为你点亮的星星会因为我的身份而有所不同吗

　　消费者依赖他人的意见和推荐，同时也会分享自己的体验，在线评论的兴起似乎不难预料。评论平台上的综合评分对服务提供商很重要，因为它不仅影响服务提供商在平台上出现的页面先后，同时也被消费者用于在阅读具体评论之前形成初步的考虑集。与此同时，越来越多的在线评论平台提出并界定了“评论专家”这一概念，例如，Yelp有它的“Elite”精英身份，TripAdvisor有它的“Contributor Level”贡献者等级指标，而亚马逊则提出了其特有的“Amazon Vine Program”计划。对于平台方而言，理解评论专家和普通用户之间的差异可以塑造并设计平台的各个方面，这也有助于为用户更准确地捕捉和展示相关客户体验。

　　很多企业，尤其是酒店和餐厅这类服务提供商，会通过各种方式激励在线评论专家，让他们为企业写高质量的评论。而出现这一现况的潜在假设是，由评论专家撰写的评论是有助于其业务的。因此，一个非常重要的管理问题就是这个假设是否总是正确的呢？是否会有特定类型的评论者倾向于更多地改变现有的综合评分，使得评级与当前用户平均评级更加分离？来自迈阿密大学的学者Peter Nguyen、韦士敦大学的Xin (Shane) Wang和June Cotte以及香港城市大学的Xi Li就这一问题展开了相关研究。

　　

　　极端评级

　　在线评论研究的一个关键观察是呈现出的极端J形评级分布，也就是说，大多数评论者给出5颗星评级，有些人给出1颗星评级，但很少有人给出介于两者之间的评级。这一发现的关键解释与评论者产生评论的自我选择有关，也就是说，当体验较为极端时，消费者更有可能撰写和发布评论。

　　

　　同时，有证据表明，从本质上讲新手在评价中可能会更倾向于两极化。对内群体与外群体评价和政治认知的研究表明，人们对外群体成员的评价比内群体成员更为极端。相较于其他组的成员，人们对自己组内成员有更多的复杂的认知，一个人对某一特定领域的刺激表现越简单，他对该领域刺激的评价就越极端。因此该研究认为，观察到的极端评级现象，在一定程度上可以用缺乏专业知识来解释。

　　评论专家与评级模式

　　在大多数评论平台上，判断评论专家的共同标准是发布大量评论，同时评论质量的高低也是一重要考虑因素。以往的研究认为评论专家比他们的新手同行有更多的可信来源，而实践和重复是专业知识发展中的重要推动力。重复通过减少认知努力来提高任务绩效，精炼领域相关的认知结构，从而提高阐述能力；随着在不断实践中更多的经验累积，评论者在产生评论时，会在评估中考虑更多特定领域的属性（例如，价格、环境、位置和服务）。因此该研究认为评论专家具有以下三种特征：（1）阐述得更多；（2）展示出更多的领域知识；（3）产生被认为对读者更有利的评论。

　　结合上面关于极端评级分布的探讨，该研究认为，鉴于专家对某一特定范畴有更精细的认知结构，其产生极端评级的可能性相较于新手而言更小，因此，作者提出“专业知识约束假说”，即产生评论的专业知识越多，在综合评估中做出极端评级的约束越大。

　　

　　同时，由于产品和服务综合评级通常来自于所考虑的各个属性评级，基于回归均值原则，该研究预测：在评估中考虑更多的属性会降低产生极端综合评分的可能性。换句话说，极端评级的发生通常要求服务提供者在评论者所考虑的所有属性上表现一贯优秀或一贯糟糕，而当评论者在评估中考虑更多属性时，这种情况就不太可能发生了。据此，作者提出“专业知识约束”是由评估中所考虑的属性数量驱动的。

　　专业知识约束效应

　　已有研究已经证明，专家评论员往往拥有比新手更多的专业知识，因此在进行评价时也会更挑剔，给分也会更谨慎。与新手相比，他们在进行极端评级时会面临更多的约束，更不容易给出极端性强的评分。当面对积极的体验时，新手评论员更有可能将体验评为优秀并给出高评分，而专家评论员会考虑更多的属性，从而犹豫是否给予极端积极的评分。相反地，当面对消极体验时，新手评论员更有可能将体验评级为糟糕，而专家评论员由于考虑到体验的多个属性而不愿给出极端消极的评级。因此该研究认为，相较于评论专家，新手评论员更容易给提供优秀服务的服务提供商更高的评分，给差强人意的服务提供商更低的评分。

