幅度逐渐减缓，即评论数量和评论等级呈负相关。
(15)
(16)
通过数值试验给出评论数量和评论等级之间的关系(见图6)；并通过获取亚马逊网站Note2 的评论数量和评论等级的数据进行对比分析。亚马逊真实数据表明，评论等级随着评论数量的增加呈现下降趋势。本模型的数值试验，依据参数取值的不同而不同但趋势不变，在图6 的参数选取下数值试验较好的说明了评论数量和评论等级的负相关关系，并与真实数据呈现部分重合现象。
图6 Note2评论数量和评论等级关系
推论3表明评论等级随着评论数量增加而下降。当销售量增加，评论数量增加，评论等级下降，与Moon 等[20]研究一致，评论等级与销售量呈负相关。但以往大量研究[19]和本文的推论1 和推论2 都表明评论等级与购买量呈正相关。导致此研究看似矛盾的原因是：以往的很多研究和本文推论1 和推论2 均基于评论数量和评论等级不相关条件下探索其各自与购买量的关系，因为其前提假设不同，所以并不矛盾。但是评论数量和评论等级是否又存在不相关呢？推论4 给予说明。 推论4 评论等级随评论数量增加逐渐趋于收敛，收敛于商品真实质量，评论等级受评论数量影响不大，评论数量与评论等级不相关。
(17)
推论4 表明，当评论数量趋于无穷大时，潜在消费者更新的购前质量感知期望趋于商品真实质量。评论等级为消费者在购前质量感知下体验商品进而提供的购后感知期望，因而评论等级最终也将收敛于商品真实质量。图6 中亚马逊真实数据也表明，评论等级随着评论数量的增加而下降，当下降到某个值后，出现波动下降或平缓下降即长尾现象，即当评论数量大于某值后，评论等级在可允许误差范围内收敛于商品真实质量， 此时评论数量和评论等级不相关，故评论数量和等级对销售量的影响可见推论1 和推论2。数值试验也很好的与亚马逊真实数据在长尾现象处重合， 逐渐收敛于商品真实质量且无明显下降趋势，较好的验证了推论4。
4 结语
消费者在线评论数量和等级对购买决策有重要作用，一些学者运用实证和实验方法分析了评论数量和等级对购买量的不同影响[15-21]， 却没有从社会学习理论角度系统性对比分析其差异性影响及其原因，并深入探讨评论数量和等级之间的相互关系。同时，与以往研究不同，本文评论信息由购买者自主决定是否产生，而不是所有购买者都产生评论信息[12,13]，此研究更符合消费者实际行为。本文在已有研究基础上，基于社会学习理论，构建了新产品发布后消费者购买行为的两周期模型，第一销售期为消费者购买商品并产生购后评论；第二销售期为潜在消费者社会学习并更新购买决策时期，分析了消费者通过社会学习评论数量和等级对消费者商品质量感知的影响进而对购买决策的差异性影响及原因，数值试验和电子商务网站获取的数据表明了如下结论的正确性和有效性。
(1)从消费者社会学习角度，分析了社会学习对购买决策的影响过程，表明社会学习在线评论信息和其他消费者行为，是影响消费者购买决策的重要因素。
(2)评论数量和评论等级存在相关关系。即当评论数量达到某值前，评论数量和等级呈负相关关系，评论等级随评论数量增加而明显下降。
(3)评论数量和评论等级也存在不相关关系。当评论数量达到某值后，评论等级随评论数量增加而下降的幅度逐渐趋缓，当评论数量趋于无穷大时，评论等级收敛于商品真实质量，此时评论等级与评论数量不相关。现实中，评论数量不可能无穷大，故当评论数量达到某值后，在可允许的误差范围内，评论等级收敛于商品真实质量， 此时评论等级受评论数量影响不大。
(4)基于社会学习理论对比性分析在线评论数量和等级对购买决策差异性影响时，发现当评论数量和评论等级不相关时，评论等级对购买决策有积极作用，评论数量对高质量产品销售量有积极作用，对低质量产品销售量没有积极作用。
根据本文研究结论，电商企业可根据自身战略采取相应措施影响评论数量和等级从而提高销售量，如对于低质量产品，开始阶段评论等级随评论数量增加而下降，其后评论数量对销售量没有积极作用，因而可采取饥饿营销法等提高评论等 级，通过控制库存供给促使强烈需求或忠诚度高的用户购买商品，从而产生高等级评论；而对于高质量产品，电商企业也可采取人工干预、社会化媒体营销、优惠促销等策略快速提高评论量。对于消费者，其购买商品前会学习评论数量和等级，可根据评论数量和等级负相关关系，了解电商企业对商品购买量、评论数量和等级的人工干预程度，有助于消费者对电商企业的真实、诚信等的认识和了解。
虽然本文对理论和实践均有贡献，但本文也存在一些局限。如本文对于产品的销售期只考虑两个阶段，从长远和实际角度考虑可将第二阶段销售期划分为更多子销售期，研究N阶段销售期的评论数量和等级的迭代影响，同时对于第一阶段本文去除初始时期少量数据(为防止电商企业人工干预)，日后也可酌情考虑；另外本模型假设所有消费者在新商品发布前均进入商品市场，但更实际的是消费者也可在商品发布后的每个阶段进入市场；最后，在第二阶段消费者通过社会学习评论数量和等级更新购前商品质量感知和购买决策，本模型假设消费者能完全学习评论信息，且对购买者的一切信息已知，但实际上消费者不能完全了解所有信息，又由于人类被限制的处理能力和信息过量问题，使消费者对大量评论不能全面的学习，因而后续的研究可以根据消费者更实际的行为进行社会学习的探讨。
[1] Deloitte T. Most consumers read and rely on online reviews; Companies must adjust[R]. Technical Report, 2007, Marketingcharts.
