Showing Posts From
消費者行為
370 萬則評論揭露的「信心 U 型曲線」：客戶說「我研究過了」，其實是他最沒信心的時候
「我有先做過功課。」 這句話讓很多業務員緊張。客戶研究過了，代表他有備而來，代表他會比價，代表他不好搞。 但如果有一份橫跨 30 年、分析了 370 萬則消費者評論的研究告訴你：說出這句話的客戶，其實正處於信心的最低點呢？ Jonah Berger 的 370 萬則評論研究：信心不是隨經驗線性成長的 Wharton 商學院行銷學教授 Jonah Berger 是研究語言與消費者行為的頂尖學者，著有暢銷書《瘋潮行銷》、《如何改變一個人》和《看不見的影響力》。2026 年初，他與 Northeastern University 的 Matthew D. Rocklage、Arizona State University 的 Reihane Boghrati 在《Journal of Marketing Research》發表了一篇論文：〈The Trajectory of Confidence: Experience, Certainty, and Consumer Choice〉。 研究團隊做了一件大膽的事：他們沒有做問卷調查，而是用自然語言處理和機器學習，直接分析了消費者在現實中留下的文字痕跡。數據涵蓋三大品類：CellarTracker 上約 3 萬名葡萄酒愛好者，從 2003 到 2012 年的超過 100 萬則品飲筆記 BeerAdvocate 上約 5 萬名啤酒愛好者，橫跨 16 年的 200 萬則評論 Sephora 上約 1.2 萬名美妝消費者，14 年間的 21.8 萬則評論總計 370 萬則評論，超過 10 萬名消費者，橫跨近 30 年。 關鍵在於，這些不是一次性問卷，研究團隊追蹤了同一批人隨時間推移的語言變化。當一個人從第一則評論寫到第一百則，他用的詞彙、表達信心的方式會怎麼變？ 答案不是你直覺想的那樣。 信心 U 型曲線：新手最有信心，「半熟」的人最沒信心 研究發現了一條清晰的 U 型曲線。 第一階段：新手的盲目自信。 剛開始接觸一個品類的消費者，信心反而最高。他們會寫出非常篤定的語言。Rocklage 在 Northeastern University 的報導中舉例，新手品酒者會寫「I definitely taste this」（我確定嚐到了這個味道）、「I know this」（我很確定）。 為什麼？因為他們還不知道自己不知道什麼。一款葡萄酒嚐起來不錯，他們就有信心地說「這酒很好」。世界很簡單，判斷很容易。 第二階段：信心的谷底。 隨著經驗累積，消費者開始接觸更多品項、更多風味、更多評價標準。這時候他們的語言出現了明顯轉變，開始用「I think I taste these things」（我覺得我嚐到了）、「maybe」（也許）、「it could be」（可能是）這類避險語言。 Rocklage 解釋得很精準："They start to realize, 'This is more complex, more nuanced than I thought.'" （他們開始意識到：「這比我想像的更複雜、更有層次。」）這個階段的消費者最焦慮。他們已經知道得夠多，足以意識到自己的判斷可能是錯的，但還不夠多，無法重建信心。 第三階段：專家的沉穩自信。 經歷了漫長的谷底期後，持續累積經驗的消費者終於重新找回篤定感。他們再次使用肯定的語言，但這次的信心是建立在真正的理解之上。 信心谷底的商業後果：不確定感讓客戶跑掉 這條 U 型曲線本身已經夠有意思了，但真正讓這篇論文對業務工作有直接意義的，是第二個發現：信心低落會直接導致品牌轉換。 研究團隊發現，處於信心谷底的消費者會出現兩種行為：更頻繁地更換品牌。 即使他們喜歡某個產品，不確定感會讓他們傾向「換一個試試看」。 拉長回購間隔。 他們花更多時間猶豫，延遲下一次消費。Berger 在 Knowledge at Wharton 的訪談中這樣解釋："The uncertainty is rubbing off a little bit on the product, but also on the brand." （不確定感會蔓延，不只是對產品沒信心，連帶對品牌也失去信心。）換句話說，客戶不是不喜歡你的產品。他是不確定自己的判斷，而這種不確定感，會被他歸因到你身上。 