　　同时，该研究怀疑新手对综合效价的影响是定向的，并且依赖于服务提供者的总体服务水平。基于专业知识约束假设，相对于评估专家，新手采用一种更两极分化的评级方法。当面对积极的体验时，新手评论员更有可能将体验评为优秀，而专家评论员考虑到他们考虑的所有属性，会犹豫是否给予极端积极的评分。相反地，当面对消极体验时，新手评论员更有可能将体验评级为糟糕，而专家评论员由于考虑到体验的多个属性而不愿给出极端消极的评级。因此，作者提出，对于提供平庸（优秀）体验的服务提供商，评论专家的评分高于（低于）新手评论员。

　　实验

　　该研究通过三个实地研究和两个实验对研究假设展开了验证。在研究1中，作者收集并分析了中国主流在线旅游评论平台去哪儿网（Qunar.com）上超过12.5万条的酒店在线评论。分析结果表明，在该平台上，专业水平（Expertise Levels）越高的用户（1）在评论中有越详尽的阐述和表达；（2）生成其他阅读者更欢迎（喜欢）的评论；（3）做出极端评分受到的约束越强，评分离5点评分量表中点的平均距离越小。此外，分析还发现专业水平越高的用户评论越长，即考虑的属性越多，因此导致不那么极端的整体评分。最后，与新手相比，评论专家对于改变服务提供商综合评级指标的作用更小。以上三点分析结果，分别验证了该研究所提出的几条设想。

　　研究1中所涉及的评论平台（去哪儿了）对于评论专家的划分基于用户过去产生的评论数量。而在研究2a和2b中，作者以专业知识水平的的两个重要维度——重复和考虑属性数为基础，分别设计了2评级重复（高vs低）*2描述效价（正vs负）以及2属性数（高vs低）*2体验效价（正vs负）的组间设计，以不同的方式划分评论专家，进一步论证研究1的结论。在研究2a中，参与者首先被要求回忆过去一年里他们去过的餐馆。接着被随机分配到高（低）评级重复条件下，要求写下5（2）家餐厅，然后按照5分评分标准对每一家餐厅的体验进行评分，从1（糟糕）到5（优秀）。然后，研究人员向参与者描述了一段在餐馆的积极或消极经历并要求他们给这段描述打分。最后，作为对照，参与者被要求报告他们写在线评论的频率。类似地，研究2b将“评级重复”的分组条件换成“考虑属性数”的分组条件。

　　研究2a的结果发现，体验效价（即体验的好坏）与重复评论（属性数）对评级的交互作用显著。对于消极体验，高评论重复条件组被试的评分显著高于低评论重复条件组；而对于积极体验，高评论重复条件组被试的评分略低于低评论重复条件组。同时，高评论重复条件组被试给出的评分极化程度低于低评论重复条件组。研究2b的结果与研究2a相同。在这两个研究中，作者展示了两种不同的机制：重复评论和考虑属性的数量如何影响评分的极化程度，这有助于解释为什么评论专家的评分不那么极端。

　　最后，研究3和研究4分别探究了TripAdvisor.com评论平台上的酒店评论和Yelp.com评论平台上的餐厅评论，再次验证了作者所提出的设想。

　　营销人，你会怎么做？

　　评论专家容易产生更受欢迎的评论，得到读者的好感，但是评论的好感度只是影响消费者选择的一个方面。在消费者翻阅具体的评论前，更直观的接收到的是该服务提供商的评级评分，企业在评论平台上的综合评分不仅会影响其在搜索中出现的页面先后，而且会直接影响消费者是否会将其视为一个选项，纳入自己的选择集。换句话说，评论者可以提供一个餐厅体验的非常详细的描述，但如果这家餐厅甚至没有被读者考虑，评论的影响很大程度上就会减弱。因此，服务提供商在考虑激励用户进行评论时，可以结合自身的实际情况，例如当前的综合评分水平，以及不同类型评论用户的特征，选择合适当前现状的评论风格，从而可以在综合评分和评论效应最大化之间找到一个平衡点。

　　

　　作者信息

　　毛佩滢

　　武汉大学经济与管理学院

　　市场营销系硕士研究生

　　编辑：徐辛夷（武汉大学经济与管理学院硕士研究生）

　　每周二更新原创营销科普文章

　　敬请持续关注！

　　参考文献

　　Peter Nguyen, Xin (Shane) Wang, Xi Li, June Cotte (2021).Reviewing Experts’ Restraint from Extremes and Its Impact on Service Providers,Journal of Consumer Research. 47(5), 654-674 https://doi.org/10.1093/jcr/ucaa037