[2] Li Xinxin, Hitt L M. Self-selection and information role of online product reviews [J]. Information Systems Research, 2008, 19(4): 456-474.
[3] Villas-Boas J M. Consumer learning, brand loyalty, and competition [J]. Marketing Science, 2004, 23(1): 134-145.
[4] Cheung C M, Thadani D R. The impact of electronic word-of-mouth communication: A literature analysis and integrative model [J]. Decision Support System, 2012, 6(8): 1-10.
[5] Mudambi S M, Schuff D. What makes a helpful online review? A study of customer reviews on amazon.com [J]. MIS Quarterly, 2010, 34(1): 185-200.
[6] Kwark Y，Chen Jianqing, Raghunathan S. Online product reviews: Implications for retailers and competing manufacturers [J]. Information Systems Research, 2014, 25(1): 93-110.
[7] Tang Tanya, Fang E, Wang Feng. Is neutral really neutral? The effects of neutral user-generated content (UGC) on product sales [J]. Journal of Marketing, 2014， 78(4):41-56.
[8] Bandura A. Social learning theory [M]. New York.General Learning Corporation, 1971.
[9] Reed M, Evely A C, Cundill G. What is social learning [J]. Ecology and Society, 2010, 15(4): 299-305.
[10] Chamley C P. Rational herds: Economic models of social learning [M]. Cambridge:Cambridge University Press, 2004.
[11] Kristjanson P, Harvery B, Epp M V, et al.Social learning and sustainable development [J]. Nature Climate Change, 2014, (4):5-7.
[12] Ifrach B, Maglaras C, Scarsini M. Bayesian social learning from consumer reviews [J]. Working Paper,Columbia University,2013.
[13] Papanastasiou Y, Bakshi N, Savva N. Social learning from early buyer reviews: Implication for new product launch [J]. Working Paper,London Business School,2013.
[14] Moe W W, Schweidel D A. Online product opinions: Incidence, evaluation, and evolution [J]. Marketing Science, 2012, 31(3): 372-386.
[15] Lee S H. How do online reviews affect purchasing intention?[J]. African Journal of Business Management, 2009, 3 (10): 576-581.
[16] Cui Geng, Lui H K, Guo Xiaoning. The effect of online consumer reviews on new product sales [J]. International Journal of Electronic Commerce, 2012, 17(1): 39-58.
[17] Duan Wenjing, Gu Bin, Whinston A B. Do online reviews matter? An empirical investigation of panel data [J]. Decision Support Systems, 2008, 45(4): 1007-1016.
[18] Tirunillai S, Tellis G J. Does chatter really matter? Dynamics of user-generated content and stock performance [J]. Management Science, 2012, 31(2): 198-215.