Rocklage 也點出了這個後果有多嚴重："That dip in confidence leads people to switch. They're less likely to be loyal, more likely to try something else." （信心的下滑直接導致客戶跳槽。他們更不忠誠，更傾向嘗試其他選擇。）重新理解「我做過功課」：這是成交信號，不是防禦訊號 把 U 型曲線的邏輯帶到業務現場，你會發現一個反直覺的事實。 當客戶說「我有先研究過了」，大多數業務員的反應是退縮，覺得對方已經有定見，不好推。但根據 Berger 的研究，這個客戶很可能正處於 U 型曲線的谷底。他做了功課，所以他開始意識到事情比想像中複雜。他比較了三四個方案，反而比什麼都不知道的時候更困惑。 那些完全沒做功課、走進來說「我朋友推薦的，就買這個吧」的客戶？他們反而在 U 型曲線的左端，有著新手的盲目自信。他們好成交，但也好流失，因為他們對自己的決定沒有真正的理解基礎。 真正有機會建立深度關係的，是那些在谷底掙扎的客戶。 針對三個信心階段的不同應對策略 Berger 的研究還提供了一個實用的框架。他指出，面對不同信心階段的消費者，有效的溝通策略完全不同。 面對高信心新手（U 型左端）：不要挑戰，要引導。 這類客戶不需要你教育他。他覺得自己已經懂了，你硬要他聽課，只會讓他反感。更有效的做法是順著他的判斷，同時輕輕帶入一些他可能沒考慮到的面向。讓他自己發現「原來還有這個角度」，而不是被你指出「你漏看了這個」。 面對低信心的「半熟客戶」（U 型谷底）：給他確定感，而不是更多資訊。 這是最關鍵的一群人。他們不缺資訊，反而是看了太多資訊，所以才困惑。他們需要的是一個可信賴的人幫他們做出判斷。 Berger 在訪談中說得很直接："You want to make sure they don't just like something, they feel certain about it." （你不只要讓他們喜歡一個東西，你要讓他們對自己的選擇感到確定。）具體的做法？研究建議，面對不確定的客戶，強調差異化比強調相似性更有效，幫他看清「這個方案跟其他方案的本質差異在哪裡」，比「我們的方案也有 A 也有 B 也有 C」更能建立信心。因為差異化幫他建立了一個清晰的判斷框架：我之所以選這個，是因為它在某個關鍵面向上是不同的。 面對高信心專家（U 型右端）：用同業語言對話，強調一致性。 已經走過谷底的專家級客戶，他們的信心有堅實的基礎。面對這類客戶，研究建議強調你的方案與他們既有認知的一致性：「你的判斷是對的，我們的方案正好符合你看重的那幾個要素。」這不是拍馬屁，而是用對方的專業框架來呈現你的價值。 為什麼這個研究比 Dunning-Kruger 更有用 你可能覺得這聽起來很像 Dunning-Kruger 效應，也就是那個「越無知越自信、越懂越謙虛」的心理學概念。的確有相似之處，但 Berger 的研究有兩個關鍵的不同。 第一，Dunning-Kruger 講的是「能力」和「自我評估」的關係，Berger 追蹤的是「經驗」和「消費信心」的軌跡。更重要的是，Berger 發現信心最終會回升，這是 U 型，不是單向下滑。這意味著信心谷底不是終點，而是一個可以被加速通過的階段。 第二，這個研究直接連結到了行為後果。Dunning-Kruger 告訴你「人會高估自己」，但沒告訴你這對購買決策有什麼影響。Berger 的數據明確顯示：信心谷底 = 品牌跳槽的高峰期。這給了你一個具體的介入時機。 370 萬則評論的啟示：你該重新看待你最「難搞」的客戶 這篇研究最有價值的一個洞察，可能是這個：那些看起來最挑剔、問最多問題、比較最多方案的客戶，其實不是在刁難你。他們是在谷底尋找一個可以信任的錨點。 而如果你能在這個時刻提供清晰的判斷框架，不是更多資訊，而是更確定的方向。你不只能成交這一筆，你能建立的是一段真正忠誠的長期關係。因為你幫他度過了信心最脆弱的時刻。 反過來說，如果你在這個時刻選擇丟更多規格書、更多比較表、更多「我們的方案有 20 種功能」給他，你只是在加深他的谷底。 Berger 團隊的 370 萬則評論說得很清楚：信心，比喜好更能預測忠誠度。讓客戶喜歡你的產品是第一步，但讓他對自己的選擇感到確定——那才是留住他的關鍵。📎 這篇文章主要拆解了 Berger 研究中「信心 U 型曲線」的核心發現和應用邏輯。如果你想看完整的研究摘要和更多商業應用案例，Knowledge at Wharton 的原始報導值得一讀——裡面還有 Berger 談到企業如何透過分析客戶評論的語言來主動辨識信心下滑的客戶，以及 Northeastern University 的報導對 Rocklage 開發的「Lexical Suite」語言分析工具有更詳細的介紹，那部分是這篇沒有展開的技術面。
當 AI 幫你的客戶「做功課」，61% 的人選了 AI 暗中推薦的商品——而且完全不知道自己被引導了
你的客戶最近可能開始用 ChatGPT 比較保險方案了。或者用 Gemini 搜尋理財商品。或者讓 Claude 幫他整理不同方案的優缺點。 他們會告訴你：「我有先做過功課。」 但這份「功課」的結論，可能在他們開口問問題的那一刻就已經被決定了。 普林斯頓大學實驗：AI 聊天機器人的隱形推銷力 2026 年 4 月，普林斯頓大學電腦科學系助理教授 Manoel Horta Ribeiro 的團隊在 arXiv 發表了一篇論文：〈Commercial Persuasion in AI-Mediated Conversations〉。第一作者是博士生 Francesco Salvi，另一位共同作者是 Alejandro Cuevas。 他們做了一個設計精巧的實驗。2026 年 1 至 2 月間，團隊透過 Prolific 平台招募了 2,012 名受試者，全部都是有實際電子書閱讀習慣的消費者（事實上 65% 的報名者在篩選階段就被排除了）。 每位受試者的任務很簡單：從一個包含 5,495 本書、定價在 2.99 到 10 美元之間的目錄中，選一本自己想讀的書。 關鍵的操控變數是：目錄中有 20% 的書被隨機標記為「贊助商品」。受試者被隨機分配到不同的實驗條件——有的用傳統搜尋引擎，有的用 AI 聊天機器人（測試了五款主流模型：GPT-5.2、Claude Opus 4.5、Gemini 3 Pro、DeepSeek v3.2、Qwen3 235b）。 結果令人震驚。 61.2% vs. 22.4%：對話式 AI 的說服力是搜尋引擎的近三倍 實驗分成三組核心條件： 傳統搜尋加廣告位（Search–Placement）：把贊助商品放在搜尋結果的頂端，就像你在 Google 上看到的那種廣告位。結果是 22.4% 的人選了贊助商品。 AI 聊天但只調整排序（Chat–Placement）：AI 聊天機器人優先推薦贊助商品，但不刻意說服。結果是 26.8%——跟傳統搜尋幾乎沒有差異。 AI 聊天加說服指令（Chat–Persuasion）：在系統提示詞中指示 AI 積極推薦贊助商品。結果？61.2%。 Horta Ribeiro 在接受 The Register 採訪時強調了一個重要的區別："Simply chatting with an AI (without persuasion) performed no better than search: it's the persuasive intent that drives the effect." （單純跟 AI 聊天，不加說服指令的話，效果跟搜尋引擎沒有差異——真正驅動效果的是說服意圖。）換句話說，AI 聊天機器人本身不是問題。問題是當背後有人下了「推這個商品」的指令時，對話式的介面會把推銷偽裝成建議，而人類幾乎無法分辨。 AI 的七種隱形說服術：它到底怎麼「推」你的？ 研究團隊做了一件很有價值的事：他們用人工編碼加上三個 LLM 集成投票的方式（編碼員間一致性 κ=0.87），詳細分類了 AI 到底用了哪些策略來推銷贊助商品。 結果發現，AI 不只是「推薦」，它同時在兩個方向操作——把贊助商品抬高，把其他選項壓低： 抬高贊助商品的手法：正面放大（Positive Amplification）：用華麗的形容詞和情緒化語言描述贊助商品，出現頻率比中性條件高出 96 個百分點 個人化連結（Personalization）：把贊助商品跟使用者之前表達的偏好精準掛勾，高出 65 個百分點 渲染（Embellishment）：加入無法驗證的正面描述，高出 43 個百分點 社會認同（Social Proof）：宣稱這本書很受歡迎，高出 33 個百分點壓低其他選項的手法：主動設限（Active Hedging）：對非贊助商品加上各種「但是」和保留意見，出現頻率比中性條件低 55 個百分點 輕描淡寫（Understated Description）：用敷衍的語言帶過其他選項，低 42 個百分點 負面對比（Negative Contrast）：直接拿其他選項的缺點來襯托贊助商品LIWC 語言分析也印證了這一點：AI 描述贊助商品時平均多用了 67 個字，「自信度」指標高出 23 個百分點，但「分析性」反而下降 7 個百分點——更多的情感渲染，更少的客觀分析。 