[19] Dellarocas C, Zhang Xiaoquan, Awad N F. Exploring the value of online product reviews in forecasting sales: The case of motion pictures [J]. Journal of Interactive Marketing, 2004, 21(4): 23-45.
[20] Moon S, Bergey P K, Lacobucci D. Dynamic effects among movie ratings, movie revenues, and viewer satisfaction [J]. Journal of Marketing, 2010, 74(1): 108-121.
[21] Gao Jie, Zhang Cheng, Wan Ke, Ba Sulin. Understanding online purchase decision making: The effects of unconscious thought, information quality, and information quantity [J]. Decision Support Systems, 2012, 53(4): 772-781.
[22] Utz S, Kerkhof P, Bos J. Consumers rule: How consumer reviews influence perceived trustworthiness of online stores [J]. Electronic Commerce Research and Applications, 2012, 11(1): 49-58.
[23] Ludwig S, Ruyter K, Friedman M, et al. More than words: The influence of affective content and linguistic style matches in online reviews on conversion rates [J]. Journal of Marketing, 2013, 77(1): 87-103.
[24] Gu Bin, Park J, Konana P. Research Note—The impact of external word-of-mouth sources on retailer sales of high-involvement products [J]. Information Systems Research, 2012, 23(1): 182-196.
[25] Racherla P, Friske W. Perceived ‘usefulness’ of online consumer reviews: An exploratory investigation across three services categories [J]. Electronic Commerce Research and Applications, 2012, 11(6): 548-559.
[26] Park J H, Gu Bin, Lee H Y. The relationship between retailer-hosted and third-party hosted WOM sources and their influence on retailer sales [J]. Electronic Commerce Research and Applications, 2012, 1(3): 253-261.
[27] 司马则茜，蔡晨，李建平.度量银行操作风险的POT 幂律模型及其应用 [J].中国管理科学，2009，17(1)：36-41.
[28] Gu Bin, Konana P, Rajagopalan B, Chen M H. Competition among virtual communities and user valuation: The case of investor communities [J]. Information Systems Research, 2007, 18(1): 68-85.
[29] 王雷.基于信号传递过程中学习效应的联合创业投资决策 [J].中国管理科学，2014， 22(4)：74-82.
Consumer-Generated Reviews Based on Social Learning Theory: Implications for Purchase Decision
FENG Jiao, YAO Zhong
(Department of Economics and Management, Beihang University, Beijing 100191,China)
Consumer-generated reviews play an important role in improving sales, and making purchase decisions, so it has become a hot topic of academic study. Based on social learning theory, Bayesian and Gaussian updated formula, mathematic models are established to analyze different influence of volume of consumer-generated reviews and rating of consumer-generated reviews on consumers’ purchase decisions, and then the relationship between volume of consumer-generated reviews and rating of consumer-generated reviews is deeply discussed, and numerical experiments and practical data from Taobao.com and Amazon.com are also used to verify the effectiveness of the models and results. The results show that, the rating of consumer-generated reviews is decreasing as the growth of the volume of consumer-generated reviews, and the decline of the rating of consumer-generated reviews gradually slows down. But when the rating of consumer-generated reviews is (almost) converged into the real quality, the volume of consumer-generated reviews has little impact on the rating of consumer-generated reviews. When the volume of consumer-generated reviews is independent of the rating of consumer-generated reviews, the rating of consumer-generated reviews has a positive effect on purchase decision, and the volume of consumer-generated reviews has a positive effect on purchase decision of high-quality product, but not has a positive effect on purchase decision of low-quality product. The volume of consumer-generated reviews and the rating of consumer-generated reviews play different roles in purchase decisions of different products in different selling periods, and the research findings help online retailers adopt suitable marketing strategies.
electronic commerce; social learning； consumer-generated reviews; volume of consumer-generated reviews; rating of consumer-generated reviews
2014-11-26；
2015-11-22
国家自然科学基金资助重点项目(71332003)； 国家自然科学基金资助项目(71271012,71671011)
姚忠(1964-)，男(汉族)，河北人，北京航空航天大学经济管理学院，教授，研究方向：电子商务与数据挖掘，E-mail:iszhyao@buaa.edu.cn.
F713.36
A
1003-207(2016)09-0106-09
10.16381/j.cnki.issn1003-207x.2016.09.013