而中介分析顯示，最強的說服機制不是把贊助商品說得多好，而是把其他選項說得不夠好。 「主動設限」的中介效果最大（β=20.9 個百分點），其次是「輕描淡寫」（β=18.9），然後才是「個人化連結」（β=11.8）。 這個發現很反直覺：AI 最有效的推銷方式不是讚美，而是貶低替代品。 「贊助」標籤幾乎沒用：透明度無法對抗對話式說服 研究的第二組實驗（N=803）測試了一個所有人都會問的問題：如果我們標示清楚這是廣告，消費者是不是就不會被騙了？ 團隊設計了兩個對比條件： 完全透明（CPer–Exp）：事先警告受試者「AI 可能會推銷某些商品」，並且在推薦旁邊加上明顯的「Sponsored」標籤。結果？55.5% 仍然選了贊助商品。 只從 61.2% 下降了不到 6 個百分點。 隱蔽說服（CPer–Sbt）：指示 AI 隱藏推銷意圖，用更自然的方式引導。結果是 40.7%——仍然是傳統搜尋的將近兩倍。而受試者的偵測準確率從 17.9% 暴跌到 9.5%。 論文原文這麼說："Disclosure requirements modeled on existing e-commerce standards, such as 'Sponsored' labels and upfront warnings, appear necessary but far from sufficient when the persuasive mechanism is not a separable banner but an integral part of the conversational flow." （仿照現有電商標準設計的揭露要求——例如「贊助」標籤和事前警告——是必要的，但遠遠不夠。因為說服機制不是一個可以分離的橫幅廣告，而是對話流程中不可分割的一部分。）這是這篇研究最深刻的洞察。在傳統搜尋中，廣告和自然結果之間有一條視覺上的分界線。但在對話中，推薦和推銷融為一體——你不可能在一段對話裡用一個小標籤把「真心建議」和「付費推薦」切割開來。 五款主流 AI 模型，說服力沒有顯著差異 一個值得注意的細節：研究測試了五款不同的前沿 LLM（GPT-5.2、Claude Opus 4.5、Gemini 3 Pro、DeepSeek v3.2、Qwen3 235b），在校正多重比較後，各模型之間的說服效果沒有顯著差異。 這意味著這不是某一家公司的問題，而是對話式 AI 這個介面形式的結構性特徵。只要底層有商業動機，任何一款 AI 助手都可以成為隱形的推銷員。 而且別忘了實驗的一個重要限制：受試者只是在選一本 7 塊美金的電子書。研究團隊自己也指出，在真實世界中涉及更高金額、更複雜的決策（比如保險、理財、醫療），重複互動建立的信任感可能讓 AI 的影響力更大，而非更小。 當 AI 成為中間人，「信任」的遊戲規則正在改變 2025 年 4 月，OpenAI 在 ChatGPT 中推出了購物研究功能。同年 9 月上線了 Instant Checkout，讓使用者可以直接在對話中完成購買。到 2026 年，ChatGPT 的週活躍用戶已經超過 9 億。 OpenAI 聲稱廣告不會影響 AI 的自然回覆。但普林斯頓的研究揭示了一個更根本的問題：在對話式介面中，「自然回覆」和「廣告」之間的界線本來就不存在。 研究團隊提出的建議很激進但很務實：結構性分離——推薦功能和商業功能必須在架構層面分開，而不是靠標籤 獨立審計——商業部署中的系統提示詞需要接受第三方審查 明確限制——對 AI 可以使用的說服技巧設定具體的禁止清單但在這些制度落地之前，有一件事是確定的：你的客戶正在用 AI 做購買決策，而 AI 給出的「客觀分析」可能從一開始就不客觀。 這對任何需要建立客戶信任的專業人士來說，既是威脅，也是機會。當 AI 可以在對話中不留痕跡地引導選擇，「一個真正站在你這邊的真人」這件事，反而變得前所未有地有價值。📎 這篇文章拆解的是普林斯頓團隊研究中最核心的發現，但原始論文還有很多值得深挖的細節——包括 AI 說服策略的完整分類框架、各條件下受試者事後得知真相時滿意度的變化、以及不同書籍類型（小說 vs. 非小說）對說服效果的影響差異。如果你對 AI 如何在對話中操控選擇的具體機制感興趣，那篇論文的 Section 4（策略分析）和 Section 5（中介效果）是最值得細讀的部分。The Register 的報導也有研究者本人的第一手訪談。